图像分类方法、分类模型的训练方法、装置及电子设备与流程

技术特征：
1.一种图像分类方法，其特征在于，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。2.根据权利要求1所述的方法，其特征在于，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。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：若所述第一概率和所述第二概率均小于所述预设概率值，则调用预设的识别模型对所述待识别图像进行识别，获取所述待识别对象的类别。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取所述预设个数的训练图样及各所述训练图样对应的图像特征，所述训练图样包括红火蚁图样和红火蚁蚁巢图样；对所述训练图样进行均值聚类，获取每个所述训练图样对应的分类标签向量和隶属概率；根据所述分类标签向量对各所述训练图样进行分类，以判断该训练图样为红火蚁图样或红火蚁蚁巢图样；利用第一训练集对初始第一神经网络进行训练，得到所述第一神经网络；其中，所述第一训练集包括判断为红火蚁图样对应的图像特征，以及判断为红火蚁图样对应的隶属概率。5.根据权利要求4所述的方法，其特征在于，所述方法还包括：利用第二训练集对初始第二神经网络进行训练，得到所述第二神经网络；其中，所述第二训练集包括判断为红火蚁蚁巢图样对应的图像特征，以及判断为红火蚁蚁巢图样对应的隶属概率。6.根据权利要求4所述的方法，其特征在于，所述获取所述预设个数的训练图样，包括：获取所述预设个数的收集图像，所述收集图像包括红火蚁图像和红火蚁蚁巢图像；对每个所述收集图像依次进行低帽变换和二值化处理，得到所述预设个数的二值化图
像；对每个所述二值化图像进行分割，得到所述训练图样。7.根据权利要求4所述的方法，其特征在于，所述对所述训练图样进行均值聚类，获取每个所述训练图样对应的分类标签向量和隶属概率，包括：s301：将所述训练图样聚类到两个类中，得到各所述训练图样对应的分类标签向量，所述两个类为所述红火蚁和所述红火蚁蚁巢；s302：采用拉格朗日乘子法求解预设的代价函数，得到聚类中心点的方程和隶属概率矩阵的方程，其中，所述隶属概率矩阵表征每个所述训练图样聚类到对应的类中的概率，且所述隶属概率矩阵包括各所述训练图样对应的隶属概率；s303：更新初始化隶属概率矩阵和聚类中心点，根据更新后的隶属概率矩阵值与上一次更新后的隶属概率矩阵值计算误差值，重复步骤s303，直到所述误差值小于预设的误差阈值，得到各所述训练图样对应的隶属概率。8.根据权利要求1-7中任一项所述的方法，其特征在于，所述图像特征包括各所述训练图样对应图像的面积、周长、长度、宽度和平均灰度值。9.一种分类模型的训练方法，其特征在于，分类模型包括第一神经网络、第二神经网络和分类层，所述方法包括：获取预设个数的训练图样及各所述训练图样对应的图像特征，所述训练图样包括第一对象图样和第二对象图样；对所述训练图样进行均值聚类，获取每个所述训练图样对应的分类标签向量和隶属概率；根据所述分类标签向量对各所述训练图样进行分类，以判断该训练图样为第一对象图样或第二对象图样；利用第一训练集对初始第一神经网络进行训练，得到所述第一神经网络；其中，所述第一训练集包括判断为第一对象图样对应的图像特征，以及判断为第一对象图样对应的隶属概率；利用第二训练集对初始第二神经网络进行训练，得到所述第二神经网络；其中，所述第二训练集包括判断为第二对象图样对应的图像特征，以及判断为第二对象图样对应的隶属概率；其中，所述分类层用于根据所述第一神经网络输出的第一概率、所述第二神经网络输出的第二概率和预设概率值之间的大小关系，确定待识别图像中待识别对象的类别。10.根据权利要求9所述的方法，其特征在于，所述获取预设个数的训练图样，包括：获取所述预设个数的收集图像，所述收集图像包括第一对象图像和第二对象图像；对每个所述收集图像依次进行低帽变换和二值化处理，得到所述预设个数的二值化图像；对每个所述二值化图像进行分割，得到所述训练图样。11.根据权利要求10所述的方法，其特征在于，所述对每个所述收集图像进行低帽变换，包括：对每个所述收集图像均进行灰度化处理，得到所述灰度化处理后的各所述收集图像；对所述灰度化处理后的各所述收集图像均使用预设半径值的圆形模板进行膨胀处理，
