论文部分内容阅读
鳞翅目昆虫对我国各类林种危害较为严重,人工识别昆虫种类费时费力,难以满足“早防治,少损失”的林业实际生产要求。本项目旨在研究如何综合应用统计信息技术和计算机视觉方法,对研究图像进行统计分析,获取反映图像中昆虫本质特点的特征,并使用合适的分类算法建立高准确性的鳞翅目昆虫识别模型,实现昆虫的自动识别。近年来,智能计算方法由于其突出的全局搜索能力在模型优化过程中得到广泛应用。灰狼优化算法是一种较好的智能计算方法,但也存在不足。本研究拟改进灰狼优化算法,并用于鳞翅目昆虫自动识别模型的构建。主要结论如下:(1)针对灰狼优化算法收敛速度过快、可能陷入局部最优的缺点,引入一种等级学习机制以平衡探索与开发能力。同时,对确定等级数的方法与当前最优个体的更新方式进行改进。实验结果表明,改进后的灰狼优化算法能有效平衡探索与开发能力,利用其进行特征选择,能获得较高的识别精度与较小的特征维数。(2)为训练和测试模型,收集9类鳞翅目昆虫标本照1740张。同时,为研究识别模型在小数据量图片下的识别效果,采用公开的利兹蝴蝶数据集进行实验,其类别数为10,共832张。(3)基于改进后的灰狼优化算法构建一种传统的纹理图像识别模型,主要通过引入一种主旋转局部二值模式(Dominant Rotated Local Binary Patterns,DRLBP)的纹理特征提取算法用于提取特征,并利用改进后的灰狼优化算法进行特征选择筛选无效、冗余的特征,最后利用一种基于概率协同表示的分类器(Probabilistic Collaborative Representation Based Classifier,PROCRC)进行分类。实验结果表明,该模型具有良好的识别精度,在鳞翅目昆虫标本照上的识别精度为88.82%,而在利兹蝴蝶数据集上的识别精度为89.3%。(4)基于改进后的灰狼优化算法构建一种自动演化卷积神经网络识别模型,主要通过将改进后的灰狼优化算法以一定的编码技术与卷积神经网络结合,实现自动演化卷积神经网络的结构与参数。实验结果表明,该模型具有良好的识别精度,在鳞翅目昆虫标本照上的识别精度为89.74%,而在利兹蝴蝶数据集上的识别精度为89.08%。