基于圖像的昆蟲分類識別研究綜述

姚侃 徐鵬 張廣群 汪杭軍

摘 要：近年來，在自動化識別昆蟲技術(shù)中，基于圖像的昆蟲分類識別研究逐漸發(fā)展起來。本文在查閱了近20年來具有代表性文章的基礎(chǔ)上，對基于圖像的昆蟲分類識別研究的進(jìn)展進(jìn)行綜述，介紹了圖像獲取、圖像處理、分類方法三方面，并分析了現(xiàn)有方法的優(yōu)缺點(diǎn)。最后展望了基于圖像的昆蟲分類識別研究的研究趨勢和發(fā)展方向。

關(guān)鍵詞： 圖像分割; 昆蟲分類; 特征提取; 分類識別

文章編號： 2095-2163（2019）03-0029-07?中圖分類號： TP391.41?文獻(xiàn)標(biāo)志碼： A

0?引?言

昆蟲是動物界中種類最多，數(shù)量最大，分布最廣，適應(yīng)能力甚強(qiáng)，與人類關(guān)系極為密切的一類動物。迄今發(fā)現(xiàn)的昆蟲有120多萬種，占整個動物界種類的80% 左右[1]。更為重要的是，現(xiàn)在大部分農(nóng)業(yè)和林業(yè)上的害蟲屬于昆蟲，昆蟲識別是昆蟲研究和害蟲防治的基礎(chǔ)。傳統(tǒng)的昆蟲識別是通過分類學(xué)專家或具有昆蟲分類知識的技術(shù)人員對昆蟲進(jìn)行種類的鑒定，但現(xiàn)有的分類學(xué)專家和掌握分類的技術(shù)人員無論在分布、或者在數(shù)目上均難于滿足時下正呈現(xiàn)擴(kuò)大傾向的各類實(shí)際場景需求。近年來，信息技術(shù)的快速發(fā)展，以計算機(jī)代替人腦進(jìn)行判別的方法成為了可能。以計算機(jī)為基礎(chǔ)的自動識別方法，可以采用最常見的數(shù)據(jù)形式—圖像。采集的昆蟲圖像經(jīng)過系統(tǒng)處理，進(jìn)一步由圖像分類系統(tǒng)進(jìn)行分類。采集圖像的方法不同，采獲的圖像也存在差別，不同的圖像需要不同的圖像處理和分類方法。因此，本次綜述擬分如下3點(diǎn)來展開分析：圖像獲取、圖像處理和分類方法。其中，圖像獲取包括圖像獲取的環(huán)境和設(shè)備，以及圖像的內(nèi)容（見本文第1節(jié)）。圖像處理包括從圖像中獲取感興趣的區(qū)域，以及對分類有用的特征信息（見本文第2節(jié)）。分類方法中，分類、即是基于提取的信息進(jìn)行識別的實(shí)際步驟，本次研究則分傳統(tǒng)分類方法和深度學(xué)習(xí)方法兩方面進(jìn)行綜述探討（見本文第3節(jié)）。圖1即展示了本次研究中各主題要點(diǎn)間的相互關(guān)系。

1?圖像獲取

圖像獲取是昆蟲分類研究的基礎(chǔ)，圖像的獲取方法影響圖像的處理方法以及識別分類的成功率。本節(jié)將討論影響圖像效果的圖像獲取的環(huán)境和設(shè)備，以及圖像的內(nèi)容。

1.1?圖像獲取的環(huán)境和設(shè)備

圖像獲取的環(huán)境多種多樣，大體上本文將其分為2種，即：實(shí)驗(yàn)室環(huán)境和自然環(huán)境。相應(yīng)地，實(shí)驗(yàn)室環(huán)境主要是采集昆蟲樣本后在實(shí)驗(yàn)室中進(jìn)行圖像采集，而自然環(huán)境主要是直接在自然環(huán)境下（比如：農(nóng)田、樹林、湖泊、誘蟲裝置等）進(jìn)行圖像采集。

1.1.1?實(shí)驗(yàn)室環(huán)境

研究指出，實(shí)驗(yàn)室環(huán)境也是未來昆蟲識別研究的主要環(huán)境。實(shí)驗(yàn)室環(huán)境背景比較單一，有助于圖像處理。且可以對昆蟲的姿態(tài)詳加規(guī)定，便于后續(xù)的算法設(shè)計和系統(tǒng)開發(fā)。但實(shí)驗(yàn)室環(huán)境要求比較高，比如：特定的裝置、光照設(shè)備等，研究人員工作也相對繁重，比如：昆蟲姿態(tài)的設(shè)置、圖像采集設(shè)備的組裝等，且實(shí)驗(yàn)室環(huán)境下的昆蟲一般都是在室外捕捉后帶至實(shí)驗(yàn)室進(jìn)行圖像采集。采集方式可綜合表述如下。

