羅桂蘭，楊自忠，張 梅，吳仕龍，張 倩，安 東

（1.大理大學(xué)數(shù)學(xué)與計(jì)算機(jī)學(xué)院，云南大理 671003；大理大學(xué)昆蟲(chóng)生物醫(yī)藥開(kāi)發(fā)研究院，云南大理 671003）

有效的誘捕器和誘餌是昆蟲(chóng)監(jiān)測(cè)和調(diào)查最廣泛的方法〔1〕。而基于計(jì)算機(jī)的色彩、聲音、形態(tài)、空域紋理和頻譜紋理等多特征研究是目前昆蟲(chóng)識(shí)別的關(guān)鍵技術(shù)〔2〕。對(duì)于野外活體昆蟲(chóng)的實(shí)時(shí)監(jiān)測(cè)和動(dòng)態(tài)識(shí)別需要昆蟲(chóng)監(jiān)測(cè)與識(shí)別的有效動(dòng)態(tài)結(jié)合。

在昆蟲(chóng)監(jiān)測(cè)方面，根據(jù)昆蟲(chóng)的趨性原理市場(chǎng)上已有各種誘捕器。例如利用趨光性設(shè)計(jì)的燈光誘捕器，通過(guò)頻振殺蟲(chóng)燈就可高效地誘殺棉鈴蟲(chóng)；利用趨色性設(shè)計(jì)的粘蟲(chóng)色板誘集，通過(guò)銀灰色塑料薄膜可誘殺對(duì)銀灰色敏感的蚜蟲(chóng)；利用趨化性設(shè)計(jì)的嗅覺(jué)誘捕器，通過(guò)跟蹤信息素可誘殺白蟻。隨著現(xiàn)代信息技術(shù)的發(fā)展，誘捕器的精準(zhǔn)性、高效性、快捷性、綜合性等指標(biāo)已成為蟲(chóng)情監(jiān)測(cè)新要求。美國(guó)農(nóng)業(yè)部利用紅外傳感器技術(shù)研制出一種谷類害蟲(chóng)探測(cè)計(jì)數(shù)系統(tǒng)，能實(shí)時(shí)監(jiān)測(cè)倉(cāng)儲(chǔ)害蟲(chóng)，計(jì)數(shù)精確度達(dá)95%以上〔3〕?？梢?jiàn)多功能、智能化、自動(dòng)化、專業(yè)化的誘捕器是蟲(chóng)情監(jiān)測(cè)發(fā)展的必然趨勢(shì)。利用雷達(dá)、計(jì)算機(jī)視覺(jué)、微電子、預(yù)測(cè)決策和網(wǎng)絡(luò)信息等高新科技技術(shù)開(kāi)發(fā)新型誘捕器勢(shì)在必行。

在昆蟲(chóng)識(shí)別方面，國(guó)內(nèi)西安電子科技大學(xué)基于ELM理論設(shè)計(jì)了一種昆蟲(chóng)分類器〔4〕，昆蟲(chóng)識(shí)別正確率達(dá)到97%。文獻(xiàn)〔5〕采用基于電流變化感應(yīng)和矩陣按鍵識(shí)別技術(shù)實(shí)現(xiàn)了昆蟲(chóng)自動(dòng)計(jì)數(shù)。CN 101546094A公開(kāi)了一種基于CMOS圖像傳感器的發(fā)明專利，其以數(shù)字化形式實(shí)現(xiàn)了0.1 mm～2 cm大小的爬行動(dòng)物如螞蟻、蜘蛛的足跡監(jiān)測(cè)與跟蹤等〔6〕?，F(xiàn)有這些識(shí)別技術(shù)都采用了計(jì)算機(jī)的軟件、硬件和相關(guān)算法等，特別適合昆蟲(chóng)標(biāo)本的研究，但對(duì)于活體昆蟲(chóng)識(shí)別有待改進(jìn)。

