林達(dá)坤 黃世國(guó) 張飛萍 梁光紅 吳松青 胡 霞 王 榮

(1. 福建農(nóng)林大學(xué) 智慧農(nóng)林褔建省高校重點(diǎn)實(shí)驗(yàn)室 福州 350002； 2. 福建農(nóng)林大學(xué) 生態(tài)公益林重大有害生物防控福建省高校重點(diǎn)實(shí)驗(yàn)室 福州 350002)

鱗翅目(Lepidopteran)昆蟲是昆蟲綱(Insecta)中第二大目，包括蛾、蝶2類，對(duì)林木和農(nóng)作物危害嚴(yán)重，盡早發(fā)現(xiàn)并準(zhǔn)確鑒別對(duì)其生物防治具有重要意義。但鱗翅目昆蟲種類繁多，形態(tài)各異，尤其是森林生態(tài)系統(tǒng)的復(fù)雜性，導(dǎo)致其鱗翅目昆蟲種類多樣性遠(yuǎn)高于農(nóng)田生態(tài)系統(tǒng)(趙汗青等， 2002)，極大地增加了基層林業(yè)部門及時(shí)、科學(xué)地防控害蟲的難度。因此，研發(fā)該類昆蟲自動(dòng)識(shí)別技術(shù)十分必要。

20世紀(jì)90年代以來，圖像處理技術(shù)的發(fā)展使昆蟲自動(dòng)識(shí)別成為可能，通過計(jì)算機(jī)視覺技術(shù)模擬人類識(shí)別標(biāo)本的方式實(shí)現(xiàn)昆蟲自動(dòng)識(shí)別的研究取得了實(shí)質(zhì)性進(jìn)展(竺樂慶等， 2013)。Tofilski(2004)開發(fā)出DrawWing軟件，通過提取昆蟲翅脈交點(diǎn)實(shí)現(xiàn)了昆蟲識(shí)別。Ashaghathra等(2007)基于圖像的模板匹配技術(shù)，自動(dòng)識(shí)別出象甲類昆蟲。Larios等(2010)采用Haar方法提取圖像特征，并將其與一種具有空間匹配核的支持向量機(jī)(support vector machine, SVM)相結(jié)合，自動(dòng)識(shí)別了石蠅類昆蟲。Yang等(2015)通過提取昆蟲翅膀輪廓特征實(shí)現(xiàn)了昆蟲自動(dòng)識(shí)別，并開發(fā)出相應(yīng)的軟件系統(tǒng)。竺樂慶等(2015a)提取鱗翅目昆蟲圖像的顏色名和OpponentSIFT(Opponent scale invariant feature transform)特征，并使用SVM進(jìn)行分類，有效實(shí)現(xiàn)了對(duì)鱗翅目昆蟲圖像的識(shí)別。蔡小娜等(2016)利用蛾類右前翅翅脈特征對(duì)7種夜蛾昆蟲進(jìn)行數(shù)字化分類研究，證明該特征參數(shù)可用于蛾類昆蟲的數(shù)字化分類鑒定。周愛明等(2017)運(yùn)用遷移學(xué)習(xí)方法對(duì)已訓(xùn)練好的CaffeNet模型進(jìn)行參數(shù)微調(diào)，獲得了蝴蝶科級(jí)標(biāo)本圖像自動(dòng)識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)模型。

然而，現(xiàn)有研究尚存在一些問題：一是基于深度學(xué)習(xí)的昆蟲圖像識(shí)別需要大量圖像，在小的圖像數(shù)據(jù)集上的識(shí)別性能不理想；二是傳統(tǒng)圖像識(shí)別方法在圖像數(shù)量較少的情況下也有可能取得較好效果，但較少考慮相關(guān)特征、冗余特征以及噪聲特征對(duì)分類性能的影響，性能仍有提升的空間；三是較少使用開源的鱗翅目昆蟲圖像數(shù)據(jù)集。

