基于移动终端的储粮害虫多维信息采集及预警方法与流程

1.本发明涉及粮仓虫害监测领域，具体涉及一种基于移动终端的储粮害虫多维信息采集及预警方法。


背景技术：

2.目前通过手机app软件，可以选择粮仓表面有虫点进行图片拍摄、对图片中的害虫进行害虫识别，获得害虫的数量和种类信息，然后将害虫的数量和种类信息，以及拍摄的位置信息，打包发送给远程服务器进行数据保存，以及在手机端进行数据展示，软件中可以嵌入电子图鉴，将害虫识别的种类与电子图鉴相关联。用户点击展示页面的害虫名称，或者通过页面输入害虫的名称，可查询该种害虫的详细害虫介绍信息，并将查到的害虫介绍信息推送给用户。该软件和方法，可及时、方便的获取害虫图像、图像采集点的害虫发生数量和种类信息，方便得到害虫介绍信息，避免人工方式查找，节省了工作量，方便用户直观得知粮仓内的害虫情况。
3.上述软件方法没有将虫害监测管理与粮堆生态系统关联结合，采集的信息不够全面，灵活性差，图像中害虫检测和种类识别不够准确，进而影响虫害发生预警的准确度，局限性较大，不能全面反映粮仓粮堆虫害的具体情况。


技术实现要素：

4.本发明的目的是提供一种基于移动终端的储粮害虫多维信息采集及预警方法，实现了对粮仓储粮害虫多维信息采集及预警，更加全面的反映了粮仓粮堆虫害的具体情况，提高了对虫害信息采集及预警的准确度。
5.本发明采取如下技术方案实现上述目的，基于移动终端的储粮害虫多维信息采集方法，包括：
6.建立粮仓基本信息，对粮仓中出现害虫的目标区域进行名称定义，并设置对应害虫易发等级；
7.获取目标区域的图像，图像包括采集的储粮粮面图像以及对应不同储粮粮堆深度扦样筛虫后采集的图像；
8.通过移动终端内嵌入的图像数据集和图像识别算法对目标区域的图像进行离线识别，获取图像中的害虫种类与对应的数量信息；
9.根据粮仓基本信息、对应害虫易发等级以及获取的害虫种类与对应的数量信息建立基本虫情数据；
10.获取粮仓中粮堆的温度以及湿度信息，并将粮堆的温度以及湿度信息与相对应的基本虫情数据进行关联，得到粮仓中储粮害虫的多维信息。
11.进一步的是，为了便于用户更加全面地查看粮仓存粮信息，所述粮仓基本信息包括：粮仓编码、仓号、仓型、仓内存储的粮食种类、水分含量、入仓时间以及出仓时间。
12.进一步的是，为了更全面反映粮仓内害虫信息，基本虫情数据包括：粮仓编码、仓
型、目标区域、害虫种类及对应的数量、粮食种类、粮食水分。
13.进一步的是，为了提高采集效率，所述目标区域名称包括：仓房四角点、房门点、排风扇点、仓窗点、进入检查门点以及中间点，所述仓房四角点、房门点、排风扇点、仓窗点、进入检查门点以及中间点为不同深度的立体目标区域。
14.进一步的是，为了提高图像识别准确性，所述图像识别算法具体包括：
15.步骤1、根据图像上每个像素点的像素值，使用卷积神经网络提取图像的特征图；
16.步骤2、基于不同卷积神经网络层级的特征输出构建特征金字塔；
17.步骤3、在不同特征金字塔层级生成对应大小的预设目标框；
18.步骤4、提取预设框对应区域的特征，预测害虫种类及害虫目标框；
19.步骤5、根据预测的害虫种类及害虫目标框，确定图像中害虫类别的可信度及图像中不同种类害虫的个数，并以平均准确度作为害虫识别性能的评估指标。
20.进一步的是，步骤1中，提取图像的特征图之前包括对图像进行滑窗剪裁处理，将移动终端采集的原始害虫图像剪裁至对应大小。
21.进一步的是，步骤2中，构建特征金字塔时，针对害虫目标大小的尺度范围，基于基础网络不同层级的感受野大小，选择基础网络的特定层级的特征层，通过空洞卷积、反卷积或空间、通道的注意力机制操作，构建特征金字塔。最大化利用神经网络的响应特征，为不同尺度害虫目标的定位及种类识别提供具有足够粒度及抽象语义信息的特征，提高提取特征的有效性和差异性，实现害虫目标的有效检测和种类的准确识别。
