[发明专利]微体古生物化石图像检测、分类及发现方法、系统及应用

说明书

本发明属于古生物化石识别技术领域，公开了一种微体古生物化石图像检测、分类及发现方法、系统及应用，所述微体古生物化石图像检测、分类及发现方法包括：制定微体化石图像采集标准，拍摄微体化石图像；构建带有仿微体化石的数据集；搭建SSD网络；调整预选框长宽比；加载预训练模型的原始权重文件，训练微体化石图像检测的网络模型；将待检测图像输入训练好的网络模型，使用非极大值抑制算法筛选出合适的检测结果；对区别于原始已知微体化石的人工仿化石类别检测结果做重点记录。本发明利用SSD网络自动筛选和分类微体化石，具备发现新种类化石的功能，可对现有大量未分类的微体化石图像进行快速而准确的检测，是节约人工分类成本的有力措施。

技术领域

本发明属于古生物化石识别技术领域，尤其涉及一种微体古生物化石图像检测、分类及发现方法、系统及应用。

背景技术

目前，我国寒武系，比如云南梅树村组、陕南宽川铺组、湖北岩家河组、贵州戈仲午组以及华北辛集组、新疆玉儿吐斯组等产有丰富的磷酸盐化的微体化石(常称为小壳化石)，这些微体化石是探索寒武纪生命大爆发以及动物门类起源与演化的绝佳窗口。以陕南寒武纪初期的宽川铺组(距今大约5.35亿年) 为例，因为保存动物软躯体结构和球状动物胚胎化石而闻名于世。目前宽川铺组中已经发现了蓝细菌、宏体藻类、刺细胞动物、原牙形动物、软体动物等大量疑难类型，难以和现代生物进行对比。其中还有一些罕见的动物类型与埃迪卡拉纪晚期的管状化石非常相似。这进一步凸显了宽川铺生物群在早期生命演化和寒武纪生命大爆发研究中的重要性。另外，在宽川铺生物群中也发现了其它一些稀有的但非常重要的动物类型，迫切需要找到更多的标本才能进一步揭示这些动物化石的生物属性。

微体化石则由于个体微小，肉眼难以发现或识别，传统的寻找具有研究价值的化石都是通过人工在显微镜下逐个挑选。一般而言，微体化石受限于小生境，分异度较小，个别优势种丰度非常高，其他类型或者具有研究价值的标本则非常少。而新类型的不断发现也使得具有研究价值的标本日益减少，化石挑选工作日趋低效。长期单调的重复性的化石挑选工作则严重影响挑样人员的视力健康，不计其数的微体化石和残渣也考验着仅有数十年有限生命的研究人员的耐心，因此迫切需要新的技术手段来解决这些问题。

人工智能图像识别与机器自动分拣在当今社会许多行业已经得到广泛应用，而广为所知的现代植物人工智能识别程序“形色”深受大众喜爱。将人工智能应用到微体化石工作中，无疑会为微体化石的研究提供很大便利。与数量较少的遭受压扁变形的宏体化石不同，微体化石的三维立体保存、无变形或者少变形、大样本数量这三个要素恰好能满足目前人工智能图像处理的基本要求。

2006年，深度学习进入科研人员的视野，卷积神经网络(Convolutional NeuralNetworks,CNN)被广泛用在目标检测与识别领域，科研人员对卷积神经网络展开一系列研究，2012年出现了AlexNet等基础网络结构，但其深度比较浅难以提取图像的深层次特征。后续全球科研人员提出VGGNet、R-CNN算法，基于 VGGNet、R-CNN的网络一直沿用至今，出现FasterR-CNN、YOLO、SSD等检测效果良好的成熟深度网络，应用在不同场景：Faster R-CNN牺牲了检测速度来保持高的检测准确性，传统YOLO网络有超快的检测速度但其检测精度欠佳， SSD网络在具备较快检测速度的同时保证了检测精度，在实时检测任务中表现良好。

国内外目前陆续有学者利用机器学习和深度学习的人工智能方法发表文章，引起了古生物学者的广泛关注。目前国内外研究人员也打算采用人工智能来研究古生物化石，比如南京地质与古生物研究所的研究人员打算利用地球生物多样性数据库(GBDB)进行化石自动识别。本团队在人工微体化石图像的基础上，已使用基于支持向量机(SVM)的多类别化石识别器处理识别陕南西乡、宁强宽川铺组的最为常见的废渣和几种常见的微体化石图像，但是在显微镜下获取的图像往往包含多个相互附着在一起的微体化石，基于SVM的识别器对此类粘连目标的识别准确率有待提高，且此方法只有识别功能，不具备新种类化石发现功能。因此，有必要设计一个识别效率高、鲁棒性好、具备发现新类别功能的检测方法，来满足现阶段微体化石的分类工作需要。