[发明专利]图像分类方法、分类模型的训练方法、装置及电子设备

说明书

本申请提供一种图像分类方法、分类模型的训练方法、装置及电子设备。该方法包括：获取待识别图像，待识别图像中包括待识别对象；将待识别图像输入预设的第一神经网络，获取待识别对象为红火蚁的第一概率；将待识别图像输入预设的第二神经网络，获取待识别对象为红火蚁蚁巢的第二概率；根据第一概率、第二概率和预设概率值之间的大小关系，确定待识别对象的类别。通过该方法，能改善现有技术中的深度学习网络难以直接用于识别红火蚁图像及红火蚁蚁巢图像的问题。

技术领域

本申请涉及图像处理技术领域，具体而言，涉及一种图像分类方法、分类模型的训练方法、装置及电子设备。

背景技术

目前，对于红火蚁的监测、防控工作，仍然以人工为主，比如：需要人工逐一对红火蚁的足迹和巢穴进行勘察后再相应进行灭杀。为了快速监测红火蚁发生情况，有必要采用自动监测装置，即采用人工智能中的图像识别方法自动识别红火蚁发生情况，但目前深度学习在病虫害领域的推广应用并不顺利，主要原因是该领域的应用大多是细分领域、定制化的，目前主流的深度学习网络都难以直接用于到实际的项目中，企业需要不断测试、改进网络结构参数才可以应用到项目中，但该方式十分耗费时间和人力成本。

发明内容

本申请实施例的目的在于提供一种图像分类方法、分类模型的训练方法、装置及电子设备，以改善“现有技术中的深度学习网络难以直接用于识别红火蚁图像及红火蚁蚁巢图像”的问题。

本发明是这样实现的：

第一方面，本申请实施例提供一种图像分类方法，所述方法包括：获取待识别图像，所述待识别图像中包括待识别对象；将所述待识别图像输入预设的第一神经网络，获取所述待识别对象为红火蚁的第一概率；将所述待识别图像输入预设的第二神经网络，获取所述待识别对象为红火蚁蚁巢的第二概率；根据所述第一概率、所述第二概率和预设概率值之间的大小关系，确定所述待识别对象的类别；其中，所述第一神经网络为根据预设个数的训练图样进行均值聚类得到的属于红火蚁类别的训练图样对应的隶属概率，以及该训练图样对应的图像特征进行训练后得到的神经网络；所述第二神经网络为根据预设个数的训练图样进行均值聚类得到的属于红火蚁蚁巢类别的训练图样对应的隶属概率，以及该训练图样对应的图像特征进行训练后得到的神经网络。

在本申请实施例中，第一神经网络为根据预设个数的训练图样进行均值聚类得到的属于红火蚁类别的训练图样对应的隶属概率，以及该训练图样对应的图像特征进行训练后得到的神经网络；第二神经网络为根据预设个数的训练图样进行均值聚类得到的属于红火蚁蚁巢类别的训练图样对应的隶属概率，以及该训练图样对应的图像特征进行训练后得到的神经网络。因此，将待识别图像分别输入第一神经网络和第二神经网络后，第一神经网络和第二神经网络能对该待识别图像直接进行识别，从而能分别得到待识别对象为红火蚁的第一概率以及为红火蚁蚁巢的第二概率。并且，通过第一概率、第二概率和预设概率值之间的大小关系，确定待识别对象的类别（即待识别对象为红火蚁，或红火蚁蚁巢，或其他类别），能实现对多个对象的识别。此外，相较于企业需要对现有的深度学习网络不断进行测试和改进网络结构参数后，才能应用到监测红火蚁发生情况的项目中，上述方式可直接应用于该项目中，从而降低了企业的人力成本和时间成本。

结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述根据所述第一概率、所述第二概率和预设概率值之间的大小关系，确定所述待识别对象的类别，包括：若所述第一概率和所述第二概率均大于所述预设概率值，且所述第一概率大于所述第二概率，则确定所述待识别对象为所述红火蚁；若所述第一概率和所述第二概率均大于所述预设概率值，且所述第一概率小于所述第二概率，则确定所述待识别对象为所述红火蚁蚁巢。

在本申请实施例中，当第一概率和第二概率均大于预设概率值时，表示待识别图像上既存在红火蚁图像，又存在红火蚁蚁巢图像，即该待识别图像上存在多个对象。因此，通过第一概率和第二概率之间的大小关系，可快速且准确的确定出待识别图像中待识别对象的类别。