（1）相機(jī)拍攝。在實(shí)驗(yàn)室環(huán)境下拍攝的昆蟲圖像大都存在陰影，為了消除陰影，Yang等人[2]將一根透明塑料棒固定在白色泡沫板上，昆蟲樣本插在塑料棒遠(yuǎn)端，如圖2所示。Zayas等人[3]采用被儲糧害蟲所污染的小麥，其中包含小麥籽粒、儲糧害蟲和草籽。將樣品放置在一個箱子中，帶有背光照明，在樣品的上方放置了一個帶有白色啞光漆的圓屋頂，相機(jī)則置于圓頂上面，如圖3所示。分析可知，消除陰影即旨在減少拍攝過程中外界因素對昆蟲圖像質(zhì)量的影響，而為了獲取更多的昆蟲圖像特征，Yao等人[4]和呂軍等人[5]把昆蟲樣本放置在一個透明玻璃板上，上下均架有一部相機(jī)，獲得昆蟲頂部和底部的照片。針對不同特征數(shù)據(jù)的采集，所需要的拍攝方法也有不同。楊紅珍等人[6]建立了一套昆蟲圖像獲取的標(biāo)準(zhǔn)。在獲取昆蟲形態(tài)特征數(shù)據(jù)時，圖像采集主要采用標(biāo)本底下加置透射光的方法;在獲取昆蟲的顏色或紋理特征數(shù)據(jù)時，應(yīng)采用標(biāo)本上方加置光源的方法，依靠反射光來獲取標(biāo)本正面的顏色與紋理信息。還有研究人員對在實(shí)驗(yàn)室環(huán)境中模擬出自然環(huán)境進(jìn)行了研究，冼鼎翔等人[7]在封閉的恒定環(huán)境下，把燈誘昆蟲自然跌落在白色背景平臺上，盡可能使蟲體不粘連，模擬出一個在燈誘狀態(tài)下的昆蟲形態(tài)，獲取相對真實(shí)的燈誘狀態(tài)下的昆蟲圖像。而邱道尹等人[8]通過在傳送帶上安裝攝像機(jī)鏡頭進(jìn)行圖像采集，獲取相對真實(shí)的在傳送帶上混有昆蟲的圖片。

（2）相機(jī)通過顯微鏡拍攝。直接通過相機(jī)拍攝昆蟲，有些特征信息不是很明顯。為了拍攝到需要的特征信息，Weeks等人[9]、Arbuckle等人[10]、Favre等人[11]通過顯微鏡拍攝昆蟲某些細(xì)節(jié)或特殊部分，比如：翅膀等。Wen等人[12-13]將昆蟲冷凍20 min，而后隨機(jī)放置在一個白色平板上，從而獲得不同的昆蟲方向和2種姿勢下（俯視圖和側(cè)視圖）的圖像。Larios等人[14]設(shè)計了一個復(fù)雜的圖像采集裝置，昆蟲通過水流進(jìn)入拍攝區(qū)域，然后形成漩渦使昆蟲原地旋轉(zhuǎn)，相機(jī)拍攝的每一張照片都通過一組鏡子以90°的角度得到2幅圖像。Sarpola等人[15]改進(jìn)了Larios等人[14]的裝置，采用2個攝像頭來捕捉不同方向上的圖像，其2個攝像頭角度為90°。

1.1.2?自然環(huán)境

自然環(huán)境的圖像采集沒有固定的采集設(shè)備，可以由隨身攜帶的手機(jī)、也可以采用數(shù)碼相機(jī)進(jìn)行采集，且以自然光作為主要光源。但自然環(huán)境的背景比較復(fù)雜，采集后圖像處理任務(wù)要更加繁瑣。且采集圖像時昆蟲的姿態(tài)比較多樣化，增加了后續(xù)的算法設(shè)計和系統(tǒng)開發(fā)的難度。Yalcin等人[16]采集通過信息素陷阱捕獲的昆蟲，其背景是信息素陷阱的粘墊。Solissánchez等人[17]、楊信廷等人[18]采集圖像的來源是黃色的粘性陷阱，如圖4所示。為了采集更加真實(shí)的自然環(huán)境昆蟲圖像，Xie等人[19]、張永玲等人[20]直接在野外拍攝昆蟲，其背景存在植物，即如圖5所示。陳月華等人[21]為了更好地分割圖像，采集的圖像是一種帶有害蟲的葉片圖像，另一種是純?nèi)~片的圖像。

1.2?圖像內(nèi)容

采集圖像的內(nèi)容會關(guān)系到后期圖像處理的方法和分類的方法。其內(nèi)容大致可分為昆蟲要素和背景要素。一般來說，昆蟲要素分為昆蟲的數(shù)量多少和昆蟲的種類多少?，F(xiàn)在大部分的識別系統(tǒng)是以一張圖像一只昆蟲為基礎(chǔ)。但也有以一張圖像多種昆蟲進(jìn)行識別。文獻(xiàn)[4-5，7，16-18，21-23]采集的圖像就是多種昆蟲集合在一張圖像上，但其中的幾種昆蟲個體之間是不黏連的，而更為復(fù)雜的昆蟲重疊圖像對識別的影響也會更大，但這方面的研究到現(xiàn)在為止卻依然少見。背景要素可分為簡單背景和復(fù)雜背景。現(xiàn)在大多數(shù)采用簡單背景，即一種顏色作為背景，例如：白色泡沫板[2]、白色背景平臺[7]、白色平板[12-13]、透明玻璃板[4-5]等。單色作為背景的好處是便于分割圖像?，F(xiàn)在，復(fù)雜背景的研究也已引起了研究者的濃厚興趣，例如：植物葉片[19-21]、其他干擾物[3，8]等。復(fù)雜背景大多是存在于自然環(huán)境中采集的圖像里。

