基于深度学习单阶段算法的䗴类化石检测

Fusulinid Detection Based on Deep Learning Single-Stage Algorithm

摘要

䗴化石是石炭纪、二叠纪重要的标准化石，其详细的鉴定工作对确定地质时代和划分石炭系‒二叠系具有重要意义.鉴于目前䗴类化石检测方法的局限性，提出一种基于深度学习单阶段算法的䗴类化石检测.以䗴类化石为研究对象，对原始模型进行分析，之后联合优化权重损失函数和BN层尺度因子的L1正则化等方式进行通道剪枝，再使用知识蒸馏使剪枝后模型恢复检测性能.实验结果表明，该方法可实现薄片图像中䗴类所在区域的定位和分类，平均精度均值达到98.1%，满足实时检测模型的要求，并且剪枝后参数量压缩了74.1%，解决了真实场景中存在的算力缺乏等问题.该方法能够有效保证䗴类化石的检测效果，同时扩展了该模型在嵌入式设备的适用范围，为深度学习在古生物化石图像的智能识别方面提供更多可能性.

关键词

䗴类化石 / 深度学习 / 目标检测 / 石炭系‒二叠系 / 知识蒸馏 / 地层学

Key words

fusulinid / deep learning / object detection / Carboniferous-Permian / knowledge distillation / stratigraphy

基金资助

国家自然科学基金项目(41871333;41773024)

河南理工大学博士基金资助项目(B2014-043)

河南省高等学校重点科研项目(21A520016)

河南省高校国家级大学生创新创业训练计划项目(202110460078)

河南省本科高校省级大学生创新创业训练计划项目(S202110460005)