一种基于深度学习和迁移学习的啮齿动物识别分析的方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113283306A(43)申请公布日2021.08.20(21)申请号202110478772.6G06N3/04(2006.01)(22)申请日2021.04.30G06N3/08(2006.01)G06N20/00(2019.01)(71)申请人青岛云智环境数据管理有限公司G06T3/40(2006.01)地址266000山东省青岛市城阳区高新区秀园路2号科创慧谷(青岛)科技园孵化器D15-801(72)发明人韩立亮(74)专利代理机构青岛科通知桥知识产权代理事务所(普通合伙)37273代理人雷丽(51)Int.Cl.G06K9/00(2006.01)G06K9/32(2006.01)G06K9/46(2006.01)G06K9/62(2006.01)权利要求书3页说明书8页附图5页(54)发明名称一种基于深度学习和迁移学习的啮齿动物识别分析的方法(57)摘要本发明公开了一种基于深度学习和迁移学习的啮齿动物识别分析的方法，属于动物分类和图像处理技术领域。包括以下步骤：S1：啮齿动物视频采集和预处理S2：啮齿动物数据集制作；S3：啮齿动物模型的构建和训练；S4：啮齿动物检测；S5：啮齿动物图像裁剪和超分辨率重建；S6：啮齿动物影像各部位分割；S7：数据清洗及各项身体指标数据计算；S8：啮齿动物分类。本发明的有益效果：本发明基于深度学习方法实现了对啮齿动物的检测、分类和各部位的分割，并计算了啮齿动物的各项身体指标数据，有效地提高了检测啮齿动物的准确率和效率，改变了传统啮齿动物分类的方式，并可以自动化地分割啮齿动物的各部位，有助于开展动物保护及有害生物害防控工作。CN113283306ACN113283306A权利要求书1/3页1.一种基于深度学习和迁移学习的啮齿动物识别分析的方法，其特征在于，包括以下步骤：S1：啮齿动物视频采集和预处理：通过视频录入系统采集啮齿动物视频数据，并对所述视频数据进行预处理，得到图像数据；S2：啮齿动物数据集制作：依据动物分类学和深度学习的基础规则以及Mixup和CutMix的数据增强方法制作了啮齿动物数据集；S3：啮齿动物模型的构建和训练；S4：啮齿动物检测：采用经过参数优化的检测网络对预处理的图像数据进行检测，得到啮齿动物的最小外接矩形，去除背景和其它动物对分类和分割的影响；S5：啮齿动物图像裁剪和超分辨率重建：S51：根据啮齿动物的外接矩形轮廓将图像中的啮齿动物裁剪下来；S52：采用构建的啮齿动物超分辨率重建网络对裁剪的图像进行超分辨率重建，以获取高质量的超分辨重建的图像数据；S6：啮齿动物影像各部位分割：采用参数优化的啮齿动物分割网络模型对步骤S5中超分辨重建的图像进行实例分割，得到啮齿动物各部位分割结果；S7：数据清洗及各项身体指标数据计算：S71：根据动物分类学基础规则、几何形态结构以及采用的深度学习模型的优化参数，自动选取符合使用要求的特征数据；S72：依据分割结果和视频数据采集参数进行几何形态测量，采用叠印法实现结果的图形化，去除非形态变异的干扰，计算啮齿动物身体的各项指标；S8：啮齿动物分类：将步骤S5中的高质量图像与啮齿动物部分指标的文本数据进行数据融合，得到啮齿动物多模态数据作为啮齿动物分类网络的输入，采用参数优化的啮齿动物分类网络对多模态数据进行分类，得到啮齿动物类别。2.根据权利要求1所述的一种基于深度学习和迁移学习的啮齿动物识别分析的方法，其特征在于，所述步骤S2中啮齿动物数据集包括：啮齿动物检测数据集、啮齿动物分类数据集、啮齿动物分割数据集和啮齿动物超分辨重建数据集；所述啮齿动物检测数据集根据VOC数据集的制作规则进行制作；所述啮齿动物分割数据集依据COCO数据集的制作规则进行制作；所述啮齿动物分类数据集依据细粒度分类、多模态数据基础规则以及无监督的思想进行制作；所述啮齿动物超分辨率重建数据集依据无监督的思想进行制作。3.根据权利要求1所述的一种基于深度学习和迁移学习的啮齿动物识别分析的方法，其特征在于，所述步骤S3中啮齿动物模型的构建和训练的具体步骤包括：S301：选取有监督的预训练算法对初始化的深度学习模型进行预训练，得到预训练深度学习网络模型；S302：引入多核最大均值误差思想，基于深度学习构建啮齿动物检测网络，减小训练数据和测试数据之间的分布差异，使得训练后的模型在测试集上具有良好的迁移性；S303：通过引入多核最大均值误差思想构建了啮齿动物分割网络，该网络结合深度卷积网络与空洞卷积网络并将多尺度卷积进行融合，利用多层感知机和度量学习的方式对每个像素进行分割和预测，实现实例分割，最终得到啮齿动物各部位分割结果；S304：采用预训练的深度学习模型和啮齿动物检测数据集对构建的啮齿动物检测