昆虫学报

作者：周援知,刘雪纯,胡钰沛,王立祥,陈潇潇,尚素琴

单位：甘肃农业大学植物保护学院， 兰州 730070

关键词：蝴蝶,卷积神经网络,GoogLeNet,图像识别,迁移学习

【目的】基于卷积神经网络特征提取，本研究探究融合GoogLeNet网络模型与数字图像特征信息来准确识别野外蝴蝶的可行性。【方法】选取甘肃省连城国家级自然保护区内丰富度高的鳞翅目(Lepidoptera)蝶类4科9种，其中成虫标本图像3 704幅，用以构建蝴蝶图像识别模型，并采集具有干扰因素的野外蝴蝶图像376幅，从中筛选出识别精度最高最优的一种模型。通过对GoogLeNet网络模型采用修改模型内部结构及调整参数的方法，并使用PhotoShop对图像进行后期处理，从而优化激活函数,减少参数量，提高计算速度和特征提取能力以准确识别蝴蝶种类。【结果】利用MATLAB软件平台共训练出10种模型，然后根据模型大小、精确度、识别效率等参数筛选出4种最优模型，在此基础上选用性能最好的模型构建了所选取9种代表性蝴蝶白眼蝶Melanargia halimede、菜粉蝶Pieris rapae、橙黄豆粉蝶Colias fieldii、柑橘凤蝶Papilio xuthus、钩粉蝶Gonepteryx rhamni、锦瑟蛱蝶Seokia pratti、仁眼蝶Hipparchia autonoe、荨麻蛱蝶Aglais urticae和重环蛱蝶Neptis alwina的诊断体系。经平台训练60 min后，模型对检验数据集的诊断准确率达100.0%。人为添加干扰项后，改进的GoogLeNet模型准确率仍保持在94.7%。多数据模型训练后发现，数据集数量越多，图像质量越高，模型的识别精确度就越高。【结论】本研究构建的模型一定程度上克服了单一特征识别蝴蝶种类的不足，提高了野外蝴蝶识别的准确性，且模型稳定性强，能够为蝴蝶智能识别提供技术支撑，为后续识别平台的开发奠定了基础。

来源：2026年第2期

《昆虫学报》期刊编辑部

查看昆虫学报杂志2026年第2期