2?圖像處理

圖像處理是圖像能否應(yīng)用于識別的關(guān)鍵步驟，對最終的圖像識別成功率也將產(chǎn)生決定性作用。本節(jié)研究主要立足于2個方面，即：圖像分割（把感興趣的昆蟲從背景中分離出來）和特征提?。ㄌ崛±ハx特征用于識別）。對此可做解析詳述如下。

2.1?圖像分割

圖像分割是將圖像分割成幾個獨(dú)特區(qū)域的過程，即從圖像中分割出感興趣的目標(biāo)區(qū)域。但在某些情況下，圖像又不需要進(jìn)行分割[19，24-25]。這里將分別研究手工分割方法和自動分割方法，具體如下。

2.1.1?手工分割方法

手工分割方法是由用戶自己來選擇感興趣的目標(biāo)區(qū)域，文獻(xiàn)[26-29]設(shè)計的系統(tǒng)，會向用戶顯示一個界面，可以讓用戶通過該界面來繪制感興趣區(qū)域的輪廓。手工分割相對精確，但在很多時候也是一個耗時繁重的工作。

2.1.2?自動分割方法

考慮到手工分割方法費(fèi)時費(fèi)力，因此大部分分割方法均為自動分割方法。依賴于閾值的分割方法在處理昆蟲圖像時得到了最多應(yīng)用。閾值可以由系統(tǒng)設(shè)定，也可以由用戶輸入。還有一種閾值的產(chǎn)生可以視其為是一個聚類問題，其中必須有2個或更多個區(qū)域[12，30-31]。Wen等人[12]、Faithpraise等人[30]使用k-means算法生成閾值。Mayo等人[31]使用迭代算法Isodata來生成閾值。除了閾值分割，還有其它的分割方法能夠用于昆蟲圖像處理，Yalcin等人[16]使用了活動輪廓（Snake）模型，以簡單的閾值掩碼作為種子點(diǎn)獲得更精確的分割效果。Yao等人[4]使用背景分割法來分割昆蟲圖像。但是自動化后的圖像分割技術(shù)，有時候的分割并不齊全，還留有背景，或者分割的圖像邊緣也不完整，影響特征提取。圖像自動分割技術(shù)尚有可觀的待發(fā)展空間。

2.2?特征提取

特征提取是圖像識別的關(guān)鍵點(diǎn)。特征是一個事物與另一個事物不同的地方，是用來區(qū)分2個事物的評判標(biāo)準(zhǔn)。研究可知，特征選擇對圖像識別成功率也將帶來較大影響。在這里，研究參考文獻(xiàn)[32]的特征分類標(biāo)準(zhǔn)（見圖6），將特征分為3類，即：固定特征、中級特征和分級訓(xùn)練特征。對每類特征的研究分析可展開如下論述。

2.2.1?固定特征

固定特征是能夠直接由特征提取器提取得到的，不需要再進(jìn)一步訓(xùn)練的特征。以全局特征來進(jìn)行昆蟲識別是比較常見的識別方法。Arbuckle等人[10]以蜜蜂翅膀上的靜脈以及其所包圍的細(xì)胞為基礎(chǔ)，生成數(shù)字特征向量。該文獻(xiàn)認(rèn)為翅膀上的靜脈幾乎都是指紋。Tofilski等人[33]也以翅膀靜脈為基礎(chǔ)，提取靜脈坐標(biāo)來生成翅膀圖像，以此來作為特征。而Yang等人[2]用橢圓傅立葉系數(shù)重構(gòu)翅膀輪廓，以翅膀輪廓作為特征進(jìn)行識別。但以上方法只能用于特定昆蟲，沒有翅膀或甲殼類的昆蟲將無法使用。Gassoumi等人[23]、Leow等人[34]從感興趣區(qū)域的二進(jìn)制圖像的形狀描述符中提取特征，測量面積、偏心率、長軸長度、短軸長度、周長、直徑、長度、方向等。這些幾何特征還是比較直觀的。但是同時也會受昆蟲姿態(tài)或拍攝角度等因素的限制，從而影響精確度。因此，Wang等人[28]舍棄了面積、周長、偏心度等參數(shù)，而是采用自己設(shè)定的一些參數(shù)，比如：頭長度跟身體長度的比例等等。為了提高識別率，Hu矩（Hu）、橢圓傅立葉描述符（EFD）、徑向距離函數(shù)（RDF）和本地二進(jìn)制模式（LBP）這4個形狀描述符已開始應(yīng)用至各類研究中。Yalcin等人[16]使用了Hu矩（Hu）、橢圓傅立葉描述符（EFD）、徑向距離函數(shù)（RDF）和本地二進(jìn)制模式（LBP）提取特征，然后通過加權(quán)多數(shù)者，將基本特征的結(jié)果融合在一起，以獲得后期的行為決策。單一特征在識別過程中抗干擾能力較差，很多研究人員開始應(yīng)用多種類型特征來提高抗干擾能力。Wang 等人[29]在CBIR的基礎(chǔ)上增加了一系列的形狀、顏色和紋理特征，使蝴蝶圖像識別達(dá)到了科的分類尺度。Yao等人[4]提取了每一種昆蟲的顏色、形狀和紋理特征，來描述整個昆蟲。還有一些研究人員選用局部特征進(jìn)行昆蟲識別。Mayo等人[31]對圖像進(jìn)行預(yù)處理以檢測昆蟲的位置，然后測量全局顏色特征，最后，用補(bǔ)丁提取局部顏色特征。而文獻(xiàn)[13-15，17，35-38]又提取了著名的SIFT（尺度不變特征變換）特征。Solissánchez等人[17]、Lytle等人[37]則提取SIFT特征直接匹配配對對象，以選票多少的形式來估計2幅圖像的相似性。

