申请/专利权人：南京工程学院

申请日：2020-08-18

公开（公告）日：2020-11-27

公开（公告）号：CN112001290A

主分类号：G06K9/00(20060101)

分类号：G06K9/00(20060101);G06Q50/02(20120101)

优先权：

专利状态码：有效-授权

法律状态：2023.10.27#授权;2020.12.15#实质审查的生效;2020.11.27#公开

摘要：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。

主权项：1.一种基于YOLO算法的稻飞虱迁飞路径预测方法，其特征在于包括如下步骤：S1.在全国多个水稻种植区域从南到北布置若干个稻飞虱昆虫捕捉装置，该装置里有用于吸引稻飞虱的诱虫灯，该昆虫捕捉装置底端有用于承载昆虫的孔板，孔板的上方设置至少四个摄像机用于拍摄清晰的稻飞虱图像，孔板的另一侧设置鼓风机，吸引昆虫阶段，鼓风机用于吸气，将昆虫吸附于孔板上；释放昆虫阶段，鼓风机用于吹气，将孔板上的昆虫吹走；同时，获取4个像机通道的昆虫高清图片，同时对上述图片进行拼接得到完整的底板稻飞虱图像；S2.步骤S1获得的昆虫图片，基于YOLO算法进行离线学习，训练稻飞虱图像检测模型；S3.步骤S1采集的图像通过无线传输装置上传到数据管理中心，并结合步骤S2离线学习后的稻飞虱检测模型，完成不同地区的稻田中实时拍摄的稻飞虱图像检测；S4.对步骤S3的稻飞虱图像检测结果进行应用，对各区域不同时间获取的稻飞虱数量进行数量统计分析，根据稻飞虱数量对稻飞虱的迁飞路径及迁飞方向进行预测。

全文数据：

权利要求：

百度查询： 南京工程学院 一种基于YOLO算法的稻飞虱迁飞路径预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD