CN110674805A - 昆虫识别方法及系统 - Google Patents

昆虫识别方法及系统 Download PDF

Info

Publication number
CN110674805A
CN110674805A CN201910964270.7A CN201910964270A CN110674805A CN 110674805 A CN110674805 A CN 110674805A CN 201910964270 A CN201910964270 A CN 201910964270A CN 110674805 A CN110674805 A CN 110674805A
Authority
CN
China
Prior art keywords
insect
server
identification
client
species
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.)
Granted
Application number
CN201910964270.7A
Other languages
English (en)
Other versions
CN110674805B (zh
Inventor
徐青松
李青
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.)
Hangzhou Glority Software Ltd
Original Assignee
Hangzhou Glority Software 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 Hangzhou Glority Software Ltd filed Critical Hangzhou Glority Software Ltd
Priority to CN201910964270.7A priority Critical patent/CN110674805B/zh
Publication of CN110674805A publication Critical patent/CN110674805A/zh
Priority to PCT/CN2020/117052 priority patent/WO2021068744A1/zh
Priority to US17/767,448 priority patent/US11663802B2/en
Application granted granted Critical
Publication of CN110674805B publication Critical patent/CN110674805B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Human Computer Interaction (AREA)
  • Library & Information Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种昆虫识别方法及系统，系统包括客户端和服务器，所述客户端和所述服务器连接，所述方法包括：所述客户端获取目标用户拍摄的包含待识别昆虫的影像照片，并获取所述影像照片中的昆虫区域，将所述昆虫区域进行切片处理得到昆虫图片，将所述昆虫图片发送给服务器；所述服务器调用部署在所述服务器的昆虫种类识别模型对所述昆虫图片进行识别处理，并将识别结果发送给所述客户端；所述客户端将所述识别结果推送给所述目标用户。应用本发明提供的方案可以解决现有技术中昆虫识别难度大、准确率低的问题。

