隨著社會發(fā)展進步,人們越來越重視保護生態(tài)平衡、維護生物多樣性。對各類物種的準確和一致性的識別需求也日漸增長。昆蟲的種類在各類動物中最為豐富。作為種類最豐富的昆蟲之一,蝴蝶在全世界有將近兩萬種。蝴蝶具有復雜的顏色、紋理和圖案,人工識別難度較高且十分耗時。因此,針對自動識別蝴蝶種類的研究受到越來越多的關注。計算機處理圖像數(shù)據(jù)的能力依賴其硬件技術。這些年硬件技術發(fā)展迅速,使得計算機處理圖像數(shù)據(jù)的能力快速上升�；诖�,圖像識別相關技術也不斷取得新的突破。計算機視覺任務中,深度學習憑借良好的特征學習能力取得了很多成果。它通過非線性映射來提取原始數(shù)據(jù)低層特征,并且將其組合成抽象的高層特征表示。由此得到從高維原始數(shù)據(jù)中抽取的低維有效特征,并依據(jù)抽取的特征進行分類,達到識別樣本類別的目的。自編碼深度學習可以通過自動學習網(wǎng)絡參數(shù)來提取樣本有效特征,從而取代傳統(tǒng)的手工提取特征。深度學習在分析處理大規(guī)模數(shù)據(jù)方面具有優(yōu)勢,是一種有效的機器學習方法和數(shù)據(jù)處理工具,在目標檢測領域得到廣泛應用。因此,我們將深度學習應用于蝴蝶種類自動識別問題中,以期自動定位蝴蝶在圖像中的位置、抽取蝴蝶特征,并且對其進行分類或聚類,提高蝴蝶種類識別效率。以往的蝴蝶自動識別研究大多基于蝴蝶的標本照片數(shù)據(jù),涉及的蝴蝶種類和照片數(shù)量都較小,且大多使用人工設計的方法來提取蝴蝶分類特征�；谏鷳B(tài)環(huán)境中拍攝的蝴蝶照片進行蝴蝶種類自動識別是對現(xiàn)有蝴蝶種類識別的挑戰(zhàn),因為生態(tài)環(huán)境中的蝴蝶照片,蝴蝶的分類特征將會被嚴重遮擋。因此,本研究基于深度學習方法研究生態(tài)環(huán)境照片中的蝴蝶種類自動識別,包括生態(tài)照片中的蝴蝶位置定位及其種類識別。生態(tài)環(huán)境中的蝴蝶照片中的蝴蝶種類標注難度極大,需要專業(yè)人員鑒定蝴蝶種類,甚至對專業(yè)人員都是非常大的挑戰(zhàn)。因此,本論文借助深度學習對特征的強大學習能力,采取有監(jiān)督和半監(jiān)督兩種方式實現(xiàn)蝴蝶種類鑒定,論文的主要工作和貢獻如下:1.對比使用基于深度學習的Faster R-CNN和Mask R-CNN目標檢測算法,定位和識別生態(tài)照片中蝴蝶的位置和種類。通過添加對應種類的蝴蝶標本照片構造蝴蝶訓練集,并使用旋轉圖片、添加噪聲等方式擴充訓練集。由此解決小規(guī)模數(shù)據(jù)集下,同一大物種下小物種的細粒度分類問題。使用目標檢測算法的常用評價準則mAP來查看蝴蝶定位和識別的效果。實驗結果顯示,Mask R-CNN算法可以在蝴蝶物種自動識別問題中取得更好的效果。2.由于蝴蝶數(shù)據(jù)集標注的難度較大,需要專業(yè)人員標注種類,且耗時較長。本研究探索在人工標注蝴蝶數(shù)據(jù)不足情況下生態(tài)照片中蝴蝶種類自動識別問題。使用目標檢測算法檢測出生態(tài)照片中的蝴蝶位置,然后采用半監(jiān)督思想識別蝴蝶種類。提出以密度峰值聚類算法改進DCEC深度聚類的DCEC_DPC算法,采用DCEC_DPC與深度聚類算法DeepCluster對檢測出來的蝴蝶進行種類劃分。
【學位單位】：陜西師范大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：Q959;TP391.41;TP18

【相似文獻】

相關期刊論文 前10條

1 舒朗;郭春生;;基于回歸與深度強化學習的目標檢測算法[J];軟件導刊;2018年12期

2 王鈐;張穗華;雷絲雨;鄧博文;;一種基于數(shù)據(jù)聚類的目標檢測算法[J];機電產(chǎn)品開發(fā)與創(chuàng)新;2016年06期

3 孫林;鮑金河;劉一超;;高光譜圖像目標檢測算法分析[J];測繪科學;2012年01期

4 張桂林，熊艷，曹偉，李強;一種評價自動目標檢測算法性能的方法[J];華中理工大學學報;1994年05期

5 許云;李彬;;基于背景遺傳模型的運動目標檢測算法[J];自動化技術與應用;2017年03期

6 杜佳;宋春林;;一種改進的毫米波雷達多目標檢測算法[J];通信技術;2015年07期

7 諸葛霞;向健勇;;基于分形特征的目標檢測算法概述及仿真[J];紅外技術;2006年10期

8 張寬;滕國偉;;基于位置預測的目標檢測算法[J];電子測量技術;2019年19期

9 丁業(yè)兵;;運動目標檢測算法綜述[J];科技資訊;2019年30期

10 方路平;何杭江;周國民;;目標檢測算法研究綜述[J];計算機工程與應用;2018年13期

相關會議論文 前10條

1 何元磊;李紅軍;周陸軍;李旭淵;顧立林;尼濤;;基于端元豐度量化的高光譜圖像目標檢測算法[A];國家安全地球物理叢書（十一）——地球物理應用前沿[C];2015年