研究發(fā)現(xiàn)，鱗翅目、鞘翅目、直翅目等昆蟲(chóng)是濕地的優(yōu)勢(shì)群體。這類昆蟲(chóng)隱蔽性強(qiáng)，傳統(tǒng)監(jiān)測(cè)難度大〔7-10〕。從系統(tǒng)的成本、效率、便捷等方面考慮，本文借助物聯(lián)網(wǎng)、現(xiàn)代通信網(wǎng)絡(luò)等信息技術(shù)，為實(shí)現(xiàn)昆蟲(chóng)的網(wǎng)絡(luò)實(shí)時(shí)觀測(cè)和生命特征參數(shù)統(tǒng)計(jì)，設(shè)計(jì)了一種基于多特征昆蟲(chóng)識(shí)別算法的活體昆蟲(chóng)智能識(shí)別與監(jiān)測(cè)系統(tǒng)。

1 智能識(shí)別與實(shí)時(shí)監(jiān)測(cè)系統(tǒng)設(shè)計(jì)

1.1 系統(tǒng)功能架構(gòu) 根據(jù)洱海濕地生態(tài)環(huán)境的差異性將濕地劃分為若干個(gè)監(jiān)測(cè)區(qū)域，每個(gè)監(jiān)測(cè)區(qū)域根據(jù)硬件監(jiān)測(cè)范圍大小和地形確定監(jiān)測(cè)點(diǎn)數(shù)量（2～10個(gè)）及部署方式（隨機(jī)、網(wǎng)格、圓形等形式）。監(jiān)測(cè)點(diǎn)之間相互獨(dú)立，所有監(jiān)測(cè)點(diǎn)數(shù)據(jù)最終都上傳到同一個(gè)云服務(wù)器。

以一個(gè)監(jiān)測(cè)點(diǎn)為例，在整個(gè)監(jiān)測(cè)過(guò)程中，各類傳感器實(shí)現(xiàn)昆蟲(chóng)特征數(shù)據(jù)采集。系統(tǒng)首先利用紅外傳感器模塊監(jiān)測(cè)進(jìn)行昆蟲(chóng)計(jì)數(shù)，其次利用超聲波傳感器監(jiān)測(cè)是否有活體昆蟲(chóng)，再次利用聲音、顏色圖像傳感器識(shí)別昆蟲(chóng)種類。中央處理器完成傳感器數(shù)據(jù)融合處理，并通過(guò)4G或WIFI通信方式將特征信息傳送到云服務(wù)器，再由云服務(wù)器進(jìn)行數(shù)據(jù)存儲(chǔ)、計(jì)算和統(tǒng)計(jì)分析等。而終端設(shè)備（個(gè)人電腦、平板、手機(jī)等）可通過(guò)APP或?yàn)g覽器實(shí)現(xiàn)昆蟲(chóng)數(shù)據(jù)動(dòng)態(tài)實(shí)時(shí)觀察。

監(jiān)測(cè)系統(tǒng)功能模塊架構(gòu)見(jiàn)圖1。

圖1 監(jiān)測(cè)系統(tǒng)功能模塊架構(gòu)

系統(tǒng)運(yùn)行中利用LED燈產(chǎn)生的紫光進(jìn)行誘蟲(chóng)，與此同時(shí)開(kāi)啟360°網(wǎng)絡(luò)攝像頭進(jìn)行昆蟲(chóng)行為監(jiān)測(cè)，并將視頻傳送到云服務(wù)器進(jìn)行實(shí)時(shí)監(jiān)測(cè)。硬件模塊架構(gòu)見(jiàn)圖2。

圖2 硬件模塊架構(gòu)

1.2 監(jiān)測(cè)節(jié)點(diǎn)硬件模塊設(shè)計(jì) 一個(gè)監(jiān)測(cè)點(diǎn)主要由LED誘蟲(chóng)燈、昆蟲(chóng)生命監(jiān)測(cè)、昆蟲(chóng)特征識(shí)別、動(dòng)態(tài)行為監(jiān)測(cè)和中央處理器等模塊構(gòu)成。

