[發明專利]基于改進的雙網絡識別模型的蝴蝶細粒度識別方法

在審

• 申請號: 202210526795.4
• 申請日: 2022-05-16
• 公開（公告）號: CN114861803A
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 高月芳;蔡潤基;謝育浩;王敏;湯崇健
• 申請（專利權）人: 華南農業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06V10/20;G06V10/764;G06V10/774;G06V10/82
• 代理公司: 廣州藍晟專利代理事務所(普通合伙) 44452
• 代理人: 歐陽凱

本發明公開了基于改進的雙網絡識別模型的蝴蝶細粒度識別方法，包括步驟：收集蝴蝶在自然生活環境中的生態照片和蝴蝶標本照片，構建蝴蝶圖片數據集；對所述蝴蝶圖片數據集中的圖片進行處理；分割圖片處理后的蝴蝶圖片數據集；搭建雙網絡識別模型；獲得最終識別模型；使用所述最終識別模型進行蝴蝶細粒度識別，并采用平均加權的方式將所述第一識別網絡和第二識別網絡的的識別結果融合，得到最終的識別結果。與現有技術相比，本發明比標準的CNN架構識別率更高，性能更加穩定。

技術領域

本發明涉及智能農業生產管理領域，尤其涉及基于改進的雙網絡識別模型的蝴蝶細粒度識別方法。

背景技術

蝴蝶識別在生態保護，農業和森林害蟲控制，邊境疫情以及科學教育起著極其重要的作用，蝴蝶幼蟲對于農業和林業是害蟲，會對動物、植物和人類生活產生不利影響，所以，快速可靠的蝴蝶害蟲監測在種群預測和控制行動中起著至關重要的作用。

傳統蟲害監測依靠昆蟲專家或技術人員人工識別蟲害，主觀性強，勞動密集，無法大規模應用。隨著計算機視覺技術的快速發展，基于卷積神經網絡(CNNs)的深度學習技術取得重大突破。但是，為了識別CNN固有的細微的類內對象變化，細粒度識別變得比通用分類更具挑戰性，后者可以解決識別給定對象類別的子類的問題。有很多相關研究聚焦于此，這些方法可以分為兩大類：一類是從原始圖像中直接學習，另一類是使用聚焦于圖片部分的方法。第一類直接基于原始圖像并學習更好的視覺表示以得到更好的結果。但是基于原始圖像的識別方法會學習到更多對直接識別無效的特征，這些特征來自圖片復雜的背景。相對而言，聚焦于圖片部分的識別方法會把網絡注意力更多地放到真正有區別的區域以提升有用特征的提取效果。

現有技術如PMG模型當中，采用了一個簡單而有效的拼圖生成器來形成具有不同粒度級別的圖像，然后在每個步驟中融合來自先前粒度級別的信息，最終培養跨不同粒度的固有互補屬性以進行細粒度特征學習。但是，PMG模型的圖片生成和四個階段的訓練使得訓練時間呈現指數式增長。除此之外，大部分細粒度識別算法的蓬勃發展來源于網絡公開的平衡數據集，但是生活中數據的分布通常都是呈現長尾分布的，具體來說就是大部分類只擁有少量數據，常見的類別由于分布廣泛占據了數據集的大部分數據。在遵循這種長尾分布的數據集上，神經網絡通常偏愛含有大量常見類別的數據類，導致數據稀少的類的泛化性能較差。

為解決這樣的問題，先前工作中的典型方法包括數據重新采樣，損失重新加權，分類邊界修改和數據增強等。但是，這些研究人員廣泛研究了進行單一步驟的識別方法，這些方法探索了多樣本類的知識轉移以提升總體的識別效果。然而，這些方法需要設計一個特定于該任務的網絡模塊或結構，這通常很難推廣到不同的識別任務；此外，大多數長尾方法基于的公共數據集具有明顯的類間區分性差異(如ImageNet-LT、iNaturalist和Places365-LT)，并沒有解決細粒度識別類內差異大，類間差異小的問題。

發明內容

為克服現有技術的不足，減少細粒度識別中的長尾分布下多數據類對低數據類的影響，本發明提出基于改進的雙網絡識別模型的蝴蝶細粒度識別方法。

本發明的技術方案是這樣實現的：

基于改進的雙網絡識別模型的蝴蝶細粒度識別方法，包括步驟

S1：收集蝴蝶在自然生活環境中的生態照片和蝴蝶標本照片，構建蝴蝶圖片數據集；

S2：對所述蝴蝶圖片數據集中的圖片進行處理；

S3：分割圖片處理后的蝴蝶圖片數據集，分為三個子集：訓練數據集、驗證數據集和測試數據集；訓練數據集用于得到可用于識別的模型，驗證數據集用于驗證模型是否訓練好，測試數據集用于測試實際應用中模型的性能；

S4：所述步驟S4包括