图像分类方法、分类模型的训练方法、装置及电子设备制造方法及图纸

本申请提供一种图像分类方法、分类模型的训练方法、装置及电子设备。该方法包括：获取待识别图像，待识别图像中包括待识别对象；将待识别图像输入预设的第一神经网络，获取待识别对象为红火蚁的第一概率；将待识别图像输入预设的第二神经网络，获取待识别对象为红火蚁蚁巢的第二概率；根据第一概率、第二概率和预设概率值之间的大小关系，确定待识别对象的类别。通过该方法，能改善现有技术中的深度学习网络难以直接用于识别红火蚁图像及红火蚁蚁巢图像的问题。巢图像的问题。巢图像的问题。

【技术实现步骤摘要】
图像分类方法、分类模型的训练方法、装置及电子设备


[0001]本申请涉及图像处理
，具体而言，涉及一种图像分类方法、分类模型的训练方法、装置及电子设备。

技术介绍

[0002]目前，对于红火蚁的监测、防控工作，仍然以人工为主，比如：需要人工逐一对红火蚁的足迹和巢穴进行勘察后再相应进行灭杀。为了快速监测红火蚁发生情况，有必要采用自动监测装置，即采用人工智能中的图像识别方法自动识别红火蚁发生情况，但目前深度学习在病虫害领域的推广应用并不顺利，主要原因是该领域的应用大多是细分领域、定制化的，目前主流的深度学习网络都难以直接用于到实际的项目中，企业需要不断测试、改进网络结构参数才可以应用到项目中，但该方式十分耗费时间和人力成本。

