一种基于深度学习的蚊虫种类识别方法和系统技术方案

本发明专利技术涉及一种基于深度学习的蚊虫种类识别方法和系统，包括：根据蚊虫种类将获得的图像分为若干类，并进行标记；将训练集中图像输入神经网络模型进行训练，经过训练获得最优神经网络模型；将验证集中图像输入最优神经网络模型中，并将最优神经网络模型的输出结果与人工标记的蚊虫种类进行对比，若输出结果的正确率大于阈值则模型验证通过；将测试集中图像输入经过验证的最优神经网络模型中，对其输出的蚊虫种类和其位置进行统计，获得最优神经网络模型的最终正确率；将待测蚊虫图像输入经过测试的最优神经网络模型，获得蚊虫分类结果和其位置。能够解决当前深度学习模型存在识别效果的预测准确率低的问题，实现对蚊虫种类的快速识别。速识别。速识别。

【技术实现步骤摘要】
一种基于深度学习的蚊虫种类识别方法和系统


[0001]本专利技术涉及一种基于深度学习的蚊虫种类识别方法、系统和介质，属于图像识别
，特别涉及存在昆虫等小型生物的图像识别。

技术介绍

[0002]蚊虫隶属昆虫纲双翅目蚊科，其传播的疾病每年在全球造成上亿人感染以及近百万人死亡。因此，蚊虫被称为头号“动物杀手”，是最重要的医学昆虫类群之一。不同蚊虫种类的孳生地、栖性等生物学习性不同，所传播的疾病也有所不同。如按蚊是疟疾的主要传播媒介，库蚊是西尼罗病毒病、流行性乙型脑炎、淋巴丝虫病等疾病的主要传播媒介，伊蚊为登革热、寨卡病毒病、基孔肯雅热等疾病的主要传播媒介。由于目前大多数蚊媒病没有疫苗或特效药，监测控制媒介蚊虫依然是预防和控制蚊媒病流行的根本措施。蚊虫种类识别是进行有效防控的必要前提和基础，只有准确鉴别出蚊虫的种类，了解其孳生特点和行为习性，才能制定出正确的防控策略，采取针对性措施对其进行快速防控。
[0003]蚊虫的种类识别目前主要依托的是形态特征分类。蚊虫形态分类学历经上百年的发展，已形成了完整的技术体系，然而，形态学分类主要通过其外部特征进行鉴定，耗时费力，易受到遗传可变性和表型可塑性等因素的影响。而且分类学家往往需要几年的专业训练才能进行准确分类鉴定。即便是经验丰富的分类学家，在针对外部形态差异细微的蚊虫复合组时，也难以通过外部形态进行鉴定，以尖音库蚊复合组为例，需要解剖雄性外生殖器明确其阳茎侧板中叶形态特征才能对复合组内的亚种进行准确识别。加之雄蚊野外采集困难、标本制作耗时较长，致使传统的形态学分类方法已远远不能满足目前的蚊虫种类识别需求。
[0004]深度学习技术作为机器学习研究方向上的一个新的领域，目的在于用计算机建立出能够进行对人脑学习与分析问题的模拟与实现的神经网络，其功能可以使计算机能够自主学习模型的特征信息，并实现计算机对图像、文字、音频等的分析与学习，使之满足计算机对人脑认识问题的模拟的需要，并且在某些情况下，深度学习的识别精度会远远高于人类识别精度，因此，深度学习技术被大量广泛的应用到人工智能领域中。
[0005]使用深度学习技术对蚊虫种类进行识别，与以往的分类手段相比有很大的优势：(1)识别简便，只需一张清晰的成蚊图片；(2)快速准确，比原有人工识别快数倍以上；(3)全自动化，无需花长时间培养专业分类鉴定人员，可为缺乏相关知识背景的非专业人员提供一个高效自动化的蚊虫种类识别工具。现有技术中输入深度学习网络中的图像通常为自然环境中包括蚊虫的图像，此种图像中并不一定会包含所有种类的蚊虫，且同一自然环境中蚊虫很有可能是同一或相近种类的蚊虫，所有根据此种图像训练出的模型只能用于从昆虫中识别出蚊虫，而不能用于对蚊虫的准确分类。其使用的形态特征库精度不够、专业性不强、算法受到图像库制约等因素，无法作为蚊虫种类识别的专业工具，因此无法在医学昆虫专业领域应用。

