CN109886295A - 一种基于神经网络的蝴蝶识别方法及相关设备 - Google Patents
一种基于神经网络的蝴蝶识别方法及相关设备 Download PDFInfo
- Publication number
- CN109886295A CN109886295A CN201910025247.1A CN201910025247A CN109886295A CN 109886295 A CN109886295 A CN 109886295A CN 201910025247 A CN201910025247 A CN 201910025247A CN 109886295 A CN109886295 A CN 109886295A
- Authority
- CN
- China
- Prior art keywords
- butterfly
- images
- recognized
- image
- grid
- 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 45
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 55
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000003860 storage Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 241000270322 Lepidosauria Species 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 241000894007 species Species 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 6
- 244000038559 crop plants Species 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 241000239290 Araneae Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 241000255969 Pieris brassicae Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Abstract
本发明涉及图像检测领域的图像匹配技术，具体涉及一种基于神经网络的蝴蝶识别方法及相关设备，所述方法包括：采集多张蝴蝶图像及对应蝴蝶种类并分类存储；将蝴蝶图像输入YOLO算法网络模型训练，将蝴蝶图像的特征划分成S×S个网格，依据蝴蝶种类生成特征图；将待识别图像输入YOLO算法网络模型，获取S×S(B×5+C)维数据，依据S×S(B×5+C)维数据判断待识别图像所在网格的蝴蝶种类，将蝴蝶种类展示给所述用户。上述方法通过建立YOLO算法网络模型并深度优化提升检测准确度，再通过将图像输入YOLO算法网络模型识别最终图像中蝴蝶种类，为生物识别开辟了新路径，大大提升了生物识别技术的精准度和识别效率。
Description
技术领域
本发明涉及图像检测领域，特别涉及一种基于神经网络的蝴蝶识别方法及相关设备。
背景技术
随着神经网络技术的不断发展，人们对图像处理的要求也越来越高，越来越多的高端图像处理技术被运用到各行各业，以识别各种不同模式的目标或对象为目的的图像检测技术已成功在工业相机拍摄领域推广，图像检测已成为神经网络技术的一个重要领域。
为了满足各行各业发展的需求，现有的图像检测提出了以模板匹配模型和原型匹配模型为主要技术手段的图像检测模型，但是这种传统的图像检测模型在提取图像目标的过程中存在局限性、识别效果差的问题，图像在检测过程中需要在等待区域长时间等候，训练参数多、耗时久、速度慢，而且主要运用在工业领域，并没有大规模推广，尤其是在蝴蝶生物种类识别研究领域，采用传统的图像识别不仅识别速度慢，识别的准确度也很低，对蝴蝶的研究过程起到的作用微乎其微，完全无法支撑研究所需，更不能在人们日常旅游中进行推广使用。
发明内容
基于此，有必要针对图像检测识别准确率低、速度慢，没有在生物识别领域大规模使用的问题，提供一种基于神经网络的蝴蝶识别方法及相关设备。
一种基于神经网络的蝴蝶识别方法，包括：
采集多张蝴蝶图像及对应蝴蝶种类，依据所述蝴蝶种类对所述蝴蝶图像进行分类存储；
将多张所述蝴蝶图像依据蝴蝶种类依次输入目标检测YOLO算法网络模型，训练所述YOLO算法网络模型，将所述多张蝴蝶图像的特征划分成S×S个网格，通过图像标注软件标注所述网格的蝴蝶种类及位置信息，依据所述蝴蝶种类生成特征图；
