CN111860601A - 预测大型真菌种类的方法及装置 - Google Patents

预测大型真菌种类的方法及装置 Download PDF

Info

Publication number
CN111860601A
CN111860601A CN202010574891.7A CN202010574891A CN111860601A CN 111860601 A CN111860601 A CN 111860601A CN 202010574891 A CN202010574891 A CN 202010574891A CN 111860601 A CN111860601 A CN 111860601A
Authority
CN
China
Prior art keywords
cnn
image
training
submodels
submodel
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010574891.7A
Other languages
English (en)
Other versions
CN111860601B (zh
Inventor
王建新
肖杰文
赵铖博
李欣洁
庞博
刘钟钰
杨彝华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Forestry University
Original Assignee
Beijing Forestry University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Forestry University filed Critical Beijing Forestry University
Priority to CN202010574891.7A priority Critical patent/CN111860601B/zh
Publication of CN111860601A publication Critical patent/CN111860601A/zh
Application granted granted Critical
Publication of CN111860601B publication Critical patent/CN111860601B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种预测大型真菌种类的方法及装置，属于图像识别技术领域。所述方法包括：获取大型真菌的待处理图像；对所述待处理图像进行图像预处理操作，得到待识别图像；基于所述待识别图像以及预先训练的大型真菌分类识别模型，预测所述待识别图像的大型真菌对应的种类。采用本发明，可以提高大型真菌种类识别的准确率。

