1.本发明涉及数字化农业种植领域，特别是涉及一种韭菜蛆密度估算方法及其估算系统。
背景技术：2.韭菜蛆(韭菜根蛆)是韭菜的天敌，韭菜棚室和露地均可发生韭菜根蛆，韭菜蛆幼虫钻食韭菜地下部分，遭啃食的韭菜会表现症状如：地上叶片瘦弱、枯黄、萎蔫断叶。韭菜蛆的幼虫常聚集在根部鳞茎里或钻蛀假茎中引起腐烂，严重时会造成整畦毁种，从而导致严重减产，对种植户造成巨大损失。
3.目前，农业专家研究了“日晒高温覆膜法”，利用高温灭除韭菜蛆。此种方法起到了不错效果。由于韭菜再生能力旺盛，一般收割后还会再发，所以韭菜的种植周期能够比一般作物要长，并且韭菜不耐高温，当气温超过24℃后，植株的生长会变慢，当气温高于30℃时，韭菜叶会变老发黄。高温灭除韭菜蛆的同时也会对韭菜造成明显的坏苗，当韭菜在种植期间发生虫害时，此种方法存在较大的局限性。因此此种方法只能在韭菜种植周期前后进行灭虫，而且一时的高温不能将韭菜蛆彻底灭除，土壤深层的部分虫卵存活下来并在地温恢复常态依旧繁殖。
4.另外，由于韭菜蛆地下土壤内，很难判断韭菜田里的虫数量。有人提出了在农田内使用诱捕剂，将韭菜蛆诱捕到土地表面，通过人工目测的方式估量韭菜田的蛆虫分布情况。但喷洒完诱捕剂之后，韭菜蛆很快就回钻回泥土里，此种方法效率有限，无法同时应对大面积韭菜田的估量。并且用肉眼估计存在偏差，不便于统计，从而对后期的病虫害防治造成限制。
技术实现要素：5.基于此，有必要针对现有技术中不便于对农田中的韭菜蛆进行密度估算，从而限制了后期的病虫害防治的技术问题，本发明提供一种韭菜蛆密度估算方法及其估算系统。
6.本发明公开一种韭菜蛆密度估算方法，其包括以下步骤：
7.s1：构建基于神经网络的韭菜蛆识别模型。
8.s2：采集韭菜田的单帧图像，进而对单帧图像进行分割处理，得到单帧图像中对应目标菜畦区域的目标图像。
9.其中，在遮光条件下通过一个补光模块对韭菜田间隔补光，进而采集单帧图像。补光模块的补光频率与单帧图像的采集频率保持一致。
10.s3：对目标图像进行预处理，进而得到增强目标图像。
11.s4：在增强目标图像中分别截取多种样貌的图像，得到韭菜蛆训练样本以及其它样貌训练样本，进而构成用于训练韭菜蛆识别模型的样本集。
12.s5：完成韭菜蛆识别模型的初始化，设置损失函数和训练函数，利用样本集对韭菜蛆识别模型进行迭代训练，并保留经过验证的神经网络模型参数，进而完成对韭菜蛆识别
模型的训练。
13.s6：按照步骤s2、s3采集待密度估算的韭菜田图像，并依次对韭菜田图像进行分割后预处理增强，得到待估算菜畦图像。
14.s7：利用训练完成的韭菜蛆识别模型对待估算菜畦图像进行区域识别，识别出待估算菜畦图像中的韭菜蛆区域，进而得到在整幅待估算菜畦图像中对应韭菜蛆区域的目标像素总数p
all
。
15.s8：根据一个预设的单个韭菜蛆所占的单位平均像素数进而计算出待估算菜畦图像中的韭菜蛆个数n：
[0016][0017]
s9：根据待估算菜畦的实地面积，计算得到单位面积内的韭菜蛆数量，即待估算菜畦的韭菜蛆密度。
[0018]
作为本发明的进一步改进，步骤s2中，通过在单帧图像中设置感兴趣区。感兴趣区用于提取出整个单帧图像中的目标图像，进而实现对单帧图像的分割。
[0019]
作为本发明的进一步改进，步骤s2中，通过一个图像采集模块完成对单帧图像的采集。图像采集模块设置在目标菜畦中心点的正上方。图像采集模块的取景方向正对目标菜畦，且图像采集模块投影在地面的取景面积不小于目标菜畦的面积。
[0020]
作为本发明的进一步改进，步骤s2中，补光模块与图像采集模块安装在同一固定位置上，且补光模块的补光方向正对目标菜畦。
[0021]
作为本发明的进一步改进，图像采集模块采用ccd相机。补光模块采用柔光箱。
[0022]
作为本发明的进一步改进，步骤s3中，对目标图像进行预处理的方法包括以下过程：
[0023]
消除目标图像中的光照、噪声以及其他因素的干扰，进而获得更加清晰的目标图像。
[0024]
作为本发明的进一步改进，步骤s4中，其他样貌训练样本包括韭菜训练样本以及土壤训练样本。
[0025]
作为本发明的进一步改进，步骤s5中，韭菜蛆识别模型通过量化颜色直方图提取出训练样本中的颜色特征，进而实现对图像中各种样貌的的识别。
[0026]