特征選擇是影響昆蟲識(shí)別性能的重要因素，在鱗翅目昆蟲識(shí)別過程中，紋理特征已被證明是有效識(shí)別特征之一(竺樂慶等， 2015b)，筆者局部二值模式是表征紋理特征的有效方法(黃世國(guó)， 2008； 李小林等， 2016)，但特征選擇對(duì)昆蟲識(shí)別的影響還需進(jìn)一步研究(Mehtaetal.， 2016)。

鑒于此，本研究采用開源的利茲蝴蝶數(shù)據(jù)集和拍攝的以森林鱗翅目昆蟲為主的數(shù)據(jù)集，利用局部二值模式算法提取昆蟲圖像特征形成特征矩陣，應(yīng)用改進(jìn)的差分進(jìn)化算法進(jìn)行特征選擇，并將篩選后的特征輸入到基于概率協(xié)同表示的分類器(probabilistic collaborative representation based classifier, PROCRC)中(Caietal.， 2016)，構(gòu)建高效率、高識(shí)別率的昆蟲識(shí)別模型，以準(zhǔn)確、快速地識(shí)別出鱗翅目昆蟲種類。

1 材料與方法

1.1 鱗翅目昆蟲圖像數(shù)據(jù)集

本研究使用2個(gè)鱗翅目昆蟲圖像數(shù)據(jù)集，分別為利茲蝴蝶數(shù)據(jù)集(Wangetal.， 2009)和本課題組拍攝的鱗翅目昆蟲標(biāo)本照。這些鱗翅目昆蟲大多棲息在森林中，其中馬尾松毛蟲(Dendrolimuspunctatus)、柳杉毛蟲(Dendrolimushoui)、榕透翅毒蛾(Perinanuda)、綠尾大蠶蛾(Actiasseleneningpoana)、茶蠶蛾(Andracabipunctata)、灰白蠶蛾(Ocinaravarians)、蕾鹿蛾(Amatagermana)等還是重要的林業(yè)害蟲。

利茲蝴蝶數(shù)據(jù)集為開源數(shù)據(jù)集，包含10種蝴蝶，共832幅蝴蝶圖像(圖1)。拍攝的圖像均來自不同的蝴蝶樣本，姿態(tài)各異。

圖1 利茲蝴蝶數(shù)據(jù)集的10種蝴蝶圖像Fig.1 Images of ten species of butterflies from Leeds butterfly datasetA: 黑脈金斑蝶 Danaus plexippus; B: 黃條袖蝶 Heliconius charitonius; C: 紅帶袖蝶 Heliconius erato; D: 鹿眼蛺蝶 Junonia coenia; E: 紅灰蝶 Lycaena phlaeas; F: 喪服蛺蝶 Nymphalis antiopa; G: 美洲大芷鳳蝶 Papilio cresphontes; H: 白粉蝶 Pieris rapae; I: 優(yōu)紅蛺蝶 Vanessa atalanta; J: 小紅蛺蝶 Vanessa cardui.

鱗翅目昆蟲標(biāo)本照是在不同拍攝條件用數(shù)碼相機(jī)拍攝獲得的，其拍攝條件分別為是否開閃光、不同感光度(400、800、1 600、3 200和6 400)、不同快門速度(1/250 s、1/500 s、1/1 000 s、1/2 000 s和1/3 200 s)、不同光圈大小(F5.6、F8、F11、F16、F22)以及不同拍攝角度(0°和90°)。拍攝了12種鱗翅目昆蟲，共1 761幅圖像(圖2)。該數(shù)據(jù)集是針對(duì)不同種類的多個(gè)標(biāo)本進(jìn)行拍攝的，每個(gè)種類的原始標(biāo)本數(shù)量不等。

圖2 12種鱗翅目昆蟲的標(biāo)本圖像Fig.2 Images of twelve Lepidopteran species taken from specimensA: 檗黃粉蝶 Eurema blanda; B: 茶蠶蛾 Andraca bipunctata; C: 東方粉蝶 Pieris canidia; D: 斐豹蛺蝶 Argynnis hyperbius; E: 黃星尺蛾 Arichanna melanaria fraternal; F: 灰白蠶蛾 Ocinara varians; G: 蕾鹿蛾 Amata germana; H: 柳杉毛蟲 Dendrolimus houi; I: 綠尾大蠶蛾 Actias selene ningpoana; J: 馬尾松毛蟲 Dendrolimus punctatus; K: 榕透翅毒蛾 Perina nuda; L: 長(zhǎng)喙天蛾 Macroglossum corythus luteata.

