[发明专利]一种基于CNN的鳞翅目昆虫种类自动鉴别方法

权利要求书

1.一种基于CNN的鳞翅目昆虫种类自动鉴别方法，其特征在于包括以下步骤：

1)图像预处理

预处理对采集的昆虫标本图像去除背景，并基于昆虫前景图像计算出昆虫的最小包围盒，由此剪切出前景有效区域。由于CNN模型的输入维度需固定，在CNN特征提取前先对剪切得到的图像进行尺度预处理。

2)图像特征提取

在图像特征提取时，先使用ImageNet预训练CNN模型(本发明选用AlexNet和VGG16两种CNN网络)，用训练好的特征提取层来提取具有代表性的特征。

3)分类鉴别

分类识别时，本发明分两种情况分别处理。在样本量较充分时，通过微调Imagenet预训练网络，训练优化深度卷积神经网络(DCNN)后三层的模型参数，来得到端到端的分类结果；对于样本数据集较小的情况，不适合用依赖于大样本学习的深度神经网络分类层的训练及调参。本发明选择跳过其分类层，训练适用于小样本的χ²核SVM分类器模型，最后进行分类识别。

2.根据权利要求1所述的基于CNN的鳞翅目昆虫种类自动鉴别方法，其特征在于：

在所述步骤1)中，使用以下方法之一去除标本图像的背景：

用Lazy snapping方法去除标本图像的背景，方法是在需要保留的前景区域内用一种颜色的线条作标记，在需要去除的背景区域内用另一种颜色的线条作标记，Lazy Snapping算法自动计算出前景和背景之间的分界线，如果分割还不够精确则反复作标记微调，直至分界线符合要求；

或用Grabcut工具去除标本图像的背景，方法是设置包含前景区域的最小矩形框，分割完成后将背景区域设置成黑色；

或用GrabCut+Lazy Snapping工具完成背景去除工作，方法是先用GrabCut勾勒出前景区域，然后再用Lazy Snapping标记未去除的背景和误去除的前景，分割完成后将背景区域设置成黑色。

3.根据权利要求1所述的基于CNN的鳞翅目昆虫种类自动鉴别方法，其特征在于：

在所述步骤1)的图像预处理中，对去除背景后的图像求昆虫图像的最大包围盒，以这个最大包围盒为中心，截取227×227大小的正方形区域；如果包围盒的长或宽超出224，则缩小图像直至包围盒最长边≤224，然后再以此为中心裁剪227×227大小的正方形区域。

4.根据权利要求1所述的基于CNN的鳞翅目昆虫种类自动鉴别方法，其特征在于：

在上述步骤2)及3)中，基于深度卷积神经网络的昆虫图像特征提取，使用现阶段效果较好的深度卷积神经网络模型(AlexNet或VGG16)预训练好的特征提取层来提取更具有代表性的特征。在样本量较充分时，则微调Imagenet预训练网络，训练优化深度卷积神经网络(DCNN)后三层的模型参数，来得到端到端的分类结果。

5.根据权利要求1所述的基于CNN的鳞翅目昆虫种类自动鉴别方法，其特征在于：

在上述步骤3)中，当样本数据集较小，不适用于依赖大样本学习的深度神经网络分类层的训练及调参，本发明去掉最后一层全连接层，改用适用于小样本集的χ²核SVM分类器。

6.根据权利要求1所述的基于CNN的鳞翅目昆虫种类自动鉴别方法，其特征在于：

在所述步骤3)中，当样本数据集较小，为每一类昆虫训练χ²核SVM，以显式的χ²核近似变换公式首先将特征向量映射到更高维空间，以高维特征向量训练线性SVM，以实现分类识别。

7.根据权利要求1所述的基于CNN的鳞翅目昆虫种类自动鉴别方法，其特征在于：

在所述步骤3)中，用本类昆虫的若干个标本作为正例，其他类昆虫的若干个标本作为负例，按步骤2)的方法提取每一类昆虫的特征向量，构成分类模型的训练集。

8.根据权利要求1所述的基于CNN的鳞翅目昆虫种类自动鉴别方法，其特征在于：

在所述步骤3)中，所述训练χ²分类器模型的方法是，每一类昆虫用数量相当的正例和反例特征向量训练支持向量机分类器模型，每一类昆虫对应一个χ²分类器模型。

9.根据权利要求1所述的基于CNN的鳞翅目昆虫种类自动鉴别方法，其特征在于：

在所述步骤3)中，所述分类识别的方法是，将未知类别的昆虫标本图像按步骤1)和2)进行预处理和特征提取后，以显式的χ²核近似变换公式首先将特征向量映射到更高维空间，输入各类线性SVM，如果某类输出值在所有模型中最大，则接受为本类昆虫，如果所有输出值均为负，则判断为新类别。