【技術實現步驟摘要】
本專利技術涉及昆蟲識別，尤其涉及一種基于多任務卷積神經網絡的昆蟲分級分類方法和裝置。
技術介紹
1、外來入侵昆蟲會對我國的農林業造成嚴重危害，破壞我國本土的生物多樣性和生態安全，因此，對檢疫性昆蟲的準確識別和鑒定顯得尤為重要。傳統的昆蟲識別鑒定方法為專家人工鑒定，對于鑒定者的經驗及專業知識等均具有較高的要求，人力成本較高，效率低。
2、隨著人工智能技術的快速發展，基于深度學習的昆蟲識別算法被應用于昆蟲鑒定領域，然而由于客觀條件限制，訓練集數量有限導致識別的精度和準確性較低。
技術實現思路
1、本專利技術提供一種基于多任務卷積神經網絡的昆蟲分級分類方法和裝置，用以解決現有技術中采用人工鑒定的方法進行昆蟲識別，成本高、效率低，采用深度學習的方法進行昆蟲識別，識別精度和準確性較低的缺陷。
2、第一方面，本專利技術提供一種基于多任務卷積神經網絡的昆蟲分級分類方法，包括：
3、獲取待識別的昆蟲圖像；
4、對所述昆蟲圖像進行圖像增強處理，得到處理后的昆蟲圖像；
5、將所述處理后的昆蟲圖像輸入至預先構建的識別模型，得到所述識別模型輸出的所述昆蟲圖像對應的分級分類結果；
6、其中，所述識別模型是基于處理后的樣本昆蟲圖像，以及樣本昆蟲圖像的分級分類標簽進行訓練得到的。
7、在一些實施例中，所述識別模型包括特征提取層、特征融合層和分級分類層；
8、對應地，所述將所述處理后的昆蟲圖像輸入至預先構建的識別模型，
9、將所述處理后的昆蟲圖像輸入至所述特征提取層，得到所述特征提取層輸出的所述處理后的昆蟲圖像的多個特征向量；
10、將所述處理后的昆蟲圖像的多個特征向量輸入至所述特征融合層，得到所述特征融合層輸出的所述處理后的昆蟲圖像的融合特征向量；
11、將所述處理后的昆蟲圖像的融合特征向量輸入至所述分級分類層，得到所述分級分類層輸出的所述昆蟲圖像對應的分級分類結果。
12、在一些實施例中，所述特征提取層包括卷積特征提取層和自注意力特征提取層；
13、對應地，所述將所述處理后的昆蟲圖像輸入至所述特征提取層，得到所述特征提取層輸出的所述處理后的昆蟲圖像的多個特征向量，包括：
14、將所述處理后的昆蟲圖像輸入至所述卷積特征提取層，得到所述卷積特征提取層輸出的所述處理后的昆蟲圖像的第一特征向量；
15、將所述處理后的昆蟲圖像輸入至所述自注意力特征提取層，得到所述自注意力特征提取層輸出的所述處理后的昆蟲圖像的第二特征向量。
16、在一些實施例中，所述分級分類層包括多個級別的分類層；
17、對應地，所述將所述處理后的昆蟲圖像的融合特征向量輸入至所述分級分類層，得到所述分級分類層輸出的所述昆蟲圖像對應的分級分類結果，包括：
18、將所述處理后的昆蟲圖像的融合特征向量輸入至每一級別的分類層，得到所述每一級別的分類層輸出的所述昆蟲圖像對應的每一級別的分類結果。
19、在一些實施例中，所述對所述昆蟲圖像進行圖像增強處理，得到處理后的昆蟲圖像，包括：
20、對所述昆蟲圖像進行幾何變換、透視變換、顏色變換和直方圖均衡化處理，得到處理后的昆蟲圖像。
21、在一些實施例中，所述識別模型包括基于自注意力機制的transformer結構和多任務卷積神經網絡。
22、在一些實施例中，所述識別模型的確定過程包括：
23、獲取樣本昆蟲圖像，確定所述樣本昆蟲圖像的分級分類標簽；
24、對所述樣本昆蟲圖像進行圖像增強處理，得到處理后的樣本昆蟲圖像；
25、將所述處理后的樣本昆蟲圖像輸入至預先構建的初始識別模型，得到所述初始識別模型輸出的所述樣本昆蟲圖像對應的分級分類預測結果；
26、基于所述樣本昆蟲圖像對應的分級分類預測結果，以及所述樣本昆蟲圖像的分級分類標簽，計算總損失函數值；
27、基于所述總損失函數值，對所述初始識別模型的參數進行迭代優化，得到所述識別模型。
28、在一些實施例中，所述初始識別模型包括初始特征提取層、初始特征融合層和初始分級分類層；
29、對應地，所述將所述處理后的樣本昆蟲圖像輸入至預先構建的初始識別模型，得到所述初始識別模型輸出的所述樣本昆蟲圖像對應的分級分類預測結果，包括：
30、將所述處理后的樣本昆蟲圖像輸入至所述初始特征提取層，得到所述初始特征提取層輸出的所述處理后的樣本昆蟲圖像的多個樣本特征向量；
