CN110245604A - 基于卷积神经网络的蚊虫识别方法 - Google Patents

Abstract

本发明公开了一种基于卷积神经网络的蚊虫识别方法。其步骤为：(1)构建特征提取模块；(2)构建前景预测模块；(3)构建识别和定位模块；(4)组成卷积神经网络；(5)构建蚊虫数据集；(6)训练卷积神经网络；(7)对蚊虫图片进行识别；本发明采用卷积神经网络，用于检测蚊虫诱捕装置拍摄到的蚊虫图片，对蚊虫进行类别识别和计数，能够有效解决现有自动蚊虫监测方法只能监测蚊虫数量不能监测蚊虫类别，人工识别蚊虫类别耗时耗力的问题，本发明具有可以自动监测蚊虫类别和数量，且监测精度高的优点。

Description

基于卷积神经网络的蚊虫识别方法

技术领域

本发明属于图像处理技术领域，更进一步涉及图像识别技术领域中的一种基于卷积神经网络的蚊虫识别方法。本发明可用于检测蚊虫诱捕装置拍摄到的蚊虫图片，对蚊虫进行识别和计数。

背景技术

蚊子在全球致命动物排行榜中高居首位，为了科学有效地对蚊虫防制及蚊媒传染病预警，需对蚊虫的种群密度、季节消长等进行监测，对其所可能携带病原进行风险评估，做出蚊媒传染病的预警和防护措施，以便进行科学有效的杀灭与控制。现有的蚊媒监测技术主要包括人诱法(人工叮咬法)、人帐诱捕法、人工小时法、诱蚊灯(紫外灯)诱捕法、灭蚊磁场法。人诱法、人帐诱捕法操作简单，但需要基层人员直接接触蚊虫，存在感染蚊媒疾病的风险。人工小时法、诱蚊灯诱捕法、灭蚊磁场法需要基层人员定时收集计数，费时费力且受人为因素影响较大结果易产生偏差。这些现有的人工方法需要依靠专业技术人员人工定时计数和识别蚊虫类别，存在人力物力的巨大消耗问题，操作步骤繁琐，受人为因素的影响较大，不够客观和科学，直接接触蚊虫也存在感染疾病的危险，同时带来的是不够精确和无法实时的监测结果。

广东智源信息技术有限公司在其申请的专利文献“一种基于图像识别的蚊虫数量快速监测诱蚊灯”(专利申请号201811414380.8，公开号109287589A)中公开了一种基于图像识别的蚊虫数量快速监测方法。该诱蚊灯的蚊虫图像识别模块中采用二值化OSTU算法，自适应的找出二值化的阈值，然后对图像中的蚊虫和背景进行分割，即去掉图像周围没有蚊虫的区域，然后将分割后的图像传输到中央服务中对蚊虫进行识别。该方法使用图像识别的方式完成蚊子的自动计数，并自动上传统计数据，大大减少了基层工作人员的工作量和蚊媒监测工作对基层工作人员的依赖性。该方法存在的不足之处是，只能用于蚊虫计数和密度监测，无法对蚊虫类别进行精准识别。

肇庆市高新区甜慕新能源技术有限公司在其申请的专利文献“一种蚊虫的防控方法”(专利申请号201810899328.X，公开号109006737)中公开了一种蚊虫的防控方法。该方法中的蚊虫监测模块使用红外感应装置监测蚊虫的个数和密度，当有物体通过红外感应模块时光被遮住，接收模块输出一个高电平脉冲，对此脉冲进行计数，从而实现对蚊虫数目的统计。通过摄像头拍摄蚊虫图像上传到上位机，人工对蚊虫类别进行识别。该方法存在的不足之处是，通过两个单独的模块分别对蚊虫的数量和类别进行识别，操作步骤复杂，消耗大量人力和物力，识别精度低。

发明内容

本发明的目的在于针对上述现有技术存在的不足，提出一种基于卷积神经网络的蚊虫识别方法，解决现有蚊虫监测方法只能监测蚊虫数量不能监测蚊虫类别的问题。

本发明的技术思路是，构建蚊虫数据集，构建并训练卷积神经网络，将卷积神经网络输出的向量与类别和位置相对应，对蚊虫数据集中的蚊虫进行识别，使得网络能够精确识别蚊虫种类。