22.进一步的是，步骤3中，每个特征金字塔层级的步长决定该层对应的预设目标框尺度区间，预设目标框尺度设置为其尺度区间的n倍，n为大于1的整数，以保证不同尺度的预设框在图像中具有相同的密度，使得多尺度的害虫目标可以近似地匹配到相同数量的预设框，尽可能保证不同尺度的害虫目标都可以被检测到，降低害虫目标的漏检情况。
23.进一步的是，步骤4中，预测害虫种类及害虫目标框具体包括：
24.分别在每一个特征金字塔层级后连接分类和边界框回归子网络，分类子网络预测在每一个空间位置生成的锚点中每种害虫出现的概率，以及预测检测层上每一个位置单元的多个预设框中出现的害虫目标属于多个目标类别的概率；边界框回归子网络回归预测每个匹配到害虫目标的预设框与标记的真实值之间的偏移量；在分类和边界框回归子网络，通过卷积层和最大池化或平均池化操作，对特征进行空间、通道的注意力特征提取，进一步提高害虫目标的种类预测和边界框坐标回归的准确性。
25.进一步的是，确定图像中害虫类别的可信度及图像中不同种类害虫的个数具体包括：
26.根据各个边界框的得分，进行非极大值抑制操作，过滤掉重复、得分低检测结果，对图像中检测得到的害虫目标确定出害虫分别属于每个类别的可信度，给出图像中不同种类的害虫目标的数量。由于在训练过程中可能存在大量的简单样本和负样本，因此本方法采用focal loss方法减低大量负样本和简单样本对模型训练过程的影响，提高模型对困难样本的注意力，以提高模型整体的识别准确率；此外，通过将回归损失梯度值的一阶范数的倒数作为回归损失的权重来提高多数样本的回归准确性。
27.进一步的是，根据不同的图像采集频次采集图像，采集图像的方法具体包括个人设定法、平均法以及最大值法；个人设定法具体包括：根据季节的不同，依据管理员的管理
经验，通过管理员在服务器端设定采集频次、采样点的数量和位置，通过界面推送通知进行图像采集。
28.进一步的是，所述平均法具体包括：
29.在服务器端嵌入害虫发生有效积温模型，根据图像识别结果，关联不同种类害虫对应的有效积温参数k、害虫发育的起点温度，统计得到相同种害虫的目标区域数，计算该区域在设定的时间长度t
l
内平均的总积温k
t1
，则害虫发生的世代数：ni＝k
t1
/k，ni的值与采集的频次或时间成正比；采样时间间隔为t1，频次为f1，则t1＝1/f1＝t
l
/ni；
30.采集频次、采样点的数量和位置，通过界面推送通知进行图像采集。
31.进一步的是，所述最大值法具体包括：
32.在服务器端嵌入害虫发生有效积温模型，根据图像识别结果，选择识别结果中危害最大的害虫虫类，关联此类害虫对应的有效积温参数k、害虫发育的起点温度，计算得到此种害虫的目标区域内，在设定的时间长度t
l
内最大的总积温k
tm
点，则害虫发生的世代数：n
im
＝k
tm
/k，在最大的总积温k
tm
点进行信息采集，采样时间间隔为t2，频次为f2，则t2＝1/f2＝t
l
/n
im
，采集频次、采样点的数量和位置，通过界面推送通知进行图像采集。
33.基于移动终端的储粮害虫多维信息预警方法，包括：
34.按照季节设定害虫发生的世代数ni与n
im
的值，并与平均法以及最大值法计算的结果比较，若平均法以及最大值法计算的结果超过本季节的任一设定值，则给出目标区域的预警信息；
35.或在目标区域以设定时间为基本统计时间单元，对害虫增长数、目标区域的温湿度数据变化幅度进行统计，得到两者之和的最大数及对应目标区域，在设备端给出预警信息；
36.或将目标区域得到图像识别结果，折合成虫口密度进行预警，虫口密度计算具体包括：
37.p
d1
＝粮面害虫图片中害虫识别的数量/图片面积
×a×
粮食容重；
38.p
d2
＝扦样害虫数/扦样的粮食重量，虫口密度＝(n*p
d1
+m*p
d2
)/(n+m)；a为高度数据，n代表粮面目标区域拍摄点的数量，m代表扦样筛虫目标区域拍摄点的数量。
