一种诱杀稻田害虫的绿色防控方法

技术领域

本发明属于诱杀稻田害虫技术领域，尤其涉及一种诱杀稻田害虫的绿色防控方法。

背景技术

水稻是草本稻属的一种，也是稻属中作为粮食的最主要最悠久的一种，水稻一般在气候条件比较热的季节种植，并且水稻种植需要水，因此水稻的周边会产生大量的害虫，水稻病虫害主要是三食叶性害虫，如稻纵卷叶螟、稻苞虫、稻螟蛉、黏虫、稻蝗；钻蛀性害虫，包括螟虫(二化螟、三化螟、台湾稻螟、大)、稻瘿蚊、稻秆潜蝇等；刺吸性害虫，主要有稻飞虱、稻叶蝉、稻蝽类、稻蓟马等；食根性害虫，如稻象甲、稻水象甲、蝼蛄等。会对水稻的生长产生影响，严重时会导致水稻减产。然而，现有诱杀稻田害虫的绿色防控方法稻田水稻长势监测不准确，对稻田害虫识别分类不准确，同时对稻田害虫量预测不准确。

发明内容

针对现有技术存在的问题，本发明提供了一种诱杀稻田害虫的绿色防控方法。

本发明是这样实现的，一种诱杀稻田害虫的绿色防控方法包括：

步骤一，对稻田水稻长势进行监测；稻田上方搭起支架，支架上安装高效诱虫装置；

所述诱虫灯包括诱杀稻田飞蛾的灯光诱虫装置和诱杀卷叶螟、稻螟和大螟的诱剂诱虫装置，并定时自动开启和关闭灯光诱虫装置，所述灯光诱虫装置与诱剂诱虫装置交叉分布设置，两者相结合实现不同种类害虫的诱杀；

所述灯光诱虫装置诱杀方法：

根据测试稻田害虫诱杀波长点的数量将稻田划分为多个测试区域；在稻田的每个测试区域使用单一的测试波长点的波长灯光诱杀测试区域内的昆虫；

统计不同测试波长点的波长灯光所诱杀的昆虫种类和数量确定主要害虫种类及无诱杀意义波长点；在测试波长点的集合中剔除去无诱杀意义波长点作为诱杀波长点集合，统计诱杀研究波长点的益虫和害虫之比；

采用诱杀波长点诱杀主要害虫，并统计不同时间段内不同诱杀波长点诱杀的主要害虫数量，根据益虫和主要害虫的比值以及目标害虫的数量确定目标害虫的诱杀时间段和波长；

步骤二，对稻田害虫识别分类；并对稻田害虫量进行预测；并在水稻田周围田埂上种植芝麻、大豆等显花植物，品种可选择鄂芝9号、中芝13等芝麻品种；大豆可以选择中豆41、中豆43等品种；

所述对稻田害虫量进行预测方法：

构建稻田害虫数据库，将稻田过去害虫量进行统计存入稻田害虫数据库中；采集整理待预测的稻田害虫过去的发生量的原始数据和影响稻田害虫发生的影响因子的原始数据；利用灰色关联度分析方法，计算原始数据之间的关联度，剔除差异较大数据；

对灰色关联分析法处理后的数据主成分分析，计算影响稻田害虫发生的影响因子的累计贡献率；利用BP神经网络，对稻田害虫发生量进行预测；

所述的利用BP神经网络，对稻田害虫发生量进行预测，其具体步骤为：

确定BP神经网络输入层节点个数设输入层节点个数为主成分分析后的主成分个数；确定BP神经网络输出层节点个数设输出层节点数为预测结果的个数；确定BP神经网络传递函数；确定BP神经网络隐含层神经元个数、训练BP神经网络以主成分分析后的数据和历年该稻田的发生量为训练样本，对BP神经网络进行训练；利用训练后的BP神经网络，对稻田的发生量进行预测；

步骤三，对诱杀稻田害虫的绿色防控效果进行评价。

进一步，所述对稻田水稻长势进行监测方法如下：

(1)配置监测设备参数，通过监测设备获取监测区稻田水稻的生育期，所述生育期为从稻田水稻播种到收获的时间区间；获取时间范围为生育期的当前年份遥感数据和历史遥感数据，并对所述遥感数据进行预处理，得到监测区各像元的植被指数数据；

(2)以所述生育期为时间范围，对所述当前年份的植被指数数据进行最大值合成，得到各像元在当前年份生育期内的植被指数最大值；对历史植被指数数据进行最大值和最小值合成，得到各像元在历史年份生育期内的植被指数最大值和最小值；

