一种毒蛾属昆虫的物种鉴别方法及鉴别系统技术方案

本发明专利技术属于昆虫物种鉴别技术领域，公开了一种毒蛾属昆虫的物种鉴别方法及鉴别系统；利用摄像器采集昆虫前后翅的图像数据信息；利用图像处理软件对采集的图像进行检测识别，提取毒蛾翅图像数学形态特征，主控模块对数学形态特征进行分析，筛选出用于分类识别的特征参数；利用网络数据库下载毒蛾属昆虫毒蛾翅图像数据信息进行对比判断；并通过云服务模块利用云服务器集中大数据资源对采集的图像信息进行处理；通过数据存储模块利用存储器存储采集的毒蛾翅图像数据信息；并通过显示模块利用显示器显示采集的毒蛾翅图像数据信息。本发明专利技术能解决传统分类方法耗费人力、时间以及效率不佳的问题；为物种建立身份证，准确区分近似种。

【技术实现步骤摘要】
一种毒蛾属昆虫的物种鉴别方法及鉴别系统
本专利技术属于昆虫物种鉴别
，尤其涉及一种毒蛾属昆虫的物种鉴别方法。
技术介绍
昆虫种类繁多、形态各异，属于无脊椎动物中的节肢动物，是地球上数量最多的动物群体，在所有生物种类(包括细菌、真菌、病毒)中占了超过50％，它们的踪迹几乎遍布世界的每一个角落。直到21世纪初，人类已知的昆虫有100余万种，但仍有许多种类尚待发现。昆虫在动物界中种类最多，数量最大，对农业生产和人类健康造成重大影响。最常见的有蝗虫、蝴蝶、蜜蜂、蜻蜓、苍蝇、草蜢、蟑螂等。昆虫不但种类多，而且同种的个体数量也十分惊人。昆虫的分布面之广，没有其他纲的动物可以与之相比，几乎遍及整个地球。分有不同的种类，多数昆虫可以做标本，是人类可以利用的良好生物资源。然而，现有毒蛾属昆虫的物种鉴别需要借助人眼观察显微镜底下的昆虫再进行判断，因此也都具有传统分类方法耗费人力、时间以及效率不佳的问题。同时，毒蛾属昆虫鉴定还是依赖成虫形态学方法，船舶上经常发现的是幼虫和卵，用形态学方法很难准确鉴定，这对口岸舞毒蛾的检验检疫工作增加了难度。现有技术中，摄像机采用的图像处理算法，使原有图像处理精度降低，对于质心法和高斯拟合法，图像提取精度达不到所要求的精度；现有图像显示技术中，局部噪声对显示图像的清晰度运算结果有很大的影响，降低了图像显示的清晰度；同时现有的数据搜索过程中，算法复杂，收敛速度慢，可扩展且效率低。综上所述，现有技术存在的问题是：现有技术中，摄像机采用的图像处理算法，使原有图像处理精度降低，对于质心法和高斯拟合法，图像提取精度达不到所要求的精度。现有图像显示技术中，局部噪声对显示图像的清晰度运算结果有很大的影响，降低了图像显示的清晰度。现有的数据搜索过程中，算法复杂，收敛速度慢，可扩展且效率低。现有技术对毒蛾进行鉴别的过程，效率低且存在不准确性。现有技术对采集的毒蛾翅图像数学形态特征不能细化的处理，导致存在一定程度的鉴别误差。现有技术存储采集的毒蛾属昆虫毒蛾翅图像数据信息的过程中，存在很多的存储需求，增加了算法时间复杂度。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种毒蛾属昆虫的物种鉴别方法。本专利技术是这样实现的，一种毒蛾属昆虫的物种鉴别方法，所述毒蛾属昆虫的物种鉴别方法包括：第一步，利用摄像器采集昆虫前后翅的图像数据信息；第二步，利用图像处理软件对采集的图像进行检测识别，提取毒蛾翅图像数学形态特征，主控模块对数学形态特征进行分析，筛选出用于分类识别的特征参数；第三步，利用网络数据库下载毒蛾属昆虫毒蛾翅图像数据信息进行对比判断；并通过云服务模块利用云服务器集中大数据资源对采集的图像信息进行处理；第四步，通过数据存储模块利用存储器存储采集的毒蛾翅图像数据信息；并通过显示模块利用显示器显示采集的毒蛾翅图像数据信息。