Description

昆虫识别方法及系统
技术领域
本发明涉及计算机视觉技术领域，特别涉及一种昆虫识别方法及系统。
背景技术
目前，越来越多的人喜欢到户外观赏昆虫，当人们发现不认识的昆虫种类时，通常会通过昆虫识别APP进行识别。目前的昆虫识别APP进行识别的流程是客户端在获取到用户提供的昆虫的影像照片后会对图片进行压缩再传输给服务器，服务器使用昆虫识别模型进行识别。然而在实际应用中，昆虫的影像照片一般多是远距离拍摄的，导致昆虫本身占据整张照片的面积较小，图片压缩后会导致昆虫区域的分辨率太低，增加了识别难度，同时降低了识别的准确率。
发明内容
本发明的目的在于提供一种昆虫识别方法及系统，以解决现有技术中昆虫识别难度大、准确率低的问题。具体技术方案如下：
第一方面，本发明提供了一种昆虫识别方法，采用一种昆虫识别系统实现，所述昆虫识别系统包括客户端和服务器，所述客户端和所述服务器连接，所述方法包括：
所述客户端获取目标用户拍摄的包含待识别昆虫的影像照片，并获取所述影像照片中的昆虫区域，将所述昆虫区域进行切片处理得到昆虫图片，将所述昆虫图片发送给服务器；
所述服务器调用部署在所述服务器的昆虫种类识别模型对所述昆虫图片进行识别处理，并将识别结果发送给所述客户端；
所述客户端将所述识别结果推送给所述目标用户。
可选的，所述客户端获取所述影像照片中的昆虫区域的方法包括：
通过部署在所述客户端的昆虫区域识别模型从所述影像照片中识别出昆虫区域。
可选的，所述客户端获取所述影像照片中的昆虫区域的方法包括：
将所述影像照片进行压缩处理，并将压缩后的影像照片上传到所述服务器；
所述服务器通过部署在所述服务器的昆虫区域识别模型从压缩后的影像照片中识别出昆虫区域，并将昆虫区域的位置信息发送给所述客户端；
所述客户端根据昆虫区域的位置信息从未压缩的所述影像照片中确定所述昆虫区域。
可选的，所述昆虫区域识别模型为基于目标识别建立的神经网络模型。
可选的，所述识别结果包括所述昆虫种类识别模型对所述昆虫图片识别出的多个可能性较大的昆虫种类；
所述方法还包括：
针对多个可能性较大的昆虫种类，所述服务器选取每一昆虫种类对应的多张参考昆虫图片发送给所述客户端；
所述客户端将每一昆虫种类对应的多张参考昆虫图片推送给所述目标用户。
可选的，所述方法还包括：
针对多个可能性较大的昆虫种类，所述服务器将每一昆虫种类的属性信息发送给所述客户端；
所述客户端将每一昆虫种类的属性信息推送给所述目标用户。
可选的，各个参考昆虫图片选自所述目标用户和/或其它用户上传的昆虫图片；
所述方法还包括：
针对多个可能性较大的昆虫种类，所述服务器将各个参考昆虫图片的属性信息发送给所述客户端；
所述客户端将各个参考昆虫图片的属性信息推送给所述目标用户。
可选的，在所述服务器对所述昆虫图片进行识别处理后，还包括：
所述服务器在一预设的近似昆虫数据库中进行搜索，判断识别出的昆虫种类是否存在于所述近似昆虫数据库中；所述近似昆虫数据库中记录有相似昆虫种类之间的区别特征；
如果是，所述服务器从所述近似昆虫数据库中确定识别出的昆虫种类与相似昆虫种类的区别特征并发送给所述客户端，所述客户端提示所述目标用户拍摄待识别昆虫的所述区别特征的部位进行二次识别。
可选的，通过以下操作中的一种或多种操作来确定至少两个昆虫种类属于相似昆虫种类：
所述至少两个昆虫种类是常见的易混淆的昆虫种类；
当用户提供所述至少两个昆虫种类中的一个昆虫种类的图像供其他用户对所述一个昆虫种类进行鉴定和投票时，鉴定和投票的结果中所述至少两个昆虫种类中的其他昆虫种类的数量大于阈值；以及
利用所述至少两个昆虫种类中的任何一个昆虫种类的测试样本集对利用训练样本集建立的昆虫种类识别模型进行测试，所述测试的结果中识别结果为所述至少两个昆虫种类的数量均大于阈值。
可选的，所述昆虫图片还携带有拍摄时间信息和/或拍摄位置信息；
在所述服务器对所述昆虫图片进行识别处理后，还包括：
所述服务器根据所述拍摄时间信息和/或拍摄位置信息，对识别出的昆虫种类进行筛选。
可选的，所述服务器部署有不同地域对应的昆虫种类识别模型；
所述服务器调用部署在所述服务器的昆虫种类识别模型对所述昆虫图片进行识别处理，包括：
所述服务器获取所述昆虫图片的拍摄位置信息，并根据拍摄位置信息确定对应的昆虫种类识别模型；
所述服务器调用所确定的昆虫种类识别模型对所述昆虫图片进行识别处理。
可选的，所述服务器预先记录有所述目标用户设置的感兴趣昆虫种类；
所述方法还包括：
当所述服务器识别出其它用户上传的昆虫图片为所述目标用户的感兴趣昆虫种类时，将其它用户上传的昆虫图片及其对应的拍摄位置和拍摄时间信息发送给所述客户端，所述客户端将其它用户上传的昆虫图片及其对应的拍摄位置和拍摄时间信息推送给所述目标用户。
可选的，所述服务器二次识别得到所述待识别昆虫的种类信息后，还包括：
将所述待识别昆虫的种类关联到存储在壁纸数据库中的相应的壁纸以供所述用户使用或收藏。
可选的，所述客户端允许所述目标用户将所述昆虫图片上传至公共平台，所述公共平台允许所述目标用户对自己或其他用户上传的昆虫图片点赞或进行评论。
第二方面，本发明还提供了一种系统，包括一个或多个处理器；以及
一个或多个存储器，所述一个或多个存储器被配置为存储一系列计算机可执行指令以及与所述一系列计算机可执行指令相关联的计算机可访问数据，
其中，所述一系列计算机可执行指令在由所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据第一方面任一项所述的昆虫识别方法。
第三方面，本发明还提供了一种非暂态计算机可读存储介质，其上存储有一系列计算机可执行指令，所述一系列计算机可执行指令在由一个或多个计算装置执行时，使得所述一个或多个计算装置执行根据第一方面任一项所述的昆虫识别方法。
与现有技术相比，本发明的技术方案具有以下有益效果：
客户端获取待识别昆虫的影像照片后，获取影像照片中的昆虫区域并进行切片得到昆虫图片，将昆虫图片发送给服务器以使服务器进行识别处理。由于客户端是获取影像照片中的昆虫区域从而切片得到昆虫图片的，昆虫图片相对于原始的影像照片数据量小，因此可以降低传输带宽和网络状态的要求，传输速度更快，同时昆虫图片相对于原始的影像照片分辨率不变，便于后期服务器的识别处理并且使得识别结果更加准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的昆虫识别方法的流程示意图；
图2是本发明一实施例提供的昆虫识别系统的结构示意图；
图3是本发明一实施例提供的计算设备的示例性配置图。
具体实施方式
以下结合附图和具体实施例对本发明提出的一种昆虫识别方法及系统作进一步详细说明。根据下面说明，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
为解决现有技术中昆虫识别难度大、准确率低的问题，本发明实施例提供了一种昆虫方法及系统。
图1是本发明一实施例提供的一种昆虫识别方法的流程示意图，图2是本发明一实施例提供的一种昆虫识别系统的结构示意图，所述昆虫识别系统包括客户端和服务器，所述客户端和所述服务器连接。
图1所示的昆虫识别方法可采用图2所示的昆虫识别系统实现。请参考图1，一种昆虫识别方法可以包括如下步骤：
步骤S101，所述客户端获取目标用户拍摄的包含待识别昆虫的影像照片，并获取所述影像照片中的昆虫区域，将所述昆虫区域进行切片处理得到昆虫图片，将所述昆虫图片发送给服务器；
步骤S102，所述服务器调用部署在所述服务器的昆虫种类识别模型对所述昆虫图片进行识别处理，并将识别结果发送给所述客户端；
步骤S103，所述客户端将所述识别结果推送给所述目标用户。
在步骤S101中，影像照片可以是所述目标用户先前存储的或者所述目标用户实时拍摄的。所述目标用户可以通过便携式设备内置的镜头或与该便携式设备连接的外置镜头来拍摄昆虫的影像照片。用户拍摄的影像可以是单个的图片，也可以是拍摄的视频，如果是视频可以通过获取每个视频帧的方式获取图片。
