[發(fā)明專(zhuān)利]昆蟲(chóng)的識(shí)別方法和裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202110506217.X
• 申請(qǐng)日: 2021-05-10
• 公開(kāi)（公告）號(hào): CN113159075A
• 公開(kāi)（公告）日: 2021-07-23
• 發(fā)明（設(shè)計(jì)）人: 汪建偉;鄧科研;楊慶寅;李玨聞;郭冰潔;張真;劉星月;王立宇;賈莉
• 申請(qǐng)（專(zhuān)利權(quán)）人: 北京蟲(chóng)警科技有限公司;汪建偉
• 主分類(lèi)號(hào): G06K9/46
• 分類(lèi)號(hào): G06K9/46;G06K9/62
• 代理公司: 北京知匯林知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11794
• 代理人: 董濤

本發(fā)明提供了一種昆蟲(chóng)的識(shí)別方法和裝置，其中，該方法包括：準(zhǔn)備昆蟲(chóng)數(shù)據(jù)集，數(shù)據(jù)集中數(shù)據(jù)標(biāo)簽應(yīng)精確到昆蟲(chóng)所屬的種。通過(guò)使用昆蟲(chóng)學(xué)知識(shí)，根據(jù)昆蟲(chóng)圖像的種標(biāo)簽得到昆蟲(chóng)圖像的目、科標(biāo)簽。將昆蟲(chóng)圖像輸入特征提取器進(jìn)行特征提取，特征提取器采用卷積神經(jīng)網(wǎng)絡(luò)，通過(guò)特征提取器得到多個(gè)層次的特征，根據(jù)多層次的特征預(yù)測(cè)昆蟲(chóng)圖像的標(biāo)簽。在訓(xùn)練過(guò)程中對(duì)目、科、種三個(gè)層級(jí)的標(biāo)簽都進(jìn)行預(yù)測(cè)并計(jì)算得到對(duì)應(yīng)的三個(gè)損失，對(duì)三個(gè)損失值按照一定比例計(jì)算加權(quán)和得到的最終損失并利用其進(jìn)行反向傳播。本申請(qǐng)能夠提高昆蟲(chóng)圖像分類(lèi)任務(wù)種目、科、種三個(gè)層級(jí)標(biāo)簽的預(yù)測(cè)準(zhǔn)確率。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能領(lǐng)域，具體而言，涉及一種昆蟲(chóng)的識(shí)別方法和裝置。

背景技術(shù)

害蟲(chóng)災(zāi)害是全世界農(nóng)林業(yè)的巨大威脅，嚴(yán)重的害蟲(chóng)災(zāi)害可能會(huì)造成農(nóng)林業(yè)的重大損失甚至破壞當(dāng)?shù)厣鷳B(tài)平衡。而有一部分害蟲(chóng)災(zāi)害的發(fā)生的原因在于未能及早發(fā)現(xiàn)蟲(chóng)災(zāi)的征兆，當(dāng)蟲(chóng)災(zāi)已經(jīng)形成規(guī)模的時(shí)候再去處理已經(jīng)為時(shí)已晚。

目前我國(guó)多數(shù)農(nóng)林業(yè)從業(yè)人員不具備專(zhuān)業(yè)的昆蟲(chóng)學(xué)知識(shí)，不具備判斷發(fā)現(xiàn)物種入侵、害蟲(chóng)災(zāi)害的能力，即使遇到了對(duì)農(nóng)林業(yè)可能造成危害的昆蟲(chóng)也很難察覺(jué)，所以很難對(duì)害蟲(chóng)蟲(chóng)災(zāi)做出有效預(yù)警。在這樣的背景下，需要一種準(zhǔn)確、高效的昆蟲(chóng)圖像識(shí)別方案來(lái)應(yīng)對(duì)當(dāng)前蟲(chóng)災(zāi)問(wèn)題。

發(fā)明內(nèi)容

本發(fā)明的主要目的在于提供一種昆蟲(chóng)的識(shí)別方法和裝置，以解決現(xiàn)有技術(shù)中不能對(duì)昆蟲(chóng)進(jìn)行有效識(shí)別的問(wèn)題。

為了實(shí)現(xiàn)上述目的，根據(jù)本發(fā)明的一個(gè)方面，提供了一種昆蟲(chóng)的識(shí)別方法，包括：采集待識(shí)別昆蟲(chóng)的目標(biāo)圖像；通過(guò)目標(biāo)模型預(yù)測(cè)目標(biāo)圖像中待識(shí)別昆蟲(chóng)所屬的種，其中，目標(biāo)模型是采用攜帶有昆蟲(chóng)標(biāo)簽的昆蟲(chóng)圖像訓(xùn)練得到的，昆蟲(chóng)標(biāo)簽包括昆蟲(chóng)圖像中昆蟲(chóng)所屬的目、所屬的科以及所屬的種；利用預(yù)測(cè)出的待識(shí)別昆蟲(chóng)所屬的種推斷待識(shí)別昆蟲(chóng)所屬的科和待識(shí)別昆蟲(chóng)所屬的目。

