基于深度学习的鳞翅目昆虫图像处理研究

摘要

将先进的计算机视觉技术有效应用于昆虫自动分类一直是昆虫分类学的研究热点，此项研究可应用到环境监测、病虫害诊断、流行病学等各个领域。但目前在昆虫自动分类中应用的技术仍滞后于前沿的计算机视觉技术。
　　本文以为害最广的鳞翅目昆虫为实验对象展开研究，包括蝶类和蛾类。主要研究了深度学习算法在鳞翅目昆虫图像处理中的应用，包括基于全卷积神经网络的鳞翅目昆虫前背景分割方法，基于端到端深度卷积神经网络(Deep convolutional neural network)及DCNN特征提取器的鳞翅目昆虫识别方法。本文主要内容如下:
　　(1)给出了一种基于全卷积神经网(Full convolutional neural network)的鳞翅目昆虫前背景分割方法。采用多特征层融合的方式来提高鳞翅目昆虫图像前背景预测的精度。在没有人工交互及阈值预设的情况下，利用网络权值的学习，充分挖掘鳞翅目昆虫前景的颜色、纹理等特征信息，实现了精准的鳞翅目昆虫图像自动前背景分割。最后通过最大轮廓提取，消除前背景分割结果中的孤立区域及前景中的空洞，然后以优化后的前景图像作为识别的输入图像。
　　(2)利用高性能的深度卷积神经网络DCNN实现对鳞翅目昆虫图像的识别。不同于传统“特征选择及提取—分类器设计及训练”的两步式操作，本文构建了一个端到端的DCNN识别模型，直接以224×224的彩色图像作为输入，通过隐层映射得到分类结果。对本文构建的70类鳞翅目昆虫集进行了分类实验，测试识别率达到了99.8％。
　　(3)提出了适用于小规模样本的基于DCNN+SVM的鳞翅目昆虫识别算法。使用一个面向大规模样本的DCNN识别网络作为一个特征提取器，再联合一个x2核SVM分类器实现对鳞翅目昆虫的识别。对70类鳞翅目昆虫进行识别实验，最高识别率达到100％，效果优于基于颜色、纹理等传统特征的分类识别手段。

目录

摘要

1．1 研究背景及意义

1．2 国内外研究现状

1．2．1 视觉领域的深度学习算法研究现状

1．2．2 昆虫识别研究现状

1．2．3 昆虫目标分割研究现状

1．3 存在问题及研究内容

1．4 本文的组织结构和主要创新点

1．5 本章小结

2．1 引言

2．2 深度卷积神经网络

2．2．1 卷积神经网络结构单元

2．2．3 深度卷积神经网络结构

2．2．4 网络参数训练

2．3 MatConvNet深度学习框架

2．4 本章小结

第3章 基于FCN的鳞翅目昆虫图像前背景分割

3．1 引言

3．2 基于FCN的图像鳞翅目前背景分割

3．2．1 全卷积神经网络

3．2．2 基于全卷积网络的鳞翅目前背景分割模型

3．3 分割结果评价指标

3．4 鳞翅目昆虫图像前背景分割实验设计及结果评估

3．4．1 鳞翅目昆虫前背景分割数据集

3．4．2 实验设计

3．4．3 分割结果评价

3．4．4 优化分割结果

3．5 本章小结

第4章 基于CNN的鳞翅目昆虫图像识别

4．1 基于传统方法的鳞翅目昆虫识别

4．1．1 传统鳞翅目昆虫图像特征提取

4．1．2 特征分类器

4．2 基于DCNN的端到端鳞翅目昆虫识别

4．2．1 端到端的DCNN分类框架

4．2．2 网络参数迭代学习

4．3 基于CNN特征的鳞翅目昆虫识别

4．3．1 基于CNN特征的分类框架

4．3．2 训练χ2核SVM分类器

4．4 本章小结

第5章 鳞翅目昆虫图像识别实验分析

5．1 数据集准备

5．1．1 鳞翅目昆虫图像分类样本集

5．1．2 鳞翅目昆虫前景图像分类样本集

5．2 鳞翅目昆虫图像识别实验设计及结果评估

5．2．1 基于端到端CNN分类实验设计

5．2．2 基于CNN特征提取+SVM的识别实验设计

5．2．3 前背景分割对识别结果的影响实验设计

5．2．4 识别结果评价

5．3 本章小结

6．1 总结

6．2 未来工作

参考文献

附录

致谢

声明