隨著社會(huì)發(fā)展進(jìn)步,人們?cè)絹?lái)越重視保護(hù)生態(tài)平衡、維護(hù)生物多樣性。對(duì)各類物種的準(zhǔn)確和一致性的識(shí)別需求也日漸增長(zhǎng)。昆蟲的種類在各類動(dòng)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(wàn)種。蝴蝶具有復(fù)雜的顏色、紋理和圖案,人工識(shí)別難度較高且十分耗時(shí)。因此,針對(duì)自動(dòng)識(shí)別蝴蝶種類的研究受到越來(lái)越多的關(guān)注。計(jì)算機(jī)處理圖像數(shù)據(jù)的能力依賴其硬件技術(shù)。這些年硬件技術(shù)發(fā)展迅速,使得計(jì)算機(jī)處理圖像數(shù)據(jù)的能力快速上升�；诖�,圖像識(shí)別相關(guān)技術(shù)也不斷取得新的突破。計(jì)算機(jī)視覺任務(wù)中,深度學(xué)習(xí)憑借良好的特征學(xué)習(xí)能力取得了很多成果。它通過非線性映射來(lái)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(jìn)行分類,達(dá)到識(shí)別樣本類別的目的。自編碼深度學(xué)習(xí)可以通過自動(dòng)學(xué)習(xí)網(wǎng)絡(luò)參數(shù)來(lái)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(xué)習(xí)在分析處理大規(guī)模數(shù)據(jù)方面具有優(yōu)勢(shì),是一種有效的機(jī)器學(xué)習(xí)方法和數(shù)據(jù)處理工具,在目標(biāo)檢測(cè)領(lǐng)域得到廣泛應(yīng)用。因此,我們將深度學(xué)習(xí)應(yīng)用于蝴蝶種類自動(dòng)識(shí)別問題中,以期自動(dòng)定位蝴蝶在圖像中的位置、抽取蝴蝶特征,并且對(duì)其進(jìn)行分類或聚類,提高蝴蝶種類識(shí)別效率。以往的蝴蝶自動(dòng)識(shí)別研究大多基于蝴蝶的標(biāo)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(shè)計(jì)的方法來(lái)提取蝴蝶分類特征�；谏鷳B(tài)環(huán)境中拍攝的蝴蝶照片進(jìn)行蝴蝶種類自動(dòng)識(shí)別是對(duì)現(xiàn)有蝴蝶種類識(shí)別的挑戰(zhàn),因?yàn)樯鷳B(tài)環(huán)境中的蝴蝶照片,蝴蝶的分類特征將會(huì)被嚴(yán)重遮擋。因此,本研究基于深度學(xué)習(xí)方法研究生態(tài)環(huán)境照片中的蝴蝶種類自動(dòng)識(shí)別,包括生態(tài)照片中的蝴蝶位置定位及其種類識(shí)別。生態(tài)環(huán)境中的蝴蝶照片中的蝴蝶種類標(biāo)注難度極大,需要專業(yè)人員鑒定蝴蝶種類,甚至對(duì)專業(yè)人員都是非常大的挑戰(zhàn)。因此,本論文借助深度學(xué)習(xí)對(duì)特征的強(qiáng)大學(xué)習(xí)能力,采取有監(jiān)督和半監(jiān)督兩種方式實(shí)現(xiàn)蝴蝶種類鑒定,論文的主要工作和貢獻(xiàn)如下:1.對(duì)比使用基于深度學(xué)習(xí)的Faster R-CNN和Mask R-CNN目標(biāo)檢測(cè)算法,定位和識(shí)別生態(tài)照片中蝴蝶的位置和種類。通過添加對(duì)應(yīng)種類的蝴蝶標(biāo)本照片構(gòu)造蝴蝶訓(xùn)練集,并使用旋轉(zhuǎn)圖片、添加噪聲等方式擴(kuò)充訓(xùn)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(xì)粒度分類問題。使用目標(biāo)檢測(cè)算法的常用評(píng)價(jià)準(zhǔn)則mAP來(lái)查看蝴蝶定位和識(shí)別的效果。實(shí)驗(yàn)結(jié)果顯示,Mask R-CNN算法可以在蝴蝶物種自動(dòng)識(shí)別問題中取得更好的效果。2.由于蝴蝶數(shù)據(jù)集標(biāo)注的難度較大,需要專業(yè)人員標(biāo)注種類,且耗時(shí)較長(zhǎng)。本研究探索在人工標(biāo)注蝴蝶數(shù)據(jù)不足情況下生態(tài)照片中蝴蝶種類自動(dòng)識(shí)別問題。使用目標(biāo)檢測(cè)算法檢測(cè)出生態(tài)照片中的蝴蝶位置,然后采用半監(jiān)督思想識(shí)別蝴蝶種類。提出以密度峰值聚類算法改進(jìn)DCEC深度聚類的DCEC_DPC算法,采用DCEC_DPC與深度聚類算法DeepCluster對(duì)檢測(cè)出來(lái)的蝴蝶進(jìn)行種類劃分。
【學(xué)位單位】：陜西師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：Q959;TP391.41;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 舒朗;郭春生;;基于回歸與深度強(qiáng)化學(xué)習(xí)的目標(biāo)檢測(cè)算法[J];軟件導(dǎo)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(biāo)檢測(cè)算法[J];機(jī)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(biāo)檢測(cè)算法分析[J];測(cè)繪科學(xué);2012年01期

4 張桂林，熊艷，曹偉，李強(qiáng);一種評(píng)價(jià)自動(dòng)目標(biāo)檢測(cè)算法性能的方法[J];華中理工大學(xué)學(xué)報(bào);1994年05期

