【技术实现步骤摘要】
一种基于图像的动物物种细分类方法、系统及介质
本专利技术涉及计算机应用
,具体涉及一种基于图像的动物物种细分分类方法、系统及介质。
技术介绍
目前生物界所用的生物分类法一共分为八个等级,分别为域(Domain)、界(Kingdom)、门(Phylum)、纲(Class)、目(Order)、科(Family)、属(Genus)、种(Species)。其中物种是指生物界发展的连续性与间断性统一的基本间断形式,在有性生物中,物种呈现为统一的繁殖群体,由占有一定空间,具有实际或潜在繁殖能力的种群所组成,而且与其他这样的群体在生殖上是隔离的。目前在生物学界对动物主要采用的分类方法主要分为宏观和微观两个方面,在宏观方面比如有基于动物的形态、生殖隔离、生活习性、生态要求等作为分类的依据,在微观方面比如有基于染色体的数目、蛋白质的结构、DNA、RNA等作为分类的依据。然而这些方法需要从事相关方面的工作人员具备非常专业的技术背景知识。宏观方面的方法相对主观,经验性较强,而微观方面的方法相对繁琐复杂,耗时较长。比如:在野生动物的调查和研究中,需要利用无人机航拍或者摄像机拍照去调查一片区域内动物的种类,在这个过程中由于会产生大量的视频和图片数据,如果利用人工去识别,这项工作将非常繁琐且复杂。
技术实现思路
针对现有技术中的缺陷,本专利技术实施例提供的一种基于图像的动物物种细分类方法、系统及介质,根据动物图像中的体貌特征自动判别动物的物种类别,提高数据分析的效率,减少人工工作量。第一方面,本专利技术 ...
【技术保护点】
1.一种基于图像的动物物种细分类方法,其特征在于,包括:/n获取动物待分类图像;/n利用卷积神经网络定位所述图像中含有动物的目标区域,并进行动物物种粗分类得到动物所属物种;/n判断动物所属物种是否为已知物种;/n若否,则判定动物为新物种;/n若是,则将含有动物的目标区域的图像输入细分类网络模型中识别出动物的具体类别;/n判断动物的具体类别是否为已知类别;/n若是,则输出动物的类别;/n若否,则判定动物为新物种。/n
【技术特征摘要】
1.一种基于图像的动物物种细分类方法,其特征在于,包括:
获取动物待分类图像;
利用卷积神经网络定位所述图像中含有动物的目标区域,并进行动物物种粗分类得到动物所属物种;
判断动物所属物种是否为已知物种;
若否,则判定动物为新物种;
若是,则将含有动物的目标区域的图像输入细分类网络模型中识别出动物的具体类别;
判断动物的具体类别是否为已知类别;
若是,则输出动物的类别;
若否,则判定动物为新物种。
2.如权利要求1所述的基于图像的动物物种细分类方法,其特征在于,所述利用卷积神经网络定位所述图像中含有动物的目标区域,并进行动物物种粗分类得到动物所属物种的具体方法包括:
设定已知动物物种种类为C个,C为自然数;
将待分类图像输入卷积神经网络,输出多个向量,m,n均为自然数,每个向量Dm代表一个区域且包含(C+5)个值,(C+5)值为,其中,x和y表示该区域在原图像上的左上角坐标,w1和h1表示该区域的长和宽,a表示该区域含有动物的置信度,表示动物属于已知物种中的一个物种,Pm表示该区域是第个物种动物的概率,w1、h1均为自然数,0<a<1、0<Pm<1;
设定阈值t,0<t<1,若向量Dm中的置信度大于阈值t,则表明该区域含有动物;
对所有Pm大于t的区域进行非最大值抑制处理,得到一个或多个仅含一只动物的图像区域,且目标区域中动物的类别为最大概率所对应的物种。
3.如权利要求1所述的基于图像的动物物种细分类方法,其特征在于,将含有动物的目标区域的图像输入细分类网络模型中识别出动物的具体类别的方法包括:
将含有动物的目标区域的图像输入训练好的细分类网络模型中,输出特征图S;
将特征图S分别输入训练好的A分支卷积神经网络和B分支卷积神经网络,A分支卷积神经网络和B分支卷积神经网络分别得到相应的热力图和;
将A分支卷积神经网络的热力图和B分支卷积神经网络的热力图进行相加,将相加得到的结果通过GAP层得到向量Y;
对所述向量Y进行非最大值抑制处理,最大概率所对应的类别为识别出的动物类别。
4.如权利要求3所述的基于图像的动物物种细分类方法,其特征在于,在所述将含有动物的目标区域的图像输入训练好的细分类网络模型中的步骤之前还包括对细分类网络模型进行训练,训练的方法包括:将每一个已知动物物种的图片进行预处理;
将预处理后的图片输入基础网络模型中,输出张的特征图,K为自然数,W为特征图的宽度,H为特征图的高度;
将特征图S分别输入A分支卷积神经网络和B分支卷积神经网络中,
从A分支卷积神经网络输出张的特征图,再经过GAP层得到相应的特征向量;
从B分支卷积神经网络输出k张的特征图,再经过GAP层也可以得到相应的特征向量;
其中,k为自然数,w为分支卷积神经网络输出的特征图的宽度,h为分支卷积神经网络输出的特征图的宽度;
将所述和分别接入TripletLoss损失函数;
设定一个已知动物物种的类别为p,将所述特征图通过第一卷积核,第一卷积核为p个的卷积核,得到张的热力图;
假设输入图片的类别属于第i类,从A分支卷积神经网络的热力图中抽取第张热力图;
对所述热力图进行negative操作,得到相应的;
将所述特征图通过第二卷积核,所述第二卷积核为个的卷积核,得到张的热力图,将B分支卷积神经网络的热力图中的第张热力图乘以;
将A分支卷积神经网络的热力图通过GAP层后会分别得到一个p维的向量,,同时将B分支的热力图通过GAP层后会分别得到一个p维的向量,,分别将和接入SoftmaxLoss损失函数对细分类网络模型训练。
5.如权利要求4所述的基于图像的动物物种细分类方法,其特征在于,
所述基础网络模型为Backbone。
6.一种基于图像的动物物种细分类系统,其特征在于,包括获取模块、物种粗分类模块...
【专利技术属性】
技术研发人员:陈鹏,候蓉,赵启军,刘宁,刘鹏,陈玉祥,杨琬婧,张志和,
申请(专利权)人:成都大熊猫繁育研究基地,四川大学,
类型:发明
国别省市:四川;51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。