基于深度学习的蝴蝶种类识别研究

发布时间：2020-09-01 17:36

　　 随着社会发展进步,人们越来越重视保护生态平衡、维护生物多样性。对各类物种的准确和一致性的识别需求也日渐增长。昆虫的种类在各类动物中最为丰富。作为种类最丰富的昆虫之一,蝴蝶在全世界有将近两万种。蝴蝶具有复杂的颜色、纹理和图案,人工识别难度较高且十分耗时。因此,针对自动识别蝴蝶种类的研究受到越来越多的关注。计算机处理图像数据的能力依赖其硬件技术。这些年硬件技术发展迅速,使得计算机处理图像数据的能力快速上升。基于此,图像识别相关技术也不断取得新的突破。计算机视觉任务中,深度学习凭借良好的特征学习能力取得了很多成果。它通过非线性映射来提取原始数据低层特征,并且将其组合成抽象的高层特征表示。由此得到从高维原始数据中抽取的低维有效特征,并依据抽取的特征进行分类,达到识别样本类别的目的。自编码深度学习可以通过自动学习网络参数来提取样本有效特征,从而取代传统的手工提取特征。深度学习在分析处理大规模数据方面具有优势,是一种有效的机器学习方法和数据处理工具,在目标检测领域得到广泛应用。因此,我们将深度学习应用于蝴蝶种类自动识别问题中,以期自动定位蝴蝶在图像中的位置、抽取蝴蝶特征,并且对其进行分类或聚类,提高蝴蝶种类识别效率。以往的蝴蝶自动识别研究大多基于蝴蝶的标本照片数据,涉及的蝴蝶种类和照片数量都较小,且大多使用人工设计的方法来提取蝴蝶分类特征。基于生态环境中拍摄的蝴蝶照片进行蝴蝶种类自动识别是对现有蝴蝶种类识别的挑战,因为生态环境中的蝴蝶照片,蝴蝶的分类特征将会被严重遮挡。因此,本研究基于深度学习方法研究生态环境照片中的蝴蝶种类自动识别,包括生态照片中的蝴蝶位置定位及其种类识别。生态环境中的蝴蝶照片中的蝴蝶种类标注难度极大,需要专业人员鉴定蝴蝶种类,甚至对专业人员都是非常大的挑战。因此,本论文借助深度学习对特征的强大学习能力,采取有监督和半监督两种方式实现蝴蝶种类鉴定,论文的主要工作和贡献如下:1.对比使用基于深度学习的Faster R-CNN和Mask R-CNN目标检测算法,定位和识别生态照片中蝴蝶的位置和种类。通过添加对应种类的蝴蝶标本照片构造蝴蝶训练集,并使用旋转图片、添加噪声等方式扩充训练集。由此解决小规模数据集下,同一大物种下小物种的细粒度分类问题。使用目标检测算法的常用评价准则mAP来查看蝴蝶定位和识别的效果。实验结果显示,Mask R-CNN算法可以在蝴蝶物种自动识别问题中取得更好的效果。2.由于蝴蝶数据集标注的难度较大,需要专业人员标注种类,且耗时较长。本研究探索在人工标注蝴蝶数据不足情况下生态照片中蝴蝶种类自动识别问题。使用目标检测算法检测出生态照片中的蝴蝶位置,然后采用半监督思想识别蝴蝶种类。提出以密度峰值聚类算法改进DCEC深度聚类的DCEC_DPC算法,采用DCEC_DPC与深度聚类算法DeepCluster对检测出来的蝴蝶进行种类划分。
【学位单位】：陕西师范大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：Q959;TP391.41;TP18

【相似文献】

相关期刊论文 前10条

1 舒朗;郭春生;;基于回归与深度强化学习的目标检测算法[J];软件导刊;2018年12期

2 王钤;张穗华;雷丝雨;邓博文;;一种基于数据聚类的目标检测算法[J];机电产品开发与创新;2016年06期

3 孙林;鲍金河;刘一超;;高光谱图像目标检测算法分析[J];测绘科学;2012年01期

4 张桂林，熊艳，曹伟，李强;一种评价自动目标检测算法性能的方法[J];华中理工大学学报;1994年05期

5 许云;李彬;;基于背景遗传模型的运动目标检测算法[J];自动化技术与应用;2017年03期

6 杜佳;宋春林;;一种改进的毫米波雷达多目标检测算法[J];通信技术;2015年07期

7 诸葛霞;向健勇;;基于分形特征的目标检测算法概述及仿真[J];红外技术;2006年10期

8 张宽;滕国伟;;基于位置预测的目标检测算法[J];电子测量技术;2019年19期

9 丁业兵;;运动目标检测算法综述[J];科技资讯;2019年30期

10 方路平;何杭江;周国民;;目标检测算法研究综述[J];计算机工程与应用;2018年13期

相关会议论文 前10条

1 何元磊;李红军;周陆军;李旭渊;顾立林;尼涛;;基于端元丰度量化的高光谱图像目标检测算法[A];国家安全地球物理丛书（十一）——地球物理应用前沿[C];2015年

