技术领域
[0001] 本
发明涉及蚊媒监测系统领域，尤其涉及的是一种基于图像识别的蚊媒自动监测系统。
背景技术
[0002] 随着全球化、
气候变化和城市化
进程的
加速，近年来登革热、基孔肯亚热、寨卡等蚊媒传染病在全球范围内呈扩散趋势，中国也面临巨大的蚊媒传染病防控压
力。
[0003] 例如，白纹伊蚊和三带喙库蚊等蚊媒是传播登革热和流行性乙型脑炎等传染病的重要媒介，其将病原
生物从宿主传播给人类，对人类健康带来巨大危害，严重威胁到人民的生命财产安全。而对蚊媒进行监测是进行蚊媒传染病防控的关键，不仅有利于了解蚊虫的种属构成和
密度分布，还可对蚊媒传染病流行提供预警和
风险分析。
[0004] 目前，中国国内蚊媒监测的常用方法有人工叮咬法、人帐诱捕法、紫外灯诱捕法、CO2诱捕法、黑箱法、灭蚊
磁场法、BGS诱蚊器、诱蚊诱卵法等等。人工叮咬法和人帐诱捕法虽操作简单，但存在易使操作者感染
疾病的风险；紫外灯诱捕法利用蚊虫的趋光性捕捉蚊虫，使用范围广，但其本身对蚊类的吸引力不强；CO2诱捕法以CO2作为
引诱剂，安全无害，且更倾向于吸引雌蚊，但有研究认为该法对库蚊与按蚊的捕捉效果欠佳；黑箱法设备简单、易操作，但有研究指出可能不适用于捕获按蚊；灭蚊磁场法因无需外接电源，主要应用于蚊害严重的偏远地区；BGS诱蚊器需要动力来源且成本较高；而诱蚊诱卵法多适用于登革媒介白纹伊蚊种群的监测。因而，大多蚊媒监测方法都有其缺点和局限性，不能满足长期全面高效蚊媒监测的需求。
[0005] 此外，目前传统的蚊媒监测多是先通过上述方法捕捉蚊虫后，再通过人工肉眼清点记录捕获的蚊虫数量和种类。少数或在
显微镜下逐个检查测定蚊虫，或使用一些新兴的检测方法，如酶学方法和分子生物学方法等进行监测。但是，这些检测方法都耗费人力，操作步骤繁琐，受人为因素的影响较大，不够客观和科学，难以指导传染病的防控工作，且不能现场快速检测，难以满足大面积的现场监测工作需要。
发明内容
[0006] 为解决上述技术问题，本发明提供一种基于图像识别的蚊媒自动监测系统，操作简单、节省人力，能现场快速检测，可满足大面积的现场检测工作需要以及长期全面高效蚊媒监测的需求。
[0007] 本发明的技术方案如下：一种基于图像识别的蚊媒自动监测系统，设置在后台
服务器中，用于对待识别的蚊媒图像进行自动识别，包括图像预处理模
块和蚊媒类型识别模块：所述图像预处理模块用于对蚊媒图像进行标准化、光照校正和去噪处理；所述蚊媒类型识别模块用于结合VGG-16模型和Faster R-CNN
框架模型，对预处理后的蚊媒图像进行种类识别和数量统计。
[0008] 所述的基于图像识别的蚊媒自动监测系统，其中，所述图像预处理模块用于对待识别的蚊媒图像的大小进行统一标准化处理，并采用Gamma校正
算法对标准化后的蚊媒图像进行光照规整处理，以及采用高斯低通滤波算法对光照规整后的蚊媒图像进行去噪处理。
[0009] 所述的基于图像识别的蚊媒自动监测系统，其中，所述Faster R-CNN框架模型包括区域建议网络模块和检测识别模块，所述区域建议网络模块为全
卷积神经网络，用于提取蚊媒区域，所述检测识别模块基于区域建议网络模块对提取的蚊媒区域进行蚊媒类别的识别。
[0010] 所述的基于图像识别的蚊媒自动监测系统，其中，所述检测识别模块用于将经过预处理后的蚊媒图像输入VGG-16模型进行特征提取得到特征层，且采用全卷积神经网络生成与蚊子尸体一一对应的蚊媒提取窗口，将该蚊媒提取窗口映射到提取的特征层上，并将每个蚊媒提取窗口基于最大值
池化理论划分成固定尺寸的特征层，以及利用探测分类概率对每个蚊媒提取窗口中的蚊子尸体进行分类。
[0011] 所述的基于图像识别的蚊媒自动监测系统，其中，所述全卷积神经网络中每个候选区域的初始窗口大小为64×64，48×84，84×48；所述特征层Feature maps的固定尺寸为7×7。
[0012] 所述的基于图像识别的蚊媒自动监测系统，其中，所述Faster R-CNN框架模型通过蚊媒训练样本库的蚊媒图像进行训练，所述蚊媒训练样本库基于Faster R-CNN框架模型的识别统计结果进行
迭代。
