The invention relates to an automatic identification method of lepidopteran insects based on CNN. In the preprocessing, the background of the insect specimen image is removed, and the minimum bounding box of the foreground image is calculated, and the effective area of the foreground is cut out. Imagenet pre trained deep learning neural network model is used to extract features. The classification is divided into two situations: when sample size is sufficient, by means of adjusting the network structure, training of deep convolutional neural network (DCNN) parameter classification layer, so as to realize the classification and recognition of end to end; for the sample data set is small, not enough samples to train the DCNN parameters, the invention is suitable for use in small sample set X
【技术实现步骤摘要】
一种基于CNN的鳞翅目昆虫种类自动鉴别方法
本专利技术涉及一种基于CNN的昆虫种类自动鉴别方法,特别是对鳞翅目昆虫的自动鉴定,CNN是近几年来机器学习领域的研究热点,被广泛应用于在视觉对象识别、自然语言处理、语音分类等不同领域并取得了不俗的性能。本专利技术将CNN这种深度学习神经网络技术应用于昆虫图像的自动识别,用该技术设计的软件系统可应用于植物检疫、植物病虫害预测预报及其防治等领域,或可作为重要组成部分用于生态信息学研究的借鉴和参考。该项技术可被海关、植物检疫部门、农林病虫害防治等部门所采用。可为不具备有关专业知识的基层工作人员或农民提供自动鉴别的手段。
技术介绍
昆虫与人类的关系复杂而密切,一些种类给人类的生活和生产造成巨大的危害和损失,一些则给人类带来生态或经济上的重大利益。为了减轻害虫对农作物的影响,合理利用益虫,首先我们必须准确识别出昆虫的种类。然而,由于昆虫种类繁多,进化换代快,要识别昆虫却非易事。目前具备昆虫分类专业知识的昆虫研究者相对于昆虫分类的需求来说存在较大缺口,有些物种甚至在人类能对其命名和描述之前就灭绝了,而这种情况正变得越来越严峻。为解决昆虫分类鉴定需求和分类人员数量不足之间的矛盾,需要找到能辅助或代替人为鉴别昆虫的方法。近几十年来,图像处理与模式识别技术发展较快,因此采用这些技术来实现计算机辅助分类(CAT)便成为可能。使用先进计算机技术进行昆虫自动或辅助种类鉴定,客观性强,可以克服人为鉴定时主观情绪影响所带来的误判。计算机视觉技术的出现和快速发展使得计算机处理和分析图像的能力大大增强,一些计算机科学家和昆虫学家开始尝试使用计算 ...
【技术保护点】
一种基于CNN的鳞翅目昆虫种类自动鉴别方法,其特征在于包括以下步骤:1)图像预处理预处理对采集的昆虫标本图像去除背景,并基于昆虫前景图像计算出昆虫的最小包围盒,由此剪切出前景有效区域。由于CNN模型的输入维度需固定,在CNN特征提取前先对剪切得到的图像进行尺度预处理。2)图像特征提取在图像特征提取时,先使用ImageNet预训练CNN模型(本专利技术选用AlexNet和VGG16两种CNN网络),用训练好的特征提取层来提取具有代表性的特征。3)分类鉴别分类识别时,本专利技术分两种情况分别处理。在样本量较充分时,通过微调Imagenet预训练网络,训练优化深度卷积神经网络(DCNN)后三层的模型参数,来得到端到端的分类结果;对于样本数据集较小的情况,不适合用依赖于大样本学习的深度神经网络分类层的训练及调参。本专利技术选择跳过其分类层,训练适用于小样本的χ
【技术特征摘要】
1.一种基于CNN的鳞翅目昆虫种类自动鉴别方法,其特征在于包括以下步骤:1)图像预处理预处理对采集的昆虫标本图像去除背景,并基于昆虫前景图像计算出昆虫的最小包围盒,由此剪切出前景有效区域。由于CNN模型的输入维度需固定,在CNN特征提取前先对剪切得到的图像进行尺度预处理。2)图像特征提取在图像特征提取时,先使用ImageNet预训练CNN模型(本发明选用AlexNet和VGG16两种CNN网络),用训练好的特征提取层来提取具有代表性的特征。3)分类鉴别分类识别时,本发明分两种情况分别处理。在样本量较充分时,通过微调Imagenet预训练网络,训练优化深度卷积神经网络(DCNN)后三层的模型参数,来得到端到端的分类结果;对于样本数据集较小的情况,不适合用依赖于大样本学习的深度神经网络分类层的训练及调参。本发明选择跳过其分类层,训练适用于小样本的χ2核SVM分类器模型,最后进行分类识别。2.根据权利要求1所述的基于CNN的鳞翅目昆虫种类自动鉴别方法,其特征在于:在所述步骤1)中,使用以下方法之一去除标本图像的背景:用Lazysnapping方法去除标本图像的背景,方法是在需要保留的前景区域内用一种颜色的线条作标记,在需要去除的背景区域内用另一种颜色的线条作标记,LazySnapping算法自动计算出前景和背景之间的分界线,如果分割还不够精确则反复作标记微调,直至分界线符合要求;或用Grabcut工具去除标本图像的背景,方法是设置包含前景区域的最小矩形框,分割完成后将背景区域设置成黑色;或用GrabCut+LazySnapping工具完成背景去除工作,方法是先用GrabCut勾勒出前景区域,然后再用LazySnapping标记未去除的背景和误去除的前景,分割完成后将背景区域设置成黑色。3.根据权利要求1所述的基于CNN的鳞翅目昆虫种类自动鉴别方法,其特征在于:在所述步骤1)的图像预处理中,对去除背景后的图像求昆虫图像的最大包围盒,以这个最大包围盒为中心,截取227×227大小的正方形区域;如果包围盒的长或宽超出224,则缩...
【专利技术属性】
技术研发人员:竺乐庆,马梦园,张真,张苏芳,王勋,王慧燕,刘福,孔祥波,
申请(专利权)人:浙江工商大学,中国林业科学研究院森林生态环境与保护研究所,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。