[發(fā)明專利]預(yù)測(cè)大型真菌種類的方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202010574891.7
• 申請(qǐng)日: 2020-06-22
• 公開（公告）號(hào): CN111860601B
• 公開（公告）日: 2023-10-17
• 發(fā)明（設(shè)計(jì)）人: 王建新;肖杰文;趙鋮博;李欣潔;龐博;劉鐘鈺;楊彝華
• 申請(qǐng)（專利權(quán)）人: 北京林業(yè)大學(xué)
• 主分類號(hào): G06V10/764
• 分類號(hào): G06V10/764;G06V10/774;G06V10/82;G06N3/0464;G06N3/084
• 代理公司: 北京市廣友專利事務(wù)所有限責(zé)任公司 11237
• 代理人: 張仲波

1.一種預(yù)測(cè)大型真菌種類的方法，其特征在于，所述方法包括：

獲取大型真菌的待處理圖像；

對(duì)所述待處理圖像進(jìn)行圖像預(yù)處理操作，得到待識(shí)別圖像；

基于所述待識(shí)別圖像以及預(yù)先訓(xùn)練的大型真菌分類識(shí)別模型，預(yù)測(cè)所述待識(shí)別圖像的大型真菌對(duì)應(yīng)的種類。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述大型真菌分類識(shí)別模型包括多個(gè)卷積神經(jīng)網(wǎng)絡(luò)CNN子模型以及單層感知器子模型；

所述大型真菌分類識(shí)別模型的訓(xùn)練過程如下：

獲取多個(gè)第一訓(xùn)練樣本，其中，所述第一訓(xùn)練樣本包括第一樣本圖像以及對(duì)應(yīng)的樣本類別；

對(duì)所述多個(gè)第一訓(xùn)練樣本中的樣本圖像進(jìn)行圖像預(yù)處理操作；

基于所述多個(gè)第一訓(xùn)練樣本，對(duì)多個(gè)CNN子模型分別進(jìn)行迭代訓(xùn)練；

確定訓(xùn)練后的多個(gè)CNN子模型的準(zhǔn)確率，根據(jù)所述多個(gè)CNN子模型的準(zhǔn)確率，對(duì)每個(gè)CNN子模型賦予權(quán)重；

基于賦予權(quán)重的多個(gè)CNN子模型以及單層感知器子模型，構(gòu)建大型真菌分類識(shí)別模型。

3.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述圖像預(yù)處理操作包括但不限于水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)、隨機(jī)角度旋轉(zhuǎn)、隨機(jī)比例縮放、顏色增強(qiáng)、RGB2HSV、歸一化操作。

4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述基于賦予權(quán)重的多個(gè)CNN子模型以及單層感知器子模型，構(gòu)建大型真菌分類識(shí)別模型，包括：

基于多個(gè)CNN子模型賦予的權(quán)重，構(gòu)建加權(quán)平均分類器；

連接所述多個(gè)CNN子模型、所述單層感知器子模型與所述加權(quán)平均分類器，構(gòu)建初始大型真菌分類識(shí)別模型；

獲取多個(gè)第二訓(xùn)練樣本，其中，所述第二訓(xùn)練樣本包括第二樣本圖像以及對(duì)應(yīng)的樣本類別；

通過所述多個(gè)第二訓(xùn)練樣本，對(duì)所述待訓(xùn)練大型真菌分類識(shí)別模型進(jìn)行訓(xùn)練，得到大型真菌分類識(shí)別模型。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述CNN子模型包括多個(gè)全連接層；

所述通過多個(gè)第二訓(xùn)練樣本，對(duì)所述待訓(xùn)練大型真菌分類識(shí)別模型進(jìn)行訓(xùn)練，得到大型真菌分類識(shí)別模型，包括：

通過所述多個(gè)第二訓(xùn)練樣本，對(duì)所述待訓(xùn)練大型真菌分類識(shí)別模型中的CNN子模型的多個(gè)全連接層以及單層感知器子模型的各神經(jīng)元權(quán)重值進(jìn)行迭代訓(xùn)練，直至所述待訓(xùn)練大型真菌分類識(shí)別模型的輸出準(zhǔn)確率不再變化，將最后一次迭代得到的多個(gè)全連接層以及單層感知器子模型的各神經(jīng)元權(quán)重值確定為最終訓(xùn)練結(jié)果，得到訓(xùn)練好的大型真菌分類識(shí)別模型。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述通過所述多個(gè)第二訓(xùn)練樣本，對(duì)所述待訓(xùn)練大型真菌分類識(shí)別模型中的CNN子模型的多個(gè)全連接層以及單層感知器子模型的各神經(jīng)元權(quán)重值進(jìn)行迭代訓(xùn)練，包括：

將所述第二樣本圖像依次輸入所述待訓(xùn)練大型真菌分類識(shí)別模型中，對(duì)于每次輸入的第二樣本圖像，獲取所述待訓(xùn)練大型真菌分類識(shí)別模型輸出的所述第二樣本圖像對(duì)應(yīng)的預(yù)測(cè)結(jié)果，將所述預(yù)測(cè)結(jié)果與所述樣本基準(zhǔn)類別進(jìn)行對(duì)比，通過反向傳播算法，對(duì)所述多個(gè)全連接層以及單層感知器子模型的各神經(jīng)元權(quán)重值進(jìn)行調(diào)整。

7.根據(jù)權(quán)利要求2或4-6任一所述的方法，其特征在于，所述多個(gè)CNN子模型包括ShuffleNetV2子模型，MobileNet子模型和AlexNet子模型。

8.一種預(yù)測(cè)大型真菌種類的裝置，其特征在于，所述裝置包括：

獲取單元，用于獲取大型真菌的待處理圖像；

處理單元，用于對(duì)所述待處理圖像進(jìn)行圖像預(yù)處理操作，得到待識(shí)別圖像；

預(yù)測(cè)單元，用于基于所述待識(shí)別圖像以及預(yù)先訓(xùn)練的大型真菌分類識(shí)別模型，預(yù)測(cè)所述待識(shí)別圖像的大型真菌對(duì)應(yīng)的種類。