CN109376765A - 一种基于深度学习的蝴蝶自动分类方法 - Google Patents
一种基于深度学习的蝴蝶自动分类方法 Download PDFInfo
- Publication number
- CN109376765A CN109376765A CN201811070920.5A CN201811070920A CN109376765A CN 109376765 A CN109376765 A CN 109376765A CN 201811070920 A CN201811070920 A CN 201811070920A CN 109376765 A CN109376765 A CN 109376765A
- Authority
- CN
- China
- Prior art keywords
- butterfly
- photo
- convolutional neural
- neural networks
- deep learning
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 22
- 241000255777 Lepidoptera Species 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000033228 biological regulation Effects 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000009987 spinning Methods 0.000 claims description 3
- 229910017435 S2 In Inorganic materials 0.000 claims 1
- 241000510032 Ellipsaria lineolata Species 0.000 description 83
- 244000038559 crop plants Species 0.000 description 7
- 241001124569 Lycaenidae Species 0.000 description 5
- 238000012216 screening Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000009394 selective breeding Methods 0.000 description 2
- 241000638553 Argynnis aglaja Species 0.000 description 1
- 241001101084 Junonia orithya Species 0.000 description 1
- 241000282373 Panthera pardus Species 0.000 description 1
- 241000219422 Urtica Species 0.000 description 1
- 235000009108 Urtica dioica Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于深度学习的蝴蝶自动分类方法，所述方法包括：收集蝴蝶在自然环境中的照片；通过人工标注对所收集到的蝴蝶照片中的部分照片进行标注，构建带有标注框和分类标签的图片库作为训练样本集；采用Faster－RCNN算法，训练一个在照片中用于定位蝴蝶位置的卷积神经网络；采用深度卷积神经网络算法，训练一个用于分类蝴蝶的卷积神经网络；对蝴蝶在自然环境中的照片，先通过用于定位的卷积神经网络定位出蝴蝶的位置，再通过用于分类的卷积神经网络对蝴蝶进行分类鉴定。本发明通过采用Faster－RCNN算法对蝴蝶照片中的蝴蝶进行精确定位，再通过深度卷积神经网络算法以及结合蝴蝶的明显特征对蝴蝶样本进行人工调整，从而可以高效准确地实现对蝴蝶的自动分类。
Description
技术领域
本发明涉及生物种类自动鉴定的领域，尤其涉及一种基于深度学习的蝴蝶自动分类方法。
背景技术
对蝴蝶进行分类鉴别，是昆虫分类学研究和生物多样性研究的重要部分，而由于蝴蝶类别的多样性，在实际的研究工作中研究者常常难以对蝴蝶进行精准的类别鉴定。在传统的分类方式中，主要是靠人工进行鉴别，通常是通过人眼观察蝴蝶翅膀的纹理等特征来进行识别。但由于蝴蝶种类繁多，通过人工进行分类识别需要长期的经验积累，费时费力，而且准确度差。
目前采用自动分类蝴蝶的方法较少，较为典型的是通过图像处理的方法提取蝴蝶翅膀的颜色和纹理特征，通过这些特征来识别蝴蝶的种类。但由于蝴蝶的种类繁多，原生的生态环境多样复杂，临近种类间存在相似特征，同种类个体间存在差异，这些都容易导致在生态环境中识别蝴蝶种类时的误判。
发明内容
本发明实施例所要解决的技术问题在于，提供一种基于深度学习的蝴蝶自动分类方法。可提高在生态环境中蝴蝶自动分类的准确度。
