一种基于图像的动物物种细分类方法、系统及介质技术方案

本发明专利技术公开了一种基于图像的动物物种细分类方法、系统及介质，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。该方法利用计算机对待分类图像进行自动识别和分析判断动物属于已知物种或新物种，提高数据采集和分析的效率，大大减轻人工工作量。并且不会动动物身体造成伤害，有利于辅助野生动物的调查和研究。

【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，本专利技术实施例提供的一种基于图像的动物物种细分类方法，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。第二方面，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系统，包括获取模块、物种粗分类模块、物种判断模块和类别细分类模块，所述获取模块用于获取动物待分类图像；所述物种粗分类模块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分析得到动物所属物种；所述物种判断模块用于根据物种粗分类模块得到的动物所属物种判断是否为已知物种，若否，则为新物种，若是，则将含有动物的目标区域的图像发送给类别细分类模块进行分析；所述类别细分类模块用于将含有动物的目标区域的输入图像细分类网络模型中识别出动物的具体类别；所述物种判断模块还用于判断类别细分类模块得到的动物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。第三方面，本专利技术实施例提供的一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述实施例描述的方法步骤。本专利技术的有益效果：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，利用计算机对待分类图像进行自动识别和分析判断动物属于已知物种或新物种，提高数据采集和分析的效率，大大减轻人工工作量。并且不会动动物身体造成伤害，有利于辅助野生动物的调查和研究。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。图1示出了本专利技术第一实施例所提供的一种基于图像的动物物种细分类方法的流程图；图2示出了本专利技术第一实施例中动物粗分类示意图；图3示出了本专利技术第一实施例中的动物细分类结构示意图；图4示出了本专利技术第二实施例所提供的一种基于图像的动物物种细分类系统的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解，在此本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术。如在本专利技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，本专利技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本专利技术所属领域技术人员所理解的通常意义。图1示出了本专利技术第一实施例所提供的一种基于图像的动物物种细分类方法的流程图，该方法包括：S1:获取动物待分类图像。S2: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。S3:判断动物所属物种是否为已知物种。S4:若否，则判定动物为新物种。S5: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。S6:判断动物的具体类别是否为已知类别。S7:若是，则输出动物的类别。S4:若否，则判定动物为新物种。在给定一幅图像（图像中可以包含多只不同的动物），利用卷积神经网络定位图像中的动物的区域，并进行动物物种的粗分类，得到动物所属物种。此阶段按“科”进行动物物种分类，例如：牛科、犬科、马科、猫科、猴科、兔科、熊科等C个已知物种类别，C为自然数。如图2所示，卷积神经网络输出一系列的向量，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，表示该区域含有动物的置信度，C表示动物属于某科的类别，Pm表示该区域是第个类别动物的概率，w1、h1均为自然数，0<a<1、0<Pm&l本文档来自技高网...

【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