[发明专利]一种基于加权融合模型的鸟类分类方法及系统

说明书

本发明属于计算机视觉技术领域，提供了一种基于加权融合模型的鸟类分类方法，包括步骤：S1、通过预设方式获取鸟类图像；S2、将获取的鸟类图像经过预设训练模型进行鸟类识别，S3、根据鸟类识别的结果，将所述鸟类图像分入对应的类别中，得到鸟类分类结果。本发明还提供了一种基于加权融合模型的鸟类分类系统，本发明的优点在于使用VGG和ResNet152分别对数据集进行训练，然后通过动态调整融合模型权重，来获取最优的分类效果。

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种基于加权融合模型的鸟类分类方法及系统。

背景技术

鸟类分类问题本质上是细粒度图像分类问题。基于机器学习和神经网络进行细粒度图像分类的研究已经非常的成熟，在各类细粒度数据集上都取得了很好的效果。

随着深度学习领域研究的不断深入，越来越多的优秀模型被提出，如LeNet、AlexNet、VGG、ResNet等等。这些模型的分类效果也越来也好，还有现有的FixEfficientNet-L2模型，其在ImageNet数据集上的TOP-1准确率达到了88.5％，TOP-5准确率达到了98.7％，已经超出了人类识别能力。

但与此同时，该模型的复杂度也非常之大，共有480M的参数量，并且从零开始训练一个深度模型是非常消耗计算力的事情。

发明内容

本发明的目的在于提供一种基于加权融合模型的鸟类分类方法，用以解决鸟类分类识别网络模型过于复杂的问题；

为了实现上述目的，本发明采用的技术方案为：

一种基于加权融合模型的鸟类分类方法，包括步骤：

S1、通过预设方式获取鸟类图像；

S2、将获取的鸟类图像经过预设训练模型进行鸟类识别；

S3、根据鸟类识别的结果，将所述鸟类图像分入对应的类别中，得到鸟类分类结果。

进一步的，步骤S2中获得所述预设训练模型的步骤包括：

S21、通过预设方式获取不同鸟类的图像，并建立数据集；

S22、将所述数据集中的鸟类图像进行图像增强处理；

S23、根据图像增强处理后的鸟类图像对预设加权融合模型进行训练，并得到预设训练模型。

进一步的，步骤S23中得到所述融合模型的步骤包括：

S231、根据图像增强处理后的鸟类图像对预设第一特征提取模型进行训练；

S232、根据图像增强处理后的鸟类图像对预设第二特征提取模型进行训练；

S233、将所述预设第一特征提取模型和所述预设第二特征提取模型根据预设算法得到所述预设加权融合模型。

进一步的，对预设加权融合模型进行训练的步骤包括：

A1、对ImageNet预训练的网络模型VGG和ResNet进行初始化，并屏蔽预训练的网络模型的权重；

A2、初始化权重、训练次数及权重增加步长；

A3、按照权重记录训练后训练集和验证集结果，通过权重增加步长不断调整两个特征提取模型的权重，直至完成训练，并将其中正确率最高的模型权重作为预设加权融合模型的最终权重。

进一步的，步骤S2中获得所述预设训练模型的步骤还包括：

S24、通过预设优化器对得到的所述预设训练模型进行算法优化。

本发明的目的还在于提供一种基于加权融合模型的鸟类分类系统，包括：