论文部分内容阅读
红脂大小蠢(Red Turpentine Beetle,RTB)是我国重大林业入侵害虫,危害我国北方地区的松杉类针叶树种,其虫情监测是森林虫灾防治的重要环节。传统的人工计数方法无法满足现代化红脂大小蠹监测的需求。为实现自动化识别信息素诱捕器捕获的红脂大小蠢并统计其数量,本文在传统信息素诱捕器中集成摄像头,采集收集杯内的小蠹图像,建立数据集。使用K-means聚类算法优化深度学习目标检测模型Faster R-CNN的默认框参数,同时使用GPU服务器端到端地训练此模型,最后实现了诱捕器内红脂大小蠹的目标检测。本文采用两种评价方式,即面向个体的定量评价和面向诱捕器的定性评价。实验结果表明:相较于原始的Faster R-CNN检测模型,该模型在困难测试集上面向个体和诱捕器的精确率-召回率曲线下面积(Area Under the Curve,AUC)分别提升了 4.33%、3.28%。同时,个体和诱捕器AUC在整体测试集上分别达到0.9350和0.9722。改进后的模型可从被诱芯吸引的6种小蠹中区分出危害程度最高的红脂大小蠹,并自动统计信息素诱捕器内红脂大小蠹的数量。此外,为将红脂大小蠹检测模型应用于林间虫情监测,本文实现了基于Android Things的智能虫情监测系统,首先利用树莓派(Raspberry Pi)定时采集图像,然后将图像自动上传至TensorFlow Serving服务器进行红脂大小蠹检测,最后将返回的检测结果通过消息队列遥测传输(Message Queuing Telemetry Transport,MQTT)协议发布并保存至服务器,有效地减少了虫情监测以及虫害预警的人力成本。