1.2.1 昆蟲(chóng)生命監(jiān)測(cè)模塊 該模塊在監(jiān)測(cè)區(qū)域內(nèi)首先采用紅外對(duì)射計(jì)數(shù)傳感器實(shí)現(xiàn)昆蟲(chóng)計(jì)數(shù)，再次利用超聲波傳感器監(jiān)測(cè)是否有活體昆蟲(chóng)。從而判斷出昆蟲(chóng)的生命特征。

1.2.2 特征識(shí)別模塊 本模塊采用聲音傳感器、顏色傳感器和CMOS圖像傳感器進(jìn)行昆蟲(chóng)色彩、聲音、形態(tài)和紋理等多特征數(shù)據(jù)采集，并將特征信息傳輸至云服務(wù)器，由云服務(wù)器通過(guò)多特征昆蟲(chóng)識(shí)別算法判定昆蟲(chóng)種類特征等。

1.2.3 中央處理器模塊 可選用嵌入式芯片或單片機(jī)。在成本允許情況下，優(yōu)先選用嵌入式芯片。采用單片機(jī)為控制芯片時(shí)成本較低，但數(shù)據(jù)處理能力和精確度有限。

1.2.4 LED誘蟲(chóng)燈模塊 昆蟲(chóng)的趨光性可以刺激其視覺(jué)神經(jīng)激發(fā)昆蟲(chóng)的可見(jiàn)光區(qū)主要在330～400 nm的紅外光波，尤其是鱗翅目和鞘翅目昆蟲(chóng)對(duì)紅外光特別敏感。針對(duì)濕地活體昆蟲(chóng)研究趨光性燈光誘捕較為適合。該模塊可以由中央處理器控制LED發(fā)出的紫光實(shí)現(xiàn)，也可以采用多個(gè)獨(dú)立的LED誘蟲(chóng)燈。

1.2.5 動(dòng)態(tài)行為監(jiān)測(cè)模塊 該模塊獨(dú)立于中央處理器。選用360°網(wǎng)絡(luò)攝像頭，通過(guò)4G或WIFI直接與云服務(wù)器相連接。

2 多特征昆蟲(chóng)識(shí)別算法

2.1 生命特征識(shí)別原理

2.1.1 昆蟲(chóng)計(jì)數(shù)方法 通過(guò)紅外對(duì)射計(jì)數(shù)傳感器進(jìn)行昆蟲(chóng)計(jì)數(shù)。當(dāng)有昆蟲(chóng)通過(guò)時(shí)光被遮擋住，接收模塊通過(guò)輸出的高電平脈沖進(jìn)行昆蟲(chóng)計(jì)數(shù)統(tǒng)計(jì)。為提高紅外監(jiān)測(cè)范圍和精確度，在每個(gè)監(jiān)測(cè)區(qū)域可采用多紅外對(duì)射計(jì)數(shù)傳感器進(jìn)行部署監(jiān)測(cè)，部署方式根據(jù)傳感器監(jiān)測(cè)范圍和監(jiān)測(cè)區(qū)域的地形等決定。2.1.2 昆蟲(chóng)活體監(jiān)測(cè)方法 超聲波是一種振動(dòng)頻率高于聲波的機(jī)械波，在碰到活動(dòng)物體能產(chǎn)生多普勒效應(yīng)。目前超聲波傳感器廣泛應(yīng)用在工業(yè)、國(guó)防、生物醫(yī)學(xué)等方面。超聲波傳感器特別適合“空氣”介質(zhì)工作，更適合精確監(jiān)測(cè)相對(duì)較小的物體。

本文在每個(gè)監(jiān)測(cè)區(qū)域都部署了超聲波傳感器。將發(fā)送器和接收器布置在昆蟲(chóng)監(jiān)測(cè)范圍的中心，反射板置于監(jiān)測(cè)范圍的邊緣，并以無(wú)昆蟲(chóng)遮擋時(shí)的反射波衰減值作為基準(zhǔn)值，當(dāng)反射波衰減值比基準(zhǔn)值小時(shí)，說(shuō)明監(jiān)測(cè)范圍內(nèi)有昆蟲(chóng)通過(guò)，從而實(shí)現(xiàn)昆蟲(chóng)活體監(jiān)測(cè)。

