CN108875774A - 蝴蝶种类识别方法、电子设备、存储介质及系统 - Google Patents

蝴蝶种类识别方法、电子设备、存储介质及系统 Download PDF

Info

Publication number
CN108875774A
CN108875774A CN201810392148.2A CN201810392148A CN108875774A CN 108875774 A CN108875774 A CN 108875774A CN 201810392148 A CN201810392148 A CN 201810392148A CN 108875774 A CN108875774 A CN 108875774A
Authority
CN
China
Prior art keywords
butterfly
identification
model
training set
images
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Withdrawn
Application number
CN201810392148.2A
Other languages
English (en)
Inventor
陈鑫
叶淑阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tao Ran Horizon (hangzhou) Technology Co Ltd
Original Assignee
Tao Ran Horizon (hangzhou) Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tao Ran Horizon (hangzhou) Technology Co Ltd filed Critical Tao Ran Horizon (hangzhou) Technology Co Ltd
Priority to CN201810392148.2A priority Critical patent/CN108875774A/zh
Publication of CN108875774A publication Critical patent/CN108875774A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供蝴蝶种类识别方法，包括：建立图像训练集，在预设蝴蝶图像数据库中选取若干幅蝴蝶图像作为图像训练集；建立蝴蝶识别模型，采用迁移学习方法对CaffNet模型进行参数调节并得到蝴蝶识别模型；训练蝴蝶识别模型，将图像训练集中的蝴蝶图像输入至蝴蝶识别模型进行训练，得到已训练蝴蝶识别模型；蝴蝶种类识别，将待测蝴蝶图像输入值已训练蝴蝶识别模型中进行蝴蝶种类识别并得到蝴蝶种类识别结果。本发明的蝴蝶种类识别方法，通过先建立图像训练集，并将图像训练集中的蝴蝶图像输入值蝴蝶识别模型进行训练，得到具有一定精准率的已训练蝴蝶识别模型，再用此已训练蝴蝶识别模型对待测蝴蝶图像进行识别，得到精准的蝴蝶的种类。