39.本发明从粮仓生态系统出发，建立粮仓基本信息，对目标区域进行定义，获取目标区域的图像，通过移动终端内嵌入的图像数据集和图像识别算法对目标区域的图像进行离线识别，获取图像中的害虫种类与对应的数量信息，提高了图像识别的灵活性；根据粮仓基本信息、对应害虫易发等级以及获取的害虫种类与对应的数量信息建立基本虫情数据，获取粮仓中粮堆的温度以及湿度信息，并将粮堆的温度以及湿度信息相对应的基本虫情数据进行关联，得到粮仓中储粮害虫的多维信息，提高了粮仓害虫信息的全面性。基于害虫生长发育积温模型设计的数据采集频次设定方法，比常用的人工设定采集周期、或者人为经验判断方法更科学、准确，减少对保管员经验的依赖，提高对害虫发生情况监测的敏感性，为实施精准、及时、有效的防治措施提供数据支撑。针对季节设定报警阈值，动态调整预警阈值，提高了预警结果对于四季变化的鲁棒性，减少误报、延报情况发生；增加了时间维度的监测，考虑一段时间内的粮堆温湿度变化及害虫检测结果变化，能够进一步提升预警的可靠性，给出更准确的害虫发生发展情况的评估，做出更准确的预警结果。
附图说明
40.图1是本发明目标区域位置以及语义定义示意图；
41.图2是本发明实施例提供的一种图像识别的方法流程图。
42.附图中，1为仓房四角点，2为仓窗点，3为房门点，4为排风扇点，5为中间点，6为进入检查门。
具体实施方式
43.为使本发明实施例的目的、技术方案和优点更加清楚，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。
44.下面结合附图对本发明的具体实施方式进行详细说明。
45.基于移动终端的储粮害虫多维信息采集方法，包括：
46.建立粮仓基本信息，对粮仓中出现害虫的目标区域进行名称定义，并设置对应害虫易发等级；
47.获取目标区域的图像，图像包括采集的储粮粮面图像以及对应不同储粮粮堆深度扦样筛虫后采集的图像；
48.通过移动终端内嵌入的图像数据集和图像识别算法对目标区域的图像进行离线识别，获取图像中的害虫种类与对应的数量信息；
49.根据粮仓基本信息、对应害虫易发等级以及获取的害虫种类与对应的数量信息建立基本虫情数据；
50.获取粮仓中粮堆的温度以及湿度信息，并将粮堆的温度以及湿度信息与相对应的基本虫情数据进行关联，得到粮仓中储粮害虫的多维信息。
51.基本信息主要包括：粮仓编码、仓号、仓型、仓内存储的粮食种类、水分含量、入仓时间、出仓时间等信息上传到服务器进行存储，这样，用户可以通过终端设备随时查看上述粮仓内的存粮信息。用户还可以通过终端设备对上述信息进行修改。
52.其中移动终端可以是手机，也可以是专门研发的便携式嵌入式设备，该终端设备可通过wifi或者4g/5g网络与远端服务器进行通信，接收或上传信息。
53.系统管理员或者超级管理员，可在服务器端进行粮库管理员设定，粮库管理员可对粮仓质保人员及其所管理的粮仓进行分配。
54.在本发明的一种实施例中，提出了6种目标区域的语义定义，如图1中各个点标注所示，包括仓房四角点1、房门点3、排风扇点4、仓窗点2、进入检查门点6、中间点5，上述6个目标区域为不同深度的立体目标区域。对这些点给予害虫易发的可能性等级设定，可设定统一等级，或不同的等级。以高大平方仓为例，这些都是容易生虫需要重点监测的区域，其中中间点是进粮容易积攒杂质的点，也容易生虫。这些区域被赋予唯一的编号，编号与语义、容易生虫的等级、仓内位置进行关联，不仅可确定目标区域在仓内的具体位置，而且赋予了目标区域位置更多的关联信息，这些信息对于及时定位害虫发生和预警是十分必要的。可设定仓房东北角作为坐标原点，因此目标区域的位置坐标在仓内是可确定的。
55.本发明移动终端内嵌入自建的图像数据集和图像识别算法，能对目标区域的图像
在终端上进行离线识别，不需要上传服务器进行识别，得到上述图像中的害虫种类和数量信息。上述害虫识别信息、采集的位置信息可在移动终端上展示给用户。用户点击展示界面的任一种害虫种类的名称后，可自动关联到该种害虫的图鉴，将害虫多角度的专业介绍信息推送给使用者。