2 孙瑾秋;张艳宁;姜磊;王敏;;基于变换域特征的星空背景弱小目标检测算法[A];第八届全国信号与信息处理联合学术会议论文集[C];2009年

3 高飞;蒋建国;安红新;齐美彬;;一种快速运动目标检测算法[A];全国第22届计算机技术与应用学术会议(CACIS·2011)暨全国第3届安全关键技术与应用（SCA·2011）学术会议论文摘要集[C];2011年

4 许俊平;张启衡;张耀;王华闯;;基于人眼视觉特性的小目标检测算法[A];2006年全国光电技术学术交流会会议文集（D 光电信息处理技术专题）[C];2006年

5 王艺婷;黄世奇;刘代志;王红霞;;高光谱图像目标检测算法性能研究[A];国家安全地球物理丛书（十）——地球物理环境与国家安全[C];2014年

6 张国华;;一种基于导引头稳定平台结构的目标检测算法[A];第九届全国光电技术学术交流会论文集（下册）[C];2010年

7 郑伟成;李学伟;刘宏哲;;基于深度学习的目标检测算法综述[A];中国计算机用户协会网络应用分会2018年第二十二届网络新技术与应用年会论文集[C];2018年

8 刘昊;赵龙;;基于改进混合高斯模型的运动目标检测算法[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年

9 刘峰;奚晓梁;沈同圣;;基于最大值投影的空间小目标检测算法[A];第二届空间目标与碎片监测、清理技术及应用学术研讨会论文集[C];2015年

10 邓宇;陈孝威;;综合利用时空信息的运动目标检测算法[A];第二届和谐人机环境联合学术会议(HHME2006)——第15届中国多媒体学术会议(NCMT'06)论文集[C];2006年

相关博士学位论文 前10条

1 张丽丽;基于空谱联合特性的高光谱图像异常目标检测算法研究[D];哈尔滨工程大学;2018年

2 赵红燕;被动多基站雷达目标检测算法研究[D];西安电子科技大学;2017年

3 郭小路;多通道雷达干扰抑制与目标检测算法研究[D];西安电子科技大学;2017年

4 李健;星载宽幅SAR及目标检测算法研究[D];西安电子科技大学;2018年

5 潘雪莉;机载环视SAR海面特性和舰船目标检测算法研究[D];西安电子科技大学;2018年

6 陈宇环;联合时空特征的视觉显著目标检测算法研究[D];深圳大学;2018年

7 曾冬冬;视频监控中的前景目标检测算法研究[D];中国科学院大学(中国科学院长春光学精密机械与物理研究所);2019年

8 王志虎;基于显著性的运动目标检测算法研究[D];国防科学技术大学;2015年

9 郭明玮;基于视觉记忆的目标检测算法：一个特征学习与特征联想的过程[D];中国科学技术大学;2014年

10 王俊强;图像中人体目标检测算法研究[D];北京邮电大学;2012年

相关硕士学位论文 前10条

1 刘业鹏;基于深度学习的输电线路目标检测方法研究[D];华北电力大学;2019年

2 张江勇;基于深度学习的动车关键部位故障图像检测[D];电子科技大学;2019年

3 王威;基于视觉的车辆智能检测技术的研究[D];电子科技大学;2019年

4 魏墨非;基于深度学习目标检测的优化研究与实现[D];电子科技大学;2019年

5 侯小春;基于卷积神经网络的目标检测算法研究[D];电子科技大学;2019年

6 石齐双;城市管理案件图像目标检测算法研究[D];桂林电子科技大学;2019年

7 莫烨;基于生成对抗网络的复杂环境目标检测算法研究[D];桂林电子科技大学;2019年

8 徐首韬;基于卷积神经网络的目标检测算法研究[D];合肥工业大学;2019年

9 方璐;基于深度神经网络的多尺度目标检测算法研究[D];合肥工业大学;2019年

10 王晓芸;基于OpenCL的深度学习目标检测算法加速方法研究[D];北京交通大学;2019年

本文编号：2810048