全世界每年有70多萬人死于蚊蟲叮咬。這是世界上每年謀殺案數量的2倍多。在這方面，發明新的更有效的防蚊方法是必要的。本文首次利用機器視覺和1w激光對蚊蟲進行了綜合研究。用樹莓皮研制了激光裝置，用電流計改變激光的方向。我們開發了一個實時跟蹤蚊子的程序。探討了利用深度神經網絡、Haar級聯、機器學習等方法進行蚊類識別的可能性。詳細研究了圖像中蚊子的分類問題。提出了一種基于微控制器實現該裝置的建議，以供以后作為無人機的一部分使用。田間任何有害昆蟲都可以作為防治對象。

研究中使用的設備：

-???Raspberry Pi 3型號B+，Broadcom BCM2837B0，帶有64位四核處理器（ARM

Cortex-A53），頻率1.4ghz；

-???Pi攝像機，索尼IMX219 Exmor；

-???電流計，速度-20 kps；

-???功率激光器-1w，波長-450nm；

蚊子的大小可以從1毫米到5毫米不等，這是檢測和檢索蚊子坐標方法的主要標準。用超聲波監測蚊子的位置時，需要在不同的地方使用多個傳感器，并對它們的信息進行處理來計算位置，理論上只適合檢測一只蚊子，但如果有多只蚊子，裝置就不能正常工作。蚊子冷血引起的體溫和環境溫度一樣。由于熱成像儀的分辨率非常高，蚊子的溫度與背景相差不大，大約為0.1 C.在開闊區域工作時，聲納的使用有幾個困難，在那里必須使用窄波束和窄輻射模式的聲納。

經過分析，在本研究中，決定使用攝像機來探測和確定蚊子的坐標。攝像機檢測到蚊子后，為了增加激光受影響的可能性，必須提前預測蚊子的位置（超過0.2秒）。因此，有必要研究影響蚊蟲飛行行為的因素。

Syed等人[12]描述了蚊子對氣味的影響。Cortez等人[13]提出了蚊子飛行公式，這些公式是在考慮二氧化碳存在的情況下計算出來的。蚊子的速度是由一個確定的公式決定的：

s=Smax–（Smax-Smin）*F（b，b0） ?（1）

式中，Smax，Smin–蚊子的最大和最小速度，F是取值在0和1之間的斜坡函數。

在運行中，每△T時間單位更新一次每只蚊子的飛行方向和速度。蚊子的更新位置通過以下公式計算：

= =?(?)??+??? ? ? ?(2)

式中（xn，yn）-蚊子在時間步長n處的位置。數字d是在跟蹤和跟蹤之間變化的方向向量，V-風速。

考慮到借助攝像機檢測蚊子，對其進行跟蹤，并利用數學公式預測其進一步飛行，從而提高了陽性控制的概率。

利用預先訓練好的深度學習網絡對覆盆子皮進行蚊類監測，初步考慮采用深度學習方法實施。但是由于Raspberry Pi 3（1 GB）上的RAM有限，甚至Raspberry Pi 4（4 GB）的最大配置，以及1.5 Ghz的低處理器速度，使用深度神經網絡幾乎是不可能的（ResNet>100 MB，AlexNet>200 MB）。在嘗試使用擠壓網時，使用1×1和3×3卷積的新用法，我們成功地獲得了一個重量為5mb的模型，但是對于所需對象的存在的圖像處理結果大約是1秒。

用R-CNN、更快的R-CNN、YoloV3、4、5、RetinaNet進行實時檢測在識別速度上也存在同樣的問題。解決方案可能是使用nvidiajetsontx1和TX2這兩個計算神經網絡的特殊平臺。主要缺點是成本高。因此，我們關注可以在Raspberry PI上實現的方法，它允許您創建一個經濟緊湊的設備。幀間差分、背景差分和光流場分析是檢測運動目標最常用的方法之一。Barros等人[14]詳細介紹了這些方法的優缺點。

使用Hara級聯，你可以訓練一個模型來跟蹤一個物體，精確度很大程度上取決于訓練模型所用的照片數量。在發現的案例中，450張有蚊子的照片被用作陽性例子，500張照片被用作陰性例子。使用cv2.cvtColor函數按顏色檢測蚊子。此函數獲取原始圖像并變換顏色空間。在我們的例子中，HSV和RGB顏色空間被考慮。這種方法更便于實驗室測試，可以在蚊子和背景之間形成鮮明的色彩對比，研究蚊子的運動動態，測試預測蚊子飛行的功能。在自然生境中，由于顏色的多樣性，該方法的有效性接近于0。相機的大焦距并不能改善這種情況，因為蚊子本身沒有一個單一的色域，這意味著在程序中搜索時，它需要擴大顏色范圍。最后，它增加了噪音。

