论文学习：基于集成YOLO算法的蝴蝶检测与分类

0.论文名称与地址连接

Butterfly detection and classification based on integrated YOLO algorithm
论文地址：xxx.itp.ac.cn//abs/2001.00361

1.摘要

Insects are abundant species on the earth, and the task of identification and identification of insects is complex and arduous. How to apply artificial intelligence technology and digital image processing methods to automatic identification of insect species is a hot issue in current research. In this paper, the problem of automatic detection and classification recognition of butterfly photographs is studied, and a method of bio-labeling suitable for butterfly classification is proposed. On the basis of YOLO algorithm[1], by synthesizing the results of YOLO models with different training mechanisms, a butterfly automatic detection and classification recognition algorithm based on YOLO algorithm is proposed. It greatly improves the generalization ability of Yolo algorithm and makes it have better ability to solve small sample problems. The experimental results show that the proposed annotation method and integrated YOLO algorithm have high accuracy and recognition rate in butterfly automatic detection and recognition.

昆虫是地球上丰富的物种，昆虫的鉴定和鉴定任务复杂而艰巨。如何将人工智能技术和数字图像处理方法应用于昆虫种类的自动识别是当前研究的热点问题。研究了蝴蝶照片的自动检测和分类识别问题，提出了一种适合蝴蝶分类的生物标记方法。在YOLO算法的基础上，综合不同训练机制的YOLO模型的结果，提出了一种基于YOLO算法的蝴蝶自动检测与分类识别算法。它大大提高了Yolo算法的泛化能力，使其具有较好的解决小样本问题的能力。实验结果表明，本文提出的标注方法和综合YOLO算法在蝴蝶的自动检测和识别中具有较高的准确率和识别率。

2.介绍

 蝴蝶作为昆虫重要的环境指标之一，种类复杂多样。蝴蝶种类的鉴定直接关系到人类和动物食用的农作物。目前，广泛使用的可靠蝴蝶识别方法效果不佳。人工识别蝴蝶种类不仅工作量大，而且需要长期的经验和知识积累。如何实现昆虫物种的自动识别是计算机视觉领域的研究热点之一。
 昆虫物种的自动识别需要对数字图像进行识别和分类，图像分类的效果与纹理特征提取的质量密切相关。2004年，Gaston等人[2]介绍了人工智能技术和数字图像处理方法在数字图像识别中的应用。此后，许多专家学者在这方面做了大量的工作[3,4]。近年来，随着机器学习的发展，研究人员提出了许多相关的蝴蝶检测应用算法。2012年，Wang等人[5]使用基于内容的图像检索（CBIR）提取蝴蝶的图像特征，如颜色、形状。Bohan Liang等人。对不同的纹理特征、特征权重和相似度匹配算法进行了比较，并提出了相应的分类方法。2014年，Kaya Y等人[6]应用局部二值模式（LBP）[7]和灰度共生矩阵（GLCM）[8]提取蝴蝶图像的纹理特征，然后利用单隐层神经网络进行分类，提出了一种基于极值学习机法则的蝴蝶物种自动识别方法。同年，Kang S H等人[9]提出了一种基于分支长度相似性（BLS）熵分布的有效识别方案，该方案利用从不同角度观察到的蝴蝶图像作为神经网络的训练数据。2015年，李帆[10]根据蝴蝶的形态特征和纹理分布，利用图像块的灰度共生矩阵（GLCM）特征和K近邻分类算法，提出了相应的特征提取和分类决策方法。2016年，Zhou A M等人[11]证明了该深度学习模型的可行性&#x