2 孫瑾秋;張艷寧;姜磊;王敏;;基于變換域特征的星空背景弱小目標檢測算法[A];第八屆全國信號與信息處理聯(lián)合學術會議論文集[C];2009年

3 高飛;蔣建國;安紅新;齊美彬;;一種快速運動目標檢測算法[A];全國第22屆計算機技術與應用學術會議(CACIS·2011)暨全國第3屆安全關鍵技術與應用（SCA·2011）學術會議論文摘要集[C];2011年

4 許俊平;張啟衡;張耀;王華闖;;基于人眼視覺特性的小目標檢測算法[A];2006年全國光電技術學術交流會會議文集（D 光電信息處理技術專題）[C];2006年

5 王藝婷;黃世奇;劉代志;王紅霞;;高光譜圖像目標檢測算法性能研究[A];國家安全地球物理叢書（十）——地球物理環(huán)境與國家安全[C];2014年

6 張國華;;一種基于導引頭穩(wěn)定平臺結構的目標檢測算法[A];第九屆全國光電技術學術交流會論文集（下冊）[C];2010年

7 鄭偉成;李學偉;劉宏哲;;基于深度學習的目標檢測算法綜述[A];中國計算機用戶協(xié)會網(wǎng)絡應用分會2018年第二十二屆網(wǎng)絡新技術與應用年會論文集[C];2018年

8 劉昊;趙龍;;基于改進混合高斯模型的運動目標檢測算法[A];2011年中國智能自動化學術會議論文集（第一分冊）[C];2011年

9 劉峰;奚曉梁;沈同圣;;基于最大值投影的空間小目標檢測算法[A];第二屆空間目標與碎片監(jiān)測、清理技術及應用學術研討會論文集[C];2015年

10 鄧宇;陳孝威;;綜合利用時空信息的運動目標檢測算法[A];第二屆和諧人機環(huán)境聯(lián)合學術會議(HHME2006)——第15屆中國多媒體學術會議(NCMT'06)論文集[C];2006年

相關博士學位論文 前10條

1 張麗麗;基于空譜聯(lián)合特性的高光譜圖像異常目標檢測算法研究[D];哈爾濱工程大學;2018年

2 趙紅燕;被動多基站雷達目標檢測算法研究[D];西安電子科技大學;2017年

3 郭小路;多通道雷達干擾抑制與目標檢測算法研究[D];西安電子科技大學;2017年

4 李健;星載寬幅SAR及目標檢測算法研究[D];西安電子科技大學;2018年

5 潘雪莉;機載環(huán)視SAR海面特性和艦船目標檢測算法研究[D];西安電子科技大學;2018年

6 陳宇環(huán);聯(lián)合時空特征的視覺顯著目標檢測算法研究[D];深圳大學;2018年

7 曾冬冬;視頻監(jiān)控中的前景目標檢測算法研究[D];中國科學院大學(中國科學院長春光學精密機械與物理研究所);2019年

8 王志虎;基于顯著性的運動目標檢測算法研究[D];國防科學技術大學;2015年

9 郭明瑋;基于視覺記憶的目標檢測算法：一個特征學習與特征聯(lián)想的過程[D];中國科學技術大學;2014年

10 王俊強;圖像中人體目標檢測算法研究[D];北京郵電大學;2012年

相關碩士學位論文 前10條

1 劉業(yè)鵬;基于深度學習的輸電線路目標檢測方法研究[D];華北電力大學;2019年

2 張江勇;基于深度學習的動車關鍵部位故障圖像檢測[D];電子科技大學;2019年

3 王威;基于視覺的車輛智能檢測技術的研究[D];電子科技大學;2019年

4 魏墨非;基于深度學習目標檢測的優(yōu)化研究與實現(xiàn)[D];電子科技大學;2019年

5 侯小春;基于卷積神經(jīng)網(wǎng)絡的目標檢測算法研究[D];電子科技大學;2019年

6 石齊雙;城市管理案件圖像目標檢測算法研究[D];桂林電子科技大學;2019年

7 莫燁;基于生成對抗網(wǎng)絡的復雜環(huán)境目標檢測算法研究[D];桂林電子科技大學;2019年

8 徐首韜;基于卷積神經(jīng)網(wǎng)絡的目標檢測算法研究[D];合肥工業(yè)大學;2019年

9 方璐;基于深度神經(jīng)網(wǎng)絡的多尺度目標檢測算法研究[D];合肥工業(yè)大學;2019年

10 王曉蕓;基于OpenCL的深度學習目標檢測算法加速方法研究[D];北京交通大學;2019年

本文編號：2810048