作为本发明的进一步改进，步骤s5中，在韭菜蛆识别模型的训练阶段，还对每个韭菜蛆训练样本中的韭菜蛆所占像素δi进行数量统计，进而在韭菜蛆识别模型的训练完成后，计算出单位平均像素数
[0027][0028]
式中，m为韭菜蛆训练样本的样本个数。
[0029]
本发明还公开一种韭菜蛆密度估算系统，其采用上述任意一项韭菜蛆密度估算方法对韭菜田内的韭菜蛆进行密度估算。韭菜蛆密度估算系统包括：模型构建模块、图像采集模块、补光模块、图像处理模块以及计算模块。
[0030]
模型构建模块用于构建基于神经网络的韭菜蛆识别模型。
[0031]
图像采集模块用于采集韭菜田的单帧图像，还用于采集待密度估算的韭菜田图像。
[0032]
补光模块用于在遮光条件下对韭菜田间隔补光，进而采集单帧图像。补光模块的补光频率与单帧图像的采集频率保持一致。
[0033]
图像处理模块用于先对单帧图像进行分割处理，得到单帧图像中对应目标菜畦区域的目标图像。再对目标图像进行预处理，进而得到增强目标图像。然后在增强目标图像中分别截取多种样貌的图像，得到韭菜蛆训练样本以及其它样貌训练样本，进而构成用于训练韭菜蛆识别模型的样本集。图像处理模块还用于依次对韭菜田图像进行分割后预处理增强，得到待估算菜畦图像。
[0034]
其中，构建出的韭菜蛆识别模型在应用前需要进行网络训练，训练过程中，将韭菜蛆识别模型完成初始化，设置损失函数和训练函数，利用样本集对韭菜蛆识别模型进行迭代训练，并保留经过验证的神经网络模型参数，进而完成对韭菜蛆识别模型的训练。利用训练完成的韭菜蛆识别模型对待估算菜畦图像进行区域识别，识别出待估算菜畦图像中的韭菜蛆区域。
[0035]
计算模块用于根据待估算菜畦图像中的韭菜蛆区域，计算得到在整幅待估算菜畦图像中对应韭菜蛆区域的目标像素总数p
all
。再根据一个预设的根据一个预设的单个韭菜蛆所占的单位平均像素数进而计算出待估算菜畦图像中的韭菜蛆个数n。然后根据待估算菜畦的实地面积，计算得到单位面积内的韭菜蛆数量，即待估算菜畦的韭菜蛆密度。
[0036]
与现有技术相比，本发明公开的技术方案具有如下有益效果：
[0037]
该韭菜蛆密度估算方法通过构建基于神经网络的韭菜蛆识别模型，并通过韭菜田间的多种样貌图像所组成的样本集，实现对韭菜蛆识别模型的训练。再利用训练完成的韭菜蛆识别模型对待估算菜畦图像进行区域识别，识别出待估算菜畦图像中的韭菜蛆区域，进而得到在整幅待估算菜畦图像中对应韭菜蛆区域的目标像素总数。然后根据单个韭菜蛆所占的单位平均像素数δ，计算出待估算菜畦图像中的韭菜蛆个数，并根据待估算菜畦的实地面积，计算得到单位面积内的韭菜蛆数量，即待估算菜畦的韭菜蛆密度。
[0038]
该韭菜蛆密度估算方法可以在夜晚或凌晨对韭菜进行密度估算，通过在遮光条件下利用补光模块对韭菜田进行间隔补光，进而采集单帧图像，并且使补光模块的补光频率与单帧图像的采集频率保持一致，避免了高温光照，从而减少了对韭菜蛆的干扰，避免韭菜蛆因受到光照刺激而钻回地下导致地面韭菜蛆数量减少，保障了对韭菜蛆密度估算的准确性。在采集单帧图像的同时对图像进行短时间的同步补光，避免光线暗而导致单帧图像存在大量阴影以及噪点，提高了图像质量，进一步提高了对韭菜蛆密度估算的准确性，从而有效估算出韭菜田内每块菜畦的韭菜蛆密度，为后期的病虫害防治提供充分的理论基础。
[0039]
该韭菜蛆密度估算系统与上述方法的有益效果相同，在此不再赘述。
附图说明
[0040]
图1为本发明实施例1中韭菜蛆密度估算方法的流程图；
[0041]
图2为本发明实施例1中ccd相机的取景范围以及感兴趣区的立体示意图；
[0042]
图3为本发明实施例1中目标图像的分割示意图；
[0043]
图4为本发明其他实施例中在每块菜畦上设置图像采集模块的示意图；
[0044]
图5为本发明实施例1中多种样貌的样本示意图；
[0045]
图6为本发明实施例3中喷淋装置设置在大棚内韭菜田的上方时的立体结构示意图；
[0046]
图7为图6中喷淋机构和移动机构的局部放大立体结构示意图；
[0047]
图8为图7中驱动组件的立体结构示意图；
[0048]
图9为图8中载台的主视图；
[0049]
图10为本发明实施例5中韭菜种植棚用数字化虫害防治方法的流程示意图。
具体实施方式