Description

预测大型真菌种类的方法及装置
技术领域
本发明涉及图像识别技术领域，特别涉及一种预测大型真菌种类的方法及装置。
背景技术
大型真菌俗称蘑菇，是除动物、植物外一类重要的真核生物。据报告(State ofthe World’s Fungi 2018)统计，世界共有14余万种大型真菌被报道，在中国被报道的可食用菌有1020种，可药用菌有692种，毒菌有480种。因此大型真菌分类是一项庞大且复杂的工作。传统分类学依靠分类学家对大型真菌特征进行鉴别，从而预测大型真菌种类。
随着计算机科学发展，生物识别领域已经成为一个热点。基于图像处理的大型真菌分类识别领域工作较为薄弱。目前存在一些对大型真菌种类进行分类识别的算法，如通过降梯度神经网络实现大型真菌分类识别的算法等。但存在的问题是，该神经网络对大型真菌这类边缘形态差异不显著的图像分类优势较弱，且该算法要求对图像进行背景去除的预处理方法，这将导致该算法在实际环境中和复杂背景下应用时，由于背景不能完全去除，导致在解决复杂环境下，传统大型真菌分类的准确率较低。
发明内容
本发明实施例提供了一种预测大型真菌种类的方法及装置，可以减小计算复杂度，并增加大型真菌分类的准确性。所述技术方案如下：
一方面，提供了一种预测大型真菌种类的方法，该方法应用于电子设备，该方法包括：
获取大型真菌的待处理图像；
对所述待处理图像进行图像预处理操作，得到待识别图像；
基于所述待识别图像以及预先训练的大型真菌分类识别模型，预测所述待识别图像的大型真菌对应的种类。
可选地，所述大型真菌分类识别模型包括多个卷积神经网络CNN子模型以及单层感知器子模型，优选地，多个CNN子模型可以包括ShuffleNetV2、MobileNetV2和经典CNN结构AlexNet；
所述大型真菌分类识别模型的训练过程如下：
获取多个第一训练样本，其中，所述第一训练样本包括第一样本图像以及对应的样本类别；
对所述多个第一训练样本中的样本图像进行图像预处理操作；
基于所述多个第一训练样本，对多个CNN子模型分别进行迭代训练；
确定训练后的多个CNN子模型的准确率，根据所述多个CNN子模型的准确率，对每个CNN子模型赋予权重；
基于赋予权重的多个CNN子模型以及单层感知器子模型，构建大型真菌分类识别模型。
可选地，所述图像预处理操作包括但不限于水平翻转、垂直翻转、随机角度旋转、随机比例缩放、颜色增强、RGB2HSV、归一化操作。
可选地，所述基于赋予权重的多个CNN子模型以及单层感知器子模型，构建大型真菌分类识别模型，包括：
基于多个CNN子模型赋予的权重，构建加权平均分类器；
连接所述多个CNN子模型、所述单层感知器子模型与所述加权平均分类器，构建初始大型真菌分类识别模型；
通过多个第二训练样本，对所述待训练大型真菌分类识别模型进行训练，得到大型真菌分类识别模型。
可选地，所述CNN子模型包括多个全连接层；
所述通过多个第二训练样本，对所述待训练大型真菌分类识别模型进行训练，得到大型真菌分类识别模型，包括：
通过多个第二训练样本，对所述待训练大型真菌分类识别模型中的CNN子模型的多个全连接层以及单层感知器子模型的各神经元权重值进行迭代训练，直至所述待训练大型真菌分类识别模型的输出准确率不再变化，将最后一次迭代得到的多个全连接层以及单层感知器子模型的各神经元权重值确定为最终训练结果，得到训练好的大型真菌分类识别模型
可选地，所述通过多个第二训练样本，对所述待训练大型真菌分类识别模型中的CNN子模型的多个全连接层以及单层感知器子模型的各神经元权重值进行迭代训练，包括：
获取多个第二训练样本，其中，所述第二训练样本包括第二样本图像以及对应的样本基准类别；
将所述第二样本图像依次输入所述待训练大型真菌分类识别模型中，对于每次输入的第二样本图像，获取所述待训练大型真菌分类识别模型输出的所述第二样本图像对应的预测结果，将所述预测结果与所述样本基准类别进行对比，通过反向传播算法，对所述多个全连接层以及单层感知器子模型的各神经元权重值进行调整。
一方面，提供了一种预测大型真菌种类的装置，该装置应用于电子设备，该装置包括：
获取单元，用于获取大型真菌的待处理图像；
处理单元，用于对所述待处理图像进行图像预处理操作，得到待识别图像；
预测单元，用于基于所述待识别图像以及预先训练的大型真菌分类识别模型，预测所述待识别图像的大型真菌对应的种类。
可选地，所述大型真菌分类识别模型包括多个卷积神经网络CNN子模型以及单层感知器子模型；
所述装置还包括训练单元，所述训练单元用于：
获取多个第一训练样本，其中，所述第一训练样本包括第一样本图像以及对应的样本类别；
对所述多个第一训练样本中的样本图像进行图像预处理操作；
基于所述多个第一训练样本，对多个CNN子模型分别进行迭代训练；
确定训练后的多个CNN子模型的准确率，根据所述多个CNN子模型的准确率，对每个CNN子模型赋予权重；
基于赋予权重的多个CNN子模型以及单层感知器子模型，构建大型真菌分类识别模型。
可选地，所述图像预处理操作包括但不限于水平翻转、垂直翻转、随机角度旋转、随机比例缩放、颜色增强、RGB2HSV、归一化操作。
可选地，所述训练单元，用于：
基于多个CNN子模型赋予的权重，构建加权平均分类器；
连接所述多个CNN子模型、所述单层感知器子模型与所述加权平均分类器，构建初始大型真菌分类识别模型；
通过多个第二训练样本，对所述待训练大型真菌分类识别模型进行训练，得到大型真菌分类识别模型。
可选地，所述CNN子模型包括多个全连接层；
所述训练单元，用于：
通过多个第二训练样本，对所述待训练大型真菌分类识别模型中的CNN子模型的多个全连接层以及单层感知器子模型的各神经元权重值进行迭代训练，直至所述待训练大型真菌分类识别模型的输出准确率不再变化，将最后一次迭代得到的多个全连接层以及单层感知器子模型的各神经元权重值确定为最终训练结果，得到训练好的大型真菌分类识别模型。
可选地，所述训练单元，用于：
获取多个第二训练样本，其中，所述第二训练样本包括第二样本图像以及对应的样本基准类别；
将所述第二样本图像依次输入所述待训练大型真菌分类识别模型中，对于每次输入的第二样本图像，获取所述待训练大型真菌分类识别模型输出的所述第二样本图像对应的预测结果，将所述预测结果与所述样本基准类别进行对比，通过反向传播算法，对所述多个全连接层以及单层感知器子模型的各神经元权重值进行调整。
可选地，所述多个CNN子模型包括ShuffleNetV2子模型，MobileNet子模型和AlexNet子模型。
一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述预测大型真菌种类的方法。
一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述预测大型真菌种类的方法。
本发明实施例提供的技术方案带来的有益效果至少包括：
