CN107292314A - 一种基于cnn的鳞翅目昆虫种类自动鉴别方法 - Google Patents
一种基于cnn的鳞翅目昆虫种类自动鉴别方法 Download PDFInfo
- Publication number
- CN107292314A CN107292314A CN201610195201.0A CN201610195201A CN107292314A CN 107292314 A CN107292314 A CN 107292314A CN 201610195201 A CN201610195201 A CN 201610195201A CN 107292314 A CN107292314 A CN 107292314A
- Authority
- CN
- China
- Prior art keywords
- image
- insect
- training
- cnn
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于CNN的鳞翅目昆虫种类自动鉴别方法。本发明在预处理中对采集的昆虫标本图像去除背景,在此基础上计算出前景图像的最小包围盒,并由此裁剪出前景有效区域。使用Imagenet预训练深度学习神经网络模型来提取特征。分类识别分两种情况:在样本量较充分时,通过微调网络结构,训练深度卷积神经网络(DCNN)分类层的参数,从而实现端到端的分类识别;对于样本数据集较小的情况,没有足够样本来训练DCNN参数,本发明选择使用适用于小样本集的χ2核SVM分类器实现分类识别。该鳞翅目昆虫图像识别方法具有操作简便、识别精度高、容错性强,并有理想的时间性能,可以显著提高鳞翅目昆虫种类鉴定的效率。
Description
技术领域
本发明涉及一种基于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。本发明将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。
背景技术
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机图像处理、模式识别等技术实现昆虫种类的自动鉴定。英国政府于1996年发起DAISY(Digital Automated IdentificationSYstem)研究工程,在全世界范围内掀起了有关昆虫自动识别研究的热潮。DAISY项目后受达尔文项目资助,其功能被不断完善和扩展,甚至被用于鉴定活体蛾类。美国新墨西哥州立大学的Jeffrey Drake博士也致力于使用高级数字图像分析和理解技术来开发从大范围的样本中快速鉴别出昆虫种类的软件系统,其研究受美国动植物卫生服务局和美国国家航空航天局资助。美国俄勒岗州立大学的植物生理学与植物学系的Andrew Moldenke等人开发了一套称为BugWing的基于网络的计算机辅助昆虫鉴别工具,利用昆虫的翅脉特征对具有透明翅的昆虫实现半自动的识别。2001年Steinhage等开发出的ABIS(The Automated BeeIndentification System)利用前翅的几何特征和外观特征鉴别蜜蜂,该系统需要手动定位昆虫的位置以及对前翅的先验专家知识。Al-Saqer等用归一化交叉相关、Fourier描述子、Zernike矩、串匹配和区域属性等五种方法相结合的处理方式实现了核桃象鼻虫的识别。美国华盛顿大学的Larios等近几年来一直致力于对石蝇幼虫种类的图像识别研究,提出了局部外观特征直方图串接,Haar随机森林提取特征、层叠判据树、层叠空域金字塔核等特征提取或分类方法,通过鉴定石蝇的种类和数量来监测河流等水环境的生态与健康情况。新西兰怀卡托大学的Mayo和Watson则使用ImageJ图像处理工具包与机器学习工具包WEKA对活蛾的种类识别进行了研究,使用WEKA中的SVM分类器进行10折交叉验证在含35种活蛾的数据集中取得平均85%的识别率。
在国内,有代表性的昆虫图像自动识别研究小组为中国农业大学的IPMIST(植保生态智能技术系统)实验室,该实验室的成员先后对昆虫数学形态学、昆虫图像数字技术、昆虫数字图像分割技术、昆虫图像几何形状特征的提取技术、以及基于图像的昆虫远程自动识别系统等方面展开了研究,提出了基于颜色特征的昆虫自动鉴定、基于数学形态学的昆虫自动分类等多种方法。
卷积神经网络(CNN)是一种用可训练的滤波器组与局部邻域池化操作交替使用于原始输入图像上并得到渐次复杂的层次化图像特征的一种深度学习模型。辅以适当的正则化手段,CNNs可以在不依赖于任何手工提取特征的情况下在视觉对象识别任务中取得非常理想的性能。迄今为至,CNN已被应用于手写数字识别,图像识别,图像分割、图像深度估计等诸多领域,相对于已有的模式识别和图像处理方法,性能上取得了相当大的提升。昆虫作为一种特殊的视觉对象,用CNN实现其种类的识别也必然是一种顺利成章的选择。
发明内容
