本发明涉及神经网络领域，更具体地涉及一种基于神经网络的分飞蚁群种类与数量估算系统及方法。
背景技术：
1、神经网络是一种模拟人脑神经元网络结构的计算模型，它可以通过学习大量的数据来自动提取数据中的特征，并建立输入与输出之间的复杂映射关系，由多个神经元组成，神经网络能够通过训练来学习数据的特征和模式，并进行图像分类和数量估算任务，在飞蚁种类和数量估算方面，通常会收集飞蚁的图像或视频数据，并利用这些数据来训练神经网络模型，模型训练完成后，可以将新的图像或视频数据输入到模型中，模型会自动输出飞蚁的种类和数量。
2、神经网络模型的训练需要大量的数据，而且数据的质量和多样性对模型的估算精度有很大影响，在飞蚁种类和数量估算中，缺少对数据的预处理以收集高质量、多样性的数据；并且传统方法通常只能对飞蚁的种类和数量进行粗略的估算，难以准确区分不同种类的飞蚁，也无法准确计算出每一种飞蚁的数量，需要人工观察和统计，效率低下，特别是在大规模的生态系统中，需要耗费大量的人力物力才能完成估算任务。
技术实现思路
1、为了克服现有技术的上述缺陷，本发明提供了一种基于神经网络的分飞蚁群种类与数量估算系统及方法，以解决上述背景技术中存在的问题。
2、本发明提供如下技术方案：一种基于神经网络的分飞蚁群种类与数量估算系统，包括：数据采集模块、数据预处理模块、数据标注模块、神经网络模型构建模块、神经网络模型优化模块、种类数量估算模块，以及结果输出模块；
3、所述数据采集模块，利用图像采集设备采集分飞蚁群的图像数据，并且记录分飞蚁群对应的数量和种类，并将采集到的图像数据传输至数据预处理模块；
4、所述数据预处理模块，对数据采集模块采集到的图像数据进行预处理，包括对图像数据进行特征提取、数据校正，并将预处理后的数据传输至数据标注模块；
5、所述数据标注模块，接收数据预处理模块传输的数据，并对数据进行标注，标注每种蚁群的图像对应的数量以及生长环境；
6、所述神经网络模型构建模块，依据数据预处理模块处理后的数据构建神经网络模型，并将神经网络模型传输至神经网络模型优化模块；
7、所述神经网络模型优化模块，将数据标注模块标注的数据输入神经网络模型中，将输出结果与数据标注模块标注的结果对比，结果不一致进行模型优化直至训练结果一致；
8、所述种类数量估算模块，基于神经网络模型优化模块优化后的神经网络模型，输入需要进行种类与数量估算的蚁群数据，估算蚁群的种类与数量，并将估算结果传输至结果输出模块；
9、所述结果输出模块，接收种类数量估算模块得出的估算结果，将估算结果传输至客户端。
10、优选的，所述数据采集模块中采集的图像数据包括图像纹理数据、图像信息量数据和图像位置数据。
11、优选的，所述数据预处理模块中的数据校正通过公式对数据进行校正，其中f'(x)表示数据校正后的数据值，f(x)表示采集数据中的一个数据值，f(x)min表示采集数据中的最小值，f(x)max表示采集数据中的最大值。
12、优选的，所述数据标注模块中通过数据标注软件对蚁群进行数据标注，蚁群种类标注：对每张蚁群图像进行种类标注，包括飞蚁的种类、亚种信息，蚁群数量标注：对每张蚁群图像进行数量标注，标记出每只飞蚁的位置和数量，环境信息标注：对每张蚁群图像进行环境信息标注，包括地理位置、气候条件、植被类型。
13、优选的，所述神经网络模型构建模块，具体内容如下：
14、步骤s01：对图像进行纹理特征提取：一张给定的灰度图像i，经过图像区域分割和灰度量化之后，形成一个l×l的矩阵，而不同的图像区域d沿着不同的角度和距离都会产生一个灰度级对(i，j)，图像纹理特征系数的计算公式为：其中tw表示图像纹理特征系数，f(i,j/d,θ)表示区域d在指向θ角度，距离为d且灰度级对为(i，j)的一对区域对出现的次数；
15、步骤s02：对图像的信息量进行度量提取：一张给定的灰度图像i，经过图像区域分割和灰度量化之后，形成了一个l×l的矩阵，而不同的图像区域d沿着不同的角度和距离都会产生一个灰度级对(i，j)，图像度量系数的计算公式为：其中tr表示图像度量系数，f(i,j/d,θ)表示区域d在指向θ角度，距离为d且灰度级对为(i，j)的一对区域对出现的次数；
16、步骤s03：对图像进行位置特征提取：位置特征系数的计算公式为：其中km表示位置特征系数，n表示图像中的蚁群数量，(xx，yy)表示图像中蚁群的位置信息；
17、步骤s04：构建神经网络模型，神经网络模型综合计算指数的计算公式为：其中α表示神经网络模型综合计算指数，km表示位置特征系数，tw表示图像纹理特征系数，tr表示图像度量系数。
