基于图像识别的蜂螨识别方法及设备技术

本公开提出了基于图像识别的蜂螨识别方法及设备，蜂螨识别方法包括如下步骤：获取蜂脾图像；采用深度学习方法结合图像处理方法对蜂螨情况进行识别；周期性的执行上述步骤对蜜蜂染螨情况进行统计预测蜂螨发病规律，根据发病规律生成蜂螨防控方案。通过使用计算机视觉识别技术，对染螨蜜蜂进行分析统计，辅助养殖决策，使得蜜蜂养殖具有更加智能、更加高效、更加精准且操作简单的优点。加精准且操作简单的优点。加精准且操作简单的优点。

【技术实现步骤摘要】
基于图像识别的蜂螨识别方法及设备


[0001]本公开涉及蜜蜂养殖相关
，具体的说，是涉及基于图像识别的蜂螨识别方法及设备。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，并不必然构成在先技术。
[0003]蜂螨是全球蜜蜂养殖中最严重的生物威胁，目前主要依赖化学杀螨药治螨。但是在生产中经常存在杀螨药乱用的情况，过频过量使用会加大蜂螨的耐药性，低剂量、不及时用药，起不到杀螨效果，蜂群损失严重。导致这些情况主要原因是因为养蜂人无法快速精准检测蜂群螨害寄生率、预测螨害发生的时空规律、不了解蜂螨寄生率与用药剂量的关系等，故而无法做到适时、适地、适量的用药，更无法采取准确的提前防控措施。
[0004]专利技术人发现，目前的识别方法，在蜜蜂养殖生产中，通常采用的肉眼识别的方法，但是蜂螨个体小、群内蜜蜂数目多，无法做到逐一识别，只能根据检查蜂群时观察到染螨的频率和蜜蜂体况大致估测蜂螨的寄生率，无法给出精准的数据，只能用高、中、低进行粗略的等级评价。在科研中，为了获得可描述的数据，通常采用抽样调查的方法，即每个蜂群随机取300只蜜蜂，通过洗涤剂或者酒精漂洗的办法将蜂螨从蜜蜂上洗脱下来，对蜂螨进行人为计数，计算蜂螨的寄生率(蜂螨数/蜜蜂数)。这种方法操作繁琐、抽样误差与系统误差较大，难以快速获得精准的数据。因此，目前无论是养蜂生产中，还是蜂螨的科学研究中均缺少一种高效、准确、操作简单的方法来统计蜂螨的寄生率。

