基于深度學(xué)習(xí)技術(shù)的湖北釘螺視覺(jué)識(shí)別模型的建立及訓(xùn)練策略評(píng)價(jià)

基于深度學(xué)習(xí)技術(shù)的湖北釘螺視覺(jué)識(shí)別模型的建立及訓(xùn)練策略評(píng)價(jià)

近年來(lái)，人工智能（deepedge）和機(jī)械學(xué)習(xí)（machinery）技術(shù)發(fā)展迅速，提高了計(jì)算機(jī)視覺(jué)識(shí)別的精度。湖北釘螺（Oncomelaniahupensis,以下簡(jiǎn)稱(chēng)“釘螺”）是日本血吸蟲(chóng)的唯一中間宿主，控制釘螺是阻斷血吸蟲(chóng)病傳播的重要措施之一本研究采用深度學(xué)習(xí)技術(shù)建立釘螺視覺(jué)智能識(shí)別模型，并應(yīng)用于現(xiàn)場(chǎng)釘螺圖像識(shí)別，采用“數(shù)據(jù)增強(qiáng)+遷移學(xué)習(xí)”優(yōu)化的訓(xùn)練策略提高圖像識(shí)別準(zhǔn)確性，從而為精準(zhǔn)和智能化釘螺調(diào)查提供一種新技術(shù)。內(nèi)容和方法1螺類(lèi)圖像標(biāo)注目前國(guó)內(nèi)缺少標(biāo)準(zhǔn)可靠的釘螺及相似螺類(lèi)圖像數(shù)據(jù)集，為保證數(shù)據(jù)代表性和多樣性，本研究通過(guò)現(xiàn)場(chǎng)采集和互聯(lián)網(wǎng)抓取等方式建立數(shù)據(jù)集?，F(xiàn)場(chǎng)采集以江蘇省作為研究現(xiàn)場(chǎng)，根據(jù)釘螺分布規(guī)律標(biāo)準(zhǔn)數(shù)據(jù)集標(biāo)注由多位血吸蟲(chóng)病防治領(lǐng)域?qū)＜彝瓿?。根?jù)螺殼長(zhǎng)度、縱肋、旋向、殼色、殼口、唇脊和厴等形態(tài)特征鑒定螺種是“釘螺”還是“非釘螺”，隨后將鑒定結(jié)果對(duì)照真實(shí)樣本編號(hào)進(jìn)行復(fù)核。為確保數(shù)據(jù)標(biāo)簽的有效性和準(zhǔn)確性，對(duì)采集到的圖像數(shù)據(jù)進(jìn)行嚴(yán)格篩選，對(duì)篩選后的圖像利用開(kāi)源圖像標(biāo)注軟件labelImg(/tzutalin/labelImg）進(jìn)行標(biāo)注（表1），累計(jì)標(biāo)注螺類(lèi)圖像2614幅。將標(biāo)注后的螺類(lèi)圖像通過(guò)邊緣填充圖像處理方法調(diào)整為正方形，通過(guò)大小縮放將圖像分辨率統(tǒng)一調(diào)整為500像素×500像素。本研究將釘螺數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集兩部分，其中訓(xùn)練集用于對(duì)模型權(quán)重進(jìn)行迭代更新，達(dá)到最優(yōu)識(shí)別效果；測(cè)試集用于從訓(xùn)練集中優(yōu)選模型獲得實(shí)際測(cè)試運(yùn)行的模擬效果。2方法2.1alneulalp4算法卷積神經(jīng)網(wǎng)絡(luò)（convolutionalneuralnetworks,CNN）作為深度學(xué)習(xí)技術(shù)的重要分支發(fā)展迅速式中，m為輸入的螺類(lèi)圖像數(shù)，1(y2.2基于遷移學(xué)習(xí)的釘螺圖像數(shù)據(jù)集模型訓(xùn)練策略?xún)?yōu)化采用“數(shù)據(jù)增強(qiáng)+遷移學(xué)習(xí)”。