1.2 鱗翅目昆蟲圖像特征提取

鱗翅目昆蟲翅膀具有明顯的紋理特征。紋理是指存在于圖像中某一范圍內(nèi)的形狀很小的、半周期性或有規(guī)律地排列的圖案，而紋理特征則是對(duì)紋理的數(shù)字化描述。局部二值模式是描述紋理的有效方法，主旋轉(zhuǎn)局部二值模式(Dominant rotated local binary patterns, DRLBP)(Mehtaetal.， 2016)則是具旋轉(zhuǎn)不變性的局部二值模式方法。同時(shí)，由于背景簡(jiǎn)單，在本研究中，直接對(duì)整張圖像應(yīng)用DRLBP提取昆蟲圖像紋理特征。該算法能有效提取完整結(jié)構(gòu)信息，具有旋轉(zhuǎn)不變性和計(jì)算效率高的特點(diǎn)。

1.3 紋理特征選擇

群智能計(jì)算方法在全局搜索方面比傳統(tǒng)特征選擇算法更具優(yōu)勢(shì)，其中差分進(jìn)化算法(Stornetal.， 1997)是有代表性的群智能計(jì)算方法，其二進(jìn)制差分進(jìn)化算法(binary differential evolution, BDE)已用于特征選擇(Pamparaetal.， 2006)。該算法包括初始化種群、評(píng)價(jià)種群、變異操作、交叉操作、選擇操作等。

為了將算法從連續(xù)空間變換到離散空間，初始化種群時(shí)采用下式：

(1)

式中：xi,j代表種群里第i個(gè)粒子在第j維上的取值；randj代表在[0,1]之間產(chǎn)生的隨機(jī)數(shù)。

評(píng)價(jià)種群應(yīng)用5-fold交叉驗(yàn)證劃分?jǐn)?shù)據(jù)，采用基于概率協(xié)同表示的分類器(probabilistic collaborative representation based classifier, PROCRC)預(yù)測(cè)鱗翅目昆蟲種類，該分類器是比支持向量機(jī)和K最近鄰具有更好的分類性能(Zhangetal.， 2011； Caietal.， 2016)。

變異操作方式為DE/current-to-best/1，見下式：

(2)

交叉操作見下式：

(3)

上述操作中，CR和F的取值是否適當(dāng)將顯著影響算法的性能。

為此，本研究提出一種具有動(dòng)態(tài)變化F值的二進(jìn)制差分進(jìn)化算法，簡(jiǎn)稱二進(jìn)制自適應(yīng)差分進(jìn)化算法(binary adaptive differential evolution, BADE)。該算法的主要思想是根據(jù)種群多樣性的變化來自適應(yīng)地調(diào)節(jié)F值。

BADE采用漢明距離來度量?jī)闪Ｗ娱g的相似性，見下式：

(4)

式中：D是維數(shù)；Xi,Xj是種群中2個(gè)不同的粒子。

通過計(jì)算種群中粒子兩兩之間的相似性，可得種群的多樣性，見下式：

(5)

式中：N代表種群大?。籱ean表示求平均值。

在算法迭代過程的前期需要較多的全局搜索，后期隨著種群多樣性慢慢遞減則需要較多的局部搜索。一般縮放因子F的取值在[0,2]之間，因此根據(jù)種群多樣性的遞減情況可構(gòu)造出下式來自適應(yīng)地計(jì)算F值：

(6)

式中：Avet代表第t次迭代時(shí)種群的多樣性；Ave0代表種群初始化時(shí)的多樣性。

本研究提出的BADE方法的偽代碼如算法1所示。

算法1

輸入： 種群粒子的數(shù)量N，算法的總迭代次數(shù)T，問題的維數(shù)D。

輸出： 問題的最優(yōu)解，最佳適應(yīng)度值。

初始化種群

Whilet

利用式(6)計(jì)算當(dāng)前迭代的F值。

Fori=1 toN

利用式(2)進(jìn)行變異操作。

利用式(3)進(jìn)行交叉操作。

評(píng)價(jià)產(chǎn)生的新粒子后，進(jìn)行選擇操作。

End

End

該算法中適應(yīng)度值即昆蟲識(shí)別的準(zhǔn)確率用下式表示：

(7)

