IntroductionReliable species identi

Introduction
Reliable species identification is an importantfirst step to carry
out most advanced biological work, and is necessary to study
evolutionary and developmental processes (McMillan et al., 2002;
Silveira and Monteiro, 2009). The identification process is also
necessary for monitoring the spread of pollution and disease
vectors and to identify areas of biodiversity (O'Neill and Gaston,
2004; Rua et al., 2009). Despite these necessities, the community of
taxonomic experts and amateurs who can perform reliable
identifications has decreased because traditional taxonomic prod-ucts such as printed keys are difficult to use without an adequate
reference collection and professional knowledge (Gaston and May,
1992; Weeks and Gaston, 1997; Weeks et al., 1999a, 1999b;
Hopkins and Freckleton, 2002).
Along with the development of digital image processing tech-nology and pattern recognition techniques, improved methods have
been suggested for automatically identifying species based on the
feature extraction of image shapes (Arbuckle et al., 2001; Schroder
et al., 2002; Larios et al., 2007, 2008). These methods were helpful
in coping with managing the so-called “taxonomy crisis” (Dayrat,
2005).
Most research on automatic species identification has been
devoted to “mass identifications.” Such identification methods
classify many images of unidentified specimens amassed in a
database through an automated system such as parallel computing,
which is equipped with exceptional computing power. They are
limited in their efficiency and accuracy of identification because of the
large computational load and calculation time (Reed, 2010). Among
animal species, butterflies are difficult to identify because the features
that distinguish them (e.g., shape, wing venation, opened and closed
wing color, etc.) are complicated and subtle (Mayo and Watson,
2007). Wing color pattern is a good candidate feature to identify the
species of a given specimen (French, 1997; Bhanu et al., 2008).
However, it is difficult to extract wing venation from captured images
of certain butterfly species, such asYpthima motshulskyi, owing to the
showy color pattern. In addition, the amount of memory and
computing power required make it inappropriate for mobile devices.
To overcome these difficulties, we used branch length similarity
(BLS) entropy (Lee, 2010; Lee et al., 2010, 2011) for the boundary
shape pattern of a butterfly as the feature to automatically identify
butterfly species. Each specimen was represented by a 360-dimensional vector composed of the BLS entropies of 360 points on
the boundary shape. A single neural network system based on the
backpropagation algorithm was designed to address the issue of
automatic multi-species classification for butterflies. The input
vectors were fed to the neural network system for training and
testing. To test the validity of our method, we compared its
performances in terms of accuracy and training time with those of
another single neural network system in which binary raw images
represented by a binary sequence vector were used with the length of
image size as the feature.
Journal of Asia-Pacific Entomology 15 (2012) 431–435
⁎ Corresponding author. Tel.: [phone]; fax: [phone].
E-mail addresses:[e-mail], [e-mail](S.-H. Lee).
1226-8615/$–see front matter © Korean Society of Applied Entomology, Taiwan Entomological Society and Malaysian Plant Protection Society

ผลลัพธ์ (ไทย) 1:

แนะนำสายพันธุ์ที่เชื่อถือได้มีขั้นตอนการ importantfirst เพื่อดำเนินการออกส่วนใหญ่ขั้นสูงงานชีวภาพ และจำเป็นต้องศึกษากระบวนการวิวัฒนาการ และพัฒนา (McMillan et al., 2002Silveira ก Monteiro, 2009) เป็นการระบุจำเป็นสำหรับการตรวจสอบการแพร่กระจายของมลพิษและโรคเวกเตอร์และระบุพื้นที่ของความหลากหลายทางชีวภาพ (โอนีลและกาสตัน2004 เรือ et al., 2009) แม้ มีปัจจัยเหล่านี้ ของผู้เชี่ยวชาญอนุกรมวิธานและมือสมัครเล่นที่สามารถเชื่อถือได้รหัสลดเนื่องจาก ucts อนุกรมวิธานผลิตภัณฑ์ดั้งเดิมเช่นแป้นพิมพ์ยากใช้ โดยมีเพียงพอคอลเลกชันอ้างอิงและความรู้ระดับมืออาชีพ (กาสตันและพฤษภาคม1992 สัปดาห์และกาสตัน 1997 สัปดาห์ et al., 1999a, 1999bฮ็อปกินส์และ Freckleton, 2002)พร้อมกับการพัฒนาเทคนิครู้ nology เทคนิคและรูปแบบการประมวลผลภาพดิจิตอล มีวิธีการปรับปรุงการแนะนำสำหรับการระบุสปีชีส์ตามโดยอัตโนมัติแยกลักษณะของรูปร่าง (Arbuckle et al., 2001 Schroderและ al., 2002 Larios et al., 2007, 2008) วิธีการเหล่านี้มีประโยชน์ในการรับมือกับการจัดการเรียกว่า "วิกฤตระบบ" (Dayrat2005)งานวิจัยส่วนใหญ่ระบุชนิดอัตโนมัติได้ทุ่มเทเพื่อ "มวลรหัส" วิธีการระบุดังกล่าวจัดประเภทไว้เป็นตัวอย่างไม่ได้ระบุที่อยู่ไว้ในภาพหลายแบบฐานข้อมูลผ่านระบบอัตโนมัติเช่นการคำนวณแบบขนานซึ่งมาพร้อมกับพลังพิเศษคอมพิวเตอร์ พวกเขาจะจำกัดในประสิทธิภาพและความถูกต้องของรหัสเนื่องจากการคำนวณโหลดมีขนาดใหญ่และการคำนวณเวลา (Reed, 2010) ระหว่างพันธุ์สัตว์ ผีเสื้อจะยากเนื่องจากลักษณะการทำงานที่แตกต่าง (เช่น รูปร่าง วิง venation เปิด และปิดปีกสี ฯลฯ) มีความซับซ้อน และละเอียดอ่อน (Mayo และ Watson2007) ปีกสีลายมีคุณลักษณะเหมาะในการระบุการชนิดของตัวอย่างที่กำหนด (ฝรั่งเศส 1997 Bhanu et al., 2008)อย่างไรก็ตาม ก็ยากที่จะแยก venation วิงจากการจับภาพบางพันธุ์ผีเสื้อ เช่น motshulskyi asYpthima, owing เพื่อลายสีฉูดฉาด นอกจากนี้ จำนวนของหน่วยความจำ และคอมพิวเตอร์ต้องใช้พลังงานทำให้ไม่เหมาะสมสำหรับอุปกรณ์โมบายเพื่อเอาชนะความยากลำบากเหล่านี้ เราใช้สาขายาวคล้ายเอนโทรปี (BLS) (Lee, 2010 ลีเอส al., 2010, 2011) ในขอบเขตรูปแบบรูปร่างของผีเสื้อเป็นคุณลักษณะที่ระบุโดยอัตโนมัติผีเสื้อพันธุ์ แต่ละตัวอย่างถูกแทน ด้วยเวกเตอร์มิติ 360 ประกอบด้วย entropies BLS คะแนน 360 บนร่างขอบเขตงาน ระบบเครือข่ายประสาทเดียวตามอัลกอริทึม backpropagation ถูกออกแบบมาเพื่อแก้ไขปัญหาของจัดประเภทหลายชนิดอัตโนมัติสำหรับผีเสื้อ การป้อนข้อมูลเวกเตอร์ได้ติดตามระบบประสาทสำหรับการฝึกอบรม และทดสอบ การทดสอบถูกต้องของวิธีการของเรา เราเทียบความแสดงความถูกต้องและเวลาการฝึกอบรมกับระบบเครือข่ายประสาทเดี่ยวอีกภาพดิบที่ไบนารีแสดง โดยเวกเตอร์ฐานลำดับใช้ความยาวของขนาดภาพเป็นลักษณะการทำงานสมุดรายวันของเอเชีย-แปซิฟิกกีฏวิทยา 15 (2012) 431-435ผู้ที่เกี่ยวข้อง⁎ โทรศัพท์: + 82 42 717 5736 โทรสาร: + 82 42 717 5758อีเมล์ addresses:[e-mail], [e-mail](S.-H. ลี)1226-8615 / $– ดูหน้าเรื่องเกาหลี © สมาคมกีฏวิทยาประยุกต์ สังคม Entomological ไต้หวัน และมาเลเซียพืชป้องกันสังคม