在获取到影像照片后，所述客户端可获取所述影像照片中的昆虫区域。在一种实现方式中，所述客户端获取所述影像照片中的昆虫区域的方法包括：通过部署在所述客户端的昆虫区域识别模型从所述影像照片中识别出昆虫区域。所述客户端通过预先建立的昆虫区域识别模型进行分析，以得到影像照片中昆虫所在的区域，并对昆虫区域进行切片处理得到昆虫图片，再将所述昆虫图片发送给服务器以进行昆虫种类识别。通过客户端部署的昆虫区域识别模型来识别昆虫区域并切片传输，可以降低传输带宽和网络状态的要求，提高传输速度，同时不会压缩降低昆虫图片的分辨率，方便后续服务器的识别处理，并且使得服务器的识别结果更加准确。
在另一种实现方式中，所述客户端获取所述影像照片中的昆虫区域的方法包括：将所述影像照片进行压缩处理，并将压缩后的影像照片上传到所述服务器；所述服务器通过部署在所述服务器的昆虫区域识别模型从压缩后的影像照片中识别出昆虫区域，并将昆虫区域的位置信息发送给所述客户端；所述客户端根据昆虫区域的位置信息从未压缩的所述影像照片中确定所述昆虫区域。可以理解的是，用户拍摄的影像照片通常分辨率较高，数据量较大，而客户端的计算能力有限，由客户端识别昆虫区域的速度较慢，而服务器的处理速度更快，因此将昆虫的影像照片压缩后发送给服务器，由服务器根据压缩后的较小分辨率的影像照片中识别出昆虫区域，然后由客户端在原始的较大分辨率的影像照片中切片得到昆虫图片。如此，不仅能够降低传输带宽和网络状态的要求，提高传输速度，还可以提高昆虫区域的识别速度，同时不会压缩降低昆虫图片的分辨率，方便后续服务器的识别处理，并且使得服务器的识别结果更加准确。
所述昆虫区域识别模型为基于目标识别(object detection)建立的神经网络模型，优选可以为卷积神经网络模型或者mask-rcnn模型。所述昆虫区域识别模型对影像照片进行识别后，将昆虫区域以标注矩形框的形式标注出来，从而可对识别到的昆虫区域进行切片形成单独的昆虫图片。由于所述目标用户获取的影像照片中通常存在背景物体，或者影像照片中待识别昆虫的周围存在其他物体的部分区域，因此采用目标识别，例如采用卷积神经网络模型或者mask-rcnn等方法可以在影像图片中准确找到待识别昆虫的区域。
在步骤S102中，所述服务器调用部署在所述服务器的昆虫种类识别模型对所述昆虫图片进行识别处理以识别出昆虫种类，昆虫种类识别模型为神经网络模型。上述神经网络例如可以包括深度卷积神经网络(CNN)或者深度残差网络(Resnet)。其中，深度卷积神经网络为深度前馈神经网络，其利用卷积核扫描昆虫图片，提取出昆虫图片中待识别的特征，进而对昆虫待识别的特征进行识别。另外，在对昆虫图片进行识别的过程中，可以直接将原始昆虫图片输入深度卷积神经网络模型，而无需对昆虫图片进行预处理。深度卷积神经网络模型相比于其他的识别模型，具备更高的识别准确率以及识别效率。而深度残差网络模型相比于深度卷积神经网络模型增加了恒等映射层，可以避免随着网络深度(网络中叠层的数量)的增加，卷积神经网络造成的准确率饱和、甚至下降的现象。残差网络模型中恒等映射层的恒等映射函数需要满足：恒等映射函数与残差网络模型的输入之和等于残差网络模型的输出。引入恒等映射以后，残差网络模型对输出的变化更加明显，因此可以大大提高昆虫识别的识别准确率和识别效率，进而提高昆虫的识别准确率和识别效率。
在实际应用中，所述昆虫种类识别模型输出的识别结果可包括一个或多个昆虫种类，所述多个昆虫种类具有各自的可能性，所述服务器可以按照识别结果的可能性从高到低排列多个可能的昆虫种类信息。
具体的，在一种实现方式中，所述识别结果包括所述昆虫种类识别模型对所述昆虫图片识别出的多个可能性较大的昆虫种类，从而针对这多个可能性较大的昆虫种类，所述服务器可以选取每一昆虫种类对应的多张参考昆虫图片发送给所述客户端，所述客户端将每一昆虫种类对应的多张参考昆虫图片推送给所述目标用户。进一步的，所述服务器还可以将每一昆虫种类的属性信息发送给所述客户端，从而所述客户端将每一昆虫种类的属性信息推送给所述目标用户，昆虫的属性信息可以包括：昆虫的分类信息、基本特征信息、习性信息、图集照片等。每一昆虫种类选取多张参考昆虫图片推送给目标用户，以便于展现每一昆虫种类的不同形态和角度，各个参考昆虫图片可选自所述目标用户和/或其它用户上传的昆虫图片，同时所述服务器还可以将各个参考昆虫图片的属性信息发送给所述客户端，所述客户端将各个参考昆虫图片的属性信息推送给所述目标用户，参考昆虫图片的属性信息可包括：图片的上传用户信息、拍摄时间信息和拍摄位置信息等，以便所述目标用户查看参考昆虫图片的上传用户信息、拍摄时间信息和拍摄位置信息。
进一步的，为提高昆虫识别的准确度，还可以管理维护一个近似昆虫数据库，所述近似昆虫数据库中预先记录有相似昆虫种类之间的区别特征，根据相似昆虫种类之间的区别特征以提示目标用户对易混淆的近似昆虫进行二次识别，得到更加准确的识别结果。具体的，步骤S102中所述服务器在对所述昆虫图片进行识别处理获得识别结果之后，所述服务器还可以在一预设的近似昆虫数据库中进行搜索，判断识别出的昆虫种类是否存在于所述近似昆虫数据库中；如果是，所述服务器从所述近似昆虫数据库中确定识别出的昆虫种类与相似昆虫种类的区别特征并发送给所述客户端，所述客户端提示所述目标用户拍摄待识别昆虫的所述区别特征的部位进行二次识别。提示信息可以通过文字方式、图片方式或图文结合方式中的任何一种方式显示，还可以是视频讲解的方式。
举例而言，蝴蝶和飞蛾属于生活中常见的相似昆虫种类，蝗虫、蚱蜢、蛐蛐、蝈蝈也属于相似昆虫种类，则可将这两组相似昆虫种类记录在相似昆虫数据库中，同时也记录每组相似昆虫种类之间的区别特征。例如，相似昆虫数据库记录了蝴蝶和飞蛾的区别特征有：蝴蝶的触角多为棒状，触角顶端膨大如同火柴棒一般，飞蛾的触角多为丝状、羽状、栉齿状；蝴蝶在停歇时常把双翅垂直向上竖起在背后，而飞蛾则将它们的翅垂下，以帐篷状的方式覆盖腹部。当服务器对某一昆虫图片进行识别处理后，识别结果为该昆虫的种类为蝴蝶，则通过在近似昆虫数据库中搜索可判断出该昆虫种类存在于近似昆虫数据库中，即该昆虫种类存在相似的昆虫种类飞蛾，此时服务器从近似昆虫数据库中获取蝴蝶和飞蛾的区别特征，将区别特征通过客户端推送给用户，提示用户可以拍摄区别特征的部位(即重点拍摄昆虫的触角或翅)以进行二次识别，以便于准确的识别出该昆虫是蝴蝶还是飞蛾。如此，拍摄区别特征的部位进行二次识别可避免将昆虫误识别为相似的昆虫种类，提高昆虫种类识别的准确度。
易混淆的昆虫种类可以包括相同物种中的至少两个品种，或者至少两个物种，可以通过以下的一种或多种方法来确定多个昆虫种类属于易混淆的相似昆虫种类。
例如，在第一种方法中，可以确定多个昆虫种类属于常见的易混淆的昆虫种类。例如根据常识，蝴蝶和飞蛾属于生活中常见的易混淆的昆虫种类，蝗虫、蚱蜢、蛐蛐、蝈蝈也属于生活中常见的易混淆的昆虫种类。
在第二种方法中，可以根据安装在所述客户端中的应用内的鉴定和投票功能来做出判断。例如，当用户对于某种昆虫的识别结果不确定时，可以在应用内发起鉴定或投票，其中包括多个昆虫种类的候选选项，这些候选选项可以是用户自定义的或由系统自动挑选的。该鉴定或投票的结果中的某些候选选项的出现次数达到阈值时，系统将这些候选选项认定为易混淆的昆虫种类。在一个示例中，在鉴定或投票中包括两个候选选项：蝴蝶、飞蛾和蝉。共计收到500个有效反馈结果，其中蝴蝶、飞蛾和蝉的出现次数分别为250、200和50，阈值为100(阈值可以是预先设定的，也可以是根据有效反馈结果的数量而计算得到的(诸如阈值与有效反馈结果的数量呈一定比例))。因此，A和B被确定为属于易混淆的昆虫种类。
在第三种方法中，可以根据训练识别模型时的中间结果来确定多个昆虫种类属于易混淆的昆虫种类。例如，系统通过训练样本集建立了昆虫种类识别模型，并且利用测试样本集对昆虫种类识别模型进行测试。当测试的结果中多个昆虫种类的出现次数大于阈值时，则确定该多个昆虫种类属于易混淆的昆虫种类。例如，蝴蝶存在多个品种，例如粉蝶、蛱蝶、凤蝶等。将包含1000张粉蝶的图像的测试样本集发送给昆虫种类识别模型进行识别测试，其中测试的结果显示：500张为粉蝶、300张为蛱蝶、100张为凤蝶、以及100张为其他近似昆虫。设定阈值为200(阈值可以是预先设定的，也可以是根据有效测试结果的数量而计算得到的(诸如阈值与有效测试结果的数量呈一定比例))，则确定粉蝶、蛱蝶为易混淆的昆虫种类。
