[發(fā)明專利]一種基于深度學(xué)習(xí)的植物線蟲數(shù)據(jù)自動標(biāo)注和分類識別方法

在審

• 申請?zhí)枺?/td>: 202011175736.4
• 申請日: 2020-10-28
• 公開（公告）號: CN112308129A
• 公開（公告）日: 2021-02-02
• 發(fā)明（設(shè)計）人: 莊佳衍;劉陽明;肖江劍;徐寧遠(yuǎn);朱瑩
• 申請（專利權(quán)）人: 中國科學(xué)院寧波材料技術(shù)與工程研究所
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京利豐知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 32256
• 代理人: 艾中蘭;王鋒

1.一種基于深度學(xué)習(xí)的植物線蟲數(shù)據(jù)自動標(biāo)注和分類識別方法，其特征在于，利用少量人工標(biāo)注的植物線蟲圖像訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)，并在深度學(xué)習(xí)網(wǎng)絡(luò)中添加注意力損失從而強(qiáng)化植物線蟲標(biāo)注區(qū)域，再將模型的網(wǎng)絡(luò)權(quán)重用于標(biāo)注大量非人工標(biāo)注的植物線蟲圖像數(shù)據(jù)，通過數(shù)次的植物線蟲圖像數(shù)據(jù)標(biāo)注和訓(xùn)練過程，完成植物線蟲識別項目數(shù)據(jù)集的自動標(biāo)注，同時得到與此植物線蟲識別項目對應(yīng)的強(qiáng)化模型。

2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)網(wǎng)絡(luò)的植物線蟲數(shù)據(jù)自動標(biāo)注和分類識別方法，其特征在于包括如下步驟：

步驟(1)：建立植物線蟲識別項目所要標(biāo)注的圖片數(shù)據(jù)集

采集一系列植物線蟲的圖像，對不同種類的植物線蟲數(shù)據(jù)進(jìn)行分組，并從每一組植物線蟲數(shù)據(jù)中隨機(jī)篩選出相同數(shù)目的圖片組成一組，利用標(biāo)注工具對該組植物線蟲圖像的尾部區(qū)域進(jìn)行標(biāo)注，作為初始的訓(xùn)練數(shù)據(jù)集；

步驟(2)：對深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行改進(jìn)

利用步驟(1)利用得到的初始訓(xùn)練數(shù)據(jù)集，對深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，在深度學(xué)習(xí)網(wǎng)絡(luò)中添加注意力損失，針對植物線蟲標(biāo)注區(qū)域進(jìn)行加強(qiáng)，使得深度學(xué)習(xí)網(wǎng)絡(luò)著重對標(biāo)注區(qū)域進(jìn)行學(xué)習(xí)和訓(xùn)練，得到訓(xùn)練模型；

步驟(3)：基于訓(xùn)練模型進(jìn)行重復(fù)標(biāo)注訓(xùn)練

利用訓(xùn)練模型自動標(biāo)注剩余圖片，人工修正錯誤的標(biāo)注結(jié)果，并將修正后的圖片加入到網(wǎng)絡(luò)的訓(xùn)練集中訓(xùn)練，重復(fù)訓(xùn)練修正過程，從而完成所有數(shù)據(jù)的標(biāo)注并得到整個植物線蟲數(shù)據(jù)集的智能標(biāo)注模型；

步驟(4)：基于標(biāo)注數(shù)據(jù)的植物線蟲分類識別

利用步驟(3)得到的標(biāo)注完成的植物線蟲數(shù)據(jù)集，對深度學(xué)習(xí)分類網(wǎng)絡(luò)進(jìn)行訓(xùn)練，從而得到整個植物線蟲數(shù)據(jù)集分類識別的強(qiáng)化模型。

3.根據(jù)權(quán)利要求1或2所述的一種基于深度學(xué)習(xí)網(wǎng)絡(luò)的植物線蟲數(shù)據(jù)自動標(biāo)注方法，其特征在于，所述少量人工標(biāo)注的植物線蟲圖像指的是植物線蟲數(shù)據(jù)集中選取的一組圖像數(shù)據(jù)，大量非人工標(biāo)注的植物線蟲圖像數(shù)據(jù)指的是除人工標(biāo)注外的其余圖像數(shù)據(jù)。

4.根據(jù)權(quán)利要求1或2所述的一種基于深度學(xué)習(xí)網(wǎng)絡(luò)的植物線蟲數(shù)據(jù)自動標(biāo)注方法，其特征在于在深度學(xué)習(xí)網(wǎng)絡(luò)中添加注意力損失指的是：針對植物線蟲數(shù)據(jù)標(biāo)注部分，在計算損失函數(shù)時加大該部分權(quán)重，強(qiáng)化深度學(xué)習(xí)網(wǎng)絡(luò)對該部分區(qū)域的學(xué)習(xí)。

5.根據(jù)權(quán)利要求1或2所述的一種基于深度學(xué)習(xí)網(wǎng)絡(luò)的植物線蟲數(shù)據(jù)自動標(biāo)注和分類識別方法，其特征在于；

智能標(biāo)注模型指所有植物線蟲數(shù)據(jù)加入到含有注意力損失的深度學(xué)習(xí)網(wǎng)絡(luò)中訓(xùn)練得到的標(biāo)注模型；

強(qiáng)化模型指所有標(biāo)注好的植物線蟲數(shù)據(jù)加入到深度學(xué)習(xí)分類網(wǎng)絡(luò)中訓(xùn)練得到的植物線蟲分類識別模型。

6.根據(jù)權(quán)利要求4所述的一種基于深度學(xué)習(xí)網(wǎng)絡(luò)的植物線蟲數(shù)據(jù)自動標(biāo)注方法，其特征在于針對植物線蟲數(shù)據(jù)標(biāo)注部分，在計算損失函數(shù)時加大該部分權(quán)重，計算公式如下：

Loss＝loss+λ·loss_attention

其中，Loss為深度學(xué)習(xí)網(wǎng)絡(luò)總體損失函數(shù)，loss_attention為針對數(shù)據(jù)標(biāo)注部分的損失函數(shù)，loss為深度學(xué)習(xí)網(wǎng)絡(luò)其余部分損失函數(shù)，λ表示權(quán)重，范圍在1∶1-10∶1之間。