[0050]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0051]
需要说明的是，当组件被称为“安装于”另一个组件，它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“设置于”另一个组件，它可以是直接设置在另一个组件上或者可能同时存在居中组件。当一个组件被认为是“固定于”另一个组件，它可以是直接固定在另一个组件上或者可能同时存在居中组件。
[0052]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“或/及”包括一个或多个相关的所列项目的任意的和所有的组合。
[0053]
实施例1
[0054]
请参阅图1，本实施例提供一种韭菜蛆密度估算方法，其用于对韭菜田中的韭菜蛆进行密度估算。韭菜田可以包括网格状的多块菜畦。每块菜畦中种植着多排保持一定株距的韭菜。韭菜在经过一轮生长周期后被收割，在菜畦中留下较短(长度大约在2～3公分)的根部。并且在收割结束的一段时间内，向菜畦的土地喷洒诱捕剂，从而可以将韭菜蛆吸引至土地表面。本实施例中的韭菜蛆密度估算方法中的部分步骤正是在韭菜蛆被吸引至土地表面的一段时间内进行图像采集和密度估算的。该韭菜蛆密度估算方法包括以下步骤：
[0055]
s1：构建基于神经网络的韭菜蛆识别模型。
[0056]
本实施例中，韭菜蛆识别模型的神经网络可提取颜色特征。颜色特征是在图像检索中应用最为广泛的视觉特征，主要原因在于颜色往往和图像中所包含的物体或场景十分相关。此外，与其他的视觉特征相比，颜色特征对图像本身的尺寸、方向、视角的依赖性较小，从而具有较高的鲁棒性。本实施例中，被诱捕到地面上的韭菜蛆具有乳白色的颜色特征，韭菜田中的韭菜具有青绿色的颜色特征，而韭菜田的土壤，则具有黄褐色的颜色特征，这几种样貌的颜色特征区别较为明显，易于韭菜蛆识别模型进行深度学习识别。
[0057]
颜色直方图是在许多图像检索系统中被广泛采用的颜色特征。它所描述的是不同色彩在整幅图像中所占的比例，而并不关心每种色彩所处的空间位置，即无法描述图像中的对象或物体。颜色直方图特别适于描述那些难以进行自动分割的图像。因此，本实施例中，通过构建基于神经网络的韭菜蛆识别模型，利用神经网络方法实现颜色量化。韭菜蛆识
别模型的神经网络可采用现有的卷积神经网络(cnn)，也可采用其他神经网络，如深度神经网络(dnn)、循环神经网络(rnn)，具体原理在此不再赘述。
[0058]
s2：采集韭菜田的单帧图像，进而对单帧图像进行分割处理，得到单帧图像中对应目标菜畦区域的目标图像。
[0059]
其中，在遮光条件下通过一个补光模块对韭菜田间隔补光，进而采集单帧图像。补光模块的补光频率与单帧图像的采集频率保持一致。
[0060]
请参阅图2，本实施例可通过一个图像采集模块完成对单帧图像的采集。图像采集模块设置在目标菜畦中心点的正上方。图像采集模块的取景方向正对目标菜畦，且图像采集模块投影在地面的取景面积不小于目标菜畦的面积。图像采集模块可采用高分辨率的ccd相机。补光模块可采用柔光箱。
[0061]
本实施例中，在采集到的单帧图像中可设置感兴趣区，从而可以提取出整个单帧图像中的目标图像，进而实现对单帧图像的分割。图中，感兴趣区即为图2中的菜畦f1部分，至于菜畦周围的田埂r，则需要从单帧图像中去除。本实施例中，ccd相机的拍摄视野可以固定，由于菜畦一般呈方形的格状，因此可以将ccd相机的拍摄视野至少能够笼罩单块菜畦f1，并且还可以拍摄到该块菜畦周围的局部田埂，但无需拍摄到与该块菜畦相邻的菜畦f2以避免干扰。柔光箱的照射范围也可采用相同的设置。分割处理后得到的目标图像如图3中所示的矩形虚线框内图像。
[0062]
请参阅图4，本实施例中，可在多块菜畦的上方设置导轨(图未示)，在导轨上设置一组图像采集模块以及配套的补光模块，补光模块与图像采集模块安装在同一固定位置上，且补光模块的补光方向正对目标菜畦。这样，图像采集模块以及补光模块就可以沿着导轨的延伸方向进行移动，从而可以移动定位至每一块菜畦的正上方，进行图像采集和辅助补光。当然，在其他实施例中，图像采集模块和补光模块也可设置为如图4所示的多个，与菜畦的数量对应，每块菜畦上均可设置有一组匹配的图像采集模块和补光模块。
[0063]