5 許云;李彬;;基于背景遺傳模型的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J];自動(dòng)化技術(shù)與應(yīng)用;2017年03期

6 杜佳;宋春林;;一種改進(jìn)的毫米波雷達(dá)多目標(biāo)檢測(cè)算法[J];通信技術(shù);2015年07期

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

8 張寬;滕國(guó)偉;;基于位置預(yù)測(cè)的目標(biāo)檢測(cè)算法[J];電子測(cè)量技術(shù);2019年19期

9 丁業(yè)兵;;運(yùn)動(dòng)目標(biāo)檢測(cè)算法綜述[J];科技資訊;2019年30期

10 方路平;何杭江;周國(guó)民;;目標(biāo)檢測(cè)算法研究綜述[J];計(jì)算機(jī)工程與應(yīng)用;2018年13期

相關(guān)會(huì)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(biāo)檢測(cè)算法[A];國(guó)家安全地球物理叢書（十一）——地球物理應(yīng)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(biāo)檢測(cè)算法[A];第八屆全國(guó)信號(hào)與信息處理聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2009年

3 高飛;蔣建國(guó);安紅新;齊美彬;;一種快速運(yùn)動(dòng)目標(biāo)檢測(cè)算法[A];全國(guó)第22屆計(jì)算機(jī)技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議(CACIS·2011)暨全國(guó)第3屆安全關(guān)鍵技術(shù)與應(yīng)用（SCA·2011）學(xué)術(shù)會(huì)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(biāo)檢測(cè)算法[A];2006年全國(guó)光電技術(shù)學(xué)術(shù)交流會(huì)會(huì)議文集（D 光電信息處理技術(shù)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(biāo)檢測(cè)算法性能研究[A];國(guó)家安全地球物理叢書（十）——地球物理環(huán)境與國(guó)家安全[C];2014年

6 張國(guó)華;;一種基于導(dǎo)引頭穩(wěn)定平臺(tái)結(jié)構(gòu)的目標(biāo)檢測(cè)算法[A];第九屆全國(guó)光電技術(shù)學(xué)術(shù)交流會(huì)論文集（下冊(cè)）[C];2010年

7 鄭偉成;李學(xué)偉;劉宏哲;;基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法綜述[A];中國(guó)計(jì)算機(jī)用戶協(xié)會(huì)網(wǎng)絡(luò)應(yīng)用分會(huì)2018年第二十二屆網(wǎng)絡(luò)新技術(shù)與應(yīng)用年會(huì)論文集[C];2018年

8 劉昊;趙龍;;基于改進(jìn)混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[A];2011年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第一分冊(cè)）[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(biāo)檢測(cè)算法[A];第二屆空間目標(biāo)與碎片監(jiān)測(cè)、清理技術(shù)及應(yīng)用學(xué)術(shù)研討會(huì)論文集[C];2015年

10 鄧宇;陳孝威;;綜合利用時(shí)空信息的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[A];第二屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議(HHME2006)——第15屆中國(guó)多媒體學(xué)術(shù)會(huì)議(NCMT'06)論文集[C];2006年

相關(guān)博士學(xué)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(biāo)檢測(cè)算法研究[D];哈爾濱工程大學(xué);2018年

2 趙紅燕;被動(dòng)多基站雷達(dá)目標(biāo)檢測(cè)算法研究[D];西安電子科技大學(xué);2017年

3 郭小路;多通道雷達(dá)干擾抑制與目標(biāo)檢測(cè)算法研究[D];西安電子科技大學(xué);2017年

4 李健;星載寬幅SAR及目標(biāo)檢測(cè)算法研究[D];西安電子科技大學(xué);2018年

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

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

7 曾冬冬;視頻監(jiān)控中的前景目標(biāo)檢測(cè)算法研究[D];中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所);2019年

8 王志虎;基于顯著性的運(yùn)動(dòng)目標(biāo)檢測(cè)算法研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2015年

9 郭明瑋;基于視覺記憶的目標(biāo)檢測(cè)算法：一個(gè)特征學(xué)習(xí)與特征聯(lián)想的過程[D];中國(guó)科學(xué)技術(shù)大學(xué);2014年

10 王俊強(qiáng);圖像中人體目標(biāo)檢測(cè)算法研究[D];北京郵電大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 劉業(yè)鵬;基于深度學(xué)習(xí)的輸電線路目標(biāo)檢測(cè)方法研究[D];華北電力大學(xué);2019年

2 張江勇;基于深度學(xué)習(xí)的動(dòng)車關(guān)鍵部位故障圖像檢測(cè)[D];電子科技大學(xué);2019年

3 王威;基于視覺的車輛智能檢測(cè)技術(shù)的研究[D];電子科技大學(xué);2019年

4 魏墨非;基于深度學(xué)習(xí)目標(biāo)檢測(cè)的優(yōu)化研究與實(shí)現(xiàn)[D];電子科技大學(xué);2019年

5 侯小春;基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法研究[D];電子科技大學(xué);2019年

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

7 莫燁;基于生成對(duì)抗網(wǎng)絡(luò)的復(fù)雜環(huán)境目標(biāo)檢測(cè)算法研究[D];桂林電子科技大學(xué);2019年

8 徐首韜;基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法研究[D];合肥工業(yè)大學(xué);2019年

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

10 王曉蕓;基于OpenCL的深度學(xué)習(xí)目標(biāo)檢測(cè)算法加速方法研究[D];北京交通大學(xué);2019年

本文編號(hào)：2810048