在高分辨率相機上使用類似光流的幀差可以跟蹤蚊子的飛行。在這種情況下，由于可見運動的圖像表示兩個圖像之間的每個點的偏移，因此在這種情況下，Hara級聯中存在的所有顏色噪聲和噪聲都無關緊要。這種方法的缺點是無法識別蚊子，因為在這種情況下，標準僅是蚊子的大小、運動的位移和靜態圖像的分析。在這種情況下，一個攝像頭應該覆蓋360度的半徑，因為攝像頭的恒定動態使得無法使用這些方法。

視頻中連續幀中對象在線位置的定義稱為跟蹤。在OpenCV庫中，TrackerCSRT，TrackerKCF，TrackerBoosting，TrackerMIL，TrackerTLD，TrackerMedianFlow，TrackerMOSSE。圖書館開發人員的網站上提供了相關說明。我們已經檢查了所有參數。最好使用-tracker=cv2.TrackerCSRT\u create。跟蹤的優點是比檢測速度快。因為當跟蹤前一幀中檢測到的對象時，程序知道初始數據——對象的外觀、位置、速度和移動方向。圖1顯示了用各種方法追蹤蚊子的情況，適用于2-4毫米大小的蚊子。

? ? ? ??

?

?

a、b、c

???

?

d、e、f

???????????????????????????????????

圖1。使用OpenCV跟蹤蚊子：a–跟蹤蚊子

cv2.TrackerCSRT\u create（），b–Hara cascade，c–彩色跟蹤，d–彩色跟蹤未成功，e–光流，f–幀差

?

圖1.d顯示了所有追蹤蚊子的方法都存在問題的情況，因為隨著飛行路徑的急劇變化，攝像機的速度不足以確定蚊子的形狀。因此，這一刻所有的方法都從視野中失去了蚊子。圖1.e顯示蚊子和許多噪聲的光學方法。

使用圖像預處理功能可以顯著提高機器視覺圖像的可讀性。在圖2中，通過具有不同參數的閾值函數OpencV進行光處理。

?

圖2通過閾值函數OpencV進行照片處理的結果

?

圖像數據可以用于分類問題，筆者利用卷積神經網絡獲得了-95%的分類精度。為了分類，建立了卷積神經網絡（CNN）。在第二次和第四次卷積之后，它由8層卷積\u 2D和MaxPooling2D組成。在除輸出完全連接層以外的所有層上，使用ReLU激活功能，最后一級使用softmax。為了簡化我們的模型，在每個子樣本層和第一個完全鏈接層之后使用了一個退出層。

該網絡是在一臺裝有AMD ryzen53600處理器和6gbgb的GTX1060圖形卡的固定計算機上訓練的。所得結果使我們可以得出結論，就分類而言，在圖像中找到蚊子并計算其精確坐標并不困難，但需要時間——超過1秒。分類有助于消滅蚊子，因為在這種情況下有足夠的時間，蚊子不會移動。但在這項研究中，在動力學上中和蚊子的任務是確定的。

利用立體視覺OpenCV函數來確定與物體的距離。同時，深度值與位移像素成反比，以及視差與蚊子顯示深度的關系，如圖3所示。

?

圖3。相機的布局：d-一個稱為視差的值，Z-到物體的深度或距離，T-相機之間的距離，f-相機之間焦距的系數。

攝像機和物體之間的關系由以下公式描述：

（T-d）/（Z-f）=T/Z（3）

?

三。實驗研究

為了進行實驗研究，我們開發了下一個安裝裝置，如圖4所示。

?????? ?

?

?

圖4. 激光裝置：1-攝像機，2-電流計，3-覆盆子PI3，4-激光測距儀，5-激光器，6-電源，7-電機驅動器，8-電子信號處理板，9-帶蚊子的盒子

?

裝置的工作原理如圖5所示。

?

?

?

圖5。實驗方案：1盒蚊蟲，2-pi攝像機，3-Raspberry-PI3，4-激光，5-電流計，6-激光束

?

Raspberry PI 3 B+單板計算機，處理來自視頻的數字信號，確定物體的位置，并將數字信號傳輸到模擬板-3，在模擬板-3中，數字-模擬轉換器將信號轉換為0-5V的范圍。接下來，使用帶運算放大器的板，我們得到雙極電壓正負5五、 它用電流計-4的馬達驅動電路板，信號從那里傳到電流計-7。電流計在鏡子的幫助下改變激光-6的方向。系統由一個電源裝置-5供電。攝像機2確定到物體的距離。

與蚊子的拳擊距離激光系統300毫米。攝像機找到蚊子并將數據傳輸到電流計，電流計將鏡子放置在正確的位置，然后激光器打開。

算法工作裝置如圖6所示。

圖6 算法工作裝置

?