技术实现思路

[0006]针对上述问题，本专利技术的目的是提供一种基于深度学习的蚊虫种类识别方法、系统和介质，以解决当前深度学习模型存在识别效果的预测准确率低的问题，实现对蚊虫种类的快速识别。
[0007]为实现上述目的，本专利技术提出了以下技术方案：一种基于深度学习的蚊虫种类识别方法，包括：对不同种类的蚊虫进行拍摄，根据蚊虫种类将获得的图像分为若干类，并进行标记；将经过标记的不同种类图像分为训练集、验证集和测试集，将训练集中图像输入神经网络模型进行训练，经过训练获得最优神经网络模型；将验证集中图像输入最优神经网络模型中，并将最优神经网络模型的输出结果与人工标记的蚊虫种类进行对比，若二者相同则输出结果正确，若输出结果的正确率大于阈值则模型验证通过，否则重新对神经网络模型进行训练；将测试集中图像输入经过验证的最优神经网络模型中，对其输出的蚊虫种类和其位置进行统计，获得最优神经网络模型的最终正确率；将待测蚊虫图像输入经过测试的最优神经网络模型，获得蚊虫分类结果和其位置。
[0008]进一步，蚊虫种类包括：中华按蚊、埃及伊蚊、白蚊伊蚊、凶小库蚊、同属于尖音库蚊复合组的致倦库蚊、骚扰库蚊和淡色库蚊。
[0009]进一步，标记的方法为：将不同种类的图像设置成相同的大小，对不同种类的图像进行分别标记，得到其确定的位置信息与种类信息，并对不同种类的图像进行随机的图片旋转与翻转，增加噪声进行数据增强。
[0010]进一步，神经网络模型依次包括：四个卷积池化模块和四个全连接层，四个全连接层中第三个全连接层和第四个全连接层并联。
[0011]进一步，卷积池化模块依次包括：第一卷积层、第二卷积层和第一池化层。
[0012]进一步，神经网络模型输出蚊虫的种类信息、预测框位置和预测框大小，预测框位置和预测框大小通过下式获得：
[0013]x＝σ(x1)+C
x
[0014]y＝σ(y1)+C
y
[0015]w＝w1·
e
tw
[0016]h＝h1·
e
th
[0017]其中，x为输出的预测框左上角横坐标；y为输出的预测框左上角纵坐标；w为输出的位置预测框宽度；h为输出的位置预测框高度；σ为sigmoid函数，x1和y1分别为预测框的横坐标和纵坐标的偏移值；(C
x
，C
y
)为特征图中网格单元的左上角坐标；tw和th分别为输出的预测框横坐标和纵坐标的尺度缩放信息；w1为预测的位置框宽度；h1为预测的位置框高度。
[0018]进一步，输出结果的正确率通过预测框与人工标记的真实框的交并比IOU表征，其公式为：
[0019][0020]其中，AO为预测框与真实框的交集；AU为预测框与真实框的并集。
[0021]进一步，模型验证通过的标准为：将最优卷积神经网络输出的位置信息与人工标记的蚊虫位置信息进行比较，若二者相同则输出结果正确，如果正确率高于第一阈值则认为此位置信息为有效位置信息；统计最优卷积神经网络中验证集中蚊虫种类信息的平均概
率和蚊虫对应的位置信息，将其与人工标记的结果进行比较，若正确率高于第二阈值则认为模型验证通过
[0022]本专利技术还公开了一种基于深度学习的蚊虫种类识别系统，包括：图像获得模块，用于对不同类型的蚊虫进行拍摄，根据蚊虫种类将获得的图像分为若干类，并进行标记；模型训练模块，用于将经过标记的不同种类图像分为训练集、验证集和测试集，将训练集中图像输入神经网络模型进行训练，经过训练获得最优神经网络模型；模型验证模块，用于将验证集中图像输入最优神经网络模型中，并将最优神经网络模型的输出结果与人工标记的蚊虫种类进行对比，若二者相同则输出结果正确，若输出结果的正确率大于阈值则模型验证通过，否则重新对神经网络模型进行训练；模型测试模块，用于将测试集中图像输入经过验证的最优神经网络模型中，对其输出的蚊虫种类和其位置进行统计，获得最优神经网络模型的最终正确率；模型输出模块，用于将待测蚊虫图像输入经过测试的最优神经网络模型，获得蚊虫分类结果和其位置。
[002本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的蚊虫种类识别方法，其特征在于，包括：根据蚊虫种类将获得的图像分为若干类，并进行标记；将经过标记的不同种类图像分为训练集、验证集和测试集，将所述训练集中图像输入神经网络模型进行训练，经过训练获得最优神经网络模型；将所述验证集中图像输入所述最优神经网络模型中，并将所述最优神经网络模型的输出结果与人工标记的蚊虫种类进行对比，若二者相同则输出结果正确，若所述输出结果的正确率大于阈值则模型验证通过，否则重新对神经网络模型进行训练；将所述测试集中图像输入经过验证的最优神经网络模型中，对其输出的蚊虫种类和其位置进行统计，获得最优神经网络模型的最终正确率；将待测蚊虫图像输入经过测试的最优神经网络模型，获得最终的蚊虫分类结果和其位置。2.如权利要求1所述的基于深度学习的蚊虫种类识别方法，其特征在于，所述蚊虫种类包括：中华按蚊、埃及伊蚊、白蚊伊蚊、凶小库蚊、致倦库蚊、骚扰库蚊和淡色库蚊。3.如权利要求2所述的基于深度学习的蚊虫种类识别方法，其特征在于，所述标记的方法为：将不同种类的图像设置成相同的大小，对不同种类的图像进行分别标记，得到图像中蚊虫的确定位置信息与种类信息，并对不同种类的图像进行随机的图片旋转与翻转，增加噪声进行数据增强。4.如权利要求1
‑
3任一项所述的基于深度学习的蚊虫种类识别方法，其特征在于，所述神经网络模型依次包括：四个卷积池化模块和四个全连接层，所述四个全连接层中第三个全连接层和第四个全连接层并联。5.如权利要求4所述的基于深度学习的蚊虫种类识别方法，其特征在于，所述卷积池化模块依次包括：第一卷积层、第二卷积层和第一池化层。6.如权利要求4所述的基于深度学习的蚊虫种类识别方法，其特征在于，所述神经网络模型输出蚊虫的种类信息、预测框位置和预测框大小，所述预测框位置和预测框大小通过下式获得：x＝σ(x1)+C
x
y＝σ(y1)+C
y
w＝w1·
e
tw
h＝h1·
e
th
其中，x为输出的预测框左上角横坐标；y为输出的预测框左上角纵坐标；w为输出的位置预测...

【专利技术属性】
技术研发人员：李春晓，陈国华，赵腾，赵德众，王新凯，邢丹，吴明宇，
申请(专利权)人：中国人民解放军军事科学院军事医学研究院，
类型：发明
国别省市：