本实施例中，可以在夜晚或凌晨对韭菜进行密度估算，通过在遮光条件下利用补光模块对韭菜田进行间隔补光，进而采集单帧图像，并且使补光模块的补光频率与单帧图像的采集频率保持一致，避免了高温光照，从而减少了对韭菜蛆的干扰，避免韭菜蛆因受到光照刺激而钻回地下导致地面韭菜蛆数量减少，保障了对韭菜蛆密度估算的准确性。在采集单帧图像的同时对图像进行短时间的同步补光，避免光线暗而导致单帧图像存在大量阴影以及噪点，提高了图像质量，进一步提高了对韭菜蛆密度估算的准确性。
[0064]
s3：对目标图像进行预处理，进而得到增强目标图像。
[0065]
本实施例中，对目标图像进行预处理的方法可包括以下过程：
[0066]
消除目标图像中的光照、噪声以及其他因素的干扰。当然，在其他实施例中，预处理方法还可以包括切边增强、弯曲矫正、阴影处理等图像处理中的现有步骤，在此不做赘述，目的是为了得到更加清晰的目标图像。
[0067]
s4：在增强目标图像中分别截取多种样貌的图像，得到韭菜蛆训练样本以及其它样貌训练样本，进而构成用于训练韭菜蛆识别模型的样本集。本实施例中，其他样貌训练样本可以包括韭菜训练样本以及土壤训练样本，当然还可以包括一些田间杂物(如碎石、其它虫类)的样本。样本集越丰富，训练出的韭菜蛆识别模型对韭菜蛆的识别更加精准，不过同样的，训练过程也更复杂，因此需要选取合适的样本个数及样本种类。
[0068]
请参阅图5，图中(a)为截取的其中一张韭菜样貌样本；(b)截取的其中一张土壤样貌样本；(c)截取的是其中一张韭菜蛆样貌样本。
[0069]
s5：完成韭菜蛆识别模型的初始化，设置损失函数和训练函数，利用样本集对韭菜蛆识别模型进行迭代训练，并保留经过验证的神经网络模型参数，进而完成对韭菜蛆识别模型的训练。
[0070]
本实施例中，如前文所述，韭菜蛆识别模型可以通过量化颜色直方图提取出训练样本中的颜色特征，进而实现对图像中各种样貌的的识别。经过不断的训练优化，最终可以得到能够精确识别菜畦图像中韭菜蛆所覆盖的区域。
[0071]
另外，在韭菜蛆识别模型的训练阶段，还对每个韭菜蛆训练样本中的韭菜蛆所占像素δi进行数量统计，进而在韭菜蛆识别模型的训练完成后，计算出单位平均像素数
[0072][0073]
式中，m为韭菜蛆训练样本的样本个数。
[0074]
s6：按照步骤s2、s3采集待密度估算的韭菜田图像，并依次对韭菜田图像进行分割后预处理增强，得到待估算菜畦图像。
[0075]
需要说明的是，在步骤s6之前的所有步骤，是为了得到训练完成的韭菜蛆识别模型。但步骤s2采集的图像也是在韭菜收割后喷洒诱捕剂的一段时间内采集得到的。从步骤s6开始，才对应韭菜蛆密度估算的实际应用过程。得到的待估算菜畦图像正是需要进行密度估算以进行后续虫害防治的菜畦。
[0076]
s7：利用训练完成的韭菜蛆识别模型对待估算菜畦图像进行区域识别，识别出待估算菜畦图像中的韭菜蛆区域，进而得到在整幅待估算菜畦图像中对应韭菜蛆区域的目标像素总数p
all
。
[0077]
s8：根据单个韭菜蛆所占的单位平均像素数进而计算出待估算菜畦图像中的韭菜蛆个数n：
[0078][0079]
s9：根据待估算菜畦的实地面积，计算得到单位面积内的韭菜蛆数量，即待估算菜畦的韭菜蛆密度。
[0080]
实施例2
[0081]
本实施例提供一种韭菜蛆密度估算系统，其可以采用实施例1中的韭菜蛆密度估算方法对韭菜田内的韭菜蛆进行密度估算。韭菜蛆密度估算系统包括：模型构建模块、图像采集模块、补光模块、图像处理模块以及计算模块。
[0082]
模型构建模块用于构建基于神经网络的韭菜蛆识别模型。
[0083]
图像采集模块用于采集韭菜田的单帧图像，还用于采集待密度估算的韭菜田图像。
[0084]
补光模块用于在遮光条件下对韭菜田间隔补光，进而采集单帧图像。补光模块的补光频率与单帧图像的采集频率保持一致。
[0085]
图像处理模块用于先对单帧图像进行分割处理，得到单帧图像中对应目标菜畦区
域的目标图像。再对目标图像进行预处理，进而得到增强目标图像。然后在增强目标图像中分别截取多种样貌的图像，得到韭菜蛆训练样本以及其它样貌训练样本，进而构成用于训练韭菜蛆识别模型的样本集。图像处理模块还用于依次对韭菜田图像进行分割后预处理增强，得到待估算菜畦图像。
[0086]