本发明实施例中，综合多种CNN的优势，相比传统CNN或单独的ShuffleNetV2，MobileNet和AlexNet，具有更强的识别性能；相对于传统集成学***均分类器，权重根据原始CNN验证集准确率排序确定，权重使用n2，使准确率高的CNN具有更高的权重，使得原始CNN作为子模型能在整体模型中发挥更大作用。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种实施环境图；
图2是本发明实施例提供的一种实施环境图；
图3是本发明实施例提供的一种预测大型真菌种类的方法流程图；
图4是本发明实施例提供的一种预测大型真菌种类的方法流程图；
图4a是本发明实施例提供的一种预测大型真菌种类的框架示意图；
图5是本发明实施例提供的一种预测大型真菌种类的装置示意图；
图6是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
本发明实施例提供了一种预测大型真菌种类的方法，该实施环境可以包括至少一个终端101、以及用于为该多个终端101提供服务的服务器102。至少一个终端101通过无线或者有线网络和服务器102连接，该多个终端101可以为能够访问服务器102的计算机设备或智能终端等。
对于图像识别的过程，如图1所示，终端101中可以安装有大型真菌图像采集程序、图像预处理操作相关的应用程序、以及训练好的大型真菌分类识别模型。当用户想要预测某大型真菌对应的种类时，可以在通过终端采集该大型真菌的图像，或者通过其它方式获取该大型真菌对应的图像，还可以通过终端接收服务器发送的待识别的大型真菌的图像，然后将大型真菌的图像输入到训练好的大型真菌分类识别模型中，本发明对此不做限定。服务器102也可以为上述应用程序提供待识别的大型真菌的图像。另外，终端101还可以作为需求方，将大型真菌的图像发送至服务器102，请求服务器102预测该大型真菌的图像对应的种类。这种情况下，服务器102中还可以具有至少一种数据库，用以存储图像预处理算法、终端101发送的大型真菌的图像以及训练好的大型真菌分类识别模型等等。服务器102可以是单个终端或终端组，当服务器102是终端组时，每个终端之间可以共享识别出的大型真菌对应的种类等结果数据。
对于模型训练的过程，如图2所示，终端101中可以存储有待训练的多个CNN子模型、单层感知器子模型等，当用户通过多个样本数据对待训练的多个CNN子模型进行训练时，可以通过终端获取预先存储的样本数据，服务器102也可以为终端101提供样本数据，本发明对此不做限定。另外，服务器也可以作为训练模型的设备，这种情况下，服务器102中可以具有至少一种数据库，用以存储多个CNN子模型、单层感知器子模型等，这种情况下，用于训练的样本数据可以是服务器102的数据库中预先存储的，也可以是终端101发送至服务器102以此方式获取的，本发明对此不做限定。
本发明实施例提供了一种预测大型真菌种类的方法，该方法可以由电子设备实现，该电子设备可以是终端或服务器。如图3所示的预测大型真菌种类的方法流程图，该方法的处理流程可以包括如下的步骤：
步骤301、电子设备获取大型真菌的待处理图像。
步骤302、电子设备对待处理图像进行图像预处理操作，得到待识别图像。
步骤303、基于待识别图像以及预先训练的大型真菌分类识别模型，电子设备预测待识别图像的大型真菌对应的种类。
可选地，大型真菌分类识别模型包括多个卷积神经网络CNN子模型以及单层感知器子模型；
大型真菌分类识别模型的训练过程如下：
获取多个第一训练样本，其中，第一训练样本包括第一样本图像以及对应的样本类别；
对多个第一训练样本中的样本图像进行图像预处理操作；
基于多个第一训练样本，对多个CNN子模型分别进行迭代训练；
确定训练后的多个CNN子模型的准确率，根据多个CNN子模型的准确率，对每个CNN子模型赋予权重；
基于赋予权重的多个CNN子模型以及单层感知器子模型，构建大型真菌分类识别模型。
可选地，图像预处理操作包括但不限于水平翻转、垂直翻转、随机角度旋转、随机比例缩放、颜色增强、RGB2HSV、归一化操作。
可选地，基于赋予权重的多个CNN子模型以及单层感知器子模型，构建大型真菌分类识别模型，包括：
基于多个CNN子模型赋予的权重，构建加权平均分类器；
连接多个CNN子模型、单层感知器子模型与加权平均分类器，构建初始大型真菌分类识别模型；
通过多个第二训练样本，对待训练大型真菌分类识别模型进行训练，得到大型真菌分类识别模型。
可选地，所述CNN子模型包括多个全连接层；通过多个第二训练样本，对待训练大型真菌分类识别模型进行训练，得到大型真菌分类识别模型，包括：
通过多个第二训练样本，对待训练大型真菌分类识别模型中的CNN子模型的多个全连接层以及单层感知器子模型的各神经元权重值进行迭代训练，直至待训练大型真菌分类识别模型的输出精度不再变化，将最后一次迭代得到的多个全连接层以及单层感知器子模型的各神经元权重值确定为最终训练结果，得到训练好的大型真菌分类识别模型。
可选地，通过多个第二训练样本，对待训练大型真菌分类识别模型中的单层感知器子模型的各神经元权重值进行迭代训练，包括：
获取多个第二训练样本，其中，第二训练样本包括第二样本图像以及对应的样本基准类别；
将第二样本图像依次输入待训练大型真菌分类识别模型中，对于每次输入的第二样本图像，获取待训练大型真菌分类识别模型输出的第二样本图像对应的预测结果，将预测结果与样本基准类别进行对比，通过反向传播算法，对多个全连接层以及单层感知器子模型的各神经元权重值进行调整。
可选地，上述多个CNN子模型包括ShuffleNetV2子模型，MobileNet子模型和AlexNet子模型。
本发明实施例中，本发明对复杂背景下大型真菌的图像进行处理，针对图像复杂背景问题，本发明使用彩色图像的HSV通道进行采样，使得大型真菌分类识别模型对复杂背景更加敏感，增强识别率，使得本发明能够应对野外等多种条件下的大型真菌分类问题，并且不需携带仪器或需采集实物标本，仅需采集大型真菌图像，或直接处理大型真菌图像，即可通过本发明获得分类结果，大大提高了识别的准确率。
本发明实施例提供了一种预测大型真菌种类的方法，该方法可以由电子设备实现，该电子设备可以是终端或服务器。本发明实施例具体阐述对大型真菌的图像进行识别的过程，如图3所示的预测大型真菌种类的方法流程图，该方法的处理流程可以包括如下的步骤：
步骤301、电子设备获取大型真菌的待处理图像。
一种可行的实施方式中，电子设备可以通过多种方式获取大型真菌的待处理图像，例如，电子设备配备有图像采集设备，通过图像采集设备采集大型真菌的多个图像，以此作为待处理图像。又或者，电子设备通过网络等方式直接获取大型真菌的待处理图像，本发明对获取大型真菌的待处理图像的获取方式不做限定。
需要说明的是，获取的最好待处理图像中最好具有大型真菌的一个或多个明显的形态学特征，即待处理图像尽可能完整、清晰，从正侧上方拍摄；其中，待处理图像最好为RGB三通道彩色图像，分辨率最好略大于300×300。这样，可以最大可能排除待处理图像中不良因素的干扰，使得最终识别结果尽可能准确。