為說明BADE算法的性能，采用K近鄰(Knearest neighbor, KNN)(李凡， 2015)和PROCRC分類器，比較了無(wú)特征選擇、基于頻繁出現(xiàn)模式的特征選擇(Mehtaetal., 2016)、BDE、BADE方法的鱗翅目昆蟲識(shí)別準(zhǔn)確率。同時(shí)，為了進(jìn)一步說明算法的魯棒性，本研究也給出了F1得分值，該指標(biāo)基于混淆矩陣，綜合考慮了查準(zhǔn)率和召回率(周志華等， 2009)。其計(jì)算公式如下：

(8)

式中：R和P分別是召回率和查準(zhǔn)率。

1.4 參數(shù)設(shè)置

KNN分類器的K值為5。BADE的參數(shù)設(shè)置為： 種群大小為50，最大迭代次數(shù)為200，CR為0.6，BDE的F值為0.9。

所有算法操作由美國(guó)MathWorks公司出品的MATLAB(R2014b)編程實(shí)現(xiàn)。所有試驗(yàn)均在3.40 GHz CPU和8 GB RAM的Intel Core i5機(jī)器上運(yùn)行。

2 結(jié)果與分析

2.1 無(wú)特征選擇的鱗翅目昆蟲圖像識(shí)別

對(duì)利茲蝴蝶數(shù)據(jù)集和本課題組收集的鱗翅目昆蟲圖像數(shù)據(jù)集用DRLBP提取紋理特征，將其作為PROCRC和KNN分類器的輸入。同時(shí)，為了保證算法的魯棒性，算法重復(fù)運(yùn)行5次。每次運(yùn)行均采用5折交叉驗(yàn)證方法，每次將數(shù)據(jù)集分成5份，任意選擇其中4份作為訓(xùn)練集，剩余1份作為測(cè)試集。應(yīng)用t檢驗(yàn)衡量不同方法在識(shí)別準(zhǔn)確性上的差異顯著性(薛薇， 2011)。其分類結(jié)果見表1。

表1 2個(gè)數(shù)據(jù)集的識(shí)別結(jié)果Tab.1 Recognition result of two datasets

由表1可知，對(duì)利茲蝴蝶數(shù)據(jù)集，使用PROCRC分類器和KNN分類器的平均識(shí)別率為81.73%和39.61%； 對(duì)本課題組收集的鱗翅目昆蟲圖像數(shù)據(jù)集，則平均識(shí)別率分別為88.18%和83.87%。這說明對(duì)上述2個(gè)數(shù)據(jù)集PROCRC分類器的識(shí)別性能均顯著高于KNN分類器。

由表2可知，分類器對(duì)不同種類的昆蟲識(shí)別率差異較大。在利茲數(shù)據(jù)集中，紅帶袖蝶體色紅、白、黑相間，體表較為光滑，紋理特征不明顯，樣本數(shù)量較少； 優(yōu)紅蛺蝶的花紋較為復(fù)雜，輪廓與黑脈金斑蝶、白粉蝶和小紅蛺蝶相似，容易造成誤判。因此，2種分類器對(duì)紅帶袖蝶和優(yōu)紅蛺蝶的分類性能均較差。在本課題組中拍攝的昆蟲圖像數(shù)據(jù)集中，2種分類器對(duì)檗黃粉蝶、東方粉蝶、斐豹蛺蝶和長(zhǎng)喙天蛾的識(shí)別性能不理想，其主要原因是檗黃粉蝶、東方粉蝶、斐豹蛺蝶和長(zhǎng)喙天蛾的樣本數(shù)量相對(duì)較少，不利于模型的構(gòu)建，其樣本數(shù)量分別為7、12、5和27。