进一步的，在进行昆虫种类识别时，可根据地域和季节等信息排除掉不可能的昆虫种类，以进一步提高识别的准确度。具体的，所述昆虫图片还携带有拍摄时间信息和/或拍摄位置信息，在所述服务器对所述昆虫图片进行识别处理后，还包括：所述服务器根据所述拍摄时间信息和/或拍摄位置信息，对识别出的昆虫种类进行筛选。即，所述客户端在获取待识别昆虫的影像照片时，同时获取并记录所述目标用户拍摄影像照片时的位置信息和时间信息，该位置信息包括但不限于GPS信息。举例而言，若对某一昆虫图片的识别结果中包含了多个可能性较大的昆虫种类，其中一个昆虫种类为蝉，而该昆虫图片的拍摄时间为12月(蝉不可能出现在12月)，则可以根据拍摄时间将蝉这个昆虫种类排除掉。
此外，所述服务器还可将所述昆虫图片存储到该昆虫种类的样本库中，存储时记录图片的位置信息、日期信息和时间信息，也会记录到当前位置的该昆虫种类对应的生理周期信息和形态信息中，以便后续用户使用。
在实际应用中，常见的重要昆虫种类也可以按照地域进行统计，不同地域具有不同的常见昆虫种类，可以针对这些常见物种进行强化训练，得到不同地域对应的昆虫种类识别模型。昆虫种类识别模型可以包括按照地理区域划分的多个昆虫种类识别模型。例如，地理区域可以按照北美、东亚、欧洲等较大面积的区域划分，也可以按照中国的长三角、珠三角、西北地区的等较小面积的区域进行划分。
具体的，预先在所述服务器部署不同地域对应的昆虫种类识别模型；所述服务器调用部署在所述服务器的昆虫种类识别模型对所述昆虫图片进行识别处理，包括：所述服务器获取所述昆虫图片的拍摄位置信息，并根据拍摄位置信息确定对应的昆虫种类识别模型；所述服务器调用所确定的昆虫种类识别模型对所述昆虫图片进行识别处理。根据昆虫图片的位置信息调用不同的昆虫种类识别模型，例如美国和中国的昆虫种类识别模型分别是利用各自地理区域的不同昆虫种类样本训练建立的不同昆虫种类识别模型。
进一步的，在步骤S103之后，若用户对识别结果不确定，还可以将昆虫图片上传进行投票鉴定，同时将识别结果中的多个可能的昆虫种类作为选项或者用户自定义的选项提供给其它用户进行投票鉴定。
另外，为提高用户体验，目标用户还可收藏自己感兴趣的昆虫种类，以使所述服务器预先记录所述目标用户设置的感兴趣昆虫种类，当所述服务器识别出其它用户上传的昆虫图片为所述目标用户的感兴趣昆虫种类时，将其它用户上传的昆虫图片及其对应的拍摄位置和拍摄时间信息发送给所述客户端，所述客户端将其它用户上传的昆虫图片及其对应的拍摄位置和拍摄时间信息推送给所述目标用户。目标用户收藏感兴趣的昆虫种类后，当附近有其它用户拍摄上传相同种类的昆虫图片时，可提醒目标用户进行查看其它用户拍摄的图片以及相关的位置和时间信息，也可以选择查看某一昆虫种类在地图上的分布信息，或者选择某一区域查看该区域具有用户拍摄的哪些昆虫种类，也可在世界地图中查看世界各地的昆虫。
还可以管理一个壁纸数据库，其中存储有大量的昆虫壁纸图像，各个壁纸图像可根据昆虫种类进行分类。当识别出昆虫种类之后，所述服务器还可以将该昆虫种类关联到存储在壁纸数据库中的相应的壁纸以供用户使用或收藏。所述客户端还可以允许所述目标用户将所述昆虫图片上传至公共平台，所述公共平台允许所述目标用户对自己或其他用户上传的昆虫图片点赞或进行评论。所述服务器还可以对用户上传昆虫图片的数量进行统计并进行排名，发布世界范围内的排行榜，以提高昆虫识别的趣味性和互动性。
下面对昆虫区域识别模型和昆虫种类识别模型的训练进行说明。昆虫区域识别模型和昆虫种类识别模型可以通过使用包括大量昆虫图片的训练样本集对相应的神经网络进行训练得到。
在一个实施例中，昆虫区域识别模型/昆虫种类识别模型可以基于对神经网络进行训练来建立，其训练过程如下：
为每个昆虫种类获取一定数量的标注有对应信息的图像样本，为每个昆虫种类准备的图像样本的数量可以相等也可以不等。为每个图像样本标注的对应信息可以包括图像样本中昆虫所在的区域以及昆虫名称(包括学名、别称、动物学分类的类别名称等)。为每个昆虫种类获取的图像样本可以尽可能包括该种类的昆虫的不同角度、不同光照条件、不同季节(例如同一昆虫在不同季节的形态可能不同)、不同时间(例如同一昆虫在每天的早晨和夜晚的形态可能不同)、不同生长环境(例如同一昆虫在陆地和水中生长的形态可能不同)、不同地理位置(例如同一昆虫在不同的地理位置生长的形态可能不同)的图像。在这些情况下，为每个图像样本标注的对应信息还可以包括该图像样本的角度、光照、季节、时间、生长环境、地理位置等信息。
将经过上述标注处理的图像样本划分为用于训练昆虫区域识别模型/昆虫种类识别模型的训练样本集和用于对训练结果进行测试的测试样本集。通常训练样本集内的样本的数量明显大于测试样本集内的样本的数量，例如，测试样本集内的样本的数量占总图像样本数量的5％到20％，相应的训练样本集内的样本的数量占总图像样本数量的80％到95％。本领域技术人员应该理解的是，训练样本集和测试样本集内的样本数量可以根据需要来调整。
利用训练样本集对神经网络进行训练，并利用测试样本集对经过训练的神经网络的输出准确率进行测试。若输出准确率不满足要求，则增加训练样本集中的图像样本的数量，并利用更新的训练样本集重新对神经网络进行训练，直到经过训练的神经网络的输出准确率满足要求为止。若输出准确率满足要求，则训练结束。如此，输出准确率满足要求的经过训练的神经网络可以用作已训练的昆虫区域识别模型/昆虫种类识别模型。
综上所述，本实施例提供的昆虫识别方法，客户端获取待识别昆虫的影像照片后，获取影像照片中的昆虫区域并进行切片得到昆虫图片，将昆虫图片发送给服务器以使服务器进行识别处理。由于客户端是获取影像照片中的从而切片得到昆虫图片的，昆虫图片相对于原始的影像照片数据量小，因此可以降低传输带宽和网络状态的要求，传输速度更快，同时昆虫图片相对于原始的影像照片分辨率不变，便于后期服务器的识别处理并且使得识别结果更加准确。
请参考图2，图2是本发明一实施例提供的一种昆虫识别系统的结构示意图，一种昆虫识别系统可以包括：客户端201、服务器202、训练设备203和数据库204，它们通过网络205彼此有线或无线地耦接。
所述客户端201，用于获取目标用户拍摄的包含待识别昆虫的影像照片，并获取所述影像照片中的昆虫区域，将所述昆虫区域进行切片处理得到昆虫图片，将所述昆虫图片发送给服务器202；
所述服务器202，用于调用部署在所述服务器的昆虫种类识别模型对所述昆虫图片进行识别处理，并将识别结果发送给所述客户端201；
所述客户端201，还用于将所述识别结果推送给所述目标用户。
可选的，所述客户端201，具体用于通过部署在所述客户端201的昆虫区域识别模型从所述影像照片中识别出昆虫区域。
可选的，所述客户端201，具体用于将所述影像照片进行压缩处理，并将压缩后的影像照片上传到所述服务器202；
所述服务器202，具体用于通过部署在所述服务器202的昆虫区域识别模型从压缩后的影像照片中识别出昆虫区域，并将昆虫区域的位置信息发送给所述客户端201；
所述客户端201，具体用于根据昆虫区域的位置信息从未压缩的所述影像照片中确定所述昆虫区域。
可选的，所述昆虫区域识别模型为基于目标识别建立的神经网络模型。
可选的，所述识别结果包括所述昆虫种类识别模型对所述昆虫图片识别出的多个可能性较大的昆虫种类；
所述服务器202，具体用于针对多个可能性较大的昆虫种类，选取每一昆虫种类对应的多张参考昆虫图片发送给所述客户端201；
所述客户端201，具体用于将每一昆虫种类对应的多张参考昆虫图片推送给所述目标用户。
可选的，所述服务器202，还用于针对多个可能性较大的昆虫种类，将每一昆虫种类的属性信息发送给所述客户端201；