步骤302、电子设备对待处理图像进行图像预处理操作，得到待识别图像。
其中，图像预处理操作可以包括对待处理图像进行图像数据增强以及图像处理，图像数据增强可以包括但不限于：水平翻转、垂直翻转、随机角度旋转、随机比例缩放、颜色增强等操作。其中，因为大型真菌形态一般少见规则，所以待处理图像对于对称、旋转、缩放操作具有敏感性；本发明实施例使用的图像为彩色三通道图像，因此待处理图像对颜色增强操作具有敏感性，因此以上操作均适合用于数据增强。
图像处理可以包括但不限于RGB2HSV，归一化等。其中，RGB通道转HSV通道步骤的目的是为了对复杂背景下的大型真菌特征进行学习，需保留彩色图像的三个通道，常规RGB图像适合人眼观察，但不适合大型真菌图像特征提取，HSV待处理图像更适合通过CNN处理。归一化的目的为将0～255的待处理图像取值范围缩小到0～1，方便CNN处理。
步骤303、基于待识别图像以及预先训练的大型真菌分类识别模型，电子设备预测待识别图像的大型真菌对应的种类。
一种可行的实施方式中，将通过上述步骤302图像预处理操作后得到的待识别图像输入预先训练的大型真菌分类识别模型中，该大型真菌分类识别模型可以直接输出待识别图像对应的种类。
本发明实施例中，本发明对复杂背景下大型真菌的图像进行处理，针对图像复杂背景问题，本发明使用彩色图像的HSV通道进行采样，使得大型真菌分类识别模型对复杂背景更加敏感，增强识别率，使得本发明能够应对野外等多种条件下的大型真菌分类问题，并且不需携带仪器或需采集实物标本，仅需采集大型真菌图像，或直接处理大型真菌图像，即可通过本发明获得分类结果，大大提高了识别的准确率。
本发明实施例提供了一种预测大型真菌种类的方法，该方法可以由电子设备实现，该电子设备可以是终端或服务器。本发明实施例具体阐述对待训练的大型真菌分类识别模型进行训练的过程，如图4所示的对待训练的大型真菌分类识别模型进行训练的方法流程图，该方法的处理流程可以包括如下的步骤：
步骤401、电子设备获取多个第一训练样本。
其中，第一训练样本包括第一样本图像以及对应的样本类别。
需要说明的是，为了使训练的效果更好、训练的更全面，最好收集尽可能多的、能反映不同复杂背景和大型真菌不同特征的、具有差异的大型真菌图片作为第一样本图像，同一种类的图像最好来自于形态特征明显的不同个体，其中，优选地，通过图像处理能提取的大型真菌形态特征包括：菌盖、菌柄、菌褶、菌环、菌托的形状、颜色。其中，第一样本图像为RGB三通道彩色图像，分辨率最好略大于300×300。
步骤402、对多个第一训练样本中的样本图像进行图像预处理操作。
其中，图像预处理操作可以包括对待处理图像进行图像数据增强以及图像处理，图像数据增强可以包括但不限于：水平翻转、垂直翻转、随机角度旋转、随机比例缩放、颜色增强等操作。其中，因为大型真菌形态一般少见规则，所以待处理图像对于对称、旋转、缩放操作具有敏感性；本发明实施例使用的图像为彩色三通道图像，因此待处理图像对颜色增强操作具有敏感性，因此以上操作均适合用于数据增强。
图像处理可以包括但不限于RGB2HSV，归一化等。其中，RGB通道转HSV通道步骤的目的是为了对复杂背景下的大型真菌特征进行学习，需保留彩色图像的三个通道，常规RGB图像适合人眼观察，但不适合大型真菌图像特征提取，HSV待处理图像更适合通过CNN处理。归一化的目的为将0～255的待处理图像取值范围缩小到0～1，方便CNN处理。
步骤403、基于多个第一训练样本，对多个CNN子模型分别进行迭代训练。
其中，一个CNN子模型即一个独立的CNN，CNN可自动提取图像的特征，相比人工选择、标记、识别图像特征，CNN具有高效、便捷、可量化、自适应的特点。在本实施例中，CNN用于提取大型真菌的所述形态学特征，并且通过所提取特征给出图像分类的概率，并且自适应调自身参数。CNN通过卷积的方式提取大型真菌图像的特征，并通过卷积层输出特征图，高层卷积层较低层卷积层提取的特征图抽象。
任一CNN子模型的训练步骤可以如下：
步骤4031、构建CNN子模型，一般CNN子模型结构包括输入层，中间层和输出层，其中：输入层，即CNN子模型第一层，用于接收图像，通常也属于卷积层；中间层，一般由一个或多个卷积层，或卷积层与池化层的组合，或全连接层构成；输出层，将输出值送给分类器，一般由全连接层构成。
进一步地，卷积层，通过卷积核提取图像的特征图；池化层，对输入的特征图进行压缩，一方面使特征图变小，简化网络计算复杂度；一方面进行特征压缩，提取主要特征；全连接层，连接所有的特征；分类器，对全连接层输出值进行分类，通常为softmax。
进一步地，优选地，本实施例选择轻量级CNN结构来构建CNN子模型，包括ShuffleNetV2，MobileNetV2和经典CNN结构AlexNet，其中：
1)MobileNet是一类用于移动端或者嵌入式设备中的轻量级CNN结构，MobileNet最大的特点是可分离卷积(Depthwise separable convolution)方法的应用，深度可分离卷积将传统卷积的两步进行分离开来，分别是深度(Depthwise)和逐点(Pointwise)卷积，比传统卷积少8到9倍的计算量。其中，MobileNetv1的整个模型结构有28层，包含五次可分离卷积过程，使用分步(Stride代)替池化(Pooling)层来进行降采样。V2在V1的基础上，引入了倒残差模块(Inverted Residuals)和线性瓶颈(Linear Bottlenecks)。
其中，倒残差模块为：输入首先经过1×1的卷积进行通道扩张，然后使用3×3的深度卷积，最后使用1×1的逐点卷积将通道数压缩。其中扩展因子为6。
线性瓶颈为：将最后一层的ReLU替换成线性激活函数，而其他层的激活函数依然是ReLU6。
进一步地，本实施例基于MobileNetV2构建的CNN子模型结构如表1所示。
表1
Layer Output Size T Stride n c
Image 224<sup>2</sup>×3 - - - -
Conv1 112<sup>2</sup>×32 - 2 1 32
Block1 112<sup>2</sup>×16 1 1 1 16
Block2 56<sup>2</sup>×24 6 2 2 24
Block3 28<sup>2</sup>×32 6 2 3 32
Block4 14<sup>2</sup>×64 6 2 4 64
Block5 14<sup>2</sup>×96 6 1 3 97
Block6 7<sup>2</sup>×160 6 2 3 160
Block7 7<sup>2</sup>×320 6 1 1 320
Conv2 7<sup>2</sup>×1280 - 1 1 1280
AveragePool 1×1×1280 - - 1 -
FC k - - - k
2)ShuffleNet是一类以通道混合(Channel shuffle)为特点的分组卷积的轻量级CNN结构。ShuffleNetV2是ShuffleNetV1基础上优化后的一种轻量级CNN结构。