ผลลัพธ์ (ไทย) 2:

บทนำ
การระบุสายพันธุ์ที่เชื่อถือได้เป็นขั้นตอนที่จะดำเนินการ importantfirst
งานทางชีวภาพที่ทันสมัยที่สุดและเป็นสิ่งที่จำเป็นในการศึกษา
กระบวนการวิวัฒนาการและการพัฒนา (McMillan et al, 2002;.
เวร่าและมอนเต, 2009) การระบุยังเป็น
สิ่งที่จำเป็นสำหรับการตรวจสอบการแพร่กระจายของมลพิษและโรค
เวกเตอร์และเพื่อระบุพื้นที่ของความหลากหลายทางชีวภาพ (โอนีลและแกสตัน,
2004;. Rua et al, 2009) แม้จะมีความจำเป็นเหล่านี้ชุมชนของ
ผู้เชี่ยวชาญด้านอนุกรมวิธานและมือสมัครเล่นที่สามารถดำเนินการที่เชื่อถือได้
ระบุได้ลดลงเพราะแยง ucts-อนุกรมวิธานแบบดั้งเดิมเช่นแป้นพิมพ์เป็นเรื่องยากที่จะใช้โดยไม่เพียงพอ
คอลเลกชันอ้างอิงและความรู้ทางวิชาชีพ (แกสตันและพฤษภาคม
1992; สัปดาห์และแกสตัน 1997; สัปดาห์และคณะ, 1999a, 1999b;.
. ฮอปกินส์และ Freckleton, 2002)
พร้อมกับการพัฒนาของการประมวลผลภาพดิจิตอลเทคโนโลยี nology และรูปแบบการรับรู้เทคนิควิธีการที่ดีขึ้นได้
รับการแนะนำโดยอัตโนมัติสำหรับการระบุสายพันธุ์ขึ้นอยู่กับ
คุณสมบัติของการสกัด รูปทรงของภาพ (เคิลและคณะ, 2001;. Schroder
et al, 2002;.. Larios, et al, 2007, 2008) วิธีการเหล่านี้มีประโยชน์
ในการรับมือกับการจัดการที่เรียกว่า "วิกฤตอนุกรมวิธาน" (Dayrat,
2005).
การวิจัยมากที่สุดในการระบุสายพันธุ์โดยอัตโนมัติได้รับการ
ทุ่มเทให้กับ "ระบุมวล." วิธีการระบุดังกล่าว
จำแนกหลายภาพของตัวอย่างที่ไม่ได้ระบุไว้ใน
ฐานข้อมูล ผ่านระบบอัตโนมัติเช่นการคำนวณแบบขนาน
ซึ่งเป็นอุปกรณ์ที่มีพลังในการคำนวณพิเศษ พวกเขาจะถูก
จำกัด ในประสิทธิภาพและความถูกต้องของบัตรประจำตัวของพวกเขาเพราะ
โหลดคำนวณขนาดใหญ่และเวลาในการคำนวณ (กก 2010) ในบรรดา
สัตว์ชนิดผีเสื้อเป็นเรื่องยากที่จะระบุเพราะคุณสมบัติ
ที่แตกต่าง (เช่นรูปร่างลายเส้นปีกเปิดและปิด
สีปีก ฯลฯ ) มีความซับซ้อนและละเอียดอ่อน (Mayo และวัตสัน,
2007) รูปแบบสีปีกเป็นคุณลักษณะที่ผู้สมัครที่ดีในการระบุ
สายพันธุ์ของชิ้นงานที่กำหนด (ฝรั่งเศส,. 1997; Bhanu et al, 2008).
แต่ก็เป็นเรื่องยากที่จะดึงปีกลายเส้นจากภาพที่บันทึก
ของผีเสื้อชนิดบางอย่างเช่น asYpthima motshulskyi, เนื่องจาก
รูปแบบสีฉูดฉาด นอกจากนี้ปริมาณของหน่วยความจำและ
. พลังการประมวลผลที่ต้องการทำให้มันไม่เหมาะสมสำหรับอุปกรณ์มือถือ
เพื่อเอาชนะปัญหาเหล่านี้เราใช้ความคล้ายคลึงกันสาขาความยาว
(BLS) เอนโทรปี (ลี 2010;. ลีและคณะ, 2010, 2011) สำหรับขอบเขต
รูปร่าง รูปแบบของผีเสื้อเป็นคุณสมบัติโดยอัตโนมัติระบุ
ผีเสื้อชนิด แต่ละชิ้นงานถูกแทนด้วยเวกเตอร์ 360 มิติประกอบด้วย entropies BLS 360 จุดบน
รูปร่างเขตแดน ระบบเครือข่ายประสาทเดียวขึ้นอยู่กับ
ขั้นตอนวิธีการแพร่กระจายย้อนกลับได้รับการออกแบบมาเพื่อแก้ไขปัญหาของ
การจัดหมวดหมู่หลายสายพันธุ์โดยอัตโนมัติสำหรับผีเสื้อ ป้อนข้อมูล
เวกเตอร์ได้รับการเลี้ยงดูให้กับระบบเครือข่ายประสาทสำหรับการฝึกอบรมและ
การทดสอบ เพื่อทดสอบความถูกต้องของวิธีการของเราเราเมื่อเทียบกับของ
การแสดงในแง่ของความถูกต้องและเวลาการฝึกอบรมกับของ
ระบบเครือข่ายประสาทเดียวในการที่ภาพดิบไบนารี
แทนด้วยเวกเตอร์ลำดับไบนารีถูกนำมาใช้กับความยาวของ
ขนาดภาพเป็นคุณสมบัติ
วารสารเอเชียแปซิฟิกกีฏวิทยา 15 (2012) 431-435
⁎ผู้เขียนสอดคล้องกัน Tel .: [phone]; . แฟกซ์: [phone]
. ที่อยู่ E-mail: [e-mail], [e-mail] (. S. -H ลี)
1226-8615 / $ - ดูเรื่องด้านหน้า©สังคมเกาหลี ประยุกต์กีฏวิทยาไต้หวันสมาคมกีฏวิทยาและมาเลเซียพืชคุ้มครองสังคม