本发明的目的在于提供一种自动识别鳞翅目昆虫图像的方法。它主要解决由昆虫图像样本通过计算机模式识别技术实现鳞翅目昆虫种类自动识别问题。能以较高性能有效识别出有显著特征的昆虫种类。昆虫标本无须使用化学方法去除翅面的鳞片和色斑,避免已有的基于翅脉特征的方法所带来的复杂处理过程。并解决基于图像形状特征的昆虫识别方法对残缺样本、图像尺度变化产生的精度性能下降。
本发明采用的技术方案为:
权利要求
本发明的优点在于:本发明中的基于CNN的鳞翅目昆虫图像自动识别方法,不需要对昆虫图像用化学试剂去除表面鳞片和色斑,图像采集方法简便易操作,使用的方法更鲁棒,不仅对昆虫标本的部分破损有较好的容错能力,且在样本图像充分的前提下,同一网络中可同时对半翅、全翅及活体图像进行处理并识别。在预处理过程中,通过对采集的昆虫标本图像去除背景,及计算出前景图像的最小包围盒等操作,剪切出前景有效区域。特征提取时利用ImageNet数据集预训练得到的CNN模型来提取特征向量,提取到的特征不但具有尺度不变性及代表性,而且更加全面丰富。分类识别时,本发明划分两种情况:在样本量较充分时,微调预训练网络,训练优化深度卷积神经网络(DCNN)的全连接层或分类层的模型参数,来得到端到端的分类结果。当样本数据集较小时,不适用于依赖大样本的深度神经网络分类层的训练及调参,本发明跳过分类层,改用适用于小样本集的χ2核SVM分类器,以取得最佳的识别性能。
附图说明
图1标本图像的原图;
图2从图1中去除背景后的标本图像;
图3前景图像最小包围盒;
图4 AlexNet CNN网络结构示意图;
具体实施方式
本发明包括以下步骤:
1)图像预处理:去除鳞翅目标本彩色图像的背景,对去除背景后的图像进行灰度化、高斯滤波后进行二值化,在该二值图像中找到最大轮廓,获得昆虫图像的前景蒙板。对前景轮廓求取最小包围盒,然后基于最小包围盒并剪切出原彩色图像的对应区域作为研究对象。但由于CNN模型的输入维度需固定,为防止图像变形,本发明以最小包围盒为依据对原彩色图进行相应尺度的剪切。ImageNet输入到CNN的图像大小为227×227,为了保证迁移学习获得的参数的有效性,我们输入到CNN的昆虫图像也预处理成同样大小。当最小包围盒的两边都小于227时,以包围盒为中心以尺度227×227剪切原图像相应区域。当最小包围盒有一边大于227时,先将图像等比例缩小到227×227内,再以此为中心,以所需尺度剪切原图像相应区域,得到目标图像。
2)基于深度卷积神经网络的图像特征提取:
得到相同大小的目标昆虫图像后,使用ImageNet预训练得到的CNN模型中训化好的特征提取层来提取昆虫的特征。
3)分类鉴别:分类识别时,本发明划分两种情况。在样本量较充分时,微调预训练网络,对昆虫图像进行端到端的训练和分类。训练阶段调整深度卷积神经网络(DCNN)的后三层的模型参数,预测阶段则直接由输入图像输出分类结果。当样本数据集较小时,不适用于依赖于大样本学习的深度神经网络分类层的训练及调参。本发明跳过分类层,改用适用于小样本集的χ2核SVM分类器。将深度卷积神经网络提取到的特征作为输入,每个特征矢量对应的目标标签作为输出,为每一类昆虫训练χ2核SVM,以显式的χ2核近似变换公式首先将特征向量映射到更高维空间,以高维特征向量训练线性SVM,以实现分类识别。基于χ2核分类器模型,可实现对不同目标图像进行标注和分类。
下面结合附图详细说明。
1)图像预处理
使用数码相机拍摄鳞翅目标本,得到鳞翅目标本的原始彩色图像,用Lazysnapping方法去除背景,设置背景颜色为单色(图2中显示为白色,实际通常将背景设置为黑色),前景保持原图信息。原始图像与去除背景后的图像见图1、图2。
对前景图像求取最小包围盒,然后基于最小包围盒剪切出原彩色图像的对应的区域作为研究对象,最小包围盒的示意图见图3。检查此最小包围盒的长和宽,如出现长宽超出224像素的情况,则等比例缩小图像直至包围盒的最长边为224,如包围盒的长宽均小于224则不作处理。最后以此最小包围盒为中心,裁剪227×227大小的正方形区域作为预处理的结果。
2)基于深度卷积神经网络的图像特征提取
得到相同尺度的目标昆虫图像后,使用ImageNet预训练得到的CNN模型的卷积层和前两层全连接层来提取昆虫图像的特征。基于AlexNet的CNN实现端到端识别的网络结构见图4。
3)分类鉴别
①如图4,在样本数据充分的情况下,首先将ImageNet预训练得到的CNN模型中,卷积层的参数固定,微调后三层全连接层的参数(也可固定前两层全连接层,只微调最后一层参数,具体依训练样本的数量而定)。训练深度卷积神经网络(DCNN)的后三层(或后一层)的模型参数。最终将测试样本输入训练得到的卷积神经网络,直接得到端到端的分类结果。
②当样本数据集较小时,将深度卷积神经网络第二个全连接层的输出作为提取到的特征每个样本对应的类别标签作为输出,通过训练χ2核SVM分类器构建得到目标的分类器模型进行分类识别。
本发明使用χ2核函数对上述特征映射到更高维空间,映射至线性可分的更高维特征空间,以高维特征向量训练线性SVM,以实现分类识别。
本发明选用同质非线性加性核,χ2核函数形式为:
为了使用线性核的高效学习方法来解决非线性核问题。我们利用了Vedaldi和Zisserman提出的特征映射的显式解析公式:
此处实数λ相当于特征向量ψ(x)的索引,κ(λ)为签名K(ω)的傅立叶逆变换:
其中
K(ω)=sech(ω/2) (4)
此处映射得到的特征向量为无限维度,有限维度的向量可以通过有限数量的采样点近似得到。有限维的特征映射可以对式(2)在点λ=-nL,(-n+1)L,...,nL处采样得到ψ(x)的近似。通过充分利用ψ(x)的对称性,将实部赋于奇单元,虚部赋于偶单元,则向量可定义为:
其中j=0,1,...,2n。这样,根据给定的核函数,可由上式简单高效地产生特征映射的封闭形式,在本发明中,取n=1,则原特征向量中每个数据点被映射成3个采样点,特征维度被放大为原来的3倍。
用映射得到的训练集特征向量训练L2-正规化L1损失带正偏移的线性SVM分类器。即对如下公式
y=ωiX+bi (6)
对每一类训练样本集{xi,yi}(i=1,...,n),根据训练集数据计算出最优的ωi和bi,其中对每一个i,Xi是特征向量,yi是类标签,+1表示正例,-1表示反例(训练时把本类的设置为正样本,其他类设为负样本),n类样本将训练出n组{ωi,bi},形成n个线性SVM分类器。对于本文的多类分类问题,给定一个未知类别的测试样本X’,用如下方式确定类标签:
l即为识别得到测试样本所属类的编号。
下面再结合具体实现方法的实例,对本发明的昆虫图像的自动鉴别做进一步的详细说明:
实例1
1.使用“光影魔术手”附带的抠图功能模块或GrabCut+Lazy Snapping工具,完成从图1到图2的背景去除工作,并把背景设置成黑色。
2.从去除背景后的昆虫图像求取昆虫图像的最大包围盒。
3.检查最大包围盒的最长边,如果〉224,则进行等比例缩小,使最长边≤224。
4.以最大包围盒为中心,剪切出227×227大小的图像作为预处理的结果。
5.将所有训练样本都作上述预处理后,输入到由ImageNet预训练的AlexNet网络(如图4),把第7层的结果(长度为4096的向量)作为特征向量。
6.用训练样本集提取的特征向量训练χ2核SVM分类器,每一类昆虫对应一个SVM模型;
7.将需要识别的昆虫样本也按1~5的步骤处理提取特征向量;并将该向量逐一输入到SVM中,并将该昆虫归入输出结果最大的那一类;如果所有SVM的识别结果均为负值,则认为该样本昆虫是一种新类别。
实例2
1.使用“光影魔术手”附带的抠图功能模块或GrabCut+Lazy Snapping工具,完成从图1到图2的背景去除工作,并把背景设置成黑色。
2.从去除背景后的昆虫图像求取昆虫图像的最大包围盒。
3.检查最大包围盒的最长边,如果〉224,则进行等比例缩小,使最长边≤224。
4.以最大包围盒为中心,剪切出227×227大小的图像作为预处理的结果。
5.将所有训练样本都作上述预处理后,输入到由ImageNet预训练的VGG16网络,把第2个全连接层的结果(长度为4096的向量)作为特征向量。
6.用训练样本集提取的特征向量训练χ2核SVM分类器,每一类昆虫对应一个SVM模型;
7.将需要识别的昆虫样本也按1~5的步骤处理提取特征向量;并将该向量逐一输入到SVM中,并将该昆虫归入输出结果最大的那一类;如果所有SVM的识别结果均为负值,则认为该样本昆虫是一种新类别。
实例3
1.使用“光影魔术手”附带的抠图功能模块或GrabCut+Lazy Snapping工具,完成从图1到图2的背景去除工作,并把背景设置成黑色。
2.从去除背景后的昆虫图像求取昆虫图像的最大包围盒。
3.检查最大包围盒的最长边,如果〉224,则进行等比例缩小,使最长边≤224。
4.以最大包围盒为中心,剪切出227×227大小的图像作为预处理的结果。
5.将所有训练样本都作上述预处理后,输入到由ImageNet预训练的AlexNet网络(如图4),对AlexNet网络进行端到端的训练,由于是对CNN网络参数进行微调,使之适合于昆虫识别,所以把前7层,包括5个卷积层和2个全连接层的学习率设置成比较小的值,如1,使它们的网络参数变化较小,而改变最后一层全连接层的名称,并设置学习率为较大的值,如10,因为这一层的参数从随机值开始训练,最后一层全连接层的输出大小取决于所要识别的昆虫的总的类别数。
6.识别时,将需要识别的昆虫样本也按1~4的步骤进行预处理,并输入AlexNet网络,根据网络的输出结果确定昆虫类别。
实例4
1.使用“光影魔术手”附带的抠图功能模块或GrabCut+Lazy Snapping工具,完成从图1到图2的背景去除工作,并把背景设置成黑色。
2.从去除背景后的昆虫图像求取昆虫图像的最大包围盒。
3.检查最大包围盒的最长边,如果〉224,则进行等比例缩小,使最长边≤224。
4.以最大包围盒为中心,剪切出227×227大小的图像作为预处理的结果。
5.将所有训练样本都作上述预处理后,输入到由ImageNet预训练的VGG16网络,对VGG16网络进行端到端的训练,由于是对CNN网络参数进行微调,使之适合于昆虫识别,所以把前15层,包括13个卷积层和2个全连接层的学习率设置成比较小的值,如1,使它们的网络参数变化较小,而改变最后一层全连接层的名称,并设置学习率为较大的值,如10,因为这一层的参数从随机值开始训练,最后一层全连接层的输出大小取决于所要识别的昆虫的总的类别数。