2.2 聲音特征識(shí)別原理 聲音識(shí)別采用了人類語(yǔ)音識(shí)別領(lǐng)域的技術(shù)〔11〕，并在這個(gè)基礎(chǔ)上提出一種新穎的、簡(jiǎn)單可行的昆蟲(chóng)聲音自動(dòng)鑒別方法，用聲音參數(shù)作為昆蟲(chóng)聲紋識(shí)別設(shè)計(jì)了一種簡(jiǎn)單易行的識(shí)別算法。

聲音信號(hào)首先經(jīng)過(guò)預(yù)處理、分段得到一系列的聲音樣本，然后從聲音樣本中提取Mel倒譜系數(shù)（Mel Frequency Cepstrum Coefficient，MFCC），并用LBG（Linde-Buzo-Gray）算法對(duì)提取的MFCC進(jìn)行矢量量化（VQ），所得碼字作為聲音樣本的特征模型。聲音識(shí)別流程見(jiàn)圖3。

圖3 基于VQ的昆蟲(chóng)聲音識(shí)別流程圖

本文中采用LBG算法形成代表聲紋特征的VQ碼本，LBG算法是由Linde Y、Buzo A和Gray RM三人提出的。此算法按最近鄰準(zhǔn)則用初始碼本中的各個(gè)碼字對(duì)訓(xùn)練序列進(jìn)行劃分，從而形成J個(gè)子集，每一子集為一類，J為碼本容量〔12〕。

2.3 顏色特征識(shí)別原理 顏色作為物種的固有特征，是進(jìn)行物種鑒定的重要依據(jù)之一。本文采用RGB圖像顏色分布直方圖的方法，首先將H分量量化16級(jí)，將S分量和V分量分別量化為4級(jí)，然后將3個(gè)顏色分量合成為一維特征向量：

其中，QS、QV分別是S和V的量化級(jí)數(shù)，L取值范圍［0，255］，最后計(jì)算L的直方圖分布，根據(jù)圖像RGB值判斷識(shí)別對(duì)象的顏色。L計(jì)算方法如下：顏色特征識(shí)別算法流程見(jiàn)圖4。

2.4 算法實(shí)現(xiàn)步驟 第一，先利用硬件平臺(tái)上的紅外識(shí)別模塊和超聲波模塊來(lái)識(shí)別周圍有無(wú)生命跡象，模塊正面感應(yīng)范圍為5～7 m，感應(yīng)角度＜100°，最外圍感應(yīng)距離為3～4 m。若能在此范圍內(nèi)識(shí)別到有生命跡象則昆蟲(chóng)計(jì)數(shù)，并執(zhí)行下一步算法，即聲音識(shí)別算法，若監(jiān)測(cè)不到周圍3～5 m范圍內(nèi)有生命跡象，則結(jié)束算法。

圖4 顏色特征識(shí)別算法流程圖

第二，完成上一步紅外識(shí)別算法之后執(zhí)行基于Mel倒普系數(shù)和VQ的聲音識(shí)別算法，本次聲音監(jiān)測(cè)算法的頻率范圍在3～8 KHz，如果被識(shí)別對(duì)象的聲音頻率在此范圍內(nèi)，則執(zhí)行下一步算法，即顏色識(shí)別算法，若被識(shí)別對(duì)象的聲音頻率不在此頻率范圍之內(nèi)，則結(jié)束算法。

第三，完成上一步聲音識(shí)別算法之后執(zhí)行基于RGB彩色圖像直方圖的方法來(lái)監(jiān)測(cè)識(shí)別對(duì)象的顏色，通過(guò)定義R、G、B3個(gè)數(shù)值的范圍，R取值范圍是0～255，G取值范圍是0～255，B取值范圍是0～255，根據(jù)RGB三原色的3個(gè)數(shù)值來(lái)判斷識(shí)別對(duì)象的顏色。

