基于图像处理的储粮低密度虫害监测系统的设计与验证
发布时间：2021-08-07 14:38
为解决高害虫密度储粮处理成本昂贵和现有监测系统实时性和移动性不足等问题,采用Web技术,结合自主设计的粮虫诱捕器,建立了储粮低密度虫害实时监测系统。树莓派控制诱捕器采集害虫图像并进行图像处理得到图像中害虫的数量,再将数据传至云端服务器,用户通过Web客户端获取历史以及实时的害虫图像和害虫数量。在实验室用该系统监测了赤拟谷盗密度为0.5、1、2、3、4、5头/kg的稻谷,通过系统捕获第一只害虫的时间来评价其灵敏度,24h内对害虫的捕捉率验证系统用于低密度虫害监测的可行性,并以人工直接计数结果为参考计算了系统计数的准确率,结果表明:系统灵敏度高,在低密度害虫条件下对害虫的捕捉率高于61.98%且诱捕器捕捉的害虫数与稻谷中的害虫总数存在显著线性关系,系统计数准确率为90.26%。因此,该系统可用于低密度虫害的实时监测。
【文章来源】：现代食品科技. 2019,35(10)北大核心
【文章页数】：7 页
【部分图文】：
系统总体框架
移动性。1系统的设计与实现1.1系统的总体设计图1系统总体框架Fig.1Systemoverallstructure系统总体框架如图1所示，其运行流程如下：树莓派控制诱捕器定时采集害虫图像并进行图像处理，将图像和计数结果传至云端服务器存储。用户通过浏览器进入Web客户端，登录后可进入参数设置界面可以进行设置图像采集时间、调整害虫数量超标警示值、增减监测的粮仓等相关设置，进入查询界面即可查看设定时刻采集的图像与害虫数量以及获取当前害虫图像与数据。1.2系统的硬件组成1.2.1诱捕器图2诱捕器(a)实物图和(b)结构示意图Fig.2Trap(a)trapphysicalmapand(b)trapassemblydrawing注：1.防尘塞；2.管帽；3.螺栓；4.摄像头；5.LED灯；6.带孔金属管；7.内牙接头；8.外牙接头；9.底座。诱捕器的功能是诱捕害虫并采集到背景简单的害虫图像。图2a为诱捕器实物图，其主体采用带孔金属管制作，利用害虫爱钻孔的习性诱捕害虫；为简化害虫图像背景，根据稻谷与常见粮虫间的尺寸差异，将金属管网孔直径设计为2mm，防止稻谷落入诱捕器中增加背景复杂度。研究表明储粮害虫在垂直方向上多分布在从粮堆表面向下50cm范围内[11]，结合商用诱捕器的长度，确定了诱捕器的总长度为50cm。诱捕器插入粮堆时会受到阻力，阻力的大小随诱捕器直径增加而增加，为确保诱捕器能正常插入粮堆且满足摄像头的安装尺寸32mm×32mm，将诱捕器的直径设计为5cm。图2b为诱捕器结构示意图，其中摄像头采用200万变焦摄像头，在帧率为30fps下采集图像，避免害虫与摄像头之间相对运动造成的运动模糊[12]；使用螺栓将摄像头固定在管帽上，防尘塞用于防止接口处落灰，保护摄像头的电路板；摄像头
用式(3)表示：F(i,j)=f(i,j)+k(f(i,j))-g(i,j))（3）式中：f(i.j)为原始图像，g(i,j)是模糊的图像，k是放大系数。首先将原图像低通滤波后产生一个钝化模糊图像，将原图像与这模糊图像相减得到保留高频成份的图像，再将高频图像用一个参数放大后与原图像叠加，这就产生一个增强了边缘的图像。图像经过反锐化掩模算法后，通过增加亮度和对比度大幅度拉开目标物与背景的差距，背景基本被除去，只留下害虫与杂草种子图像。此时通过计算两者的离心率，设定合适离心率值区分两者，实现对害虫的计数。图3图像处理与识别流程Fig.3Flowchartofimagesprocessingandrecognition1.3.2云端服务器考虑到储粮监测需要的监测点多，监测周期长，本监测系统采用AmazonWebServices(AWS)提供的云存储服务AmazonSimpleStorageService(AmazonS3)[18]存储采集的害虫图像，并通过在AmazonS3上部署开源数据库MongoDB[19,20]来作为云端数据库存储图像处理后得到的数据以及用户信息。