基于python+opencv+实现的昆虫识别和数目统计（高准确率识别）+UI界面+源码+项目文档+毕业论文（毕业设计&课程设计...

# Insect_Identification ## 项目介绍： #### 名称： 基于机器视觉的害虫种类及数量检测 #### 要求： 数目检测和昆虫种类识别 ## 项目进度 - [x] 2017/4/8---------二值化 - [x] 2017/4/9---------图片中昆虫虫体计数 - [x] 2017/4/22-------PyQt和OpenCV_VideoFrame结合做出基本界面 - [x] 摄像头Frame中检测虫体数目，并在界面中显示标出 - [x] 学习昆虫图像特征的提取，参考论文中提出的几个特征量 - [x] 提取特征量并进行保存 - [x] 按照神经网络方法搭建训练模型 - [x] 搭建了线性SVM分类训练器 - [x] 将特征提取和UI界面建立连接，实现拍照和预测判断一体 ## 机器学习训练算法（参考Python机器学习） * LogisticRegression * SGDClassfier 还没有尝试 * LinearSVM * 朴素贝叶斯 (文本分类，不用) * K邻近（分类） * 决策树，不用 * 集成模型，不用 ## 文件介绍 * 用户界面 * MainWindow.ui-----------------------PyQtDesigner设计的主界面文件 * MainWindow.py----------------------PyUIC转换而成的主界面程序 * 运行逻辑 * VideoMainWindow.py--------------PyQt结合OpenCV实现在界面中显示视频画面 * PreProcess.py-------------------------对源数据样本进行预处理 * 特征提取 * P_circle.py------------------------------似圆度 * P_extend.py----------------------------延长度 * P_leaf.py--------------------------------叶状性 * P_rect.py--------------------------------矩形度 * P_spherical.py------------------------球形度 * GetFeatures.py-----------------------提取特征的模块 * GetFiveFeatures.py-----------------五个特征提取的测试代码 * FeatureExtract.py-------------------提取样本库特征保存到CSV文件 * * 机器学习模块 * LinearSVM.py-------------------------线性SVM分类器的训练和模型保存 * LinearRegression.py---------------逻辑回归分类器的训练和模型保存 * KneiborsClassfier.py---------------KNN分类器的训练和模型保存 * Predict.py------------------------------加载预训练模型，对特征进行预测 * Thresholding.py---------------------------大津法程序实现和OpenCV大津法函数的效果对比 * Count.py-------------------------------------实现加载图片，二值化（大津法），查找轮廓进行计数的效果 * GetChineseName.py--------------------分类中英文转换 ## 参考书籍 1. 《OpenCV3 计算机视觉Python语言实现》 2. 《机器学习》 3. 《Python机器学习实践与Kaggle实战》 ## 参考链接及对应解决方案 #### 1. 计数 1. 大米计数（http://blog.csdn.net/jia20003/article/details/7605653） 2. 二值化大津法原理介绍（http://www.cnblogs.com/herway/archive/2011/09/23/2186698.html） 3. OpenCV二值化教程（http://docs.opencv.org/3.0-beta/doc/py_tutorials/py_imgproc/py_thresholding/py_thresholding.html#thresholding）