进一步，提取毒蛾翅图像数学形态特征，对数学形态特征进行分析，筛选出用于分类识别的特征参数，采用BP神经网络分类器，BP神经网络分类器的建立方法，包括以下步骤：步骤一，采用一个隐含层的3层BP神经网络，输入层神经元数5，对应经主成分分析建立的F1、F2、F3、F4和F5变量；步骤二，输出层神经元数为，对应蛾属昆虫种类，将不同的蛾属昆虫进行赋值；步骤三，隐含层神经元数定为变量，根据下面的经验公式计算；式中：In表示输入层神经元个数，On表示输出层神经元个数，a∈[1，10]；步骤四，输入层到隐层采用tansig传递函数；隐层到输出层传递函数为purelin；训练算法采用非线性阻尼最小二乘法优化算法，函数为trainlm；步骤五，训练误差最大循环次数为2000，网络训练结果与训练样本数据比较误差控制在1×10-6以内,认为达到精度要求,学习系数为0.05。进一步，提取毒蛾翅图像数学形态特征采用数学形态法基本算法：对于一个给定的目标图像X和一个结构算子S，将S在图像上移动，在每一个当前位置x，Sx有3种可能的状态：1)即Sx与X最大相关；22)即Sx与X不相关，Xc为X的补集；3)Sx∩X与Sx∩Xc均不为空，即Sx与X部分相关；定义满足1)的点x的全体构成结构元素与图像的最大相关点集就是S对X的腐蚀，记作XΘS用集合方式表示为：膨胀与腐蚀相反，是将X中的每一点扩大为Sx，记为定义为：膨胀扩大图像,可以连通图像中断裂的部分，填补图像分割后物体中的空洞。本专利技术的另一目的在于提供一种实现所述毒蛾属昆虫的物种鉴别方法的毒蛾属昆虫的物种鉴别系统，所述毒蛾属昆虫的物种鉴别系统包括：图像采集模块，与主控模块连接，通过图像采集模块利用摄像器采集昆虫前后翅的图像数据信息；主控模块，与图像采集模块、图像处理模块、基因数据库信息提取模块、云服务模块、数据存储模块、显示模块连接，用于通过单片机控制各个模块正常工作；图像处理模块，与主控模块连接，用于通过图像处理软件对采集的图像进行检测识别；主控模块调度图像处理模块利用图像处理软件对采集的图像进行检测识别，提取毒蛾翅图像数学形态特征，主控模块调度图像处理模块对数学形态特征进行分析，筛选出用于分类识别的特征参数；毒蛾翅图像数据库信息提取模块，与主控模块连接，用于通过网络库下载毒蛾属昆虫毒蛾翅图像数据信息并进行对比判断；云服务模块，与主控模块连接，用于通过云服务器集中大数据资源对采集的毒蛾属昆虫毒蛾翅图像数据信息进行分析处理；数据存储模块，与主控模块连接，用于通过存储器存储采集的毒蛾属昆虫毒蛾翅图像数据信息；显示模块，与主控模块连接，用于通过显示器显示采集的毒蛾属昆虫毒蛾翅图像数据信息。本专利技术的另一目的在于提供一种应用所述毒蛾属昆虫的物种鉴别方法的信息数据处理终端。本专利技术的优点及积极效果为：本专利技术通过图像处理模块可自动并精确地辨识毒蛾属昆虫种类，能解决传统分类方法耗费人力、时间以及效率不佳的问题；本专利技术方法简单，易于操作，耗时短。本专利技术提出一种针对离散化采样的误差补偿法，该方法仅需标定一次补偿参数，适用于所有摄像机和算法，可显著提升原有图像处理精度，对于质心法和高斯拟合法，该补偿法可将图像提取精度提高到0.03pixel；采用基于区域清晰度的小波变换图像融合算法，通过比较不同原图像小波变换子图各像素邻域间的清晰度指标，提取不同尺度的细节信息构建全景聚焦图像，以消除传统空域融合方法因采用单一融合尺度而产生的块效应现象。该算法首先对多个原图像采用小波变换进行多尺度分解；然后针对低频子图，以像素邻域内的点锐度和作为融合度量来获得低频融合系数，对于高频子图，根据像素邻域内的拉普拉斯算子之和进行融合，以减少局部噪声对于清晰度运算结果的影响；最后通过小波逆变换获得融合图像，种基于区域清晰度的融合方法要优于其他常用算法；采用k-means算法简单，收敛速度快，可扩展且效率高。本专利技术主控模块调度图像处理模块利用图像处理软件对采集的图像进行检测识别；根据图形最小包容矩形长宽比设置适当域值，进行过滤；根据源图形中各边长与周长比的最小值设置域值，去除目标图形中的奇化部分；对目标图形边数作化简处理，使和源图形具有相同边数；获得图像预处理识别结果；获得图像预处理识别结果；对图像预处理识别结果增强性处理；获取源图形和目标图形特征矩阵中最相似向量的欧式距离和最大相和系数；再重建生物组织衰减系数；重建生物本文档来自技高网...