2.2.2?中層特征

中層特征是由特征提取器提取的固定特征，再通過程序進(jìn)行訓(xùn)練得到的特征。Weeks等人[9]應(yīng)用數(shù)字自動識別系統(tǒng)（DAISI），通過采用主成分分析（PCA）方法獲取幾乎所有圖像信息的圖像特征。但PCA特征更適合物種之間識別。為了實(shí)現(xiàn)種內(nèi)的識別，Xie等人[19]繼而開發(fā)了名為物種自動化識別（SPIDA）的在線系統(tǒng)，利用Daubechies 4函數(shù)從小波變換的分量子集中使用蜘蛛細(xì)節(jié)的圖像構(gòu)建SPIDA的特征向量，用以識別不同的蜘蛛。而對局部特征的訓(xùn)練，還使分類精度得到更為顯著的提升。文獻(xiàn)[13-15]采用了視覺詞典法。在該方法中，從圖像中提取局部特征數(shù)據(jù)，并通過描述符的特征向量來表示局部特征數(shù)據(jù)。將訓(xùn)練集的所有描述符聚類來創(chuàng)建視覺詞典。然后，使用該字典將新圖像的區(qū)域描述符映射成單詞，并將圖像的特征袋映射到用于構(gòu)造圖像表示的一個詞典中。這些詞累積成直方圖，再將這些直方圖串聯(lián)起來，生成最終的特征向量。由于昆蟲圖像的不同特征對昆蟲分類的影響不同，文獻(xiàn)[19-20，35-36]利用先進(jìn)的多任務(wù)稀疏表示和多核學(xué)習(xí)（MKL）技術(shù)開發(fā)了昆蟲識別系統(tǒng)，多任務(wù)稀疏表示技術(shù)可以結(jié)合昆蟲的多個特征來提高昆蟲的分類精度。

2.2.3?分級訓(xùn)練特征

分級訓(xùn)練特征是由特征提取器提取的固定特征，經(jīng)系統(tǒng)訓(xùn)練得到中級特征，再通過系統(tǒng)訓(xùn)練得到分級訓(xùn)練特征，分級訓(xùn)練特征有很多中間表示。Wen等人[39]給出了一系列幾何、形狀、不變矩、紋理和顏色特征作為堆疊去噪自動編碼器（SDAE）的輸入。疊加去噪的自動編碼器（SDAE）是由多個自動編碼器（DAE）構(gòu)成的一個深層網(wǎng)絡(luò)，相對于一般的自動編碼器（DAE）架構(gòu)，SDAE架構(gòu)將噪聲添加到訓(xùn)練數(shù)據(jù)中，這意味著SDAE學(xué)習(xí)將會從真實(shí)數(shù)據(jù)中分離噪聲。

3?分類方法

圖像分類是圖像識別的最終步驟。傳統(tǒng)的圖像分類方法有很多，例如：ANN、SVM等，然而隨著計算機(jī)技術(shù)的發(fā)展，深度學(xué)習(xí)受到多方關(guān)注與重視，其在圖像識別中的應(yīng)用研究成果也在增加。為此，本文將從2個方面給出探討論述如下。

3.1?傳統(tǒng)分類方法

3.1.1?單個分類器

現(xiàn)在常用的傳統(tǒng)單個分類器有決策樹、支持向量機(jī)（SVM）、人工神經(jīng)網(wǎng)絡(luò)（ANN），但也有很多其它的分類器，例如：ABIS（蜜蜂自動識別系統(tǒng)）[10，27]、基于CBIR體系結(jié)構(gòu)的識別系統(tǒng)[29]、基于核級特征融合的MKL方案[19]、LOSS V2算法[30]等。本節(jié)則擬就決策樹、支持向量機(jī)（SVM）、人工神經(jīng)網(wǎng)絡(luò)（ANN）這3種分類器的設(shè)計工作做出研究概論如下。

