基于标记映射融合的植物分类方法、装置、设备和介质

摘要: 本技术涉及植物分类,特别是涉及一种基于标记映射融合的植物分类方法、装置、设备和介质。背景技术:1、植物物种普查和药用植物资源普查,被认为是对植物保护起到基础性作...
基于标记映射融合的植物分类方法、装置、设备和介质

本技术涉及植物分类,特别是涉及一种基于标记映射融合的植物分类方法、装置、设备和介质。

背景技术:

1、植物物种普查和药用植物资源普查,被认为是对植物保护起到基础性作用的工作。植物物种普查的目的是摸清植物资源分布范围、地理位置、种群数量、生态环境和濒危状况,评估植物资源生存现状、受威胁状况和发展趋势,警示外来物种风险。而药用植物资源普查,则主要摸查药用植物资源的情况,为药用植物的保护、采摘、引种、研究,提供关键的信息支持和决策参考作用。

2、然而,植物生长范围广阔,随着时间流逝,植物资源情况持续变化。要做好前述的普查任务,需要长期不断地投入大量的人力物力。其中,对人员素质的要求还特别苛刻。一般人能辨认的植物种类很有限,掌握的植物种名信息不够规范,无法担负野外鉴别植物的任务。

3、植物机器识别成为了近年来的研究热点,人们努力攻关,致力于提高其分类准确率,要提高识别准确性,努力方向之一是增加训练数据,为每一种植物提供足够的图像样本。但是,其代价较高。首先,野外现场拍摄费时费力。其次,即便从网上自动爬取图像,也要请专家花费大量时间鉴别以订正其种类信息。并且,离开了植物,单凭网上的图片,专家要确定种类也很难。再者,对于珍稀的植物,无论野外还是网上,都很难找到。

技术实现思路

1、基于此,有必要针对植物图像样本不够导致植物机器识别准确率不足的技术问题,提供一种基于标记映射融合的植物分类方法、装置、设备和介质。

2、为了解决上述技术问题,本发明的技术方案为:

3、本发明的第一方面提供一种基于标记映射融合的植物分类方法,包括:

4、将待分类的植物图像分别输入至至少两个分类模型,得到多个层次的分类输出预测值,其中,每个分类模型基于有对应层次标记的训练集图像训练得到,不同分类模型的对应层次不同;

5、以其中一个分类模型的分类输出预测值所处的标记空间为基准空间,将其它分类模型的分类输出预测值分别转换到基准空间中,得到多个转换后的分类输出预测值;

6、将基准空间的分类输出预测值与所述多个转换后的分类输出预测值融合,得到植物分类预测结果。

7、进一步的,所述每个分类模型基于有对应层次标记的训练集图像训练得到,所述对应层次标记包括植物所属的科、属、种、种下细分类别中的至少任意两种。

8、进一步的,将其它分类模型的分类输出预测值分别转换到基准空间中,包括:

9、通过标记映射矩阵将其它分类模型的分类输出预测值分别转换到基准空间中,所述标记映射矩阵根据待转换的分类模型对应层级的标记与基准空间对应的标记的从属关系生成。

10、进一步的,令所述基准空间对应的标记为a,待转换的分类输出预测值对应的标记为b,若a属于b,则所述标记映射矩阵的构建过程包括:

11、将标记a的名称归集,按顺序存成一个列表adict,对于所有所述训练集图像所对应的全部植物,依次按每种植物在a层次下的名称查询列表adict,得到位置索引号,作为该植物在a层次下的名称的编号;

12、将标记b的名称归集,按顺序存成一个列表bdict,对于所有所述训练集图像所对应的全部植物,依次按每种植物在b层次下的名称查询列表bdict,得到位置索引号,作为该植物在b层次下的名称的编号;

13、以植物在a层次下的名称的编号为位置索引号,植物在b层次下的名称的编号为值,创建列表aindextobindex;

14、统计b层次中每个名称包括的a层次下的名称数,以植物在b层次下的名称的编号为位置索引号,b层次中每个名称包括的a层次下的名称数为值,生成列表anumofeveryb;