6.识别时,将需要识别的昆虫样本也按1~4的步骤进行预处理,并输入VGG16网络,根据网络的输出结果确定昆虫类别。
Claims (9)
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Lazy snapping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,Lazy Snapping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+Lazy Snapping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Lazy Snapping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,则缩小图像直至包围盒最长边≤224,然后再以此为中心裁剪227×227大小的正方形区域。
4.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:
在上述步骤2)及3)中,基于深度卷积神经网络的昆虫图像特征提取,使用现阶段效果较好的深度卷积神经网络模型(AlexNet或VGG16)预训练好的特征提取层来提取更具有代表性的特征。在样本量较充分时,则微调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。
5.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:
在上述步骤3)中,当样本数据集较小,不适用于依赖大样本学习的深度神经网络分类层的训练及调参,本发明去掉最后一层全连接层,改用适用于小样本集的χ2核SVM分类器。
6.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3)中,当样本数据集较小,为每一类昆虫训练χ2核SVM,以显式的χ2核近似变换公式首先将特征向量映射到更高维空间,以高维特征向量训练线性SVM,以实现分类识别。
7.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3)中,用本类昆虫的若干个标本作为正例,其他类昆虫的若干个标本作为负例,按步骤2)的方法提取每一类昆虫的特征向量,构成分类模型的训练集。
8.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3)中,所述训练χ2分类器模型的方法是,每一类昆虫用数量相当的正例和反例特征向量训练支持向量机分类器模型,每一类昆虫对应一个χ2分类器模型。
9.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3)中,所述分类识别的方法是,将未知类别的昆虫标本图像按步骤1)和2)进行预处理和特征提取后,以显式的χ2核近似变换公式首先将特征向量映射到更高维空间,输入各类线性SVM,如果某类输出值在所有模型中最大,则接受为本类昆虫,如果所有输出值均为负,则判断为新类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610195201.0A CN107292314A (zh) | 2016-03-30 | 2016-03-30 | 一种基于cnn的鳞翅目昆虫种类自动鉴别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610195201.0A CN107292314A (zh) | 2016-03-30 | 2016-03-30 | 一种基于cnn的鳞翅目昆虫种类自动鉴别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107292314A true CN107292314A (zh) | 2017-10-24 |
Family
ID=60086769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610195201.0A Withdrawn CN107292314A (zh) | 2016-03-30 | 2016-03-30 | 一种基于cnn的鳞翅目昆虫种类自动鉴别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107292314A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729534A (zh) * | 2017-10-30 | 2018-02-23 | 中原工学院 | 基于大数据云服务器的昆虫种类识别系统及方法 |
