昆虫识别系统研究与设计开题报告

1.1背景

昆虫在地球上的种类和数量都是最大的一个群体。全世界存在的昆虫总数可能超过一千万种 ,现已鉴定的近一百万种。因为昆虫种类繁多 ,大多数个体较小^[1] ,并且现从事昆虫鉴定的人员还仅限于数量极有限的昆虫分类学专家。所以这对昆虫知识的普及 ,害虫的防治以及对昆虫学领域乃至自然界生物规律的探讨都是不利的。而如今 ,计算机技术已相当普及 ,其速度、算法都有了相当快的发展^[2], 人们可以用计算机帮助自己解决许多问题 ,所以把计算机视觉技术引进来 ,用于帮助研究人员来识别昆虫、研究昆虫就显得非常迫切。深度学习是机器学习中一种对数据进行训练学习的处理方法^[3]。1981年发现了视觉系统的信息处理：人眼获取图像后，大脑皮层会对图像信息进行预处理^[4]，对图像特征进行分析，如判断物体形状，进而对物体抽象化，逐层分析，最终识别出该物体^[5]。这开启了我们对神经网络的研究，也应运出深度学习。深度学习的好处是用算法和神经网络进行训练学习代替手工获取特征。

1.2国内外研究情况

中国农业大学沈佐锐教授、西南林学院的于新文合作做了一些工作 ,用虫体面积、周长等 11 项数学形态特征对 40 种昆虫实现自动鉴别 ,得出了各项数学特征的权重。在昆虫的自动鉴别中 ,11 项特征所起的作用大小为 :面积 gt; 偏心率 gt; 形状参数 gt; 周长 gt; 纵轴长 gt; 孔洞数 gt; 横轴长、似圆度 gt; 叶状性 gt; 圆形性 gt; 球状性^[6]。以面积、周长等数学形态特征为分类依据 ,对隶属 8 目 25 科的 40 种昆虫^[7]进行了二叉式分类,并以此为鉴别机理 , 实现了对昆虫自动识别软件 BugVisux 的升级 ,使其能够自动鉴别的昆虫种类由 3 种增加到 40 种 ,准确率达到 97. 5 %。成都理工大学的黄小燕、郭勇等用VC 6. 0实现了对 15 类 24 种常见储粮害虫彩色数字图像进行处理^[8] ,均能够将害虫图像的躯干和足与触角分割开。付承彬、詹希美、伍小明等建立了并殖吸虫自动分类系统 ,并研制出并殖吸虫自动分类程序软件 ,得到的并殖吸虫数字图像清晰度高^[9] , 分辨率高达 130 多万象素 ,能获并殖吸虫较为精确的分类参数实际值 ,且所建立的并殖吸虫自动分类系统能较好地对来自不同国家、地区的 7 种并殖吸虫进行自动分类鉴定 ,准确率达 89. 04 %。深圳大学的马骏、王建华对植物病虫识别进行了研究^[10] , 识别正确率高 ,且识别速度也很快。另外 ,沈佐锐、于新文等也对棉铃虫的识别进行过研究。郑州粮食学院的杨秀清、刘志,郑州大学邱道尹等人对储粮害虫的识别进行了研究^[11]。中山医科大学傅承彬等对寄生虫学的应用作了一定的研究。随着科学技术的迅速发展，图像的应用越来越广泛，图像处理已经成为研究人员关注的焦点^[12]。图像识别是图像处理的前提，相关学者把卷积神经网络应用于图像识别领域，以期提高图像识别的精度和效率。2006年田inton G E等使用DBN和深层自动编码机^[13]在MNIST数据集上进行简单的图像识别和降维，取得了良好的实验效果，同时证明了深层神经网络应用于图像识别的可行性。2008年, Torralba A 等将DBNs成功应用于较为完备且有记忆图像的表达^[14]，表明了DBN可应用于图像的检索。在应用于大规模图像检索任务时，卷积神经网络方法取得了非常好的实验效果。2012年，在ImageNet LSVRC国际测评大会上,Kruhcvsky A等提出的深层CNN模型对于标准数据集取得了非常高的测评准确率，打破了当时的最高纪录^[15]。卷积神经网络在图像识别应用中具有巨大的发展空间，它能够改善网络结构和深度，通过大量的训练和有效算法得出．个通用的识别系统，可提高图像识别的效率和精度^[16]。山Y提出的LeNet图像识别通用网络结构，在很多图像识别中识别效果良好。K E M等提出的基于排列编码技术的神经网络，在昆虫识别识别和许多其他物体识别中都取得了较好的效果。2014年LSVRC挑战赛强大的竞争者，由牛津大学视觉几何组织提出的VGG模型。比起Alexnet，它主要是将卷积核缩小了，全部改用3x3。如下图为VGG结构，大体结构一致，但卷积配置可以不同^[17]。激活函数使用ReLU，池化使用max pooling，最后使用softmax输出各项概率。2014年，该网络模型赢得LSVRC挑战赛，该系列赛首次由大型公司参赛并获得成功，此后也一直由拥有巨额预算的大公司赢得比赛^[18]。GoogLenet参数数量降到了一千多万，并且准确性比Alexnet提高，误差从16.4%降到6.7%。2015年ResNet被提出，由原来微软研究院何恺明博士提出^[19]，现为Facebook AI研究科学家。ResNet战绩辉煌，当年一下取得5项第一。该模块的卷积部分第一个1 x 1的卷积把256维降到64维，接着进入3 x 3滤波器层，最后再通过1 x 1卷积恢复256维^[20]。

