[发明专利]一种基于深度神经网络的生物个体物种鉴定方法

说明书

本发明公开了一种基于深度神经网络的生物个体物种鉴定方法，涉及动物学图像识别技术领域。通过收集生物个体头骨样本的不同方向图像数据为数据集，并基于不分割各个体图片的基准上(同一个体的图片只会存在于相同的数据集)按照8：2的比例划分为“测试集”与“训练集”。同时还会使用包括但不限于旋转、镜像、改变亮度、模糊、随机删除等方法对训练集图像进行数据增强；通过相应算法得到在特定任务中，样本各角度图像数据的权重，值，再通过数据融合的方法得到个体样本的物种鉴定结果。

技术领域

本发明涉及动物学图像识别技术领域，具体涉及一种基于深度神经网络的生物个体物种鉴定方法。

背景技术

随着计算机科学技术的发展以及在摩尔定律下急速增长的计算机芯片计算速度，深度神经网络技术正在多领域展现其无与伦比的成效，尤其是在图像识别领域。早期的图像识别任务基本上是用于区分部分特征差异大的物体，如猫狗分类，并且已拥有着较高的分类精度。但在细粒度图像分类领域却不尽人意。比如对于某种鼹鼠的物种区分，其各个物种虽有不同，但差异极小，就算让专家进行人工分类也是较为困难，需要对样本进行详细的形态学数据测量与统计，建立不同的决策树，耗费大量的人力物力。

发明内容

本发明的目的是提出一种基于深度神经网络的生物个体物种鉴定方法，通过构建多级神经网络与使用数据融合的方法，数据的流动在网络模型中更为精细，并且综合利用了单一生物个体样本的多角度特征，以实现比传统通过图像识别实现物种鉴定更高的识别精度。

为了达到上述目的，在本发明提供了一种基于深度神经网络的生物个体物种鉴定方法，所述方法包括：

第一步：获取数据集及数据预处理：

分别获取所需鉴定生物个体上颌背面、腹面、侧面和下颌侧面图像作为一组个体数据集样本，将图像格式统一；

第二步：数据集划分：

以生物个体为单位在不分割各个体图像的基准上按照8：2的比例划分所有数据集样本为测试集与训练集；对于每个完整的生物个体标本，所述生物个体标的数据文件夹包含当前生物个体头骨上颌背面、腹面、侧面和下颌侧面的图像数据，同时对所述训练集的图像进行数据增强；

第三步、物种鉴定网络模型构建：

使用深度神经网络模型作为整个网络模型的主体，通过ImageNet图像数据集对所述网络模型进行预训练，生物个体多角度头骨样本图像数据在输入神经网络提取特征后，通过分类器输出所述生物样本在各已标注类别上的概率分布数据；

第四步、分类器训练：

将模型中的全连接层输出通道数改为所需鉴定的生物样本已标注好的种类数目，调整完后，再将所划分的训练集数据输入预训练的神经网络模型以调整网络参数，使其适应针对该类生物的鉴定任务，并利用反向传播的方法调整网络模型中的权重；

第五步、获取各方向图像数据基本权重

在完成分类器的训练后，将测试集中的图像数据单独输入网络模型中，并通过算法得到对于该类生物样本数据种各个方向的图像数据在物种鉴定任务中的权重；

第六步、物种鉴定流程：

在完成分类器的训练后，将各个生物个体的数据样本输入到网络模型中，每个个体样本的多张图像数据依次进入识别网络，得到各个图像的物种鉴定概率分布数据，最终通过数据融合算法得到该生物样本的鉴定结果。

进一步地，所述图像格式为.JPG格式。

进一步地，所述一组个体数据集样本的标签包括s表示上颌骨，m表示下颌骨，d表示背面、v表示腹面、l表示侧面，并在标签起始处标注所属的属与种，即一个完整图像标签为：属#种#图像编号#上/下颌#图像方向。

进一步地，所述算法为：