基于在线学习的昆虫图像识别方法的研究及其在蝴蝶识别中的应用

Insect recognition based on image can improve the efficiency of traditional insect identification. Actually, most of recent researches on insect image recognition use offline machine learning methods which need a stable full-classes sample image dataset. However, the requirements of insect recognition in such biodiversity conservation, plant protection and quarantine are dynamic for it is difficult to acquire a full-class dataset and the samples increases rapidly. These factors limit the use of offline learning methods. Comparing with offline machine learning methods, online machine learning methods can update models dynamically and process sequenced data better, making it seems more suitable for insect recognition in production environment. This research aims to (1) create an butterfly classification & identification protype system with online learning models based on current insect image recognition researches and butterfly images; (2) improve the efficient of models and practicability of the system by exploring the principle of online learning method applying in butterfly image classification & recognition and improving the user interface. To our knowledge, this research for the first time applies online machine learning method to insect classification and recognition in the world. It is of great importance for improving current insect classification and recognition method, and will provide a new optional solution to the realization of automated insect taxonomy.

基于图像的昆虫识别可以提高传统昆虫分类鉴定工作的效率。目前，昆虫图像识别研究多使用离线机器学习方法，这类方法需要获得完整、稳定的图像样本。在生物多样性保护、植物保护、检疫等实际应用中对昆虫识别的需求是动态变化的，样本数据很难一次性完整获取且在不断快速增长的，这些因素限制了离线学习方法的应用。相对于离线机器学习方法，在线机器学习方法能动态地自动更新分类和鉴定的模型，更好地处理动态变化的动态样本数据，因而更适合昆虫识别的实际需求。本研究拟（1）在已有的昆虫图像识别研究和蝴蝶图像数据基础上，构造在线机器学习方法模型，建立蝴蝶分类和鉴定的在线学习系统；（2）研究蝴蝶图像分类识别中在线学习方法的机理，改善用户接口，提高系统实用性。本项目首次把在线机器学习方法用于昆虫图像识别中，为昆虫的分类鉴定实现自动化提供更好的途径。

项目背景：基于图像和机器学习方法的昆虫识别由于对昆虫破坏性小、数据容易获取、识别过程直观、速度快等有点，一直受到需要快速物种鉴定的人群关注，而提高传统昆虫分类鉴定工作的准确性的工作成为此项工作能够大规模应用的核心。.主要研究内容：（1）在已有的昆虫图像识别研究和蝴蝶图像数据基础上，构造在线机器学习方法模型，建立蝴蝶分类和鉴定的在线学习系统；（2）研究蝴蝶图像分类识别中在线学习方法的机理，改善用户接口，提高系统实用性；（3）使用目前热门的深度学习方法，对蝴蝶的标本、生态图像及图像处理等方面进行了研究，以求提高蝴蝶图像的识别正确率。.重要结果：图像特征与经典分类学中所用形状特征对于分类学的作用还是有一定区别，需要继续研究。深度学习方法在已知分类的数据上进行鉴定是不错的，但是随着类别的增多，效果将会不断下降，原因与图像本身质量、各类别之间的数据平衡、各类内的数据量等均有关系；对于生态图像，深度学习方法目前的效果也还有待提高；即便是深度学习，图像预处理也是有助于提高置信度的。项目利用研究产生的模型、算法、框架，与其它项目合作开发了果实蝇识别系统（AFIS1.0）和红外相机照片辅助处理工具（IFLA1.0）。.关键数据：研究产生了一套数据集，可供机器学习算法和昆虫分类学等相关研究人员使用，数据集已经共享，近期可以通过http://159.226.67.82/Views/BSS.aspx访问获取。.科学意义：本研究的一些结论，对于机器学习在昆虫图像识别的应用推广有重要启示作用，在工程实践中可以借鉴。这些结论和数据，对于机器如何进行未知类别判定也有一定启发作用。本项目首次把在线机器学习方法用于昆虫图像识别中，为昆虫的分类鉴定实现自动化提供更好的途径。.