[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

说明书

一种基于并行卷积神经网络的昆虫图像识别系统及识别方法，首先大规模采集昆虫图像，再进行图像预处理，形成训练集和测试集。图像识别中，利用并行卷积神经网络，在大批量数据集的基础上完成模型的训练，输出相应特征后利用分类模块对图像进行分类。在用户检索部分，通过移动终端获取图像数据，进行预处理，用户根据系统提供的特征信息条目，添加相应描述信息，将图像和基本信息上传服务器后，利用训练好的模型对图像进行测试，进行相似性度量，从而向用户反馈识别结果，用户对结果进行相似性判断，后台收集用户反馈的识别有误的数据，并再次优化模型，提升昆虫图像识别准确率。

技术领域

本发明属于图像识别技术领域，具体涉及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。

背景技术

现如今，图像处理技术飞速发展，图像识别技术的应用场景和领域也变得越来越为广泛，图像识别技术是基于对于图像的处理和分析，因为外部环境对于图像的成像存在一定的影响，故而，这使得图像富有复杂性和特殊性。因此，在图像处理的基础之上，我们将更进一步地探讨和研究图像识别的相关技术和其相关的应用前景。

图像识别技术是通过将已知的存储信息与当前信息进行比对从而实现对于图像的识别，其基础是图像描述，这是用相关符号代表图像或者景物里的各个目标的相关特征，或者是目标与目标间的关系，从而，最终获取到目标特征，和这些目标之间关系的抽象性表达。昆虫图像识别是昆虫识别领域中的一个重要分支，这一领域对于生物研究和病虫害的检测意义非凡，是其中的关键技术之一。昆虫图像识别对于图像中目标特征的提取和抽象具有一定的依赖性。传统意义上的昆虫识别方法更多的是依赖专家的人工识别，主要是和模式标本的匹配和鉴定，效率有待提高。虽然，随着技术的进一步发展，相关的识别技术有一定的提示，然而，传统的昆虫图像识别方法的预处理过程很复杂，需要依照特定的需求设计对应的特征提取的算法，识别精度并不高。本文采用一种基于并行卷积神经网络的方法进行昆虫图像识别,让识别模型在具体任务中通过学习的方式来逼近一种恰当的、高复杂度的特征提取算法,从而提高识别模型的性能。

综上所述，现有的昆虫图像识别技术存在以下不足:(1)需要手动提取适合的昆虫特征，过度依赖人力，耗费时间长；(2)一些识别技术的预处理过程复杂，由于缺乏针对昆虫特征的交互信息，因此对于昆虫的识别效果较差；(3)为了更好的深度训练模型，需要大量的训练数据，数据量过小导致模型的过拟合现象。

发明内容

本发明的目的在于：提供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，利用并行卷积神经网络的方式对昆虫识别模型进行充分训练，可以大大缩短训练时间，同时也能够在大数据集上取得较好的结果。

为了达到以上目的，提供一种基于并行卷积神经网络的昆虫图像识别系统，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，图像获取模块、图像预处理模块、图像定位模块、特征提取模块和图像分类模块构成数据处理与模型训练机构，数据处理与模型训练机构连接数据库模块，数据库模块通过用户交互模块与人工审核模块通讯连接，人工审核模块对数据处理与模型训练机构进行优化；

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；

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；

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；

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；

图像分类模块，用于将提取的特征值通过softmax分类；

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；