2.5 算法程序設(shè)計(jì) 根據(jù)上節(jié)算法實(shí)現(xiàn)步驟，算法程序設(shè)計(jì)流程見(jiàn)圖5。

圖5 程序設(shè)計(jì)流程圖

圖7 原始聲音信號(hào)圖和FFT后的波形圖

3 系統(tǒng)仿真與性能分析

3.1 昆蟲(chóng)聲音識(shí)別仿真分析 蟈蟈屬于直翅目螽斯科，其翅短，鳴聲清脆響亮。體色分綠色和褐色兩種，身形碩大。本文選用蟈蟈作為實(shí)驗(yàn)對(duì)象，對(duì)其聲音和顏色進(jìn)行實(shí)驗(yàn)識(shí)別測(cè)試。

利用Matlab進(jìn)行聲音識(shí)別仿真設(shè)計(jì)與性能分析，實(shí)驗(yàn)結(jié)果見(jiàn)圖6～7。

圖6 昆蟲(chóng)聲音識(shí)別算法仿真GUI界面

從圖7可見(jiàn)：原始語(yǔ)音信號(hào)經(jīng)過(guò)傅里葉變換信號(hào)比較平穩(wěn)。語(yǔ)音波形是時(shí)間的連續(xù)函數(shù)，因而音到音之間有逐漸過(guò)渡。

3.2 昆蟲(chóng)顏色識(shí)別仿真分析 利用Matlab進(jìn)行聲音識(shí)別仿真設(shè)計(jì)與性能分析，實(shí)驗(yàn)結(jié)果見(jiàn)圖8～10。

圖8 昆蟲(chóng)顏色識(shí)別算法仿真GUI界面

圖9 蟈蟈彩色圖像的H、S、V分量圖

由圖9可見(jiàn)：首先將H分量量化16級(jí)，將S分量和V分量分別量化為4級(jí)，然后將3個(gè)顏色分量合成為一維特征向量L，得出H、S、V的分量圖，然后通過(guò)H、S、V的分量圖畫(huà)出色彩量化后的RGB圖像。

RGB_image=cat（3，PR，PG，PB）；%將 PR、PG、PB 3個(gè)矩陣在第3個(gè)維度上進(jìn)行級(jí)聯(lián)，進(jìn)行圖像合成

PR=RGB_image（：，：，1）；%提取紅色分量PG=RGB_image（：，：，2）；%提取綠色分量PB=RGB_image（：，：，3）；%提取藍(lán)色分量

從圖10仿真結(jié)果可得：仿真圖的橫坐標(biāo)表示的是圖像中各個(gè)像素點(diǎn)的灰度級(jí)，而縱坐標(biāo)表示的是各個(gè)灰度級(jí)上各個(gè)像素點(diǎn)出現(xiàn)的次數(shù)。在［0～100］這一灰度級(jí)上，B值出現(xiàn)的次數(shù)比R和G都多，即藍(lán)色值點(diǎn)數(shù)多。在［100～255］這156個(gè)灰度級(jí)上，G值出現(xiàn)的次數(shù)明顯高于R和B，說(shuō)明綠色值點(diǎn)數(shù)多。由此表明識(shí)別的彩色圖像偏于綠色。

3.3 算法性能分析 昆蟲(chóng)識(shí)別算法可以根據(jù)目標(biāo)識(shí)別處理的層次進(jìn)行區(qū)分。監(jiān)測(cè)、分類和識(shí)別是目標(biāo)識(shí)別性能的前3個(gè)層次。