Description

蝴蝶种类识别方法、电子设备、存储介质及系统
技术领域
本发明涉及农业技术领域，尤其涉及蝴蝶种类识别方法、电子设备、存储介质及系统。
背景技术
蝴蝶属于昆虫纲鳞翅目锤角亚目，种类繁多，一般都以科级为单位进行分类。蝴蝶一般色彩艳丽，飞行姿态优雅，具有极高的观赏价值。蝴蝶可以为植物传播花粉，使植物顺利繁殖后代；也有部分种类的蝴蝶幼虫是农林的害虫。因此，蝴蝶种类的识别与鉴定是生物多样性保护与利用、科普教育、农林害虫防治等工作中的一项重要任务。但是目前的传统的对于蝴蝶种类的识别是采用模式识别方法即图像预处理、特征提取和筛选、分类器的训练和测试等几个步骤，针对有限种类和有限样本量的蝴蝶识别一般能获得较高的识别率。但在大自然中，蝴蝶种类繁多，生境多变，同一种蝴蝶因为不同性别、不同季节和不同地理区域可能存在较大的差异，不同种的蝴蝶在颜色、斑纹和形态上可能存在一定的相似性，加上蝴蝶样本图像采集困难，目前以手工设计的特征训练得到的分类器存在鲁棒性不高和泛化能力差等问题。
发明内容
为了克服现有技术的不足，本发明的目的之一在于提供蝴蝶种类识别方法，其能解决目前以手工设计的特征训练得到的分类器存在鲁棒性不高和泛化能力差的问题。
本发明的目的之二在于提供一种电子设备，其能解决目前以手工设计的特征训练得到的分类器存在鲁棒性不高和泛化能力差的问题。
本发明的目的之三在于提供一种存储介质，其能解决目前以手工设计的特征训练得到的分类器存在鲁棒性不高和泛化能力差的问题。
本发明的目的之四在于提供蝴蝶种类识别系统，其能解决目前以手工设计的特征训练得到的分类器存在鲁棒性不高和泛化能力差的问题。
本发明的目的之一采用以下技术方案实现：
蝴蝶种类识别方法，包括：
建立图像训练集，在预设蝴蝶图像数据库中选取若干幅蝴蝶图像作为图像训练集；
建立蝴蝶识别模型，采用迁移学习方法对CaffNet模型进行参数调节并得到蝴蝶识别模型；
训练蝴蝶识别模型，将所述图像训练集中的蝴蝶图像输入至所述蝴蝶识别模型进行训练，得到已训练蝴蝶识别模型；
蝴蝶种类识别，将待测蝴蝶图像输入值所述已训练蝴蝶识别模型中进行蝴蝶种类识别并得到蝴蝶种类识别结果。
进一步地，所述建立图像训练集还包括对所述图像训练集进行数据增强处理。
进一步地，所述数据增强处理具体为采用水平翻转、增加图像对比度、亮度和添加噪声的方式对所述图像训练集进行扩展。
进一步地，所述建立蝴蝶识别模型具体为采用迁移学习方法对CaffNet模型进行参数微调，经过参数微调后的CaffNet模型即为蝴蝶识别模型。
进一步地，所述训练蝴蝶识别模型还包括对CaffNet模型的权值参数进行初始化。
本发明的目的之二采用以下技术方案实现：
一种电子设备，包括：处理器；
存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行本发明的蝴蝶种类识别方法。
本发明的目的之三采用以下技术方案实现：
一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行本发明的蝴蝶种类识别方法。
本发明的目的之四采用以下技术方案实现：
蝴蝶种类识别系统，包括：图像训练集模块，所述图像训练集模块用于在预设蝴蝶图像数据库中选取若干幅蝴蝶图像作为图像训练集；蝴蝶识别模型模块，所述蝴蝶识别模型模块用于采用迁移学习方法对CaffNet模型进行参数调节并得到蝴蝶识别模型；训练模块，所述训练模块用于将所述图像训练集中的蝴蝶图像输入至所述蝴蝶识别模型进行训练，得到已训练蝴蝶识别模型；蝴蝶种类识别模块，所述蝴蝶种类识别模块用于将待测蝴蝶图像输入值所述已训练蝴蝶识别模型中进行蝴蝶种类识别并得到蝴蝶种类识别结果。
进一步地，还包括数据增强模块，所述数据增强模块用于对所述图像训练集进行数据增强处理，所述数据增强处理具体为采用水平翻转、增加图像对比度、亮度和添加噪声的方式对所述图像训练集进行扩展。
进一步地，还包括初始化模块，所述初始化模块用于对CaffNet模型的权值参数进行初始化。
相比现有技术，本发明的有益效果在于：本发明的蝴蝶种类识别方法，通过在预设蝴蝶图像数据库中选取若干幅蝴蝶图像作为图像训练集；采用迁移学习方法对CaffNet模型进行参数调节并得到蝴蝶识别模型；将所述图像训练集中的蝴蝶图像输入至所述蝴蝶识别模型进行训练，得到已训练蝴蝶识别模型；将待测蝴蝶图像输入值所述已训练蝴蝶识别模型中进行蝴蝶种类识别并得到蝴蝶种类识别结果；这种通过先建立图像训练集，并将图像训练集中的蝴蝶图像输入值蝴蝶识别模型进行训练，得到具有一定精准率的已训练蝴蝶识别模型，再用此已训练蝴蝶识别模型对待测蝴蝶图像进行识别，得到精准的蝴蝶的种类；避免了因蝴蝶种类较多，同一种蝴蝶因为不同性别、不同季节和不同地理区域可能存在较大的差异，不同种的蝴蝶在颜色、斑纹和形态上可能存在一定的相似性导致的对蝴蝶种类识别不准的问题，同时也避免了以手工设计的特征训练得到的分类器存在鲁棒性不高和泛化能力差等问题，提高了蝴蝶种类识别的准确率。利用本发明的蝴蝶种类识别方法可以满足人们对蝴蝶种类的需求，在农业上可以运用此方法判断为织物传播花粉的蝴蝶的种类，进而判断此种蝴蝶是害虫还是仅仅的蝴蝶幼虫，有效的避免了农作物被作为害虫种类的蝴蝶侵害的风险，提高了农作物的产量。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明的蝴蝶种类识别方法的流程图；