本发明的实现的具体步骤如下：

(1)构建特征提取模块：

(1a)搭建一个14层的特征提取模块，其结构依次为：第一卷积层→第二卷积层→第一池化层→第三卷积层→第四卷积层→第二池化层→第五卷积层→第六卷积层→第七卷积层→第三池化层→第八卷积层→第九卷积层→第十卷积层→第四池化层；

(1b)将第一至第十卷积层中卷积核的个数分别设置为32，32，64，64，128，128，128，128，128，128，卷积核的大小均设置为3×3，步长均设置为1，第一至池化层均采用最大池化的方式，池化区域核的大小均设置为2×2，步长均设置为2；

(2)构建前景预测模块：

(2a)搭建由三个卷积层组成的前景预测模块，其结构依次为：第十一卷积层→第十二卷积层→第十三卷积层；所述第十一卷积层与第十二卷积层和第十三卷积层并联；

(2b)将第十一、第十二、第十三卷积层的卷积核的大小分别设置为3×3，1×1，1×1，卷积核的个数分别设置为128，2，8，步长均设置为1；

(3)构建识别和定位模块：

(3a)搭建一个识别和定位模块，其结构依次为：第五池化层→第一全连接层→第二全连接层→第三全连接层→第四全连接层；所述第二全连接层与第三全连接层和第四全连接层并联；

(3b)将第五池化层设置为最大池化方式，池化区域核的大小设置为2×2，步长设置为2，第一、第二、第三、第四全连接层的神经元个数分别设置为1024，1024，4，16，所述第一、第二全连接层的每个神经元的值表示蚊虫在不同类别上的响应，第三全连接层中每个神经元中值经过归一化后分别表示蚊虫对于每个类别的概率分数，第四全连接层中每四个神经元的值分别表示蚊虫对于每个类别的左上角和右下角的坐标位置；

(4)将特征提取模块、位置预测模块、识别和定位模块依次连接组成卷积神经网络；

(5)构建蚊虫数据集：

(5a)使用蚊虫捕捉装置在户外每隔30s拍摄一张蚊虫图片，图片大小均为3280×2464×3，从拍摄的图片中挑选出至少450张含有蚊虫目标的图片；

(5b)对每张蚊虫图片中的蚊虫进行标注，记录标注蚊虫所用的每个外接矩形框的各顶点坐标和其代表的类别，每张图片对应生成一个xml格式的标注文件；将所有的图片放到名为JPEGImages的文件夹中，将所有的xml格式的标注文件放到Annotations文件夹中，得到蚊虫数据集；

(6)训练卷积神经网络：

(6a)将蚊虫数据集按9：2的比例随机分为训练集和测试集；

(6b)将训练集输入到卷积神经网络中，用梯度下降法更新卷积神经网络的权值20000次，得到训练好的卷积神经网络；

(7)对蚊虫图片进行识别：

(7a)将蚊虫数据集的测试集中的图片依次输入到训练好的卷积神经网络中，输出两个分别包含类别和位置信息的特征向量；

(7b)从类别特征向量所包含的蚊虫属于每类的概率分数中选择最高概率对应的类别作为测试样本的类别标签，从位置特征向量中选择与类别标签对应的坐标位置作为测试样本的位置标签，获得蚊虫的类别和位置。

与现有技术相比，本发明具有以下优点：

第一，由于本发明构建了蚊虫图片数据集，克服了现有技术存在的蚊虫识别数据集缺失，现有蚊虫监测算法只能对蚊虫数量进行计算，无法进行识别的问题，使得本发明为蚊虫类别的精确识别提供了先决条件。

第二，由于本发明构建了由特征提取模块、前景预测模块、识别和定位模块组成的卷积神经网络，克服了现有蚊虫监测方法只能对蚊虫数量和密度进行监测的局限性问题，使得本发明能够对蚊虫类别进行精确识别，对蚊媒传染病监控有着重要的意义。

附图说明

图1为本发明的流程图。

具体实施方式

下面结合附图1对本发明的实现步骤做进一步的描述。

步骤1，构建特征提取模块。

搭建一个14层的特征提取模块，其结构依次为：第一卷积层→第二卷积层→第一池化层→第三卷积层→第四卷积层→第二池化层→第五卷积层→第六卷积层→第七卷积层→第三池化层→第八卷积层→第九卷积层→第十卷积层→第四池化层。

