[发明专利]基于图像识别的蜂螨识别方法及设备

权利要求书

1.基于图像识别的蜂螨识别方法，其特征是，包括如下步骤：

获取蜂脾图像；

采用深度学习方法结合图像处理方法对蜂螨情况进行识别；

周期性的执行上述步骤对蜜蜂染螨情况进行统计预测蜂螨发病规律，根据发病规律生成蜂螨防控方案；

对图像中蜜蜂的染螨情况进行识别，包括如下步骤：

预处理蜂脾图像，针对预处理的图像采用深度学习算法识别蜜蜂是否感染蜂螨；获取蜂脾图像的同时，获取蜂脾位置数据，统计蜂脾在蜂群中所处的位置与蜂螨寄生率之间的关系；

若感染蜂螨，采用深度学习算法继续识别该蜜蜂的类型，并进行计数；其中所述蜜蜂类型包括工蜂和雄蜂；

采用深度学习计数方法识别所染蜂螨为大蜂螨还是小蜂螨，并计算感染大小蜂螨的比例；

根据对染螨蜜蜂类型以及蜂螨数量的识别与统计，获得工蜂、雄蜂身上螨虫数量的结果，绘制分布图；

根据分布图计算不同工蜂与雄蜂比例下，蜂群螨害的寄生率，统计工蜂和雄蜂比例与蜂螨寄生率的相关性，预测最佳工雄比例，从而蜂螨防控方案中采用最佳比例进行配置。

2.如权利要求1所述的基于图像识别的蜂螨识别方法，其特征是：染满情况包括感染蜂螨的蜜蜂的类型、各类型感染蜂螨的蜜蜂的数量或占比、感染的蜂螨的类型以及各类型蜂螨所占的比例。

3.如权利要求1所述的基于图像识别的蜂螨识别方法，其特征是：所述深度学习方法为卷积算法，具体的采用yolo3模型融合MobileNetV2模型；

yolo3模型融合MobileNetV2模型的具体结构为：包括依次连接的yolov3部分和MovileNetV2部分，yolov3部分的识别结果作为MovileNetV2部分的输入；

具体的，yolov3部分包括输入层、多个第一卷积层以及第一输出层，检测结果为将蜜蜂框出部分的图像矩阵；所述MobileNetV2部分包括第二卷积层、多层逆残差结构以及第二输出层，多层逆残差结构先将图像进行升维，再提取特征，最后进行降维操作，通过第二输出层识别结果。

4.如权利要求1所述的基于图像识别的蜂螨识别方法，其特征是：识别蜂螨为大蜂螨还是小蜂螨的方法具体为：同步获取大蜂螨与小蜂螨形态图片训练yolo3模型，将获取的蜂脾图像输入至训练好的yolo3模型，通过深度学习图像识别所染蜂螨为大蜂螨还是小蜂螨，通过计数计算感染大小蜂螨的比例。

5.如权利要求1所述的基于图像识别的蜂螨识别方法，其特征是：通过计数计算感染大小蜂螨的比例，其中技术方法具体为：采用yolo3模型在图像中的螨虫位置设置标注框，识别标注框的数量进行计数。

6.如权利要求1所述的基于图像识别的蜂螨识别方法，其特征是：对图像中蜜蜂的染螨情况进行识别后，对蜜蜂染螨情况进行统计预测蜂螨发病规律，包括如下步骤：

获取蜂脾图像的同时，获取蜂脾位置数据，统计蜂脾在蜂群中所处的位置与蜂螨寄生率之间的关系；

还包括如下步骤：

获取整个群蜂所有蜂脾图像的同时，同步获取蜂群参数，统计蜂螨寄生率与蜂群参数的关系。

7.基于图像识别的蜂螨识别设备，其特征是：包括图像采集装置以及处理器，所述处理器执行权利要求1-6任一项方法所述的步骤。

8.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-6任一项方法所述的步骤。

9.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-6任一项方法所述的步骤。