为了解决上述技术问题，本发明实施例提供了一种基于深度学习的蝴蝶自动分类方法，包括以下步骤：
S1：收集蝴蝶在自然环境中的照片；
S2：通过人工标注所述照片，构建带有标注框和分类标签的图片库作为训练样本集；
S3：采用Faster－RCNN算法，训练一个在照片中用于定位蝴蝶位置的卷积神经网络；
S4：采用深度卷积神经网络算法，训练一个用于分类蝴蝶的卷积神经网络；
S5：对所收集到的蝴蝶在自然环境中的照片，先通过用于定位的卷积神经网络定位出蝴蝶的位置，再通过用于分类的卷积神经网络对蝴蝶进行分类鉴定。
进一步地，所述步骤S2包括将所述照片按以下原则筛选：
A1：若照片中蝴蝶翅膀遮挡严重，则去除该照片，保留蝴蝶翅膀特征明显可辨别的照片；
A2：若照片中多只蝴蝶聚集，则去除该照片，保留包含单只蝴蝶或包含多只蝴蝶但蝴蝶位置分开的照片；
A3：若照片中蝴蝶的特征不够容易错判到临近种类，则去除该照片，保留可以凭图中特征精确辨别到种类的照片；
A4：最终构建的训练样本集要求每种蝴蝶的图片数量相对均衡。
更进一步地，所述步骤S2中，构建训练样本集时使用数据扩展方法，所述数据扩展方法包括上下翻转、左右翻转、对角线翻转、对比度调节、亮度调节、色度调节、饱和度调节、旋转45度和旋转90度。
更进一步地，所述步骤S3中，所述Faster－RCNN算法中采用的网络结构为VGG－Net，Inception－V2，Inception－V3中的一种。
更进一步地，所述步骤S4中，深度卷积神经网络的结构为VGG－Net，Inception－V2，Inception－V3中的一种。
更进一步地，所述步骤S4中，输入是所述步骤S3中输出的定位框截取部分的图片，而训练用于分类蝴蝶的卷积神经网络的输出是定位框内蝴蝶的预测类别。
更进一步地，所述步骤S4中，对于蝴蝶中存在较大的个体差异的类别，可根据该类蝴蝶明显的不同特征划分为两类，通过扩展类别来提高所述用于分类蝴蝶的卷积神经网络中的分类器性能。
更进一步地，所述可根据该类蝴蝶明显的不同特征划分为两类中，所述不同特征为：翅膀侧面与背面的颜色不同，以及翅膀侧面与背面的纹理不同。
实施本发明实施例，具有如下有益效果：本发明通过采用Faster－RCNN算法准确定位照片中的蝴蝶，再结合一种用于分类的卷积神经网络算法对照片中定位后的蝴蝶进行分类，并且通过采用人工选择有代表特征的样本以及使用拆分分类方法，解决了蝴蝶种类由于特征相似性而存在难以判别或易误判的问题，提高了对蝴蝶种类的识别度。本发明通过采用两种卷积神经网络可以高效准确地实现对蝴蝶照片中蝴蝶的自动分类。
附图说明
图1为本发明方法的实施流程图；
图2为本发明方法实施例中一个人工标注的样本照片；
图3为本发明方法实施例中应用数据扩展的示意图，其中，图(a)表示原图，图(b)表示上下翻转后的图片，图(c)表示左右翻转后的图片，图(d)表示对角线翻转后的图片，图(e)表示对比度调节后的图片，图(f)表示亮度调节后的图片，图(g)表示色度调节后的图片，图(h)表示饱和度调节后的图片，图(i)表示旋转45度后的图片，图(j)表示旋转135度后的图片；
图4为本发明方法实施例中把一个类别蝴蝶拆分成两个类别的样本照片，其中，图(a)表示背面照，图(b)表示侧面照。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
请参阅图1，为本发明第一实施例中提供的一种基于深度学习的蝴蝶自动分类的方法，包括：
S1：通过高清相机拍摄，以及通过搜索网站进行收集，如百度搜索和谷歌搜索，具体收集方法为通过对照蝴蝶的图鉴获得蝴蝶的命名，通过搜索网站搜索出候选图片，通过人工比对蝴蝶的颜色及翅膀形状特征挑选出对应命名的蝴蝶照片，在本实施例中，一共收集了3975张蝴蝶在自然生态环境的照片；
S2：通过人工标注所述照片，构建带有标注框和标签的图片库作为训练样本集；
S3：采用Faster－RCNN算法，训练一个在照片中用于定位蝴蝶位置的卷积神经网络；
S4：采用深度卷积神经网络算法，训练一个用于分类蝴蝶的卷积神经网络；
S5：对蝴蝶在自然环境中的照片，先通过用于定位的卷积神经网络定位出蝴蝶的位置，再通过用于分类的卷积神经网络对蝴蝶进行分类鉴定。
具体的，在本实施例所述步骤S2中，包含筛选图片、人工标注图片和数据扩展三个具体步骤。其中，筛选原则包括：
A1：若照片中蝴蝶翅膀遮挡严重，则去除该照片，保留蝴蝶翅膀特征明显可辨别的照片；
A2：若照片中多只蝴蝶聚集，则去除该照片，保留包含单只蝴蝶或包含多只蝴蝶但蝴蝶位置分开的照片；
A3：若照片中蝴蝶的特征不够容易错判到临近种类，则去除该照片，保留可以凭图中特征精确辨别到种类的照片；
A4：最终构建的训练样本集要求每种蝴蝶的图片数量相对均衡。
请参阅图2，人工标注图片的方法是人工框选自然生态环境照片中蝴蝶的位置，标出其像素坐标和类别，标注位置的目的是分离出蝴蝶的区域减少照片环境的干扰，在本实施例中，通过筛选图片和人工标注，我们得到94类蝴蝶总共1202张图片。