获取用户输入的待识别图像，将所述待识别图像输入所述YOLO算法网络模型，获取所述待识别图像的S×S(B×5+C)维数据，其中B为特征图，C为预测蝴蝶种类数量，依据所述S×S(B×5+C)维数据判断所述待识别图像所在网格的所述蝴蝶种类及位置信息，将所述蝴蝶种类展示给所述用户。
在一种可能的设计中，所述采集多张蝴蝶图像及对应蝴蝶种类，依据所述蝴蝶种类对所述蝴蝶图像进行分类存储，包括:
通过爬虫工具在互联网上采集多张蝴蝶图像及对应蝴蝶种类，依据所述蝴蝶种类将所述蝴蝶图像分类存储。
在一种可能的设计中，所述将多张所述蝴蝶图像依据蝴蝶种类依次输入目标检测YOLO算法网络模型，训练所述YOLO算法网络模型，将所述多张蝴蝶图像的特征划分成S×S个网格，通过图像标注软件标注所述网格的蝴蝶种类及位置信息，依据蝴蝶种类生成特征图，包括：
所述YOLO算法网络模型的卷积层利用卷积核对所述蝴蝶图像进行卷积操作，提取所述蝴蝶图像的特征，将所述多张蝴蝶图像的特征划分成S×S个网格，通过图像标注软件标注所述网格的蝴蝶种类及位置信息；
所述YOLO算法网络模型的池化层对所述特征进行最大值池化处理，选择同一类所述蝴蝶种类的蝴蝶图像的特征的最大值作为特征值；
所述YOLO算法网络模型的输出层依据所述特征值生成所述蝴蝶种类的特征图，所述特征图的数量为所述蝴蝶种类的数量。
在一种可能的设计中，所述YOLO算法网络模型的池化层对所述特征进行最大值池化处理后，还包括：
对所述特征进行归一化处理，所述归一化处理公式如下：
其中，E为均值，Var为方差，x(k)和y(k)分别为归一化过程的输入和输出，γ和β为归一化参数，为预设的常数，k为所述特征的数量。
在一种可能的设计中，所述获取用户输入的待识别图像，将所述待识别图像输入所述YOLO算法网络模型，获取所述待识别图像的S×S(B×5+C)维数据，其中B为特征图，C为预测蝴蝶种类数量，依据所述S×S(B×5+C)维数据判断所述待识别图像所在网格的所述蝴蝶种类及位置信息，将所述蝴蝶种类展示给所述用户，包括：
将用户输入的待识别图像输入YOLO算法网络模型，获取所述待识别图像的S×S(B×5+C)维数据，其中B为特征图，C为预测蝴蝶种类数量，依据所述S×S(B×5+C)维数据判断待识别图像的特征是否存在所述网格中，当所述待识别图像的特征不在所述网格中时，提示所述用户识别无结果；
当所述待识别图像的特征在所述网络中时，计算所述待识别图像的类别预测概率和置信度，当所述待识别图像的类别预测概率大于等于预设的类别预测概率阈值且置信度大于等于预设的置信度阈值时，将所述蝴蝶种类展示给所述用户，否则提示所述用户识别无结果。
在一种可能的设计中，所述当所述待识别图像的特征在所述网络中时，计算所述待识别图像的类别预测概率和置信度，包括：
计算所述待识别图像的类别预测概率和置信度，公式如下：
Pr(Object)×IOU
其中，Pr(Object)为所述待识别图像的类别预测概率，IOU为置信度，BBε为基于训练标签的参考标准框，即所述S×S网格，BBδ为检测边界框，即所述待识别图像落入网格对应的所述蝴蝶种类的特征图，area(.)为面积，每个检测边界框包括5个参数：m，n，w，h和IOU，(m,n)表示所述特征图的中心相对S×S网格的位置，(w,h)表示所述特征图的高和宽。
在一种可能的设计中，所述将所述蝴蝶种类展示给所述用户，还包括：
通过爬虫工具在互联网上还爬取所述蝴蝶种类对应的蝴蝶资料，所述蝴蝶资料包括所述蝴蝶种类下的蝴蝶品种及对应品种的外观简介、生活习性，当获取到所述用户输入的待识别图像的蝴蝶种类时，将所述蝴蝶资料与所述蝴蝶种类一起展示给所述用户。
基于相同的技术构思，本发明还提供了一种基于神经网络的蝴蝶识别装置，所述一种基于神经网络的蝴蝶识别装置包括：
图像采集模块，设置为采集多张蝴蝶图像及对应蝴蝶种类，依据所述蝴蝶种类对所述蝴蝶图像进行分类存储；
模型优化模块，设置为将多张所述蝴蝶图像依据蝴蝶种类依次输入目标检测YOLO算法网络模型，训练所述YOLO算法网络模型，将所述多张蝴蝶图像的特征划分成S×S个网格，通过图像标注软件标注所述网格的蝴蝶种类及位置信息，依据所述蝴蝶种类生成特征图；
图像识别模块，设置为获取用户输入的待识别图像，将所述待识别图像输入所述YOLO算法网络模型，获取所述待识别图像的S×S(B×5+C)维数据，其中B为特征图，C为预测蝴蝶种类数量，依据所述S×S(B×5+C)维数据判断所述待识别图像所在网格的所述蝴蝶种类及位置信息，将所述蝴蝶种类展示给所述用户。
一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述所述一种基于神经网络的蝴蝶识别方法的步骤。
一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述所述一种基于神经网络的蝴蝶识别方法的步骤。