目標(biāo)監(jiān)測(cè)：從傳感器數(shù)據(jù)中發(fā)現(xiàn)潛在目標(biāo)是否存在的處理過(guò)程。

目標(biāo)分類：區(qū)分目標(biāo)類型的處理，即區(qū)分識(shí)別對(duì)象的類別，例如昆蟲(chóng)是屬于哪一目哪一科。

圖10 蟈蟈彩色圖像的R、G、B值

目標(biāo)識(shí)別：在更高層次的給定目標(biāo)類型中辨認(rèn)出目標(biāo)。就是在某一科或者某一種昆蟲(chóng)中識(shí)別出具體是哪一種昆蟲(chóng)。

已有的昆蟲(chóng)圖像分割技術(shù)，都是根據(jù)昆蟲(chóng)的圖像進(jìn)行特征的提取，再通過(guò)分類算法、ID3決策樹(shù)方法、邊緣監(jiān)測(cè)算子、相關(guān)反饋方法等算法進(jìn)行昆蟲(chóng)的識(shí)別和分類〔13-14〕。故本文對(duì)相關(guān)反饋方法、圖像邊緣監(jiān)測(cè)算法以及本文智能昆蟲(chóng)識(shí)別算法3種昆蟲(chóng)識(shí)別算法進(jìn)行時(shí)間復(fù)雜度和空間復(fù)雜度比較分析，以發(fā)現(xiàn)算法在時(shí)間和空間上的效率。

3.3.1 時(shí)間復(fù)雜度 算法的時(shí)間復(fù)雜度即一個(gè)算法執(zhí)行所消耗的時(shí)間，一個(gè)算法花費(fèi)的時(shí)間與算法中語(yǔ)句的執(zhí)行次數(shù)是成正比的，一個(gè)算法中的語(yǔ)句執(zhí)行次數(shù)稱為時(shí)間頻度或語(yǔ)句頻度。所謂時(shí)間復(fù)雜度就是執(zhí)行本次算法所需要的計(jì)算工作量。時(shí)間復(fù)雜度用O表示為

根據(jù)3種算法的運(yùn)行時(shí)間，以頻度n作為自變量，時(shí)間t作為因變量，得出算法時(shí)間復(fù)雜度比較，見(jiàn)圖11。

圖11 算法時(shí)間復(fù)雜度比較

由圖11可見(jiàn)：智能昆蟲(chóng)識(shí)別算法的時(shí)間復(fù)雜度是最小的。在時(shí)間上驗(yàn)證了智能昆蟲(chóng)識(shí)別算法的優(yōu)越性。

3.3.2 空間復(fù)雜度 與時(shí)間復(fù)雜度類似，空間復(fù)雜度是指算法在計(jì)算機(jī)內(nèi)執(zhí)行時(shí)所需存儲(chǔ)空間的度量。算法執(zhí)行期間所需要的存儲(chǔ)空間包括3個(gè)部分：算法程序所占的空間、輸入的初始數(shù)據(jù)所占的存儲(chǔ)空間、算法執(zhí)行過(guò)程中所需要的額外空間。算法的空間復(fù)雜度用O′來(lái)表示為

根據(jù)3種算法的程序占用空間即使用的資源，以頻度n作為自變量，使用資源作為因變量，得出算法空間復(fù)雜度比較，見(jiàn)圖12。

圖12 算法空間復(fù)雜度比較

由圖12可見(jiàn)：智能昆蟲(chóng)識(shí)別算法的空間復(fù)雜度是最小的，即程序占用存儲(chǔ)空間是最少的。在空間上驗(yàn)證了智能昆蟲(chóng)識(shí)別算法的優(yōu)越性。

4 結(jié)論

本文基于單片機(jī)和無(wú)線傳感器，將傳感器模塊嵌入單片機(jī)，利用傳感器網(wǎng)絡(luò)成本低廉、部署方便以及靈活的特點(diǎn)，根據(jù)昆蟲(chóng)的紅外、聲音、顏色等特征設(shè)計(jì)了基于多特征昆蟲(chóng)智能識(shí)別與監(jiān)測(cè)系統(tǒng)，通過(guò)時(shí)間復(fù)雜度和空間復(fù)雜度驗(yàn)證了算法的可行性和智能化。