ShuffleNet的基本结构主要由块(Block)组成，包括：
首先使用1×1组卷积(Group convolution)，然后是通道混合操作，然后使用3×3的深度卷积，其中，步长stride＝2，紧接着是1×1卷积，然后将得到特征图与输出进行连接。
其中，通道混合为：将输入层分为b组，总通道数为b×n，将通道维度拆分为(b,n)两个维度，然后将这两个维度转置变成(n,b)，最后重新变换成一个维度b×n。目的为对分组卷积之后的特征图进行“重组”。
V2在V1的基础上在开始处增加了一个通道分离(Channel split)操作，这个操作将输入特征的通道分成c-c’和c’，其中c’在为c/2。取消1×1卷积层中的分组操作。其次，通道混合的操作移到了连接后。最后将按元素添加(Element-wise add)操作替换成连接。
进一步地，本实施例基于ShuffleNetV2构建的CNN子模型结构如表2所示。
表2
Figure BDA0002550960940000121
3)AlexNet是在LeNet的基础上加深了网络的结构，学习更丰富更高维的图像特征。其特点为：更深的网络结构，使用层叠的卷积层，即卷积层+卷积层+池化层来提取图像的特征，使用随机失活(Dropout)抑制过拟合，使用数据增强(Data Augmentation)抑制过拟合，使用Relu替换之前的sigmoid的作为激活函数，可使用多GPU训练。
AlexNet包含8个带权重的网络层，其中，前5层是卷积层，剩下的3层是全连接层。最后一层全连接层的输出是k维softmax的输入，softmax会产生k类标签的分布。
进一步地，本实施例基于AlexNet构建的CNN子模型结构如表3所示。
表3
Layer Input KSize
Image 224×224×3 -
Conv1 56×56×96 11×11/4×4
Pool 16×16×96 3×3/2×2
DropOut 28×28×96 -
Conv2 28×28×256 5×5
Pool 14×14×256 3×3/2×2
DropOut 14×14×256 -
Conv3 14×14×384 3×3
Conv4 14×14×384 3×3
Conv5 14×14×256 3×3
Pool 14×14×256 3×3/2×2
DropOut 7×7×256 -
FC k -
步骤4032、CNN子模型训练，构建CNN子模型结构后，对所述多个CNN子模型，通过第一训练样本的第一样本图像以及对应的样本类别进行训练，其中使用Adam优化器对各神经元权重值进行迭代,其中一个批(batch)中有多张图片，批图片数用batch size表示。
步骤4033、CNN子模型参数迭代，使用反向传播算法对各全连接层的各神经元权重值进行迭代，直至该神经网络输出精度不再提高，同时保证验证集精度没有下降，即得到训练完成的CNN子模型。
步骤4034、CNN子模型验证，通过第一训练样本，对CNN子模型泛化能力进行验证，输出Top1准确率Accconv1，Accconv2，……Accconv_n；从小到大排序为Acc1，Acc2，……，Accn。其中，Top1准确率为，通过第一训练样本训练的训练结果中，CNN子模型给出的概率最大的分类为正确标签的百分比，也即，CNN子模型给出的结果为正确结果的比率。
步骤404、电子设备确定训练后的多个CNN子模型的准确率，根据多个CNN子模型的准确率，对每个CNN子模型赋予权重。
一种可行的实施方式中，可以通过下述公式(1)对各个CNN、子模型进行赋权。
Figure BDA0002550960940000131
其中，Wconv(i)为第i个CNN权重，Acccon(i)为第i个CNN准确率，其中i取1，2，3，……，n。
步骤405、基于多个CNN子模型赋予的权重，构建加权平均分类器。
一种可行的实施方式中，可以通过下述公式(2)构建加权平均分类器。
Figure BDA0002550960940000141
其中，Classifier代表分类器，tensor(conv(i))为第i个CNN的最后一个全连接层所输出的张量，大小为k×b，其中k为种类数，b为batch数，W(conv(i))为第i个CNN的权重，其中i取1，2，3，……，n。
步骤406、电子设备连接多个CNN子模型、单层感知器子模型与加权平均分类器，构建初始大型真菌分类识别模型。
优选地，单层感知器子模型可以是全连接层，起到全连接层的作用。
一种可行的实施方式中，如图4a所示，电子设备对CNN子模型增加一个单层感知器子模型，该单层感知器子模型可以看作全连接层，该单层感知器子模型可称作全连接层fc_wn，激活函数为softmax。对CNN子模型中的多个全连接层、单层感知器子模型的前一个全连接层fc_w，更改激活函数为relu。连接CNN子模型的fc_wn于加权平均分类器，构成待训练大型真菌分类识别模型。本发明实施例集成三个CNN子模型，包括ShuffleNetV2、MobileNetV2和AlexNet结构构建的CNN子模型和加权平均分类器。
步骤407、通过多个第二训练样本，对待训练大型真菌分类识别模型进行训练，得到大型真菌分类识别模型。
一种可行的实施方式中，通过上述步骤将多个CNN子模型与单层感知器子模型集成待训练大型真菌分类识别模型后，需要对该待训练大型真菌分类识别模型进行训练。可以同时训练该待训练大型真菌分类识别模型中的CNN子模型中的多个全连接层与单层感知器子模型中的各个神经元权重值，训练步骤可以包括下述步骤4071-4072。
步骤4071、可以通过多个第二训练样本，对待训练大型真菌分类识别模型中的CNN子模型中的多个全连接层以及单层感知器子模型的各神经元权重值进行迭代训练。
具体地，获取多个第二训练样本，其中，第二训练样本包括第二样本图像以及对应的样本基准类别。需要说明的是，此处的第二训练样本，可以与上述第一训练样本是同一批样本，也可以是不同的样本，本发明实施例对此不做限定。
开放CNN子模型中的多个全连接层以及单层感知器子模型的参数，将第二样本图像依次输入待训练大型真菌分类识别模型中，对于每次输入的第二样本图像，获取待训练大型真菌分类识别模型输出的第二样本图像对应的预测结果，将预测结果与样本基准类别进行对比，确定此次迭代的输出准确率，通过反向传播算法，对CNN子模型中的多个全连接层以及单层感知器子模型的各神经元权重值进行调整。优选地，可以使用Adam优化器对各神经元权重值进行迭代。
步骤4072、直至待训练大型真菌分类识别模型的输出精度不再变化，将最后一次迭代得到的CNN子模型中的多个全连接层以及单层感知器子模型的各神经元权重值确定为最终训练结果，得到训练好的大型真菌分类识别模型。
