【技术实现步骤摘要】
本申请涉及蚊虫识别，更具体地说，本申请涉及一种基于卷积神经网络的蚊虫识别方法及识别系统。
技术介绍
1、蚊虫识别是基于先进的计算机视觉和机器学习方法，通过高清摄像设备捕获蚊虫图像后，利用图像处理技术提高图像质量，并采用特征提取算法如卷积神经网络（cnn）等，从图像中提取关键特征，以有效识别和分类不同类型的蚊虫。
2、基于卷积神经网络的蚊虫识别则是利用深度学习技术，通过训练模型来自动识别和分类蚊虫，卷积神经网络通过多层卷积层和池化层，能够有效地提取蚊虫图像中的特征，如身体结构、纹理和颜色，训练过程依赖于大量的标注数据集，模型通过学习这些数据中的模式和特征，从而能够辨别不同种类的蚊虫，然而，在现有技术中，在小型蚊虫的识别过程中会产生运动模糊现象，其中，运动模糊现象是指由于小型蚊虫的快速移动导致的常规摄像设备拍摄的图像呈现模糊不清的现象，运动模糊现象直接影响小型蚊虫在形态、颜色和纹理等关键特征方面的提取精度，造成蚊虫的细小结构和特征难以被准确识别，从而导致不能准确分类小型蚊虫，因此，如何减小运动模糊现象对蚊虫关键特征提取的影响，从而提高蚊虫分类识别的准确性。
技术实现思路
1、本申请提供一种基于卷积神经网络的蚊虫识别方法及识别系统，可减小运动模糊现象对蚊虫关键特征提取的影响，从而提高蚊虫分类识别的准确性。
2、第一方面，本申请提供一种基于卷积神经网络的蚊虫识别方法，包括如下步骤：
3、采集目标环境中各类蚊虫的红外辐射图像，进而得到多张红外辐射图像；p>
4、基于预训练的卷积神经网络对所有红外辐射图像中的蚊虫特征进行细节增强，得到多张红外辐射增强图，进而确定每张红外辐射增强图在扩张卷积过程中的扩张残差；
5、从所有的扩张残差中提取出蚊虫识别过程中各类蚊虫的级联残差，通过所有的级联残差对各张红外辐射增强图进行级联分类，得到多个红外级联图像簇，进而根据各个红外级联图像簇之间的类间差异性确定蚊虫识别过程中各类蚊虫的特征描述子；
6、获取目标环境下的环境温度数据，通过所述环境温度数据中的温度梯度特征确定环境温度与各个红外级联图像簇的模糊关系，根据所有的模糊关系和所有的扩张残差确定级联分类过程中环境温度变化对蚊虫识别的分类干扰量；
7、由所述分类干扰量和所有的特征描述子确定各类蚊虫的分类置信值，根据所有的分类置信值对目标环境中蚊虫的类型进行分类识别，得到蚊虫的识别结果。
8、在一些实施例中，基于预训练的卷积神经网络对所有红外辐射图像中的蚊虫特征进行细节增强，得到多张红外辐射增强图具体包括：
9、加载预训练的卷积神经网络；
10、通过所述卷积神经网络从所有的红外辐射图像中提取出蚊虫的细节纹理信息；
11、根据所述细节纹理信息对每张红外辐射图像中的蚊虫特征进行增强，得到多张红外辐射增强图。
12、在一些实施例中，从所有的扩张残差中提取出蚊虫识别过程中各类蚊虫的级联残差具体包括：
13、获取所有的红外辐射扩张图像；
14、通过所有的扩张残差对所有的红外辐射扩张图像进行级联处理，得到蚊虫识别过程中红外辐射扩张图像的级联特征序列；
15、根据所述级联特征序列确定蚊虫识别过程中各类蚊虫的级联残差。
16、在一些实施例中，通过所有的级联残差对各张红外辐射增强图进行级联分类，得到多个红外级联图像簇具体包括：
17、根据所有的级联残差确定初始分类中心；
18、通过所述初始分类中心和所有的级联残差确定每张红外辐射增强图的级联隶属度；
19、根据所有的级联隶属度对各张红外辐射增强图进行分类，得到多个红外级联图像簇。
20、在一些实施例中，根据各个红外级联图像簇之间的类间差异性确定蚊虫识别过程中各类蚊虫的特征描述子具体包括：
21、确定各个红外级联图像簇之间的类间差异性；
22、根据所有的类间差异性确定各个红外级联图像簇的差异特征；
23、通过各个红外级联图像簇的差异特征确定在蚊虫识别过程中各类蚊虫的特征描述子。
