[發明專利]一種基于深度學習的蝴蝶自動分類方法

在審

• 申請號: 201811070920.5
• 申請日: 2018-09-14
• 公開（公告）號: CN109376765A
• 公開（公告）日: 2019-02-22
• 發明（設計）人: 范衠;伍宇明;盧杰威;朱貴杰;莫嘉杰;黃龍濤
• 申請（專利權）人: 汕頭大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46;G06T3/60;G06T7/41;G06N3/04;G06N3/08
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 周增元;曹江

1.一種基于深度學習的蝴蝶自動分類方法，其特征在于，包括以下步驟：

S1：收集蝴蝶在自然環境中的照片；

S2：通過人工標注所述照片，構建帶有標注框和分類標簽的圖片庫作為訓練樣本集；

S3：采用Faster－RCNN算法，訓練一個在照片中用于定位蝴蝶位置的卷積神經網絡；

S4：采用深度卷積神經網絡算法，訓練一個用于分類蝴蝶的卷積神經網絡；

S5：對所收集到的蝴蝶在自然環境中的照片，先通過用于定位的卷積神經網絡定位出蝴蝶的位置，再通過用于分類的卷積神經網絡對蝴蝶進行分類鑒定。

2.根據權利要求1所述的基于深度學習的蝴蝶自動分類方法，其特征在于，所述步驟S2包括將所述照片按以下原則篩選：

A1：若照片中蝴蝶翅膀遮擋嚴重，則去除該照片，保留蝴蝶翅膀特征明顯可辨別的照片；

A2：若照片中多只蝴蝶聚集，則去除該照片，保留包含單只蝴蝶或包含多只蝴蝶但蝴蝶位置分開的照片；

A3：若照片中蝴蝶的特征不夠容易錯判到臨近種類，則去除該照片，保留可以憑圖中特征精確辨別到種類的照片；

A4：最終構建的訓練樣本集要求每種蝴蝶的圖片數量相對均衡。

3.根據權利要求1所述的基于深度學習的蝴蝶自動分類方法，其特征在于，所述步驟S2中，構建訓練樣本集時使用數據擴展方法，所述數據擴展方法包括上下翻轉、左右翻轉、對角線翻轉、對比度調節、亮度調節、色度調節、飽和度調節、旋轉45度和旋轉90度。

4.根據權利要求1所述的基于深度學習的蝴蝶自動分類方法，其特征在于，所述步驟S3中，所述Faster－RCNN算法中采用的網絡結構為VGG－Net，Inception－V2，Inception－V3中的一種。

5.根據權利要求1所述的基于深度學習的蝴蝶自動分類方法，其特征在于，所述步驟S4中，深度卷積神經網絡的結構為VGG－Net，Inception－V2，Inception－V3中的一種。

6.根據權利要求1或4所述的基于深度學習的蝴蝶自動分類方法，其特征在于，所述步驟S4中，輸入是所述步驟S3中輸出的定位框截取部分的圖片，而訓練用于分類蝴蝶的卷積神經網絡的輸出是定位框內蝴蝶的預測類別。

7.根據權利要求6所述的基于深度學習的蝴蝶自動分類方法，其特征在于，所述步驟S4中，對于蝴蝶中存在較大的個體差異的類別，可根據該類蝴蝶明顯的不同特征劃分為兩類，通過擴展類別來提高所述用于分類蝴蝶的卷積神經網絡中的分類器性能。

8.根據權利要求7所述的基于深度學習的蝴蝶自動分類方法，其特征在于，所述可根據該類蝴蝶明顯的不同特征劃分為兩類中，所述不同特征為：翅膀側面與背面的顏色不同，以及翅膀側面與背面的紋理不同。