[发明专利]一种基于深度卷积神经网络的双翅目昆虫识别方法

说明书

本发明提供一种基于深度卷积神经网络的双翅目昆虫识别方法，包括以下步骤：采集双翅目昆虫图像，制作双翅目昆虫图像的数据集；对所述数据集进行数据增强；构建改进的RetinaNet目标检测模型；设置训练参数，通过所述数据集训练所述RetinaNet目标检测模型；基于训练完成的目标检测模型，对所述双翅目昆虫的测试集图像进行分类和定位。本发明提供了一种基于深度卷积神经网络的双翅目昆虫识别方法，采用RetinaNet目标检测模型，同时加入改进的卷积块注意力模块，改进特征金字塔网络，使得不需要耗费大量的人力物力，也能够解决对手工设计特征依赖的问题，图像采集方法操作简单。

技术领域

本发明涉及昆虫种类识别的领域，特别是涉及一种基于深度卷积神经网络的双翅目昆虫识别方法。

背景技术

双翅目是昆虫纲中仅次于鞘翅目、鳞翅目、膜翅目的第四大目。双翅目是属于完全变态的昆虫，只有一对翅膀，躯体一般都短宽或纤细，呈圆筒形或球形，体长极少超过25毫米。双翅目昆虫食性广而杂，大致分成植食性，腐食性或粪食性，捕食性和寄生性。双翅目昆虫与人们的生活息息相关，其中有些种类在人和动物间传播细菌、寄生虫、病毒等病原体，也包括种蝇、叶潜蝇、果实蝇、麦瘿蚊等的幼虫，是农业的重要害虫。因此，有效识别双翅目昆虫的种类，对人和动物的健康成长和农林病虫害防治有着重要的意义。

双翅目昆虫种类繁多，且形态十分相近，不易区分。传统的识别方法主要通过人们观察昆虫的形状，颜色和纹理等多种特征进行识别，但是这种方法需要耗费大量的人力和时间，尤其是人们在长时间的工作下，降低了识别的准确率。传统的机器学习识别方法通常采用特征提取与分类器相结合的方式，但是需要人为选择特征参数，存在对手工设计特征依赖的问题，影响识别结果的准确性和稳定性。随着卷积神经网络的迅速发展，利用深度学习可以进行昆虫种类的识别。目标检测领域的深度学习算法主要分为两阶段目标检测算法和单阶段目标检测算法，其中两阶段目标检测算法存在着耗费检测时间的问题；单阶段目标检测算法的检测速度快，但识别具有相似特征的不同目标准确率低，尤其是识别形状，颜色和纹理等多种特征相似的双翅目昆虫。

发明内容

根据上述提出的技术问题，而提供一种基于深度卷积神经网络的双翅目昆虫识别方法其特征在于，包括以下步骤：

步骤S1：采集双翅目昆虫图像，制作双翅目昆虫图像的数据集；

步骤S2：对所述数据集进行数据增强，将增强后的所述数据集按照比例为8:1:1，且每种双翅目昆虫图像数量均等的方式进行分类，分为训练集、验证集和测试集，通过labelImg图像标注工具对所述数据集中的双翅目昆虫进行标注生成XML格式的标注图像；

所述数据集进行数据增强包括：对所述数据集图像进行90°旋转，所述数据集图像缩放20％并进行局部模糊处理；

步骤S3：构建改进的RetinaNet目标检测模型；

步骤S4：设置训练参数，通过所述数据集训练所述RetinaNet目标检测模型；

步骤S5：基于训练完成的目标检测模型，对所述双翅目昆虫的测试集图像进行分类和定位。

较现有技术相比，本发明具有以下优点：

本发明提供了一种基于深度卷积神经网络的双翅目昆虫识别方法，不需要耗费大量的人力物力，解决对手工设计特征依赖的问题，图像采集方法操作简单。本发明采用RetinaNet目标检测模型，以ResNeXt网络作为特征提取网络，在特征提取网络中加入改进注意力模块，增强了卷积神经网络的表达能力，有效地提高网络中的信息流动，并且改进特征金字塔网络FPN，解决了双翅目昆虫因形状，颜色和纹理等多种特征相似而导致识别准确率低的问题。

附图说明