自动识别技术在昆虫分类鉴别研究中的应用

昆虫的自动识别是重要的新兴研究领域,它以直接、快速、方便等优点日益受到人们的青睐。昆虫是世界上最大的生物类群,鉴定工作费时耗力,然而分类专家又在逐渐减少。近年来,昆虫自动识别技术的发展为解决这一矛盾提供了乐观的方案。众多分类学家不断探索自动识别的方法和理论,并开发出了一批识别软件。本文介绍自动识别的原理,分类讨论自动识别的技术和方法,并分析提出面临的困难和应对策略。     

实验猴身份自动识别、自动捕捉、电子芯片数据信息管理系统的研制

目的通过电子芯片植入与识别技术和计算机管理系统对接,建立每只实验猴的数据档案,其中包括遗传谱系、生理数据、实验记录。方法通过建立实验猴的电子通道,以非接触方式通过计算机管理,应用射频识别信号系统,实现实验猴身份快速自动识别、自动捕捉、数据读写、电子档案信息管理、数据远程传输的目的,减少人为因素对实验猴的干扰和引起的应激反应。结果该系统的建立极大的减少了实验和饲养实验猴过程中捕捉猴的困难,身份识别困难,减少了对工作人员和实验猴的伤害,减轻了工作量,减低了人为因素对实验结果的干扰和动物应激反应对实验数据的影响。电子档案具有终身有效,随猴携带,全球唯一序列号,不可复制,不可仿制,标签唯一性。结论实验猴身份自动识别、自动捕捉、电子芯片数据信息管理系统的研制成功,为实验动物个体电子档案建立和群体数据库的管理提供了一种高速、有效、科学、可靠的计算机管理手段,改变通道模式即可应用于大型凶猛动物或不适合人接触捕捉动物的识别和管理,具有广泛的应用前景,目前在国内外尚无同类系统。     

基于目标检测的东北虎个体自动识别

东北虎个体的自动识别是种群数量评估和制定有效保护策略的重要基础。以东北虎林园和怪坡虎园38 只虎为研究对象,将目标检测方法首次应用到东北虎个体识别研究中,采用多种深度卷积神经网络模型,以实现虎个体的自动识别。首先通过相机在不同角度对 38 只东北虎进行拍摄取样,建立包含13579张图像的虎样本数据集。由于虎的体侧条纹信息不具有对称性,所以运用单次多盒目标检测（Single Shot MultiBox Detector, SSD）方法,对虎的躯干左侧条纹、右侧条纹以及脸部等不同部位图像,进行自动检测并分割提取,极大节省手工截取时间。在检测分割出的左右侧及脸部不同部位图片基础上,运用上、下、左、右平移变换进行数据增强,使图片数目扩大为原来的5 倍。采用LeNet、AlexNet、ZFNet、VGG16、ResNet34共5 种卷积神经网络模型进行个体自动识别。为了提高识别准确率,运用平均值和最大值不同组合方式来优化池化操作,并在全连接层引入概率分别为0.1、0.2、0.3、0.4的丢弃（Dropout）操作防止过拟合。实验表明,目标检测模型耗时较少,截取分割老虎不同部位条纹能达到0.6 s/张,远快于人工截取速度,并且在测试集上准确率能达到97.4%。不同姿态下的目标部位都能正确识别并分割。ResNet34模型的准确率优于其他网络模型,左右侧条纹以及脸部图像识别准确率分别为93.75%、97.01%和 86.28%,右侧条纹识别准确率优于左侧条纹和脸部图像。研究为野生虎自动相机影像的识别提供技术参考。在未来研究中,对东北虎个体影响数据进行扩充,选取更多影像数据进行训练,使网络具有更强的适应性,从而实现更准确的个体识别。     

基于MFCC和GMM的昆虫声音自动识别

昆虫的运动、 取食、 鸣叫都会发出声音, 这些声音存在种内相似性和种间差异性, 因此可用来识别昆虫的种类。基于昆虫声音的昆虫种类自动检测技术对协助农业和林业从业人员方便地识别昆虫种类非常有意义。本研究采用了语音识别领域里的声音参数化技术来实现昆虫的声音自动鉴别。声音样本经预处理后, 提取梅尔倒谱系数（Mel frequency cepstrum coefficient, MFCC）作为特征, 并用这些样本提取的MFCC特征集训练混合高斯模型（Gaussian mixture model, GMM）。最后用训练所得到的GMM对未知类别的昆虫声音样本进行分类。该方法在包含58种昆虫声音的样本库中进行了评估, 取得了较高的识别正确率（平均精度为98.95%）和较理想的时间性能。该测试结果证明了基于MFCC和GMM的语音参数化技术可以用来有效地识别昆虫种类。     

基于金字塔结构的乳腺肿块自动检测方法

在乳腺图像中,肿块大多被埋没在复杂的,高密度的腺体背景中难以检测,针对这一问题,提出了一种基于金字塔结构的乳腺肿块自动检测方法。文中对几种典型的金字塔结构的构造方法做了比较。提出了一种使用BP人工神经网络用于实现低分辨率图像中肿块种子区域检测的新方法;提出了一种新的权值差别规则,同时添加了标志锥,使得生长算法不再严格受限于肿块种子的面积和形状,实验结果证明这种方法对于辅助临床医生诊断乳腺病变是有效的。     