技术实现思路

[0005]本公开为了解决上述问题，提出了基于图像识别的蜂螨识别方法及设备，通过使用计算机视觉识别技术，对染螨蜜蜂进行分析统计，辅助养殖决策，使得蜜蜂养殖具有更加智能、更加高效、更加精准且操作简单的优点。
[0006]为了实现上述目的，本公开采用如下技术方案：
[0007]一个或多个实施例提供了基于图像识别的蜂螨识别方法，包括如下步骤：
[0008]获取蜂脾图像；
[0009]采用深度学习方法结合图像处理方法对蜂螨情况进行识别；
[0010]周期性的执行上述步骤对蜜蜂染螨情况进行统计预测蜂螨发病规律，根据发病规律生成蜂螨防控方案。
[0011]一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法所述的步骤。
[0012]一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述方法所述的步骤。
[0013]与现有技术相比，本公开的有益效果为：
[0014](1)本公开通过深度学习算法对深度学习方法结合图像处理方法对蜂螨情况进行识别，提高识别的效率，能够提高蜂螨识别的智能化。
[0015](2)本公开中，设置了yolo3模型融合MobileNetV2模型对蜂螨情况进行识别，这两种模型的结合既保证了准确率又具有运算速度快，轻量的特点。
[0016]本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
[0017]构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的限定。
[0018]图1是本公开实施例1的蜂螨识别方法流程图；
[0019]图2是本公开实施例1的融合模型结构图。
具体实施方式：
[0020]下面结合附图与实施例对本公开作进一步说明。
[0021]应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
的普通技术人员通常理解的相同含义。
[0022]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。需要说明的是，在不冲突的情况下，本公开中的各个实施例及实施例中的特征可以相互组合。下面将结合附图对实施例进行详细描述。
[0023]实施例1
[0024]在一个或多个实施方式中公开的技术方案中，如图1
‑
2所示，基于图像识别的蜂螨识别方法，包括如下步骤：
[0025]步骤1、获取蜂脾图像；
[0026]步骤2、采用深度学习方法结合图像处理方法对蜂螨情况进行识别；
[0027]步骤3、周期性的执行上述步骤对蜜蜂染螨情况进行统计预测蜂螨发病规律，根据发病规律生成蜂螨防控方案。
[0028]本实施例通过深度学习算法对深度学习方法结合图像处理方法对蜂螨情况进行识别，提高识别的效率，能够提高蜂螨识别的智能化。
[0029]步骤1中，使用高分辨率相机对蜜蜂进行拍照，采集图像。具体操作为将蜂脾从蜂箱中取出，使用高分辨率相机拍摄蜂脾图像。
[0030]步骤2中，所述染满情况可以包括感染蜂螨的蜜蜂的类型、各类型感染蜂螨的蜜蜂的数量或占比、感染的蜂螨的类型以及各类型蜂螨所占的比例。
[0031]可选的，对图像中蜜蜂的染螨情况进行识别，包括如下步骤：
[0032]2.1预处理蜂脾图像，针对预处理的图像采用深度学习算法识别蜜蜂是否感染蜂
螨；
[0033]2.2若感染蜂螨，采用深度学习算法继续识别该蜜蜂的类型，并进行计数；其中所述蜜蜂类型包括工蜂、雄蜂等。
[0034]2.3采用深度学习计数方法识别所染蜂螨为大蜂螨还是小蜂螨，并计算感染大小蜂螨的比例。
[0035]可选的，上述步骤2.1和2.2中的所述深度学习方法可以为卷积算法，具体的可以采用yolo3模型融合MobileNetV2模型。
[0036]yolo3模型融合MobileNetV2模型的具体结构，可以如图2所示，包括依次连接的yolov3部分和MovileNetV2部分，yolov3部分的识别结果作为MovileNetV2部分的输入。
[0037]具体的，yolov3部分包括输入层、多个第一卷积层以及第一输出层，检测结果为将蜜蜂框出部分的图像矩阵；所述MobileNetV2部分包括第二卷积层、多层逆残差结构以及第二输出层，多层逆残差结构先将图像进行升维，再提取特征，最后进行降维操作，通过第二输出层输出蜜蜂类型作为识别结果。
[0038]本实施例中，上半部分为yolov3部分，下半部分为MovileNetV2部分：其中yovov3部分各层均为卷积层，检测结果为将蜜蜂框出部分的图像矩阵，之后下半部分接收矩阵，判断蜜蜂类型。
[0039]其中，MobileNetV2部分包含多层逆残差结构，特征为先将图像进行升维，再提取特征，最后进行降维操作。
[0040]yolo3模型其中包含多层卷积、残差、上采样结构本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于图像识别的蜂螨识别方法，其特征是，包括如下步骤：获取蜂脾图像；采用深度学习方法结合图像处理方法对蜂螨情况进行识别；周期性的执行上述步骤对蜜蜂染螨情况进行统计预测蜂螨发病规律，根据发病规律生成蜂螨防控方案。2.如权利要求1所述的基于图像识别的蜂螨识别方法，其特征是：染满情况包括感染蜂螨的蜜蜂的类型、各类型感染蜂螨的蜜蜂的数量或占比、感染的蜂螨的类型以及各类型蜂螨所占的比例。3.如权利要求1所述的基于图像识别的蜂螨识别方法，其特征是：对图像中蜜蜂的染螨情况进行识别，包括如下步骤：预处理蜂脾图像，针对预处理的图像采用深度学习算法识别蜜蜂是否感染蜂螨；若感染蜂螨，采用深度学习算法继续识别该蜜蜂的类型，并进行计数；其中所述蜜蜂类型包括工蜂换和雄蜂；采用深度学习计数方法识别所染蜂螨为大蜂螨还是小蜂螨，并计算感染大小蜂螨的比例。4.如权利要求1所述的基于图像识别的蜂螨识别方法，其特征是：所述深度学习方法为卷积算法，具体的采用yolo3模型融合Mobi leNetV2模型；或者，yolo3模型融合MobileNetV2模型的具体结构为：包括依次连接的yolov3部分和MovileNetV2部分，yolov3部分的识别结果作为Movi leNetV2部分的输入；具体的，yolov3部分包括输入层、多个第一卷积层以及第一输出层，检测结果为将蜜蜂框出部分的图像矩阵；所述MobileNetV2部分包括第二卷积层、多层逆残差结构以及第二输出层，多层逆残差结构先将图像进行升维，再提取特征，最后进行降维操作，通过第二输出层识别结果。5.如权利要求1所述的基于图像识别的蜂螨识别方法，其特征是：识别蜂螨为大蜂螨还是小蜂螨的方法具体为：同步获取大蜂螨与小蜂螨形态图片训练yolo3模型，将...

【专利技术属性】
技术研发人员：王红芳，孙晓勇，韩金玉，胥保华，刘振国，
申请(专利权)人：山东农业大学，
类型：发明
国别省市：