數(shù)據(jù)增強(qiáng)通過(guò)給每一個(gè)圖像增加多個(gè)副本，進(jìn)而大幅度增加訓(xùn)練樣本量。本研究采用水平鏡像、垂直翻轉(zhuǎn)、隨機(jī)裁剪、隨機(jī)亮度調(diào)節(jié)、隨機(jī)對(duì)比度調(diào)節(jié)、隨機(jī)旋轉(zhuǎn)、隨機(jī)放大、隨機(jī)變形、隨機(jī)遮擋等增強(qiáng)方式擴(kuò)增數(shù)據(jù)集。遷移學(xué)習(xí)是將一個(gè)任務(wù)上預(yù)訓(xùn)練好的CNN模型通過(guò)參數(shù)調(diào)整使其適用于一個(gè)新任務(wù)（圖1），主要步驟：(1)利用在ImageNet大型圖像數(shù)據(jù)集上預(yù)訓(xùn)練Inception-ResNet-V2模型，采用遷移學(xué)習(xí)訓(xùn)練策略，將預(yù)訓(xùn)練模型卷積模塊學(xué)習(xí)到的圖像底層特征遷移到釘螺視覺(jué)智能識(shí)別模型的任務(wù)中作為初始化參數(shù)；(2)將提取到的特征圖作為輸入對(duì)智能識(shí)別模型進(jìn)行訓(xùn)練，并且將預(yù)訓(xùn)練網(wǎng)絡(luò)最后一層全連接層的輸出替換為本研究釘螺圖像數(shù)據(jù)集的類(lèi)別數(shù)，即“是”和“非”2種類(lèi)別數(shù)；(3)在已建立的螺類(lèi)圖像數(shù)據(jù)集上完成模型訓(xùn)練。2.3模型學(xué)習(xí)性能調(diào)整本研究采用TensorFlow-GPU1.15軟件為深度學(xué)習(xí)框架，Python3.5為編程語(yǔ)言，PyCharm2018.2.2(CommunityEdition）為集成開(kāi)發(fā)環(huán)境，初始學(xué)習(xí)率設(shè)置為0.001。后續(xù)過(guò)程對(duì)學(xué)習(xí)率采用等間隔調(diào)節(jié)策略，每10輪迭代后學(xué)習(xí)率調(diào)整為當(dāng)前學(xué)習(xí)率為1/10。優(yōu)化器參數(shù)用來(lái)更新和計(jì)算影響模型訓(xùn)練和模型輸出的網(wǎng)絡(luò)參數(shù)，使其逼近或達(dá)到最優(yōu)值。本研究?jī)?yōu)化器采用自適應(yīng)矩估計(jì)（adaptivemomentestimation,Adam）算法2.4模型識(shí)別性能評(píng)估混淆矩陣（confusionmatrix）是機(jī)器學(xué)習(xí)模型評(píng)價(jià)中可視化表格，混淆矩陣的每一列代表了預(yù)測(cè)類(lèi)別，每一列總數(shù)表示預(yù)測(cè)為該類(lèi)別數(shù)據(jù)的數(shù)目；每一行代表了數(shù)據(jù)的真實(shí)歸屬類(lèi)別，每一行數(shù)據(jù)總數(shù)表示該類(lèi)別的數(shù)據(jù)實(shí)例的數(shù)目（表2)模型二分類(lèi)準(zhǔn)確性評(píng)價(jià)指標(biāo)有精確率（precision,P）、特異性（specificity,SP）、敏感性（sensitivity,SE）、F1值（F1score）、準(zhǔn)確率（accuracy,ACC）、約登指數(shù)（Youdenindex,γ）、受試者工作特征（ROC）曲線下面積（areaundertheROCcurve,AUC）評(píng)估模型性能。