云存储可弹性伸缩并且按使用量计费，能避免存储空间的闲置并保证经费的合理使用。1.3.3Web客户端图4客户端模块框图Fig.4BlockdiagramofclientmoduleWeb客户端是基于网页的应用程序，用户可以不需要下载安装专用软件，只需要通过浏览器或者一些具有浏览功能的客户端来访问服务器，浏览网页就可以实现相关的应用操作[21]。储粮害虫监测系统网页客户端模块框图如图4所示，用户通过客户端的UI层进行操作交互，逻辑处理层中每一个功能的实现都对应着一个控制UI操作，主要负责响应用户在对应模块下对视图操作的相应处理请求。逻辑处理层通过将每一个操作以统一的约定格式封装起来，以HTTP
【参考文献】：
期刊论文
[1]基于图像处理技术快速检测茯砖茶中“金花菌”数量[J]. 吕嘉枥,孟雁南,史朝烨,罗潇. 现代食品科技. 2018(11)
[2]储粮害虫在线监测技术的研究进展[J]. 马彬,金志明,蒋旭初,万小进,肖雄雄,陈利香,鲁玉杰. 粮食储藏. 2018(02)
[3]粮虫图像识别检测技术研究现状与展望[J]. 程尚坤,张德贤,张苗. 安徽农业科学. 2016(19)
[4]基于图像处理技术的储粮害虫快速识别[J]. 胡祝华,赵瑶池,白勇,曹凤勤. 安徽农业科学. 2014(30)
[5]基于图像处理的粮食虫害自动分级虚拟系统研究[J]. 颜丙生,陈富恒,郭军宏. 粮食与饲料工业. 2014(06)
[6]基于树莓派的嵌入式Linux开发教学探索[J]. 李文胜. 电子技术与软件工程. 2014(09)
[7]高大平房仓储粮害虫分布与发生初步调查[J]. 张英,邓文斌,郑绍锋. 粮油仓储科技通讯. 2012(03)
[8]运动模糊图像的运动模糊方向鉴别[J]. 陈前荣,陆启生,成礼智. 国防科技大学学报. 2004(01)
[9]基于机器视觉的储粮害虫智能检测系统硬件设计[J]. 邱道尹,张红涛,陈铁军,汤文博,章玉政,张成花. 农业机械学报. 2003(01)
硕士论文
[1]基于图像识别的储粮害虫检测[D]. 王德发.北京邮电大学 2017
本文编号：3327979
【文章来源】：现代食品科技. 2019,35(10)北大核心
【文章页数】：7 页
【部分图文】：
系统总体框架
移动性。1系统的设计与实现1.1系统的总体设计图1系统总体框架Fig.1Systemoverallstructure系统总体框架如图1所示，其运行流程如下：树莓派控制诱捕器定时采集害虫图像并进行图像处理，将图像和计数结果传至云端服务器存储。用户通过浏览器进入Web客户端，登录后可进入参数设置界面可以进行设置图像采集时间、调整害虫数量超标警示值、增减监测的粮仓等相关设置，进入查询界面即可查看设定时刻采集的图像与害虫数量以及获取当前害虫图像与数据。1.2系统的硬件组成1.2.1诱捕器图2诱捕器(a)实物图和(b)结构示意图Fig.2Trap(a)trapphysicalmapand(b)trapassemblydrawing注：1.防尘塞；2.管帽；3.螺栓；4.摄像头；5.LED灯；6.带孔金属管；7.内牙接头；8.外牙接头；9.底座。诱捕器的功能是诱捕害虫并采集到背景简单的害虫图像。图2a为诱捕器实物图，其主体采用带孔金属管制作，利用害虫爱钻孔的习性诱捕害虫；为简化害虫图像背景，根据稻谷与常见粮虫间的尺寸差异，将金属管网孔直径设计为2mm，防止稻谷落入诱捕器中增加背景复杂度。研究表明储粮害虫在垂直方向上多分布在从粮堆表面向下50cm范围内[11]，结合商用诱捕器的长度，确定了诱捕器的总长度为50cm。诱捕器插入粮堆时会受到阻力，阻力的大小随诱捕器直径增加而增加，为确保诱捕器能正常插入粮堆且满足摄像头的安装尺寸32mm×32mm，将诱捕器的直径设计为5cm。图2b为诱捕器结构示意图，其中摄像头采用200万变焦摄像头，在帧率为30fps下采集图像，避免害虫与摄像头之间相对运动造成的运动模糊[12]；使用螺栓将摄像头固定在管帽上，防尘塞用于防止接口处落灰，保护摄像头的电路板；摄像头