其中，构建出的韭菜蛆识别模型在应用前需要进行网络训练，训练过程中，将韭菜蛆识别模型完成初始化，设置损失函数和训练函数，利用样本集对韭菜蛆识别模型进行迭代训练，并保留经过验证的神经网络模型参数，进而完成对韭菜蛆识别模型的训练。利用训练完成的韭菜蛆识别模型对待估算菜畦图像进行区域识别，识别出待估算菜畦图像中的韭菜蛆区域。
[0087]
计算模块用于根据待估算菜畦图像中的韭菜蛆区域，计算得到在整幅待估算菜畦图像中对应韭菜蛆区域的目标像素总数p
all
。再根据一个预设的根据一个预设的单个韭菜蛆所占的单位平均像素数进而计算出待估算菜畦图像中的韭菜蛆个数n。然后根据待估算菜畦的实地面积，计算得到单位面积内的韭菜蛆数量，即待估算菜畦的韭菜蛆密度。
[0088]
实施例3
[0089]
本实施例提供一种用于韭菜蛆防治的喷淋装置，其用于对韭菜田分别喷淋诱捕剂和杀虫剂。韭菜田可以包括网格状的多块菜畦。每块菜畦中种植着多排保持一定株距的韭菜。韭菜在经过一轮生长周期后被收割，在菜畦中留下较短(长度大约在2～3公分)的根部。这时可以通过该喷淋装置对各块菜畦进行喷淋除虫。本实施例提供的喷淋装置可以应用于大棚内，当然，在一些实施例中也可以应用在露天田地。
[0090]
请参阅图6，喷淋装置可包括：喷淋机构1、移动机构2、韭菜蛆密度估算系统以及控制器。韭菜蛆密度估算系统可以应用实施例1中的韭菜蛆密度估算方法，也可直接采用实施例2中的韭菜蛆密度估算系统。
[0091]
请参阅图7，喷淋机构1用于向韭菜田的多块菜畦喷洒诱捕剂或喷洒杀虫剂。喷淋机构1包括多个喷雾器11，还可以包括两个储液箱12。
[0092]
多个喷雾器11位于韭菜田的上方，且沿着韭菜田的宽度方向布设。多个喷雾器11可采用现有类似于无人机喷洒农药上的电动喷雾头，当然也可以选用其他型号的喷雾头，只要能够满足喷淋出的雾状药剂均匀铺洒在菜畦的土壤表面即可。多个喷雾器11可以安装在同一根直管支架上实现稳固。
[0093]
两个储液箱12分别用于储存诱捕剂和杀虫剂。每个储液箱12通过多根连接管道分别与多个喷雾器11连接。换言之，每个喷雾剂11均通过两根管道分别与两个储液箱12连接，因此，可以在这两根管道上分别设置与控制器电连接的电动阀，在需要喷洒诱捕剂时，与诱捕剂储液箱12连通管道上的电动阀打开，另一个关闭，反之亦然。从而可以实现在需要喷洒不同药剂时互不干扰。
[0094]
请参阅图8和图9，移动机构2的输送端用于驱使喷淋机构1沿着韭菜田的长度方向移动。移动机构2可包括载台21、轨道22以及驱动组件23。
[0095]
轨道22可以固定布设在韭菜田的正上方，且延伸方向平行于韭菜田的长度方向。本实施例中，轨道22的两端可以分别固定连接在大棚的相对两端，轨道22的中间段可以选取多个节点架设用于稳固的支架。
[0096]
载台21滑动安装在轨道22上，且载台21的底部与喷淋机构1固定连接。驱动组件23
安装在载台21上，并用于驱使载台21产生与轨道22的相对运动，进而可以构成移动机构2的输送端。本实施例中，载台21上可以开设有前后贯穿的t型通槽211。载台21可以通过t型通槽211与轨道22滑动连接。载台21顶部还开设有条形的收容槽212。
[0097]
驱动组件23可以包括齿条231、齿轮232以及驱动电机233，还可以包括两块对称设置且用于安装齿轮的安装板。齿条231贯穿收容槽212并固定连接在轨道22的上表面，且齿条231的长度与载台21匹配。齿轮232可转动式安装在载台21的顶部，且齿轮232与齿槽啮合连接。驱动电机233用于驱使齿轮232转动，进而实现载台21产生与轨道22的相对运动。另外，载台21在t型通槽211内的两侧可以分别转动连接有多个滑轮213。每个滑轮213的滚面与轨道22接触，从而可以减少载台21与轨道22之间的摩擦。
[0098]
韭菜蛆密度估算系统用于对韭菜田的每块菜畦进行韭菜蛆密度估算。具体估算过程及其原理已在前述实施例中介绍，在此不再赘述。
[0099]
控制器用于：
[0100]
(a)、先控制移动机构2驱使喷淋机构1依次向每块菜畦喷淋定量的诱捕剂。本实施例中，诱捕剂可以选用一定浓度的木醋液。由于韭菜蛆是生活在土壤中的厌光型生物，因此，在遮光的前提下喷洒适量的木醋液，并且利用韭菜刚收割后伤口处自发流出的汁液的刺激气味，从而可以有效将一部分韭菜蛆吸引到土地上，从而便于后续过程中根据这一部分被诱捕到地上的韭菜蛆，估算整块菜畦的韭菜蛆密度。