请参阅图3，具体的，数据扩展的手段包括上下翻转、左右翻转、对角线翻转、对比度调节、亮度调节、色度调节、饱和度调节、旋转45度和旋转90度等九种方式。在本实施例中，通过数据扩展，最后得到一个包含12020张图片的训练集。该扩展的目的是解决收集到的蝴蝶图片数量过少的问题，提高训练得到的神经网络的泛化能力，更好地抑制过拟合。
具体的，在本实施例所述步骤S3中，采用的Faster－RCNN是一种目标检测算法，输入为原始的蝴蝶图片，输出为图片中被框出的蝴蝶的位置方框的左上角坐标和右下角坐标，包含两个部分。第一部分是以一个RPN网络分出所有可能是目标的区域，输出形式是区域的左上角的坐标和右下角的坐标；第二部分对第一部分得到的区域进一步判断置信度以及对区域的坐标进行回归精修，回归精修具体为左上角坐标偏移量和右下角坐标偏移量。算法的两部分用一个神经网络结构完成，其中网络结构中的一个卷积层连接到RPN网络中完成算法的第一部分，此卷积层之后的网络结构完成算法的第二部分。用于完成算法第一部分所选定的卷积层与采用的网络结构有关，一般选定网络中偏浅的层。在本发明实施例中，网络结构采用VGG－Net，一共包含13个卷积层，其中选定第五个卷积层作为算法第一部分的输出。在其它实施例中，也可以选定第四或者第六个卷积层。
可以理解的，用于目标检测的深度学习算法中可以采用不同的网络结构，在其他实施中，用于定位蝴蝶位置的神经网络结构除采用VGG－Net外，也可以采用Inception－V2或Inception－V3。
具体的，在本实施例所述步骤S4中，深度卷积神经网络的结构选用Inception－V3。为了完成分类任务，修改网络的最后一个全连接层的神经元数目与设定的蝴蝶种类数目相同。在本实施例中设定的蝴蝶种类数目为94，也即最后一个全连接层的神经元数目为94，全连接层中每一个神经元的输出代表是否为某一种类的蝴蝶，输出为是或者否，经过反向传播算法训练后，该深度卷积神经网络可以完成对蝴蝶种类的分类。
可以理解的，用于分类的深度学习算法中可以采用不同的网络结构，在其他实施中，用于分类蝴蝶的神经网络结构除采用Inception－V3外，也可以采用VGG－Net或Inception－V2。
具体的，在本实施例所述步骤S4中，用于分类蝴蝶的卷积神经网络的输入是所述S3中输出的定位框截取部分的图片，输出是定位框内蝴蝶的预测类别。
具体的，在本实施例所述步骤S4中，对于某些种类中存在较大个体差异的蝴蝶，将这些种类中的蝴蝶根据明显的不同特征，通过人工判断标记拆分成两类，同时在用于分类的神经网络的输出类别数目上进行相应修改，通过扩展类别来提高分类器的性能。
具体的，本实施例所述蝴蝶划分为两类所根据的不同特征包括翅膀侧面与背面的颜色不同，以及翅膀侧面与背面的纹理不同。
请参阅图4，依据婀灰蝶的翅膀背面为蓝色，翅膀侧面为灰色，把婀灰蝶的所有背面照人工标记为第76类，所有侧面照人工标记为第95类。在本实施例中，共有10种蝴蝶被拆分成两个类别：婀灰蝶、波太玄灰蝶、红灰蝶、小红蛱蝶、扬眉线蛱蝶、曲斑珠蛱蝶、玻璃蛱蝶、绿豹蛱蝶、翠蓝眼蛱蝶、荨麻蛱蝶、银斑豹蛱蝶、黄环蛱蝶和黄钩蛱蝶。经过拆分后，设定的蝴蝶种类数从94扩增到108，即最终分类器的输出的类别数目为108。从分类器得到分类结果后，再把属于同一蝴蝶的类别重新合并。
上述本发明基于深度学习的蝴蝶自动分类的方法，采用人工选择有代表特征的样本以及使用拆分分类，可以从自然环境照片中定位出蝴蝶，高效准确地实现对蝴蝶的自动分类。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (8)
1.一种基于深度学习的蝴蝶自动分类方法，其特征在于，包括以下步骤：
S1：收集蝴蝶在自然环境中的照片；
S2：通过人工标注所述照片，构建带有标注框和分类标签的图片库作为训练样本集；
S3：采用Faster－RCNN算法，训练一个在照片中用于定位蝴蝶位置的卷积神经网络；
S4：采用深度卷积神经网络算法，训练一个用于分类蝴蝶的卷积神经网络；
S5：对所收集到的蝴蝶在自然环境中的照片，先通过用于定位的卷积神经网络定位出蝴蝶的位置，再通过用于分类的卷积神经网络对蝴蝶进行分类鉴定。
2.根据权利要求1所述的基于深度学习的蝴蝶自动分类方法，其特征在于，所述步骤S2包括将所述照片按以下原则筛选：
A1：若照片中蝴蝶翅膀遮挡严重，则去除该照片，保留蝴蝶翅膀特征明显可辨别的照片；
A2：若照片中多只蝴蝶聚集，则去除该照片，保留包含单只蝴蝶或包含多只蝴蝶但蝴蝶位置分开的照片；
A3：若照片中蝴蝶的特征不够容易错判到临近种类，则去除该照片，保留可以凭图中特征精确辨别到种类的照片；
A4：最终构建的训练样本集要求每种蝴蝶的图片数量相对均衡。
3.根据权利要求1所述的基于深度学习的蝴蝶自动分类方法，其特征在于，所述步骤S2中，构建训练样本集时使用数据扩展方法，所述数据扩展方法包括上下翻转、左右翻转、对角线翻转、对比度调节、亮度调节、色度调节、饱和度调节、旋转45度和旋转90度。
4.根据权利要求1所述的基于深度学习的蝴蝶自动分类方法，其特征在于，所述步骤S3中，所述Faster－RCNN算法中采用的网络结构为VGG－Net，Inception－V2，Inception－V3中的一种。