1.3目的和意义

昆虫识别是农林作物病虫害防治的基础。传统的昆虫识别方法是专家观察昆虫的外部特征并与模式标本对照鉴定识别,费时费力。现有的昆虫自动识别方法功能单一,性能有待提高。害虫是农作物生长的大敌，能给农作物造成重大损失，对农产品品质的损害更是无法估计。因此，对害虫进行预测预报，从而进行更有效的防治显得尤为重要，而进行这些工作的前提之一，就是对害虫进行有效的鉴定。只有对害虫进行鉴定才能在农业生产中对害虫进行有目的的防治,本课题尝试将深度学习与昆虫识别相结合。将已知昆虫进行分类整合，利用深度学习基于对数据进行特征获取的训练方法，收集昆虫的特征值。通过大量的数据对特征值不断完善，提高昆虫的识别率，从而使得非专业人士也能正确识别昆虫，提高人们对昆虫的认识度。尽可能地利用昆虫资源降低昆虫危害：对有害昆虫的识别，有助于防治，保障农林生产安全；对有益昆虫的识别，有效利用昆虫资源，实现人与自然和谐相处。

2.1主要研究内容

1.研究昆虫识别系统现状及可行性分析。分析对比昆虫识别各种方法及其应用场合、优缺点，分析本设计的可行性。

2.软件系统构建。根据硬件系统，设计昆虫识别系统软件程序。

3.系统综合调试。对软件系统进行综合调试。

2.2预期目标

通过对CaffeNet, ResNet和VGGNet三种模型训练结果进行对比分析，得出适合昆虫识别的神经网络模型。随后对昆虫种类进行图片收集，将图片信息转换成数据格式，最后通过对数据的分析进行昆虫识别。

1.成功实现信息的录入

2.实现图片信息的转换通过编码实现

3.对训练模型的结果进行分析

4.实现功能的高效实现

[1]Khotanzad A , Hong Y H . Invariant image recognition by Zernike moments[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1990, 12(5):489-497.

[2]Cheng Y Q , Liu K , Yang J Y . A novel feature extraction method for image recognition based on similar discriminant function (SDF). Pattern Recognition: The Journal of the Pattern Recognition Society, 1993, 26(1):115-125.

[3]Liu K , Cheng Y Q , Yang J Y . Algebraic feature extraction for image recognition based on an optimal discriminant criterion. Pattern Recognition: The Journal of the Pattern Recognition Society, 1993, 26(6):903-911.

[4]Khotanzad A , Hong Y H . Rotation invariant image recognition using features selected via a systematic method. Pattern Recognition, 1997, 23(10):1089-1101.

[5]Tang X , Stewart W K , Huang H , et al. Automatic Plankton Image Recognition[J]. Artificial Intelligence Review, 1998, 12(1-3):177-199.

[6]Mirhosseini A R , Yan H , Lam K M , et al. Human Face Image Recognition: An Evidence Aggregation Approach. Computer Vision and Image Understanding, 1998, 71(2):213-218.

[7]Tang X , Stewart W K , Huang H , et al. Automatic Plankton Image Recognition[J]. Artificial Intelligence Review, 1998, 12(1-3):177-199.

[8]Sun Q S , Zeng S G , Liu Y , et al. A new method of feature fusion and its application in image recognition. Pattern Recognition, 2005, 38(12):2437-2448.

[9]Boughorbel S , Tarel J P , Boujemaa N . Generalized histogram intersection kernel for image recognition[C]// IEEE International Conference on Image Processing. IEEE, 2006.

[10] Zuo W , Zhang D D , Wang K . Bidirectional PCA with assembled matrix distance metric for image recognition[M]. IEEE Press, 2006.

[11] Keysers D , Deselaers T , Gollan C , et al. Deformation Models for Image Recognition[J]. IEEE Transactions on Pattern Analysis amp; Machine Intelligence, 2007.

[12] Joutou T , Yanai K . A food image recognition system with multiple kernel learning[C]// IEEE International Conference on Image Processing. IEEE Press, 2009.

[13] Zhu B B , Yan J , Li Q , et al. Attacks and design of image recognition CAPTCHAs[C]// Proceedings of the 17th ACM Conference on Computer and Communications Security, CCS 2010, Chicago, Illinois, USA, October 4-8, 2010. ACM, 2010.

[14] Boureau Y , Roux N L , Bach F , et al. Ask the locals: Multi-way local pooling for image recognition. 2011.

[15] Boureau Y , Roux N L , Bach F , et al. Ask the locals: multi-way local pooling for image recognition[C]// IEEE International Conference on Computer Vision. IEEE, 2011.

[16] Simonyan K , Zisserman A . Very Deep Convolutional Networks for Large-Scale Image Recognition. Computer Science, 2014.

[17] Zhang H , Shu H , Han G N , et al. Blurred Image Recognition by Legendre Moment Invariants. IEEE Transactions on Image Processing, 2014, 19(3):596-611.

[18] Joutou T , Yanai K . A food image recognition system with multiple kernel learning[C]// IEEE International Conference on Image Processing. IEEE Press, 2015.

[19] He K , Zhang X , Ren S , et al. Deep Residual Learning for Image Recognition[C]// 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE Computer Society, 2016.

[20] Zoph B , Vasudevan V , Shlens J , et al. Learning Transferable Architectures for Scalable Image Recognition. 2017.