[0101]
(b)、在每块菜畦喷淋完诱捕剂的一个预设时间段后，控制韭菜蛆密度估算系统对每块菜畦进行韭菜蛆密度估算。
[0102]
通过设置预设时间段，可以将诱捕剂的气味较为全面地挥发到土壤中。预设时间段的长短可以根据诱捕剂喷洒量以及土壤层厚度等因素决定。在实际操作中经过多次实验总结出最佳剂量。
[0103]
(c)、根据每块菜畦的韭菜蛆密度估算值大小，设置相应菜畦所需的杀虫剂量，并再次控制移动机构2驱使喷淋机构1依次向每块菜畦喷洒对应的杀虫剂量。其中，杀虫剂量与韭菜蛆密度估算值的大小呈正相关。
[0104]
杀虫剂可以配比一定浓度的大蒜油，也可选用其他环保无残留的杀虫剂。
[0105]
本实施例中，韭菜蛆密度估算值反映了菜畦中的韭菜蛆的真实分布情况，可以按照一个经多次实验得到的估算值-剂量对照表格，查表可得到每次估算出的密度对应的所需杀虫剂量。参考该估算值来决定每块菜畦的杀虫剂需求量。
[0106]
该喷淋装置通过在韭菜田的多块菜畦上设置可线性移动的喷淋机构，在遮光条件下先向每一块菜畦喷洒诱捕剂，经过一段时间后对各块菜畦的韭菜蛆密度进行估算，再根据估算值设置所需杀虫剂的喷洒量。该喷淋装置的喷淋模式根据虫害程度自适应调节，并且因地制宜，既可以对虫害严重的韭菜田加大药量，增加杀虫药剂的渗入深度，提升灭虫防治的效果。也可以对虫害较轻的韭菜田适当减少药量，在保证灭虫防治效果的同时，兼顾了节省成本的效果。
[0107]
另外，本实施例中，可以使喷淋机构1的喷淋速率保持恒定，让移动机构2的移动速度可调。也可以使移动机构2的移动速度恒定，让喷淋机构1的喷淋速率可调。这两种方式均能实现喷淋机构1在每块菜畦中喷洒的药剂量可调。
[0108]
实施例4
[0109]
本实施例提供一种用于韭菜蛆防治的喷淋方法，其可应用于实施例3中的喷淋装置中。喷淋方法包括以下步骤：
[0110]
(一)、依次向韭菜田的每块菜畦喷淋定量的诱捕剂。
[0111]
(二)在每块菜畦喷淋完诱捕剂的一个预设时间段后，对相应的菜畦进行韭菜蛆密度估算。
[0112]
(三)根据每块菜畦的韭菜蛆密度估算值大小，设置相应菜畦所需的杀虫剂量，并依次向每块菜畦喷洒对应的杀虫剂量。其中，杀虫剂量与韭菜蛆密度估算值的大小呈正相关，在喷淋诱捕剂和杀虫剂时保持遮光条件。
[0113]
实施例5
[0114]
本实施例提供一种韭菜种植棚用数字化虫害防治方法，该方法可以应用于韭菜种植棚中。韭菜种植棚中可以包括一列或者多列的韭菜田，每块韭菜田可以包括网格状排布的多块菜畦。每块菜畦中种植着多排保持一定株距的韭菜。
[0115]
请参阅图10，该数字化虫害防治方法可以包括以下步骤：
[0116]
一、灭虫准备阶段
[0117]
(1)在韭菜种植棚内的韭菜田上方搭建喷淋装置，喷淋装置可以采用实施例3中的喷淋装置。
[0118]
(2)根据每块菜畦的实地面积，设置每块菜畦所需喷洒的诱捕剂量。
[0119]
(3)根据每块菜畦的中心点位设置图像采集模块的采样频率，并设置补光模块的补光频率与采样频率保持一致。
[0120]
(4)保持韭菜种植棚内部处于密闭遮光条件。
[0121]
本实施例中，在灭虫准备阶段，还可以对韭菜田内的韭菜进行收割。将收割后的韭菜平均高度维持在3～8cm内。收割后的韭菜流出的汁液也会对地下的韭菜蛆散发诱捕气味。
[0122]
二、诱捕剂喷淋阶段
[0123]
控制移动机构2驱使喷淋机构1定向移动，依次向每块菜畦喷淋预先设置的对应量诱捕剂，并静置等待，进而将部分地下的韭菜蛆诱捕到地面上。
[0124]
三、密度估算阶段
[0125]
(1)在每块菜畦喷淋完诱捕剂的一个预设时间段后，控制移动机构2驱使图像采集模块依次采集每块菜畦的单帧图像。
[0126]
(2)根据每块菜畦的单帧图像，分别对每块菜畦进行韭菜蛆密度估算，进而得到每块菜畦对应的韭菜蛆密度估算值。
[0127]
四、杀虫剂喷淋阶段
[0128]
(1)根据每块菜畦的韭菜蛆密度估算值大小，按照一个预设的估算值-剂量对照表，查表得到各块菜畦所需喷洒的杀虫剂量。
[0129]
(2)控制移动机构2驱使喷淋机构1定向移动，依次向每块菜畦喷淋对应剂量的杀虫剂，进而完成一轮的杀虫周期。