具体地，根据上述步骤4071每次得到输出精度时，均与前一次迭代的输出精度进行比较，如果此次迭代的输出精度与前一次迭代的输出精度相同，且连续预设次数迭代的输出精度均未发生变化，说明待训练大型真菌分类识别模型已经达到了精度顶值，再进行迭代，输出精度也不会提高了，因此，可以将最后一次迭代得到的CNN子模型中的多个全连接层以及单层感知器子模型的各神经元权重值确定为最终训练结果，得到训练好的大型真菌分类识别模型。
优选地，训练完成后，可以对大型真菌分类识别模型的泛化能力进行验证，输出Top1准确率Acctop1和Top5准确率Acctop5。其中，Top5准确率的定义为，将多个第二训练样本的第二样本图像输入大型真菌分类识别模型，该大型真菌分类识别模型给出的概率最大的前五个分类为正确标签的百分比。
在本发明中实施例中，技术人员获取18种大型真菌图像共3580张，按照种类将相同图片打包为同一文件夹，作为原始数据集。通过对文件夹内图片的遍历，获得各图片的标签。优选地，原始数据集划分为训练集、验证集、测试集的比例为6:2:2。并对所述大型真菌图像进行数据增强和预处理，其中，训练集用于对模型进行训练使用，验证集用于验证模型的输出是否准确，测试集用于测试模型的精度。通过上述训练过程得到的大型真菌分类识别模型的准确率与目前现有的模型的准确率的比较可以如下表4所示。
表4
Figure BDA0002550960940000151
Figure BDA0002550960940000161
需要说明的是，上述预测大型真菌种类的方法以及训练模型的方法由电子设备实现，该电子设备可以是终端或服务器，该电子设备需要提供对应的实施环境。优选地，本实施例方法基于飞桨(PaddlePaddle)环境来实现。飞桨集深度学***台于一体，2016年正式开源，是全面开源开放、技术领先、功能完备的产业级深度学习平台。飞桨选择Python作为模型开发和执行调用的主要前端语言，并提供了丰富的编程接口API。同时为了保证框架的执行效率，飞桨底层实现采用C++。对于预测推理，为方便部署应用，则同时提供了C++和Java API。
本发明实施例中，综合多种CNN的优势，相比传统CNN或单独的ShuffleNetV2，MobileNet和AlexNet，具有更强的识别性能；相对于传统集成学***均分类器，权重根据原始CNN验证集准确率排序确定，权重使用n2，使准确率高的CNN具有更高的权重，使得原始CNN作为子模型能在整体模型中发挥更大作用。
图5是根据一示例性实施例示出的一种预测大型真菌种类的框图。参照图5，该装置包括获取单元510，处理单元520和预测单元530。
获取单元510，用于获取大型真菌的待处理图像；
处理单元520，用于对所述待处理图像进行图像预处理操作，得到待识别图像；
预测单元530，用于基于所述待识别图像以及预先训练的大型真菌分类识别模型，预测所述待识别图像的大型真菌对应的种类。
可选地，所述大型真菌分类识别模型包括多个卷积神经网络CNN子模型以及单层感知器子模型；
所述装置还包括训练单元540，所述训练单元540用于：
获取多个第一训练样本，其中，所述第一训练样本包括第一样本图像以及对应的样本类别；
对所述多个第一训练样本中的样本图像进行图像预处理操作；
基于所述多个第一训练样本，对多个CNN子模型分别进行迭代训练；
确定训练后的多个CNN子模型的准确率，根据所述多个CNN子模型的准确率，对每个CNN子模型赋予权重；
基于赋予权重的多个CNN子模型以及单层感知器子模型，构建大型真菌分类识别模型。
可选地，所述图像预处理操作包括但不限于水平翻转、垂直翻转、随机角度旋转、随机比例缩放、颜色增强、RGB2HSV、归一化操作。
可选地，所述训练单元540，用于：
基于多个CNN子模型赋予的权重，构建加权平均分类器；
连接所述多个CNN子模型、所述单层感知器子模型与所述加权平均分类器，构建初始大型真菌分类识别模型；
通过多个第二训练样本，对所述待训练大型真菌分类识别模型进行训练，得到大型真菌分类识别模型。
可选地，所述CNN子模型包括多个全连接层；
所述训练单元540，用于：
通过多个第二训练样本，对所述待训练大型真菌分类识别模型中的CNN子模型的多个全连接层以及单层感知器子模型的各神经元权重值进行迭代训练，直至所述待训练大型真菌分类识别模型的输出准确率不再变化，将最后一次迭代得到的多个全连接层以及单层感知器子模型的各神经元权重值确定为最终训练结果，得到训练好的大型真菌分类识别模型。
可选地，所述训练单元540，用于：
获取多个第二训练样本，其中，所述第二训练样本包括第二样本图像以及对应的样本基准类别；
将所述第二样本图像依次输入所述待训练大型真菌分类识别模型中，对于每次输入的第二样本图像，获取所述待训练大型真菌分类识别模型输出的所述第二样本图像对应的预测结果，将所述预测结果与所述样本基准类别进行对比，通过反向传播算法，对所述多个全连接层以及单层感知器子模型的各神经元权重值进行调整。
可选地，所述多个CNN子模型包括ShuffleNetV2子模型，MobileNet子模型和AlexNet子模型。
本发明实施例中，综合多种CNN的优势，相比传统CNN、DCNN和残差网络，具有更强的识别性能；相对于传统集成学***均分类器，权重根据原始CNN验证集准确率排序确定，权重使用n2，使准确率高的CNN具有更高的权重，使得原始CNN作为子模型能在整体模型中发挥更大作用。
图6是本发明实施例提供的一种电子设备600的结构示意图，该电子设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessing units，CPU)601和一个或一个以上的存储器602，其中，所述存储器602中存储有至少一条指令，所述至少一条指令由所述处理器601加载并执行以实现下述预测大型真菌种类的方法的步骤：
获取大型真菌的待处理图像。
对待处理图像进行图像预处理操作，得到待识别图像。
基于待识别图像以及预先训练的大型真菌分类识别模型，预测待识别图像的大型真菌对应的种类。
可选地，大型真菌分类识别模型包括多个卷积神经网络CNN子模型以及单层感知器子模型；
大型真菌分类识别模型的训练过程如下：
获取多个第一训练样本，其中，第一训练样本包括第一样本图像以及对应的样本类别；
对多个第一训练样本中的样本图像进行图像预处理操作；
基于多个第一训练样本，对多个CNN子模型分别进行迭代训练；
确定训练后的多个CNN子模型的准确率，根据多个CNN子模型的准确率，对每个CNN子模型赋予权重；
基于赋予权重的多个CNN子模型以及单层感知器子模型，构建大型真菌分类识别模型。
可选地，图像预处理操作包括但不限于水平翻转、垂直翻转、随机角度旋转、随机比例缩放、颜色增强、RGB2HSV、归一化操作。
可选地，基于赋予权重的多个CNN子模型以及单层感知器子模型，构建大型真菌分类识别模型，包括：
基于多个CNN子模型赋予的权重，构建加权平均分类器；
连接多个CNN子模型、单层感知器子模型与加权平均分类器，构建初始大型真菌分类识别模型；
通过多个第二训练样本，对待训练大型真菌分类识别模型进行训练，得到大型真菌分类识别模型。
