一种仪器识别模型训练方法和装置及仪器识别方法和装置制造方法及图纸

本申请实施例提供的仪器识别模型训练方法和装置及仪器识别方法和装置，其中，仪器识别模型训练方法包括：获取多张带有类别标签和名称标签的仪器样本图像；基于多张仪器样本图像和类别标签，对深度卷积神经网络模型进行训练，得到训练好的深度卷积神经网络模型；基于训练好的深度卷积神经网络模型，获取仪器样本图像的特征向量；针对每个类别标签，构成与该类别标签对应的特征数据库；将训练好的深度卷积神经网络模型和各个类别标签分别对应的特征数据库作为仪器识别模型。在仪器识别过程中，能够通过结合分类和检索，避免由于划分类别多导致的识别精度不高或通过直接遍历特征数据库进行检索导致的识别效率低的问题，提高了识别精度和识别效率。

【技术实现步骤摘要】
一种仪器识别模型训练方法和装置及仪器识别方法和装置
本申请涉及图像识别
，具体而言，涉及一种仪器识别模型训练方法和装置及仪器识别方法和装置。
技术介绍
目前，对仪器图像进行分类时，原始的分类标准是按照仪器功能划分的，即相同功能的仪器被归为一类，这种分类方法与计算机视觉的分类是相冲突的，因为功能相同的仪器在视觉因素(形状、颜色、外观等)上可能没有丝毫相似性，所以原始的分类标准不能在图像识别算法中使用；如果抛弃原始的分类标准，将每台仪器作为一类来建立分类模型，会导致类别数目太多、且每类图像数量太少，从而使得分类模型提取特征不充分，分类效果极差的问题；而如果直接遍历特征数据库中的所有图像特征数量，对待识别图像进行检索，又会因为特征数据库中图像特征数量太多而导致检索时间过长、效率低的问题。
技术实现思路
有鉴于此，本申请实施例的目的在于提供一种仪器识别模型训练方法和装置及仪器识别方法和装置，能够提高对仪器的识别精度和识别效率。第一方面，本申请实施例提供了一种仪器识别模型训练方法，包括：获取多张带有类别标签和名称标签的仪器样本图像；所述类别标签是对多种仪器按照视觉相似性属性划分成多个类别后，根据划分成的多个类别为每种仪器的仪器样本图像所添加的标签；基于多张所述仪器样本图像，以及与每张所述仪器样本图像对应的类别标签，对深度卷积神经网络模型进行多轮训练，得到训练好的深度卷积神经网络模型；基于训练好的所述深度卷积神经网络模型，获取所述仪器样本图像的特征向量；针对每个类别标签，基于具有该类别标签的仪器样本图像的特征向量，构成与该类别标签对应的特征数据库；每个特征向量均对应有名称标签；将训练好的所述深度卷积神经网络模型和各个所述类别标签分别对应的所述特征数据库作为仪器识别模型。结合第一方面，本申请实施例提供了第一方面的第一种可能的实施方式，其中，所述深度卷积神经网络模型包括特征提取网络和分类器；基于多张所述仪器样本图像，以及与每张所述仪器样本图像对应的类别标签，对深度卷积神经网络模型进行多轮训练，具体包括：针对每张仪器样本图像，将所述仪器样本图像输入所述特征提取网络，获取所述仪器样本图像的中间特征向量；将所述中间特征向量输入至分类器，获得所述仪器样本图像的分类结果；根据所述仪器样本图像的分类结果以及所述仪器样本图像的类别标签，对所述特征提取网络以及所述分类器进行本轮训练；使用多张所述仪器样本图像，对所述特征提取网络以及所述分类器进行多轮训练。结合第一方面的第一种可能的实施方式，本申请实施例提供了第一方面的第二种可能的实施方式，其中，所述基于所述训练好的深度卷积神经网络模型，获取所述仪器样本图像的特征向量，具体包括：将所述仪器样本图像输入至所述训练好的深度卷积神经网络模型中的特征提取网络，获取所述仪器样本图像的特征向量。结合第一方面的第二种可能的实施方式，本申请实施例提供了第一方面的第三种可能的实施方式，其中，所述将所述仪器样本图像输入至所述训练好的深度卷积神经网络模型中的特征提取网络，获取所述仪器样本图像的特征向量，具体包括：将所述仪器样本图像输入至所述训练好的深度卷积神经网络模型中的特征提取网络中；从所述特征提取网络中的最后一个卷积层中获取多个特征矩阵；对每个所述特征矩阵进行池化处理，得到每个所述特征矩阵的一个特征值；使用所有所述特征值构成所述仪器样本图像的特征向量。