论文部分内容阅读
我国作为传统农业大国,每年生产大量农作物,而每年由于昆虫对农作物的损耗也非常巨大,在生活中,昆虫类生物随处可见,不管是对于保护生物多样性,维护生态平衡,还是保证农作物的质量及产量,对昆虫进行识别都具有重要意义。目前常用的昆虫识别方法有人工识别法、电导系数测试法、图像识别法以及近红外法等。由于图像识别法易于操作,识别率较高,因而它是目前昆虫识别的主要手段。传统的图像识别需要人工对目标图像进行复杂的特征提取,费时费力,且识别精确度并不高,泛化能力较差。随着计算机硬件的不断发展,计算机对于图像数据处理能力不断增强,深度学习在图像识别中的应用愈加广泛。本文使用深度学习技术,利用卷积神经网络主要对蝴蝶类昆虫进行特征提取及识别分类,网络模型在不断地迭代训练下提高其学习能力,并对网络模型进行一定程度的改进,以此提高识别精确度。本文主要研究工作如下:(1)收集207种总计26111张自然背景下的蝴蝶类昆虫图片作为分类样本数据集,并对其进行数据增强,扩充为原来数据集的10倍。文章选取AlexNet、NIN、VGG16等网络进行对比实验,作为扩充,丰富网络模型,本文设计了一个简单的九层卷积神经网络,探究数据增强对于昆虫识别系统的影响。(2)提出一种改进卷积神经网络的方法:基于多层特征融合昆虫识别方法,将浅层卷积层特征输出与深层卷积特征输出结合,深层卷积特征语义信息更丰富,而浅层卷积特征对于图像的细节纹理等特征描述更清晰,通过特征融合的方式使网络模型的特征表达信息更为详细。将改进的四个网络和未改进的网络模型相比,各网络模型的识别精确度均有所提高。(3)文章实现了一种双网络框架,特征提取是进行图像分类识别的核心,单个的卷积神经网络通常难以学习到输入数据的全部信息,本文设计了一个双卷积神经网络架构,对两网络分别提取的特征进行特征融合,得到对输入数据更加准确更加详细的特征表达,两子网络可以是相同网络,也可以是不同子网络,经实验对比发现,双网络框架对昆虫图片的识别准确率要高于单个网络的识别准确率,子网络之间进行特征融合可得到更丰富的特征信息。传统蝴蝶图像识别方法需要对图像进行特征提取,该方法复杂且费时费力,并且精确度不高,针对这一问题本文对卷积神经网络进行了深入研究,结合收集到的数据集对卷积神经网络模型进行了改进,通过各种网络模型间的实验对比,探索更适合当前昆虫蝴蝶数据集的网络模型。实验表明,本文提出的方法具有较好的实践意义,对于卷积神经网络的特征融合研究有一定的实用价值。