所述客户端201，还用于将每一昆虫种类的属性信息推送给所述目标用户。
可选的，各个参考昆虫图片选自所述目标用户和/或其它用户上传的昆虫图片；
所述服务器202，还用于针对多个可能性较大的昆虫种类，将各个参考昆虫图片的属性信息发送给所述客户端201；
所述客户端201，还用于将各个参考昆虫图片的属性信息推送给所述目标用户。
可选的，所述服务器202，还用于在对所述昆虫图片进行识别处理后，在一预设的近似昆虫数据库中进行搜索，判断识别出的昆虫种类是否存在于所述近似昆虫数据库中；所述近似昆虫数据库中记录有相似昆虫种类之间的区别特征；如果是，从所述近似昆虫数据库中确定识别出的昆虫种类与相似昆虫种类的区别特征并发送给所述客户端201；
所述客户端201，还用于提示所述目标用户拍摄待识别昆虫的所述区别特征的部位进行二次识别。
可选的，通过以下操作中的一种或多种操作来确定至少两个昆虫种类属于相似昆虫种类：
所述至少两个昆虫种类是常见的易混淆的昆虫种类；
当用户提供所述至少两个昆虫种类中的一个昆虫种类的图像供其他用户对所述一个昆虫种类进行鉴定和投票时，鉴定和投票的结果中所述至少两个昆虫种类中的其他昆虫种类的数量大于阈值；以及
利用所述至少两个昆虫种类中的任何一个昆虫种类的测试样本集对利用训练样本集建立的昆虫种类识别模型进行测试，所述测试的结果中识别结果为所述至少两个昆虫种类的数量均大于阈值。
可选的，所述昆虫图片还携带有拍摄时间信息和/或拍摄位置信息；
所述服务器202，还用于在对所述昆虫图片进行识别处理后，根据所述拍摄时间信息和/或拍摄位置信息，对识别出的昆虫种类进行筛选。
可选的，所述服务器202部署有不同地域对应的昆虫种类识别模型；
所述服务器202，具体用于获取所述昆虫图片的拍摄位置信息，并根据拍摄位置信息确定对应的昆虫种类识别模型，调用所确定的昆虫种类识别模型对所述昆虫图片进行识别处理。
可选的，所述服务器202预先记录有所述目标用户设置的感兴趣昆虫种类；
所述服务器202，还用于当识别出其它用户上传的昆虫图片为所述目标用户的感兴趣昆虫种类时，将其它用户上传的昆虫图片及其对应的拍摄位置和拍摄时间信息发送给所述客户端201；
所述客户端201，还用于将其它用户上传的昆虫图片及其对应的拍摄位置和拍摄时间信息推送给所述目标用户。
可选的，所述服务器202，还用于在二次识别得到所述待识别昆虫的种类信息后，将所述待识别昆虫的种类关联到存储在壁纸数据库中的相应的壁纸以供所述用户使用或收藏。
可选的，所述客户端201允许所述目标用户将所述昆虫图片上传至公共平台，所述公共平台允许所述目标用户对自己或其他用户上传的昆虫图片点赞或进行评论。
本实施例提供的昆虫识别系统，客户端获取待识别昆虫的影像照片后，获取影像照片中的昆虫区域并进行切片得到昆虫图片，将昆虫图片发送给服务器以使服务器进行识别处理。由于客户端是获取影像照片中的昆虫区域从而切片得到昆虫图片的，昆虫图片相对于原始的影像照片数据量小，因此可以降低传输带宽和网络状态的要求，传输速度更快，同时昆虫图片相对于原始的影像照片分辨率不变，便于后期服务器的识别处理并且使得识别结果更加准确。
在所述昆虫识别系统中，网络205可以体现为广域网(诸如移动电话网络、公共交换电话网络、卫星网络、互联网等)、局域网(诸如Wi-Fi、Wi-Max、ZigBeeTM、BluetoothTM等)和/或其它形式的联网功能。
客户端201可以为移动电话、平板计算机、膝上型计算机、个人数字助理和/或被配置用于捕获、存储和/或传输诸如数字照片之类的图像的其它计算装置。因此，客户端201可以包括诸如数字相机之类的图像捕获装置和/或可以被配置为从其它装置接收图像。客户端201可以包括显示器。显示器可以被配置用于向用户提供一个或多个用户界面，所述用户界面可以包括多个界面元素，用户可以与界面元素进行交互等。例如，用户可以使用客户端201对昆虫进行拍照并上传或存储图像。客户端201可以向用户输出有关昆虫的种类信息等。
训练设备203可以耦合到网络205以促进昆虫区域识别模型和昆虫种类识别模型的训练。训练设备203可以具有多个CPU和/或GPU以辅助训练昆虫区域识别模型和昆虫种类识别模型。
数据库205(包括近似昆虫数据库和壁纸数据库)可以耦合到网络205并提供服务器202进行相关计算所需的数据。数据库205可以采取本领域中已知的各种数据库技术来实现。服务器202可以根据需要访问数据库205以进行相关操作。
图3示出了可以实现根据本发明的实施例的计算设备300的示例性配置。计算设备300是可以应用本发明的上述方面的硬件设备的实例。计算设备300可以是被配置为执行处理和/或计算的任何机器。计算设备300可以是但不限制于工作站、服务器、台式计算机、膝上型计算机、平板计算机、个人数据助手(PDA)、智能电话、车载计算机或以上组合。
如图3所示，计算设备300可以包括可能经由一个或多个接口与总线302连接或通信的一个或多个元件。总线302可以包括但不限于，工业标准架构(Industry StandardArchitecture，ISA)总线、微通道架构(Micro Channel Architecture，MCA)总线、增强ISA(EISA)总线、视频电子标准协会(VESA)局部总线、以及外设组件互连(PCI)总线等。计算设备300可以包括例如一个或多个处理器304、一个或多个输入设备306、以及一个或多个输出设备308。一个或多个处理器304可以是任何种类的处理器，并且可以包括但不限于一个或多个通用处理器或专用处理器(诸如专用处理芯片)。输入设备306可以是能够向计算设备输入信息的任何类型的输入设备，并且可以包括但不限于鼠标、键盘、触摸屏、麦克风和/或远程控制器。输出设备308可以是能够呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。
计算设备300还可以包括或被连接至非暂态存储设备314，该非暂态存储设备314可以是任何非暂态的并且可以实现数据存储的存储设备，并且可以包括但不限于盘驱动器、光存储设备、固态存储器、软盘、柔性盘、硬盘、磁带或任何其他磁性介质、压缩盘或任何其他光学介质、缓存存储器和/或任何其他存储芯片或模块、和/或计算机可以从其中读取数据、指令和/或代码的其他任何介质。计算设备300还可以包括随机存取存储器(RAM)310和只读存储器(ROM)312。ROM 312可以以非易失性方式存储待执行的程序、实用程序或进程。RAM 310可提供易失性数据存储，并存储与计算设备300的操作相关的指令。计算设备300还可包括耦接至数据链路318的网络/总线接口316。网络/总线接口316可以是能够启用与外部装置和/或网络通信的任何种类的设备或系统，并且可以包括但不限于调制解调器、网络卡、红外线通信设备、无线通信设备和/或芯片集(诸如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设施等)。
可以单独地或以任何组合方式来使用前述实施方案的各个方面、实施方案、具体实施或特征。可由软件、硬件或硬件与软件的组合来实现前述实施方案的各个方面。
例如，前述实施方案可体现为计算机可读介质上的计算机可读代码。计算机可读介质为可存储数据的任何数据存储设备，所述数据其后可由计算机系统读取。计算机可读介质的示例包括只读存储器、随机存取存储器、CD-ROM、DVD、磁带、硬盘驱动器、固态驱动器和光学数据存储设备。计算机可读介质还可分布在网络耦接的计算机系统中使得计算机可读代码以分布式方式来存储和执行。
例如，前述实施方案可采用硬件电路的形式。硬件电路可以包括组合式逻辑电路、时钟存储设备(诸如软盘、触发器、锁存器等)、有限状态机、诸如静态随机存取存储器或嵌入式动态随机存取存储器的存储器、定制设计电路、可编程逻辑阵列等的任意组合。
需要说明的是，本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。