用式(3)表示：F(i,j)=f(i,j)+k(f(i,j))-g(i,j))（3）式中：f(i.j)为原始图像，g(i,j)是模糊的图像，k是放大系数。首先将原图像低通滤波后产生一个钝化模糊图像，将原图像与这模糊图像相减得到保留高频成份的图像，再将高频图像用一个参数放大后与原图像叠加，这就产生一个增强了边缘的图像。图像经过反锐化掩模算法后，通过增加亮度和对比度大幅度拉开目标物与背景的差距，背景基本被除去，只留下害虫与杂草种子图像。此时通过计算两者的离心率，设定合适离心率值区分两者，实现对害虫的计数。图3图像处理与识别流程Fig.3Flowchartofimagesprocessingandrecognition1.3.2云端服务器考虑到储粮监测需要的监测点多，监测周期长，本监测系统采用AmazonWebServices(AWS)提供的云存储服务AmazonSimpleStorageService(AmazonS3)[18]存储采集的害虫图像，并通过在AmazonS3上部署开源数据库MongoDB[19,20]来作为云端数据库存储图像处理后得到的数据以及用户信息。云存储可弹性伸缩并且按使用量计费，能避免存储空间的闲置并保证经费的合理使用。1.3.3Web客户端图4客户端模块框图Fig.4BlockdiagramofclientmoduleWeb客户端是基于网页的应用程序，用户可以不需要下载安装专用软件，只需要通过浏览器或者一些具有浏览功能的客户端来访问服务器，浏览网页就可以实现相关的应用操作[21]。储粮害虫监测系统网页客户端模块框图如图4所示，用户通过客户端的UI层进行操作交互，逻辑处理层中每一个功能的实现都对应着一个控制UI操作，主要负责响应用户在对应模块下对视图操作的相应处理请求。逻辑处理层通过将每一个操作以统一的约定格式封装起来，以HTTP
【参考文献】：
期刊论文
[1]基于图像处理技术快速检测茯砖茶中“金花菌”数量[J]. 吕嘉枥,孟雁南,史朝烨,罗潇. 现代食品科技. 2018(11)
[2]储粮害虫在线监测技术的研究进展[J]. 马彬,金志明,蒋旭初,万小进,肖雄雄,陈利香,鲁玉杰. 粮食储藏. 2018(02)
[3]粮虫图像识别检测技术研究现状与展望[J]. 程尚坤,张德贤,张苗. 安徽农业科学. 2016(19)
[4]基于图像处理技术的储粮害虫快速识别[J]. 胡祝华,赵瑶池,白勇,曹凤勤. 安徽农业科学. 2014(30)
[5]基于图像处理的粮食虫害自动分级虚拟系统研究[J]. 颜丙生,陈富恒,郭军宏. 粮食与饲料工业. 2014(06)
[6]基于树莓派的嵌入式Linux开发教学探索[J]. 李文胜. 电子技术与软件工程. 2014(09)
[7]高大平房仓储粮害虫分布与发生初步调查[J]. 张英,邓文斌,郑绍锋. 粮油仓储科技通讯. 2012(03)
[8]运动模糊图像的运动模糊方向鉴别[J]. 陈前荣,陆启生,成礼智. 国防科技大学学报. 2004(01)
[9]基于机器视觉的储粮害虫智能检测系统硬件设计[J]. 邱道尹,张红涛,陈铁军,汤文博,章玉政,张成花. 农业机械学报. 2003(01)
硕士论文
[1]基于图像识别的储粮害虫检测[D]. 王德发.北京邮电大学 2017
本文编号：3327979
本文链接：https://www.wllwen.com/nykjlw/nyxlw/3327979.html