图2为本发明的蝴蝶种类识别系统的模块框图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
如图1所示的本发明的蝴蝶种类识别方法包括以下步骤：
建立图像训练集，在预设蝴蝶图像数据库中选取若干幅蝴蝶图像作为图像训练集。预设的蝴蝶数据库为由多张蝴蝶标本图像以及在大自然中现场拍摄到的多张蝴蝶图像作为数据库的样本图像，且在预设蝴蝶数据库中将上述的蝴蝶图像已经根据科级的不同进行分类，具体科级类别例如：弄蝶科，灰蝶科，蛱蝶科，凤蝶科，粉蝶科，眼蝶科。在上述每个科中随机选取2000幅图像作为训练集，一共即12000张蝴蝶图像作为图像训练集，还包括对图像训练集进行数据增强处理，数据增强处理具体为采用水平翻转、增加图像对比度、亮度和添加噪声的方式对图像训练集进行扩展。
建立蝴蝶识别模型，采用迁移学习方法对CaffNet模型进行参数微调，经过参数微调后的CaffNet模型即为蝴蝶识别模型。具体为：采用迁移学习方法对CaffNet模型进行参数微调，经过参数微调后的CaffNet模型即为蝴蝶识别模型，CaffeNet模型网络结构由8层网络结构组成，包括5个卷积层和3个全连接层。前两个卷积层包含卷积(convolution)、激活(activation)、池化(pooling)和局部响应归一化(localresponse normalization)操作，第3、4个卷积层只包含卷积和激活操作，最后一个卷积层包含卷积、激活和池化操作。第6、7全连接层包含激活和dropout操作，第8全连接层的输出是6类的Softmax层。还包括对CaffNet模型的权值参数进行初始化，具体为利用ImageNet数据集中的图像训练迭代31万次后得到的CaffeNet权值文件初始化CaffeNet网络权值。然后，将CaffeNet模型训练超参数设定为:初始学习速率为0.001，学习速率的衰减策略为step，gamma为0.1，步长为3000，冲量为0.9，权重衰减量为0.0005，迭代次数为10000次。训练输入图像大小为227×227像素，输出为6类，即弄蝶科、灰蝶科、蛱蝶科、凤蝶科、粉蝶科和眼蝶科。
训练蝴蝶识别模型，将图像训练集中的蝴蝶图像输入至蝴蝶识别模型进行训练，得到已训练蝴蝶识别模型；将图像训练集中的蝴蝶模型输入值蝴蝶模型中进行多次训练，得到最终的蝴蝶识别模型。
蝴蝶种类识别，将待测蝴蝶图像输入值已训练蝴蝶识别模型中进行蝴蝶种类识别并得到蝴蝶种类结果；蝴蝶识别模型对待测蝴蝶图像进行识别，为了保证精确率，待测蝴蝶图像为多张蝴蝶图像，蝴蝶识别模型基于已经深度学习训练过的图像训练集，自动输出待测蝴蝶图像的种类结果，例如：弄蝶科或灰蝶科或蛱蝶科或凤蝶科或粉蝶科或眼蝶科。
本发明提供一种电子设备，包括：处理器；
存储器；以及程序，其中程序被存储在存储器中，并且被配置成由处理器执行，程序包括用于执行本发明的蝴蝶种类识别方法。
本发明提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行本发明的蝴蝶种类识别方法。
本发明还提供了蝴蝶种类识别系统，包括：图像训练集模块，图像训练集模块用于在预设蝴蝶图像数据库中选取若干幅蝴蝶图像作为图像训练集；蝴蝶识别模型模块，蝴蝶识别模型模块用于采用迁移学习方法对CaffNet模型进行参数调节并得到蝴蝶识别模型；训练模块，训练模块用于将图像训练集中的蝴蝶图像输入至蝴蝶识别模型进行训练，得到已训练蝴蝶识别模型；蝴蝶种类识别模块，蝴蝶种类识别模块用于将待测蝴蝶图像输入值已训练蝴蝶识别模型中进行蝴蝶种类识别并得到蝴蝶种类识别结果。还包括数据增强模块，数据增强模块用于对图像训练集进行数据增强处理，数据增强处理具体为采用水平翻转、增加图像对比度、亮度和添加噪声的方式对图像训练集进行扩展。还包括初始化模块，初始化模块用于对CaffNet模型的权值参数进行初始化。
本发明的蝴蝶种类识别方法，通过在预设蝴蝶图像数据库中选取若干幅蝴蝶图像作为图像训练集；采用迁移学习方法对CaffNet模型进行参数调节并得到蝴蝶识别模型；将图像训练集中的蝴蝶图像输入至蝴蝶识别模型进行训练，得到已训练蝴蝶识别模型；将待测蝴蝶图像输入值已训练蝴蝶识别模型中进行蝴蝶种类识别并得到蝴蝶种类识别结果；这种通过先建立图像训练集，并将图像训练集中的蝴蝶图像输入值蝴蝶识别模型进行训练，得到具有一定精准率的已训练蝴蝶识别模型，再用此已训练蝴蝶识别模型对待测蝴蝶图像进行识别，得到精准的蝴蝶的种类；避免了因蝴蝶种类较多，同一种蝴蝶因为不同性别、不同季节和不同地理区域可能存在较大的差异，不同种的蝴蝶在颜色、斑纹和形态上可能存在一定的相似性导致的对蝴蝶种类识别不准的问题，同时也避免了以手工设计的特征训练得到的分类器存在鲁棒性不高和泛化能力差等问题，提高了蝴蝶种类识别的准确率。
以上，仅为本发明的较佳实施例而已，并非对本发明作任何形式上的限制；凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明；但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内，利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等，均仍属于本发明的技术方案的保护范围之内。