15、创建一个b层次中名称数量作为行数、a层次中名称数量作为列数的二维矩阵pred_btoa,所述二维矩阵pred_btoa每个元素初始值为0;

16、以二重循环,设置二维矩阵pred_btoa的每一个元素值,具体为:

17、若aindextobindex[q]=p,则令pred_btoa[p,q]=1.0/anumofeveryb[p],式中,aindextobindex[q]表示列表aindextobindex中位置索引号为q时的值,pred_btoa[p,q]表示二维矩阵pred_btoa第p行第q列的元素,anumofeveryb[p]表示列表anumofeveryb中位置索引号为p时的值;

18、将设置后的二维矩阵pred_btoa作为从b层次到a层次的标记映射矩阵。

19、进一步的,令所述基准空间对应的标记为a,待转换的分类输出预测值对应的标记为b,若b属于a,则所述标记映射矩阵的构建过程包括:

20、将标记a的名称归集,按顺序存成一个列表adict,对于所有所述训练集图像所对应的全部植物,依次按每种植物在a层次下的名称查询列表adict,得到位置索引号,作为该植物在a层次下的名称的编号;

21、将标记b的名称归集,按顺序存成一个列表bdict,对于所有所述训练集图像所对应的全部植物,依次按每种植物在b层次下的名称查询列表bdict,得到位置索引号,作为该植物在b层次下的名称的编号;

22、以植物在b层次下的名称的编号为位置索引号,植物在a层次下的名称的编号为值,创建列表bindextoaindex;

23、创建一个b层次中名称数量作为行数、a层次中名称数量作为列数的二维矩阵pred_btoa,所述二维矩阵pred_btoa每个元素初始值为0;

24、以二重循环,设置二维矩阵pred_btoa的每一个元素值,具体为:

25、若bindextoaindex[u]等于r,则令pred_btoa[u,r]=1,其中,bindextoaindex[u]表示列表bindextoaindex中位置索引号为u时的值,pred_btoa[u,r]表示二维矩阵pred_btoa第u行第r列的元素;

26、将设置后的二维矩阵pred_btoa作为从b层次到a层次的标记映射矩阵。

27、进一步的,通过标记映射矩阵将其它分类模型的分类输出预测值分别转换到基准空间中,包括:

28、令predofb为b层次下的分类预测概率向量,其值为[y0,y1,y2,… yf,…],其中yf表示待分类的植物图像判别为第f个b层次名称的概率值,按下式计算a层次下的分类预测概率向量[z0,z1,z2,… zf,…]:

29、[z0,z1,z2,… zf,…] = [y0,y1,y2,… yf,…]×pred_btoa。

30、进一步的,将基准空间的分类输出预测值与所述多个转换后的分类输出预测值融合,包括:

31、将基准空间的分类输出预测值与所述多个转换后的分类输出预测值叠加,得到植物分类预测结果。

32、本发明第二方面提供一种基于标记映射融合的植物分类装置,所述装置包括:

33、输入模块,所述输入模块将待分类的植物图像分别输入至至少两个分类模型,得到多个层次的分类输出预测值,其中,每个分类模型基于有对应层次标记的训练集图像训练得到,不同分类模型的对应层次不同;

34、转换模块,所述转换模块以其中一个分类模型的分类输出预测值所处的标记空间为基准空间,将其它分类模型的分类输出预测值分别转换到基准空间中,得到多个转换后的分类输出预测值;

35、输出模块,所述输出模块将基准空间的分类输出预测值与所述多个转换后的分类输出预测值融合,得到植物分类预测结果。

36、本发明的第三方面提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明的第一方面所述方法的步骤。

37、本发明的第四方面提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本发明的第一方面所述的方法的步骤。

38、与现有技术相比,本发明的有益效果为:

39、本发明的每个分类模型分别针对一个不同标记进行专注训练,其内部学习到的特征和相关关系,都是针对该标记的;在预测时,把不同标记空间的预测值,转换到同一个标记空间下,继而融合。本发明解放了深度模型,使其不一定要在一个模型内兼顾多个标记。而是可以先各自专注于单个标记进行训练,分别获得尽可能高的泛化能力再融合。实验表明,这些模型的预测结果融合后,比多输出模型的效果要更加优异。