綜上所述，對(duì)于鱗翅目昆蟲圖像識(shí)別而言，PROCRC分類器具有更優(yōu)的識(shí)別性能。同時(shí)，該分類器對(duì)不同種類的昆蟲識(shí)別性能差異大，說明該方法在性能上有進(jìn)一步提升的空間。

2.2 基于改進(jìn)的差分進(jìn)化算法的鱗翅目昆蟲識(shí)別

為了進(jìn)一步評(píng)價(jià)本研究提出的BADE算法的性能，將其與基于頻繁出現(xiàn)模式的特征選擇方法、BDE進(jìn)行比較。

利用2.1部分提取的昆蟲圖像紋理特征數(shù)據(jù)集，分別利用頻繁出現(xiàn)模式、BDE和BADE方法篩選紋理特征，其識(shí)別準(zhǔn)確性見表3。由表3可知，對(duì)利茲蝴蝶數(shù)據(jù)集和本課題收集的圖像數(shù)據(jù)集，基于頻繁出現(xiàn)模式的PROCRC算法的識(shí)別率分別為65.92%和84.55%，與原來相比分別降低了15.81%和3.63%，這說明該方法在特征選擇過程中可能濾掉了部分有用的特征； 基于頻繁出現(xiàn)模式的KNN算法的識(shí)別率與原來相比則分別提升了12.64%和0.24%。BDE特征選擇方法也能有效提高分類器的識(shí)別準(zhǔn)確性，其對(duì)PROCRC算法的提升率分別為3.29%和0.68%，對(duì)KNN算法的提升率分別為9.93%和2.29%。與BDE相比，BADE更進(jìn)一步提高了識(shí)別準(zhǔn)確性，用PROCRC分類器時(shí)，其準(zhǔn)確性分別提高了5.81%和1.66%，用KNN分類器時(shí)則分別提高了13.49%和3.09%。

由上可知，應(yīng)用合適的特征選擇方法有助于提高鱗翅目昆蟲的識(shí)別準(zhǔn)確性。本研究提出的BADE算法在不同的數(shù)據(jù)集下均比BDE算法和基于頻繁出現(xiàn)模式的特征選擇方法取得最優(yōu)的分類準(zhǔn)確性。

為了進(jìn)一步說明BADE算法的性能，本研究給出了該算法對(duì)2個(gè)數(shù)據(jù)集的每類昆蟲識(shí)別率的影響(表4)。

由表4可知，對(duì)利茲蝴蝶數(shù)據(jù)集分類時(shí)，使用PROCRC分類器，BADE方法提升了黑脈金斑蝶、紅帶袖蝶、鹿眼蛺蝶、紅灰蝶、喪服蛺蝶以及美洲大芷鳳蝶的識(shí)別率，其提升率分別為2.43%、7.95%、10%、4.7%、3%、8.03%，這說明了BADE有效去除了降低識(shí)別率的冗余特征。使用KNN分類器時(shí)，除了白粉蝶外，其他種類的昆蟲的識(shí)別率均得到提升，其中黑脈金斑蝶的識(shí)別提升率甚至達(dá)到29.41%，這說明在利茲蝴蝶數(shù)據(jù)集分類識(shí)別中，BADE方法也顯著提升了KNN算法的分類性能。

表2 2個(gè)數(shù)據(jù)集中每類昆蟲的識(shí)別率Tab.2 Recognition rate of each insect species in two datasets

對(duì)本試驗(yàn)收集的圖像數(shù)據(jù)集進(jìn)行分類時(shí)，使用PROCRC分類器時(shí)，BADE方法提升了黃星尺蛾、柳杉毛蟲和馬尾松毛蟲的識(shí)別率，其提升率分別為1.85%、0.27%、0.28%。使用KNN分類器時(shí)，BADE方法則提升了檗黃粉蝶、黃星尺蛾、蕾鹿蛾、柳杉毛蟲、綠尾大蠶蛾、榕透翅毒蛾以及長(zhǎng)喙天蛾的識(shí)別率，其提升率分別為20%、0.61%、16.66%、1.07%、20%、1.73%、11.34%。