56.图像识别算法，给出的识别结果信息是害虫所属的类别，以及害虫属于什么害虫的准确率。结合上述内容，一条基本虫情数据lid(local insect data)定义为：粮仓编码+仓型+目标区域+图像识别结果(种类和数量)+粮食种类+粮食水分。数据的示例如表1。
57.表1基本虫情数据lid定义示例
[0058][0059]
粮仓编码、仓型、粮食种类、粮食水分数据，管理人员通过终端软件界面设定；目标区域点通过点击终端软件界面给定的位置点图标，确定位置，填入或选择目标区域的其他信息；终端软件对目标区域拍摄图片，自动得到害虫识别结果。基本虫情lid数据，发送到远程服务器，将数据保存在数据库中。
[0060]
本发明实施例提供的图像识别的方法如图2所示，包括：
[0061]
步骤1、根据图像上每个像素点的像素值，使用卷积神经网络提取图像的特征图；
[0062]
步骤2、基于不同卷积神经网络层级的特征输出构建特征金字塔；
[0063]
步骤3、在不同特征金字塔层级生成对应大小的预设目标框；
[0064]
步骤4、提取预设框对应区域的特征，预测害虫种类及害虫目标框；
[0065]
步骤5、根据预测的害虫种类及害虫目标框，确定图像中害虫类别的可信度及图像
中不同种类害虫的个数，并以平均准确度作为害虫识别性能的评估指标。
[0066]
在上述步骤1中，移动终端获取到的害虫图像的分辨率为2000
×
1000像素以上，而害虫目标在图像中的空间分辨率的分布却从从不到40
×
40像素到256
×
256像素以上。因此，在对害虫图像进行识别模型训练核测试之前，需要对害虫图像进行滑窗剪裁处理，将移动终端采集的原始害虫图像剪裁至合适大小(最大边长小于1024像素)。移动终端获取到的害虫的图像为rgb(red，green，blue，红、绿、蓝)图像，上述rgb图像为彩色图像，因此，首先使用第一层为三通道的卷积核的卷积神经网络对输入图像进行特征提取。用于图像特征提取的卷积神经网络统称为基础网络，基础网络可以为不同层数的vgg、resnet、inception、densenet或darknet等常用的卷积神经网络模型。
[0067]
在上述步骤2中，考虑到图像中的害虫目标的空间分辨率差异很大，因此，针对不同尺度范围的害虫目标构建不同层级特征金字塔，以匹配卷积神经网络的有效感受野。在搭建特征金字塔时，基于基础网络不同层级的感受野大小，选择基础网络的特定层级的特征层，并通过一些额外的卷积、空洞卷积、反卷积或空间、通道的注意力机制等操作，构建特征金字塔，最大化地利用神经网络的响应特征，为不同尺度害虫目标的定位及种类识别提供具有足够粒度及抽象语义信息的特征，提高提取特征的有效性和差异性，实现害虫目标的有效检测和种类的准确识别。
[0068]
在上述步骤3中，针对不同特征金字塔层级神经网络的有效感受野，针对图像中害虫目标可能出现的尺度大小，生成相应尺度大小的预设框。基于输入图像，每个特征金字塔层级的步长决定该层对应的预设框尺度区间。可以将预设框的尺度设置为其尺度区间的4倍，以保证不同尺度的预设框在图像中具有相同的密度，使得多尺度的害虫目标可以近似地匹配到相同数量的预设框，尽可能保证不同尺度的害虫目标都可以被检测到，降低害虫目标的漏检情况。若在步长为{4，8，16，32，64}的特征金字塔上进行害虫检测，则预设框的基础尺寸可以设置为{16，32，64，128，256}。此外，在每一级金字塔层，分别按照这三个长宽比{1:2,1:1,2:1}生成预设框，并且为了能够更密集的尺度覆盖，在每一级按照{20,21/3,22/3}缩放这三种长宽比的预设框尺寸。因此，在每一个层级的每一个单元上共生成9个预设框。通过这些在各级金字塔层生成预设框，生成的预设框的尺度覆盖了输入图像中16-577的像素范围。
[0069]