技术实现思路

[0003]本申请实施例的目的在于提供一种图像分类方法、分类模型的训练方法、装置及电子设备，以改善“现有技术中的深度学习网络难以直接用于识别红火蚁图像及红火蚁蚁巢图像”的问题。
[0004]本专利技术是这样实现的：第一方面，本申请实施例提供一种图像分类方法，所述方法包括：获取待识别图像，所述待识别图像中包括待识别对象；将所述待识别图像输入预设的第一神经网络，获取所述待识别对象为红火蚁的第一概率；将所述待识别图像输入预设的第二神经网络，获取所述待识别对象为红火蚁蚁巢的第二概率；根据所述第一概率、所述第二概率和预设概率值之间的大小关系，确定所述待识别对象的类别；其中，所述第一神经网络为根据预设个数的训练图样进行均值聚类得到的属于红火蚁类别的训练图样对应的隶属概率，以及该训练图样对应的图像特征进行训练后得到的神经网络；所述第二神经网络为根据预设个数的训练图样进行均值聚类得到的属于红火蚁蚁巢类别的训练图样对应的隶属概率，以及该训练图样对应的图像特征进行训练后得到的神经网络。
[0005]在本申请实施例中，第一神经网络为根据预设个数的训练图样进行均值聚类得到的属于红火蚁类别的训练图样对应的隶属概率，以及该训练图样对应的图像特征进行训练后得到的神经网络；第二神经网络为根据预设个数的训练图样进行均值聚类得到的属于红火蚁蚁巢类别的训练图样对应的隶属概率，以及该训练图样对应的图像特征进行训练后得到的神经网络。因此，将待识别图像分别输入第一神经网络和第二神经网络后，第一神经网络和第二神经网络能对该待识别图像直接进行识别，从而能分别得到待识别对象为红火蚁的第一概率以及为红火蚁蚁巢的第二概率。并且，通过第一概率、第二概率和预设概率值之间的大小关系，确定待识别对象的类别（即待识别对象为红火蚁，或红火蚁蚁巢，或其他类别），能实现对多个对象的识别。此外，相较于企业需要对现有的深度学习网络不断进行测试和改进网络结构参数后，才能应用到监测红火蚁发生情况的项目中，上述方式可直接应
用于该项目中，从而降低了企业的人力成本和时间成本。
[0006]结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述根据所述第一概率、所述第二概率和预设概率值之间的大小关系，确定所述待识别对象的类别，包括：若所述第一概率和所述第二概率均大于所述预设概率值，且所述第一概率大于所述第二概率，则确定所述待识别对象为所述红火蚁；若所述第一概率和所述第二概率均大于所述预设概率值，且所述第一概率小于所述第二概率，则确定所述待识别对象为所述红火蚁蚁巢。
[0007]在本申请实施例中，当第一概率和第二概率均大于预设概率值时，表示待识别图像上既存在红火蚁图像，又存在红火蚁蚁巢图像，即该待识别图像上存在多个对象。因此，通过第一概率和第二概率之间的大小关系，可快速且准确的确定出待识别图像中待识别对象的类别。
[0008]结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述方法还包括：若所述第一概率和所述第二概率均小于所述预设概率值，则调用预设的识别模型对所述待识别图像进行识别，获取所述待识别对象的类别。
[0009]在本申请实施例中，在第一概率和第二概率小于预设概率值时，则表示待识别对象为红火蚁和红火蚁蚁巢的概率较低，可能是其他类型的对象。此时，可调用预设的识别模型对待识别图像进一步识别，从而在待识别图像中待识别对象为红火蚁或红火蚁蚁巢的可能性较低时，通过识别模型再次确定待识别图像的类别，提高了对对象识别的广度。
[0010]结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述方法还包括：获取所述预设个数的训练图样及各所述训练图样对应的图像特征，所述训练图样包括红火蚁图样和红火蚁蚁巢图样；对所述训练图样进行均值聚类，获取每个所述训练图样对应的分类标签向量和隶属概率；根据所述分类标签向量对各所述训练图样进行分类，以判断该训练图样为红火蚁图样或红火蚁蚁巢图样；利用第一训练集对初始第一神经网络进行训练，得到所述第一神经网络；其中，所述第一训练集包括判断为红火蚁图样对应的图像特征，以及判断为红火蚁图样对应的隶属概率。
[0011]在本申请实施例中，通过上述方式，能快速得到每个训练图样的分类标签向量，避免通过人工的方式对各训练图样进行分类和标记，从而能根据各分类标签向量判断出各训练图样为红火蚁图样或红火蚁蚁巢图样，进而能快速得到第一训练集。此外，通过提高获取第一训练集的效率，从而提高了获取第一神经网络的效率。
[0012]结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述方法还包括：利用第二训练集对初始第二神经网络进行训练，得到所述第二神经网络；其中，所述第二训练集包括判断为红火蚁蚁巢图样对应的图像特征，以及判断为红火蚁蚁巢图样对应的隶属概率。
[0013]在本申请实施例中，通过上述方式，能快速获取到第二训练集，从而提高了获取第二神经网络的效率。
[0014]结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述获取所述预设个数的训练图样，包括：获取所述预设个数的收集图像，所述收集图像包括红火蚁图像和红火蚁蚁巢图像；对每个所述收集图像依次进行低帽变换和二值化处理，得到所述预设个数的二值化图像；对每个所述二值化图像进行分割，得到所述训练图样。
[0015]在本申请实施例中，通过将获取到的收集图像进行低帽变换，能将暗目标从亮背
景中凸显出来，即从各收集图像的背景中将红火蚁或红火蚁蚁巢凸显出来，从而有助于后续获取训练图样。此外，对完成低帽变换后的收集图像进行二值化处理，并对经过二值化处理后的图像进行分割，能快速且准确的得到训练图样。