24、在一些实施例中，通过所述环境温度数据中的温度梯度特征确定环境温度与各个红外级联图像簇的模糊关系具体包括：
25、选取一个红外级联图像簇作为选定红外级联图像簇；
26、通过所述环境温度数据中的温度梯度特征从所述选定红外级联图像簇中提取出温变效应图和温变稳定图；
27、根据所述温变效应图和所述温变稳定图确定环境温度与所述选定红外级联图像簇的模糊关系；
28、继续确定环境温度与剩余红外级联图像簇的模糊关系。
29、在一些实施例中，根据所有的模糊关系和所有的扩张残差确定级联分类过程中环境温度变化对蚊虫识别的分类干扰量具体包括：
30、对所有的扩张残差进行线性拟合，得到扩张残差拟合曲线；
31、根据所有的模糊关系确定蚊虫识别过程中的温变影响因子；
32、通过所述扩张残差拟合曲线和所述温变影响因子确定级联分类过程中环境温度变化对蚊虫识别的分类干扰量。
33、第二方面，本申请提供一种基于卷积神经网络的蚊虫识别系统，包括：
34、获取模块，用于采集目标环境中各类蚊虫的红外辐射图像，进而得到多张红外辐射图像；
35、处理模块，用于基于预训练的卷积神经网络对所有红外辐射图像中的蚊虫特征进行细节增强，得到多张红外辐射增强图，进而确定每张红外辐射增强图在扩张卷积过程中的扩张残差；
36、所述处理模块，还用于从所有的扩张残差中提取出蚊虫识别过程中各类蚊虫的级联残差，通过所有的级联残差对各张红外辐射增强图进行级联分类，得到多个红外级联图像簇，进而根据各个红外级联图像簇之间的类间差异性确定蚊虫识别过程中各类蚊虫的特征描述子；
37、所述处理模块，还用于获取目标环境下的环境温度数据，通过所述环境温度数据中的温度梯度特征确定环境温度与各个红外级联图像簇的模糊关系，根据所有的模糊关系和所有的扩张残差确定级联分类过程中环境温度变化对蚊虫识别的分类干扰量；
38、执行模块，用于由所述分类干扰量和所有的特征描述子确定各类蚊虫的分类置信值，根据所有的分类置信值对目标环境中蚊虫的类型进行分类识别，得到蚊虫的识别结果。
39、第三方面，本申请提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有代码，所述处理器被配置为获取所述代码，并执行上述的基于卷积神经网络的蚊虫识别方法。
40、第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于卷积神经网络的蚊虫识别方法。
41、本申请公开的实施例提供的技术方案具有以下有益效果：
42、本申请提供的基于卷积神经网络的蚊虫识别方法及识别系统中，首先，采集目标环境中各本文档来自技高网...
【技术保护点】
1.一种基于卷积神经网络的蚊虫识别方法，其特征在于，包括如下步骤：
2.如权利要求1所述的方法，其特征在于，基于预训练的卷积神经网络对所有红外辐射图像中的蚊虫特征进行细节增强，得到多张红外辐射增强图具体包括：
3.如权利要求1所述的方法，其特征在于，从所有的扩张残差中提取出蚊虫识别过程中各类蚊虫的级联残差具体包括：
4.如权利要求1所述的方法，其特征在于，通过所有的级联残差对各张红外辐射增强图进行级联分类，得到多个红外级联图像簇具体包括：
5.如权利要求1所述的方法，其特征在于，根据各个红外级联图像簇之间的类间差异性确定蚊虫识别过程中各类蚊虫的特征描述子具体包括：
6.如权利要求1所述的方法，其特征在于，通过所述环境温度数据中的温度梯度特征确定环境温度与各个红外级联图像簇的模糊关系具体包括：
7.如权利要求1所述的方法，其特征在于，根据所有的模糊关系和所有的扩张残差确定级联分类过程中环境温度变化对蚊虫识别的分类干扰量具体包括：
8.一种基于卷积神经网络的蚊虫识别系统，其特征在于，包括：
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。