【技术实现步骤摘要】
本专利技术涉及一种识别和分类技术，具体涉及一种基于卷积神经网络的疑源类化石的识别和分类方法。
技术介绍
1、疑源类是一种微体化石类群，是多源的、具有不同亲缘关系的集合体。对地层年代确定、生物地层对比具有重要价值。在元古代和古生代地层中，疑源类是可找到的唯一化石，因此疑源类被广泛的用于生物地层学、古地理学和古环境学的研究。
2、疑源类化石的大小变化范围极大，范围变化从小于10μm到大于1mm，大多数种类的大小在15μm—80μm之间。它们也具有多种多样的外形，圆形、椭圆形、圆盘形、长形或多角形的中空壳体或中心体，在壳体表面还可能有突起、网脊、颗粒、翼、膜等外围修饰。对疑源类化石进行准确鉴定非常重要，根据正确的化石鉴定结果得到的研究结论才具有实际意义和科研价值，才能更有效的服务于地球科学和生物科学的生物研究。现有的鉴定方法主要是相关科研人员通过观察标本的外部形态和内部结构，结合文献、化石图册等相关资料进行鉴定，但随着古生物研究的不断发展，现有鉴定方法效率低下，费时费力的问题也日渐凸显。随着计算机技术的不断发展，图像识别技术越来越多地被应用于各个领域，大大提高了工作效率。本专利技术提供了一种基于卷积神经网络的疑源类化石的识别和分类方案，构建了一种cnn结构，对疑源类化石进行识别、分类。
3、因此，现亟需一种基于卷积神经网络的疑源类化石的识别和分类方法以解决上述问题。
技术实现思路
1、本专利技术的目的在于克服上述不足，提供一种基于卷积神经网络的疑源类化石的识别和分
2、本专利技术为解决上述技术问题，所采用的技术方案是：一种基于卷积神经网络的疑源类化石的识别和分类方法，它包括以下步骤，
3、s1：初始条件准备，通过化石类数据图库中收集疑源类化石图片；
4、s2：对原始疑源类化石图像进行数据增强，建立疑源类化石图像数据集；
5、s3：构建疑源类化石分类及识别卷积神经网络模型，改进模型结构及激活函数；
6、s4：对疑源类化石卷积神经网络进行训练，获得对应权重参数；
7、s5：验证卷积神经网络模型在疑源类化石识别和分类上的性能。
8、优选地，所述步骤s1中，通过化石类数据图库在其中收集10种疑源类化石图片。
9、优选地，所述步骤s2中包括以下步骤，
10、s21：利用多重网格法从收集到的疑源类化石图片中得到20张原始疑源类化石图像并进行分类；
11、s22：通过数据增强方法再将每张原始疑源类化石图像扩展为20张图像，满足疑源类化石卷积神经网络对大量图像的要求，数据增强方法包括随机翻转、平移、剪切和放大操作等；
12、s23：统一裁剪疑源类化石图像大小为96×96，确保疑源类化石卷积神经网络的输入向量大小相同；
13、s24：建立疑源类化石图像数据集，按8：1：1的比例将疑源类化石图像数据集分为训练集、验证集、测试集。
14、优选地，所述s3中包括以下子步骤，
15、s31：使用大小为3×3的卷积核与每个像素输入进行卷积；
16、s32：为了加快疑源类化石卷积神经网络训练速度，增加网络的非线性且防止梯度消失，采用非线性（relu）激活函数，其计算公式为：
17、
18、该激活函数收敛速度快，梯度简单，能减少模型训练时间，提高算法性能；
19、s33：在所建立的卷积神经网络结构中加入正则化和dropout，防止出现过拟合；
20、s34：将第一和第二卷积层的卷积核数设置为64个，对卷积特征图像进行归一化处理，提高疑源类化石卷积神经网络的收敛速度和计算精度；
21、s35：为了提高模型训练效率，设置batch size为64，终止迭代条件设置为epoch=20；
22、s36：建立疑源类化石卷积神经网络；
23、s37：输出判别矩阵，对输入的疑源类化石图像进行分类；
24、在建立的疑源类化石识别网络中，采用softmax函数作为分类器，将输入向量映射到0~1之间的概率值，用于多类分类，softmax函数是由以下公式定义：
25、
