基于CNN的蝴蝶种类识别系统设计与优化

1. 项目背景与核心价值

蝴蝶作为自然界最美丽的生物之一，其种类识别一直是生态学研究的重要课题。传统分类方法依赖专家肉眼观察翅膀图案、色彩和形态特征，效率低下且容易出错。这个毕业设计项目采用卷积神经网络（CNN）构建自动化识别系统，准确率可达95%以上，比传统方法快20倍。

我在大三暑期实习时，曾参与某自然保护区蝴蝶种群监测项目。当时团队每天要处理上千张野外相机拍摄的蝴蝶照片，人工分类耗时耗力。这段经历让我深刻意识到自动化识别的价值——不仅能解放人力，还能实现实时监测和数据分析。这也是我选择这个课题作为毕业设计的初衷。

2. 技术方案选型与对比

2.1 为什么选择CNN？

卷积神经网络在图像识别领域具有先天优势。其局部连接和权值共享特性特别适合处理蝴蝶翅膀的纹理特征。与全连接网络相比，CNN参数量减少90%，训练速度提升3倍。我曾测试过SVM和随机森林等传统算法，在相同数据集上，CNN的Top-5准确率高出18-25个百分点。

2.2 模型架构演进路线

初期尝试了LeNet-5基础架构，验证集准确率仅82%。分析混淆矩阵发现，该模型对斑纹相似的凤蝶科种类区分能力不足。改进方案：

1. 增加网络深度：采用VGG16架构（验证集准确率89%）
2. 引入残差连接：改用ResNet34（准确率提升至93%）
3. 加入注意力机制：在最后一个卷积层后添加SE模块（最终准确率96.2%）

关键发现：蝴蝶翅膀的边缘信息对分类至关重要。在数据增强时，保留原始图像边缘检测结果作为额外通道输入，可使准确率再提升1.3%

3. 数据集构建与处理

3.1 数据来源与标注规范

整合了三个公开数据集：

• 剑桥大学蝴蝶数据集（Butterfly200）
• iNaturalist平台蝴蝶观察记录
• 自建数据集（通过野外拍摄和博物馆合作获取）

标注规范特别注意：

• 只标注侧面展翅状态的照片
• 多个体同框时以最清晰个体为准
• 亚种统一归入种级分类
  最终得到287类、共计42,156张标注图像

3.2 数据增强策略

针对蝴蝶图像特点设计的增强方法：

python复制transform = transforms.Compose([
    transforms.RandomAffine(15, shear=