ผลลัพธ์ (ไทย) 3:

บทนำ
ที่เชื่อถือได้ระบุเป็นชนิด importantfirst ขั้นตอนที่จะพก
งานทางชีวภาพที่ทันสมัยที่สุด และเป็นสิ่งที่จำเป็นเพื่อศึกษากระบวนการวิวัฒนาการและพัฒนาการ
( McMillan et al . , 2002 ;
Silveira และ มอนเตโร่ , 2009 ) กระบวนการระบุยัง
ที่จําเป็นสําหรับการตรวจสอบการแพร่กระจายของมลภาวะและพาหะโรค
และระบุพื้นที่ของความหลากหลายทางชีวภาพ ( O '
แล้วสตัน2004 ; รัว et al . , 2009 ) แม้จะมีปัจจัยเหล่านี้ ชุมชนของผู้เชี่ยวชาญและมือสมัครเล่นที่อนุกรมวิธาน

มีอะไรบ่งบอกสามารถแสดงความน่าเชื่อถือลดลงเนื่องจากแยง ucts และแบบดั้งเดิมเช่นแป้นพิมพ์เป็นยากที่จะใช้โดยปราศจาก
การอ้างอิงคอลเลกชันและความรู้มืออาชีพ ( สตัน และ อาจ
1992 ; สัปดาห์และแกสตัน , 1997 ; สัปดาห์ et al . , 1999a 1999b , ;
ฮอปกินส์ และ Freckleton , 2002 ) .
พร้อมกับการพัฒนา nology เทคโนโลยีการประมวลผลภาพดิจิตอลและเทคนิคการรู้จำรูปแบบ วิธีการ ปรับปรุง มีการแนะนำสำหรับการระบุสายพันธุ์