（1）決策樹。決策樹[40-41]就是一個類似流程圖的樹型結(jié)構(gòu)， 其中樹的每個內(nèi)部節(jié)點(diǎn)代表對一個屬性的測試， 其分支就代表測試的結(jié)果， 而樹的每個葉子節(jié)點(diǎn)就代表一個類別， 樹的最高層節(jié)點(diǎn)就是根結(jié)點(diǎn)， 是整個決策樹的開始。Mayo等人[31]、Silva等人[42]使用C4.5算法生成了經(jīng)典決策樹。Larios等人[14]使用Logistic模型樹，且不同于經(jīng)典樹，因?yàn)樵撃Ｐ蜆涞墓?jié)點(diǎn)是邏輯回歸分類器。決策樹可以短時間處理大量數(shù)據(jù)，效率很高，但當(dāng)類別太多時，卻容易出錯，另外在處理特征關(guān)聯(lián)性比較強(qiáng)的數(shù)據(jù)時，所得效果也并不好。

（2）支持向量機(jī)。支持向量機(jī)（SVM）是在統(tǒng)計學(xué)習(xí)的VC 維理論和結(jié)構(gòu)風(fēng)險最小化原理基礎(chǔ)上建立起來的機(jī)器學(xué)習(xí)方法，其訓(xùn)練算法本質(zhì)上是一個二次規(guī)劃的求解問題。文獻(xiàn)[2，4，11，13，21，28，31，35-36，42]都使用了支持向量機(jī)（SVM）。研究可知，文獻(xiàn)[11，31，35-36]使用的是線性SVM，而文獻(xiàn)[2，4，13，21，28，42]使用的是核化SVM。文獻(xiàn)[2，4，21，28]在研究中將標(biāo)準(zhǔn)差的高斯徑向基函數(shù)σ作為一個核心。而Wen等人[13]、Silva等人[42]卻使用了帶有多項(xiàng)式核的SVM。SVM分類識別率相對較高，但對大規(guī)模訓(xùn)練難于實(shí)施，解決多分類方面也還存在一定困難。

（4）人工神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）是基于模仿人腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能而建立的一種信息處理模型。該模型由大量基本神經(jīng)單元組成，具有較高的容錯性和自學(xué)習(xí)等特征，在處理復(fù)雜、非線性、模糊關(guān)系等問題方面有著獨(dú)特的優(yōu)勢。文獻(xiàn)[24，28，34， 43]使用人工神經(jīng)網(wǎng)絡(luò)（ANN）進(jìn)行分類。Wang等人[28]采用了一個BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，網(wǎng)絡(luò)具有3層，即：輸入層、隱藏層和輸出層。而Al-saqer等人[24]使用的神經(jīng)網(wǎng)絡(luò)用縮放共軛梯度反向傳播進(jìn)行訓(xùn)練。人工神經(jīng)網(wǎng)絡(luò)的使用，使得快速進(jìn)行大量運(yùn)算成為可能。

3.1.2?組合分類器

由于單個分類器識別的不穩(wěn)定性，還有一些識別方法由多個分類器組合而成。Russell等人[26]采用了SPIDA系統(tǒng)，這是由經(jīng)過單獨(dú)訓(xùn)練的ANNs組成的，而且每個ANNs都有2個輸出節(jié)點(diǎn)，一個是正的，一個是負(fù)的，每個ANNs的正輸出值被保存到一個文件中并進(jìn)行排序。選擇前三名，再從數(shù)據(jù)庫中檢索這些物種的信息，并向用戶展示。除了ANN分類器組合，還有KNN分類器組合，Yalcin[16]使用4個K-最近鄰分類器（KNN）在不同的特征描述符上進(jìn)行訓(xùn)練，通過加權(quán)多數(shù)票投票，將基本特征的結(jié)果融合在一起，以獲得決策。但同種框架分類器組合不能進(jìn)行比較，當(dāng)該框架識別率較低時，難以提高識別率，因此Wen等人[12]使用基于識別相關(guān)性的不同框架。如果第一分類相關(guān)性水平不夠高，則運(yùn)行第二分類。全局特征分類器（基于貝葉斯分類器）作為第一級分類器，局部特征分類器（具有最近鄰分類器）作為二級分類器。首先調(diào)用全局分類器，如果相關(guān)性太低（低于給定的閾值），則調(diào)用局部特征分類器以給出最終決定。

