[发明专利]一种基于复合卷积神经网络的化石图像分类模型的构建方法

说明书

本发明公开了一种基于复合卷积神经网络的化石图像分类模型的构建方法，包括如下步骤：S1：对原始化石图像处理得到梯度图像，构建化石图像特征提取模型；S2：化石图像特征提取模型对原始化石图像进行特征提取得到深度特征图，化石图像特征提取模型对梯度图像进行特征提取得到初级视觉特征图，深度特征图与初级视觉特征图融合后依次通过全局平均池化层和全连接层处理得到图像类别概率值，依据图像类别概率值构建初级化石图像分类模型；S3：训练初级化石图像分类模型。本发明分别提取了原始化石图像的深度特征与对应梯度图像的初级视觉特征，通过特征融合，进一步提高了化石图像分类任务的准确性。

技术领域

本发明涉及图像处理技术领域，涉及图像分类方法，具体涉及一种基于复合卷积神经网络的化石图像分类模型的构建方法。

背景技术

在以往的微体化石分类工作中，所使用的方法通常是人工分拣，但是由于微体化石个体过于细小，在肉眼观察下是很难发现或是分类，所以是在人工通过显微镜进行观察后分类。随着考古发掘等工作的进行，不断有着新类型的微体化石种类被发现出来，这就使得总体样本种类数增加，人工分拣挑选等工作的效率更加低下。整个过程枯燥乏味且随着时间会增加出错概率，同时长时间的高强度观测会对观测人员的视力等身体健康条件等造成严重损伤。

随着人工智能的发展，深度学习的研究取得了很大的进步，逐渐在日常工作中起着愈发重要的作用，并在图像分类任务中取得了越来越显著的效果。它可以通过少量样本数据进行学习，通过网络模型自动获取最为合适的特征以供分类使用，不需要人为进行合适的特征挑选，并且可以获得较高的分类准确率。通过利用卷积神经网络对于微体化石图像进行分类，在节省了大量的人工资源的同时，可以保证较高的分类准确率和极高的工作效率，对考古工作提供一定的参考价值。

现有的研究技术主要包括：基于图像特征的方法与基于深度学习的方法。传统的基于图像特征的化石图像分类方法，需要经过复杂的特征提取与特征优化步骤，算法复杂度较高；而现有的基于深度学习的化石图像模型，仅仅从原始图像中提取特征，没有从图像梯度变化的角度进行初级视觉特征的增强，且网络层数较深，容易过度拟合化石图像分类任务。

发明内容

本发明的目的在于针对化石图像分类任务的算法复杂度较高、训练速度较慢、易发生过拟合、检测精度较低的问题，提出一种基于复合卷积神经网络的化石图像分类模型的构建方法。

为了实现上述任务，本发明采用以下技术方案：

一种基于复合卷积神经网络的化石图像分类模型的构建方法，包括如下步骤：

S1：对原始化石图像处理得到梯度图像，构建化石图像特征提取模型；

S2：化石图像特征提取模型对原始化石图像进行特征提取得到深度特征图，化石图像特征提取模型对梯度图像进行特征提取得到初级视觉特征图，深度特征图与初级视觉特征图融合后依次通过全局平均池化层和全连接层处理得到图像类别概率值，依据图像类别概率值构建初级化石图像分类模型；

S3：训练初级化石图像分类模型。

可选的，所述S2进一步包括：

S21：深度特征图与初级视觉特征图从通道维度进行融合得到融合特征图；

S22：融合特征图输入全局平均池化层输出得到特征向量；

S23：特征向量经过全连接层的卷积及分类得到图像类别概率值，依据图像类别概率值构建初级化石图像分类模型。

可选的，利用Canny算子对原始化石图像处理得到梯度图像；

全连接层的分类通过Softmax分类器完成。

可选的，所述S3进一步包括：

S31：构建目标损失函数；