[发明专利]一种基于层次结构矩阵的介形化石图像处理系统

说明书

本发明提供一种基于层次结构矩阵的介形化石图像处理系统，读取化石图像并进行预处理，构建含有属类‑种类标签的介形化石分层次数据集；使用神经网络进行介形化石属类‑种类的初始预测；基于数据中存在的固有层次包含关系构建层次结构矩阵；将层次结构矩阵插入到网络，对初始预测作后处理；建立起端到端的多层次分类神经网络，对目标介形化石图像进行多层次分类判定，确定介形化石图像所属类别。通过构建含有属类‑种类标签的介形化石分层次数据集，再使用神经网络进行介形化石属类‑种类的初始预测，然后针对数据中存在的固有层次包含关系构建层次结构矩阵，该矩阵插入到网络的初始预测之后作为后处理步骤，从而建立端到端的多层次分类神经网络。

技术领域

本发明涉及微体古生物鉴定技术领域，更具体地说涉及一种基于层次结构矩阵的介形化石图像处理系统。

背景技术

介形化石分类是地质勘探中的界定地质年代的重要环节，但受限于采集设备、采集区域的分布密度和复杂耗时的鉴定过程，实际勘探过程中收集到的介形化石数据集往往存在种类繁多、样本数量少、种间差异小且种类不均的问题。

针对化石的分类，常见的方法有专家系统、传统机器学习和深度神经网络。专家系统内部含有特定领域中专家水平的知识与经验，可以模拟专家的思维作出推理，例如介形识别中，根据人工观察化石的形状、纹理等特征，专家系统可以缩小推理范围并预测出介形的种类。这种方法在构造专家系统时需要大量的行业知识，使用时需要大量的人工参与，智能化程度较低。传统机器学习包括傅立叶形状分析、KNN、支持向量机等方法，相较于专家系统，智能化程度有较大提高，但是由于特征提取能力有限，对于特征差异较小的不同种类化石的识别能力较弱，准确率较低。深度神经网络在ImageNet竞赛中取得了瞩目的成绩，通过模仿大脑的神经元结构，神经网络有强大的特征提取能力。将Inception结合支持向量机，用于四分类的介形化石识别，分类准确率达95％，证明了深度学习在介形识别中的可行性。然而，本发明所收集的化石样本共1589个，包括38个属类、268个种类，平均每个种类的样本数不足6个，且种类分布不平衡，呈明显的长尾分布，直接使用深度神经网络的准确率较低，因此需要根据数据集的分布特点、化石的种-属层次约束来提高准确率。

结合介形样本的种属关系进行层次化分类可以有效利用介形生物特点的先验知识。实际地质勘探中常见的介形样本含38个属类，因此属级别的分类可以有效避免直接进行种级别分类时遇到的小样本、种类多的问题，这样在识别属类别的基础上进行的种类别分类可以达到更好的效果。

图像的多层次结构探究是一个热门的研究话题。使用图像类别中的层次结构来设计不同的分类器，最后再结合不同类别的分类器提升分类性能，这种类别层次结构可以是人类预先定义的结构，也可以根据固有的结构特征进行自上而下的设计。随着卷积神经网络(Convolutional neural network，CNN)在图像分类领域取得的巨大成功，各种改进方法被提出用于改进CNN网络以在特定应用上取得效果的进一步提升。树状层级结构与CNN模型结合的方法首次将数据中的层次结构与深度学习模型结合考虑。CNN中天然存在的多层次结构特点，通过浅层的粗分支结构和深层的细分支结构共同完成了数据结构层次的分类，分支CNN(Branch Convolutional Neural Network,B-CNN)模型通过多分支结构模拟了数据中的多层次结构，并通过不同分支采用不同训练策略的方法训练处于不同层次的结构，有效的结合了数据中存在的结构与深度网络模型存在的层次结构。

然而，B-CNN针对的层次结构并不对数据中存在的固有属性结构做显式约束，这就导致了网络在预测的过程中有可能存在不同层次的输出并不对应，也即子层的输出可能不在父层输出的这一层次下，这是明显错误的。基于此，我们提出了基于层次结构矩阵的介形种属分类技术，这种技术对介形数据中存在的种属结构这一典型的多层次问题做了显式的约束，并且可以直接插入到任意分类网络中构建多层次的分类结构，端到端的进行训练。实验证明我们的方法在介形种属分类中取得了良好的效果。

发明内容