[發明專利]一種基于深度學習和遷移學習的嚙齒動物識別分析的方法

有效

• 申請號: 202110478772.6
• 申請日: 2021-04-30
• 公開（公告）號: CN113283306B
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 韓立亮
• 申請（專利權）人: 青島云智環境數據管理有限公司
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06V10/25;G06V10/26;G06V10/44;G06V10/764;G06V10/80;G06V10/82;G06N3/0464;G06N3/088;G06T3/40
• 代理公司: 青島科通知橋知識產權代理事務所(普通合伙) 37273
• 代理人: 雷麗

1.一種基于深度學習和遷移學習的嚙齒動物識別分析的方法，其特征在于，包括以下步驟：

S1：嚙齒動物視頻采集和預處理：通過視頻錄入系統采集嚙齒動物視頻數據，并對所述視頻數據進行預處理，得到圖像數據；

S2：嚙齒動物數據集制作：依據動物分類學和深度學習的基礎規則以及Mixup和CutMix的數據增強方法制作了嚙齒動物數據集；

S3：嚙齒動物模型的構建和訓練；

S4：嚙齒動物檢測：采用經過參數優化的檢測網絡對預處理的圖像數據進行檢測，得到嚙齒動物的最小外接矩形，去除背景和其它動物對分類和分割的影響；

S5：嚙齒動物圖像裁剪和超分辨率重建：

S51：根據嚙齒動物的外接矩形輪廓將圖像中的嚙齒動物裁剪下來；

S52：采用構建的嚙齒動物超分辨率重建網絡對裁剪的圖像進行超分辨率重建，以獲取高質量的超分辨重建的圖像數據；

S6：嚙齒動物影像各部位分割：采用參數優化的嚙齒動物分割網絡模型對步驟S5中超分辨重建的圖像進行實例分割，得到嚙齒動物各部位分割結果；

S7：數據清洗及各項身體指標數據計算：

S71：根據動物分類學基礎規則、幾何形態結構以及采用的深度學習模型的優化參數，自動選取符合使用要求的特征數據；

S72：依據分割結果和視頻數據采集參數進行幾何形態測量，采用疊印法實現結果的圖形化，去除非形態變異的干擾，計算嚙齒動物身體的各項指標；

S8：嚙齒動物分類：將步驟S5中的高質量圖像與嚙齒動物部分?指標的文本數據進行數據融合，得到嚙齒動物多模態數據作為嚙齒動物分類網絡的輸入，采用參數優化的嚙齒動物分類網絡對多模態數據進行分類，得到嚙齒動物類別；

所述步驟S2中嚙齒動物數據集包括：嚙齒動物檢測數據集、嚙齒動物分類數據集、嚙齒動物分割數據集和嚙齒動物超分辨重建數據集；所述嚙齒動物檢測數據集根據VOC數據集的制作規則進行制作；所述嚙齒動物分割數據集依據COCO數據集的制作規則進行制作；所述嚙齒動物分類數據集依據細粒度分類、多模態數據基礎規則以及無監督的思想進行制作；所述嚙齒動物超分辨率重建數據集依據無監督的思想進行制作；

所述步驟S3中嚙齒動物模型的構建和訓練的具體步驟包括：

S301：選取有監督的預訓練算法對初始化的深度學習模型進行預訓練，得到預訓練深度學習網絡模型；

S302：引入多核最大均值誤差思想，基于深度學習構建嚙齒動物檢測網絡，減小訓練數據和測試數據之間的分布差異，使得訓練后的模型在測試集上具有良好的遷移性；

S303：通過引入多核最大均值誤差思想構建了嚙齒動物分割網絡，該網絡結合深度卷積網絡與空洞卷積網絡并將多尺度卷積進行融合，利用多層感知機和度量學習的方式對每個像素進行分割和預測，實現實例分割，最終得到嚙齒動物各部位分割結果；

S304：采用預訓練的深度學習模型和嚙齒動物檢測數據集對構建的嚙齒動物檢測網絡進行訓練，優化網絡參數，得到參數優化的嚙齒動物檢測網絡；

S305：采用預訓練的深度學習模型和嚙齒動物分割數據集對構建的嚙齒動物分割網絡進行訓練，優化網絡參數，得到參數優化的嚙齒動物分割網絡；

S306：通過引入多核最大均值誤差思想、多模態深度學習和深度自編碼器聚類的思想，基于無監督學習的方式構建了嚙齒動物分類網絡；

S307：采用嚙齒動物分類數據集對構建的深度學習嚙齒動物分類網絡進行訓練，優化網絡參數，得到參數優化的嚙齒動物分類網絡；

S308：依據零樣本無監督方法和生成對抗網絡構建深度學習嚙齒動物超分辨率重建網絡；

S309：采用嚙齒動物超分辨重建數據集對構建的嚙齒動物超分辨率重建網絡進行訓練，得到參數優化的嚙齒動物超分辨率重建數據集；

所述步驟S7中的各項指標包括：頭部角度、頭部毛色及紋案、背部毛色及紋案、尾長、尾巴直徑、尾巴毛色及紋案、身體尾端的角度、耳廓形狀、耳朵長度、耳朵到眼睛距離、體長、身體輪廓周長、身體輪廓面積、體長與尾長的比值、耳朵長度與耳朵到眼睛距離的比值、嚙齒動物體重。