本發(fā)明涉及農(nóng)業(yè)信息?，尤其涉及一種基于視頻關鍵幀的病蟲害信息識別方法和裝置。

背景技術：

1、設施農(nóng)業(yè)是現(xiàn)代農(nóng)業(yè)的重要組成部分，通過建立溫室、大棚等設施環(huán)境，為作物提供理想的生長條件，提升農(nóng)產(chǎn)品的產(chǎn)量和質量。然而，設施農(nóng)業(yè)中作物病蟲害的識別以及及時防治仍然是一個重大挑戰(zhàn)，病蟲害不僅影響作物生長，還可能導致嚴重的經(jīng)濟損失。傳統(tǒng)的病蟲害監(jiān)測方法主要依賴于人工巡視和抽樣檢測，這種方式存在檢測效率低、誤報率高、無法實時監(jiān)控等問題。

2、現(xiàn)有技術中，隨著計算機視覺技術和人工智能的發(fā)展，基于圖像處理和機器學習的病蟲害識別方法逐漸成為研究熱點。視頻監(jiān)控技術在農(nóng)業(yè)中的應用為病蟲害監(jiān)測提供了新的手段。通過對設施農(nóng)業(yè)環(huán)境中的作物進行連續(xù)視頻監(jiān)控，能夠實現(xiàn)對病蟲害發(fā)生情況的實時監(jiān)測。然而，視頻監(jiān)控技術也面臨一些挑戰(zhàn)，例如大量的視頻數(shù)據(jù)需要處理，實時性要求高，以及在復雜的農(nóng)業(yè)環(huán)境中準確識別病蟲害等?，F(xiàn)有的基于圖像處理的病蟲害識別方法主要集中在靜態(tài)圖像的處理上，對于視頻流的處理研究相對較少。

3、如何通過提取關鍵幀進行病蟲害特征識別，提高識別的實時性和準確性，是目前需要解決的技術問題。

技術實現(xiàn)思路

1、本發(fā)明提供一種基于視頻關鍵幀的病蟲害信息識別方法和裝置，用以解決現(xiàn)有技術中存在的缺陷。

2、本發(fā)明提供一種基于視頻關鍵幀的病蟲害信息識別方法，包括如下步驟：

3、獲取目標視頻流，并對所述目標視頻流進行關鍵幀提取，得到目標圖像數(shù)據(jù)集；

4、將所述目標圖像數(shù)據(jù)集輸入至預訓練的病蟲害識別模型中，得到目標病蟲害信息；其中，所述病蟲害識別模型是基于歷史圖像數(shù)據(jù)集對深度神經(jīng)網(wǎng)絡進行訓練得到。

5、根據(jù)本發(fā)明提供的一種基于視頻關鍵幀的病蟲害信息識別方法，所述對所述目標視頻流進行關鍵幀提取，得到目標圖像數(shù)據(jù)集，包括：

6、按照預設時間間隔在所述目標視頻流中提取第一關鍵幀集合，并將所述第一關鍵幀集合和預先確定的第二關鍵幀集合作為第一目標圖像數(shù)據(jù)集；

7、通過預設關鍵幀提取方法對所述目標視頻流進行關鍵幀提取，得到第二目標圖像數(shù)據(jù)集；其中，所述預設關鍵幀提取方法包括：幀間差分法、動態(tài)閾值調整法和自適應聚類法；

8、將所述第一目標圖像數(shù)據(jù)集和所述第二目標圖像數(shù)據(jù)集的合集作為所述目標圖像數(shù)據(jù)集。

9、根據(jù)本發(fā)明提供的一種基于視頻關鍵幀的病蟲害信息識別方法，所述通過預設關鍵幀提取方法對所述目標視頻流進行關鍵幀提取，得到第二目標圖像數(shù)據(jù)集，包括：

10、通過所述幀間差分法和所述動態(tài)閾值調整法對所述目標視頻流進行關鍵幀提取，得到初始第二目標圖像數(shù)據(jù)集；其中，所述初始第二目標圖像數(shù)據(jù)集中的圖像為：包含運動變化區(qū)域的圖像；

11、通過所述自適應聚類法對所述初始第二目標圖像數(shù)據(jù)集進行特征提取和聚類分析，得到所述得到第二目標圖像數(shù)據(jù)集。

12、根據(jù)本發(fā)明提供的一種基于視頻關鍵幀的病蟲害信息識別方法，所述幀間差分法，通過以下公式實現(xiàn)：

13、

14、其中，表示連續(xù)兩幀圖像之間的差分圖像，和分別表示t時刻和t-1時刻的圖像，表示差分圖像二值化時的分割閾值，表示所提取圖像的前景，表示t時刻提取圖像的權重值。

15、根據(jù)本發(fā)明提供的一種基于視頻關鍵幀的病蟲害信息識別方法，所述動態(tài)閾值調整法，通過以下公式實現(xiàn)：

16、，，

17、，

18、

19、其中，、分別表示圖像中前景的平均灰度值和背景的平均灰度值，、分別表示圖像中前景的灰度概率和背景的灰度概率，t表示初始閾值，即圖像中最小灰度值和最大灰度值的平均值，表示圖像在位置處的像素值，n表示像素數(shù)。

20、根據(jù)本發(fā)明提供的一種基于視頻關鍵幀的病蟲害信息識別方法，所述將所述目標圖像數(shù)據(jù)集輸入至預訓練的病蟲害識別模型中，得到目標病蟲害信息，包括：