該昆蟲(chóng)智能識(shí)別與實(shí)時(shí)監(jiān)測(cè)系統(tǒng)目前已應(yīng)用于國(guó)家自然科學(xué)基金“洱海濕地昆蟲(chóng)群落普適生境網(wǎng)絡(luò)生態(tài)行為研究”項(xiàng)目昆蟲(chóng)智能采集中。實(shí)驗(yàn)基地分別設(shè)在洱海月濕地公園、羅時(shí)江濕地、洱源東湖濕地3個(gè)濕地，可識(shí)別出典型的直翅目、革翅目、鞘翅目等昆蟲(chóng)種群。但昆蟲(chóng)識(shí)別準(zhǔn)確率還有待大量應(yīng)用測(cè)試與統(tǒng)計(jì)分析。

〔1〕劉璇.不同誘捕技術(shù)對(duì)鞘翅目誘捕效果比較及昆蟲(chóng)多樣性研究〔D〕.哈爾濱：東北林業(yè)大學(xué)，2015.

〔2〕任瑩瑩，匡紅梅.人臉監(jiān)測(cè)與識(shí)別綜述〔J〕.科技廣場(chǎng)，2009（9）：114-115.

〔3〕林明江，安玉興，管楚雄，等.害蟲(chóng)誘捕器的研究與應(yīng)用進(jìn)展〔J〕.廣東農(nóng)業(yè)科學(xué)，2011，38（9）：68-71.

〔4〕徐源浩，齊煥芳.基于ELM理論的昆蟲(chóng)分類〔J〕.電子科技，2015，28（3）：33-37.

〔5〕余俊霖.昆蟲(chóng)實(shí)時(shí)捕捉、監(jiān)測(cè)與死亡時(shí)間診斷的研究〔D〕.杭州：浙江大學(xué)，2014.

〔6〕孫衛(wèi)偉，田懷軍，余小平，等.一種昆蟲(chóng)跟蹤裝置：重慶，CN102630644A〔P〕.2012-08-15.

〔7〕胡逢付，吳少虹，陳岳平.慶元松源溪濕地昆蟲(chóng)資源調(diào)查初報(bào)〔J〕.林業(yè)科技情報(bào)，2016，48（4）：40-43.

〔8〕賈克鋒，童翠姣，徐志宏，等.衢州烏溪江國(guó)家濕地公園昆蟲(chóng)調(diào)查及區(qū)系分析〔J〕.浙江林業(yè)科技，2015，35（3）：61-67.

〔9〕賈克鋒，童翠姣，徐志宏，等.烏溪江國(guó)家濕地公園昆蟲(chóng)種類調(diào)查和種群多樣性分析〔J〕.浙江林業(yè)科技，2015，35（5）：76-79.

〔10〕和秋菊，易傳輝，楊宇明，等.云南高原水生昆蟲(chóng)研究概況〔J〕.西南農(nóng)業(yè)學(xué)報(bào)，2012，25（1）：314-317.

〔11〕劉璇，胡春祥，曹傳旺，等.3種植物源引誘劑對(duì)鞘翅目甲蟲(chóng)引誘效果比較〔J〕.林業(yè)科學(xué)，2016，52（10）：153-160.

〔12〕竺樂(lè)慶，王鴻斌，張真.基于Mel倒譜系數(shù)和矢量量化的昆蟲(chóng)聲音自動(dòng)鑒別〔J〕.昆蟲(chóng)學(xué)報(bào)，2010，53（8）：901-907.

〔13〕王江寧，紀(jì)力強(qiáng).昆蟲(chóng)圖像分割方法及其應(yīng)用〔J〕.昆蟲(chóng)學(xué)報(bào)，2011，54（2）：211-217.

〔14〕蘭紅，王璇.基于多元線性回歸的昆蟲(chóng)圖像分割方法〔J〕.計(jì)算機(jī)應(yīng)用與軟件，2013，30（7）：193-196.