根据以下公式，获得在所述监测区内，在生育期内的最佳植被状况指数VCIx：

其中，所述NDVImax_c为当前年份生育期内的植被指数最大值；

所述NDVImax_h为历史年份生育期内的植被指数最大值；

所述NDVImin_h为历史年份生育期内的植被指数最小值；

根据所述最佳植被状况指数VCIx的数值大小与预设的级别阈值范围，确定当前稻田水稻的长势情况。

进一步，所述历史遥感数据为当前年份之前的连续N年的遥感数据，其中，N≥5；

对历史植被指数数据进行最大值和最小值合成，得到各像元在历史年份生育期内的植被指数最大值和最小值，包括：

合成N年中在所述生育期内的各像元NDVI最大值，作为各像元在历史年份在所述生育期内的植被指数最大值NDVImax_h；

合成N年中各年在所述生育期内的各像元NDVI最小值；

计算m个NDVI最小值的平均值NDVImin_h0，其中，3≤m≤N；

比较平均值NDVImin_h0与最小值阈值的大小，将两者之间的较大者作为各像元在历史年份在所述生育期内的植被指数最小值NDVImin_h。

进一步，所述最小值阈值的取值范围为0.15-2.0。

进一步，所述预设的级别为4级，对应的级别阈值范围为：

第1级：VCIx＜0.5；

第2级：0.5≤VCIx＜0.8；

第3级：0.8≤VCIx≤1.0；和

第4级：VCIx＞1.0。

进一步，所述对稻田害虫识别分类方法如下：

1)获取包含有待分类稻田水稻害虫的原始影像，并获取所述原始影像的Hu不变矩参数；基于Canny边缘检测算法，获取所述待分类稻田水稻害虫的整体轮廓特征参数，并基于Otsu阈值分割算法和Canny边缘检测算法，获取所述待分类稻田水稻害虫的翅膀影像，并从所述翅膀影像中提取所述待分类稻田水稻害虫的翅膀轮廓特征参数；

2)基于数学形态学算法，对所述翅膀影像进行优化，并基于优化后的所述翅膀影像，确定所述待分类稻田水稻害虫的翅膀对应的数学形态特征参数；基于模糊聚类FCM算法对所述Hu不变矩参数、所述整体轮廓特征参数、所述翅膀轮廓特征参数和所述数学形态特征参数进行处理，并将处理后的四类参数输入至径向基函数神经网络，由所述径向基函数神经网络输出所述待分类稻田水稻害虫所属类别。

进一步，所述基于Canny边缘检测算法，获取所述待分类稻田水稻害虫的整体轮廓特征参数，具体包括：

基于一阶差分算子，分别获取所述原始影像中第一方向上像素灰度值的第一梯度幅值分量和第二方向上像素灰度值的第二梯度幅值分量，其中，所述第一方向和所述第二方向相互垂直；

基于所述第一梯度幅值分量和所述第二梯度幅值分量，确定所述原始影像中每一像素的梯度幅值和每一像素对应的梯度方向，所述梯度方向上所述梯度幅值最大的像素为所述原始影像的边缘像素，所述原始影像的所有边缘像素构成边缘影像；

遍历所述边缘影像中的每一像素，基于每一像素的梯度幅值与每一像素对应的梯度方向上相邻两个像素的梯度幅值之间的大小关系，将所述原始影像的边缘轮廓细化为一个像素宽度，并获取边缘轮廓影像；

基于Canny边缘检测算法，采用自适应阈值提取所述边缘轮廓影像的整体轮廓特征参数，并将所述边缘轮廓影像的整体轮廓特征参数作为所述待分类稻田水稻害虫的整体轮廓特征参数。

进一步，所述自适应阈值具体通过如下方式获取：

基于阈值估计值对所述原始影像进行分割，将所述原始影像中的像素按像素灰度值的大小分为第一组和第二组；其中，所述第一组中各像素的像素灰度值均大于或等于预设数值，所述第二组中各像素的像素灰度值均小于所述预设数值；

分别计算所述第一组中所有像素的第一平均像素灰度值和所述第二组中所有像素的第二平均像素灰度值，计算所述第一平均像素灰度值和所述第二平均像素灰度值的平均值；

若所述预设数值与所述平均值之差小于所述阈值估计值，则将所述预设数值作为所述自适应阈值，否则更新所述预设数值，并重复执行上两步，直至所述预设数值与所述平均值之差小于所述阈值估计值。