Claims (16)

1.一种昆虫识别方法，其特征在于，采用一种昆虫识别系统实现，所述昆虫识别系统包括客户端和服务器，所述客户端和所述服务器连接，所述方法包括：
所述客户端获取目标用户拍摄的包含待识别昆虫的影像照片，并获取所述影像照片中的昆虫区域，将所述昆虫区域进行切片处理得到昆虫图片，将所述昆虫图片发送给服务器；
所述服务器调用部署在所述服务器的昆虫种类识别模型对所述昆虫图片进行识别处理，并将识别结果发送给所述客户端；
所述客户端将所述识别结果推送给所述目标用户。
2.如权利要求1所述的昆虫识别方法，其特征在于，所述客户端获取所述影像照片中的昆虫区域的方法包括：
通过部署在所述客户端的昆虫区域识别模型从所述影像照片中识别出昆虫区域。
3.如权利要求1所述的昆虫识别方法，其特征在于，所述客户端获取所述影像照片中的昆虫区域的方法包括：
将所述影像照片进行压缩处理，并将压缩后的影像照片上传到所述服务器；
所述服务器通过部署在所述服务器的昆虫区域识别模型从压缩后的影像照片中识别出昆虫区域，并将昆虫区域的位置信息发送给所述客户端；
所述客户端根据昆虫区域的位置信息从未压缩的所述影像照片中确定所述昆虫区域。
4.如权利要求2或3所述的昆虫识别方法，其特征在于，所述昆虫区域识别模型为基于目标识别建立的神经网络模型。
5.如权利要求1所述的昆虫识别方法，其特征在于，所述识别结果包括所述昆虫种类识别模型对所述昆虫图片识别出的多个可能性较大的昆虫种类；
所述方法还包括：
针对多个可能性较大的昆虫种类，所述服务器选取每一昆虫种类对应的多张参考昆虫图片发送给所述客户端；
所述客户端将每一昆虫种类对应的多张参考昆虫图片推送给所述目标用户。
6.如权利要求5所述的昆虫识别方法，其特征在于，所述方法还包括：
针对多个可能性较大的昆虫种类，所述服务器将每一昆虫种类的属性信息发送给所述客户端；
所述客户端将每一昆虫种类的属性信息推送给所述目标用户。
7.如权利要求5所述的昆虫识别方法，其特征在于，各个参考昆虫图片选自所述目标用户和/或其它用户上传的昆虫图片；
所述方法还包括：
针对多个可能性较大的昆虫种类，所述服务器将各个参考昆虫图片的属性信息发送给所述客户端；
所述客户端将各个参考昆虫图片的属性信息推送给所述目标用户。
8.如权利要求1所述的昆虫识别方法，其特征在于，在所述服务器对所述昆虫图片进行识别处理后，还包括：
所述服务器在一预设的近似昆虫数据库中进行搜索，判断识别出的昆虫种类是否存在于所述近似昆虫数据库中；所述近似昆虫数据库中记录有相似昆虫种类之间的区别特征；
如果是，所述服务器从所述近似昆虫数据库中确定识别出的昆虫种类与相似昆虫种类的区别特征并发送给所述客户端，所述客户端提示所述目标用户拍摄待识别昆虫的所述区别特征的部位进行二次识别。
9.如权利要求8所述的昆虫识别方法，其特征在于，通过以下操作中的一种或多种操作来确定至少两个昆虫种类属于相似昆虫种类：
所述至少两个昆虫种类是常见的易混淆的昆虫种类；
当用户提供所述至少两个昆虫种类中的一个昆虫种类的图像供其他用户对所述一个昆虫种类进行鉴定和投票时，鉴定和投票的结果中所述至少两个昆虫种类中的其他昆虫种类的数量大于阈值；以及
利用所述至少两个昆虫种类中的任何一个昆虫种类的测试样本集对利用训练样本集建立的昆虫种类识别模型进行测试，所述测试的结果中识别结果为所述至少两个昆虫种类的数量均大于阈值。
10.如权利要求1所述的昆虫识别方法，其特征在于，所述昆虫图片还携带有拍摄时间信息和/或拍摄位置信息；
在所述服务器对所述昆虫图片进行识别处理后，还包括：
所述服务器根据所述拍摄时间信息和/或拍摄位置信息，对识别出的昆虫种类进行筛选。
11.如权利要求1所述的昆虫识别方法，其特征在于，所述服务器部署有不同地域对应的昆虫种类识别模型；
所述服务器调用部署在所述服务器的昆虫种类识别模型对所述昆虫图片进行识别处理，包括：
所述服务器获取所述昆虫图片的拍摄位置信息，并根据拍摄位置信息确定对应的昆虫种类识别模型；
所述服务器调用所确定的昆虫种类识别模型对所述昆虫图片进行识别处理。
12.如权利要求1所述的昆虫识别方法，其特征在于，所述服务器预先记录有所述目标用户设置的感兴趣昆虫种类；
所述方法还包括：
当所述服务器识别出其它用户上传的昆虫图片为所述目标用户的感兴趣昆虫种类时，将其它用户上传的昆虫图片及其对应的拍摄位置和拍摄时间信息发送给所述客户端，所述客户端将其它用户上传的昆虫图片及其对应的拍摄位置和拍摄时间信息推送给所述目标用户。
13.如权利要求8所述的昆虫识别方法，其特征在于，所述服务器二次识别得到所述待识别昆虫的种类信息后，还包括：
将所述待识别昆虫的种类关联到存储在壁纸数据库中的相应的壁纸以供所述用户使用或收藏。
14.如权利要求1所述的昆虫识别方法，其特征在于，所述客户端允许所述目标用户将所述昆虫图片上传至公共平台，所述公共平台允许所述目标用户对自己或其他用户上传的昆虫图片点赞或进行评论。
15.一种系统，其特征在于，包括：
一个或多个处理器；以及
一个或多个存储器，所述一个或多个存储器被配置为存储一系列计算机可执行指令以及与所述一系列计算机可执行指令相关联的计算机可访问数据，
其中，所述一系列计算机可执行指令在由所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1-14中任一项所述的方法。
16.一种非暂态计算机可读存储介质，其特征在于，其上存储有一系列计算机可执行指令，所述一系列计算机可执行指令在由一个或多个计算装置执行时，使得所述一个或多个计算装置执行根据权利要求1-14中任一项所述的方法。
CN201910964270.7A 2019-10-11 2019-10-11 昆虫识别方法及系统 Active CN110674805B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910964270.7A CN110674805B (zh) 2019-10-11 2019-10-11 昆虫识别方法及系统
PCT/CN2020/117052 WO2021068744A1 (zh) 2019-10-11 2020-09-23 昆虫识别方法及系统
US17/767,448 US11663802B2 (en) 2019-10-11 2020-09-23 Insect identification method and system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910964270.7A CN110674805B (zh) 2019-10-11 2019-10-11 昆虫识别方法及系统