[0013] 所述的基于图像识别的蚊媒自动监测系统，其中，所述蚊媒训练样本库包括初始蚊媒训练样本和后续蚊媒训练样本，所述初始蚊媒训练样本的蚊媒图像通过对实验室养殖或野外捕获并经乙醚处死的蚊子尸体进行拍照获得，所述后续蚊媒训练样本的蚊媒图像根据后续蚊媒
图像处理的结果而不断更新。
[0014] 所述的基于图像识别的蚊媒自动监测系统，其中，所述初始蚊媒训练样本的蚊媒图像幅数大于100张，均采用人工标记，且标记的蚊子尸体总数量超过5000只。
[0015] 所述的基于图像识别的蚊媒自动监测系统，其中，所述图像预处理模块还用于对初始蚊媒训练样本的蚊媒图像的大小进行统一标准化处理，并采用Gamma校正算法对标准化后的蚊媒图像进行光照规整处理，以及采用高斯低通滤波算法对光照规整后的蚊媒图像进行去噪处理。
[0016] 所述的基于图像识别的蚊媒自动监测系统，其中，所述蚊媒图像的大小统一为3264×2368×3；所述Gamma校正算法中gamma的取值范围设定在0.4 2.2之间。
~
[0017] 本发明所提供的一种基于图像识别的蚊媒自动监测系统，由于采用了Faster R-CNN框架模型和VGG-16模型理论，一改传统蚊媒监测系统的纯人工检查监测手段，不仅节省了大量人力物力，并有利于实现对蚊媒的在线实时智能监测功能，可迅速准确获得蚊媒监测结果，操作简单、节省人力，能现场快速检测，可满足大面积的现场检测工作需要以及长期全面高效蚊媒监测的需求，具有很强的实用价值，且人为因素影响较小，较为客观和科学，适合指导蚊媒传染病的防控工作。
附图说明
[0018] 图1是本发明基于图像识别的蚊媒自动监测系统
实施例的构架示意图；图2是本发明基于图像识别的蚊媒自动监测系统实施例中的Faster R-CNN框架模型结构示意图。
具体实施方式
[0019] 以下将结合附图，对本发明的具体实施方式和实施例加以详细说明，所描述的具体实施例仅用以解释本发明，并非用于限定本发明的具体实施方式。
[0020] 如图1和图2所示，图1是本发明基于图像识别的蚊媒自动监测系统实施例的构架示意图，图2是本发明基于图像识别的蚊媒自动监测系统实施例中的Faster R-CNN框架模型结构示意图；该蚊媒自动监测系统设置在后台服务器中，用于对待识别的蚊媒图像201进行自动识别，而待识别的蚊媒图像201则另外通过蚊媒检测系统110获得；所述蚊媒自动监测系统包括图像预处理模块120和蚊媒类型识别模块，其中，所述图像预处理模块120用于对蚊媒图像201进行标准化、光照校正和去噪的预处理；所述蚊媒类型识别模块用于结合VGG-16模型210和Faster R-CNN框架模型200，对预处理后的蚊媒图像201进行种类识别和数量统计170，并输出识别后的蚊媒图像203。
[0021] 本文中的Faster R-CNN框架模型200指的是
深度学习Faster R-CNN框架模型，借鉴和参考了S. Ren, et al. “Faster R-CNN: Towards real-time object detection with region proposal networks.” Advances in Neural Information Processing Systems. 2015文献，并将其用于蚊媒自动监测系统中。
[0022] 本文中的VGG-16模型210借鉴和参考了K. Simonyan and A. Zisserman. Very Deep Convolutional Networks for Large-Scale Image Recognition. ArXiv Technical Report , 2014文献，并将其用于蚊媒图像的识别方法中。
[0023] 在本发明基于图像识别的蚊媒自动监测系统的优选实施方式中，具体的，所述图像预处理模块用于对待识别的蚊媒图像201的大小进行统一标准化处理，并采用Gamma校正算法对标准化后的蚊媒图像201进行光照规整处理，以及采用高斯低通滤波算法对光照规整后的蚊媒图像201进行去噪处理。
[0024] 优选地，待识别的蚊媒图像的大小统一为3264×2368×3；所述Gamma校正算法公式为Iout=Iingamma，其中gamma的取值范围设定在0.4~2.2之间。