CN108304859A (zh) * | 2017-12-29 | 2018-07-20 | 达闼科技(北京)有限公司 | 图像识别方法及云端系统 |
CN108647718A (zh) * | 2018-05-10 | 2018-10-12 | 江苏大学 | 一种不同材料金相组织自动分类评级的方法 |
CN109145770A (zh) * | 2018-08-01 | 2019-01-04 | 中国科学院合肥物质科学研究院 | 一种基于多尺度特征融合网络与定位模型相结合的麦蜘蛛自动计数方法 |
CN109784239A (zh) * | 2018-12-29 | 2019-05-21 | 上海媒智科技有限公司 | 飞虫数量识别方法和装置 |
CN110245714A (zh) * | 2019-06-20 | 2019-09-17 | 厦门美图之家科技有限公司 | 图像识别方法、装置及电子设备 |
CN111986149A (zh) * | 2020-07-16 | 2020-11-24 | 江西斯源科技有限公司 | 一种基于卷积神经网络的植物病虫害检测方法 |
EP3798901A1 (en) * | 2019-09-30 | 2021-03-31 | Basf Se | Quantifying plant infestation by estimating the number of insects on leaves, by convolutional neural networks that use training images obtained by a semi-supervised approach |
CN113096080A (zh) * | 2021-03-30 | 2021-07-09 | 四川大学华西第二医院 | 图像分析方法及系统 |
CN113255681A (zh) * | 2021-05-31 | 2021-08-13 | 东华理工大学南昌校区 | 一种生物数据性状识别系统 |
US20210312603A1 (en) * | 2018-03-25 | 2021-10-07 | Matthew Henry Ranson | Automated arthropod detection system |
CN113906482A (zh) * | 2019-06-03 | 2022-01-07 | 拜耳公司 | 用于在具有腔体的测试板中测定活性物质对螨类、昆虫和其他生物的作用的系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050147292A1 (en) * | 2000-03-27 | 2005-07-07 | Microsoft Corporation | Pose-invariant face recognition system and process |
CN101008980A (zh) * | 2007-02-01 | 2007-08-01 | 沈佐锐 | 蝴蝶自动鉴定的方法及系统 |
CN101976564A (zh) * | 2010-10-15 | 2011-02-16 | 中国林业科学研究院森林生态环境与保护研究所 | 昆虫声音识别方法 |
CN101996389A (zh) * | 2009-08-24 | 2011-03-30 | 株式会社尼康 | 图像处理装置、成像装置、以及图像处理方法 |
CN102760228A (zh) * | 2011-04-27 | 2012-10-31 | 中国林业科学研究院森林生态环境与保护研究所 | 基于标本图像的鳞翅目昆虫种类自动鉴别方法 |
CN103246872A (zh) * | 2013-04-28 | 2013-08-14 | 北京农业智能装备技术研究中心 | 一种基于计算机视觉技术的广谱虫情自动测报方法 |
CN103279760A (zh) * | 2013-04-09 | 2013-09-04 | 杭州富光科技有限公司 | 一种植物检疫幼虫实时分类方法 |
CN104573734A (zh) * | 2015-01-06 | 2015-04-29 | 江西农业大学 | 水稻害虫智能识别与分类系统 |
-
2016
- 2016-03-30 CN CN201610195201.0A patent/CN107292314A/zh not_active Withdrawn
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050147292A1 (en) * | 2000-03-27 | 2005-07-07 | Microsoft Corporation | Pose-invariant face recognition system and process |
CN101008980A (zh) * | 2007-02-01 | 2007-08-01 | 沈佐锐 | 蝴蝶自动鉴定的方法及系统 |