将第一至第十卷积层中卷积核的个数分别设置为32，32，64，64，128，128，128，128，128，128，卷积核的大小均设置为3×3，步长均设置为1，第一至池化层均采用最大池化的方式，池化区域核的大小均设置为2×2，步长均设置为2。

步骤2，构建前景预测模块。

搭建由三个卷积层组成的前景预测模块，其结构依次为：第十一卷积层→第十二卷积层→第十三卷积层；所述第十一卷积层与第十二卷积层和第十三卷积层并联。

将第十一、第十二、第十三卷积层的卷积核的大小分别设置为3×3，1×1，1×1，卷积核的个数分别设置为128，2，8，步长均设置为1。

步骤3，构建识别和定位模块。

搭建一个识别和定位模块，其结构依次为：第五池化层→第一全连接层→第二全连接层→第三全连接层→第四全连接层；所述第二全连接层与第三全连接层和第四全连接层并联。

将第五池化层设置为最大池化方式，池化区域核的大小设置为2×2，步长设置为2，第一、第二、第三、第四全连接层的神经元个数分别设置为1024，1024，4，16。

所述第一、第二全连接层的每个神经元的值表示蚊虫在不同类别特征上的响应，第三全连接层中每个神经元中值经过归一化后分别表示蚊虫对于不同蚊虫类别的概率分数，第四全连接层中每四个神经元的值分别表示蚊虫对于每个类别的左上角和右下角的坐标位置。

本发明实施例中设置的第三全连接层的4个神经元分别对应背景和三类蚊虫，库蚊，伊蚊，按蚊，第四全连接层的16个神经元分别对应背景和三类蚊虫的左上角和右下角的坐标位置。

本发明所述方法并不局限于对库蚊、伊蚊、按蚊，这三类蚊虫的类别进行识别，如需对更多类别的蚊虫进行识别，第三全连接层和第四全连接层的神经元的总数是按照下式设置的：

N₃＝C+1

N₄＝(C+1)×4

其中，N₃表示第三全连接层神经元的总数，C表示蚊虫类别的总数，N₄表示第四全连接层神经元的总数。

步骤4，将特征提取模块、位置预测模块、识别和定位模块依次连接组成卷积神经网络。

步骤5，构建蚊虫数据集。

使用蚊虫捕捉装置在户外每隔30s拍摄一张蚊虫图片，图片大小均为3280×2464×3，从拍摄的图片中挑选出至少450张含有蚊虫目标的图片。

对每张蚊虫图片中的蚊虫进行标注，标注种类共三类，分别为：库蚊、尹蚊、按蚊，记录标注蚊虫所用的每个外接矩形框的各顶点坐标和其代表的类别，每张图片对应生成一个xml格式的标注文件；将所有的图片放到名为JPEGImages的文件夹中，将所有的xml格式的标注文件放到Annotations文件夹中，得到蚊虫数据集。

步骤6，训练卷积神经网络。

将蚊虫数据集按9：2的比例随机分为训练集和测试集。

将训练集输入到卷积神经网络中，用梯度下降法更新卷积神经网络的权值20000次，得到训练好的卷积神经网络。

所述的梯度下降法的步骤如下：

第1步，将卷积网络的学习率设置为0.001。

第2步，将卷积网络的输出值与类别标签值的差值作为梯度值。

第3步，利用下式，更新卷积神经网络的权值：

其中，表示更新后的卷积神经网络的权值，←表示赋值操作，θ表示卷积神经网络自身随机生成服从高斯分布的权值，表示卷积神经网络的梯度值。

步骤7，对蚊虫图片进行识别。

将蚊虫数据集的测试集中的图片依次输入到训练好的卷积神经网络中，输出两个分别包含类别和位置信息的特征向量。

从类别特征向量所包含的蚊虫属于每类的概率分数中选择最高概率对应的类别作为测试样本的类别标签，从位置特征向量中选择与类别标签对应的坐标位置作为测试样本的位置标签，获得蚊虫的类别和位置。

Claims (3)

1.一种基于卷积神经网络的蚊虫识别方法，其特征在于，构建蚊虫数据集，构建并训练卷积神经网络，将卷积神经网络输出的向量与类别和位置相对应，对蚊虫数据集中的蚊虫进行识别，该方法的步骤如下：

