Rama-rama selalu dianggap sebagai penunjuk-biologi bagi hutan atau ekologi
oleh pakar entomologi. Daripada pemerhatian ke atas spesis rama-rama tertentu, keadaan
ekologi akan dinilai dan kerosakan ekosistem dapat dikesan secara awal supaya
pendekatan yang sesuai boleh diambil untuk mengurangkan impak dan meneutralisasikan
punca kerosakan itu. Aplikasi pengenalan spesis secara automatik dapat membantu pakar
entomologi untuk meninjau suatu kawasan dengan adanya Pembelajaran Mesin (ML).
Namun, ini bukan sesuatu yang mudah kerana imej yang ditangkap adalah sangat berbeza
dari segi posisi. Dilengkapi dengan perkakasan yang canggih, idea Rangkaian Konvolusi
Neural (CNN) yang dicadangkan pada suatu ketika dahulu akhirnya boleh direalisasikan.
Dalam pertandingan tahunan yang dianjurkan oleh ImageNet iaitu ImageNet Large Scale
Visual Recognition Competition (ILSVRC), kebanyakan pemenang pada beberapa tahun
ini mengintegrasikan idea CNN dalam model mereka. Dalam projek ini, salah satu model
CNN yang terkenal, Inception V3, digunakan sebagai teras bagi sistem pengenalan spesis
rama-rama. Optimasi dilakukan secara berperingkat dengan menjalankan eksperimen
terhadap parameter untuk latihan rangkaian supaya nilai optimum boleh dicapai. Dengan
penggunaan transfer learning, rekod terbaik ralat ialah sebanyak 14.3% bagi sepuluh
spesis yang merangkumi dua pasangan spesis dengan ciri-ciri yang hampir sama. Masa
pemprosesan bagi satu imej adalah kurang daripada 0.15 saat untuk penggunaan Unit
Pemprosesan Grafik (GPU), tiga kali lebih cepat daripada penggunaan Unit Pemprosesan
Pusat (CPU).
_______________________________________________________________________________________________________
For entomologists, butterflies act as a bio-indicator for the health of a forest or an
ecosystem. From the observation of butterflies, the condition of the forest can be
determined and counter-measure can be taken earlier to neutralize or minimize the threat.
The automated identification application, is helpful in assisting entomologist to survey an
area with the implementation of Machine Learning (ML). It was once a difficult challenge
due to uncertainties in the captured images such as obstructions and high variations of
pose. With the hardware getting better and powerful, the concept of Convolutional Neural
Network (CNN) that was once an idea can be realised. It is evident in the object
recognition challenge organised by ImageNet, ImageNet Large Scale Visual Recognition
Challenge (ILSVRC), where CNN produced state-of-the-art result. In this project,
Inception V3 is used as the core engine to power the species recognition system that aims
to help the entomologists to identify the butterfly species. Optimisation is performed by
experimenting in stages with several training parameters to obtain the best value for this
unique purpose. Using transfer learning, the best result recorded is 14.3% error with
capability of identifying ten species, which includes two pairs of butterfly species with
similar features. With Graphics Processing Unit (GPU), the processing time is less than
0.15 seconds per image which is three times faster than using a Central Processing Unit
(CPU).