1.一种基于深度学习及图像技术的昆虫动态行为识别方法，其特征在于：包括如下步骤：

1）、获取数据源视频

a、通过录像设备使用高清摄像头，拍摄视频分辨1920*1080、帧率为25帧每秒的透明培养皿中自由活动的昆虫背面和正面区域场景视频；

2）、处理图像

b、将拍摄的昆虫行为视频筛选整理，按时序逐帧读取，使用图像处理技术对帧图片阈值分割，阈值分割时根据拍摄背景的颜色直方图确定区间阈值，最低阈值low在[60,50,20]至[100,70,60] 范围内确定，最高阈值high在[200,200,200]至[255,255,255]范围内确定，将最低阈值low和最高阈值high之间的颜色值变为255，将最低阈值low和最高阈值high之间的颜色值变为0，从而无噪点地提取图像中的昆虫背景，提取出的部分转换为一个含有昆虫背景信息的灰度图像，将获得的灰度图像矩阵取反，获得该帧中只含有昆虫身体像素信息的图像；

c、将拍摄的昆虫行为视频筛选整理，按时序逐帧读取，对图像进行灰度化处理，生成带有时间信息的灰度图像；

3）、建立识别模型

d、对步骤c中获得的图像通过帧间差分强度局部最大值关键帧提取算法，提取关键点识别训练帧，每分钟视频提取出1‑2帧，提取训练帧后，在训练帧中标记头部和尾部的关键点，训练帧中的数据使用尺度抖动与随机旋转进行增强，尺度抖动的范围为0.5‑1.5，随机旋转的范围为±25，增强后，向数据中添加随机运动模糊与弹性形变；

e、将步骤d处理获得的训练帧输入关键点识别算法DeepLabCut在ImageNet数据集上预训练过的ResNet50训练网络中，通过训练帧对关键点识别算法DeepLabCut进行训练获得一个昆虫头部与尾部关键点识别模型；

f、使用步骤e获得的识别模型识别昆虫动态行为视频，得到每一帧中昆虫头、尾的坐标与预测概率，对于预测概率小于60%的关键点，将其坐标设置为最近一次概率高于60%的坐标值，对坐标和识别模型进行修正；

4）、提取时间空间特征

g、利用训练后的识别模型识别的每一帧的头、尾坐标，以头、尾坐标为中心将视频帧中的昆虫信息图像分别裁剪出2块ROI；

h、时间窗口设定范围t为5‑15帧，重复步骤ft次，将每一块ROI重构、堆叠得到ROI特征提取窗口矩阵T，将矩阵T变换为矩阵F，通过矩阵F获得质心矩阵M；

i、以矩阵M为红色通道保存，以矩阵T中的第二行帧信息为蓝色通道保存,以S‑ROI为绿色通道，生成昆虫时空信息特征图像；

5）、深度学习

j、根据步骤i中生成的时空特征图像特点，将时空特征图像中的昆虫行为分类存放并进行标签标注；

k、利用步骤j分类并标注的时空特征图像对神经网络模型VGG16进行训练，对其网络参数进行修改；

6）、识别分类昆虫动态行为

l、通过步骤k中训练后的神经网络模型VGG16对需要检测的视频数据进行预测，生成ROI区域图像统计结果表；

提取完成时空特征图像进入训练后的神经网络模型VGG16中，神经网络模型VGG16对时空特征图像中的昆虫行为进行识别，分别得出头部区域和尾部区域ROI的预测结果；对两个预测结果加以判断得出最终的行为预测结果，判断方法如下：首先判断该帧是否有行为发生，若头部区域和尾部区域ROI检测结果均无行为，则此帧最终判断为无行为；若其中一个的检测结果为有行为，则有行为的那个ROI的检测结果为此帧最终判断结果；若两个ROI检测结果存在不同种行为，则此帧最终判断结果为其中概率最大ROI的检测结果。

2.根据权利要求1所述的一种基于深度学习及图像技术的昆虫动态行为识别方法，其特征在于：所述的最低阈值low=[80,60,40]，最高阈值high=[255,255,255]。

3.根据权利要求1所述的一种基于深度学习及图像技术的昆虫动态行为识别方法，其特征在于：所述的阈值分割公式为：式中， 为图像中的颜色值；

将获得的 数值填充至矩阵 ：

将矩阵 取反获得的该帧中只含有昆虫身体像素信息的图像矩阵：。

4.根据权利要求1所述的一种基于深度学习及图像技术的昆虫动态行为识别方法，其特征在于：所述的步骤f中裁剪ROI大小根据昆虫大小设置，超出帧边界的区域使用0像素填充为设定的ROI大小。

5.根据权利要求1所述的一种基于深度学习及图像技术的昆虫动态行为识别方法，其特征在于：所述的步骤g中矩阵T为：式中， 为第w帧图像中第 个像素的像素值，为ROI中的像素数量， 为时间窗口的帧数；

将矩阵T进行在列方向上的快速傅里叶变换并取绝对值，得到矩阵F：式中，ABS为取绝对值函数，FFT为快速傅里叶变换函数，参数Ty 表示ROI特征提取窗口矩阵T的列方向矩阵；

将矩阵F在列方向上计算每一个像素的质心，将得到的质心存入向量 中，获得的向量 为：式中， 为第 个像素的质心；

将质心向量 重构为ROI大小的质心矩阵，将矩阵中的元素值大小限制在0到1之间，获得矩阵M：。

6.根据权利要求1所述的一种基于深度学习及图像技术的昆虫动态行为识别方法，其特征在于：所述的时间窗口设定范围t为7帧，重复步骤f7次。

7.根据权利要求1所述的一种基于深度学习及图像技术的昆虫动态行为识别方法，其特征在于：所述的神经网络模型VGG16共有16层，神经网络模型VGG16由13个卷积层、3个全连接层和一个softmax分类器构成，卷积核大小均为3×3。

8.根据权利要求1所述的一种基于深度学习及图像技术的昆虫动态行为识别方法，其特征在于：所述的神经网络模型VGG16网络结构依次描述如下：将输入图片形状转化为(100,100,3)；

经过两次卷积核个数为32 ，卷积核大小为3×3的卷积网络，输出形状为(100,100,

32)，再经过窗口大小为2×2的最大池化层，输出形状为(50,50,32)；

经过两次卷积核个数为64 ，卷积核大小为3×3的卷积网络，输出形状为(50,50,64)，再经过窗口大小为2×2的最大池化层，输出形状为(25,25,64)；

经过三次卷积核个数为128，卷积核大小为3×3的卷积网络，输出形状为(25,25,128)，再经过窗口大小为2×2的最大池化层，输出形状为(13,13,128)；

经过三次卷积核个数为256  ，卷积核大小为3×3的卷积网络，输出形状为(13,13,

256)，再经过窗口大小为2×2的最大池化层，输出形状为(7,7,256)；

经过三次卷积核个数为512 ，卷积核大小为3×3的卷积网络，输出形状为(7,7,512)，再经过窗口大小为2×2的最大池化层，输出形状为(3,3,512)；

前两个全连接层输出形状为均为(1,1,4096),最后一个全连接层输出形状(1,1,num_classes),num_classes为需要判断的昆虫行为类型种类数；

softmax分类器进行分类

按8:2的比例分为训练集和验证集送入卷积神经网络训练，训练50次直至收敛得到完成的模型。