3.2?深度學(xué)習(xí)方法

近年來，深度學(xué)習(xí)發(fā)展迅速，其基本模型大致分為3類，即：深度信念網(wǎng)絡(luò)（Deep Belief Network，DBN）、卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Networks，CNN）、遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）。在基于圖像的昆蟲分類研究上主要采用卷積神經(jīng)網(wǎng)絡(luò)（CNN），其基本結(jié)構(gòu)包含輸入層、卷積層、激勵層、池化層、全連接層和輸出層。劉德營等人[44]利用Matlab（R2010b）和GitHub上一個開源的深度學(xué)習(xí)工具箱，以經(jīng)典CNN結(jié)構(gòu)LeNet-5進(jìn)行卷積，避免了傳統(tǒng)識別方法中復(fù)雜的圖像預(yù)處理過程。隨著深度學(xué)習(xí)框架的增加，運(yùn)用不同框架對昆蟲圖像進(jìn)行分類識別研究越來越多。周愛明等人[45]建立CaffeNet蝴蝶識別模型，其識別蝴蝶標(biāo)本圖像時，與傳統(tǒng)SVM方法識別結(jié)果相差不大，但在識別自然環(huán)境下拍攝的蝴蝶圖像時，其識別成功率遠(yuǎn)超傳統(tǒng)SVM方法。程曦等人[25]使用了Alexnet 和GoogLeNet兩種網(wǎng)絡(luò)模型，2種模型所得出的結(jié)果相差不大，且均超過了傳統(tǒng)方式下的識別準(zhǔn)確率。為了提高自然環(huán)境下拍攝的昆蟲圖像的識別率，謝娟英等人[46]采用CNN的衍生算法、即Faster R-CNN算法對自然環(huán)境下拍攝的蝴蝶圖像進(jìn)行識別，得到了較高的識別率?，F(xiàn)在移動設(shè)備的識別軟件開發(fā)也逐漸成為學(xué)界矚目焦點(diǎn)，為了使程序能在移動設(shè)備上運(yùn)行，樊景超[47]通過MobileNets構(gòu)建深度學(xué)習(xí)模型進(jìn)行分類識別，其所構(gòu)建的模型能夠在移動設(shè)備上流暢運(yùn)行，且具有較好的識別率。

4?討論

綜合前文論述可以得出，現(xiàn)在基于圖像的昆蟲分類識別研究已經(jīng)趨于相對成熟與完善，新的技術(shù)也將不斷地應(yīng)用到基于圖像的昆蟲分類識別研究當(dāng)中，但隨即也涌現(xiàn)出一些不容忽視的問題，亟待有效解決。

當(dāng)今智能手機(jī)普及率達(dá)到了96%，通過智能手機(jī)采集圖像也日漸增多，而且相對于相機(jī)來說，智能手機(jī)不遜色于普通相機(jī)的拍攝體驗(yàn)、攜帶方便、功能多樣等特點(diǎn)也使人們鐘愛于用手機(jī)進(jìn)行拍攝。但其拍攝后圖像的復(fù)雜性卻勢必影響著圖像識別的成功率。因此，智能手機(jī)拍攝后的圖像處理即已經(jīng)成為時下的重點(diǎn)攻關(guān)研究課題之一。對于本文研究所用的圖像還是以實(shí)驗(yàn)室背景下相機(jī)采集的圖像為主。

故而，在此前提下，圖像處理的技術(shù)需要及時做出相應(yīng)的優(yōu)化、及改進(jìn)，現(xiàn)有的圖像處理技術(shù)對自然環(huán)境下采集的圖像處理效果尚未臻至理想，且自然環(huán)境下的圖像以其復(fù)雜的背景和不同的姿態(tài)也在不斷挑戰(zhàn)著現(xiàn)有的圖像處理技術(shù)。

隨著深度學(xué)習(xí)技術(shù)的發(fā)展，深度學(xué)習(xí)技術(shù)應(yīng)用于圖像識別領(lǐng)域的可行性業(yè)已得到驗(yàn)證，將其應(yīng)用于圖像識別領(lǐng)域的研究也會越來越多。其較高的識別成功率、較少的圖像處理步驟等優(yōu)勢就已成為吸引圖像識別領(lǐng)域的技術(shù)人員一直保持不懈探索前行的研究動力。但特別說明的是，傳統(tǒng)的識別方法仍是目前識別領(lǐng)域的主流，傳統(tǒng)識別方法的程序已可堪稱完備，且需要的圖像遠(yuǎn)遠(yuǎn)少于深度學(xué)習(xí)方法。

5?結(jié)束語

隨著現(xiàn)代科技的飛速進(jìn)步，以手機(jī)拍攝的自然環(huán)境下的圖像將越來越多，這將是未來昆蟲圖像識別領(lǐng)域采集圖像的主要來源，且圖像中昆蟲個體的重疊或殘缺也將是今后圖像處理的另一個研發(fā)方向。圖像處理技術(shù)也需要繼續(xù)加大研究力度，進(jìn)行探索、改進(jìn)及創(chuàng)新，在復(fù)雜背景下能夠正確分割出害蟲圖像，提取有價值的特征信息。而且，深度學(xué)習(xí)技術(shù)的不斷發(fā)展，也將為基于圖像的昆蟲分類識別研究提供堅實(shí)基礎(chǔ)?？梢灶A(yù)期在不久的將來，深度學(xué)習(xí)技術(shù)也將會是基于圖像的昆蟲分類識別研究這一領(lǐng)域的主流技術(shù)。

參考文獻(xiàn)

[1]閻錫海，王延鋒，李延清. 昆蟲起源、進(jìn)化及其原因模糊性研究[J]. 延安大學(xué)學(xué)報（自然科學(xué)版），2003，22（1）：81-84.