可选地，所述CNN子模型包括多个全连接层；
通过多个第二训练样本，对待训练大型真菌分类识别模型进行训练，得到大型真菌分类识别模型，包括：
通过多个第二训练样本，对待训练大型真菌分类识别模型中的CNN子模型的多个全连接层以及单层感知器子模型的各神经元权重值进行迭代训练，直至待训练大型真菌分类识别模型的输出精度不再变化，将最后一次迭代得到的多个全连接层以及单层感知器子模型的各神经元权重值确定为最终训练结果，得到训练好的大型真菌分类识别模型。
可选地，通过多个第二训练样本，对待训练大型真菌分类识别模型中的CNN子模型的多个全连接层以及单层感知器子模型的各神经元权重值进行迭代训练，包括：
获取多个第二训练样本，其中，第二训练样本包括第二样本图像以及对应的样本基准类别；
将第二样本图像依次输入待训练大型真菌分类识别模型中，对于每次输入的第二样本图像，获取待训练大型真菌分类识别模型输出的第二样本图像对应的预测结果，将预测结果与样本基准类别进行对比，通过反向传播算法，对多个全连接层以及单层感知器子模型的各神经元权重值进行调整。
可选地，上述多个CNN子模型包括ShuffleNetV2子模型，MobileNet子模型和AlexNet子模型。
本发明实施例中，综合多种CNN的优势，相比传统CNN或单独的ShuffleNetV2，MobileNet和AlexNet，具有更强的识别性能；相对于传统集成学***均分类器，权重根据原始CNN验证集准确率排序确定，权重使用n2，使准确率高的CNN具有更高的权重，使得原始CNN作为子模型能在整体模型中发挥更大作用。
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述预测大型真菌种类的方法。例如，所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种预测大型真菌种类的方法，其特征在于，所述方法包括：
获取大型真菌的待处理图像；
对所述待处理图像进行图像预处理操作，得到待识别图像；
基于所述待识别图像以及预先训练的大型真菌分类识别模型，预测所述待识别图像的大型真菌对应的种类。
2.根据权利要求1所述的方法，其特征在于，所述大型真菌分类识别模型包括多个卷积神经网络CNN子模型以及单层感知器子模型；
所述大型真菌分类识别模型的训练过程如下：
获取多个第一训练样本，其中，所述第一训练样本包括第一样本图像以及对应的样本类别；
对所述多个第一训练样本中的样本图像进行图像预处理操作；
基于所述多个第一训练样本，对多个CNN子模型分别进行迭代训练；
确定训练后的多个CNN子模型的准确率，根据所述多个CNN子模型的准确率，对每个CNN子模型赋予权重；
基于赋予权重的多个CNN子模型以及单层感知器子模型，构建大型真菌分类识别模型。
3.根据权利要求1或2所述的方法，其特征在于，所述图像预处理操作包括但不限于水平翻转、垂直翻转、随机角度旋转、随机比例缩放、颜色增强、RGB2HSV、归一化操作。
4.根据权利要求2所述的方法，其特征在于，所述基于赋予权重的多个CNN子模型以及单层感知器子模型，构建大型真菌分类识别模型，包括：
基于多个CNN子模型赋予的权重，构建加权平均分类器；
连接所述多个CNN子模型、所述单层感知器子模型与所述加权平均分类器，构建初始大型真菌分类识别模型；
获取多个第二训练样本，其中，所述第二训练样本包括第二样本图像以及对应的样本类别；
通过所述多个第二训练样本，对所述待训练大型真菌分类识别模型进行训练，得到大型真菌分类识别模型。
5.根据权利要求4所述的方法，其特征在于，所述CNN子模型包括多个全连接层；
所述通过多个第二训练样本，对所述待训练大型真菌分类识别模型进行训练，得到大型真菌分类识别模型，包括：
通过所述多个第二训练样本，对所述待训练大型真菌分类识别模型中的CNN子模型的多个全连接层以及单层感知器子模型的各神经元权重值进行迭代训练，直至所述待训练大型真菌分类识别模型的输出准确率不再变化，将最后一次迭代得到的多个全连接层以及单层感知器子模型的各神经元权重值确定为最终训练结果，得到训练好的大型真菌分类识别模型。
6.根据权利要求5所述的方法，其特征在于，所述通过所述多个第二训练样本，对所述待训练大型真菌分类识别模型中的CNN子模型的多个全连接层以及单层感知器子模型的各神经元权重值进行迭代训练，包括：
将所述第二样本图像依次输入所述待训练大型真菌分类识别模型中，对于每次输入的第二样本图像，获取所述待训练大型真菌分类识别模型输出的所述第二样本图像对应的预测结果，将所述预测结果与所述样本基准类别进行对比，通过反向传播算法，对所述多个全连接层以及单层感知器子模型的各神经元权重值进行调整。
7.根据权利要求2或4-6任一所述的方法，其特征在于，所述多个CNN子模型包括ShuffleNetV2子模型，MobileNet子模型和AlexNet子模型。
8.一种预测大型真菌种类的装置，其特征在于，所述装置包括：
获取单元，用于获取大型真菌的待处理图像；
处理单元，用于对所述待处理图像进行图像预处理操作，得到待识别图像；
预测单元，用于基于所述待识别图像以及预先训练的大型真菌分类识别模型，预测所述待识别图像的大型真菌对应的种类。
9.根据权利要求8所述的装置，其特征在于，所述大型真菌分类识别模型包括多个卷积神经网络CNN子模型以及单层感知器子模型；
所述装置还包括训练单元，所述训练单元用于：
获取多个第一训练样本，其中，所述第一训练样本包括第一样本图像以及对应的样本类别；
对所述多个第一训练样本中的样本图像进行图像预处理操作；
基于所述多个第一训练样本，对多个CNN子模型分别进行迭代训练；
确定训练后的多个CNN子模型的准确率，根据所述多个CNN子模型的准确率，对每个CNN子模型赋予权重；
基于赋予权重的多个CNN子模型以及单层感知器子模型，构建大型真菌分类识别模型。
10.根据权利要求9所述的装置，其特征在于，所述训练单元，用于：
基于多个CNN子模型赋予的权重，构建加权平均分类器；
连接所述多个CNN子模型、所述单层感知器子模型与所述加权平均分类器，构建初始大型真菌分类识别模型；
通过多个第二训练样本，对所述待训练大型真菌分类识别模型进行训练，得到大型真菌分类识别模型。
CN202010574891.7A 2020-06-22 2020-06-22 预测大型真菌种类的方法及装置 Active CN111860601B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010574891.7A CN111860601B (zh) 2020-06-22 2020-06-22 预测大型真菌种类的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010574891.7A CN111860601B (zh) 2020-06-22 2020-06-22 预测大型真菌种类的方法及装置