进一步，所述基于Otsu阈值分割算法和Canny边缘检测算法，获取所述待分类稻田水稻害虫的翅膀影像，并从所述翅膀影像中提取所述待分类稻田水稻害虫的翅膀轮廓特征参数，具体包括：

在基于Canny边缘检测算法，获取所述待分类稻田水稻害虫的整体轮廓特征参数后，基于Otsu阈值分割算法，采用最佳阈值从经Canny边缘检测算法处理后得到的影像中分离出所述待分类稻田水稻害虫的翅膀影像；

然后再基于Canny边缘检测算法，提取所述翅膀影像中所述待分类稻田水稻害虫的翅膀轮廓特征参数。

进一步，所述最佳阈值通过如下方法得到：

将所述原始影像中的像素按像素灰度值的大小分为第三组和第四组；其中，所述第三组中各像素的像素灰度值均小于或等于阈值，所述第四组中各像素的像素灰度值均大于所述阈值；

基于每一像素灰度值的取值概率，分别确定所述第三组中所有像素的像素灰度值的第一比例和所述第四组中所有像素的像素灰度值的第二比例；

基于所述第一比例和所述第二比例，分别确定所述第三组中所有像素的像素灰度值的第一均值和所述第四组中所有像素的像素灰度值的第二均值，并基于所述第一均值和所述第二均值，确定所述原始影像中所有像素的像素灰度值的第三均值；

基于所述第一比例、所述第二比例、所述第一均值和所述第二均值，确定所述原始影像中所有像素的像素灰度值的组间方差以及组内方差之和；

基于所述阈值、所述组内方差之和以及所述组间方差，确定所述最佳阈值。

结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：

第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：

本发明通过对稻田水稻长势进行监测方法将农田水稻生育期内植被指数峰值与历史同期植被指数峰值进行归一化比较，有效地削弱了农田水稻生育期内不利天气条件对植被指数数值的影响，克服了现有技术中在稻田水稻长势实时对比监测和过程监测中物候期偏移对农田水稻长势监测结果的影响，为大范围农田水稻长势监测提供了技术支持；同时，通过对稻田害虫识别分类方法可以使得稻田水稻害虫的识别分类更加准确。

本发明通过对稻田害虫量进行预测方法利用灰色关联度分析方法，对稻田害虫发生量的原始数据进行处理，剔除掉误差数据，保证了预测模型的稳定性和准确性。

第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：

本发明有效解决了现有诱杀稻田害虫的绿色防控方法稻田水稻长势监测不准确，对稻田害虫识别分类不准确，同时对稻田害虫量预测不准确的技术问题，有效地削弱了农田水稻生育期内不利天气条件对植被指数数值的影响，克服了现有技术中在稻田水稻长势实时对比监测和过程监测中物候期偏移对农田水稻长势监测结果的影响，为大范围农田水稻长势监测提供了技术支持；同时，通过对稻田害虫识别分类方法可以使得稻田水稻害虫的识别分类更加准确。

附图说明

图1是本发明实施例提供的诱杀稻田害虫的绿色防控方法流程图。

图2是本发明实施例提供的对稻田水稻长势进行监测方法流程图。

图3是本发明实施例提供的对稻田害虫识别分类方法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。

如图1所示，本发明提供一种诱杀稻田害虫的绿色防控方法包括以下步骤：

S101，对稻田水稻长势进行监测；稻田上方搭起支架，支架上安装高效诱虫装置；

所述诱虫灯包括诱杀稻田飞蛾的灯光诱虫装置和诱杀卷叶螟、稻螟和大螟的诱剂诱虫装置，并定时自动开启和关闭灯光诱虫装置，所述灯光诱虫装置与诱剂诱虫装置交叉分布设置，两者相结合实现不同种类害虫的诱杀；

所述灯光诱虫装置诱杀方法：

根据测试稻田害虫诱杀波长点的数量将稻田划分为多个测试区域；在稻田的每个测试区域使用单一的测试波长点的波长灯光诱杀测试区域内的昆虫；

统计不同测试波长点的波长灯光所诱杀的昆虫种类和数量确定主要害虫种类及无诱杀意义波长点；在测试波长点的集合中剔除去无诱杀意义波长点作为诱杀波长点集合，统计诱杀研究波长点的益虫和害虫之比；

采用诱杀波长点诱杀主要害虫，并统计不同时间段内不同诱杀波长点诱杀的主要害虫数量，根据益虫和主要害虫的比值以及目标害虫的数量确定目标害虫的诱杀时间段和波长；

S102，对稻田害虫识别分类；并对稻田害虫量进行预测；并在水稻田周围田埂上种植芝麻、大豆等显花植物，品种可选择鄂芝9号、中芝13等芝麻品种；大豆可以选择中豆41、中豆43等品种；