[2]YANG Heping， MA Chunsen， WEN Hui， et al. A tool for developing an automatic insect identification system based on wing outlines[J]. ?Scientific Reports， 2015， 5：12786.

[3]ZAYAS I Y， FLINN P W. Detection of insects in bulk wheat samples with machine vision[J]. Transactions of the ASAE， 1998， 41（3）：883-888.

[4]YAO Qing， LV Jun， LIU Qingjie， et al. An insect imaging system to automate rice light-trap pest identification[J]. Journal of Integrative Agriculture， 2012， 11（6）：978-985.

[5]呂軍，姚青，劉慶杰，等. 基于模板匹配的多目標(biāo)水稻燈誘害蟲識別方法的研究[J]. 中國水稻科學(xué)，2012，26（5）：619-623.

[6]楊紅珍，張建偉，李湘濤，等. 基于圖像的昆蟲遠(yuǎn)程自動識別系統(tǒng)的研究[J]?.農(nóng)業(yè)工程學(xué)報，2008，24（1）：188-192.

[7]冼鼎翔，姚青，楊保軍，等. 基于圖像的水稻燈誘害蟲自動識別技術(shù)的研究[J]. 中國水稻科學(xué)，2015，29（3）：299-304.

[8]邱道尹，張紅濤，陳鐵軍，等. 基于機(jī)器視覺的儲糧害蟲智能檢測系統(tǒng)軟件設(shè)計[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2003，34（2）：83-85.

[9]WEEKS P J D， O'NEILL M A， GASTON K J， et al. Automating insect identification： Exploring the limitations of a prototype system[J]. Journal of Applied Entomology， 2003， 123（1）：1-8.

[10]ARBUCKLE T， SCHRDER S， STEINHAGE V， et al. Biodiversity informatics in action： Identification and monitoring of bee species using ABIS[C]// Proc. 15th International Symposium Informatics for Environmental Protection. Zürich： CiteSeer， 2001：425-430.

[11]FAVRET C， SIERACKI J M. Machine vision automated species identification scaled towards production levels[J]. Systematic Entomology， 2016， 41（1）：133-143.

[12]WEN Chenglu， GUYER D. Image-based orchard insect automated identification and classification method[J]. Computers and Electronics in Agriculture， 2012， 89（3）：110-115.

[13]WEN Chenglu， GUYER D E， LI Wei. Local feature-based identification and classification for orchard insects[J]. Biosystems Engineering， 2009， 104（3）：299-307.

[14]LARIOS N， DENG Hongli， ZHANG Wei， et al. Automated insect identification through concatenated histograms of local appearance features[C]// IEEE Workshop on Applications of Computer Vision. Austin， Texas： IEEE， 2007：26.

[15]SARPOLA M J， PAASCH R K， MORTENSEN E N， et al. ?An aquatic insect imaging system to automate insect classification[J]. Transactions of the Asabe， 2008， 51（6）：2217-2225.

[16]YALCIN H. Vision based automatic inspection of insects in pheromone traps[C]// 2015 Fourth International Conference on Agro-Geoinformatics. Istanbul，Turkey：IEEE， 2015：333-338.

[17]SOLIS-SNCHEZ L O， CASTAEDA-MIRANDA R， GARCA-ESCALANTE J J， et al. Scale invariant feature approach for insect monitoring[J]. Computers and Electronics in Agriculture， 2011， 75（1）：92-99.

[18]楊信廷，劉蒙蒙，許建平，等. 自動監(jiān)測裝置用溫室粉虱和薊馬成蟲圖像分割識別算法[J]. 農(nóng)業(yè)工程學(xué)報，2018，34（1）：164-170.

[19]XIE Chengjun， ZHANG Jie， LI Rui， et al. Automatic classification for field crop insects via multiple-task sparse representation and multiple-kernel learning[J]. Computers & Electronics in Agriculture， 2015， 119：123-132.

[20]張永玲，姜夢洲，俞佩仕，等. 基于多特征融合和稀疏表示的農(nóng)業(yè)害蟲圖像識別方法[J]. 中國農(nóng)業(yè)科學(xué)，2018，51（11）：2084-2093.

[21]陳月華，胡曉光，張長利. 基于機(jī)器視覺的小麥害蟲分割算法研究[J]. 農(nóng)業(yè)工程學(xué)報，2007，23（12）：187-191.

[22]甄彤，范艷峰，鄒炳強(qiáng)，等. 谷物害蟲圖像識別中特征值提取技術(shù)的研究[J]. 微電子學(xué)與計算機(jī)，2004，21（12）：111-115.

[23]GASSOUMI H， PRASAD R， ELLINGTON J. Neural network-based approach for insect classification in cotton ecosystems[C]//International Conference on Intelligent Technologies （InTech 2000）. Bangkok， Thailand： Kluwer Academic Publishers， 2000：1-7.