得到所述膨胀处理后的各所述收集图像；对所述膨胀处理后的各所述收集图像均使用预设半径值的圆形模板进行腐蚀处理，得到所述腐蚀处理后的各所述收集图像；将所述腐蚀处理后的各所述收集图像减去与其对应的各所述收集图像，得到对各所述收集图像进行低帽变换后的图像。12.根据权利要求9所述的方法，其特征在于，所述对所述训练图样进行均值聚类，获取每个所述训练图样对应的分类标签向量和隶属概率，包括：s401：将所述训练图样聚类到两个类中，得到各所述训练图样对应的分类标签向量，所述两个类为第一对象和第二对象；s402：采用拉格朗日乘子法求解预设的代价函数，得到聚类中心点的方程和隶属概率矩阵的方程，其中，所述隶属概率矩阵表征每个所述训练图样聚类到对应的类中的概率，且所述隶属概率矩阵包括各所述训练图样对应的隶属概率；s403：更新初始化隶属概率矩阵和聚类中心点，根据更新后的隶属概率矩阵值与上一次更新后的隶属概率矩阵值计算误差值，重复步骤s403，直到所述误差值小于预设的误差阈值，得到各所述训练图样对应的隶属概率。13.根据权利要求9所述的方法，其特征在于，所述第一神经网络包括输入层、隐藏层和输出层，所述利用第一训练集对初始第一神经网络进行训练，得到所述第一神经网络，包括：s501：将所述判断为第一对象图样对应的图像特征输入所述输入层；s502：根据该图像特征、所述输入层和所述隐藏层的各连接权值及所述隐藏层阈值，计算隐藏层的输出；s503：根据所述隐藏层的输出、所述隐藏层和所述输出层的各连接权值及所述输出层的阈值，计算所述输出层的输出，得到所述输出层输出的概率值；s504：根据所述概率值与该第一对象图样对应的隶属概率计算损失值，并根据所述损失值调整所述第一神经网络的各参数值；重复步骤s502-s504，直至所述损失值处于预设范围或者满足预设迭代次数，获得最终的各参数值，其中，所述各参数值包括所述输入层和所述隐藏层的各连接权值、所述隐藏层和所述输出层的各连接权值、所述隐藏层阈值和所述输出层的阈值。14.根据权利要求9所述的方法，其特征在于，所述第二神经网络包括输入层、隐藏层和输出层；所述利用第二训练集对初始第二神经网络进行训练，得到所述第二神经网络，包括：s601：将所述判断为第二对象图样对应的图像特征输入所述输出层；s602：根据该图像特征、所述输入层和所述隐藏层的各连接权值及所述隐藏层阈值，计算隐藏层的输出；s603：根据所述隐藏层的输出、所述隐藏层和所述输出层的各连接权值及所述输出层的阈值，计算所述输出层的输出，得到所述输出层输出的概率值；s604：根据所述概率值与该第二对象图样对应的隶属概率计算损失值，并根据所述损失值调整所述第二神经网络的各参数值；重复步骤s602-s604，直至所述损失值处于预设范围或者满足预设迭代次数，获得最终的各参数值，其中，所述各参数值包括所述输入层和所
述隐藏层的各连接权值、所述隐藏层和所述输出层的各连接权值、所述隐藏层阈值和所述输出层的阈值。15.根据权利要求9-14中任一项所述的方法，其特征在于，所述第一对象为红火蚁，所述第二对象为红火蚁蚁巢。16.根据权利要求9-14中任一项所述的方法，其特征在于，所述图像特征包括各所述训练图样对应图像的面积、周长、长度、宽度和平均灰度值。17.一种图像分类装置，其特征在于，所述装置包括：第一获取模块，用于获取待识别图像，所述待识别图像中包括待识别对象；第一处理模块，用于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；分类模块，用于根据所述第一概率、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。18.一种分类模型的训练装置，其特征在于，分类模型包括第一神经网络、第二神经网络和分类层，所述装置包括：第二获取模块，用于获取预设个数的训练图样及各所述训练图样对应的图像特征，所述训练图样包括第一对象图样和第二对象图样；第二处理模块，用于对所述训练图样进行均值聚类，获取每个所述训练图样对应的分类标签向量和隶属概率； 根据所述分类标签向量对各所述训练图样进行分类，以判断该训练图样为第一对象图样或第二对象图样；训练模块，用于利用第一训练集对初始第一神经网络进行训练，得到所述第一神经网络；其中，所述第一训练集包括判断为红火蚁图样对应的图像特征，以及判断为红火蚁图样对应的隶属概率；利用第二训练集对初始第二神经网络进行训练，得到所述第二神经网络；其中，所述第二训练集包括判断为红火蚁蚁巢图样对应的图像特征，以及判断为红火蚁蚁巢图样对应的隶属概率；所述分类层用于根据所述第一神经网络输出的第一概率、所述第二神经网络输出的第二概率和预设概率值之间的大小关系，确定待识别图像中待识别对象的类别。19.一种电子设备，其特征在于，包括：处理器和存储器，所述处理器和所述存储器连接；所述存储器用于存储程序；所述处理器用于运行存储在所述存储器中的程序，执行如权利要求1-8中任一项所述的方法，或执行如权利要求9-16中任一项所述的方法。20.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序在被计算机运行时执行如权利要求1-8中任一项所述的方法或如权利要求9-16中任一项所述的方法。

技术总结
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。巢图像的问题。巢图像的问题。


技术研发人员：韩威俊 肖雪松 严骊
受保护的技术使用者：成都明途科技有限公司
技术研发日：2022.02.23
技术公布日：2022/3/22