染色体易位重组位点的自动识别方法研究

染色体易位重组位点的识别对很多染色体遗传性疾病的诊断有着重要的意义。本文基于实际诊断中采集到的24类染色体数据和9号正常与异常染色体数据,构建了一套自动识别染色体易位重组位点的模型和方法。首先,对染色体图像进行预处理,得到了方向梯度直方图特征(HOG)和局部二值模式特征(LBP),构建了基于纹理特征的染色体24分类多通道网络模型,分类准确率达到了95.99%;再与ResNet18模型(分类准确率95.86%)进行模型融合,最终分类准确率达到97.08%。其次,将染色体密度谱作为正常和异常染色体的分类特征,采用投票的方法集成支持向量机、随机森林和XGBoost模型,构建了正常和异常染色体的集成分类器,正常和异常9号染色体的分类准确率达到了100%。最后,对于易位的异常染色体,我们提出了基于动态时间规划(DTW)的易位重组位点自动识别算法,在异常染色体的密度谱曲线上找到了重组位点,并映射至染色体G显带模式图,得到标准诊断结果,通过与临床专家的诊断结果进行比较说明了自动识别结果的有效性。本文设计的一套自动识别染色体易位重组位点的模型方法对临床辅助诊断有很大的帮助,有望完善成为一套软件系统应用于临床诊断,提升相关疾病的诊断效率和准确率。     

MR 脑图像海马自动分割法在AD 早期诊断中的应用研究

目的:研究磁共振(Magnetic resonance,MR)脑图像中海马的自动分割方法及海马的形态学分析方法,为阿尔茨海默病(Alzheimer’s disease,AD)的早期诊断提供依据。方法:对20例AD患者和60名正常对照者行MRI T1 WI 3D容积扫描,建立海马的三维主动表观模型,并以此模型对每个个体脑部磁共振图像上的海马进行自动识别和三维分割,分别建立正常对照组和AD组的海马统计形状模型,比较AD组与正常对照组间海马形状的差异性。结果:海马三维分割方法与手动分割方法在海马体积测量上无统计学差别(P>0.05);AD患者海马头部发生萎缩(P<0.05)。结论:基于主动表观模型的MR脑图像海马自动识别和三维分割法是准确可靠的;海马头部萎缩可作为AD诊断的依据之一。     

昆虫翅脉特征自动获取技术的初步研究

昆虫翅的形态特征是某些类群昆虫分类中的重要依据,怎样快速科学提取这些数据是昆虫数字鉴定技术中必须解决的重要问题之一。本文介绍了目前国内外这方面的进展,并介绍了DrawWing软件的详细功能。该软件能比较准确方便地提取昆虫翅轮廓和翅脉特征值,因此详细描述了其算法原理。利用该软件的DOS和Windows两种不同版本对意大利蜜蜂和昼鸣蝉的翅进行了其特征提取的实验研究,结果证明该软件可以成功提取蜜蜂翅脉特征值,但对昼鸣蝉翅处理尚存在问题。在此基础上,本文对昆虫翅脉特征自动获取技术乃至昆虫种类的计算机识别方法的进一步发展提出了讨论。     

基于深度学习的红外相机动物影像人工智能识别：以东北虎豹国家公园为例

为解决大量红外相机监测影像数据量庞大、亟待快速和自动识别的问题,本研究以东北虎豹国家公园为例,应用卷积神经网络,通过深度学习算法对红外相机影像实现物种自动识别。本研究选择8个物种的红外相机视频影像,以50帧率均匀采集成图片格式,每个物种筛选不同角度、不同环境条件的图片,建立图片数据集,训练集2 074张,测试集519张。对图片进行目标打框、信息标注,选用darknet框架下的YOLO v3模型进行训练,首先不区分昼（RGB）夜（灰度）图像进行训练,再区分昼夜进行训练,最后分别对昼夜图像利用微调（fine-tune）进行训练。研究初步结果显示,基于YOLO v3模型对自然条件下拍摄的红外相机图像进行物种自动识别能够一定程度减轻人力负担,但其效果还需通过完善数据集进行提升。fine-tune在小数据集时或可作为辅助。模型对8个物种识别的平均精确率达到 84.9%~96.0%,且模型收敛。       

基于邻域最大差值与区域合并的油茶毒蛾幼虫图像分割

【目的】油茶树害虫的种类较多,其中油茶毒蛾Euproctis pseudoconspersa幼虫是危害较大的害虫之一。为完成油茶毒蛾幼虫的自动检测需要对其图像进行分割,油茶毒蛾幼虫图像的分割效果直接影响到图像的自动识别。【方法】本文提出了基于邻域最大差值与区域合并的油茶毒蛾幼虫图像分割算法,该方法主要是对相邻像素RGB的3个分量进行差值运算,最大差值若为0,则进行相邻像素合并得出初始的分割图像,根据合并准则进一步合并,得到最终分割结果。【结果】实验结果表明,该算法可以快速有效地将油茶毒蛾幼虫图像中的背景和虫体分割开来。【结论】使用JSEG分割算法、K均值聚类分割算法、快速几何可变形分割算法和本文算法对油茶毒蛾幼虫图像进行分割,将结果进行对比发现本文方法的分割效果最佳,且处理时间较短。