上述一种基于神经网络的蝴蝶识别方法及相关设备，通过采集多张蝴蝶图像及对应蝴蝶种类，依据蝴蝶种类对蝴蝶图像进行分类存储；将多张蝴蝶图像依据蝴蝶种类依次输入目标检测YOLO算法网络模型，训练YOLO算法网络模型，将多张蝴蝶图像的特征划分成S×S个网格，通过图像标注软件标注所述网格的蝴蝶种类及位置信息，依据蝴蝶种类生成特征图；获取用户输入的待识别图像，将所述待识别图像输入所述YOLO算法网络模型，获取待识别图像的S×S(B×5+C)维数据，其中B为特征图，C为预测蝴蝶种类数量，依据S×S(B×5+C)维数据判断所述待识别图像所在网格的所述蝴蝶种类及位置信息，将所述蝴蝶种类展示给所述用户。本发明基于YOLO算法网络模型，通过深度学习完成图像检测模型的训练，通过构建网格并利用图像落入网格的位置检测图像中蝴蝶种类，为生物识别开辟了新路径，大大提升了生物识别技术的准确度和识别效率。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。
图1为本发明一个实施例中一种基于神经网络的蝴蝶识别方法的流程图；
图2为本发明一个实施例中步骤S2模型优化的流程图；
图3为本发明一种基于神经网络的蝴蝶识别装置的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
图1为本发明实施例一种基于神经网络的蝴蝶识别方法的流程图，如图1所示，一种基于神经网络的蝴蝶识别方法，包括以下步骤：
步骤S1，图像采集：采集多张蝴蝶图像及对应蝴蝶种类，依据所述蝴蝶种类对所述蝴蝶图像进行分类存储。
在一个实施例中，步骤S1，包括：
通过爬虫工具在互联网上采集多张蝴蝶图像及对应蝴蝶种类，依据所述蝴蝶种类将所述蝴蝶图像分类存储。
爬虫工具是收集信息使用的搜索工具，爬虫工具，又被称为网页蜘蛛，网络机器人，是一种按照一定的规则，自动地抓取互联网信息的程序或者脚本，随着互联网技术的迅速发展，互联网已成为大量信息的载体，如何有效地提取并利用这些信息成为一个巨大的挑战，爬虫工具作为一个辅助人们检索信息的技术手段已成为用户在巨大的信息库中搜寻需求信息的主要方式之一。
在一个实施例中，例如通过互联网采集6个科的蝴蝶图像，获取6个蝴蝶种类，分别是弄蝶类、灰碟类、蛱蝶类、风蝶类、粉蝶类和眼蝶类，将采集到的蝴蝶图像分别依据所述6个蝴蝶种类存储，本实施例中采用的爬虫工具不仅通过互联网爬取蝴蝶图像，还会爬取到蝴蝶图像对应的蝴蝶种类及蝴蝶种类下的蝴蝶资料，蝴蝶资料包括蝴蝶种类下的蝴蝶品种及生活习性，一方面直接通过爬虫工具爬取丰富的蝴蝶图像及蝴蝶资料，另一方面为后续过程中识别到待识别图像中的蝴蝶种类后展示对应蝴蝶种类的介绍做准备。
本实施例通过爬虫工具获取到详细的蝴蝶图像，尽可能详细地收集到尽可能多的蝴蝶图像作为输入素材，便于提高YOLO算法训练的精确度。
步骤S2，模型优化：将多张所述蝴蝶图像依据蝴蝶种类依次输入目标检测YOLO算法网络模型，训练所述YOLO算法网络模型，将所述多张蝴蝶图像的特征划分成S×S个网格，通过图像标注软件标注所述网格的蝴蝶种类及位置信息，依据所述蝴蝶种类生成特征图。
YOLO算法网络模型是一种利用图像作为输入，直接在输出层回归图片位置及图像所属类别的图像检测方法，主要基于卷积神经网络实现，卷积神经网络是一类包含卷积或相关计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一，卷积神经网络中的卷积层和池化层能够响应输入特征的平移不变性，识别位于空间不同位置的相近特征，卷积神经网络长期以来是图像识别领域的核心算法之一，在大量学习数据时有稳定的表现，可以在精细分类识别中用于提取图像的判别特征以供其它分类器进行学习，也可以由卷积神经网络通过非监督学习自行提取。
本步骤通过利用采集的蝴蝶图像及对应的蝴蝶种类将所有蝴蝶图像的蝴蝶特征组合一个由S×S个网格组成的网格图，并标注对应的蝴蝶种类及位置，通过计算获取到S×S网格图中每一个蝴蝶种类的特征值，并获取到对应的特征图，利用待识别图像落在S×S网格中的位置判断由哪个蝴蝶种类的特征图进行进一步的判断。
图2为本发明一个实施例中步骤S2模型优化的流程图，如图2所示，在一个实施例中，步骤S2，包括如下具体步骤：
步骤S201，网格生成：所述YOLO算法网络模型的卷积层利用卷积核对所述蝴蝶图像进行卷积操作，提取所述蝴蝶图像的特征，将所述多张蝴蝶图像的特征划分成S×S个网格，通过图像标注软件标注所述网格的蝴蝶种类及位置信息。
