公开(公告)号：CN107292314A

公开(公告)日：2017-10-24

申请号：CN201610195201.0

申请日：2016-03-30

Applicant: 浙江工商大学 ,  中国林业科学研究院森林生态环境与保护研究所

Inventor： 竺乐庆 ,  马梦园 ,  张真 ,  张苏芳 ,  王勋 ,  王慧燕 ,  刘福 ,  孔祥波

IPC: G06K9/46 ,  G06K9/62

Abstract: 本发明涉及一种基于CNN的鳞翅目昆虫种类自动鉴别方法。本发明在预处理中对采集的昆虫标本图像去除背景，在此基础上计算出前景图像的最小包围盒，并由此裁剪出前景有效区域。使用Imagenet预训练深度学习神经网络模型来提取特征。分类识别分两种情况：在样本量较充分时，通过微调网络结构，训练深度卷积神经网络(DCNN)分类层的参数，从而实现端到端的分类识别；对于样本数据集较小的情况，没有足够样本来训练DCNN参数，本发明选择使用适用于小样本集的χ2核SVM分类器实现分类识别。该鳞翅目昆虫图像识别方法具有操作简便、识别精度高、容错性强，并有理想的时间性能，可以显著提高鳞翅目昆虫种类鉴定的效率。

公开(公告)号：CN108734719A

公开(公告)日：2018-11-02

申请号：CN201710281484.5

申请日：2017-04-14

Applicant: 浙江工商大学

Inventor： 竺乐庆 ,  马梦园

IPC: G06T7/194 ,  G06K9/62

Abstract: 本发明提出了一种基于全卷积神经网络(FCN)的鳞翅目昆虫前背景自动分割方法。通过微调预训练好的卷积神经网络(CNN)模型，构建了一个用于像素级分类预测的全卷积网络。训练网络前，首先对昆虫图像数据集进行了数据增强，以此来满足深度神经网络训练对样本数量的要求。通过对不同卷积层的输出进行融合，探索得到一个可用于鳞翅目昆虫图像前背景分割的网络模型。由CNN初始的分割结果进一步用条件随机场(CRF)来细化边缘细节，并通过提取并填充前景的最大轮廓，以移除网络模型输出结果中存在的噪点干扰和前景中的空洞。该方法使昆虫图像预处理任务完全自动化，可以显著提高鳞翅目昆虫种类自动识别的效率。