在上述步骤4中，分别在每一个特征金字塔层级后连接分类和边界框回归子网络，分类子网络预测在每一个空间位置生成的锚点中每种害虫出现的概率。边界框回归子网络回归预测每个匹配到害虫目标的预设框与标记的真实值之间的偏移量。分类子网络预测检测层上每一个位置单元的9个预设框中出现的害虫目标属于c个目标类别的概率，c表示粮仓内出现的主要储粮害虫的种类数量，为大于1的整数。边界框回归子网络的结构与分类子网络基本一样，除了它在每个空间位置上有4
×
9个线性输出，用于回归每个预设框与离其最近的实际标记值(ground truth)之间的偏移量。每一个金字塔层的子网络仅处理在这一层生成的一定尺度范围内的预设框。通过分类和边界框回归子网络，可以得到害虫目标的种类预测和边界框坐标。在分类和边界框回归子网络，分类子网络中，通过卷积层和最大、平均池化操作，对特征进行空间、通道的注意力特征提取，进一步提高害虫目标的种类预测和边界框坐标回归的准确性。
[0070]
在上述步骤5中，针对害虫识别模型的给出害虫目标边界框及种类识别的结果，根
据各个边界框的得分，进行非极大值抑制操作，过滤掉重复、得分低检测结果。最终对图像中检测得到的害虫目标确定出上述害虫分别属于每个类别的可信度，给出图像中不同种类的害虫目标的数量。由于在训练过程中可能存在大量的简单样本和负样本，因此本方法采用focal loss方法减低大量负样本和简单样本对模型训练过程的影响，提高模型对困难样本的注意力，以提高模型整体的识别准确率；此外，通过将回归损失梯度值的一阶范数的倒数作为回归损失的权重来提高多数样本的回归准确性。
[0071]
害虫识别的推断过程仅涉及简单的将图像输入至检测模型的前馈过程。为提高检测速度，可以首先以0.01的置信阈值过滤掉大部分的预测框，并应用iou阈值为0.5的非极大值抑制操作，保留前300个预测框。然后，选择得分高于0.05的预测框作为最终检测结果。
[0072]
本发明还可以进行害虫图鉴，移动终端嵌入储粮害虫图鉴，支持文字输入或语音输入关键词的智能查询和展示功能。当用户点输入关键字或者输入关键字的语音，可以得到与此相关的储粮害虫图鉴(由文字和图片组成的列表)，点击任一种害虫的图片标识信息，得到该条图鉴的详细信息并展示。主要包括：包括害虫的图片、类别、形态特征、生活习性、主要危害、分布状况和防治措施等信息。避免通过人工方式查阅书本或网络资源获取该害虫的介绍信息，节省了工作量，提高学习效率。
[0073]
在本发明的一种实施例中，获取粮仓中粮堆的温度以及湿度信息，并将粮堆的温度以及湿度信息相对应的基本虫情数据进行关联具体包括：
[0074]
运行在远程服务器的后台程序，设计了专门接口程序，可以从独立运行的温湿度监测粮情系统的数据库中读取具体粮仓的粮堆温湿度传感器阵列数据并进行保存，将本系统的目标区域的基本虫情数据lid与该区域一定空间内的温湿度传感器数据平均值相关联，得到一条多维虫情数据，即：lid+温湿度数据，将该条多维数据定义为omdu(one multiple data unit)。该多维数据的定义是本发明提出的，它将lid数据与影响害虫发生的关键生态因子，即仓内相对位置、温湿度信息、以及粮仓所处环境的温湿度信息关联起来，作为判断害虫发生预警的数据集中一条基本数据。
[0075]
lid数据与目标区域温湿度传感器数据关联方法：粮堆温湿度传感器阵列数据布置是根据粮食行业标准规范进行的，依据这个标准和温湿度传感器阵列总传感器数量，可构成一个由传感器节点之间直线组成的三维网格图，网格的各个边长根据仓型+温湿度传感器布置图计算。根据目标区域定义的位置(图1所示)，以每个目标区域位置为中心点划分一个长、宽、高的空间范围，该空间范围大小，是以至少包含一个及以上的温湿度传感器节点为标准。omdu中的温湿度数据是这个范围的传感器数据的平均值。数据的示例如表2。
[0076]
表2多维数据omdu示例
[0077][0078]