CN101996389A (zh) * | 2009-08-24 | 2011-03-30 | 株式会社尼康 | 图像处理装置、成像装置、以及图像处理方法 |
CN101976564A (zh) * | 2010-10-15 | 2011-02-16 | 中国林业科学研究院森林生态环境与保护研究所 | 昆虫声音识别方法 |
CN102760228A (zh) * | 2011-04-27 | 2012-10-31 | 中国林业科学研究院森林生态环境与保护研究所 | 基于标本图像的鳞翅目昆虫种类自动鉴别方法 |
CN103279760A (zh) * | 2013-04-09 | 2013-09-04 | 杭州富光科技有限公司 | 一种植物检疫幼虫实时分类方法 |
CN103246872A (zh) * | 2013-04-28 | 2013-08-14 | 北京农业智能装备技术研究中心 | 一种基于计算机视觉技术的广谱虫情自动测报方法 |
CN104573734A (zh) * | 2015-01-06 | 2015-04-29 | 江西农业大学 | 水稻害虫智能识别与分类系统 |
Non-Patent Citations (6)
Title |
---|
ALEX KRIZHEVSKY ET AL.: "ImageNet Classification with Deep Convolutional Neural Networks", 《ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS》 * |
ANDREA VEDALDI ET AL.: "Efficient Additive Kernels via Explicit Feature Maps", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
JIA DENG ET AL.: "ImageNet:A Large-Scale Hierarchical Image Database", 《IEEE COMPUTER SOCIETY CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
K.&A. ET AL.: "Very Deep Convolutional Networks for Large-Scale Image Recognition", 《INTERNATIONAL CONFERENCE ON LEARNING REPRESENTATIONS》 * |
竺乐庆等: "基于稀疏编码和SCGBPNN的鳞翅目昆虫图像识别", 《昆虫学报》 * |
竺乐庆等: "基于颜色名和OpponentSIFT特征的鳞翅目昆虫图像识别方法", 《昆虫学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729534A (zh) * | 2017-10-30 | 2018-02-23 | 中原工学院 | 基于大数据云服务器的昆虫种类识别系统及方法 |
CN108304859A (zh) * | 2017-12-29 | 2018-07-20 | 达闼科技(北京)有限公司 | 图像识别方法及云端系统 |
US20210312603A1 (en) * | 2018-03-25 | 2021-10-07 | Matthew Henry Ranson | Automated arthropod detection system |
CN108647718A (zh) * | 2018-05-10 | 2018-10-12 | 江苏大学 | 一种不同材料金相组织自动分类评级的方法 |
CN109145770A (zh) * | 2018-08-01 | 2019-01-04 | 中国科学院合肥物质科学研究院 | 一种基于多尺度特征融合网络与定位模型相结合的麦蜘蛛自动计数方法 |
CN109145770B (zh) * | 2018-08-01 | 2022-07-15 | 中国科学院合肥物质科学研究院 | 一种基于多尺度特征融合网络与定位模型相结合的麦蜘蛛自动计数方法 |
CN109784239A (zh) * | 2018-12-29 | 2019-05-21 | 上海媒智科技有限公司 | 飞虫数量识别方法和装置 |
CN113906482A (zh) * | 2019-06-03 | 2022-01-07 | 拜耳公司 | 用于在具有腔体的测试板中测定活性物质对螨类、昆虫和其他生物的作用的系统 |
CN110245714A (zh) * | 2019-06-20 | 2019-09-17 | 厦门美图之家科技有限公司 | 图像识别方法、装置及电子设备 |
WO2021165512A3 (en) * | 2019-09-30 | 2021-10-14 | Basf Se | Quantifying plant infestation by estimating the number of biological objects on leaves, by convolutional neural networks that use training images obtained by a semi-supervised approach |
