[发明专利]一种花粉颗粒识别方法及装置

说明书

本发明提供一种花粉颗粒识别方法及装置，其中方法包括：获取待识别花粉颗粒的图像；将所述待识别花粉颗粒的图像输入至图像识别模型，输出所述待识别花粉颗粒的识别结果；其中，所述图像识别模型是基于花粉颗粒样本的样本图像以及对应的识别标签进行训练后得到的；所述识别标签是根据所述花粉颗粒样本预先确定的，并与所述样本图像一一对应；所述图像识别模型包括特征提取网络和两个注意力机制模型，所述两个注意力机制模型分别是CBAM通道注意力机制模型和DANet通道注意力机制模型。本发明实施例通过将CBAM通道注意力机制模型和DANet通道注意力机制模型相结合，保留了更多的花粉颗粒特征，提高了花粉颗粒图像的分类准确率。

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种花粉颗粒识别方法及装置。

背景技术

一方面，大部分的花粉图像分类是由花粉分析专家来完成的，他们用光学显微镜识别捕捉到的图像，通过分析颜色、形状、纹理等特征差异对花粉颗粒进行分类。这种方法不仅会浪费大量的人力，还有可能因为某些细微差异导致专家对其分类错误。

另一方面，通常利用深度学习对花粉图像进行分类，但利用深度学习对花粉图像进行分类的方法中，使用的花粉颗粒图像大都精心挑选，花粉颗粒都清晰可见，没有杂质掩盖，图像数量均匀。然而现实中收集的花粉花粉存在一定的缺点：如花粉颗粒被杂质(如尘土、石子等)掩盖，染色时由于染色试剂量过多或过少导致花粉染色程度不一，花粉颗粒图像收集不均匀。由于花粉颗粒图像存在染色不均匀、花粉颗粒不完整，被杂质掩盖等问题，现有技术中的识别方法无法准确识别，易出现错误，分类准确率低。

发明内容

本发明提供一种花粉颗粒识别方法及装置，用以解决现有技术中花粉颗粒识别准确率低的缺陷，实现了提高花粉颗粒图像的识别准确率。

第一方面，本发明提供一种花粉颗粒识别方法，包括：获取待识别花粉颗粒的图像；将待识别花粉颗粒的图像输入至图像识别模型，输出待识别花粉颗粒的识别结果；其中，图像识别模型是基于花粉颗粒样本的样本图像以及对应的识别标签进行训练后得到的；识别标签是根据花粉颗粒样本预先确定的，并与样本图像一一对应；所述图像识别模型包括特征提取网络和两个注意力机制模型，所述两个注意力机制模型分别是CBAM通道注意力机制模型和DANet通道注意力机制模型。

可选的，将待识别花粉颗粒的图像输入至图像识别模型，输出待识别花粉颗粒的识别结果，具体包括：将待识别花粉颗粒图像输入至图像识别模型中的特征提取网络，输出待识别花粉颗粒图像的第一特征图；将第一特征图输入至图像识别模型中的CBAM通道注意力机制模型进行处理，输出第二特征图；将第二特征图输入至图像识别模型中的DANet通道注意力机制模型进行处理，输出第三特征图；将第三特征图输入至图像识别模型中的全连接层进行分类，输出待识别花粉颗粒的识别结果。

可选的，图像识别模型是基于花粉颗粒样本的样本图像以及对应的识别标签进行训练后得到的，具体包括：选取花粉颗粒图像进行标签处理并基于标签处理后的花粉颗粒图像构建数据集；基于双通道注意力机制构建图像识别模型；利用数据集对图像识别模型进行训练。

可选的，基于双通道注意力机制构建图像识别模型，具体包括：构建特征提取网络；构建CBAM的通道注意力机制模型；构建DANet通道注意力机制模型；将CBAM的通道注意力机制模型和DANet通道注意力机制模型进行连接。

可选的，将CBAM的通道注意力机制模型和DANet通道注意力机制模型进行连接，具体包括：获取所述特征提取网络输出的第一输入特征图F₁；获取所述CBAM的通道注意力机制模型输出的过程特征图F′₁；将所述第一输入特征图F₁与所述过程特征图F′₁相加得到第二输入特征图F₂；将所述第二输入特征图F₂输入至所述DANet通道注意力机制模型。