تشخیص و اندازه گیری الگوهای پروانه و الگوهای نقطه ای با استفاده از شبکه های عصبی حلقوی

پروانه ها به طور فزاینده ای در حال تبدیل شدن به حشرات مدل هستند که در آن سؤالات اساسی پیرامون تنوع الگوهای رنگی آنها مورد بررسی قرار می گیرد. برخی از این الگوهای رنگی شامل لکه های ساده و چشم ها است. برای تسریع در سرعت تحقیقات پیرامون این عناصر الگوی گسسته و دایره ای ، ما دو شبکه عصبی حلقوی مجزا (CNN) را برای تشخیص و اندازه گیری لکه های پروانه ای و چشم در تصاویر دیجیتالی بال پروانه ایجاد کردیم. ما دقت تشخیص و اندازه گیری های منطقه را با استفاده از شناسایی و اندازه گیری های دستی آزمایش کردیم. این روشها قادر به شناسایی و تمایز چشم های حاشیه ای از نقاط بودند ، و همچنین این الگوهای را از لکه های رنگ کمتر متقارن متمایز می کنند. علاوه بر این ، اندازه گیری های منطقه مرکزی یک چشم و حلقه های اطراف آن بسیار دقیق بود. این CNN ها بهبود چشم و اندازه گیری چشم/نقطه را نسبت به روشهای قبلی ارائه می دهند زیرا لازم نیست که از لحاظ ریاضی ویژگی مورد علاقه را تعریف کنید. تمام آنچه لازم است این است که به تصاویری که دارای ویژگی هایی برای آموزش CNN هستند اشاره کنید.

خلاصه نویسنده ما برای تشخیص و اندازه گیری لکه های پروانه ای و چشم در تصاویر دیجیتالی بال پروانه ، دو شبکه عصبی جداگانه (CNN) ایجاد کردیم. ما دقت تشخیص و اندازه گیری های منطقه را با استفاده از شناسایی و اندازه گیری های دستی آزمایش کردیم. روشهای ما قادر به شناسایی و تمایز چشم های حاشیه ای از نقاط بودند ، و همچنین این الگوهای را از تکه های رنگ کمتری متقارن متمایز می کنند. علاوه بر این ، اندازه گیری های منطقه مرکزی یک چشم و حلقه های اطراف آن بسیار دقیق بود.

معرفی

چشم ها محرک های الگوی رنگی برجسته ای با حلقه های متعدد از رنگ های متضاد هستند که چشم های مهره داران را تقلید می کنند. آنها توسط حیوانات متعدد در درجه اول برای ترساندن یا غرق شکارچیان یا برای خنثی کردن حملات شکارچی به مناطق قابل پخش بدن استفاده می شوند [1]. چشم ها در درجه اول در Lepidoptera مورد مطالعه قرار گرفته است ، جایی که حالت های مختلف دفاع در گونه های مختلف یافت می شود ، و جایی که از چشم ها نیز در سیگنالینگ جنسی استفاده می شود [2-4]. چشم های موجود در پروانه های پوره یک منشأ واحد دارند [5] ، و ممکن است از عناصر الگوی ساده تر ، نقاط تکامل یافته باشند [6]. لکه ها تکه های ساده ای از رنگ هستند که در برابر رنگ پس زمینه بال متضاد هستند. هنوز مشخص نیست که چند بار لکه ها به طور مستقل در پروانه ها تکامل یافته اند و چه عملکرد اکولوژیکی دقیقی را در آن ارائه می دهند.

اندازه گیری دقیق لکه ها و چشم ها برای محققانی که نقش اکولوژیکی این صفات را در پروانه ها مطالعه می کنند ، به یک کار معمول تبدیل شده است. به عنوان مثال ، اندازه های مختلف چشم های موجود در مردان و زنان ، به نقش آنها در سیگنالینگ جنسی اشاره شده است [7] ، در حالی که اندازه های مختلف چشم در فصول خشک و مرطوب اشکال گونه های یکسان پروانه در حضور اصناف های مختلف شکارچی اشاره داردهر فصل که اندازه چشم را شکل می دهد [8].