โดยอัตโนมัติขึ้นอยู่กับการสกัดลักษณะของรูปร่าง ภาพ ( อาร์บักเกิล et al . , 2001 ; ชรอเดอร์
et al . , 2002 ; ลาริออส et al . , 2007 2008 ) วิธีการเหล่านี้เป็นประโยชน์
ในการรับมือกับการจัดการที่เรียกว่า " วิกฤติอนุกรมวิธาน " ( dayrat

, 2005 ) . การวิจัยมากที่สุดในการระบุชนิดโดยอัตโนมัติได้ถูก
" มวลเพื่อรองรับการแสดงตัวของ " เช่นการจัดภาพได้หลายวิธี

ตัวอย่างไว้ในฐานข้อมูลผ่านระบบอัตโนมัติ เช่น การคำนวณแบบขนาน
ซึ่งเป็นอุปกรณ์ที่มีพลัง คอมพิวเตอร์ที่ยอดเยี่ยม พวกเขา
จำกัดในประสิทธิภาพและความถูกต้องของการระบุเพราะ
โหลดคอมพิวเตอร์ขนาดใหญ่และคำนวณเวลา ( Reed , 2010 ) ระหว่าง
สัตว์ชนิด ผีเสื้อจะยากที่จะระบุ เพราะคุณสมบัติ
ที่แยกพวกเขา ( เช่น รูปร่าง ปีก venation เปิดและปิด
ปีกสี , ฯลฯ ) จะซับซ้อนและบอบบาง ( Mayo และวัตสัน
2007 )ปีกสีรูปแบบเป็นคุณลักษณะตัวเลือกที่ดีเพื่อระบุชนิดของตัวอย่างให้
( ฝรั่งเศส , 1997 ; bhanu et al . , 2008 ) .
แต่มันเป็นเรื่องยากที่จะดึงปีก venation จากภาพบันทึก
ชนิดผีเสื้อบางประเภท asypthima motshulskyi เนื่องจาก
ลวดลายสีสันฉูดฉาด . นอกจากนี้ ปริมาณของหน่วยความจำและการคำนวณพลังงานที่จำเป็นให้

ไม่เหมาะสมสำหรับอุปกรณ์มือถือเพื่อเอาชนะปัญหาเหล่านี้ เราใช้สาขาความยาวความเหมือน
( BLS ) เอนโทรปี ( ลี , 2010 ; ลี et al . , 2010 , 2011 ) สำหรับขอบเขต
รูปร่างรูปแบบของผีเสื้อเป็นคุณลักษณะโดยอัตโนมัติระบุ
ผีเสื้อชนิด แต่ละตัวอย่างถูกแทนด้วย 360 มิติเวกเตอร์ของ BLS entropies 360 จุดบน
ขอบเขตรูปทรง โสดประสาทเครือข่ายระบบขึ้นอยู่กับ
ขั้นตอนวิธีแบบถูกออกแบบมาเพื่อแก้ไขปัญหาของ
อัตโนมัติชนิดหลายประเภทสำหรับผีเสื้อ การป้อนข้อมูล
เวกเตอร์ถูกป้อนให้ระบบโครงข่ายประสาทเทียมเพื่อการฝึกอบรมและ
การทดสอบ เพื่อทดสอบความถูกต้องของวิธีการของเรา เราเปรียบเทียบสมรรถนะของ
ในแง่ของความถูกต้องและเวลาการฝึกอบรมกับผู้
อีกเดียวโครงข่ายประสาทเทียมในระบบ ซึ่งภาพไบนารีดิบ
แทนด้วยลำดับเลขฐานสองเวกเตอร์ที่ใช้กับความยาวของขนาดภาพเป็นคุณสมบัติ
.
วารสารเอเชียแปซิฟิกกีฏวิทยา 15 ( 2012 ) ( 431 435
⁎ที่สอดคล้องกันของผู้เขียน โทร : 82 42 717 5736 ; โทรสาร : 82 42 717 5758 .
อีเมล์ : [e-mail] sunchaos , . ซางฮี @ gmail . com ( S - H . Lee ) .
1226-8615 / $ ) เห็นหน้าเกาหลีเรื่องสงวนลิขสิทธิ์สมาคมประยุกต์กีฏวิทยาไต้หวันสมาคมกีฏวิทยาและคุ้มครองสังคมพืชของมาเลเซีย