第二方面，本申请实施例提供了一种仪器识别方法，包括：获取待识别仪器的目标图像；将所述目标图像输入如第一方面和第一方面的第一种可能的实施方式至第三种可能的实施方式的任意一项所述的仪器识别模型训练方法所得到的仪器识别模型中，获取所述待识别仪器的识别结果。结合第二方面，本申请实施例提供了第二方面的第一种可能的实施方式，其中，所述仪器识别模型包括深度卷积神经网络模型和各个类别标签分别对应的所述特征数据库；所述获取所述待识别仪器的识别结果，具体包括：使用所述深度卷积神经网络模型获取所述目标图像的目标特征向量和分类结果；根据所述分类结果，以及各个类别标签分别对应的所述特征数据库，确定与所述目标图像对应的特征数据库；基于所述目标图像的目标特征向量，从确定的与所述目标图像对应的特征数据库中，确定与所述目标特征向量对应的特征向量；基于确定的与所述目标特征向量对应的特征向量的名称标签，确定所述目标图像的名称，作为所述待识别仪器的识别结果。结合第二方面的第一种可能的实施方式，本申请实施例提供了第二方面的第二种可能的实施方式，其中，所述基于所述目标图像的目标特征向量，从确定的与所述目标图像对应的特征数据库中，确定与所述目标特征向量对应的特征向量，具体包括：获取所述目标图像对应的特征数据库中的各个特征向量与所述目标特征向量的余弦距离；将余弦距离最小的特征向量，确定为所述目标特征向量对应的特征向量。结合第二方面的第二种可能的实施方式，本申请实施例提供了第二方面的第三种可能的实施方式，其中，所述获取所述目标图像对应的特征数据库中的各个特征向量与所述目标特征向量的余弦距离之后，还包括：将所述余弦距离按照从小到大的顺序排序；将小于预设余弦距离阈值，且除了最小的所述余弦距离以外的其他余弦距离对应的特征向量的名称标签，确定为所述待识别仪器的相似仪器的名称，或将除了最小的所述余弦距离以外的前预设数量个余弦距离对应的特征向量的名称标签，确定为所述待识别仪器的相似仪器的名称。第三方面，本申请实施例提供了一种仪器识别模型训练装置，包括：样本图像获取模块，用于获取多张带有类别标签和名称标签的仪器样本图像；深度卷积神经网络模型训练模块，用于基于多张所述仪器样本图像，以及与每张所述仪器样本图像对应的类别标签，对深度卷积神经网络模型进行多轮训练，得到训练好的深度卷积神经网络模型；特征向量获取模块，用于基于训练好的所述深度卷积神经网络模型，获取所述仪器样本图像的特征向量；特征数据库构成模块，用于针对每个类别标签，基于具有该类别标签的仪器样本图像的特征向量，构成与该类别标签对应的特征数据库；每个特征向量均对应有名称标签；仪器识别模型获取模块，用于将训练好的所述深度卷积神经网络模型和各个所述类别标签分别对应的所述特征数据库作为仪器识别模型。第四方面，本申请实施例提供了一种仪器识别装置，包括：目标图像获取模块，用于获取待识别仪器的目标图像；识别结果获取模块，用于将所述目标图像输入如第一方面和第一方面的第一种可能的实施方式至第三种可能的实施方式的任意一项所述的仪器识别模型训练方法所得到的仪器识别模型中，获取所述待识别仪器的名称。本申请实施例提供的仪器识别模型训练方法和装置及仪器识别方法和装置，在仪器识别模型训练的时候，通过获取多张带有类别标签和名称标签的仪器样本图像；基于多张所述仪器样本图像，以及与每张所述仪器样本图像对应的类别标签，对深度卷积神经网络模型进行多轮训练，得到训练好的深度卷积神经网络模型；基于训练好的所述深度卷积神经网络模型，获取所述仪器样本图像的特征向量；针对每个类别标签，基于具有该类别标签的仪器样本图像的特征向量，构成与该类别标签对应的特征数据库；每个特征向量均对应有名称标签；将训练好的所述深度卷积神经网络模型和各个所述类别标签分别对应的所述特征数据库作为仪器识别模型。在该仪器识别模型本文档来自技高网...