اندازه گیری نقاط و چشم ها برای محققانی که سؤالات مکانیکی در مورد توسعه خود را کشف می کنند نیز مهم شده است. به عنوان مثال ، به منظور بررسی مکانیسم اندازه جنسی دیمورفیسم یا انعطاف پذیری فنوتیپی فصلی ، محققان از انواع هورمون و تزریق دارو در طول توسعه استفاده می کنند تا آزمایش کنند که چگونه آنها بر اندازه نهایی چشم ها تأثیر می گذارند [9 ، 10]. اندازه گیری EYESPOT و SPOT نیز برای آزمایش نقش ژنهای کاندیداها در توسعه این صفات با استفاده از آشفتگی های ژنتیکی انجام می شود [11-13]. بنابراین ، داشتن توانایی انجام اندازه گیری های سریع بر روی لکه ها/چشم ها ، برای تسریع سرعت تحقیق در اطراف این صفات مفید است.

رویکردهای قبلی برای تشخیص و اندازه گیری خودکار چشم ، به یک رویکرد پنجره کشویی متکی بود که در آن ویژگی های با دقت انتخاب شده از تقارن و دایره ای اندازه گیری شد. این ویژگی ها سپس برای تشخیص به طبقه بندی SVM تغذیه شدند و پس از آن حلقه های دایره ای مختلف با تبدیل 1D Hough برای تشخیص دایره اندازه گیری شد.

در این کار ، ما از شبکه های عصبی Convolutional (CNN) [15] برای تشخیص و اندازه گیری نقطه/چشم استفاده می کنیم. CNN ها در حال حاضر پرکاربردترین الگوریتم های یادگیری عمیق برای تجزیه و تحلیل تصویر هستند ، که در بسیاری از مشکلات تجزیه و تحلیل تصویر مانند طبقه بندی تصویر ، تشخیص شیء یا تقسیم بندی ، دارای الگوریتم های سنتی بهتر است [16 ، 17]. در حالی که CNN در گذشته برای اهداف شناسایی گونه های پروانه ای [18-22] استفاده شده است ، در اینجا ما از آنها برای شناسایی الگوهای بال خاص ، صرف نظر از هویت گونه ها استفاده می کنیم. مهمترین مزیت CNN نسبت به روشهای قبلی ، توانایی آنها در استخراج خودکار از تصاویر است که مهمترین ویژگی های الگوهای مورد نظر ما است ، در این حالت لکه ها و چشم ها ، و نیازی به استخراج ویژگی های دستی ندارند. ما ابتدا از مجموعه ای از تصاویر از گونه های مختلف پروانه ها با انواع لکه ها و چشم ها برای اهداف آموزش و آزمایش استفاده می کنیم. سپس ما CNN خود را آزمایش می کنیم تا چشم ها را در یک مجموعه داده تصویر متفاوت متشکل از تصاویر بسیاری از افراد یک گونه واحد تشخیص دهیم. در این مجموعه داده دوم تصویر ما همچنین یک CNN جدید را برای بخش و اندازه گیری مناطق مختلف چشم آموزش و آزمایش می کنیم.

مواد و روش ها

داده ها

در آزمایشات ما از دو مجموعه داده مختلف استفاده شد. برای کار تشخیص نقطه و چشم ما از یک مجموعه داده (DataSet1) با 4707 تصاویر پروانه ای از گونه های مختلف استفاده کردیم که 690 مورد از آنها تصاویر پروانه ها بدون هیچ گونه لکه یا چشمان بود و 4017 باقیمانده حاوی یک یا چند لکه یا چشم بود. برای هر تصویر پروانه ای که حاوی لکه ها/چشم ها است ، عناصر الگوی راست راست در دو مطالعه قبلی [5 ، 6] و موقعیت و اندازه مرکز آنها به صورت دستی مشخص شده بود. نوع عنصر الگوی نیز مشخص شد. شکل 1 تنوع انواع مختلف عناصر الگوی را نشان می دهد. جدول 1 تعداد عناصر الگوی هر نوع موجود در DataSet1 را گزارش می کند.

• مشاهده خطی
• مشاهده پنجره
• دانلود پاورپوینت

جدول 1. تعداد عناصر الگوی از هر نوع در DataSet1 (به تصاویر و تعاریف عناصر الگوی در شکل 1 مراجعه کنید).