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

在審

• 申請(qǐng)?zhí)枺?/td>: 202011175736.4
• 申請(qǐng)日: 2020-10-28
• 公開(kāi)（公告）號(hào): CN112308129A
• 公開(kāi)（公告）日: 2021-02-02
• 發(fā)明（設(shè)計(jì)）人: 莊佳衍;劉陽(yáng)明;肖江劍;徐寧遠(yuǎn);朱瑩
• 申請(qǐng)（專利權(quán)）人: 中國(guó)科學(xué)院寧波材料技術(shù)與工程研究所
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京利豐知識(shí)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

本發(fā)明公開(kāi)了一種基于深度學(xué)習(xí)的植物線蟲(chóng)數(shù)據(jù)自動(dòng)標(biāo)注和分類識(shí)別方法，利用少量人工標(biāo)注的植物線蟲(chóng)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(chóng)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(chóng)圖像數(shù)據(jù)，通過(guò)數(shù)次的植物線蟲(chóng)圖像數(shù)據(jù)標(biāo)注和訓(xùn)練過(guò)程，完成植物線蟲(chóng)識(shí)別項(xiàng)目數(shù)據(jù)集的自動(dòng)標(biāo)注，同時(shí)得到與此植物線蟲(chóng)識(shí)別項(xiàng)目對(duì)應(yīng)的強(qiáng)化模型。本發(fā)明能夠有效地針對(duì)植物線蟲(chóng)數(shù)據(jù)進(jìn)行標(biāo)注，從而提高植物線蟲(chóng)數(shù)據(jù)的訓(xùn)練效率與植物線蟲(chóng)分類識(shí)別的準(zhǔn)確率。

技術(shù)領(lǐng)域

本發(fā)明涉及深度學(xué)習(xí)圖像智能標(biāo)注和檢索技術(shù)領(lǐng)域，具體涉及一種基于深度學(xué)習(xí)網(wǎng)絡(luò)的植物線蟲(chóng)圖像智能標(biāo)注和分類識(shí)別方法。

背景技術(shù)

近年來(lái)，人工智能和大數(shù)據(jù)成為了國(guó)內(nèi)外各大領(lǐng)域關(guān)注的焦點(diǎn)，其中被廣泛關(guān)注的深度學(xué)習(xí)算法已經(jīng)被成功運(yùn)用于語(yǔ)音識(shí)別，圖形識(shí)別等各個(gè)領(lǐng)域，而隨著各行各業(yè)不斷深入的信息化建設(shè)，在醫(yī)療，生物，金融，法律等各個(gè)領(lǐng)域積累了大量的數(shù)據(jù)，如何高效率的管理和組織這些圖像數(shù)據(jù)，并對(duì)這些數(shù)據(jù)進(jìn)行有效標(biāo)注成為了行業(yè)的痛點(diǎn)問(wèn)題。對(duì)于一些不太常見(jiàn)的深度學(xué)習(xí)數(shù)據(jù)集，如植物線蟲(chóng)數(shù)據(jù)集，由于其主要特征集中植物線蟲(chóng)尾部，想要通過(guò)現(xiàn)有深度學(xué)習(xí)分類網(wǎng)絡(luò)對(duì)其進(jìn)行有效識(shí)別必須對(duì)其尾部進(jìn)行標(biāo)注。現(xiàn)有深度學(xué)習(xí)標(biāo)注方法以手工標(biāo)注為主，但手工標(biāo)注不僅費(fèi)時(shí)費(fèi)力，耗費(fèi)了大量的人力物力，而且隨著標(biāo)注數(shù)據(jù)的增加，標(biāo)注錯(cuò)誤的可能性也會(huì)增大，標(biāo)注錯(cuò)誤的數(shù)據(jù)甚至?xí)?duì)深度學(xué)習(xí)訓(xùn)練過(guò)程產(chǎn)生負(fù)面影響。