本步骤主要涉及的是卷积层功能，卷积层对输入数据进行特征提取，类似于一个前馈神经网络的神经元，卷积层内每一个神经元都与位置接近的区域的多个神经元相连。例如，利用可训练的卷积核对输入数据进行卷积操作，采用了24个卷积层，利用3×3和1×1两种大小的卷积核，将所有蝴蝶图像以蝴蝶种类的形式输入到YOLO算法网络模型中，提取同一蝴蝶种类下蝴蝶图像的蝴蝶特征，任一蝴蝶种类的蝴蝶特征会组合成一片小区域网格，比如弄蝶类的蝴蝶特征组合成6×6的网格、灰碟类的蝴蝶特征组合成8×8的网格、蛱蝶类的蝴蝶特征组合成4×5的网格，所有的蝴蝶种类的蝴蝶特征形成的小区域网格拼接在一起会形成一个S×S的网格，通过图像标注软件在对应网格中标注蝴蝶种类及蝴蝶种类在网格中的位置。
本实施例通过卷积层更容易获取蝴蝶图像的输入特征，将图像数据化，便于作为后续YOLO算法模型的训练输入。
步骤S202，特征值选择：所述YOLO算法网络模型的池化层对所述特征进行最大值池化处理，选择同一类所述蝴蝶种类的蝴蝶图像的特征的最大值作为特征值。
本步骤通过批量处理，将卷积层的输出数据进行规范化，使得训练数据的分布相同，均衡输入数据的分布。
在一个实施例中，所述YOLO算法网络模型的池化层对所述特征进行最大值池化处理后，还包括：
对所述特征进行归一化处理，所述归一化处理公式如下：
其中，E为均值，Var为方差，x(k)和y(k)分别为归一化过程的输入和输出，γ和β为归一化参数，为预设的常数，k为所述特征的数量。
例如，通过计算得到弄蝶类的蝴蝶图像的特征的最大值均为6，则弄蝶类的蝴蝶特征值均为6，灰碟类的蝴蝶图像的特征的最大值均为8，则灰碟类的蝴蝶特征值均为8，蛱蝶类的蝴蝶图像的特征的最大值为4和5，则蛱蝶类的蝴蝶特征值为4和5，本实施例中计算得到的特征值即为对应蝴蝶种类的网格的范围的两个最大值。
本实施例将数据进行归一化处理，提升网络的训练速度，提升YOLO算法网络模型的训练效率，节省图像训练时间，同时提升训练的精确度。
步骤S203，特征图生成：所述YOLO算法网络模型的输出层依据所述特征值生成所述蝴蝶种类的特征图，所述特征图的数量为所述蝴蝶种类的数量。
本步骤利用蝴蝶种类对应网格中的特征图，可以将蝴蝶种类在网格中进行显性化显示，最终形成每个蝴蝶种类对应的特征图，例如，获取到弄蝶类的特征图即为6×6的网格，灰碟类的蝴蝶特征为8×8的网格、蛱蝶类的蝴蝶特征为4×5的网格，将对应蝴蝶种类的特征图在S×S网格中形成对应的网格区域，即为对应蝴蝶种类的特征图，通过特征图可以快速获取到待识别图像的特征会落入到哪个蝴蝶种类的特征图中，则对应蝴蝶种类的判断由对应的特征图网格进行判断。
本实施例将蝴蝶种类在网格中显性化显示，便于图像识别过程中快速判断蝴蝶图像落入的网格，可以快速找到判别蝴蝶图像的网格，提升蝴蝶识别的效率。
步骤S3，图像识别：获取用户输入的待识别图像，将所述待识别图像输入所述YOLO算法网络模型，获取所述待识别图像的S×S(B×5+C)维数据，其中B为特征图，C为预测蝴蝶种类数量，依据所述S×S(B×5+C)维数据判断所述待识别图像所在网格的所述蝴蝶种类及位置信息，将所述蝴蝶种类展示给所述用户。
本步骤在步骤2的基础上将蝴蝶识别情况分类处理，先得到识别图像过程中待识别图像落入的网格范围，再计算类别预测概率和置信度，进一步完善识别的准确度，从而通过两步精准计算获取最终待识别图像中的蝴蝶种类。
在一个实施例中，步骤S3包括以下两种情况的分类处理方式：
将用户输入的待识别图像输入YOLO算法网络模型，获取所述待识别图像的S×S(B×5+C)维数据，其中B为特征图，C为预测蝴蝶种类数量，依据所述S×S(B×5+C)维数据判断待识别图像的特征是否存在所述网格中，当所述待识别图像的特征不在所述网格中时，提示所述用户识别无结果；
当所述待识别图像的特征在所述网络中时，计算所述待识别图像的类别预测概率和置信度，当所述待识别图像的类别预测概率大于等于预设的类别预测概率阈值且置信度大于等于预设的置信度阈值时，将所述蝴蝶种类展示给所述用户，否则提示所述用户识别无结果。
例如，假设S×S网格为35×35的网格，获取到的两张待识别图像A、B，A、B的特征分别为36×37和5×6，则A的特征不在网格中，A的识别无结果，B落入6×6中，则B由弄蝶类的特征图对应的网格进行精确判断。
本实施例利用YOLO算法网格，提前预判待识别图像是否落入网格进行初步筛选，再根据落入网格的情况进行二次分析，既能提升筛选的精准度，又能及时对无法识别图像作出反馈，节省用户识别图像的时间。
在一个实施例中，所述当所述待识别图像的特征在所述网络中时，计算所述待识别图像的类别预测概率和置信度，包括：
计算所述待识别图像的类别预测概率和置信度，公式如下：
Pr(Object)×IOU
其中，Pr(Object)为所述待识别图像的类别预测概率，IOU为置信度，BBε为基于训练标签的参考标准框，即所述S×S网格，BBδ为检测边界框，即所述待识别图像落入网格对应的所述蝴蝶种类的特征图，area(.)为面积，每个检测边界框包括5个参数：m，n，w，h和IOU，(m,n)表示所述特征图的中心相对S×S网格的位置，(w,h)表示所述特征图的高和宽。