可選地，在通過(guò)目標(biāo)模型預(yù)測(cè)目標(biāo)圖像中待識(shí)別昆蟲(chóng)所屬的種之前，方法還包括：獲取昆蟲(chóng)數(shù)據(jù)集，其中，昆蟲(chóng)數(shù)據(jù)集中保存多張具有昆蟲(chóng)標(biāo)簽的昆蟲(chóng)圖像；使用昆蟲(chóng)數(shù)據(jù)集對(duì)原始模型進(jìn)行訓(xùn)練，得到目標(biāo)模型。

可選地，原始模型包括特征提取器、目分類(lèi)器、科分類(lèi)器以及種分類(lèi)器，其中，使用昆蟲(chóng)數(shù)據(jù)集對(duì)原始模型進(jìn)行訓(xùn)練包括：利用特征提取器從昆蟲(chóng)圖像中提取圖像特征；將從昆蟲(chóng)圖像中提取的圖像特征分別輸入目分類(lèi)器、科分類(lèi)器以及種分類(lèi)器；獲取目分類(lèi)器預(yù)測(cè)的昆蟲(chóng)圖像中昆蟲(chóng)所屬的目、科分類(lèi)器預(yù)測(cè)的昆蟲(chóng)圖像中昆蟲(chóng)所屬的科以及種分類(lèi)器預(yù)測(cè)的昆蟲(chóng)圖像中昆蟲(chóng)所屬的種；通過(guò)比較目分類(lèi)器預(yù)測(cè)的昆蟲(chóng)所屬的目與昆蟲(chóng)圖像的昆蟲(chóng)標(biāo)簽中記錄的昆蟲(chóng)所屬的目、科分類(lèi)器預(yù)測(cè)的昆蟲(chóng)所屬的科與昆蟲(chóng)圖像的昆蟲(chóng)標(biāo)簽中記錄的昆蟲(chóng)所屬的科、種分類(lèi)器預(yù)測(cè)的昆蟲(chóng)所屬的種與昆蟲(chóng)圖像的昆蟲(chóng)標(biāo)簽中記錄的昆蟲(chóng)所屬的種，來(lái)優(yōu)化原始模型中的參數(shù)。

可選地，通過(guò)比較目分類(lèi)器預(yù)測(cè)的昆蟲(chóng)所屬的目與昆蟲(chóng)圖像的昆蟲(chóng)標(biāo)簽中記錄的昆蟲(chóng)所屬的目、科分類(lèi)器預(yù)測(cè)的昆蟲(chóng)所屬的科與昆蟲(chóng)圖像的昆蟲(chóng)標(biāo)簽中記錄的昆蟲(chóng)所屬的科、種分類(lèi)器預(yù)測(cè)的昆蟲(chóng)所屬的種與昆蟲(chóng)圖像的昆蟲(chóng)標(biāo)簽中記錄的昆蟲(chóng)所屬的種，來(lái)優(yōu)化原始模型中的參數(shù)包括：通過(guò)比較目分類(lèi)器預(yù)測(cè)的昆蟲(chóng)所屬的目與昆蟲(chóng)圖像的昆蟲(chóng)標(biāo)簽中記錄的昆蟲(chóng)所屬的目確定目預(yù)測(cè)損失，通過(guò)比較科分類(lèi)器預(yù)測(cè)的昆蟲(chóng)所屬的科與昆蟲(chóng)圖像的昆蟲(chóng)標(biāo)簽中記錄的昆蟲(chóng)所屬的科確定科預(yù)測(cè)損失，通過(guò)比較種分類(lèi)器預(yù)測(cè)的昆蟲(chóng)所屬的種與昆蟲(chóng)圖像的昆蟲(chóng)標(biāo)簽中記錄的昆蟲(chóng)所屬的種確定種預(yù)測(cè)損失；對(duì)目預(yù)測(cè)損失、科預(yù)測(cè)損失以及種預(yù)測(cè)損失進(jìn)行加權(quán)求和，得到最終損失；使用最終損失計(jì)算梯度，并在原始模型中進(jìn)行參數(shù)值的反向傳播。

可選地，在使用昆蟲(chóng)數(shù)據(jù)集對(duì)原始模型進(jìn)行訓(xùn)練之前，方法還包括：將昆蟲(chóng)數(shù)據(jù)集中的昆蟲(chóng)圖像按照預(yù)設(shè)大小進(jìn)行縮放；將縮放后的昆蟲(chóng)圖像中的像素值按照如下公式進(jìn)行處理，得到像素值更新后的昆蟲(chóng)圖像，

其中，f(x)表示更新后的像素值，x為圖像原始像素值，μ為圖像像素均值，σ為圖像像素方差。