9、深度学习在昆虫物种识别与恶意软件检测中的应用研究

深度学习在昆虫物种识别与恶意软件检测中的应用研究

1. 昆虫物种识别系统

1.1 物种识别模型的输入与输出

物种识别模型的输入分为训练时的输入和系统使用时的输入。训练用的样本输入是经专家手动识别后的区域图像，那些被识别为“不可识别”的物种区域图像，或特定物种样本数量少于 10 的区域图像会从训练样本中删除，且样本数少于 10 的物种也不纳入物种识别模型。系统使用时，模型的输入是经过 YOLO - v4 和 Clahe 处理后的区域 RR’G’B’。模型的最终输出是物种名称，依据置信值确定，置信值最高的物种即为最终识别结果。由于训练目标检测模型时为提高召回率，将很多非昆虫区域框定为真实区域，导致 YOLO - v4 目标检测模型生成的切割区域 RRGB 可能比专家识别的昆虫区域小很多，因此需添加额外判断公式，根据昆虫大小判断是否输出物种名称。

1.2 RGB 归一化

拍摄昆虫图像时，因相机角度和光线位置关系，图像亮度可能存在差异。为防止 RGB 图像因亮度差异丢失原始物体颜色信息，需分别对 R、G、B 三个通道进行归一化处理，公式如下：
[v(x,y)’ = \frac{v(x,y) - minv}{maxv - minv} \times 255]
其中，(v(x, y)) 表示原始图像通道的像素（可能是 R、G 或 B），(v(x, y)’) 是归一化后的像素，(minv) 和 (maxv) 是该图像 (v(x, y)) 的最小值和最大值。将 (v(x, y)) 的值归一化到 0 到 1 之间后，再乘以 255。

1.3 组合模型

物种识别模型有时会对外观相似的物种识别错误，为此提出组合模