【技术保护点】
1.一种仪器识别模型训练方法，其特征在于，包括：获取多张带有类别标签和名称标签的仪器样本图像；所述类别标签是对多种仪器按照视觉相似性属性划分成多个类别后，根据划分成的多个类别为每种仪器的仪器样本图像所添加的标签；基于多张所述仪器样本图像，以及与每张所述仪器样本图像对应的类别标签，对深度卷积神经网络模型进行多轮训练，得到训练好的深度卷积神经网络模型；基于训练好的所述深度卷积神经网络模型，获取所述仪器样本图像的特征向量；针对每个类别标签，基于具有该类别标签的仪器样本图像的特征向量，构成与该类别标签对应的特征数据库；每个特征向量均对应有名称标签；将训练好的所述深度卷积神经网络模型和各个所述类别标签分别对应的所述特征数据库作为仪器识别模型。

【技术特征摘要】
1.一种仪器识别模型训练方法，其特征在于，包括：获取多张带有类别标签和名称标签的仪器样本图像；所述类别标签是对多种仪器按照视觉相似性属性划分成多个类别后，根据划分成的多个类别为每种仪器的仪器样本图像所添加的标签；基于多张所述仪器样本图像，以及与每张所述仪器样本图像对应的类别标签，对深度卷积神经网络模型进行多轮训练，得到训练好的深度卷积神经网络模型；基于训练好的所述深度卷积神经网络模型，获取所述仪器样本图像的特征向量；针对每个类别标签，基于具有该类别标签的仪器样本图像的特征向量，构成与该类别标签对应的特征数据库；每个特征向量均对应有名称标签；将训练好的所述深度卷积神经网络模型和各个所述类别标签分别对应的所述特征数据库作为仪器识别模型。2.根据权利要求1所述的方法，其特征在于，所述深度卷积神经网络模型包括特征提取网络和分类器；基于多张所述仪器样本图像，以及与每张所述仪器样本图像对应的类别标签，对深度卷积神经网络模型进行多轮训练，具体包括：针对每张仪器样本图像，将所述仪器样本图像输入所述特征提取网络，获取所述仪器样本图像的中间特征向量；将所述中间特征向量输入至分类器，获得所述仪器样本图像的分类结果；根据所述仪器样本图像的分类结果以及所述仪器样本图像的类别标签，对所述特征提取网络以及所述分类器进行本轮训练；使用多张所述仪器样本图像，对所述特征提取网络以及所述分类器进行多轮训练。3.根据权利要求2所述的方法，其特征在于，所述基于所述训练好的深度卷积神经网络模型，获取所述仪器样本图像的特征向量，具体包括：将所述仪器样本图像输入至所述训练好的深度卷积神经网络模型中的特征提取网络，获取所述仪器样本图像的特征向量。4.根据权利要求3所述的方法，其特征在于，所述将所述仪器样本图像输入至所述训练好的深度卷积神经网络模型中的特征提取网络，获取所述仪器样本图像的特征向量，具体包括：将所述仪器样本图像输入至所述训练好的深度卷积神经网络模型中的特征提取网络中；从所述特征提取网络中的最后一个卷积层中获取多个特征矩阵；对每个所述特征矩阵进行池化处理，得到每个所述特征矩阵的一个特征值；使用所有所述特征值构成所述仪器样本图像的特征向量。5.一种仪器识别方法，其特征在于，包括：获取待识别仪器的目标图像；将所述目标图像输入如权利要求1-4任意一项所述的仪器识别模型训练方法所得到的仪器识别模型中，获取所述待识别仪器的识别结果。6.根据权利要求5所述的方法，其特征在于，所述仪器识别模型包括深度卷积神...

【专利技术属性】
技术研发人员：周垒生，佟华，聂梓晨，冯乐斌，李亚辉，
申请(专利权)人：北京信立方科技发展股份有限公司，
类型：发明
国别省市：北京,11