(1)构建特征提取模块：

(1a)搭建一个14层的特征提取模块，其结构依次为：第一卷积层→第二卷积层→第一池化层→第三卷积层→第四卷积层→第二池化层→第五卷积层→第六卷积层→第七卷积层→第三池化层→第八卷积层→第九卷积层→第十卷积层→第四池化层；

(1b)将第一至第十卷积层中卷积核的个数分别设置为32，32，64，64，128，128，128，128，128，128，卷积核的大小均设置为3×3，步长均设置为1，第一至池化层均采用最大池化的方式，池化区域核的大小均设置为2×2，步长均设置为2；

(2)构建前景预测模块：

(2a)搭建由三个卷积层组成的前景预测模块，其结构依次为：第十一卷积层→第十二卷积层→第十三卷积层；所述第十一卷积层与第十二卷积层和第十三卷积层并联；

(2b)将第十一、第十二、第十三卷积层的卷积核的大小分别设置为3×3，1×1，1×1，卷积核的个数分别设置为128，2，8，步长均设置为1；

(3)构建识别和定位模块：

(3a)搭建一个识别和定位模块，其结构依次为：第五池化层→第一全连接层→第二全连接层→第三全连接层→第四全连接层；所述第二全连接层与第三全连接层和第四全连接层并联；

(3b)将第五池化层设置为最大池化方式，池化区域核的大小设置为2×2，步长设置为2，第一、第二、第三、第四全连接层的神经元个数分别设置为1024，1024，4，16，所述第一、第二全连接层的每个神经元的值表示蚊虫在不同类别上的响应，第三全连接层中每个神经元中值经过归一化后分别表示蚊虫对于每个类别的概率分数，第四全连接层中每四个神经元的值分别表示蚊虫对于每个类别的左上角和右下角的坐标位置；

(4)将特征提取模块、位置预测模块、识别和定位模块依次连接组成卷积神经网络；

(5)构建蚊虫数据集：

(5a)使用蚊虫捕捉装置在户外每隔30s拍摄一张蚊虫图片，图片大小均为3280×2464×3，从拍摄的图片中挑选出至少450张含有蚊虫目标的图片；

(5b)对每张蚊虫图片中的蚊虫进行标注，记录标注蚊虫所用的每个外接矩形框的各顶点坐标和其代表的类别，每张图片对应生成一个xml格式的标注文件；将所有的图片放到名为JPEGImages的文件夹中，将所有的xml格式的标注文件放到Annotations文件夹中，得到蚊虫数据集；

(6)训练卷积神经网络：

(6a)将蚊虫数据集按9：2的比例随机分为训练集和测试集；

(6b)将训练集输入到卷积神经网络中，用梯度下降法更新卷积神经网络的权值20000次，得到训练好的卷积神经网络；

(7)对蚊虫图片进行识别：

(7a)将蚊虫数据集的测试集中的图片依次输入到训练好的卷积神经网络中，输出两个分别包含类别和位置信息的特征向量；

(7b)从类别特征向量所包含的蚊虫属于每类的概率分数中选择最高概率对应的类别作为测试样本的类别标签，从位置特征向量中选择与类别标签对应的坐标位置作为测试样本的位置标签，获得蚊虫的类别和位置。

2.根据权利要求1所述的基于卷积神经网络的蚊虫识别方法，其特征在于，步骤(3b)中所述的第三全连接层和第四全连接层的神经元的总数是按照下式设置的：

N₃＝C+1

N₄＝(C+1)×4

其中，N₃表示第三全连接层神经元的总数，C表示蚊虫类别的总数，N₄表示第四全连接层神经元的总数。

3.根据权利要求1所述的基于卷积神经网络的蚊虫识别方法，其特征在于，步骤(6b)中所述的梯度下降法的步骤如下：

第一步，将卷积网络的学习率设置为0.001；

第二步，将卷积网络的输出值与类别标签值的差值作为梯度值；

第三步，利用下式，更新卷积神经网络的权值：

其中，表示更新后的卷积神经网络的权值，←表示赋值操作，θ表示卷积神经网络自身随机生成服从高斯分布的权值，表示卷积神经网络的梯度值。