基于深度学习算法的水稻飞虱虫害图像测报系统设计

为了实现水稻飞虱虫害诊断,解决传统测报系统中存在的误报率高的问题,利用深度学习算法从硬件和软件两个方面对水稻飞虱虫害图像测报系统进行优化设计。测报硬件系统主要由主机、分机、传感器以及图像采集设备组成,并通过电源电路为硬件设备提供电力支持。在硬件设备安装完成的基础上,建立数据库为软件功能的实现提供基础数据,并利用深度学习算法通过采集图像预处理、识别水稻飞虱虫害和启动异常报警程序三个步骤实现图像测报功能。为了检测设计的基于深度学习算法的水稻飞虱虫害图像测报系统的性能,设计系统测试实验。经过与传统测报系统的对比可以发现,设计的虫害图像测报系统的误差率降低了0.19%,且平均时间消耗节省了0.64 s。

佳多虫情图像自动信息采集测报灯对几种水稻害虫的图像监测效果评价

利用佳多虫情图像自动信息采集测报灯实时监测三化螟、大螟、稻纵卷叶螟和稻飞虱4种水稻害虫,依据虫情图像进行室内识别统计,并与人工定期收集统计做对比。结果表明两种监测方法的统计数据相关系数高,诱虫量统计虽存在差异,但发生期、高峰期涨落趋势一致,且总体上发生动态代际明显(除大螟外);分析了新型测报灯产生数据误差的原因,并提出改进建议。