[发明专利]一种基于YOLO算法的稻飞虱迁飞路径预测方法

说明书

一种基于YOLO算法的稻飞虱迁飞路径预测方法，涉及机器视觉与人工智能的技术领域。本发明对于获得的田间昆虫图片，通过YOLO算法训练收集的图像集，生成稻飞虱检测模型，完成实际田间拍摄状态下的稻飞虱图像检测；然后，对不同地区获取的稻飞虱图像进行识别和检测，并分别对图像中识别出的稻飞虱进行数量统计，并将数据上传到数据管理中心平台。根据不同地区稻飞虱数量的统计，完成稻飞虱迁徙路径的预测。利用高效的数据智能管理平台，来精确识别不同地区稻飞虱数量，统计稻飞虱病虫害严重性程度以及预测稻飞虱迁飞路径，对稻田等农作物有关稻飞虱虫害预防提供重要参考数据，可以节省大量人力和物力资源，提高农业虫害防治效率。

技术领域

本发明涉及机器视觉与人工智能的技术领域，尤其涉及一种基于YOLO算法的稻飞虱迁飞路径预测方法。

背景技术

我国水稻种植区域广泛，横跨纬度范围大，从我国东北地区到江淮、江汉一带，一直到我国华南、西南地区均有广泛面积种植水稻。水稻是我国最重要的主产粮食作物之一，水稻在生长过程中会受到不同病虫害的影响，其中稻飞虱就是一种严重影响水稻植株生长的一种病虫害。稻飞虱，种属同翅目飞虱科，是农业稻田病虫害中一种以刺吸植株汁液的迁飞性害虫。近几年我国稻飞虱病虫害呈持续多发、重发趋势，造成了我国水稻严重减产，一般稻田减产10％-30％，少数严重失防田块减产超过50％，稻飞虱病虫害影响了我国水稻生长和生产。危害我国农田作物的稻飞虱主要分为三种：褐飞虱、白背飞虱和灰飞虱。稻飞虱成虫和若虫群集植株茎基部刺吸汁液，造成叶片枯黄，并产卵于叶鞘组织中，致叶鞘受损出现黄褐色伤痕。因此，全面实现田间稻飞虱病虫害的自动统计，减少稻飞虱人工搜集和数据统计工作量，减少劳动强度作业，对现代化农业管理水平的提升具有重要意义。

目前对于稻飞虱的迁飞路径没有一个系统的预测过程，更多的是根据某一地区的数量减少和另一地区的数量增加来推测，判断结果不准确，且不具有及时性，对稻田等农作物有关稻飞虱虫害预防数据不具有参考价值。各地在预防和治理上各自为阵，更多的是在稻飞虱产生后才开始治理，导致在预防和治理的滞后性，大大降低了稻飞虱防治效率。

发明内容

本发明目的是提供一种基于YOLO算法的稻飞虱迁飞路径预测方法，利用建立高效的深度学习模型以及数据智能管理平台，精确对不同地区稻飞虱数量进行统计、对比和分析以及预测其迁飞路径，为稻田等农作物有关稻飞虱虫害预防提供重要参考数据，不仅可以节省大量人力和物力资源，而且可以提高农业虫害防治效率。

基于YOLO算法的稻飞虱迁飞路径预测方法，包括如下步骤：

S1.在全国多个稻田区域布置稻飞虱采集装置，该装置包含用于吸引稻飞虱的诱虫灯，诱虫灯的正下方布置用于承载昆虫的100x100mm孔板，由于稻飞虱体型小，成虫长度大约在3-5mm。因此，孔板的上方设置至少四个摄像机，每个像机像素为500万，工作距离为50mm，每个摄像机的工作视野为60x60mm，确保4个像机全覆盖整个孔板，并能清晰对稻飞虱成像。孔板的一侧装有鼓风机和毛刷，拍摄昆虫阶段，设置固定时间间隔，通过鼓风机将诱虫灯吸引进来的昆虫吸到孔板上，然后，设置像机拍摄时间，对获取的4个通道像机图像进行拼接得到孔板上完整的图像；像机采集好此时刻昆虫图片后，孔板下移，同时鼓风机进行吹风，旁边毛刷对孔板进行清理，为下一时刻昆虫拍摄做准备。

S2.步骤S1获得的昆虫图片，基于YOLO算法的稻飞虱图像识别模型进行离线学习；

S3.步骤S1采集的图像通过无线传输装置并结合步骤S2离线学习后的检测模型，完成实际状态下获取的稻飞虱图像检测；

S4.对步骤S3的图像检测结果进行稻飞虱数量统计，对各区域的稻飞虱数量分别进行统计和对比，并根据上述分析对稻飞虱的迁飞路径以及病虫害程度进行预测。