由上可知，在不同的鱗翅目數(shù)據(jù)集中，BADE算法可以顯著提升大部分昆蟲類別的識(shí)別準(zhǔn)確性。為了進(jìn)一步說明BADE算法的優(yōu)點(diǎn)，分別從算法穩(wěn)定性、降低的維數(shù)和運(yùn)行時(shí)間進(jìn)行評(píng)價(jià)。應(yīng)用F1值評(píng)價(jià)不同特征選擇方法的穩(wěn)定性(表5)。由表5可知，BADE在不同數(shù)據(jù)集和不同分類算法上的F1值均大于其他2種特征選擇方法。

表3 基于特征選擇的2個(gè)數(shù)據(jù)集識(shí)別結(jié)果Tab.3 Recognition result of two datasets based on feature selection

表4 基于BADE的2個(gè)數(shù)據(jù)集中每類昆蟲的識(shí)別率Tab.4 Recognition rate of each insect species in two datasets based on BADE

表5 BADE與其他2種特征選擇方法的F1值Tab.5 F1-score between BADE and other two feature selection methods

由表6可知，使用BADE算法后，2個(gè)數(shù)據(jù)集的維數(shù)均顯著降低，其維數(shù)下降率接近50%。由圖3可知，經(jīng)BADE特征選擇后，簡(jiǎn)化了識(shí)別過程的計(jì)算量使昆蟲的識(shí)別時(shí)間都減小了,其時(shí)間減少率最高達(dá)到50%。

表6 BADE選擇后的特征維數(shù)Tab.6 Dimension of feature after BADE selection

圖3 BADE特征選擇后的時(shí)間差異Fig.3 Time difference after BADE feature selectionLBD-PROCRC: 對(duì)利茲蝴蝶數(shù)據(jù)集使用PROCRC進(jìn)行分類 Classify Leeds butterfly dataset by PROCRC; LBD-KNN： 對(duì)利茲蝴蝶數(shù)據(jù)集使用KNN進(jìn)行分類 Classify Leeds butterfly dataset by KNN; LID-PROCRC: 對(duì)鱗翅目昆蟲數(shù)據(jù)集使用PROCRC進(jìn)行分類Classify Lepidopteran insect dataset by PROCRC; LID-KNN: 對(duì)鱗翅目昆蟲數(shù)據(jù)集使用KNN進(jìn)行分類 Classify Lepidopteran insect dataset by KNN.

3 討論

近年來，隨著計(jì)算機(jī)圖像處理技術(shù)的發(fā)展，基于圖像的昆蟲識(shí)別取得了許多突破，但在實(shí)際應(yīng)用中仍存在一定的問題。

在圖像收集方面，目前大部分研究在收集圖像時(shí)都采用統(tǒng)一的標(biāo)準(zhǔn)，例如趙汗青等(2002)在拍攝昆蟲圖像時(shí)，統(tǒng)一了焦距且利用昆蟲左右對(duì)稱原理修補(bǔ)了殘缺的圖像； 竺樂慶等(2015a)在拍攝鱗翅目昆蟲圖像時(shí)，統(tǒng)一了光圈大小、快門速度、焦距以及排放姿態(tài)。這些措施提高了圖像的識(shí)別精度，但降低了識(shí)別模型的普適性。因此，本研究在拍攝標(biāo)本圖像時(shí)，采用不同的拍攝條件，其拍攝條件分別為是否開閃光、不同感光度、不同快門速度、不同光圈大小以及不同拍攝角度。同時(shí)我們還利用了開源的利茲蝴蝶數(shù)據(jù)集?；谶@些數(shù)據(jù)集更能測(cè)試模型的普適性和魯棒性。

