[發明專利]一種細粒度昆蟲圖像分類方法

在審

• 申請號: 202111395529.4
• 申請日: 2021-11-23
• 公開（公告）號: CN114187183A
• 公開（公告）日: 2022-03-15
• 發明（設計）人: 徐杰;方偉政;李非非;蘇光輝;余飛;楊帆
• 申請（專利權）人: 成都星億年智慧科技有限公司
• 主分類號: G06T3/60
• 分類號: G06T3/60;G06T7/11;G06T3/40;G06N3/08;G06N3/02;G06K9/62;G06V10/764
• 代理公司: 四川鼎韜律師事務所 51332
• 代理人: 溫利平

本發明公開了一種細粒度昆蟲圖像分類方法，采集不同種類昆蟲的不同形態的細粒度圖片，經過人工篩選方式刪除重復、模糊、過曝的低質量圖片，使剩余的圖片滿足類內差異大、類間差異小的特點，然后建立圖片標簽并增強處理；搭建用于昆蟲分類的神經網絡模型并訓練，最后通過訓練完成的神經網絡模型對待檢測的細粒度昆蟲圖片進行分類檢測，從而直接輸出圖片中昆蟲屬于類別。

技術領域

本發明屬于計算機領域的圖像分類技術領域，更為具體地講，涉及一種細粒度昆蟲圖像分類方法。

背景技術

細粒度圖像分類是計算機領域非常重要的問題，可以應用在許多專業的有價值的應用場景上。在昆蟲識別領域上雖然已有大量的深度學習應用，但并沒有較好的應用細粒度圖像分類算法的研究。

細粒度圖像分類是一個比傳統圖像分類更困難且在專業場景中更具應用價值的計算機視覺任務，而基于深度學習的昆蟲圖像分類在農業林業的蟲害防治上具有重大的意義。將細粒度圖像分類技術應用在昆蟲圖像識別上，能將難以劃分的昆蟲種類區分開來，進一步提升昆蟲分類的準確率，從而提高昆蟲圖像識別在實際生產過程中的實用性與可靠性。然而，目前針對昆蟲圖像識別領域的細粒度圖像分類算法的研究仍就不夠充分與深入。

細粒度圖像分類算法的幾種主要思路為，基于通用圖像分類網絡的微調方法，基于強監督或弱監督注意力機制的定位與識別結合的方法，基于高階特征融合的雙線性池化方法，基于度量學習的方法，與基于transformer的方法。

其中，不論是基于強監督目標檢測定位的Part-RCNN方法，還是基于弱監督注意力機制定位的RA--CNN方法，主要都是通過如何定位判別性區域，以致力于解決類間差異小，類內差異大的問題。即使是基于度量學習技術的方法，看起來與判別性區域定位無關，本質上也是通過收束類內距離與擴大類間距離來抑制無關特征與尋找關鍵的判別特征。

在生物分類學中，物種的歸類是以級別為基礎的系統層次結構，使用一個固定數量的層次，即界、門、綱、目、科、屬、種，隨著分類層級逐漸往下，生物圖像在視覺上就會越來越相似，其分類難度逐漸會達到在計算機視覺領域中所謂“細粒度分類”的要求。在人類常識里認知的昆蟲，一般是屬于昆蟲綱下的生物。對于性狀差異巨大的昆蟲，一般按“目”進行劃分，隨著分類層級往下，不同昆蟲類別之間會越來越相似。昆蟲專家對采集到的昆蟲圖像進行標注的過程中，根據其豐富的經驗知識與對昆蟲圖譜的對比，或許能夠鑒定出某個昆蟲樣本在“屬”或“種”級別下的具體標簽。然而，由于昆蟲是日常生活中能接觸的生物中最為豐富多彩的動物類別，其種類繁多，形態千奇百怪，即使是經驗豐富的昆蟲學專家，也有無法對某個具體的昆蟲樣本做到其“屬”和“種”一級的鑒定，而只能做到對“目”、“亞目”、“科”一級的鑒定。

其次，昆蟲分類算法在實際應用時，主要用于對農業害蟲的識別。而在一些情況下，判斷某昆蟲是否為害蟲的與對應的防治策略所需要的類別信息并不需要精細到“種”這一級別，因為同一“科”或“屬”下的昆蟲往往擁有相似形態外表與性狀。那么在這類應用場景中，一個好的算法應該滿足這樣的要求：即使不能得到正確的細粒度分類結果，算法也應該將錯誤結果限制在正確的上級類別之內。最后，現有的細粒度圖像分類問題這些方法用到的監督信息都是最細粒度級別的類別標簽。然而，在昆蟲細粒度分類領域，高級標簽的標注是不需要很大額外成本的，其獲取難度一定遠弱于強監督方法中的邊界框信息。因此，將高級類別信息加入到監督學習中，應當能有效的提升細粒度分類任務的性能。

發明內容

本發明的目的在于克服現有技術的不足，提供一種細粒度昆蟲圖像分類方法，基于改進的弱監督細粒度分類模型與度量學習的層次多標簽約束優化細粒度分類架構，實現昆蟲圖像準確分類。

為實現上述發明目的，本發明一種細粒度昆蟲圖像分類方法，其特征在于，包括以下步驟：

(1)、圖像采集及預處理；

采集不同種類昆蟲的不同形態的細粒度圖片，經過人工篩選方式刪除重復、模糊、過曝的低質量圖片，使剩余的圖片滿足類內差異大、類間差異小的特點；