5.根据权利要求1所述的基于深度学习的蝴蝶自动分类方法，其特征在于，所述步骤S4中，深度卷积神经网络的结构为VGG－Net，Inception－V2，Inception－V3中的一种。
6.根据权利要求1或4所述的基于深度学习的蝴蝶自动分类方法，其特征在于，所述步骤S4中，输入是所述步骤S3中输出的定位框截取部分的图片，而训练用于分类蝴蝶的卷积神经网络的输出是定位框内蝴蝶的预测类别。
7.根据权利要求6所述的基于深度学习的蝴蝶自动分类方法，其特征在于，所述步骤S4中，对于蝴蝶中存在较大的个体差异的类别，可根据该类蝴蝶明显的不同特征划分为两类，通过扩展类别来提高所述用于分类蝴蝶的卷积神经网络中的分类器性能。
8.根据权利要求7所述的基于深度学习的蝴蝶自动分类方法，其特征在于，所述可根据该类蝴蝶明显的不同特征划分为两类中，所述不同特征为：翅膀侧面与背面的颜色不同，以及翅膀侧面与背面的纹理不同。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811070920.5A CN109376765A (zh) | 2018-09-14 | 2018-09-14 | 一种基于深度学习的蝴蝶自动分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811070920.5A CN109376765A (zh) | 2018-09-14 | 2018-09-14 | 一种基于深度学习的蝴蝶自动分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109376765A true CN109376765A (zh) | 2019-02-22 |
Family
ID=65404506
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811070920.5A Pending CN109376765A (zh) | 2018-09-14 | 2018-09-14 | 一种基于深度学习的蝴蝶自动分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109376765A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110837818A (zh) * | 2019-11-18 | 2020-02-25 | 汕头大学 | 一种基于卷积神经网路的中华白海豚背鳍识别方法 |
| CN111340096A (zh) * | 2020-02-24 | 2020-06-26 | 北京工业大学 | 一种基于对抗互补学习的弱监督蝴蝶目标检测方法 |
| CN112288795A (zh) * | 2020-10-29 | 2021-01-29 | 深圳大学 | 基于Faster-RCNN的昆虫密度计算方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101334858B1 (ko) * | 2012-09-27 | 2013-11-29 | 기초과학연구원 | 나비종 자동분류 시스템 및 방법, 이를 이용한 나비종 자동분류 기능이 구비된 휴대 단말기 |
| CN108509860A (zh) * | 2018-03-09 | 2018-09-07 | 西安电子科技大学 | 基于卷积神经网络的可可西里藏羚羊检测方法 |
-
2018
- 2018-09-14 CN CN201811070920.5A patent/CN109376765A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101334858B1 (ko) * | 2012-09-27 | 2013-11-29 | 기초과학연구원 | 나비종 자동분류 시스템 및 방법, 이를 이용한 나비종 자동분류 기능이 구비된 휴대 단말기 |
| CN108509860A (zh) * | 2018-03-09 | 2018-09-07 | 西安电子科技大学 | 基于卷积神经网络的可可西里藏羚羊检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 谢娟英等: "蝴蝶种类自动识别研究", 《计算机研究与发展》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110837818A (zh) * | 2019-11-18 | 2020-02-25 | 汕头大学 | 一种基于卷积神经网路的中华白海豚背鳍识别方法 |
| CN111340096A (zh) * | 2020-02-24 | 2020-06-26 | 北京工业大学 | 一种基于对抗互补学习的弱监督蝴蝶目标检测方法 |