[0025] 具体的，所述Faster R-CNN框架模型200包括区域建议网络模块(RPN)240和检测识别模块，所述区域建议网络模块(RPN)240为全卷积神经网络，用于提取蚊媒区域，所述检测识别模块基于区域建议网络模块(RPN)240对提取的蚊媒区域进行蚊媒类别的识别。
[0026] 进一步地，所述检测识别模块用于将经过预处理120后的蚊媒图像201输入VGG-16模型210进行特征提取得到特征层(Feature maps)220，且采用全卷积神经网络生成与蚊子尸体一一对应的蚊媒提取窗口202，将该蚊媒提取窗口202映射到提取的特征层(Feature maps)220上，并将每个蚊媒提取窗口202基于最大值池化(Max-pooling)理论划分成固定尺寸的特征层(Feature maps)230，以及利用探测分类概率(Softmax Loss)对每个蚊媒提取窗口202中的蚊子尸体进行分类。
[0027] 所谓的最大值池化(Max-pooling)指的是选取图像区域的最大值作为该区域池化(Pooling)后的值；所谓的探测分类概率指的是Softmax损失函数。
[0028] 而全卷积神经网络可以接受任意尺寸的输入图像，并采用反卷积层对最后一个卷积层的特征层Feature map进行上
采样，使它恢复到输入图像相同的尺寸，从而可以对每个
像素都产生一个预测，同时也保留了原始输入图像中的空间信息，便于最后在采样的特征图上进行逐像素分类；图2中的RPN指的是区域建议网络模块240，作为Faster R-CNN框架模型200的一部分，该区域建议网络模块240就是一种全卷积神经网络，用于提取候选框即蚊媒区域；在特征层(Feature maps)220的
基础上，用RPN生成蚊媒提取窗口(Proposals)202a，每张图片中的每只蚊子尸体对应一个蚊媒提取窗口202a。
[0029] 优选地，所述全卷积神经网络中每个候选区域的初始窗口大小为64×64，48×84，84×48，由此可以节省大量的计算时间和存储容量。
[0030] 优选地，所述特征层(Feature maps)230的固定尺寸为7×7。
[0031] 在本发明基于图像识别的蚊媒自动监测系统的优选实施方式中，所述Faster R-CNN框架模型200通过蚊媒训练样本库160的蚊媒图像进行训练，所述蚊媒训练样本库160又基于该Faster R-CNN框架模型200的识别统计结果进行迭代，以适应蚊媒种类及其尸体
姿态的多样性。
[0032] 进一步地，所述蚊媒训练样本库160包括初始蚊媒训练样本和后续蚊媒训练样本；其中，所述初始蚊媒训练样本的蚊媒图像通过对实验室养殖或野外捕获并经乙醚处死的蚊子尸体进行拍照获得，即图1中训练样本
图像采集140；所述后续蚊媒训练样本的蚊媒图像则根据后续蚊媒图像处理的结果而不断更新。
[0033] 较好的是，所述初始蚊媒训练样本的蚊媒图像幅数大于100张，均采用人工标记，且标记的蚊子尸体总数量超过5000只。
[0034] 所述图像预处理模块还用于对初始蚊媒训练样本的蚊媒图像进行标准化、光照校正和去噪的预处理150，具体的，所述图像预处理模块对初始蚊媒训练样本的蚊媒图像的大小进行统一标准化处理，并采用Gamma校正算法对标准化后的蚊媒图像进行光照规整处理，以及采用高斯低通滤波算法对光照规整后的蚊媒图像进行去噪处理。
[0035] 优选地，所述初始蚊媒训练样本的蚊媒图像的大小统一为3264×2368×3；所述Gamma校正算法公式为Iout=Iingamma，其中gamma的取值范围设定在0.4~2.2之间。
[0036] 本发明基于图像识别的蚊媒自动监测系统，较好地克服了目前蚊媒监测工作中存在的问题和技术难点，可大幅提高中国国内对蚊媒传染病的监测能力，进一步掌握中国国内重点传染病的发病规律和流行趋势，有助形成科学有效的传染病风险评估体系，并为疾病防控提供科学理论依据。
[0037] 应当理解的是，以上所述仅为本发明的较佳实施例而已，并不足以限制本发明的技术方案，对本领域普通技术人员来说，在本发明的精神和原则之内，可以根据上述说明加以增减、替换、变换或改进，而所有这些增减、替换、变换或改进后的技术方案，都应属于本发明所附
权利要求的保护范围。
