Among the many deep learning methods, the convolutional neural network (CNN) model has an excellent performance in image recognition. Research on identifying and classifying image datasets using CNN is ongoing. Animal species recognition and classification with CNN is expected to be helpful for various applications. However, sophisticated feature recognition is essential to classify quasi-species with similar features, such as the quasi-species of parrots that have a high color similarity. The purpose of this study is to develop a vision-based mobile application to classify endangered parrot species using an advanced CNN model based on transfer learning (some parrots have quite similar colors and shapes). We acquired the images in two ways: collecting them directly from the Seoul Grand Park Zoo and crawling them using the Google search. Subsequently, we have built advanced CNN models with transfer learning and trained them using the data. Next, we converted one of the fully trained models into a file for execution on mobile devices and created the Android package files. The accuracy was measured for each of the eight CNN models. The overall accuracy for the camera of the mobile device was 94.125%. For certain species, the accuracy of recognition was 100%, with the required time of only 455 ms. Our approach helps to recognize the species in real time using the camera of the mobile device. Applications will be helpful for the prevention of smuggling of endangered species in the customs clearance area.

中文翻译：

---

基于转移学习的CNN模型在濒危鹦鹉物种分类中的实时移动应用

在许多深度学习方法中，卷积神经网络（CNN）模型在图像识别方面具有出色的性能。正在进行使用CNN识别和分类图像数据集的研究。使用CNN进行动物物种识别和分类有望对各种应用有所帮助。但是，复杂的特征识别对于对具有相似特征的准物种进行分类至关重要，例如具有高度颜色相似性的鹦鹉的准物种。这项研究的目的是开发一种基于视觉的移动应用程序，以基于迁移学习的先进CNN模型（某些鹦鹉具有非常相似的颜色和形状）对濒临灭绝的鹦鹉物种进行分类。我们以两种方式获取图像：直接从首尔大公园动物园收集图像，然后使用Google搜索对其进行爬网。随后，我们建立了具有转移学习功能的高级CNN模型，并使用数据对其进行了训练。接下来，我们将经过全面训练的模型之一转换为文件，以便在移动设备上执行，并创建了Android包文件。对八个CNN模型中的每个模型都测量了准确性。移动设备相机的总体准确度为94.125％。对于某些物种，识别的准确度为100％，所需时间仅为455 ms。我们的方法有助于使用移动设备的摄像头实时识别物种。这些应用将有助于防止在清关区走私濒危物种。我们将经过全面训练的模型之一转换为文件，以便在移动设备上执行，并创建了Android软件包文件。对八个CNN模型中的每个模型都测量了准确性。移动设备相机的总体准确度为94.125％。对于某些物种，识别的准确度为100％，所需时间仅为455毫秒。我们的方法有助于使用移动设备的摄像头实时识别物种。这些应用将有助于防止在清关区走私濒危物种。我们将经过全面训练的模型之一转换为文件，以便在移动设备上执行，并创建了Android软件包文件。对八个CNN模型中的每个模型都测量了准确性。移动设备相机的总体准确度为94.125％。对于某些物种，识别的准确度为100％，所需时间仅为455毫秒。我们的方法有助于使用移动设备的摄像头实时识别物种。这些应用将有助于防止在清关区走私濒危物种。我们的方法有助于使用移动设备的摄像头实时识别物种。这些应用将有助于防止在清关区走私濒危物种。我们的方法有助于使用移动设备的摄像头实时识别物种。这些应用将有助于防止在清关区走私濒危物种。