本实施例通过判断类别预测概率和置信度，提升图像识别的准确度，避免由于模糊识别导致最终识别信息有误的情况发生。
在一个实施例中，所述将所述蝴蝶种类展示给所述用户，还包括：
通过爬虫工具在互联网上还爬取所述蝴蝶种类对应的蝴蝶资料，所述蝴蝶资料包括所述蝴蝶种类下的蝴蝶品种及对应品种的外观简介、生活习性，当获取到所述用户输入的待识别图像的蝴蝶种类时，将所述蝴蝶资料与所述蝴蝶种类一起展示给所述用户。
本实施例的爬虫工具还爬取蝴蝶名称对应的蝴蝶资料，是对最终识别结果的补充，在用户识别出蝴蝶种类后，不仅可以了解到待识别图像中的蝴蝶种类，还可以详细了解蝴蝶种类对应的资料，从而了解蝴蝶的相关生活习性。
本实施例不仅呈现了待识别图像的识别结果，更是将蝴蝶的生活习性展示出来，便于用户进一步了解识别到的蝴蝶详细资料，尤其对于生物考察领域具备很好的利用价值。
本发明实施例基于YOLO算法网络模型，通过深入学习丰富蝴蝶图像识别的网格数据，利用卷积神经网络和归一化计算可以达到快速实现识别未知图像中蝴蝶的目的，不仅改善了蝴蝶识别领域的方法，更是为生物识别领域开辟了新径。
在一个实施例中，提出了一种基于神经网络的蝴蝶识别装置，如图3所示，其包括：
图像采集模块，设置为采集多张蝴蝶图像及对应蝴蝶种类，依据所述蝴蝶种类对所述蝴蝶图像进行分类存储；
模型优化模块，设置为将多张所述蝴蝶图像依据蝴蝶种类依次输入目标检测YOLO算法网络模型，训练所述YOLO算法网络模型，将所述多张蝴蝶图像的特征划分成S×S个网格，通过图像标注软件标注所述网格的蝴蝶种类及位置信息，依据所述蝴蝶种类生成特征图；
图像识别模块，设置为获取用户输入的待识别图像，将所述待识别图像输入所述YOLO算法网络模型，获取所述待识别图像的S×S(B×5+C)维数据，其中B为特征图，C为预测蝴蝶种类数量，依据所述S×S(B×5+C)维数据判断所述待识别图像所在网格的所述蝴蝶种类及位置信息，将所述蝴蝶种类展示给所述用户。
在一个实施例中，提出了一种计算机设备，包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行计算机可读指令时实现上述各实施例里一种基于神经网络的蝴蝶识别方法中的步骤。
在一个实施例中，提出了一种存储有计算机可读指令的存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述各实施例里一种基于神经网络的蝴蝶识别方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(ReA/D-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于神经网络的蝴蝶识别方法，其特征在于，包括：
采集多张蝴蝶图像及对应蝴蝶种类，依据所述蝴蝶种类对所述蝴蝶图像进行分类存储；
将多张所述蝴蝶图像依据蝴蝶种类依次输入目标检测YOLO算法网络模型，训练所述YOLO算法网络模型，将所述多张蝴蝶图像的特征划分成S×S个网格，通过图像标注软件标注所述网格的蝴蝶种类及位置信息，依据所述蝴蝶种类生成特征图；
获取用户输入的待识别图像，将所述待识别图像输入所述YOLO算法网络模型，获取所述待识别图像的S×S(B×5+C)维数据，其中B为特征图，C为预测蝴蝶种类数量，依据所述S×S(B×5+C)维数据判断所述待识别图像所在网格的所述蝴蝶种类及位置信息，将所述蝴蝶种类展示给所述用户。
2.如权利要求1所述的一种基于神经网络的蝴蝶识别方法，其特征在于，所述采集多张蝴蝶图像及对应蝴蝶种类，依据所述蝴蝶种类对所述蝴蝶图像进行分类存储，包括：
通过爬虫工具在互联网上采集多张蝴蝶图像及对应蝴蝶种类，依据所述蝴蝶种类将所述蝴蝶图像分类存储。
3.如权利要求1所述的一种基于神经网络的蝴蝶识别方法，其特征在于，所述将多张所述蝴蝶图像依据蝴蝶种类依次输入目标检测YOLO算法网络模型，训练所述YOLO算法网络模型，将所述多张蝴蝶图像的特征划分成S×S个网格，通过图像标注软件标注所述网格的蝴蝶种类及位置信息，依据蝴蝶种类生成特征图，包括：
所述YOLO算法网络模型的卷积层利用卷积核对所述蝴蝶图像进行卷积操作，提取所述蝴蝶图像的特征，将所述多张蝴蝶图像的特征划分成S×S个网格，通过图像标注软件标注所述网格的蝴蝶种类及位置信息；
所述YOLO算法网络模型的池化层对所述特征进行最大值池化处理，选择同一类所述蝴蝶种类的蝴蝶图像的特征的最大值作为特征值；
所述YOLO算法网络模型的输出层依据所述特征值生成所述蝴蝶种类的特征图，所述特征图的数量为所述蝴蝶种类的数量。
4.如权利要求3所述的一种基于神经网络的蝴蝶识别方法，其特征在于，所述YOLO算法网络模型的池化层对所述特征进行最大值池化处理后，还包括：
