基于多轴注意力双通道神经网络模型的食草动物粪便分析方法

摘要：

针对使用粪便显微分析法时对食草动物粪便中植物表皮细胞人工分类困难且效率低的问题,提出一种基于多轴注意力的双通道神经网络分类方法,用于自动识别显微镜下食草动物粪便中残留的植物表皮细胞种类.首先,获取粪便中残留的植物表皮细胞图像,作为神经网络模型的输入;引入多轴注意力机制提高网络特征提取能力,同时降低注意力导致的计算复杂度;构建局部和全局通道,提高网络对植物表皮细胞图像信息的获取能力;最后将2个通道提取的特征进行融合,完成对植物种类的识别.此外,应用移动倒置瓶颈卷积(MBConv)模块进行模型的轻量化处理,减少模型参数和计算量,进而提高识别效率.结果表明:基于多轴注意力的双通道神经网络分类方法具有更优的分类性能,对植物表皮细胞种类识别的准确率高达86.46%,为实现高效率、智能化的食草动物粪便分析方法提供了技术支撑.本研究构建的网络模型及相关代码已开源,具体内容参见https://github.com/togo11/classification.

关键词：粪便显微分析、深度学习、多轴注意力、特征融合

所属期刊栏目：44

分类号：TP183(自动化基础理论)

资助基金：国家自然科学基金;国家自然科学基金;中央高校基本科研业务费专项基金;中央高校基本科研业务费专项基金

在线出版日期：2023-08-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：531-540