基于Gabor特征提取和MobileNetV2在云南天牛识别中的应用

摘要

天牛是对林木健康构成重大威胁的害虫，其分类和识别对于生态学、农业和环境保护至关重要。天牛分类方法中，通常采用传统的形态学分类法，但存在效率较低等问题。本文以云南常见的10种天牛为研究对象，采集天牛标本和自然背景图片作为数据集，通过2D Gabor滤波器对天牛图像进行特征提取，引入轻量化的迁移学习模型MobileNetV2进行分类。实验对比了局部二值模式（LBP）、灰度共生矩阵（GLCM）、尺度不变特征变换（SIFT）提取特征方法与支持向量机（SVM）、随机森林（RF）分类器，以及VGG16、ResNet101、InceptionV3和MobileNetV2模型的组合性能。结果表明，LBP＿RF和GLCM＿RF的准确率分别为61.93%和67.93%；原始数据集（SWFU LHB 10）在VGG16、ResNet101、InceptionV3和MobileNetV2上的准确率分别为70.90%、41.53%、76.10%和83.07%;SIFT特征提取后模型性能普遍下降；而在Gabor特征提取的基础上，MobileNetV2模型识别准确率提升至98.94%,F1-score达98.80%，因此，采用2D Gabor滤波器结合MobileNetV2模型进行天牛分类的方法，在特征提取和模型训练方面均显著优于其他方法，为天牛识别提供了有效的解决方案，对天牛的综合防治具有重要意义，也可为相关行业领域提供参考。

关键词

天牛识别 / 2D Gabor / 特征提取 / MobileNetV2 / 深度学习