-
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
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
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。
-