对所述特征进行归一化处理，所述归一化处理公式如下：
其中，E为均值，Var为方差，x(k)和y(k)分别为归一化过程的输入和输出，γ和β为归一化参数，为预设的常数，k为所述特征的数量。
5.如权利要求1所述的一种基于神经网络的蝴蝶识别方法，其特征在于，所述获取用户输入的待识别图像，将所述待识别图像输入所述YOLO算法网络模型，获取所述待识别图像的S×S(B×5+C)维数据，其中B为特征图，C为预测蝴蝶种类数量，依据所述S×S(B×5+C)维数据判断所述待识别图像所在网格的所述蝴蝶种类及位置信息，将所述蝴蝶种类展示给所述用户，包括：
将用户输入的待识别图像输入YOLO算法网络模型，获取所述待识别图像的S×S(B×5+C)维数据，其中B为特征图，C为预测蝴蝶种类数量，依据所述S×S(B×5+C)维数据判断待识别图像的特征是否存在所述网格中，当所述待识别图像的特征不在所述网格中时，提示所述用户识别无结果；
当所述待识别图像的特征在所述网络中时，计算所述待识别图像的类别预测概率和置信度，当所述待识别图像的类别预测概率大于等于预设的类别预测概率阈值且置信度大于等于预设的置信度阈值时，将所述蝴蝶种类展示给所述用户，否则提示所述用户识别无结果。
6.如权利要求5所述的一种基于神经网络的蝴蝶识别方法，其特征在于，所述当所述待识别图像的特征在所述网络中时，计算所述待识别图像的类别预测概率和置信度，包括：
计算所述待识别图像的类别预测概率和置信度，公式如下：
Pr(Object)×IOU
其中，Pr(Object)为所述待识别图像的类别预测概率，IOU为置信度，BBε为基于训练标签的参考标准框，即所述S×S网格，BBδ为检测边界框，即所述待识别图像落入网格对应的所述蝴蝶种类的特征图，area(.)为面积，每个检测边界框包括5个参数：m，n，w，h和IOU，(m,n)表示所述特征图的中心相对S×S网格的位置，(w,h)表示所述特征图的高和宽。
7.如权利要求2所述的一种基于神经网络的蝴蝶识别方法，其特征在于，所述将所述蝴蝶种类展示给所述用户，还包括：
通过爬虫工具在互联网上还爬取所述蝴蝶种类对应的蝴蝶资料，所述蝴蝶资料包括所述蝴蝶种类下的蝴蝶品种及对应品种的外观简介、生活习性，当获取到所述用户输入的待识别图像的蝴蝶种类时，将所述蝴蝶资料与所述蝴蝶种类一起展示给所述用户。
8.一种基于神经网络的蝴蝶识别装置，其特征在于，包括：
图像采集模块，设置为采集多张蝴蝶图像及对应蝴蝶种类，依据所述蝴蝶种类对所述蝴蝶图像进行分类存储；
模型优化模块，设置为将多张所述蝴蝶图像依据蝴蝶种类依次输入目标检测YOLO算法网络模型，训练所述YOLO算法网络模型，将所述多张蝴蝶图像的特征划分成S×S个网格，通过图像标注软件标注所述网格的蝴蝶种类及位置信息，依据所述蝴蝶种类生成特征图；
图像识别模块，设置为获取用户输入的待识别图像，将所述待识别图像输入所述YOLO算法网络模型，获取所述待识别图像的S×S(B×5+C)维数据，其中B为特征图，C为预测蝴蝶种类数量，依据所述S×S(B×5+C)维数据判断所述待识别图像所在网格的所述蝴蝶种类及位置信息，将所述蝴蝶种类展示给所述用户。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一种基于神经网络的蝴蝶识别方法的步骤。
10.一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项权利要求所述一种基于神经网络的蝴蝶识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910025247.1A CN109886295A (zh) | 2019-01-11 | 2019-01-11 | 一种基于神经网络的蝴蝶识别方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910025247.1A CN109886295A (zh) | 2019-01-11 | 2019-01-11 | 一种基于神经网络的蝴蝶识别方法及相关设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109886295A true CN109886295A (zh) | 2019-06-14 |
Family
ID=66925947
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910025247.1A Pending CN109886295A (zh) | 2019-01-11 | 2019-01-11 | 一种基于神经网络的蝴蝶识别方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109886295A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110363146A (zh) * | 2019-07-16 | 2019-10-22 | 杭州睿琪软件有限公司 | 一种物体识别方法、装置、电子设备和存储介质 |