計(jì)算公式如下：精確率指預(yù)測(cè)為正類(lèi)的樣本中，實(shí)際為正類(lèi)的占比。計(jì)算公式：敏感性指實(shí)際為正類(lèi)的樣本中，正確預(yù)測(cè)為正類(lèi)的占比。計(jì)算公式：特異性指實(shí)際為負(fù)類(lèi)的樣本中，正確預(yù)測(cè)為負(fù)類(lèi)的占比。計(jì)算公式：F1值指模型精確率和敏感性的加權(quán)平均，該綜合評(píng)價(jià)指標(biāo)取值范圍0～1。計(jì)算公式：準(zhǔn)確率指所有樣本被正確預(yù)測(cè)的占比，它能夠綜合反映在識(shí)別能力研究中獲得釘螺和非釘螺的正確判斷的比例。計(jì)算公式：約登指數(shù)對(duì)敏感性及特異性賦予相同權(quán)重，與準(zhǔn)確率相比，在一定程度上糾正了釘螺與非釘螺構(gòu)成比例對(duì)綜合評(píng)價(jià)的影響。取值范圍0～1，其值越大表明模型避免漏檢和誤判的能力越強(qiáng)。計(jì)算公式：AUC被廣泛用于醫(yī)學(xué)與公共衛(wèi)生領(lǐng)域的模型評(píng)價(jià)，AUC在90%以上時(shí)說(shuō)明判斷結(jié)果有較高準(zhǔn)確性，在70%～90%時(shí)有一定準(zhǔn)確性，50%～70%時(shí)有較低準(zhǔn)確性。2.5統(tǒng)計(jì)方法所有數(shù)據(jù)均采用SPSS26.0軟件進(jìn)行統(tǒng)計(jì)分析。繪制ROC曲線，采用χ結(jié)果1不同輪數(shù)時(shí)3組訓(xùn)練策略下結(jié)果隨著訓(xùn)練輪數(shù)增加，3組不同訓(xùn)練策略下的模型在訓(xùn)練集上的準(zhǔn)確率呈整體上升趨勢(shì)、損失值呈整體下降趨勢(shì)。其中在第3組訓(xùn)練策略下，模型初始第1輪訓(xùn)練時(shí)準(zhǔn)確率最高（31.54%）、損失值最?。?.95）；隨著訓(xùn)練輪數(shù)增加，曲線收斂速度最快，曲線波動(dòng)最小。當(dāng)訓(xùn)練輪數(shù)到100時(shí)，準(zhǔn)確率升高到平臺(tái)期，達(dá)98.17%；損失值降低到平臺(tái)期，達(dá)0.11。相比另外2組訓(xùn)練策略，第3組訓(xùn)練策略下的模型能夠很好擬合該數(shù)據(jù)集，泛化能力良好（圖2、3）。2在不同的培訓(xùn)策略下，研究了聚螺釘?shù)淖R(shí)別結(jié)果三種訓(xùn)練策略下，模型識(shí)別釘螺的敏感性（χ2=15.875,P<0.001）、特異性（χ釘螺視覺(jué)智能識(shí)別模型的構(gòu)建近年來(lái)，隨著計(jì)算機(jī)數(shù)據(jù)處理能力的增強(qiáng)，結(jié)合計(jì)算機(jī)視覺(jué)的機(jī)器學(xué)習(xí)技術(shù)逐漸被應(yīng)用于寄生蟲(chóng)病防治研究領(lǐng)域，并且取得一定成果本研究探索了基于深度學(xué)習(xí)技術(shù)構(gòu)建釘螺視覺(jué)智能識(shí)別模型，并將其應(yīng)用于現(xiàn)場(chǎng)釘螺樣本圖像識(shí)別。