Claims (10)

1.蝴蝶种类识别方法，其特征在于包括：
建立图像训练集，在预设蝴蝶图像数据库中选取若干幅蝴蝶图像作为图像训练集；
建立蝴蝶识别模型，采用迁移学习方法对CaffNet模型进行参数调节并得到蝴蝶识别模型；
训练蝴蝶识别模型，将所述图像训练集中的蝴蝶图像输入至所述蝴蝶识别模型进行训练，得到已训练蝴蝶识别模型；
蝴蝶种类识别，将待测蝴蝶图像输入值所述已训练蝴蝶识别模型中进行蝴蝶种类识别并得到蝴蝶种类识别结果。
2.如权利要求1所述的蝴蝶种类识别方法，其特征在于：所述建立图像训练集还包括对所述图像训练集进行数据增强处理。
3.如权利要求2所述的蝴蝶种类识别方法，其特征在于：所述数据增强处理具体为采用水平翻转、增加图像对比度、亮度和添加噪声的方式对所述图像训练集进行扩展。
4.如权利要求1所述的蝴蝶种类识别方法，其特征在于：所述建立蝴蝶识别模型具体为采用迁移学习方法对CaffNet模型进行参数微调，经过参数微调后的CaffNet模型即为蝴蝶识别模型。
5.如权利要求1所述的蝴蝶种类识别方法，其特征在于：所述训练蝴蝶识别模型还包括对CaffNet模型的权值参数进行初始化。
6.一种电子设备，其特征在于包括：处理器；
存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行权利要求1-5任意一项所述的方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行如权利要求1-5任意一项所述的方法。
8.蝴蝶种类识别系统，其特征在于包括：图像训练集模块，所述图像训练集模块用于在预设蝴蝶图像数据库中选取若干幅蝴蝶图像作为图像训练集；蝴蝶识别模型模块，所述蝴蝶识别模型模块用于采用迁移学习方法对CaffNet模型进行参数调节并得到蝴蝶识别模型；训练模块，所述训练模块用于将所述图像训练集中的蝴蝶图像输入至所述蝴蝶识别模型进行训练，得到已训练蝴蝶识别模型；蝴蝶种类识别模块，所述蝴蝶种类识别模块用于将待测蝴蝶图像输入值所述已训练蝴蝶识别模型中进行蝴蝶种类识别并得到蝴蝶种类识别结果。
9.如权利要求8所述的蝴蝶种类识别系统，其特征在于：还包括数据增强模块，所述数据增强模块用于对所述图像训练集进行数据增强处理，所述数据增强处理具体为采用水平翻转、增加图像对比度、亮度和添加噪声的方式对所述图像训练集进行扩展。
10.如权利要求8所述的蝴蝶种类识别系统，其特征在于：还包括初始化模块，所述初始化模块用于对CaffNet模型的权值参数进行初始化。
CN201810392148.2A 2018-04-27 2018-04-27 蝴蝶种类识别方法、电子设备、存储介质及系统 Withdrawn CN108875774A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810392148.2A CN108875774A (zh) 2018-04-27 2018-04-27 蝴蝶种类识别方法、电子设备、存储介质及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810392148.2A CN108875774A (zh) 2018-04-27 2018-04-27 蝴蝶种类识别方法、电子设备、存储介质及系统