Publications (2)

Publication Number Publication Date
CN110674805A true CN110674805A (zh) 2020-01-10
CN110674805B CN110674805B (zh) 2022-04-15

Family

ID=69081642

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910964270.7A Active CN110674805B (zh) 2019-10-11 2019-10-11 昆虫识别方法及系统

Country Status (3)

Country Link
US (1) US11663802B2 (zh)
CN (1) CN110674805B (zh)
WO (1) WO2021068744A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111507314A (zh) * 2020-06-05 2020-08-07 张立 虫害控制设施人工智能影像数据采集系统
CN112579802A (zh) * 2020-10-28 2021-03-30 深圳市农产品质量安全检验检测中心(深圳市动物疫病预防控制中心) 农产品种类模型库建立方法
CN112579882A (zh) * 2020-10-28 2021-03-30 深圳市农产品质量安全检验检测中心(深圳市动物疫病预防控制中心) 农产品种类识别方法
WO2021068744A1 (zh) * 2019-10-11 2021-04-15 杭州睿琪软件有限公司 昆虫识别方法及系统
US11048928B1 (en) 2020-02-04 2021-06-29 University Of South Florida Systems and methods of entomology classification based on extracted anatomies
CN113111207A (zh) * 2021-04-21 2021-07-13 海南绿昆环岛害虫防治有限公司 一种有害生物防治检测信息系统及其实现方法
WO2022100352A1 (zh) * 2020-11-13 2022-05-19 杭州睿琪软件有限公司 用于显示识别结果的方法和计算机系统
CN118658035A (zh) * 2024-08-20 2024-09-17 腾讯科技（深圳）有限公司 一种图像识别方法、装置、设备、存储介质及程序产品

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
USD1014550S1 (en) * 2020-10-30 2024-02-13 Samsung Electronics Co., Ltd. Display screen or portion thereof with graphical user interface
US20220335446A1 (en) * 2021-04-14 2022-10-20 Sunshine Energy Technology Co., Ltd. Real Food Honesty Display System
CN113688858A (zh) * 2021-05-12 2021-11-23 中国农业科学院草原研究所 草原蝗虫智能识别系统及识别方法
US20230077353A1 (en) * 2021-08-31 2023-03-16 University Of South Florida Systems and Methods for Classifying Mosquitoes Based on Extracted Masks of Anatomical Components from Images
CN114383296B (zh) * 2021-12-20 2023-08-18 青岛海尔空调器有限总公司 用于控制空调的方法、装置及空调
CN114219590B (zh) * 2022-02-23 2022-06-17 广亚铝业有限公司 一种基于服务器与客户端app的门窗信息服务系统及方法
KR20240126596A (ko) * 2023-02-14 2024-08-21 팜커넥트주식회사 학습을 통한 곤충 개체 식별 장치 및 방법
CN116468962B (zh) * 2023-06-20 2023-10-24 浙江天演维真网络科技股份有限公司 害虫识别方法、装置、设备及介质
CN117437385B (zh) * 2023-12-21 2024-04-02 武汉新普惠科技有限公司 基于视觉分析的农业害虫识别系统及方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105869118A (zh) * 2016-04-19 2016-08-17 北京君和信达科技有限公司 安检服务器、移动检查终端、系统及处理安检图像的方法
CN106127239A (zh) * 2016-06-18 2016-11-16 深圳市易特科信息技术有限公司 基于地理位置的植物识别系统及方法
CN106354869A (zh) * 2016-09-13 2017-01-25 四川研宝科技有限公司 基于位置信息与时间段的实景图像处理方法及其服务器
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
CN107784020A (zh) * 2016-08-31 2018-03-09 司邦杰 一种动植物昆虫品种识别方法
CN108875534A (zh) * 2018-02-05 2018-11-23 北京旷视科技有限公司 人脸识别的方法、装置、系统及计算机存储介质
CN109215017A (zh) * 2018-08-16 2019-01-15 腾讯科技（深圳）有限公司 图片处理方法、装置、用户终端、服务器及存储介质
CN109344851A (zh) * 2018-08-01 2019-02-15 迈克医疗电子有限公司 图像分类显示方法和装置、分析仪器和存储介质
CN109447150A (zh) * 2018-10-26 2019-03-08 杭州睿琪软件有限公司 一种植物观赏方法、装置、电子设备和存储介质
WO2019109730A1 (zh) * 2017-12-04 2019-06-13 阿里巴巴集团控股有限公司 识别对象损伤的处理方法、装置、服务器、客户端