| CN112288795A (zh) * | 2020-10-29 | 2021-01-29 | 深圳大学 | 基于Faster-RCNN的昆虫密度计算方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| He et al. | A fully convolutional neural network for wood defect location and identification | |
| Chouhan et al. | Applications of computer vision in plant pathology: a survey | |
| CN107134144B (zh) | 一种用于交通监控的车辆检测方法 | |
| US10586103B2 (en) | Topographic data machine learning method and system | |
| Panchal et al. | Plant diseases detection and classification using machine learning models | |
| CN109919177B (zh) | 基于层次化深度网络的特征选择方法 | |
| CN104992142A (zh) | 一种基于深度学习和属性学习相结合的行人识别方法 | |
| CN106529499A (zh) | 基于傅里叶描述子和步态能量图融合特征的步态识别方法 | |
| CN104392240A (zh) | 一种基于多特征融合的寄生虫虫卵识别方法 | |
| CN108564589A (zh) | 一种基于改进全卷积神经网络的植物叶片分割方法 | |
| CN108647702B (zh) | 一种基于迁移学习的大规模食材图像分类方法 | |
| CN109376765A (zh) | 一种基于深度学习的蝴蝶自动分类方法 | |
| CN108399420A (zh) | 一种基于深度卷积网络的可见光舰船虚警剔除方法 | |
| CN107045640A (zh) | 一种用于图像识别的基于邻域保持和核子空间对齐的方法 | |
| Ju et al. | Classification of jujube defects in small data sets based on transfer learning | |
| Guru et al. | Machine vision based classification of tobacco leaves for automatic harvesting | |
| CN108595558A (zh) | 一种数据均衡策略和多特征融合的图像标注方法 | |
| Shete et al. | TasselGAN: An application of the generative adversarial model for creating field-based maize tassel data | |
| Saba et al. | Optimization of multiresolution segmentation for object-oriented road detection from high-resolution images | |
| Li et al. | EMFNet: Enhanced multisource fusion network for land cover classification | |
| Sivaranjani et al. | Real-time identification of medicinal plants using machine learning techniques | |
| Kadethankar et al. | Deep learning based detection of rhinoceros beetle infestation in coconut trees using drone imagery | |
| Moritake et al. | Sub-alpine shrub classification using UAV images: Performance of human observers vs DL classifiers | |
| Al-Tuwaijari et al. | Deep Learning Techniques Toward Advancement of Plant Leaf Diseases Detection | |
| Paiva-Peredo | Deep learning for the classification of cassava leaf diseases in unbalanced field data set |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190222 |