[发明专利]一种小麦红蜘蛛测报样本采集统计系统和方法

权利要求书

1.一种小麦红蜘蛛测报样本采集统计系统，其特征在于，包括样本采集装置和样本统计装置；样本采集装置包括采样箱体(1)、箱盖组件(2)、振动控制器(3)；样本统计装置包括智能手机客户端和服务器端，智能手机客户端用于对样本采集装置内的红蜘蛛进行拍摄，并将采集的图像传输到具有图像识别、统计功能的服务器端，在服务器端进行图像预处理、图像识别和分类统计；

采样箱体(1)包括箱体(11)、转轴座(12)、箱盖转轴插入导槽(13)；箱体(11)为缺少顶面和与该顶面相邻的一个侧面的长方体盒体，该缺少的一个侧面为采样箱体(1)的开放端，使用时，该开放端与麦苗根部对齐，该缺少的顶面用于容纳箱盖组件(2)的箱盖(21)，使用时，箱盖(21)将该缺少的顶面封闭；开放端两侧的两个侧面靠近顶部的位置开设有转轴座(12)，该转轴座(12)为以圆孔，该圆孔的直径比切圆转轴(22)外径稍大，切圆转轴(22)能够在该圆孔中自由旋转；箱盖转轴插入导槽(13)为一矩形开口，该矩形开口与转轴座(12)连通，切圆转轴(22)通过该矩形开口插入到转轴座(12)中，该矩形开口的尺寸小于切圆转轴(22)的外径。

2.根据权利要求1所述的小麦红蜘蛛测报样本采集统计系统，其特征在于，箱盖组件(2)包括箱盖(21)、切圆转轴(22)、与箱盖一体的电池与控制器盒(23)、拍打板导柱(24)、导柱限位挡圈(25)和拍打板(26)，箱盖(21)的下面固定有四个拍打板导柱(24)，振动元件(28)也固定在箱盖(21)的下面且位于四个拍打板导柱(24)的中心位置，拍打板(26)固定在振动元件(28)上，拍打板(26)的下面带有拍打板肋条(27)，拍打板(26)的四角开设圆孔，该四个圆孔穿在四个拍打板导柱(24)上，能够在四个拍打板导柱(24)上自由震动；导柱限位挡圈(25)固定在四个拍打板导柱(24)的底端用于对拍打板(26)进行限位。

3.根据权利要求1所述的小麦红蜘蛛测报样本采集统计系统，其特征在于，电池与控制器盒(23)与箱盖(21)和拍打板(26)的一侧固定在一起，电池与控制器盒(23)的上部设置切圆转轴(22)，切圆转轴(22)插入转轴座(12)以后，在箱盖(21)和拍打板(26)转动至与箱体(11)底面平行或者与箱体(11)底面垂直的时候，电池与控制器盒(23)均能够将采样箱体(1)的开放端进行封堵。

4.根据权利要求1所述的小麦红蜘蛛测报样本采集统计系统，其特征在于，电池与控制器盒(23)的截面呈(90)度扇形，利用外围的圆弧对开放端进行良好的封堵，且转动过程中电池与控制器盒(23)的圆弧不会对小麦植株造成伤害。

5.根据权利要求1-4任一所述样本采集统计系统的样本采集方法，其特征在于，包括以下步骤：

A1、将采样箱体(1)的开放端正对待采样麦苗(6)的根部；

A2、将带振动器的箱盖组件(2)竖直放置，然后将箱盖侧面的切圆转轴(22)沿导槽(13)推入采样箱体(1)的槽底，使转轴到达转轴座(12)；

A3、合上箱盖组件(2)，在安装箱盖组件(2)过程中，箱盖组件(2)的电池盒外壳推动直立的麦苗靠压在采样箱(1)底部棱边上，合盖过程中，圆弧形状的电池盒外壳确保合盖时麦苗(6)呈接近水平状，合上盖后，箱盖组件下部的拍打板及拍打板肋条(27)与麦苗(6)接触；

A4、开启振动控制器(3)开关接通振动元件(28)，振动元件(28)带动拍打板及拍打板肋条沿拍打板导柱(24)上下快速振动对小麦进行拍打；

A5、通过对麦苗的振动拍打，小麦红蜘蛛落入采样箱体(1)的底部；

A6、拍打完成后，关闭电源，取下箱盖组件(2)，完成样本采集。

6.根据权利要求1-4任一所述样本采集统计系统的识别统计方法，其特征在于，包括以下步骤：

B1、图像采集：在野外采集红蜘蛛，智能手机客户端对采集盒内的红蜘蛛进行拍摄；

B2、图像预处理、图形变换：服务器接收客户端传输过来的待处理图像，先进行去除背景、灰度化、去除噪声、图像二值化处理，然后采用滑动窗口进行目标定位，并用方框标注出待检测的目标；

(1)输入一张图片，采用Lazy snapping的方法，去除背景的图像进行灰度化处理；再使用高斯滤波后进行图像二值化；

(2)对二值化的图像使用selective search算法提取生成约2000个候选区域；

(3)对每个候选区域边缘进行加p＝16个像素膨胀处理，膨胀后将候选区域加框；将每个候选区尺寸变换的到227x227；

B3、图像识别：

采用tensorflow框架构造并行化的AlexNet卷积神经网络模型，将每个候选区域输入R-CNN卷积神经网络得到一个4096维的特征向量，判定是不是蜘蛛，留下是蜘蛛的方框给下一步处理；

R-CNN卷积神经网络模型设有两个输入端口，输入数据经过卷积层conv、激活函数relu、池化层pool和批量归一化BN的多层处理，输出的数据采用并行结构的卷积层conv进行级联merge，再用全连接层fc连接，获取前向传播结果logits；

R-CNN卷积神经网络采取迁移学习策略，先在ImageNet上预训练，利用卷积神经网络充分学习浅层的特征，训练时使用SGD算法，初始学习率取0.001，batch_size取128；然后去掉预训练好的最后一层全连接层，修改类别数，用户在小规模数据集做规模化训练，用户标注数据缺乏时微调CNN，提高识别物体类型的能力；

B4、将从神经网络导出的特征向量导入SVM分类器，产生类别分数；

B5、设定IoU指标阈值(0.3)，通过计算IoU指标，采用非极大性抑制，以最高分的框为基础，去除掉重叠框，得到该类中得分最高的候选框；

B6、分类统计：分类是为了将两种蜘蛛识别出来，然后统计他们的数目；

B7、结果输出：将分类统计的结果通过服务器通讯模块传输返回给客户端，客户端存储识别统计结果。