訓(xùn)練集結(jié)果顯示，隨著訓(xùn)練輪數(shù)增加，在“遷移學(xué)習(xí)+數(shù)據(jù)增強(qiáng)”訓(xùn)練策略下，模型在訓(xùn)練100輪后釘螺識(shí)別準(zhǔn)確率達(dá)到98.17%、損失值降到0.11，較好擬合了螺類(lèi)數(shù)據(jù)集，泛化能力優(yōu)于其他兩種訓(xùn)練策略。測(cè)試集結(jié)果顯示，模型識(shí)別釘螺精確率、敏感性、特異性均超過(guò)90%，準(zhǔn)確率、約登指數(shù)、F1值等綜合評(píng)價(jià)指標(biāo)也在90%左右，AUC為0.94，表明基于深度學(xué)習(xí)技術(shù)的釘螺視覺(jué)智能識(shí)別模型對(duì)釘螺和非釘螺的綜合識(shí)別能力較好。受時(shí)間和空間限制，現(xiàn)場(chǎng)釘螺及4種相似螺圖像的大量采集工作有一定難度。由于深度學(xué)習(xí)結(jié)構(gòu)復(fù)雜、參數(shù)眾多，且模型訓(xùn)練需要大規(guī)模數(shù)據(jù)，這對(duì)模型的訓(xùn)練和應(yīng)用帶來(lái)了困難。近年來(lái)，“遷移學(xué)習(xí)”已成為解決該問(wèn)題的有效學(xué)習(xí)范式，其可一定程度緩解對(duì)大規(guī)模數(shù)據(jù)標(biāo)注的依賴(lài)并大幅提高學(xué)習(xí)效果數(shù)據(jù)增強(qiáng)是克服由于訓(xùn)練過(guò)程中目標(biāo)樣本數(shù)據(jù)不足，導(dǎo)致深度學(xué)習(xí)方法陷入過(guò)擬合問(wèn)題的有效手段之一本研究尚存在一定局限性：(1)本研究釘螺樣本采集地區(qū)局限于江蘇省內(nèi)，不能代表全國(guó)其他地區(qū)樣本圖像識(shí)別能力；(2)本研究建立了二分類(lèi)釘螺識(shí)別模型，僅能分類(lèi)識(shí)別“釘螺”或“非釘螺”，不能細(xì)分類(lèi)識(shí)別出是哪一類(lèi)釘螺亞種或哪一種非釘螺類(lèi)的相似螺。今后將進(jìn)一步擴(kuò)大釘螺及相似螺樣本采集范圍、進(jìn)一步優(yōu)化智能模型的細(xì)分類(lèi)識(shí)別能力，從而提高模型的應(yīng)用范圍綜上，本研究首次建立了基于深度學(xué)習(xí)技術(shù)的日本血吸蟲(chóng)中間宿主湖北釘螺視覺(jué)智能識(shí)別模型，通過(guò)對(duì)螺類(lèi)數(shù)據(jù)集的多次訓(xùn)練和測(cè)試，實(shí)現(xiàn)了對(duì)釘螺圖像的準(zhǔn)確識(shí)別。通過(guò)“數(shù)據(jù)增強(qiáng)+遷移學(xué)習(xí)”優(yōu)化的訓(xùn)練策略提高了模型識(shí)別釘螺的準(zhǔn)確性，為釘螺調(diào)查新技術(shù)和新方法研究提供新思路，而構(gòu)建的螺類(lèi)圖像分類(lèi)數(shù)據(jù)集亦為后續(xù)研究其他寄生蟲(chóng)宿主螺類(lèi)識(shí)別提供了數(shù)據(jù)基礎(chǔ)。Softmax分類(lèi)器是輸出層的基礎(chǔ)，利用螺類(lèi)特征圖中的特征預(yù)測(cè)圖片屬于某種螺類(lèi)的概率。該分類(lèi)器在多分類(lèi)過(guò)程中使用，多個(gè)神經(jīng)細(xì)胞的輸出映射到（0,1）區(qū)間，形成一個(gè)概率。在全連接層輸入的特征矩陣接收到后，其輸出為輸入所對(duì)應(yīng)的每個(gè)類(lèi)別上的概率。通過(guò)這一過(guò)程