Publications (1)

Publication Number Publication Date
CN108875774A true CN108875774A (zh) 2018-11-23

Family

ID=64327477

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810392148.2A Withdrawn CN108875774A (zh) 2018-04-27 2018-04-27 蝴蝶种类识别方法、电子设备、存储介质及系统

Country Status (1)

Country Link
CN (1) CN108875774A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111930988A (zh) * 2020-08-12 2020-11-13 柳丰 一种利用计算机图像识别技术快速鉴定蜘蛛种类的方法
CN114861803A (zh) * 2022-05-16 2022-08-05 华南农业大学 基于改进的双网络识别模型的蝴蝶细粒度识别方法
CN115631417A (zh) * 2022-11-11 2023-01-20 生态环境部南京环境科学研究所 一种基于卷积神经网络的蝴蝶图像识别方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111930988A (zh) * 2020-08-12 2020-11-13 柳丰 一种利用计算机图像识别技术快速鉴定蜘蛛种类的方法
CN114861803A (zh) * 2022-05-16 2022-08-05 华南农业大学 基于改进的双网络识别模型的蝴蝶细粒度识别方法
CN114861803B (zh) * 2022-05-16 2024-09-27 华南农业大学 基于改进的双网络识别模型的蝴蝶细粒度识别方法
CN115631417A (zh) * 2022-11-11 2023-01-20 生态环境部南京环境科学研究所 一种基于卷积神经网络的蝴蝶图像识别方法

Similar Documents

Publication Publication Date Title
Stohlgren Measuring plant diversity: lessons from the field
Boyer et al. Scale-free foraging by primates emerges from their interaction with a complex environment
Zhou et al. How would size, age, human disturbance, and vegetation structure affect bird communities of urban parks in different seasons?
Vogt et al. The importance of conspecific facilitation during recruitment and regeneration: A case study in degraded mangroves
CN109325495A (zh) 一种基于深度神经网络建模的作物图像分割系统及方法
CN110020635A (zh) 基于无人机影像与卫星影像的种植区农作物精细分类方法和系统
CN104850836A (zh) 基于深度卷积神经网络的害虫图像自动识别方法
CN108875774A (zh) 蝴蝶种类识别方法、电子设备、存储介质及系统
Eliot Method and metaphysics in Clements’s and Gleason’s ecological explanations
CN103400160B (zh) 一种零训练样本行为识别方法
CN109344738A (zh) 农作物病虫草害识别方法及装置
CN109886155A (zh) 基于深度学习的单株水稻检测定位方法、系统、设备及介质
Sylvester et al. Revising the dust bowl: high above the Kansas grasslands
CN109145885A (zh) 一种大尺度农作物遥感分类方法及系统
CN107392251A (zh) 一种使用分类图片提升目标检测网络性能的方法
Moreno-Cadena et al. Importance of genetic parameters and uncertainty of MANIHOT, a new mechanistic cassava simulation model
CN116129260A (zh) 基于深度学习的牧草图像识别方法
Augspurger et al. Wind dispersal is predicted by tree, not diaspore, traits in comparisons of Neotropical species
CN117036861A (zh) 一种基于Faster-YOLOv8s网络的玉米作物行识别方法
Jin et al. Evaluation of convolutional neural networks for herbicide susceptibility-based weed detection in turf
Ali et al. Landscape diversity influences the arthropod species diversity in the rice field
Lincoln et al. Agroforestry Distribution and Contributions in Ancient Hawaiian Agriculture
CN105184234B (zh) 一种冬小麦秸秆焚烧污染物排放量的测算方法及装置
CN110555343B (zh) 典型资源要素中林、灌、草三要素提取方法和系统
Niu et al. Understanding predictors of mistletoe infection across an urban university campus in Southwest China

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20181123

WW01 Invention patent application withdrawn after publication