Publications (2)

Publication Number Publication Date
CN111860601A true CN111860601A (zh) 2020-10-30
CN111860601B CN111860601B (zh) 2023-10-17

Family

ID=72987964

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010574891.7A Active CN111860601B (zh) 2020-06-22 2020-06-22 预测大型真菌种类的方法及装置

Country Status (1)

Country Link
CN (1) CN111860601B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112966789A (zh) * 2021-04-22 2021-06-15 广东中烟工业有限责任公司 一种烟叶成熟度识别方法、装置及设备
CN113205055A (zh) * 2021-05-11 2021-08-03 北京知见生命科技有限公司 基于多尺度注意力机制的真菌显微图像分类方法及***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107358193A (zh) * 2017-07-07 2017-11-17 南京天数信息科技有限公司 基于InceptionV3+全连接网络的皮肤真菌识别检测方法
CN109447045A (zh) * 2018-12-26 2019-03-08 安徽大学 一种基于深度学习卷积神经网络的食用菌快速识别***及方法
CN109960800A (zh) * 2019-03-13 2019-07-02 安徽省泰岳祥升软件有限公司 基于主动学习的弱监督文本分类方法及装置
CN110263863A (zh) * 2019-06-24 2019-09-20 南京农业大学 基于迁移学习与双线性InceptionResNetV2的细粒度菌类表型识别方法
CN111008670A (zh) * 2019-12-20 2020-04-14 云南大学 一种菌类图像识别方法、装置、电子设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107358193A (zh) * 2017-07-07 2017-11-17 南京天数信息科技有限公司 基于InceptionV3+全连接网络的皮肤真菌识别检测方法
CN109447045A (zh) * 2018-12-26 2019-03-08 安徽大学 一种基于深度学习卷积神经网络的食用菌快速识别***及方法
CN109960800A (zh) * 2019-03-13 2019-07-02 安徽省泰岳祥升软件有限公司 基于主动学习的弱监督文本分类方法及装置
CN110263863A (zh) * 2019-06-24 2019-09-20 南京农业大学 基于迁移学习与双线性InceptionResNetV2的细粒度菌类表型识别方法
CN111008670A (zh) * 2019-12-20 2020-04-14 云南大学 一种菌类图像识别方法、装置、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112966789A (zh) * 2021-04-22 2021-06-15 广东中烟工业有限责任公司 一种烟叶成熟度识别方法、装置及设备
CN113205055A (zh) * 2021-05-11 2021-08-03 北京知见生命科技有限公司 基于多尺度注意力机制的真菌显微图像分类方法及***

Also Published As

Publication number Publication date
CN111860601B (zh) 2023-10-17

Similar Documents

Publication Publication Date Title
TWI773189B (zh) 基於人工智慧的物體檢測方法、裝置、設備及儲存媒體
CN109993102B (zh) 相似人脸检索方法、装置及存储介质
CN111582225B (zh) 一种遥感图像场景分类方法及装置
WO2021022521A1 (zh) 数据处理的方法、训练神经网络模型的方法及设备
CN112434721A (zh) 一种基于小样本学习的图像分类方法、***、存储介质及终端
CN111598881A (zh) 基于变分自编码器的图像异常检测方法
WO2018052587A1 (en) Method and system for cell image segmentation using multi-stage convolutional neural networks
CN111401516A (zh) 一种神经网络通道参数的搜索方法及相关设备
CN111126258A (zh) 图像识别方法及相关装置
CN111696101A (zh) 一种基于SE-Inception的轻量级茄科病害识别方法
AU2020100052A4 (en) Unattended video classifying system based on transfer learning
CN110222718B (zh) 图像处理的方法及装置
WO2021051987A1 (zh) 神经网络模型训练的方法和装置
CN111160350A (zh) 人像分割方法、模型训练方法、装置、介质及电子设备
CN111611851B (zh) 模型生成方法、虹膜检测方法及装置
CN112308825B (zh) 一种基于SqueezeNet的农作物叶片病害识别方法
CN110503149B (zh) 一种图像中局部特征分类方法及***
CN113408570A (zh) 一种基于模型蒸馏的图像类别识别方法、装置、存储介质及终端
CN110135505A (zh) 图像分类方法、装置、计算机设备及计算机可读存储介质
CN112580458A (zh) 人脸表情识别方法、装置、设备及存储介质
CN112364974B (zh) 一种基于激活函数改进的YOLOv3算法
CN111860601A (zh) 预测大型真菌种类的方法及装置
CN112668486A (zh) 一种预激活残差深度可分离卷积网络面部表情识别方法、装置和载体
CN116206334A (zh) 一种野生动物识别方法和装置
CN112991281A (zh) 视觉检测方法、***、电子设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant