基于灰狼优化算法的鳞翅目昆虫图像识别研究

发布时间：2020-08-04 15:07

【摘要】：鳞翅目昆虫对我国各类林种危害较为严重,人工识别昆虫种类费时费力,难以满足“早防治,少损失”的林业实际生产要求。本项目旨在研究如何综合应用统计信息技术和计算机视觉方法,对研究图像进行统计分析,获取反映图像中昆虫本质特点的特征,并使用合适的分类算法建立高准确性的鳞翅目昆虫识别模型,实现昆虫的自动识别。近年来,智能计算方法由于其突出的全局搜索能力在模型优化过程中得到广泛应用。灰狼优化算法是一种较好的智能计算方法,但也存在不足。本研究拟改进灰狼优化算法,并用于鳞翅目昆虫自动识别模型的构建。主要结论如下:(1)针对灰狼优化算法收敛速度过快、可能陷入局部最优的缺点,引入一种等级学习机制以平衡探索与开发能力。同时,对确定等级数的方法与当前最优个体的更新方式进行改进。实验结果表明,改进后的灰狼优化算法能有效平衡探索与开发能力,利用其进行特征选择,能获得较高的识别精度与较小的特征维数。(2)为训练和测试模型,收集9类鳞翅目昆虫标本照1740张。同时,为研究识别模型在小数据量图片下的识别效果,采用公开的利兹蝴蝶数据集进行实验,其类别数为10,共832张。(3)基于改进后的灰狼优化算法构建一种传统的纹理图像识别模型,主要通过引入一种主旋转局部二值模式(Dominant Rotated Local Binary Patterns,DRLBP)的纹理特征提取算法用于提取特征,并利用改进后的灰狼优化算法进行特征选择筛选无效、冗余的特征,最后利用一种基于概率协同表示的分类器(Probabilistic Collaborative Representation Based Classifier,PROCRC)进行分类。实验结果表明,该模型具有良好的识别精度,在鳞翅目昆虫标本照上的识别精度为88.82%,而在利兹蝴蝶数据集上的识别精度为89.3%。(4)基于改进后的灰狼优化算法构建一种自动演化卷积神经网络识别模型,主要通过将改进后的灰狼优化算法以一定的编码技术与卷积神经网络结合,实现自动演化卷积神经网络的结构与参数。实验结果表明,该模型具有良好的识别精度,在鳞翅目昆虫标本照上的识别精度为89.74%,而在利兹蝴蝶数据集上的识别精度为89.08%。
【学位授予单位】：福建农林大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：C81
【图文】：

实现过程,代表种,公式

X = X × X = X × X = X δ × δ = | × X X | = | × X X | δ= | × X δ X | 、X 代表种群中的 Omega 狼分别向 Alpha、的值可由公式（2-4）计算，、、的狼通过公式（2-11）更新当前位置。X ( ) =X X X

卷积,过度拟合,压缩数据

图 2-3 卷积操作（3）池化层（Pooling Layer）：池化层一般夹在连续的卷积层中，主要用缩数据和参数的量，减小过度拟合。在池化过程中，数据压缩去掉的信息往一些无关紧要的信息，而留下的信息是更具表达能力的特征，这一过程也可特征选择。池化层通常有三个参数：核大小（Kernel Size）、步长大小（Stride Siz化类型（Pooling Type）。其中池化类型主要有最大值池化（Max Pooling）和池化（Average Pooling）。最大值池化是对邻域内特征点求最大值，而均值池是对邻域内特征点求平均。假设输入数据的大小为 4×4×1，池化核大小为 2×长大小为 2，最大值池化和均值池化的过程如图 2-4 所示。

基于灰狼优化算法的鳞翅目昆虫图像识别研究

池化操作

【相似文献】