本发明涉及蚊媒监测方法领域，尤其涉及的是一种蚊媒图像自动识别方法。
背景技术：
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。
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。
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。
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。
技术实现要素：
为解决上述技术问题，本发明提供一种蚊媒图像自动识别方法，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。
本发明的技术方案如下：一种蚊媒图像自动识别方法，包括以下步骤：
a、建立fasterr-cnn框架模型，输入蚊媒图像；
b、结合vgg-16模型，对蚊媒图像进行特征提取，得到特征层；
c、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；
d、将蚊媒提取窗口映射到特征层之上；
e、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；
f、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。
所述的蚊媒图像自动识别方法，其中，所述步骤a包括：
a1、对蚊媒图像的大小进行统一标准化处理；
a2、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；
a3、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。
所述的蚊媒图像自动识别方法，其中，在所述步骤a1中，将所述蚊媒图像的大小统一为3264×2368×3。
所述的蚊媒图像自动识别方法，其中，在所述步骤a2中，将gamma校正算法中gamma的取值范围设定在0.4~2.2之间。
所述的蚊媒图像自动识别方法，其中，将所述步骤a中的蚊媒图像分成蚊媒训练样本库和待识别的蚊媒图像库，通过所述蚊媒训练样本库对fasterr-cnn框架模型进行训练，且基于fasterr-cnn框架的识别统计结果迭代所述蚊媒训练样本库；另采用蚊媒检测装置获得待识别的蚊媒图像库。
所述的蚊媒图像自动识别方法，其中，将所述蚊媒训练样本库分成初始蚊媒训练样本和后续蚊媒训练样本，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初始蚊媒训练样本的蚊媒图像，且根据后续蚊媒图像处理的结果不断更新所述后续蚊媒训练样本的蚊媒图像。
所述的蚊媒图像自动识别方法，其中，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的次数超过100次，以获得所述初始蚊媒训练样本，并采用人工方式对初始蚊媒训练样本的蚊媒图像进行标记，且标记超过5000只的蚊子尸体数量。
所述的蚊媒图像自动识别方法，其中，在所述步骤c中，将所述全卷积神经网络中每个候选区域的初始窗口大小设定为64×64，48×84，84×48。
所述的蚊媒图像自动识别方法，其中，在所述步骤e中，将每个蚊媒提取窗口划分成固定尺寸7×7的特征层。
所述的蚊媒图像自动识别方法，其中，在所述步骤f中，将蚊子尸体的种类分为库蚊、伊蚊和按蚊三个类别。
本发明所提供的一种蚊媒图像自动识别方法，由于采用了fasterr-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
图1是本发明蚊媒图像自动识别方法实施例的流程图；
图2是本发明蚊媒图像自动识别方法所用fasterr-cnn框架模型结构示意图。
具体实施方式
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。
如图1所示，图1是本发明蚊媒图像自动识别方法实施例的流程图，该蚊媒图像自动识别方法，用在后台服务器中，包括以下步骤：
步骤s110、建立fasterr-cnn框架模型，输入蚊媒图像；本文中的fasterr-cnn框架模型200指的是深度学习fasterr-cnn框架模型，借鉴和参考了s.ren,etal.“fasterr-cnn:towardsreal-timeobjectdetectionwithregionproposalnetworks.”advancesinneuralinformationprocessingsystems.2015文献，并将其用于蚊媒图像的识别方法中；结合图2所示，图2是本发明蚊媒图像自动识别方法所用fasterr-cnn框架模型结构示意图；
步骤s120、将蚊媒图像201输入vgg-16模型210，进行特征提取，得到特征层(featuremaps)220；本文中的vgg-16模型210借鉴和参考了k.simonyananda.zisserman.verydeepconvolutionalnetworksforlarge-scaleimagerecognitionverydeepconvolutionalnetworksforlarge-scaleimagerecognition.arxivtechnicalreport,2014文献，并将其用于蚊媒图像的识别方法中；
步骤s130、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；所述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featuremap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1中的rpn指的是区域建议网络模块240，作为fasterr-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(featuremaps)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；
步骤s140、将蚊媒提取窗口202a映射到特征层(featuremaps)220之上；
步骤s150、基于最大值池化(max-pooling)理论，将每个蚊媒提取窗口202a划分成固定尺寸的特征层(featuremaps)230；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；
步骤s160、利用探测分类概率(softmaxloss)，对每个蚊媒提取窗口202a中的蚊子尸体进行分类，并输出识别后的蚊媒图像203；所谓的探测分类概率指的是softmax损失函数。
在本发明蚊媒图像自动识别方法的优选实施方式中，为提高蚊媒图像的识别率，步骤s110还包括对蚊媒图像201进行标准化、光照校正和去噪处理的步骤，具体包括：
步骤s111、对蚊媒图像201的大小进行统一标准化处理；优选地，将所述蚊媒图像201的大小统一为3264×2368×3；
步骤s112、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；本文中的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；步骤s113、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。
在本发明蚊媒图像自动识别方法的优选实施方式中，较好的是，将所述步骤s110中的蚊媒图像201分成蚊媒训练样本库和待识别的蚊媒图像库，通过所述蚊媒训练样本库对fasterr-cnn框架模型进行训练，且基于fasterr-cnn框架的识别统计结果迭代所述蚊媒训练样本库，以适应蚊媒种类及其尸体姿态的多样性；另外采用蚊媒检测装置获得待识别的蚊媒图像库。
进一步地，将所述蚊媒训练样本库分成初始蚊媒训练样本和后续蚊媒训练样本，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初始蚊媒训练样本的蚊媒图像，且根据后续蚊媒图像处理的结果不断更新所述后续蚊媒训练样本的蚊媒图像。
具体的，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的次数超过100次，以获得所述初始蚊媒训练样本，并采用人工方式对初始蚊媒训练样本的蚊媒图像进行标记，且标记超过5000只的蚊子尸体数量。
在所述步骤s130中，优选地，针对蚊媒图像201中蚊子的形状和大小，将所述全卷积神经网络中每个候选区域的初始窗口大小设定为64×64，48×84，84×48，由此可以节省大量的计算时间和存储容量。
在所述步骤s150中，优选地，将每个蚊媒提取窗口202a划分成固定尺寸7×7的特征层(featuremaps)230。
在本发明蚊媒图像自动识别方法的优选实施方式中，可将蚊子及其尸体的种类分为库蚊、伊蚊和按蚊三个类别。
本发明的蚊媒图像自动识别方法，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。
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。