基于稀疏编码和SCGBPNN的鳞翅目昆虫图像识别

被引：8

作者：

竺乐庆 ^{[1
]}

张真 ^{[2
]}

机构：

[1] 浙江工商大学计算机与信息工程学院

[2] 中国林业科学研究院森林生态与保护研究所,国家林业局森林保护重点实验室

来源：

昆虫学报 | 2013年 / 56卷 / 11期

基金：

浙江省自然科学基金;

关键词：

昆虫; 鳞翅目; 图像识别; 超像素分割; 稀疏编码; 量化共轭梯度法; 反向传播神经网;

D O I：

10.16380/j.kcxb.2013.11.015

中图分类号：

Q969.42 [鳞翅目];

学科分类号：

07 ; 0710 ; 09 ;

摘要：

【目的】为了给林业、农业或植物检疫等行业人员提供一种方便快捷的昆虫种类识别方法,本文提出了一种新颖的鳞翅目昆虫图像自动识别方法。【方法】首先通过预处理对采集的昆虫标本图像去除背景,分割出双翅,并对翅图像的位置进行校正。然后把校正后的翅面分割成多个超像素,用每个超像素的l,a,b颜色及x,y坐标平均值作为其特征数据。接下来用稀疏编码(SC)算法训练码本、生成编码并汇集成特征向量训练量化共轭梯度反向传播神经网络(SCG BPNN),并用得到的BPNN进行分类识别。【结果】该方法对包含576个样本的昆虫图像的数据库进行了测试,取得了高于99%的识别正确率,并有理想的时间性能、鲁棒性及稳定性。【结论】实验结果证明了本文方法在识别鳞翅目昆虫图像上的有效性。

引用

页码：1335 / 1341

页数：7

共 16 条

[1]

Learning representations by back-propagating errors. David E. Rumelhart,Geoffrey E. Hinton,Ronald J. Williams. Nature . 1986

[2]

Learning internal representations by error propagation. Rumelhart DE,Hinton GE,Williams RJ. Parallel Distributed Processing: Exploration in the Microstructures of Cognition . 1986

[3]

SLIC Superpixels. RADHAKRISHNA A,SHAJI A,SMITH K,et al. Technical Report 149300, EPFL . 2010

[4]

NEURAL NETWORKS[P]. COLLINGS NEIL.英国专利:GB2231989B,1993-10-06

[5]

Neural networks in brief. Lang R. Automated Taxon Identification in Systematics,Theory Approaches and Applications . 2007

[6]

Discriminative learned dictionaries for local image analysis. Mairal J,Bach F,Ponce J,Sapiro G,Zisserman A. 2008 IEEE Conference on Computer Vision and Pattern Recognition . 2008

[7]

Daisy takes wing to sort out the bugs of the world. Weeks P. The Times . 1996

[8]

Image super-resolution as sparse representation of raw image patches. Yang JC,Wright J,Huang T,Ma Y. 2008 IEEE Computer Society Conference on Computer Vision and Pattern Recognition . 2008

[9] 昆虫翅脉特征自动获取技术的初步研究 [J].

潘鹏亮 ;

沈佐锐 ;

高灵旺 ;

杨红珍 .

昆虫分类学报, 2008, (01) :72-80

[10] 基于图像的昆虫远程自动识别系统的研究 [J].

杨红珍 ;

张建伟 ;

李湘涛 ;

沈佐锐 .

农业工程学报, 2008, (01) :188-192

← 1 2 →