| CN110889250A (zh) * | 2019-11-20 | 2020-03-17 | 北京工业大学 | 一种基于混合元启发式算法的钢桁架结构损伤识别方法 |
| CN111046943A (zh) * | 2019-12-09 | 2020-04-21 | 国网智能科技股份有限公司 | 变电站隔离刀闸状态自动识别方法及系统 |
| CN111291702A (zh) * | 2020-02-20 | 2020-06-16 | 北京嘉景生物科技有限责任公司 | 一种用于图像识别技术区分蝗虫种类的鉴别方法 |
| 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 |
| CN113219989A (zh) * | 2021-06-02 | 2021-08-06 | 安徽工业大学 | 一种基于改进的蝴蝶优化算法移动机器人路径规划方法 |
| CN115565006A (zh) * | 2022-06-28 | 2023-01-03 | 哈尔滨学院 | 一种智能图像处理方法、电子设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107316010A (zh) * | 2017-06-13 | 2017-11-03 | 武汉理工大学 | 一种识别前方车辆尾灯及判断其状态的方法 |
| CN108491797A (zh) * | 2018-03-22 | 2018-09-04 | 河北省科学院应用数学研究所 | 一种基于大数据的车辆图像精确检索方法 |
-
2019
- 2019-01-11 CN CN201910025247.1A patent/CN109886295A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107316010A (zh) * | 2017-06-13 | 2017-11-03 | 武汉理工大学 | 一种识别前方车辆尾灯及判断其状态的方法 |
| CN108491797A (zh) * | 2018-03-22 | 2018-09-04 | 河北省科学院应用数学研究所 | 一种基于大数据的车辆图像精确检索方法 |
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, vol. 55, no. 8, pages 1609 - 1618 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110363146A (zh) * | 2019-07-16 | 2019-10-22 | 杭州睿琪软件有限公司 | 一种物体识别方法、装置、电子设备和存储介质 |
| CN110889250A (zh) * | 2019-11-20 | 2020-03-17 | 北京工业大学 | 一种基于混合元启发式算法的钢桁架结构损伤识别方法 |
| CN110889250B (zh) * | 2019-11-20 | 2024-03-12 | 北京工业大学 | 一种基于混合元启发式算法的钢桁架结构损伤识别方法 |
| CN111046943A (zh) * | 2019-12-09 | 2020-04-21 | 国网智能科技股份有限公司 | 变电站隔离刀闸状态自动识别方法及系统 |
| CN111291702A (zh) * | 2020-02-20 | 2020-06-16 | 北京嘉景生物科技有限责任公司 | 一种用于图像识别技术区分蝗虫种类的鉴别方法 |
| 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 |
| CN113219989A (zh) * | 2021-06-02 | 2021-08-06 | 安徽工业大学 | 一种基于改进的蝴蝶优化算法移动机器人路径规划方法 |
| CN115565006A (zh) * | 2022-06-28 | 2023-01-03 | 哈尔滨学院 | 一种智能图像处理方法、电子设备及存储介质 |
| CN115565006B (zh) * | 2022-06-28 | 2023-08-11 | 哈尔滨学院 | 一种智能图像处理方法、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jin et al. | Weed identification using deep learning and image processing in vegetable plantation | |