所述对稻田害虫量进行预测方法：

构建稻田害虫数据库，将稻田过去害虫量进行统计存入稻田害虫数据库中；采集整理待预测的稻田害虫过去的发生量的原始数据和影响稻田害虫发生的影响因子的原始数据；利用灰色关联度分析方法，计算原始数据之间的关联度，剔除差异较大数据；

对灰色关联分析法处理后的数据主成分分析，计算影响稻田害虫发生的影响因子的累计贡献率；利用BP神经网络，对稻田害虫发生量进行预测；

所述的利用BP神经网络，对稻田害虫发生量进行预测，其具体步骤为：

确定BP神经网络输入层节点个数设输入层节点个数为主成分分析后的主成分个数；确定BP神经网络输出层节点个数设输出层节点数为预测结果的个数；确定BP神经网络传递函数；确定BP神经网络隐含层神经元个数、训练BP神经网络以主成分分析后的数据和历年该稻田的发生量为训练样本，对BP神经网络进行训练；利用训练后的BP神经网络，对稻田的发生量进行预测；

S103，对诱杀稻田害虫的绿色防控效果进行评价。

如图2所示，本发明提供的对稻田水稻长势进行监测方法如下：

S201，配置监测设备参数，通过监测设备获取监测区稻田水稻的生育期，所述生育期为从稻田水稻播种到所述稻田水稻收获的时间区间；获取时间范围为生育期的当前年份遥感数据和历史遥感数据，并对所述遥感数据进行预处理，得到监测区各像元的植被指数数据；

S202，以所述生育期为时间范围，对所述当前年份的植被指数数据进行最大值合成，得到各像元在当前年份生育期内的植被指数最大值；对历史植被指数数据进行最大值和最小值合成，得到各像元在历史年份生育期内的植被指数最大值和最小值；

根据以下公式，获得在所述监测区内，在生育期内的最佳植被状况指数VCIx：

其中，所述NDVImax_c为当前年份生育期内的植被指数最大值；

所述NDVImax_h为历史年份生育期内的植被指数最大值；

所述NDVImin_h为历史年份生育期内的植被指数最小值；

根据所述最佳植被状况指数VCIx的数值大小与预设的级别阈值范围，确定当前稻田水稻的长势情况。

本发明提供的历史遥感数据为当前年份之前的连续N年的遥感数据，其中，N≥5；

对历史植被指数数据进行最大值和最小值合成，得到各像元在历史年份生育期内的植被指数最大值和最小值，包括：

合成N年中在所述生育期内的各像元NDVI最大值，作为各像元在历史年份在所述生育期内的植被指数最大值NDVImax_h；

合成N年中各年在所述生育期内的各像元NDVI最小值；

计算m个NDVI最小值的平均值NDVImin_h0，其中，3≤m≤N；

比较平均值NDVImin_h0与最小值阈值的大小，将两者之间的较大者作为各像元在历史年份在所述生育期内的植被指数最小值NDVImin_h。

本发明提供的最小值阈值的取值范围为0.15-2.0。

本发明提供的预设的级别为4级，对应的级别阈值范围为：

第1级：VCIx＜0.5；

第2级：0.5≤VCIx＜0.8；

第3级：0.8≤VCIx≤1.0；和

第4级：VCIx＞1.0。

如图3所示，本发明提供的对稻田害虫识别分类方法如下：

S301，获取包含有待分类稻田水稻害虫的原始影像，并获取所述原始影像的Hu不变矩参数；基于Canny边缘检测算法，获取所述待分类稻田水稻害虫的整体轮廓特征参数，并基于Otsu阈值分割算法和Canny边缘检测算法，获取所述待分类稻田水稻害虫的翅膀影像，并从所述翅膀影像中提取所述待分类稻田水稻害虫的翅膀轮廓特征参数；

S302，基于数学形态学算法，对所述翅膀影像进行优化，并基于优化后的所述翅膀影像，确定所述待分类稻田水稻害虫的翅膀对应的数学形态特征参数；基于模糊聚类FCM算法对所述Hu不变矩参数、所述整体轮廓特征参数、所述翅膀轮廓特征参数和所述数学形态特征参数进行处理，并将处理后的四类参数输入至径向基函数神经网络，由所述径向基函数神经网络输出所述待分类稻田水稻害虫所属类别。

