买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：生态环境部南京环境科学研究所

摘要：本发明公开了一种基于卷积神经网络的蝴蝶图像识别方法，该方法包括以下步骤：S1、采集具有种类信息标注的蝴蝶原始图像及其生长状态图像；S2、将所述蝴蝶原始图像进行扩充处理汇集形成原始图像数据集；S3、利用所述原始图像数据集构建基于卷积神经网络的多特征融合识别模型；S4、将待检测蝴蝶图像输入所述多特征融合识别模型进行识别；S5、输出识别结果并匹配输出该种类蝴蝶对应的生长状态图像。本发明通过针对不同种类蝴蝶在颜色、斑纹与形态上多样性强且相似度高的特性，构建多特征融合识别模型，从蝴蝶鲜艳且多彩的斑纹出发，分别计算并利用其体态特征与多维度的斑纹特征，从而保证不同种类蝴蝶特征的高精确提取。

主权项：1.一种基于卷积神经网络的蝴蝶图像识别方法，其特征在于，该方法包括以下步骤：S1、采集具有种类信息标注的蝴蝶原始图像及其生长状态图像；S2、将所述蝴蝶原始图像进行扩充处理汇集形成原始图像数据集；S3、利用所述原始图像数据集构建基于卷积神经网络的多特征融合识别模型；S4、将待检测蝴蝶图像输入所述多特征融合识别模型进行识别；S5、输出识别结果并匹配输出该种类蝴蝶对应的生长状态图像；S6、将所述待检测蝴蝶图像及其信息数据存储至所述原始图像集；同步录入蝴蝶及生长状态数据，能够在识别成功后同步输出该种类蝴蝶成长过程中的多状态图像；所述将所述蝴蝶原始图像进行扩充处理汇集形成原始图像数据集，包括以下步骤：S21、对所述蝴蝶原始图像进行旋转与镜像的扩充处理；S22、对所述蝴蝶原始图像进行去噪滤波，并裁剪为64*64大小的图像；S23、将图像分割为n个窗口，对n个窗口中的每一个窗口，采用中值滤波去除噪声，得到无噪声图像；S24、将无噪声图像汇集构成原始图像数据集；蝴蝶原始图像由多张蝴蝶标本图像以及在大自然中现场拍摄到的多张蝴蝶图像作为数据库的样本图像，且在预设蝴蝶数据库中将上述的蝴蝶图像已经根据科级的不同进行分类；生长状态图像为根据蝴蝶不同发育时的生长状态数据获取的蝴蝶成长过程中的多状态图像；通过同步录入蝴蝶原始图像及生长状态数据，能够在识别成功后同步输出该种类蝴蝶成长过程中的多状态图像，从而帮助用户更全面对蝴蝶进行了解与学习；所述得到无噪声图像包括：将一个窗口中的所有像素点按像素值顺序排列，然后用中心像素值代替具有噪声的像素点；计算该窗口的中值，计算中值的中间滤波器的计算公式如下： 对于给定的图像Ii,j，r,s∈-w-12,…,w-12，i,j∈1,2,…,H×1,2,…,L，H和L分别表示图像的宽和高，w为窗口的奇数值，w＝3,5,…，W为矩形子图像窗口中的一组坐标，以点x，y为中心，用计算出的该中值替换该窗口中的全部中心像素值；再将其余窗口采用中值滤波除去噪声，得到无噪声图像；所述利用所述原始图像数据集构建基于卷积神经网络的多特征融合识别模型，包括以下步骤：S31、将所述原始图像数据集划分为训练图像集与测试图像集；S32、利用RGB阈值分割算法对训练图像集中训练图像进行处理，得到灰度图像；S33、提取所述灰度图像中蝴蝶的体态特征；S34、提取所述灰度图像中蝴蝶的斑纹特征；S35、融合所述体态特征与所述斑纹特征作为训练集导入分类器进行训练得到强分类器；S36、利用所述测试集进行所述强分类器的测试与输出，得到多特征融合识别模型；所述融合所述体态特征与所述斑纹特征作为训练集导入分类器进行训练得到强分类器，包括以下步骤：S351、采用级联的融合方式将所述体态特征与所述斑纹特征构成蝴蝶特征模型并进行迭代训练；S352、将训练完毕后的所述体态特征与所述斑纹特征作为训练集导入分类器，初始化训练集的权重值；S353、对所述分类器进行迭代优化，得到最终的强分类器；所述对所述分类器进行迭代优化，得到最终的强分类器，包括以下步骤：S3531、选取当前误差率最低的弱分类器作为第t个基本分类器，并计算该弱分类器；S3532、计算该弱分类器在最终分类器上所占的权重值，如下式： 式中，αt表示权重值；et表示该弱分类器在分布dt上的误差；S353、按照各弱分类器的权重值，构成最终的强分类器，如下式： 式中，F表示最终分类器；Ftx表示弱分类器；T表示分类器数量；通过迭代训练不同的弱分类器，联合弱分类器构成一个强大的强分类器。

全文数据：

权利要求：

百度查询： 生态环境部南京环境科学研究所 一种基于卷积神经网络的蝴蝶图像识别方法