讀數取平均值；平均值取自陣列中180個不同樣本的讀數

使用各種OpenCV函數的實驗研究結果如表1所示。

表1. 實驗研究結果

?

本文所研制的樣機作用范圍有限。但與此同時，這項工作的結果證明了使用激光消滅蚊子的可能性。今后，要提高激光的毀傷能力，就必須提高激光作業的精度。

為了用Python語言實現跟蹤，編寫了各種算法，既可以跟蹤一只蚊子，也可以使用多線程函數，還可以使用陣列將蚊子位置的數據傳輸到電流計。實驗的成功可以通過使用更強大的激光來提高，這將使得在一秒鐘內消滅2只以上的蚊子成為可能。考慮到電流計的速度，它允許你在幾秒鐘內改變千分之一的位置，我們的速度被限制在消滅蚊子只由激光功率和中央處理器的功率。同時追蹤蚊子的數量取決于處理器的處理能力。

?

4討論和結論

限制使用激光技術消滅蚊子的因素之一是允許的病變面積小。分析了利用長焦鏡頭監測蚊蟲位置的可能性。作為激光裝置的一部分，使用長焦鏡頭和伺服電機沿z軸移動可以顯著增加滅蚊面積。為了調節到蚊子的不同距離，我們使用了-Esp8266，從而在帶有蚊子和音頻傳感器的盒子之間以及帶有覆盆子pi3的盒子之間實現了具有標準ieee802.11連接的WI-FI。蚊子飛行監控的距離取決于長焦鏡頭的分辨率。

已開發裝置的一個有希望的發展方向是使用STM32系列的STMicroelectronics微控制器。假設在X-CUBE-AI中，AI有一個STM32CubeMX的擴展包。這種擴展可以在不同的深度學習框架下運行，如Caffe、Keras、TensorFlow、Caffe、ConvNetJs等。因此，可以在靜止的計算機上訓練神經網絡，并且可以在GPU上進行計算。集成后使用一個優化的庫到一個32位微控制器STM32。

同時，使用微控制器代替單板計算機將顯著降低幾瓦的功耗。值得考慮的是各種編程語言，例如，C語言上的程序比python語言效率更高。

作為電機的驅動器，建議使用基于SMD組件的驅動器。例如，與可充電電池一樣，Thunder Power Adrenaline重量不超過179.69g，容量為1100mAh，這將大大縮小設備的尺寸，并將其重量降至450克。

最終是什么提高了設備的效率，因為它將有可能使用自主飛機的設備。現在許多公司專門生產一種能承受重負，能遠距離飛行而不充電的飛機。這些工作的結果將在隨后的研究中充分披露。

今后必須使用帶聚焦的激光器。在本研究中，由于激光與滅蚊盒之間的距離很小，預先配置的激光焦點沒有起到很大的作用，因為滅蚊盒的寬度是70mm。在視圖中，盒子近側的損傷面積比遠側的蚊蟲損傷面積大2%。但這可能是一個普遍的錯誤，在本研究中，我們不側重于此。

建議考慮更換用于證明能夠在相當長距離內消滅蚊子的音頻傳感器。作為一種用于確定距離的設備，可以使用具有高數據速率的激光測距儀，其中一個接口使用SPI。由于反射鏡可以在幾毫秒內改變位置，因此從技術實現上用激光測距儀進行監測并不困難。

由于蚊子的飛行速度為每秒1米，隨著距離從15米增加，伺服電機沿z軸的旋轉速度對結果影響很大。有鑒于此，建議使用的算法是這樣實現的：識別后，蚊子被分配編號，如果蚊子已經離開相機的觀察區域，則使用數學模型計算其坐標，并將激光焦點轉移到計算出的坐標。

在這種情況下，這將大大增加時間。否則，由于蚊子離開觀察區，為了確定準確的位置，必須在沿z軸轉動后再次處理來自相機的整個圖片，這從時間上來說是非常昂貴的。

使用神經網絡來預測蚊子的位置將導致安裝額外的微控制器，這將導致設備質量和電能消耗增加2倍。

在這項研究中，使用帶有強大激光的電流計來中和蚊子的想法被首次實現。該系統每秒能中和2只蚊子，而且效果很容易改善。實驗證明了用激光消滅蚊子的可行性。開發了一種用電流計改變激光方向的激光裝置。已經開發了一個實時監測蚊子的程序。給出了計算結果和實驗研究結果。實驗研究了各種滅蚊技術，并選擇了在樹莓PI庫OpenCV中使用的滅蚊最佳方案，該庫具有cv2.TrackerCSRT\u createm功能。

參考鏈接：（可能需要翻出去）

[1]https://www.preprints.org/manuscript/202101.0412/v1

[2]https://news.ycombinator.com/item?id=26376376

[3]https://www.youtube.com/watch?v=BKm8FolQ7jw