18、优选的，所述神经网络模型优化模块中，将数据标注模块已经标注的数据输入至神经网络模型中，神经网络模型综合计算指数计算输出识别结果，并将识别结果与标注的结果进行对比，多次反复对比，若结果一致，则神经网络模型可正常预测，若结果不一致，则继续强化训练直至结果一致。
19、优选的，所述种类数量估算模块中输入需要进行种类与数量估算的蚁群图像数据，依据神经网络模型计算得出神经网络模型综合计算指数α的数值，将α的数值与预设的取值范围对比，完成蚁群种类与数量的估算。
20、优选的，所述结果输出模块接收经过估算得出的蚁群种类与数量，将结果传输至客户端，并将结果储存至资源库中。
21、基于神经网络的分飞蚁群种类与数量估算方法，用于使用上述任一所述的基于神经网络的分飞蚁群种类与数量估算系统，包括以下步骤：
22、步骤s11：利用图像采集设备采集分飞蚁群的图像数据；
23、步骤s12：对图像数据进行预处理；
24、步骤s13：接收预处理后的数据，并对数据进行标注，标注每种蚁群的图像对应的数量以及生长环境；
25、步骤s14：依据预处理后的图像数据构建神经网络模型；
26、步骤s15：将标注的数据输入神经网络模型中，并将输出结果与数据标注中标注的结果对比；
27、步骤s16：在神经网络模型中输入需要进行种类与数量估算的蚁群数据，估算蚁群的种类与数量；
28、步骤s17：接收估算得出的估算结果，并将估算结果传输至客户端。
29、本发明的技术效果和优点：
30、本发明通过设有数据采集模块、数据预处理模块、数据标注模块、神经网络模型构建模块、神经网络模型优化模块、种类数量估算模块，以及结果输出模块，数据采集模块采集分飞蚁群的图像数据，数据预处理模块对采集到的图像数据进行预处理，数据标注模块接收数据预处理模块传输的数据并对数据进行标注，神经网络模型构建模块构建神经网络模型，神经网络模型优化模块将标注的数据输入神经网络模型中，通过对比完成神经网络模型的优化，种类数量估算模块输入数据估算蚁群的种类与数量，结果输出模块将估算结果传输至客户端，总之，基于神经网络的分飞蚁群种类与数量估算系统及方法可以自动处理大规模的数据集，无需人工干预，能够提高估算效率，通过学习大量的数据来自动提取数据中的特征，并建立输入与输出之间的复杂映射关系，从而得到更准确的估算结果。
1.一种基于神经网络的分飞蚁群种类与数量估算系统，其特征在于：包括：数据采集模块、数据预处理模块、数据标注模块、神经网络模型构建模块、神经网络模型优化模块、种类数量估算模块，以及结果输出模块；
2.根据权利要求1所述的一种基于神经网络的分飞蚁群种类与数量估算系统，其特征在于：所述数据采集模块中采集的图像数据包括图像纹理数据、图像信息量数据和图像位置数据。
3.根据权利要求1所述的一种基于神经网络的分飞蚁群种类与数量估算系统，其特征在于：所述数据预处理模块中的数据校正通过公式对数据进行校正，其中f'(x)表示数据校正后的数据值，f(x)表示采集数据中的一个数据值，f(x)min表示采集数据中的最小值，f(x)max表示采集数据中的最大值。
4.根据权利要求1所述的一种基于神经网络的分飞蚁群种类与数量估算系统，其特征在于：所述数据标注模块中通过数据标注软件对蚁群进行数据标注，蚁群种类标注：对每张蚁群图像进行种类标注，包括飞蚁的种类、亚种信息，蚁群数量标注：对每张蚁群图像进行数量标注，标记出每只飞蚁的位置和数量，环境信息标注：对每张蚁群图像进行环境信息标注，包括地理位置、气候条件、植被类型。
5.根据权利要求1所述的一种基于神经网络的分飞蚁群种类与数量估算系统，其特征在于：所述神经网络模型构建模块，具体内容如下：
6.根据权利要求1所述的一种基于神经网络的分飞蚁群种类与数量估算系统，其特征在于：所述神经网络模型优化模块中，将数据标注模块已经标注的数据输入至神经网络模型中，神经网络模型综合计算指数计算输出识别结果，并将识别结果与标注的结果进行对比，多次反复对比，若结果一致，则神经网络模型可正常预测，若结果不一致，则继续强化训练直至结果一致。
7.根据权利要求1所述的一种基于神经网络的分飞蚁群种类与数量估算系统，其特征在于：所述种类数量估算模块中输入需要进行种类与数量估算的蚁群图像数据，依据神经网络模型计算得出神经网络模型综合计算指数α的数值，将α的数值与预设的取值范围对比，完成蚁群种类与数量的估算。
8.根据权利要求1所述的一种基于神经网络的分飞蚁群种类与数量估算系统，其特征在于：所述结果输出模块接收经过估算得出的蚁群种类与数量，将结果传输至客户端，并将结果储存至资源库中。
9.基于神经网络的分飞蚁群种类与数量估算方法，用于使用上述任一所述的基于神经网络的分飞蚁群种类与数量估算系统，包括以下步骤：