EP3798901A1 (en) * | 2019-09-30 | 2021-03-31 | Basf Se | Quantifying plant infestation by estimating the number of insects on leaves, by convolutional neural networks that use training images obtained by a semi-supervised approach |
CN111986149A (zh) * | 2020-07-16 | 2020-11-24 | 江西斯源科技有限公司 | 一种基于卷积神经网络的植物病虫害检测方法 |
CN113096080A (zh) * | 2021-03-30 | 2021-07-09 | 四川大学华西第二医院 | 图像分析方法及系统 |
CN113096080B (zh) * | 2021-03-30 | 2024-01-16 | 四川大学华西第二医院 | 图像分析方法及系统 |
CN113255681A (zh) * | 2021-05-31 | 2021-08-13 | 东华理工大学南昌校区 | 一种生物数据性状识别系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292314A (zh) | 一种基于cnn的鳞翅目昆虫种类自动鉴别方法 | |
CN107016405B (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
Amit et al. | Disaster detection from aerial imagery with convolutional neural network | |
CN106023145A (zh) | 基于超像素标注的遥感图像的分割与识别方法 | |
CN103761295B (zh) | 基于图片自动分类的艺术类图片的定制化特征量提取方法 | |
CN107909015A (zh) | 基于卷积神经网络及空谱信息融合的高光谱图像分类方法 | |
CN108734719A (zh) | 一种基于全卷积神经网络的鳞翅目昆虫图像前背景自动分割方法 | |
CN106529508A (zh) | 基于局部和非局部多特征语义高光谱图像分类方法 | |
CN109409384A (zh) | 基于细粒度图像的图像识别方法、装置、介质及设备 | |
Wang et al. | Tea picking point detection and location based on Mask-RCNN | |
CN107145889A (zh) | 基于具有RoI池化的双CNN网络的目标识别方法 | |
CN109740686A (zh) | 一种基于区域池化和特征融合的深度学习图像多标记分类方法 | |
CN103366180A (zh) | 一种基于自动特征学习的细胞图像分割方法 | |
CN107832797B (zh) | 基于深度融合残差网的多光谱图像分类方法 | |
CN110222767B (zh) | 基于嵌套神经网络和栅格地图的三维点云分类方法 | |
Patil et al. | Grape leaf disease detection using k-means clustering algorithm | |
CN109344699A (zh) | 基于分层深度卷积神经网络的冬枣病害识别方法 | |
CN103049767B (zh) | 基于生物激发特征和流形学习的极光图像分类方法 | |
CN103345617A (zh) | 中药识别的方法及其系统 | |
CN104239902A (zh) | 基于非局部相似性和稀疏编码的高光谱图像分类方法 | |
CN109635811A (zh) | 空间植物的图像分析方法 | |
CN109815945A (zh) | 一种基于图像识别的呼吸道检查结果判读系统和方法 | |
CN103870816A (zh) | 一种识别率高的植物识别方法及装置 | |
CN105787488A (zh) | 由全局向局部传递的图像特征提取方法及装置 | |
Chen et al. | Agricultural remote sensing image cultivated land extraction technology based on deep learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20171024 |
|
WW01 | Invention patent application withdrawn after publication |