【CN110211173A】一种基于深度学习的古生物化石定位和识别方法【专利】

(19)中华人民共和国国家知识产权局

(12)发明专利申请

(10)申请公布号 (43)申请公布日 (21)申请号 201910263962.9

(22)申请日 2019.04.03

(71)申请人 中国地质调查局发展研究中心

地址 100037 北京市西城区阜外大街45号

(72)发明人 任伟　余海龙　赵林林　朱月琴　

张盛　杨燕　张明华　刘荣梅　

黄金明　乔计花　

(74)专利代理机构 北京市兰台律师事务所

11354

代理人 张峰

(51)Int.Cl.

G06T 7/70(2017.01)

G06N 3/08(2006.01)

G06N 3/04(2006.01)

(54)发明名称一种基于深度学习的古生物化石定位和识别方法(57)摘要本发明公开了一种基于深度学习的古生物化石定位和识别方法，通过建立化石图片分类标准库，使用标准库图片训练深度学习目标检测模型，实现化石图像自动定位和识别，可以有效辅助人类专家进行批量复杂化石鉴定工作，提高工作效率。本方法包括五个步骤：步骤1，建立古生物化石图像标准库，并对库中每张图像进行位置类别标注。步骤2，构建目标检测网络，加载预训练权重文件。步骤3，利用构建目标检测网络训练标注化石图像。步骤4，对训练出的网络模型进行模型测试评估。步骤5，使用最终训练模型对实际古生物化石图像进行定位和识别。实现图像或视频内多个化石个体的自动框选定位和分类识别，

识别精度高。权利要求书1页 说明书5页 附图2页CN 110211173 A 2019.09.06

C N 110211173

A

权　利　要　求　书1/1页CN 110211173 A

1.一种基于深度学习的古生物化石定位和识别方法，其特征在于，包括：

步骤1，建立古生物化石图像标准库，并对库中每张图像进行位置类别标注；

步骤2，构建目标检测网络，并根据需要加载预训练权重文件；

步骤3，利用搭建好的网络结构训练标注化石图像，得到化石图像目标检测的网络模型；

步骤4，对训练出的网络模型进行模型测试评估，该步骤中，利用测试样本集对网络模型进行测试得到检测图片中目标的位置和类别，通过控制网络模型输出的识别框的识别概率和正交比参数来评估网络模型的输出结果；

步骤5，使用最终训练模型对实际古生物化石图像或视频进行目标检测，生成以原始图像为底图，在底图上面叠加化石定位图框和类别信息的图像或视频文件结果。

2.根据权利要求1所述的基于深度学习的古生物化石定位和识别方法，其特征在于，对于步骤1，建立的古生物化石图像标准库，利用数据增强手段进行图像调整。

3.根据权利要求2所述的基于深度学习的古生物化石定位和识别方法，其特征在于，所述数据增强手段包括调整图像的曝光度、色调与饱和度以及图像水平或垂直翻转或随机角度旋转。

4.根据权利要求1至3所述的基于深度学习的古生物化石定位和识别方法，其特征在于，对于步骤1，利用人工手段按照VOC数据集标准对每张图像标注化石个体的位置和类别信息。

5.根据权利要求4所述的基于深度学习的古生物化石定位和识别方法，其特征在于，所述步骤2当中，本次实例中目标检测网络选择的是YOLO V3，其网络结构包含53个卷积层。

6.根据权利要求5所述的基于深度学习的古生物化石定位和识别方法，其特征在于，对于步骤4，如果模型输出结果无法达到预期效果，返回步骤3，重新调整网络参数进行模型迭代训练。

7.根据权利要求6所述的基于深度学习的古生物化石定位和识别方法，其特征在于，对于步骤2，所述预训练权重文件经过提前使用MS-COCO数据集对YOLO V3进行训练得到。

8.根据权利要求7所述的基于深度学习的古生物化石定位和识别方法，其特征在于，对于步骤2，在加载预训练权重文件时，首先冻结YOLO V3的若干输出层。

9.根据权利要求4所述的基于深度学习的古生物化石定位和识别方法，其特征在于，所述步骤4，利用测试样本集对网络模型进行测试，通过控制网络模型输出的识别框的识别概率和正交比参数调整识别结果，得到检测图片中目标的位置和类别。

10.根据权利要求8所述的基于深度学习的古生物化石定位和识别方法，其特征在于，对于步骤5，使用最终训练模型对实际古生物化石进行目标检测，视频可以连续截取关键帧图像进行定位识别，图像结果再组合成视频。

2