26、式中xi为全连接层的输出，i表示类别指数，c表示类别总数；
27、在疑源类化石分类中，softmax函数与交叉熵结合使用，softmax函数处理输出结果，使多个分类的预测值之和为1，然后用交叉熵计算损失，交叉熵损失公式如下：
28、
29、式中p(xi)为期望值，q(xi)为预测值。
30、优选地，所述步骤s4中包括以下子步骤，
31、s41：疑源类化石卷积神经网络的训练包括正向传播与反向传播，所述正向传播中将疑源类化石图像输入到疑源类化石卷积神经网络中，计算出疑源类化石图像的各种特征并获得输出值，所述反向传播中用交叉熵计算输出向量和期望向量之间的误差；
32、s42：采用随机梯度下降算法（stochastic gradient descent，sgd）作为错误返回算法，对疑源类化石卷积神经网络中的权重参数进行调整，基于sgd算法重复训练过程，直到迭代次数达到设定值。
33、优选地，所述步骤s5中，每组进行10次试验，设置batch size为64，终止迭代条件设置为epoch=20，在epoch达到20时，所建立模型对于疑源类化石的识别精度最高，达到了99.89%。
34、优选地，计算机cpu型号为intel core i7-6700 @3.4ghz，gpu型号为nvidia gtx1080ti，内存为16gb，采用pytorch框架。
35、本专利技术有如下有益效果：
36、1、本专利技术基于卷积神经网络实现了对疑源类化石的识别和分类，该网络模型对疑源类化石种类识别模型具有良好的识别精度和泛化能力；
37、2、本专利技术随着迭代次数的增加，模型的性能也逐步提高，迭代200次时模型训练的准确率达到99.89％，可以有效解决依靠人力识别疑源类化石效率低下、费时费力等问题。
本文档来自技高网...【技术保护点】
1.一种基于卷积神经网络的疑源类化石的识别和分类方法，其特征在于：它包括以下步骤，
2.根据权利要求1所述的一种基于卷积神经网络的疑源类化石的识别和分类方法，其特征在于：所述步骤S1中，通过化石类数据图库在其中收集10种疑源类化石图片。
3.根据权利要求1所述的一种基于卷积神经网络的疑源类化石的识别和分类方法，其特征在于：所述步骤S2中包括以下步骤，
4.根据权利要求1所述的一种基于卷积神经网络的疑源类化石的识别和分类方法，其特征在于：所述S3中包括以下子步骤，
5.根据权利要求1所述的一种基于卷积神经网络的疑源类化石的识别和分类方法，其特征在于：所述步骤S4中包括以下子步骤，
6.根据权利要求1所述的一种基于卷积神经网络的疑源类化石的识别和分类方法，其特征在于：所述步骤S5中，每组进行10次试验，设置batch size为64，终止迭代条件设置为epoch=20，在epoch达到20时，所建立模型对于疑源类化石的识别精度最高，达到了99.89%。
7.根据权利要求1所述的一种基于卷积神经网络的疑源类化石的识
...【技术特征摘要】
1.一种基于卷积神经网络的疑源类化石的识别和分类方法，其特征在于：它包括以下步骤，
2.根据权利要求1所述的一种基于卷积神经网络的疑源类化石的识别和分类方法，其特征在于：所述步骤s1中，通过化石类数据图库在其中收集10种疑源类化石图片。
3.根据权利要求1所述的一种基于卷积神经网络的疑源类化石的识别和分类方法，其特征在于：所述步骤s2中包括以下步骤，
4.根据权利要求1所述的一种基于卷积神经网络的疑源类化石的识别和分类方法，其特征在于：所述s3中包括以下子步骤，
5.根据权利要求1所述的一种基于卷积神经网络的疑源类化石的识别和分类方法，...
【专利技术属性】
技术研发人员：王骁鹏，华鸿鹏，王志哲，彭锟，周国亮，陆长清，张振兴，
申请(专利权)人：三峡大学，
类型：发明
国别省市：
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。