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8285590B2 (en) * 2000-06-23 2012-10-09 Ecomsystems, Inc. Systems and methods for computer-created advertisements
US9108107B2 (en) * 2002-12-10 2015-08-18 Sony Computer Entertainment America Llc Hosting and broadcasting virtual events using streaming interactive video
US8571259B2 (en) * 2009-06-17 2013-10-29 Robert Allan Margolis System and method for automatic identification of wildlife
TWI590193B (zh) * 2011-09-29 2017-07-01 國立清華大學 昆蟲影像檢測方法以及昆蟲分類流程
CN104624505B (zh) * 2015-01-16 2016-08-31 同济大学 一种基于图像识别的废塑料分离方法与系统
US10592750B1 (en) * 2015-12-21 2020-03-17 Amazon Technlogies, Inc. Video rule engine
CN105897735A (zh) * 2016-05-13 2016-08-24 李玉婷 一种智能识别方法
CN107066938B (zh) * 2017-02-08 2020-02-07 清华大学 视频分析设备、方法和计算机程序产品
US11373288B2 (en) * 2017-10-27 2022-06-28 Basf Se Apparatus for plant management
KR102557208B1 (ko) * 2017-10-30 2023-07-19 머티어리얼리스 엔브이 스캐닝 시스템들의 캘리브레이션
JP6590417B2 (ja) * 2017-11-21 2019-10-16 株式会社バイオーム 判別装置、判別方法、判別プログラム、判別システム
US10613726B2 (en) * 2017-12-22 2020-04-07 Adobe Inc. Removing and replacing objects in images according to a directed user conversation
WO2019157598A1 (en) * 2018-02-16 2019-08-22 9282181 Canada Inc. System and method for growing plants and monitoring growth of plants
IL260844B (en) * 2018-07-29 2019-09-26 Benedek Nadav System and method for locating and destroying insects
CA3052661A1 (en) * 2018-08-21 2020-02-21 Bite Inc. Retail ordering system with facial recognition
US10829091B2 (en) * 2018-09-20 2020-11-10 Ford Global Technologies, Llc Vehicle sensor cleaning
US10963742B2 (en) * 2018-11-02 2021-03-30 University Of South Florida Leveraging smart-phone cameras and image processing techniques to classify mosquito genus and species
CN109449150A (zh) 2018-12-11 2019-03-08 杰群电子科技（东莞）有限公司 带引脚封装、无引脚封装的功率模块及其对应加工方法
IT201900002249A1 (it) * 2019-02-15 2020-08-15 Agrorobotica S R L Sistema e metodo di predizione del rischio di attacco di insetti
CN109872333B (zh) * 2019-02-20 2021-07-06 腾讯科技（深圳）有限公司 医学影像分割方法、装置、计算机设备和存储介质
US20220142135A1 (en) * 2019-02-22 2022-05-12 The Johns Hopkins University Insect specimen analysis system
US11354546B2 (en) * 2019-05-03 2022-06-07 Verily Life Sciences Llc Insect singulation and classification
US11250266B2 (en) * 2019-08-09 2022-02-15 Clearview Ai, Inc. Methods for providing information about a person based on facial recognition
CN110674805B (zh) * 2019-10-11 2022-04-15 杭州睿琪软件有限公司 昆虫识别方法及系统
US11263662B2 (en) * 2020-06-02 2022-03-01 Mespoke, Llc Systems and methods for automatic hashtag embedding into user generated content using machine learning
TWI760124B (zh) * 2021-03-02 2022-04-01 國立臺灣大學 計數害蟲數量之分級預警系統
CN115436347A (zh) * 2021-06-02 2022-12-06 布鲁克科学有限公司 用于离子光谱中的结构识别的理化性质评分

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105869118A (zh) * 2016-04-19 2016-08-17 北京君和信达科技有限公司 安检服务器、移动检查终端、系统及处理安检图像的方法
CN106127239A (zh) * 2016-06-18 2016-11-16 深圳市易特科信息技术有限公司 基于地理位置的植物识别系统及方法
CN107784020A (zh) * 2016-08-31 2018-03-09 司邦杰 一种动植物昆虫品种识别方法
CN106354869A (zh) * 2016-09-13 2017-01-25 四川研宝科技有限公司 基于位置信息与时间段的实景图像处理方法及其服务器
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
WO2019109730A1 (zh) * 2017-12-04 2019-06-13 阿里巴巴集团控股有限公司 识别对象损伤的处理方法、装置、服务器、客户端
CN108875534A (zh) * 2018-02-05 2018-11-23 北京旷视科技有限公司 人脸识别的方法、装置、系统及计算机存储介质
CN109344851A (zh) * 2018-08-01 2019-02-15 迈克医疗电子有限公司 图像分类显示方法和装置、分析仪器和存储介质
CN109215017A (zh) * 2018-08-16 2019-01-15 腾讯科技（深圳）有限公司 图片处理方法、装置、用户终端、服务器及存储介质
CN109447150A (zh) * 2018-10-26 2019-03-08 杭州睿琪软件有限公司 一种植物观赏方法、装置、电子设备和存储介质

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021068744A1 (zh) * 2019-10-11 2021-04-15 杭州睿琪软件有限公司 昆虫识别方法及系统
US11663802B2 (en) 2019-10-11 2023-05-30 Hangzhou Glority Software Limited Insect identification method and system
US11048928B1 (en) 2020-02-04 2021-06-29 University Of South Florida Systems and methods of entomology classification based on extracted anatomies
CN111507314A (zh) * 2020-06-05 2020-08-07 张立 虫害控制设施人工智能影像数据采集系统
CN112579802A (zh) * 2020-10-28 2021-03-30 深圳市农产品质量安全检验检测中心(深圳市动物疫病预防控制中心) 农产品种类模型库建立方法
CN112579882A (zh) * 2020-10-28 2021-03-30 深圳市农产品质量安全检验检测中心(深圳市动物疫病预防控制中心) 农产品种类识别方法
CN112579802B (zh) * 2020-10-28 2024-10-15 深圳市农产品质量安全检验检测中心(深圳市动物疫病预防控制中心) 农产品种类模型库建立方法
WO2022100352A1 (zh) * 2020-11-13 2022-05-19 杭州睿琪软件有限公司 用于显示识别结果的方法和计算机系统
CN113111207A (zh) * 2021-04-21 2021-07-13 海南绿昆环岛害虫防治有限公司 一种有害生物防治检测信息系统及其实现方法
CN118658035A (zh) * 2024-08-20 2024-09-17 腾讯科技（深圳）有限公司 一种图像识别方法、装置、设备、存储介质及程序产品

Also Published As

Publication number Publication date
US20220358742A1 (en) 2022-11-10
US11663802B2 (en) 2023-05-30
CN110674805B (zh) 2022-04-15
WO2021068744A1 (zh) 2021-04-15

Similar Documents

Publication Publication Date Title
CN110674805B (zh) 昆虫识别方法及系统
US11335087B2 (en) Method and system for object identification
US11637797B2 (en) Automated image processing and content curation
US11822600B2 (en) Content tagging
US8923570B2 (en) Automated memory book creation
CN107977390B (zh) 绘本识别方法、装置、系统及电子设备
CN110490086B (zh) 一种用于对象识别结果二次确认的方法及系统
KR101810578B1 (ko) 셔터 클릭을 통한 자동 미디어 공유
US10078781B2 (en) Automatically organizing images
WO2017020514A1 (zh) 图片场景判定方法、装置以及服务器
US20140193077A1 (en) Image retrieval apparatus, image retrieval method, query image providing apparatus, query image providing method, and program
US20130129142A1 (en) Automatic tag generation based on image content
WO2020098121A1 (zh) 快速模型的训练方法、装置、计算机设备及存储介质
CN107729946B (zh) 图片分类方法、装置、终端及存储介质
JPH1091634A (ja) 写真画像検索システム
KR101782590B1 (ko) 이미지 분석기반의 관계형 태그생성 및 추천 방법
CN105320242A (zh) 拍照方法及拍照终端
CN105069718B (zh) 基于移动物联网的智慧国土不动产自助监测方法和系统
CN106714099A (zh) 照片信息处理及景点识别方法、客户端、服务器
WO2023093480A1 (zh) 物种游览方法、游览系统及可读存储介质
CN111966851B (zh) 基于少量样本的图像识别方法和系统
CN107038090A (zh) 选择包括视听数据的内容的方法和电子设备、系统、计算机程序产品和计算机可读存储介质
CN112544060A (zh) 推送方法、电子设备、可移动平台、推送系统及计算机可读存储介质
CN112970025A (zh) 图像搜索方法、装置、存储介质及电子设备
CN118823564A (zh) 云状识别方法、装置、设备及存储介质

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
GR01 Patent grant
GR01 Patent grant