[0130]
本实施例中，在杀虫剂喷淋阶段，向每块菜畦喷淋杀虫剂之后，还可以对韭菜行、株间的进行翻土，并在翻后的土壤表面播撒定量的草木灰。在每块菜畦上播撒草木灰之后，还可以对菜畦进行通风晾晒。晾晒周期为5～7天。草木灰一方面可以干燥土壤，将韭菜蛆喜
欢的潮湿环境破坏，另一方面黑色的草木灰可以充分吸收太阳光中的能量，对土壤进行适当升温，进一步加快了土壤的干燥。这里需要说明的是，由于韭菜不耐高温，因此在晾晒时需要进行通风，必要时需要进行降温，以保护韭菜的生长。
[0131]
另外，在每一轮杀虫周期结束之后，还可以对每块菜畦的韭菜蛆密度估算值以及喷洒的杀虫剂量进行统计，生成每轮杀虫周期的统计数据并添加到一个生物防治数据库中进行实时更新。可以定期根据生物防治数据库中多轮杀虫周期的统计数据进行数据分析，进而可以得到用于反映每块菜畦以及整体韭菜种植棚的虫害防治效果的数据变化曲线。控制器可以将定期得到的数据变化曲线通过无线传输的方式发送到交互端，如手机、电脑或者监控中心，从而为相关的农业技术人员提供数据参考，有利于对阶段性的生物防治进行总结、改进以及预测评估。
[0132]
需要补充的是，在上述诱捕剂喷淋阶段、诱捕剂喷淋阶段以及杀虫剂喷淋阶段，移动机构2的输送端至少需要三次从种植棚的首端移动到末端。第一次移动对应诱捕剂的喷淋，在多块喷淋诱捕剂之后可以立即返回出发点。在等待预设时间段之后，进行第二次移动，第二次移动对应多块菜畦图像的采集，采集期间各块菜畦的韭菜蛆密度估算值也会逐步计算出来。当采集完每块菜畦的图像之后输送端可以立刻迅速返回首端，随即进行第三次移动，第三次移动对应杀虫剂的喷淋。
[0133]
本实施例的虫害防治方法通过在韭菜种植棚内搭建可以沿韭菜田长度方向往复移动的喷淋机构后，分别对韭菜田依次展开诱捕剂喷淋、韭菜蛆密度估算以及杀虫剂喷淋。通过向每块菜畦喷淋定量的诱捕剂，将每块菜畦地下的一部分韭菜蛆引诱到地面上，再采集每块菜畦上图像，并通过图像识别等技术对每块菜畦上的韭菜蛆密度进行密度估算。最后根据每块菜畦的韭菜蛆密度估算值设置每块菜畦所需的杀虫剂量，向韭菜种植棚内的多块菜畦喷淋各自对应量的杀虫剂。既可以对虫害严重的韭菜田加大药量，增加杀虫药剂的渗入深度，提升灭虫防治的效果。还可以对虫害较轻的韭菜田适当减少药量，在保障灭虫防治效果的同时，还能节省成本。该方法能够兼顾较高的喷淋效率以及较好的喷淋效果。
[0134]
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0135]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明的保护范围应以所附权利要求为准。
技术特征：1.一种韭菜蛆密度估算方法，其特征在于，其包括以下步骤：s1：构建基于神经网络的韭菜蛆识别模型；s2：采集韭菜田的单帧图像，对所述单帧图像进行分割处理，得到所述单帧图像中对应目标菜畦区域的目标图像；其中，在遮光条件下通过一个补光模块对韭菜田间隔补光，进而采集所述单帧图像；所述补光模块的补光频率与单帧图像的采集频率保持一致；s3：对所述目标图像进行预处理，进而得到增强目标图像；s4：在所述增强目标图像中分别截取多种样貌的图像，得到韭菜蛆训练样本以及其它样貌训练样本，进而构成用于训练所述韭菜蛆识别模型的样本集；s5：完成所述韭菜蛆识别模型的初始化，设置损失函数和训练函数，利用所述样本集对所述韭菜蛆识别模型进行迭代训练，并保留经过验证的神经网络模型参数，进而完成对所述韭菜蛆识别模型的训练；s6：按照步骤s2、s3采集待密度估算的韭菜田图像，并依次对所述韭菜田图像进行分割后预处理增强，得到待估算菜畦图像；s7：利用训练完成的韭菜蛆识别模型对所述待估算菜畦图像进行区域识别，识别出所述待估算菜畦图像中的韭菜蛆区域，进而得到在整幅所述待估算菜畦图像中对应韭菜蛆区域的目标像素总数p
all