【技术保护点】
1.一种毒蛾属昆虫的物种鉴别方法，其特征在于，所述毒蛾属昆虫的物种鉴别方法包括：第一步，利用摄像器采集昆虫前后翅的图像数据信息；第二步，利用图像处理软件对采集的图像进行检测识别，提取毒蛾翅图像数学形态特征，主控模块对数学形态特征进行分析，筛选出用于分类识别的特征参数；第三步，利用网络数据库下载毒蛾属昆虫毒蛾翅图像数据信息进行对比判断；并通过云服务模块利用云服务器集中大数据资源对采集的图像信息进行处理；第四步，通过数据存储模块利用存储器存储采集的毒蛾翅图像数据信息；并通过显示模块利用显示器显示采集的毒蛾翅图像数据信息。

【技术特征摘要】
1.一种毒蛾属昆虫的物种鉴别方法，其特征在于，所述毒蛾属昆虫的物种鉴别方法包括：第一步，利用摄像器采集昆虫前后翅的图像数据信息；第二步，利用图像处理软件对采集的图像进行检测识别，提取毒蛾翅图像数学形态特征，主控模块对数学形态特征进行分析，筛选出用于分类识别的特征参数；第三步，利用网络数据库下载毒蛾属昆虫毒蛾翅图像数据信息进行对比判断；并通过云服务模块利用云服务器集中大数据资源对采集的图像信息进行处理；第四步，通过数据存储模块利用存储器存储采集的毒蛾翅图像数据信息；并通过显示模块利用显示器显示采集的毒蛾翅图像数据信息。2.如权利要求1所述的毒蛾属昆虫的物种鉴别方法，其特征在于，提取毒蛾翅图像数学形态特征，对数学形态特征进行分析，筛选出用于分类识别的特征参数，采用BP神经网络分类器，BP神经网络分类器的建立方法，包括以下步骤：步骤一，采用一个隐含层的3层BP神经网络，输入层神经元数5，对应经主成分分析建立的F1、F2、F3、F4和F5变量；步骤二，输出层神经元数为，对应蛾属昆虫种类，将不同的蛾属昆虫进行赋值；步骤三，隐含层神经元数定为变量，根据下面的经验公式计算；式中：In表示输入层神经元个数，On表示输出层神经元个数，a∈[1，10]；步骤四，输入层到隐层采用tansig传递函数；隐层到输出层传递函数为purelin；训练算法采用非线性阻尼最小二乘法优化算法，函数为trainlm；步骤五，训练误差最大循环次数为2000，网络训练结果与训练样本数据比较误差控制在1×10-6以内,认为达到精度要求,学习系数为0.05。3.如权利要求1所述的毒蛾属昆虫的物种鉴别方法，其特征在于，提取毒蛾翅图像数学形态特征采用数学形态法基本算法：对于一个给定的目标图像X和一个...

【专利技术属性】
技术研发人员：李凯兵，袁淑珍，吴志毅，张永宏，张志峰，刘海军，谈珺，
申请(专利权)人：李凯兵，
类型：发明
国别省市：广东,44