[发明专利]一种基于细粒度分类技术的害虫图像分类方法

说明书

本发明涉及一种基于细粒度分类技术的害虫图像分类方法，与现有技术相比解决了害虫细粒度识别效果差的缺陷。本发明包括以下步骤：训练图像的获取；害虫识别网络的构建；害虫识别网络的训练；待识别害虫图像的获取；害虫识别结果的获得。本发明使用特征过滤融合和设计损失函数达到了最高性能，能同时适用于相近害虫和粗类害虫的分类，均能获得理想效果。同时，针对背景非常复杂，且害虫颜色和形态与背景较为接近的害虫，也能关注到了目标本身，可准确识别，进一步拓宽农业害虫自动分类的害虫类别数量。

技术领域

本发明涉及害虫图像识别方法，具体来说是一种基于细粒度分类技术的害虫图像分类方法。

背景技术

常规图像分类是指粗类别分类，如猫与狗间分类，细粒度分类是对同一粗类里多个子类别作分类，例如不同种类的狗，不同种类的鸟等，这些子类间差异不明显，类内个体间存在姿势、动作和外表等明显差别，因此，细粒度图像分类任务要求分类模型能提取目标对象的细微特征信息。

近几年，细粒度图像分类吸引了越来越多的关注，FGVC在一些需求细致分类的实际场景中有着巨大的应用。基于目标部位提取对应的局部特征和全局特征进行融合是细粒度分类的经典做法。(Berg and Belhumeur 2013)借助人工标记的部位获取了不同部位的特征进行分类，其中一些方法(Zhang and Donahue 2014；Krause and Jin 2015；Huangand Xu 2016；Zhang and Xu 2016；Lam and Mahasseni 2017；Wei and Xie 2018；Liu andXie 2020)通过寻找最佳的部位，进行更准确的语义分割和特征融合获得更好的细粒度级别的部位特征表示。一些学者(Simon and Rodner 2015；Zhang and Wei 2016；He andPeng 2017；Ge and Lin 2019；Wang and Wang 2020，Huang and Li 2020；)通过弱监督和无监督的方法提取部位特征，降低了人力标注的成本。还有一些研究人员(Zhang andXiong 2016；Wang and Morariu 2018；)借助深度卷积过滤器寻找目标的潜在部位，无需借助额外的部位标注；一些结合attention机制的方法(Xiao and Xu 2015；Fu and Zheng2017；Zheng and Fu 2017；Sun and Yuan 2018；Zheng and Fu 2019)也被提了出来，通过注意力机制提取更具有相关性的部位特征。(Ji and Wen 2020)在二叉神经树结构网络上结合attention机制，由粗到细地学习目标表示，并专注于捕获有差别性的特征。另外，Zhuang and Wang通过对比学习的方式学习相似目标之间有差别的部位，在共有特征上融合通过门控获得有差别的部位特征进行分类。这些方法的工作重点是提取更好的有差别性的部位特征，将其与整体特征进行融合，达到更好的分类效果。