發(fā)明內(nèi)容

為了解決以上現(xiàn)有技術(shù)存在的缺陷，本發(fā)明提出一種基于深度學(xué)習(xí)網(wǎng)絡(luò)的植物線蟲(chóng)圖像智能標(biāo)注和分類識(shí)別方法，通過(guò)在深度學(xué)習(xí)網(wǎng)絡(luò)中添加注意力損失，針對(duì)植物線蟲(chóng)標(biāo)注區(qū)域進(jìn)行加強(qiáng)，使得深度學(xué)習(xí)網(wǎng)絡(luò)能夠著重對(duì)標(biāo)注區(qū)域進(jìn)行學(xué)習(xí)和訓(xùn)練，然后先對(duì)一小部分人工標(biāo)注的植物線蟲(chóng)數(shù)據(jù)進(jìn)行訓(xùn)練得到初始的訓(xùn)練模型，再通過(guò)其權(quán)重模型自動(dòng)標(biāo)注剩余未標(biāo)注的植物線蟲(chóng)數(shù)據(jù)，從而完成所有植物線蟲(chóng)數(shù)據(jù)的智能標(biāo)注，同時(shí)也獲得了對(duì)應(yīng)整個(gè)植物線蟲(chóng)數(shù)據(jù)集的智能標(biāo)注模型，最后將標(biāo)注好的數(shù)據(jù)加入深度學(xué)習(xí)分類網(wǎng)絡(luò)進(jìn)行訓(xùn)練得到整個(gè)植物線蟲(chóng)數(shù)據(jù)集分類識(shí)別的強(qiáng)化模型。整個(gè)訓(xùn)練過(guò)程模型會(huì)不斷的從訓(xùn)練數(shù)據(jù)集中學(xué)習(xí)所標(biāo)注的植物線蟲(chóng)感興趣區(qū)域的特征，不僅很大程度上降低了人工標(biāo)注植物線蟲(chóng)數(shù)據(jù)的復(fù)雜工作量，也具有一定的可移植性，有利于對(duì)更多類似的數(shù)據(jù)進(jìn)行標(biāo)注和識(shí)別。

本發(fā)明的技術(shù)方案是這樣實(shí)現(xiàn)的：

一種基于深度學(xué)習(xí)的植物線蟲(chóng)數(shù)據(jù)自動(dòng)標(biāo)注和分類識(shí)別方法，利用少量人工標(biāo)注的植物線蟲(chóng)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(chóng)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(chóng)圖像數(shù)據(jù)，通過(guò)數(shù)次的植物線蟲(chóng)圖像數(shù)據(jù)標(biāo)注和訓(xùn)練過(guò)程，完成植物線蟲(chóng)識(shí)別項(xiàng)目數(shù)據(jù)集的自動(dòng)標(biāo)注，同時(shí)得到與此植物線蟲(chóng)識(shí)別項(xiàng)目對(duì)應(yīng)的強(qiáng)化模型。

進(jìn)一步，基于深度學(xué)習(xí)的植物線蟲(chóng)數(shù)據(jù)自動(dòng)標(biāo)注和分類識(shí)別方法的具體過(guò)程為：

S1)首先建立植物線蟲(chóng)識(shí)別項(xiàng)目所要標(biāo)注的圖片數(shù)據(jù)集，通過(guò)采集一系列植物線蟲(chóng)的圖像，對(duì)不同種類的植物線蟲(chóng)數(shù)據(jù)進(jìn)行分組，并從每一組植物線蟲(chóng)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(duì)該組植物線蟲(chóng)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。

S2)利用步驟S1)得到的訓(xùn)練數(shù)據(jù)集，對(duì)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(duì)植物線蟲(chóng)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(duì)標(biāo)注區(qū)域進(jìn)行學(xué)習(xí)和訓(xùn)練，得到訓(xùn)練模型。

S3)基于訓(xùn)練模型進(jìn)行重復(fù)標(biāo)注訓(xùn)練，先利用步驟S2)訓(xùn)練好的模型自動(dòng)標(biāo)注剩余圖片，人工修正錯(cuò)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(guò)程，從而完成所有數(shù)據(jù)的標(biāo)注并得到整個(gè)植物線蟲(chóng)數(shù)據(jù)集的智能標(biāo)注模型。

S4)基于標(biāo)注數(shù)據(jù)的植物線蟲(chóng)分類識(shí)別，利用步驟S3)得到的標(biāo)注完成的植物線蟲(chóng)數(shù)據(jù)集，對(duì)深度學(xué)習(xí)分類網(wǎng)絡(luò)進(jìn)行訓(xùn)練，從而得到整個(gè)植物線蟲(chóng)數(shù)據(jù)集分類識(shí)別的強(qiáng)化模型。