本发明提供的基于Canny边缘检测算法，获取所述待分类稻田水稻害虫的整体轮廓特征参数，具体包括：

基于一阶差分算子，分别获取所述原始影像中第一方向上像素灰度值的第一梯度幅值分量和第二方向上像素灰度值的第二梯度幅值分量，其中，所述第一方向和所述第二方向相互垂直；

基于所述第一梯度幅值分量和所述第二梯度幅值分量，确定所述原始影像中每一像素的梯度幅值和每一像素对应的梯度方向，所述梯度方向上所述梯度幅值最大的像素为所述原始影像的边缘像素，所述原始影像的所有边缘像素构成边缘影像；

遍历所述边缘影像中的每一像素，基于每一像素的梯度幅值与每一像素对应的梯度方向上相邻两个像素的梯度幅值之间的大小关系，将所述原始影像的边缘轮廓细化为一个像素宽度，并获取边缘轮廓影像；

基于Canny边缘检测算法，采用自适应阈值提取所述边缘轮廓影像的整体轮廓特征参数，并将所述边缘轮廓影像的整体轮廓特征参数作为所述待分类稻田水稻害虫的整体轮廓特征参数。

本发明提供的自适应阈值具体通过如下方式获取：

基于阈值估计值对所述原始影像进行分割，将所述原始影像中的像素按像素灰度值的大小分为第一组和第二组；其中，所述第一组中各像素的像素灰度值均大于或等于预设数值，所述第二组中各像素的像素灰度值均小于所述预设数值；

分别计算所述第一组中所有像素的第一平均像素灰度值和所述第二组中所有像素的第二平均像素灰度值，计算所述第一平均像素灰度值和所述第二平均像素灰度值的平均值；

若所述预设数值与所述平均值之差小于所述阈值估计值，则将所述预设数值作为所述自适应阈值，否则更新所述预设数值，并重复执行上两步，直至所述预设数值与所述平均值之差小于所述阈值估计值。

本发明提供的基于Otsu阈值分割算法和Canny边缘检测算法，获取所述待分类稻田水稻害虫的翅膀影像，并从所述翅膀影像中提取所述待分类稻田水稻害虫的翅膀轮廓特征参数，具体包括：

在基于Canny边缘检测算法，获取所述待分类稻田水稻害虫的整体轮廓特征参数后，基于Otsu阈值分割算法，采用最佳阈值从经Canny边缘检测算法处理后得到的影像中分离出所述待分类稻田水稻害虫的翅膀影像；

然后再基于Canny边缘检测算法，提取所述翅膀影像中所述待分类稻田水稻害虫的翅膀轮廓特征参数。

本发明提供的最佳阈值通过如下方法得到：

将所述原始影像中的像素按像素灰度值的大小分为第三组和第四组；其中，所述第三组中各像素的像素灰度值均小于或等于阈值，所述第四组中各像素的像素灰度值均大于所述阈值；

基于每一像素灰度值的取值概率，分别确定所述第三组中所有像素的像素灰度值的第一比例和所述第四组中所有像素的像素灰度值的第二比例；

基于所述第一比例和所述第二比例，分别确定所述第三组中所有像素的像素灰度值的第一均值和所述第四组中所有像素的像素灰度值的第二均值，并基于所述第一均值和所述第二均值，确定所述原始影像中所有像素的像素灰度值的第三均值；

基于所述第一比例、所述第二比例、所述第一均值和所述第二均值，确定所述原始影像中所有像素的像素灰度值的组间方差以及组内方差之和；

基于所述阈值、所述组内方差之和以及所述组间方差，确定所述最佳阈值。

二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。

本发明通过对稻田水稻长势进行监测方法将农田水稻生育期内植被指数峰值与历史同期植被指数峰值进行归一化比较，有效地削弱了农田水稻生育期内不利天气条件对植被指数数值的影响，克服了现有技术中在稻田水稻长势实时对比监测和过程监测中物候期偏移对农田水稻长势监测结果的影响，为大范围农田水稻长势监测提供了技术支持；同时，通过对稻田害虫识别分类方法可以使得稻田水稻害虫的识别分类更加准确。

应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。

三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。

本发明通过对稻田水稻长势进行监测方法将农田水稻生育期内植被指数峰值与历史同期植被指数峰值进行归一化比较，有效地削弱了农田水稻生育期内不利天气条件对植被指数数值的影响，克服了现有技术中在稻田水稻长势实时对比监测和过程监测中物候期偏移对农田水稻长势监测结果的影响，为大范围农田水稻长势监测提供了技术支持；同时，通过对稻田害虫识别分类方法可以使得稻田水稻害虫的识别分类更加准确。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。