چارچوبی برای استخراج آناتومی و طبقه بندی تصاویر پشه با رویکرد یادگیری عمیق

پشه ها عامل اصلی انتشار بیماری‌های خطرناک مانند مالاریا، تب زرد، تب دانگ و زیکا هستند. موثرترین روش کنترل این دسته از بیماری‌ها، شناسایی صحیح انواع گونه های پشه است. در روش شناسایی پشه‌ها به شیوه سنتی، تعیین هویت بر اساس تشخیص‌های مرفولوژیکی توسط انسان‌های متخصص با مهارت‌های خاص صورت می گیرد. مهمترین چالش طبقه‌بندی کاهش تعداد افراد خبره و تنوع زیاد گونه‌های مختلف پشه است. به منظور غلبه بر این چالش، توسعه یک روش خودکار بر اساس معماری‌های یادگیری عمیق برای شناسایی و طبقه‌بندی پشه‌ها منبع ارزشمندی برای افراد غیر‌متخصص خواهد بود. هدف از این پژوهش، ارائه مدلی از نوع شبکه کانولوشن به منظور قطعه‌بندی و طبقه‌بندی تصاویر پشه با ادغام معماری resnet101 و تکنیک mask_rcnn می‌باشد. 2354 تصویر پشه از سه گونه آنوفل، آئدس و کولکس با یکدیگر مقایسه می‌شوند. در مدل پیشنهادی به جای ورودی شبکه به صورت تصویر کامل پشه ابتدا تصاویر قطعه‌بندی شده و سپس قسمت‌های مختلف شکم، پا، بال و سر به عنوان ورودی به شبکه داده می‌شود. ماسک باینری متناظر از اجزای تشریح شده بدن پشه توسط شبکه کانولوشن جهت استخراج ویژگی برای هر قسمت مجزا تولید می‌شود و سپس مقدار زیان بین مقادیر طبقه‌بندی شده و برچسب تصاویر محاسبه می‌شود. نتایج ارزیابی نشان داد استخراج تصاویر آناتومی پشه بر طبقه‌بندی سریع‌تر تصاویر تاثیر می‌گذارد و شبکه با دقت 97.84 درصد نسبت به حالت معمولی بهتر عمل کرده است.

deep learning framework to extract anatomy for mosquito image classification

mosquitoes are the main cause of the spread of dangerous diseases such as malaria, yellow fever, dengue fever, and zika. the most effective way to control these diseases is to correctly identify the types of mosquito species. in the traditional method of identifying mosquitoes, identification is based on morphological diagnoses by specialized human beings with special skills. the most important classification challenge is to reduce the number of experts and the great diversity of different species of mosquitoes. in order to overcome this challenge, developing an automated method based on deep learning architectures to identify and classify mosquitoes will be a valuable resource for non-specialists.this study proposes a convolutional network model that integrates the resnet101 architecture and the mask_rcnn technique to segment and classifies mosquito images. 2354 mosquito images of three species of anopheles, aedes, and culex are compared with each other. in the proposed model, instead of entering the network as a complete image of a mosquito, first, the images are segmented, and then different parts of the abdomen, legs, wings, and head are given to the network as input. the corresponding binary mask of the described parts of the mosquito body is produced by the convolution network to extract the feature for each separate part and then calculate the loss value between the classified values and the image label. the evaluation results showed that the extraction of mosquito anatomy images affects the faster classification of images and the network performed better with 97.84% accuracy than normal.