[0016]结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述对所述训练图样进行均值聚类，获取每个所述训练图样对应的分类标签向量和隶属概率，包括：S301：将所述训练图样聚类到两个类中，得到各所述训练图样对应的分类标签向量，所述两个类为所述红火蚁和所述红火蚁蚁巢；S302：采用拉格朗日乘子法求解预设的代价函数，得到聚类中心点的方程和隶属概率矩阵的方程，其中，所述隶属概率矩阵表征每个所述训练图样聚类到对应的类中的概率，且所述隶属概率矩阵包括各所述训练图样对应的隶属概率；S303：更新初始化隶属概率矩阵本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像分类方法，其特征在于，所述方法包括：获取待识别图像，所述待识别图像中包括待识别对象；将所述待识别图像输入预设的第一神经网络，获取所述待识别对象为红火蚁的第一概率；将所述待识别图像输入预设的第二神经网络，获取所述待识别对象为红火蚁蚁巢的第二概率；根据所述第一概率、所述第二概率和预设概率值之间的大小关系，确定所述待识别对象的类别；其中，所述第一神经网络为根据预设个数的训练图样进行均值聚类得到的属于红火蚁类别的训练图样对应的隶属概率，以及该训练图样对应的图像特征进行训练后得到的神经网络；所述第二神经网络为根据预设个数的训练图样进行均值聚类得到的属于红火蚁蚁巢类别的训练图样对应的隶属概率，以及该训练图样对应的图像特征进行训练后得到的神经网络。2.根据权利要求1所述的方法，其特征在于，所述根据所述第一概率、所述第二概率和预设概率值之间的大小关系，确定所述待识别对象的类别，包括：若所述第一概率和所述第二概率均大于所述预设概率值，且所述第一概率大于所述第二概率，则确定所述待识别对象为所述红火蚁；若所述第一概率和所述第二概率均大于所述预设概率值，且所述第一概率小于所述第二概率，则确定所述待识别对象为所述红火蚁蚁巢。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：若所述第一概率和所述第二概率均小于所述预设概率值，则调用预设的识别模型对所述待识别图像进行识别，获取所述待识别对象的类别。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取所述预设个数的训练图样及各所述训练图样对应的图像特征，所述训练图样包括红火蚁图样和红火蚁蚁巢图样；对所述训练图样进行均值聚类，获取每个所述训练图样对应的分类标签向量和隶属概率；根据所述分类标签向量对各所述训练图样进行分类，以判断该训练图样为红火蚁图样或红火蚁蚁巢图样；利用第一训练集对初始第一神经网络进行训练，得到所述第一神经网络；其中，所述第一训练集包括判断为红火蚁图样对应的图像特征，以及判断为红火蚁图样对应的隶属概率。5.根据权利要求4所述的方法，其特征在于，所述方法还包括：利用第二训练集对初始第二神经网络进行训练，得到所述第二神经网络；其中，所述第二训练集包括判断为红火蚁蚁巢图样对应的图像特征，以及判断为红火蚁蚁巢图样对应的隶属概率。6.根据权利要求4所述的方法，其特征在于，所述获取所述预设个数的训练图样，包括：获取所述预设个数的收集图像，所述收集图像包括红火蚁图像和红火蚁蚁巢图像；对每个所述收集图像依次进行低帽变换和二值化处理，得到所述预设个数的二值化图
像；对每个所述二值化图像进行分割，得到所述训练图样。7.根据权利要求4所述的方法，其特征在于，所述对所述训练图样进行均值聚类，获取每个所述训练图样对应的分类标签向量和隶属概率，包括：S301：将所述训练图样聚类到两个类中，得到各所述训练图样对应的分类标签向量，所述两个类为所述红火蚁和所述红火蚁蚁巢；S302：采用拉格朗日乘子法求解预设的代价函数，得到聚类中心点的方程和隶属概率矩阵的方程，其中，所述隶属概率矩阵表征每个所述训练图样聚类到对应的类中的概率，且所述隶属概率矩阵包括各所述训练图样对应的隶属概率；S303：更新初始化隶属概率矩阵和聚类中心点，根据更新后的隶属概率矩阵值与上一次更新后的隶属概率矩阵值计算误差值，重复步骤S303，直到所述误差值小于预设的误差阈值，得到各所述训练图样对应的隶属概率。8.根据权利要求1
‑
7中任一项所述的方法，其特征在于，所述图像特征包括各所述训练图样对应图像的面积、周长、长度、宽度和平均灰度值。9.一种分类模型的训练方法，其特征在于，分类模型包括第一神经网络、第二神经网络和分类层，所述方法包括：获取预设个数的训练图样及各所述训练图样对应的图像特征，所述训练图样包括第一对象图样和第二对象图样；对所述训练图样进行均值聚类，获取每个所述训练图样对应的分类标签向量和隶属概率；根据所述分类标签向量对各所述训练图样进行分类，以判断该训练图样为第一对象图样或第二对象图样；利用第一训练集对初始第一神经网络进行训练，得到所述第一神经网络；其中，所述第一训练集包括判断为第一对象图样对应的图像特征，以及判断为第一对象图样对应的隶属概率；利用第二训练集对初始第二神经网络进行训练，得到所述第二神经网络；其中，所述第二训练集包括判断为第二对象图样对应的图像特征，以及判断为第二对象图样对应的隶属概率；其中，所述分类层用于根据所述第一神经网络输出的第一概率、所述第二神经网络输出的第二概率和预设概率值之间的大小关系，确定待识别图像中待识别对象的类别。10.根据权利要求9所述的方法，其特征在于，所述获取预设个数的训练图样，包括：获取所述预设个数的收集图像，所述收集图像包括第一对象图像和第二对象图像；对每个所述收集图像依次进行低帽变换和二值化处理，得到所述预设个数的二值化图像；对每个所述二值化图像进行分割，得到所述训练图样。11.根据权利要求10所述的方法，其特征在于，所述对每个所述收集图像进行低帽变换，包括：对每个所述收集图像均进行灰度化处理，得到所述灰度化处理后的各所述收集图像；对所述灰度化处理后的各所述收集图像均使用预设半径值的圆形模板进行膨胀处理，
得到所述膨胀处理后的各所述收集图像；对所述膨胀处理后的各所述收集图像均使用预设半径值的圆形模板进行腐蚀处理，得到所述腐蚀处理后的各所述收集图像；将所述腐蚀处理后的各所述收集图像减去与其对应的各所述收集图像，得到对各所述收集图像进行低帽变换后的图像。12.根据权利要求9所述的方法，其特征在于，所述对...

【专利技术属性】
技术研发人员：韩威俊，肖雪松，严骊，
申请(专利权)人：成都明途科技有限公司，
类型：发明
国别省市：