[发明专利]基于Faster-RCNN的昆虫密度计算方法及装置

说明书

本发明提供了一种基于Faster‑RCNN的昆虫密度计算方法及装置，所述方法包括，通过LoRa节点控制摄像头设备采集昆虫图片上传至人工智能服务器；在人工智能服务器搭载的基于Faster‑RCNN的人工卷积神经网络的输入层传入昆虫图片；通过基于Faster‑RCNN的人工卷积神经网络对昆虫图片进行运算，得出昆虫的种类以及每个昆虫标定的检测框；计算出检测框的总面积与昆虫图片的面积之间的比值，得到昆虫密度。本方案基于Faster‑RCNN的人工卷积神经网络，相比于阈值分割方法，提高了昆虫密度估计的精度。

技术领域

本发明涉及一种昆虫密度计算方法及装置，尤其是指一种基于Faster-RCNN的昆虫密度计算方法及装置。

背景技术

在智慧农业物联网的项目中，为了追求昆虫密度识别的实时性，通常采用的是低复杂度的算法，例如阈值分割法。阈值分割法是将昆虫的像素值设置为255，背景的像素值设置为0。但是，阈值分割法的识别率仅仅依赖于阈值的判定效果，识别精度低。

因此，有必要提供一种能够提高昆虫密度估计精度的方法。

发明内容

本发明所要解决的技术问题是：提供一种基于Faster-RCNN的昆虫密度计算方法及装置，旨在提高昆虫密度估计精度。

为了解决上述技术问题，本发明采用的技术方案为：一种基于Faster-RCNN的昆虫密度计算方法，包括以下步骤，

通过LoRa节点控制摄像头设备采集昆虫图片上传至人工智能服务器；

在人工智能服务器搭载的基于Faster-RCNN的人工卷积神经网络的输入层传入昆虫图片；

通过基于Faster-RCNN的人工卷积神经网络对昆虫图片进行运算，得出昆虫的种类以及每个昆虫标定的检测框；

计算出检测框的总面积与昆虫图片的面积之间的比值，得到昆虫密度。

进一步的，所述计算出检测框的总面积与昆虫图片的面积之间的比值，得到昆虫密度包括，

遍历每个检测框的位置坐标，计算出每个检测框的面积；

计算出检测框的面积叠加总和；

将检测框的面积叠加总和除以整个昆虫图片的面积，得到昆虫密度。

进一步的，所述通过LoRa节点控制摄像头设备采集昆虫图片上传至人工智能服务器包括，

通过LoRa节点控制摄像头设备拍摄昆虫诱捕器的昆虫图片；

通过LoRa网络模块将昆虫图片上传至人工智能服务器。

进一步的，所述LoRa节点通过串口控制摄像头设备拍摄昆虫诱捕器的昆虫图片。

进一步的，所述LoRa节点搭载的主控芯片为STM32芯片。

本发明还提供了一种基于Faster-RCNN的昆虫密度计算装置，包括，

昆虫图片采集模块，用于通过LoRa节点控制摄像头设备采集昆虫图片上传至人工智能服务器；

昆虫图片传入模块，用于在人工智能服务器搭载的基于Faster-RCNN的人工卷积神经网络的输入层传入昆虫图片；

检测框计算模块，用于通过基于Faster-RCNN的人工卷积神经网络对昆虫图片进行运算，得出昆虫的种类以及每个昆虫标定的检测框；

昆虫密度计算模块，用于计算出检测框的总面积与昆虫图片的面积之间的比值，得到昆虫密度。

进一步的，所述昆虫密度计算模块包括，