在特征提取方面，傳統(tǒng)的圖像特征往往是顏色、形狀特征、翅脈特征等。顏色特征對(duì)圖像本身尺寸、方向、視角的依賴性較小，從而具有較高的魯棒性，但基于顏色特征的昆蟲自動(dòng)識(shí)別難點(diǎn)在于同種昆蟲顏色特征差異有可能很大； 形態(tài)特征適用于體態(tài)較完整的昆蟲以及個(gè)體和形態(tài)差異較大的昆蟲識(shí)別，但昆蟲樣本的完整性和標(biāo)本擺放一致性嚴(yán)重影響識(shí)別結(jié)果。同時(shí)，卷積神經(jīng)網(wǎng)絡(luò)方法可以有效獲得圖像的特征，但要求有大量的圖像集作為訓(xùn)練數(shù)據(jù)(Krizhevskyetal.， 2012)。因此，本研究利用DRLBP算法提取鱗翅目昆蟲圖像的紋理特征。該算法保留了傳統(tǒng)算法有效提取完整結(jié)構(gòu)信息的優(yōu)點(diǎn)，對(duì)噪聲有較強(qiáng)的抵抗能力，也適用于小數(shù)據(jù)集。與傳統(tǒng)紋理特征提取算法相比，DRLBP提取的紋理特征具有更強(qiáng)的辨別能力與旋轉(zhuǎn)不變性(Mehtaetal.， 2016)。

已有的昆蟲圖像的特征向量過多，降低了模型的識(shí)別精度、增加了識(shí)別時(shí)間，存在冗余或者不相關(guān)的特征。因此，本研究引進(jìn)智能優(yōu)化算法進(jìn)行特征選擇，并提出了改進(jìn)的BADE算法。該算法具有結(jié)構(gòu)簡(jiǎn)單、易于實(shí)現(xiàn)的優(yōu)點(diǎn)，且得到的特征子集的分類性能較好。同時(shí)，注意到在本研究中當(dāng)某種昆蟲樣本數(shù)量較少時(shí)，該種類的識(shí)別率易受到影響，如本研究中個(gè)別昆蟲種類在特征選擇后其識(shí)別率反而降低了。這說明足夠數(shù)量的昆蟲樣本對(duì)于識(shí)別也很重要。

在分類器選擇方面，目前應(yīng)用于昆蟲識(shí)別的分類器有SVM(Lariosetal.， 2010； 竺樂慶等， 2015a； 周愛明等， 2017)、BP神經(jīng)網(wǎng)絡(luò)(竺樂慶等， 2013)等。這些分類器適用性能良好、穩(wěn)定，但難以應(yīng)對(duì)類別量大的復(fù)雜場(chǎng)景，不利實(shí)際應(yīng)用。相比之下，PROCRC算法具有良好的分類性能與高計(jì)算效率，能夠應(yīng)對(duì)類別量大的復(fù)雜場(chǎng)景。同時(shí)，為了比較不同分類器對(duì)識(shí)別性能的影響，也選用了經(jīng)典的分類器KNN。

4 結(jié)論

本研究提出一種利用DRLBP算法提取鱗翅目昆蟲圖像紋理特征進(jìn)行圖像自動(dòng)識(shí)別的方法，且將該方法成功應(yīng)用于2種不同的鱗翅目昆蟲圖像數(shù)據(jù)集上。識(shí)別過程中加入了BADE方法進(jìn)行特征選擇操作。同時(shí)也為防止分類器與模型出現(xiàn)過度擬合現(xiàn)象，選擇PROCRC與KNN2種分類器進(jìn)行識(shí)別。

應(yīng)用DRLBP算法提取昆蟲圖像的紋理特征，并通過合適的特征選擇算法進(jìn)行特征篩選，可有效提高昆蟲的分類準(zhǔn)確性。筆者提出的BADE算法結(jié)合PROCRC分類器時(shí)，與不做特征選擇相比，在2個(gè)數(shù)據(jù)集上其準(zhǔn)確性分別提高了5.81%和1.66%。與現(xiàn)有的頻繁出現(xiàn)模式和BDE特征選擇方法相比，BADE算法的準(zhǔn)確性也顯著提高。本研究也表明與傳統(tǒng)的KNN算法相比，PROCRC是更理想的分類器。本研究利用2種不同的鱗翅目昆蟲圖像數(shù)據(jù)集建立識(shí)別模型是為了提高所建立的鱗翅目昆蟲圖像識(shí)別模型的普適性。因此，如何進(jìn)一步擴(kuò)大數(shù)據(jù)集，提高識(shí)別模型的普適性，使其更具實(shí)用價(jià)值，是今后的研究目標(biāo)。