多维数据omdu是按照上述方法在服务器后端形成的。本发明通过移动终端和系统可不断得到omdu数据，建立omdu数据集。这些数据保存在服务器端，用于终端的数据可视化显示，以及用于下面的虫情预警中。omdu数据集的建立，通过数据统计和分析，可以为目标区域易生虫等级设定优化提供数据支撑。
[0079]
本发明在图像采集方面包括了个人设定法、平均法、最大值法。
[0080]
个人设定法：根据季节的不同，管理者依据多年管理经验，通过系统管理员在服务器端设定采集频率、采样点的数量和位置，通过显示界面推送通知，督促保管员进行及时信息采集。
[0081]
平均法：在服务器端嵌入害虫发生有效积温模型，根据图像识别结果，关联不同种类害虫对应的有效积温参数k、害虫发育的起点温度，统计得到相同种害虫的目标区域数，计算该区域在设定的时间长度(如按周的倍数、月的倍数)t
l
内平均的总积温k
t1
，则害虫发生的世代数：ni＝k
t1
/k，ni的值与采集的频次或时间成正比；采样时间间隔为t1，频次为f1，则t1＝1/f1＝t
l
/ni；
[0082]
采集频次、采样点的数量和位置，通过界面推送通知，督促保管员进行及时信息采集，这样对于发现不同种类害虫的不同目标区域，采集的频次是有差别的。
[0083]
最大值法：在服务器端嵌入害虫发生有效积温模型，根据图像识别结果，选择识别结果中危害最大的害虫虫类，关联此类害虫对应的有效积温参数k、害虫发育的起点温度，计算得到此种害虫的目标区域内，在设定的时间长度t
l
内最大的总积温k
tm
点，则害虫发生的世代数：n
im
＝k
tm
/k，在最大的总积温k
tm
点进行信息采集，采样时间间隔为t2，频次为f2，则t2＝1/f2＝t
l
/n
im
，采集频次、采样点的数量和位置，通过界面推送通知，督促保管员进行及时信息采集。
[0084]
这种基于害虫生长发育积温模型设计的图像数据采集频次设定方法，比常用的人工设定采集周期的方法更科学、准确，减少对保管员经验的依赖，提高对害虫发生情况监测的敏感性，为实施精准、及时、有效的防治措施提供数据支撑。
[0085]
本发明在虫情预警方面包括如下预警方法。
[0086]
按照季节设定害虫发生的世代数ni与n
im
的值，并与平均法以及最大值法计算的结果比较，若平均法以及最大值法计算的结果超过本季节的任一设定值，则给出目标区域的预警信息；针对季节设定报警阈值，动态调整预警阈值，提高了预警结果的对于四季变化的鲁棒性，减少误报、延报情况发生；
[0087]
或在目标区域以设定时间为基本统计时间单元，对害虫增长数、目标区域的温湿度数据变化幅度进行统计，得到两者之和的最大数及对应目标区域，在设备端给出预警信息；增加了时间维度的监测，考虑一段时间内的粮堆温湿度变化及害虫检测结果变化，能够进一步提升预警的可靠性，给出更准确的害虫发生发展情况的评估，做出更准确的预警结果；
[0088]
或将目标区域得到图像识别结果，折合成虫口密度进行预警，虫口密度计算具体包括：
[0089]
p
d1
＝粮面害虫图片中害虫识别的数量/图片面积
×a×
粮食容重；
[0090]
p
d2
＝扦样害虫数/扦样的粮食重量，虫口密度＝(n*p
d1
+m*p
d2
)/(n+m)；a为高度数据，n代表粮面目标区域拍摄点的数量，m代表扦样筛虫目标区域拍摄点的数量。
[0091]
对照国家或行业标准的规定，结合虫口密度的计算结果，给出严重、一般、无虫粮的预警判断。
[0092]
综上所述，本发明实现了对粮仓储粮害虫多维信息采集及虫情预警，更加全面的反映了粮仓粮堆虫害的具体情况，提高了对虫害信息采集及预警的准确度以及害虫图像识
别的灵活性。提高了对害虫发生情况监测的敏感性，为实施精准、及时、有效的防治措施提供数据支撑。对虫情预警，减少了误报、延报情况的发生，能够进一步提升预警的可靠性，给出更准确的害虫发生发展情况的评估，做出更准确的预警结果。同时，实现了害虫目标的有效检测和种类的准确识别，降低害虫目标的漏检情况。