毒蛇咬伤是全球比较容易忽视的一种疾病,由于蛇毒的成分具有高度的复杂性和多样性,识别蛇的种类有助于医生确定适合患者的抗蛇毒血清,及时治疗。除医疗目的外,在野生动物监测系统中还可以进行蛇类物种识别,对保护物种多样性和维持生态平衡具有重要意义。蛇类识别是图像识别领域的一个新兴方向,且尚未有针对蛇类研究的公开数据集,在科研领域,蛇类图像识别仍然是一个比较开放性的问题。对此本文采用基于迁移学习与模型融合的方法实现对18种蛇类的识别与分类研究工作。首先,针对蛇类数据集较少的问题,收集整理了包含18种蛇类图像的蛇类数据集,数据集一部分来自Crowd AI数据集,一部分从互联网搜索下载整理所得。为了避免出现过拟合问题,采用翻转、旋转和平移等方式进行数据增广,将增广后数据集按照一定比例分为模型训练集和验证集。其次,提出一种基于迁移学习与模型融合的蛇类识别算法。基于ResNet和VGG16两种预训练模型的迁移学习实现对蛇类图像的识别,采用不同的迁移学习策略对ResNet18、ResNet34、ResNet50和VGG16进行迁移学习训练,选取其中表现最佳的两种模型ResNet50和微调全连接层的VGG16分别进行改进。为了增强模型的鲁棒性,对改进后得到的Fine＿ResNet和Fine＿VGG16进行双模型融合。模型融合采用加权平均法,分别对这两个模型提前拟定好会使用到的权重值,将得到的融合网络用于蛇类图像的迁移学习训练。经实验验证,在加权平均法的双模型融合中,融合后的集成模型相较于单一模型在蛇类图像数据集上识别准确性得到了一定提升,其中Fine＿VGG16权重值为0.6,Fine＿ResNet权重值为0.4时,识别效果最优,训练集识别准确率为91.4%,验证集识别准确率为89.5%。最后,在保证识别效果的情况下,MobileNet有着更加轻量级的网络,并且有着更好的移植性和实时性。因此,本文基于Mobile Net模型,保留其特征提取部分,将全连接层代替为GAP层,能够有效缓解全连接层参数量过大的问题,提高模型训练速度,有利于移动端实时性分类。改进后得到的Fine＿Mobile Net模型在本文蛇类训练集上的识别率达到了87.2%,并在改进模型的基础上设计并实现了一个基于Web平台的蛇类在线识别系统。实验分析表明,本文提出的蛇类图像识别模型CNN＿0.6准确率达到了91.4%,该模型对于本文的18种蛇类图像有着较高的识别准确率,达到了本文的识别目标,具备一定的研究价值。本文最后还设计并实现了基于Web的蛇类图像识别系统,操作简单方便,适用性较高,具有一定的实际意义和应用价值。