摘要: 【目的】蝴蝶属鳞翅目(Lepidoptera)昆虫，其对生存环境敏感，能够作为区域生态环境的指示物种，自然环境下蝴蝶种类自动识别对生态系统稳定有重要意义。现有研究中蝴蝶种类和数量较少，且多以标本图像作为识别对象，鉴于此，本研究构建了自然环境下蝴蝶图像数据集，提出一种以残差网络为基础的蝴蝶种类识别模型LDResNet。【方法】首先，引入可变形卷积，增强网络对不同形状蝴蝶图像的特征提取能力，获得更细粒度的特征；其次，在可变形卷积后嵌入注意力机制，增大蝴蝶特征权重，降低冗余信息干扰；最后，利用改进的深度可分离卷积降低模型参数量。【结果】在自建数据集上实验，LDResNet模型取得了87.61%的平均识别准确率，较原始模型提升了3.14%,模型参数量仅为1.04 MB。【结论】LDResNet模型相较其他模型，在平均识别准确率和参数量方面均有明显优势，本研究模型可为自然环境下的蝴蝶种类自动识别提供技术支持。

摘要: 【目的】生境类型和环境因子对物种分布和维持具有重要的影响。本研究通过分析不同生境类型对蝴蝶群落多样性及其群落结构影响的差异,以及环境因子对蝴蝶物种丰富度和多度的影响,为区域变动尺度蝴蝶多样性维持机制的研究奠定基础。【方法】于2019年8月和10月,在西双版纳地区采用样线法,调查了天然林、次生林、复合生境、人工林和农田5种生境中蝴蝶的物种,分析了蝴蝶群落多样性、群落结构相似性及物种丰富度和多度与环境因子的关系。【结果】2019年从西双版纳共采集蝴蝶2 226头,隶属于11科98属175种,在西双版纳州级尺度上蝴蝶物种丰富度高于县域尺度。在西双版纳州级尺度上,蝴蝶的物种丰富度和多度在5种生境间存在显著差异,而在县域尺度上,物种丰富度、多度和Chao 1物种丰富度估计值没有一致性规律。群落结构相似性结果显示,在西双版纳州级尺度上,蝴蝶群落结构在不同生境类型间存在极显著差异,在县域尺度上,仅勐腊区域蝴蝶群落结构在不同生境类型间存在显著差异。蝴蝶物种丰富度和多度不仅受到生境类型的影响,还受到温度、年均降水和海拔的影响。【结论】本研究结果表明,在区域变动尺度上,生境类型对西双版纳蝴蝶的多样性的影响较大,而温度、年均降水和海拔是维持蝴蝶物种多样性的重要因素。这些发现对当前人类导致的生境丧失和气候变化时代生物多样性的保护具有重要意义。

摘要: 【目的】具有复杂背景的蝴蝶图像前背景分割难度大。本研究旨在探索基于深度学习显著性目标检测的蝴蝶图像自动分割方法。【方法】应用DUTS-TR数据集训练F3Net显著性目标检测算法构建前背景预测模型,然后将模型用于具有复杂背景的蝴蝶图像数据集实现蝴蝶前背景自动分割。在此基础上,采用迁移学习方法,保持ResNet骨架不变,利用蝴蝶图像及其前景蒙板数据,使用交叉特征模块、级联反馈解码器和像素感知损失方法重新训练优化模型参数,得到更优的自动分割模型。同时,将其他5种基于深度学习显著性检测算法也用于自动分割,并比较了这些算法和F3Net算法的性能。【结果】所有算法均获得了很好的蝴蝶图像前背景分割效果,其中,F3Net是更优的算法,其7个指标S测度、E测度、F测度、平均绝对误差(MAE)、精度、召回率和平均IoU值分别为0.940, 0.945, 0.938, 0.024, 0.929,0.978和0.909。迁移学习则进一步提升了F3Net的上述指标值,分别为0.961, 0.964, 0.963, 0.013, 0.965, 0.967和0.938。【结论】研究结果证明结合迁移学习的F3Net算法是其中最优的分割方法。本研究提出的方法可用于野外调查中拍摄的昆虫图像的自动分割,并拓展了显著性目标检测方法的应用范围。

摘要: 【目的】本研究旨在探讨深度学习模型在蝴蝶科级标本图像自动识别中的可行性和泛化能力。【方法】为了提高识别模型的鲁棒性和泛化能力,将锤角亚目中6个科1 117种蝴蝶标本图像通过水平翻转、增加图像对比度与亮度以及添加噪声的方式增强图像数据集。在Caffe框架下,利用迁移学习方法,首先使用Image Net数据集中的图像训练Caffe Net模型,迭代31万次后得到初始化的网络权值;然后利用蝴蝶图像训练已预训练好的Caffe Net模型,通过参数微调,获得一个蝴蝶科级标本图像自动识别的卷积神经网络模型。为了比较深度学习和传统模式识别两种方法建立的模型的泛化能力,对相同训练样本提取全局特征和局部特征,训练支持向量机(support vector machine,SVM)分类器。所有的模型在与训练样本图像来源一致和不一致的两个测试样本集上进行测试。【结果】当测试样本与训练样本来源一致,均为蝴蝶标本图像时,基于Caffe Net的蝴蝶识别模型对6个科的蝴蝶识别准确率平均达到95.8%,基于Gabor的SVM分类器也获得了94.8%的识别率。当测试样本与训练样本来源不一致,为自然环境下拍摄的蝴蝶图像时,两种方法获得的识别率均下降,但Caffe Net模型对蝴蝶自然图像的平均识别率仍能达到65.6%,而基于Gabor的SVM分类器的识别率仅为38.9%。【结论】利用Caffe Net模型进行蝴蝶科级标本图像识别是可行的,相比较传统模式识别方法,基于深度学习的蝴蝶识别模型具有更好的泛化能力。

摘要: 昆虫自动识别是重要的新兴研究领域,其中特征筛选与恰当地将多分类转化为二分类是两个关键步骤。本文基于支持向量分类,提出了一种新的多类昆虫自动鉴别方法:先以初始样本互作转换将多分类转化为二分类,再以可交换核函数消除互作样本中初始样本排列顺序不同的影响,继以非线性筛选去除无关特征与冗余特征并给出各保留特征相对重要性排序,最后以简单投票决策校正独立预测结果。新方法应用于2科7种蝶类自动鉴别,以前翅9个翅脉交叉点距离为初始特征,种、科阶元26、24个随机初始测试样本均获得了100%的准确鉴别。新方法在昆虫自动识别等多分类领域有广泛应用前景。