；s8：根据一个预设的单个韭菜蛆所占的单位平均像素数进而计算出所述待估算菜畦图像中的韭菜蛆个数n：s9：根据所述待估算菜畦的实地面积，计算得到单位面积内的韭菜蛆数量，即所述待估算菜畦的韭菜蛆密度。2.根据权利要求1所述的韭菜蛆密度估算方法，其特征在于，步骤s2中，通过在所述单帧图像中设置感兴趣区；所述感兴趣区用于提取出整个所述单帧图像中的所述目标图像，进而实现对所述单帧图像的分割。3.根据权利要求1所述的韭菜蛆密度估算方法，其特征在于，步骤s2中，通过一个图像采集模块完成对所述单帧图像的采集；所述图像采集模块设置在目标菜畦中心点的正上方；所述图像采集模块的取景方向正对所述目标菜畦，且所述图像采集模块投影在地面的取景面积不小于所述目标菜畦的面积。4.根据权利要求3所述的韭菜蛆密度估算方法，其特征在于，步骤s2中，所述补光模块与所述图像采集模块安装在同一固定位置上，且所述补光模块的补光方向正对所述目标菜畦。5.根据权利要求4所述的韭菜蛆密度估算方法，其特征在于，所述图像采集模块采用ccd相机；所述补光模块采用柔光箱。6.根据权利要求1所述的韭菜蛆密度估算方法，其特征在于，步骤s3中，对所述目标图像进行预处理的方法包括以下过程：消除所述目标图像中的光照、噪声以及其他因素的干扰，进而获得更加清晰的目标图
像。7.根据权利要求1所述的韭菜蛆密度估算方法，其特征在于，步骤s4中，所述其他样貌训练样本包括韭菜训练样本以及土壤训练样本。8.根据权利要求1所述的韭菜蛆密度估算方法，其特征在于，步骤s5中，所述韭菜蛆识别模型通过量化颜色直方图提取出训练样本中的颜色特征，进而实现对图像中各种样貌的识别。9.根据权利要求1所述的韭菜蛆密度估算方法，其特征在于，步骤s5中，在所述韭菜蛆识别模型的训练阶段，还对每个所述韭菜蛆训练样本中的韭菜蛆所占像素δ
i
进行数量统计，进而在所述韭菜蛆识别模型的训练完成后，计算出所述单位平均像素数计，进而在所述韭菜蛆识别模型的训练完成后，计算出所述单位平均像素数式中，m为所述韭菜蛆训练样本的样本个数。10.一种韭菜蛆密度估算系统，其特征在于，其采用如权利要求1至9中任意一项所述的韭菜蛆密度估算方法对韭菜田内的韭菜蛆进行密度估算；所述韭菜蛆密度估算系统包括：模型构建模块，其用于构建基于神经网络的韭菜蛆识别模型；图像采集模块，其用于采集韭菜田的单帧图像，还用于采集待密度估算的韭菜田图像；补光模块，其用于在遮光条件下对韭菜田间隔补光，进而采集所述单帧图像；所述补光模块的补光频率与单帧图像的采集频率保持一致；图像处理模块，其用于先对单帧图像进行分割处理，得到所述单帧图像中对应目标菜畦区域的目标图像；再对所述目标图像进行预处理，进而得到增强目标图像；然后在所述增强目标图像中分别截取多种样貌的图像，得到韭菜蛆训练样本以及其它样貌训练样本，进而构成用于训练所述韭菜蛆识别模型的样本集；所述图像处理模块还用于依次对所述韭菜田图像进行分割后预处理增强，得到待估算菜畦图像；其中，构建出的所述韭菜蛆识别模型在应用前需要进行网络训练，训练过程中，将所述韭菜蛆识别模型完成初始化，设置损失函数和训练函数，利用所述样本集对所述韭菜蛆识别模型进行迭代训练，并保留经过验证的神经网络模型参数，进而完成对所述韭菜蛆识别模型的训练；利用训练完成的韭菜蛆识别模型对所述待估算菜畦图像进行区域识别，识别出所述待估算菜畦图像中的韭菜蛆区域；所述韭菜蛆密度估算系统还包括：计算模块，其用于根据所述待估算菜畦图像中的韭菜蛆区域，计算得到在整幅所述待估算菜畦图像中对应韭菜蛆区域的目标像素总数p
all
；再根据一个预设的根据一个预设的单个韭菜蛆所占的单位平均像素数进而计算出所述待估算菜畦图像中的韭菜蛆个数n；然后根据所述待估算菜畦的实地面积，计算得到单位面积内的韭菜蛆数量，即所述待估算菜畦的韭菜蛆密度。
技术总结本发明涉及一种韭菜蛆密度估算方法及其估算系统。该韭菜蛆密度估算方法通过构建基于神经网络的韭菜蛆识别模型，并通过韭菜田间的多种样貌图像所组成的样本集，实现对韭菜蛆识别模型的训练。再利用训练完成的韭菜蛆识别模型对待估算菜畦图像进行区域识别，识别出待估算菜畦图像中的韭菜蛆区域，进而得到在整幅待估算菜畦图像中对应韭菜蛆区域的目标像素总数。然后根据单个韭菜蛆所占的单位平均像素数计算出待估算菜畦图像中的韭菜蛆个数，并根据待估算菜畦的实地面积，计算得到单位面积内的韭菜蛆数量，即待估算菜畦的韭菜蛆密度。该方法可有效估算出韭菜田内每块菜畦的韭菜蛆密度，为后期的病虫害防治提供充分的理论基础。础。础。
技术研发人员：孟行健 党耀晨
受保护的技术使用者：安徽坤健生物科技有限公司
技术研发日：2022.07.18
技术公布日：2022/11/1