| CN109886295A (zh) | 一种基于神经网络的蝴蝶识别方法及相关设备 | |
| Li et al. | An effective data augmentation strategy for CNN-based pest localization and recognition in the field | |
| CN109948425B (zh) | 一种结构感知自注意和在线实例聚合匹配的行人搜索方法及装置 | |
| Kumar et al. | Resnet-based approach for detection and classification of plant leaf diseases | |
| CN108830188A (zh) | 基于深度学习的车辆检测方法 | |
| CN110084173A (zh) | 人头检测方法及装置 | |
| CN107451602A (zh) | 一种基于深度学习的果蔬检测方法 | |
| Yu et al. | Leaf spot attention network for apple leaf disease identification | |
| CN107122375A (zh) | 基于图像特征的图像主体的识别方法 | |
| Kiratiratanapruk et al. | Using deep learning techniques to detect rice diseases from images of rice fields | |
| Hussain et al. | A simple and efficient deep learning-based framework for automatic fruit recognition | |
| Bondre et al. | Review on leaf diseases detection using deep learning | |
| Yoshihashi et al. | Evaluation of bird detection using time-lapse images around a wind farm | |
| Mitra et al. | aGROdet: a novel framework for plant disease detection and leaf damage estimation | |
| Suwais et al. | A review on classification methods for plants leaves recognition | |
| Mitra et al. | A smart agriculture framework to automatically track the spread of plant diseases using mask region-based convolutional neural network | |
| Lijo | Analysis of effectiveness of augmentation in plant disease prediction using deep learning | |
| CN111340051A (zh) | 图片处理方法、装置及存储介质 | |
| Nur Alam et al. | Apple defect detection based on deep convolutional neural network | |
| Nanditha et al. | Classification of animals using toy images | |
| Omer et al. | An image dataset construction for flower recognition using convolutional neural network | |
| Mohanraj et al. | Banana Leaf Disease Detection using Advanced Convolutional Neural Network | |
| CN114445691A (zh) | 模型训练方法、装置、电子设备及存储介质 | |
| CN112465821A (zh) | 一种基于边界关键点感知的多尺度害虫图像检测方法 |
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 |