31、將所述處理后的樣本昆蟲圖像的多個樣本特征向量輸入至所述初始特征融合層，得到所述初始特征融合層輸出的所述處理后的樣本昆蟲圖像的樣本融合特征向量；
32、將所述處理后的樣本昆蟲圖像的樣本融合特征向量輸入至所述初始分級分類層，得到所述初始分級分類層輸出的所述樣本昆蟲圖像對應的分級分類預測結果。
33、在一些實施例中，基于所述樣本昆蟲圖像對應的分級分類預測結果，以及所述樣本昆蟲圖像的分級分類標簽，計算總損失函數值，包括：
34、基于所述樣本昆蟲圖像對應的分級分類預測結果，以及所述樣本昆蟲圖像的分級分類標簽，計算交叉熵損失函數值；
35、基于所述樣本昆蟲圖像對應的分級分類預測結果，判斷任意兩個相鄰級別的分類預測結果是否屬于父類和子類的從屬關系，得到判斷結果，根據所述判斷結果計算依賴層損失函數值；
36、基于所述交叉熵損失函數值和所述依賴層損失函數值，計算所述總損失函數值。
37、第二方面，本專利技術提供了一種基于多任務卷積神經網絡的昆蟲分級分類裝置，包括：
38、獲取單元，用于獲取待識別的昆蟲圖像；
39、處理單元，用于對所述昆蟲圖像進行圖像增強處理，得到處理后的昆蟲圖像；
40、識別單元，用于將所述處理后的昆蟲圖像輸入至預先構建的識別模型，得到所述識別模型輸出的所述昆蟲圖像對應的分級分類結果；
41、其中，所述識別模型是基于處理后的樣本昆蟲圖像，以及樣本昆蟲圖像的分級分類標簽進行訓練得到的。
42、本專利技術提供的基于多任務卷積神經網絡的昆蟲分級分類方法和裝置，通過獲取待識別的昆蟲圖像，對昆蟲圖像進行圖像增強處理，得到處理后的昆蟲圖像，將處理后的昆蟲圖像輸入至預先構建的識別模型，得到識別模型輸出的昆蟲圖像對應的分級分類結果，提高了昆蟲識別的效率、精度和準確性，降低了人力成本。
本文檔來自技高網...【技術保護點】
1.一種基于多任務卷積神經網絡的昆蟲分級分類方法，其特征在于，包括：
2.根據權利要求1所述的基于多任務卷積神經網絡的昆蟲分級分類方法，其特征在于，所述識別模型包括特征提取層、特征融合層和分級分類層；
3.根據權利要求2所述的基于多任務卷積神經網絡的昆蟲分級分類方法，其特征在于，所述特征提取層包括卷積特征提取層和自注意力特征提取層；
4.根據權利要求2所述的基于多任務卷積神經網絡的昆蟲分級分類方法，其特征在于，所述分級分類層包括多個級別的分類層；
5.根據權利要求1所述的基于多任務卷積神經網絡的昆蟲分級分類方法，其特征在于，所述對所述昆蟲圖像進行圖像增強處理，得到處理后的昆蟲圖像，包括：
6.根據權利要求1-5任一項所述的基于多任務卷積神經網絡的昆蟲分級分類方法，其特征在于，所述識別模型包括基于自注意力機制的Transformer結構和多任務卷積神經網絡。
7.根據權利要求1所述的基于多任務卷積神經網絡的昆蟲分級分類方法，其特征在于，所述識別模型的確定過程包括：
8.根據權利要求7所述的基于多任務
9.根據權利要求7所述的基于多任務卷積神經網絡的昆蟲分級分類方法，其特征在于，基于所述樣本昆蟲圖像對應的分級分類預測結果，以及所述樣本昆蟲圖像的分級分類標簽，計算總損失函數值，包括：
10.一種基于多任務卷積神經網絡的昆蟲分級分類裝置，其特征在于，包括：
...【技術特征摘要】
1.一種基于多任務卷積神經網絡的昆蟲分級分類方法，其特征在于，包括：
2.根據權利要求1所述的基于多任務卷積神經網絡的昆蟲分級分類方法，其特征在于，所述識別模型包括特征提取層、特征融合層和分級分類層；
3.根據權利要求2所述的基于多任務卷積神經網絡的昆蟲分級分類方法，其特征在于，所述特征提取層包括卷積特征提取層和自注意力特征提取層；
4.根據權利要求2所述的基于多任務卷積神經網絡的昆蟲分級分類方法，其特征在于，所述分級分類層包括多個級別的分類層；
5.根據權利要求1所述的基于多任務卷積神經網絡的昆蟲分級分類方法，其特征在于，所述對所述昆蟲圖像進行圖像增強處理，得到處理后的昆蟲圖像，包括：
6.根據權利要求1-5任一項所述的基于...
【專利技術屬性】
技術研發人員：段維軍，沈琳，郭立新，葉思超，劉麗，莊佳衍，崔俊霞，陳先鋒，
申請(專利權)人：寧波海關技術中心，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。