[发明专利]一种基于并行卷积神经网络的昆虫图像识别系统及其方法

权利要求书

1.一种基于并行卷积神经网络的昆虫图像识别系统，其特征在于，包括图像获取模块、图像预处理模块、图像定位模块、特征提取模块、图像分类模块、数据库模块、用户交互模块和人工审核模块，所述图像获取模块、所述图像预处理模块、所述图像定位模块、所述特征提取模块和所述图像分类模块构成数据处理与模型训练机构，所述数据处理与模型训练机构连接所述数据库模块，所述数据库模块通过所述用户交互模块与人工审核模块通讯连接，所述人工审核模块对所述数据处理与模型训练机构进行优化；

所述图像获取模块，用于采用网络爬虫的方式从互联网上爬取图像；

所述图像预处理模块，用于裁剪图像，并对图像进行增强、中值滤波、直方图均衡、去噪、颜色空间变换和位置归一化处理；

所述图像定位模块，用于利用目标检测的方法在预处理好的图像上定位昆虫目标位置，再为图像设置标签，按比例分为训练集和测试集；

所述特征提取模块，用于利用数据集训练并行卷积神经网络，完成特征值的提取，并保存为特征值矩阵；

所述图像分类模块，用于将提取的特征值通过softmax分类；

所述数据库模块，用于卷积神经网络训练参数，提取与存储昆虫图像特征和用户信息，收发用户数据，并向用户发送反馈结果；

所述用户交互模块，用于获取昆虫图像中昆虫信息，并反馈检索结果；

所述人工审核模块，用于针对识别反馈的误差信息改进并行卷积神经网络。

2.一种根据权利要求1所述的昆虫图像识别系统的识别方法，其特征在于，包括数据处理训练和查询检索，具体步骤如下：

数据处理训练：

步骤S11、在互联网上利用爬虫爬取昆虫图像，并进行预分类；

步骤S12、将爬取的昆虫图像裁剪为指定尺寸，并对其做图像增强、平滑去噪，扩充样本；

步骤S13、将图像颜色变换处理，利用计算惯性主轴及图像旋转方式完成归一化处理；

步骤S14、通过目标检测的方法在预处理好的图像上定位昆虫目标的位置；

步骤S15、将定位好的图片上打上标签，按比例分为训练集和测试集；

步骤S16、采用tensorflow框架构造并行化的AlexNet卷积神经网络模型，模型设有两个输入端口，输入数据经过卷积层conv、激活函数relu、池化层pool和批量归一化BN的多层处理，输出的数据采用并行结构的卷积层conv进行级联merge，再用全连接层fc连接，获取前向传播结果logits；

步骤S17、前向传播结果通过不断迭代训练，利用反向传播更新卷积神经网络模型的参数，降低损失loss，提升模型识别准确率precision；

步骤S18、最后加入分类网络，利用softmax对结果进行分类，获取当前样例属于不同类别的概率分布情况，并将结果存入数据库；

查询检索：

步骤S21、通过移动终端获取昆虫图像数据，并对其进行裁剪、旋转、去噪预处理和归一化操作，使其符合系统规定数据格式；

步骤S22、根据系统提供的特征条目，对获取的图像数据添加想要的描述信息；

步骤S23、将昆虫图像和基本信息上传到数据库，并将归一化后的图像信息发送到后台服务器；

步骤S24、数据库根据提供的基本信息和昆虫图像在对应的类别中检索；

步骤S25、检索结果传输到移动端显示，并让用户判断结果是否相似；

步骤S26、将用户反馈判断的结果传至数据库，并更新，若反馈信息存在误差，则将其传至数据库中的特定误差信息表，最后由人工审核，再次优化模型。

3.根据权利要求2所述的一种根据权利要求1所述的昆虫图像识别系统的识别方法，其特征在于，所述步骤S11中，在互联网上利用Python的scrapy框架爬取昆虫图像。

4.根据权利要求2所述的一种根据权利要求1所述的昆虫图像识别系统的识别方法，其特征在于，所述步骤S12中，指定尺寸为256*256，利用中值滤波对图像平滑去噪，通过直方图均衡调整图像对比度，再采用生成对抗网络在原有样本的基础上生成新数据，增大数据集的体量。