[24]AL-SAQER S M， HASSAN G M. Artificial neural networks based red palm Weevil （Rynchophorus Ferrugineous， Olivier） recognition system[J]. American Journal of Agricultural & Biological Science， 2011， 6（3）：356-364.

[25]程曦，吳云志，張友華，等. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的儲糧害蟲圖像識別[J]. 中國農(nóng)學(xué)通報，2018，34（1）：154-158.

[26]RUSSELL K N， DO M T， HUFF J C， et al. Introducing SPIDA-Web： Wavelets， neural networks and internet accessibility in an image-based automated identification system[M]//MACLEOD N. Automated Taxon identification in systematics： Theory， approaches and applications.New York ：CRC Press， 2007： 131-152.

[27]FRANCOY T M， WITTMANN D， DRAUSCHKE M， et al. Identification of Africanized honey bees through wing morphometrics： Two fast and efficient procedures[J]. Apidologie， 2008， 39（5）：488-494.

[28]WANG Jiangning， LIN Congtian， JI Liqiang， et al. A new automatic identification system of insect images at the order level[J]. Knowledge-Based Systems， 2012， 33（3）：102-110.

[29]WANG Jiangning， JI Liqiang， LIANG Aiping， et al. The identification of butterfly families using content-based image retrieval[J]. Biosystems Engineering， 2012， 111（1）：24-32.

[30]FAITHPRAISE F， BIRCH P， YOUNG R， et al. Automatic plant pest detection and recognition using k-means clustering algorithm and correspondence filters[J]. International Journal of Advanced Biotechnology and Research， 2013，4（2）：189-199.

[31]MAYO M， WATSON A T. Automatic species identification of live moths[J]. Knowledge-Based Systems， 2007， 20（2）：195-202.

[32]LECUN Y. What's wrong with deep learning？ [EB/OL]. [2015-06-10]. http：//www.pamitc.org/cvpr15/files/ lecun-20150610-cvpr-keynote.pdf， 2015.

[33]TOFILSKI A. DrawWing， a program for numerical description of insect wings[J]. Journal of Insect Science， 2004， 4（1）：17.

[34]LEOW L K， CHEW L L， CHONG V C， et al. Automated identification of copepods using digital image processing and artificial neural network[J]. Bmc Bioinformatics， 2015， 16（S18）：S4.

[35]LU An， HOU Xinwen， CHEN Xiaolin， et al. Insect species recognition using sparse representation[C]//Proceedings of the British Machine Vision Conference. Aberystwyth， UK：British Machine Vision Association， 2010，108：1-10.

[36]LU An， HOU Xinwen， LIU Chenglin， et al. Insect species recognition using discriminative local soft coding[C]// 2012 21st International Conference on Pattern Recognition. Tsukuba， Japan：IEEE， 2012：1221-1224.

[37]LYTLE D A， MARTNEZ-MUOZ G， ZHANG W， et al. Automated processing and identification of benthic invertebrate samples[J]. Journal of the North American Benthological Society， 2010， 29（3）：867-874.

[38]LOWE D G. Object recognition from local scale-invariant features[C]// Proceedings of the Seventh IEEE International Conference on Computer Vision（ICCV）. Corfu， Greece：IEEE， 1999：1150.

[39]WEN Chenglu， WU Daoxi， HU Huosheng， et al. Pose estimation-dependent identification method for field moth images using deep learning architecture[J]. Biosystems Engineering， 2015， 136：117-128.

[40]HAN J， KAMBER M. Data mining concept and techniques[M]. San Meteo， California：Morgan Kaufmann， 2006.

[41]BERSON A， SMITH S， THEARLING K. Building data mining applications for CRM[M]. New York： McGraw-Hill， Inc， 2000.

[42]Da SILVA F L， SELLA M L G， FRANCOY T M， et al. Evaluating classification and feature selection techniques for honeybee subspecies identification using wing images[J]. Computers and Electronics in Agriculture， 2015， 114（C）：68-77.

[43]BONIECKI P， KOSZELA K， PIEKARSKA-BONIECKA H， et al. Neural identification of selected apple pests[J]. Computers and Electronics in Agriculture， 2015， 110：9-16.

[44]劉德營，王家亮，林相澤，等. 基于卷積神經(jīng)網(wǎng)絡(luò)的白背飛虱識別方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2018，49（5）：51-56.

[45]周愛明，馬鵬鵬，席天宇，等. 基于深度學(xué)習(xí)的蝴蝶科級標(biāo)本圖像自動識別[J]. 昆蟲學(xué)報，2017，60（11）：1339-1348.

[46]謝娟英，侯琦，史穎歡，等. 蝴蝶種類自動識別研究[J]. 計算機(jī)研究與發(fā)展， 2018， 55（8）：1609-1618.

[47]樊景超. 基于MobileNets的果園害蟲分類識別模型研究[J]. 天津農(nóng)業(yè)科學(xué)，2018，24（9）：11-13，26.