21、對所述目標圖像數(shù)據(jù)集進行數(shù)據(jù)預處理；其中，所述數(shù)據(jù)預處理包括：圖像歸一化、圖像縮放、去噪處理和數(shù)據(jù)增強；

22、將數(shù)據(jù)預處理后的目標圖像數(shù)據(jù)集輸入至預訓練的病蟲害識別模型中，得到病蟲害目標；

23、對識別到的所述病蟲害目標進行分類，得到目標病蟲害信息；其中，所述目標病蟲害信息包括病蟲害位置和病蟲害類別。

24、根據(jù)本發(fā)明提供的一種基于視頻關鍵幀的病蟲害信息識別方法，所述得到目標病蟲害信息之后，所述方法還包括：

25、向用戶發(fā)送警示信息，以使用戶基于所述警示信息中包含的目標病蟲害信息進行處理。

26、本發(fā)明還提供一種基于視頻關鍵幀的病蟲害信息識別裝置，包括如下模塊：

27、提取模塊，用于獲取目標視頻流，并對所述目標視頻流進行關鍵幀提取，得到目標圖像數(shù)據(jù)集；

28、識別模塊，用于將所述目標圖像數(shù)據(jù)集輸入至預訓練的病蟲害識別模型中，得到目標病蟲害信息；其中，所述病蟲害識別模型是基于歷史圖像數(shù)據(jù)集對深度神經(jīng)網(wǎng)絡進行訓練得到。

29、本發(fā)明還提供一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)如上述任一種所述基于視頻關鍵幀的病蟲害信息識別方法。

30、本發(fā)明還提供一種非暫態(tài)計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)如上述任一種所述基于視頻關鍵幀的病蟲害信息識別方法。

31、本發(fā)明還提供一種計算機程序產(chǎn)品，包括計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如上述任一種所述基于視頻關鍵幀的病蟲害信息識別方法。

32、本發(fā)明提供的一種基于視頻關鍵幀的病蟲害信息識別方法和裝置，通過獲取目標視頻流，并對所述目標視頻流進行關鍵幀提取，得到目標圖像數(shù)據(jù)集；將所述目標圖像數(shù)據(jù)集輸入至預訓練的病蟲害識別模型中，得到目標病蟲害信息；其中，所述病蟲害識別模型是基于歷史圖像數(shù)據(jù)集對深度神經(jīng)網(wǎng)絡進行訓練得到。由此可知，本發(fā)明通過對目標視頻流進行關鍵幀提取，可以減少視頻數(shù)據(jù)量，提高數(shù)據(jù)處理效率，對提取的關鍵幀進行識別，得到目標病蟲害信息，在保障監(jiān)測實時性的同時，提升了識別的準確性。

技術特征：

1.一種基于視頻關鍵幀的病蟲害信息識別方法，其特征在于，包括：

2.根據(jù)權利要求1所述的基于視頻關鍵幀的病蟲害信息識別方法，其特征在于，所述對所述目標視頻流進行關鍵幀提取，得到目標圖像數(shù)據(jù)集，包括：

3.根據(jù)權利要求2所述的基于視頻關鍵幀的病蟲害信息識別方法，其特征在于，所述通過預設關鍵幀提取方法對所述目標視頻流進行關鍵幀提取，得到第二目標圖像數(shù)據(jù)集，包括：

4.根據(jù)權利要求2所述的基于視頻關鍵幀的病蟲害信息識別方法，其特征在于，所述幀間差分法，通過以下公式實現(xiàn)：

5.根據(jù)權利要求2所述的基于視頻關鍵幀的病蟲害信息識別方法，其特征在于，所述動態(tài)閾值調整法，通過以下公式實現(xiàn)：

6.根據(jù)權利要求1所述的基于視頻關鍵幀的病蟲害信息識別方法，其特征在于，所述將所述目標圖像數(shù)據(jù)集輸入至預訓練的病蟲害識別模型中，得到目標病蟲害信息，包括：

7.根據(jù)權利要求1所述的基于視頻關鍵幀的病蟲害信息識別方法，其特征在于，所述得到目標病蟲害信息之后，所述方法還包括：

8.一種基于視頻關鍵幀的病蟲害信息識別裝置，其特征在于，包括：

9.一種電子設備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序時實現(xiàn)如權利要求1至7任一項所述基于視頻關鍵幀的病蟲害信息識別方法。

10.一種非暫態(tài)計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)如權利要求1至7任一項所述基于視頻關鍵幀的病蟲害信息識別方法。

技術總結
本發(fā)明提供一種基于視頻關鍵幀的病蟲害信息識別方法和裝置，涉及農(nóng)業(yè)信息技術領域，所述方法包括：獲取目標視頻流，并對所述目標視頻流進行關鍵幀提取，得到目標圖像數(shù)據(jù)集；將所述目標圖像數(shù)據(jù)集輸入至預訓練的病蟲害識別模型中，得到目標病蟲害信息；其中，所述病蟲害識別模型是基于歷史圖像數(shù)據(jù)集對深度神經(jīng)網(wǎng)絡進行訓練得到。通過本發(fā)明提供的方法，通過對目標視頻流進行關鍵幀提取，可以減少視頻數(shù)據(jù)量，提高數(shù)據(jù)處理效率，對提取的關鍵幀進行識別，得到目標病蟲害信息，在保障監(jiān)測實時性的同時，提升了識別的準確性。

技術研發(fā)人員：王洪彪,趙繼春,喬珠峰
受保護的技術使用者：北京市農(nóng)林科學院
技術研發(fā)日：
技術公布日：2025/1/2