超声影像关键目标的检测模型构建及检测方法、装置制造方法及图纸

本发明专利技术公开了一种超声影像关键目标的检测模型构建及检测方法、装置模型，该方法包括：获取原始超声图像；对原始超声图像进行分类及目标区域标注，生成包含目标位置信息及目标类型信息的已标注训练数据；根据已标注训练数据训练分类网络模型，并确定各原始图像的特征图，建立超声图像特征数据库；根据超声图像特征数据库及目标位置信息训练目标区域检测模型；根据超声图像特征数据库及目标类型信息训练目标细分类模型；根据分类网络模型、目标区域检测模型及目标细分类模型构建超声影像关键目标检测模型。通过实施本发明专利技术，实现了从图像处理、目标位置检测、位置标注、目标类型细分等多任务的无缝衔接与联合处理，可以有效提高检测效率及准确度。

【技术实现步骤摘要】
超声影像关键目标的检测模型构建及检测方法、装置
本专利技术涉及图像检测
，具体涉及一种超声影像关键目标的检测模型构建及检测方法、装置。
技术介绍
超声检测技术在工业、医疗等领域的应用已经较为成熟，其主要利用超声成像技术，借助超声波的方向性及高穿透性等特点，从探头设备中发射超声并在待检测物体中传播，通过采集透过材料的信号或者回声信号，对相关内容进行成像，从而在不破坏物体的情况下，对物体内部结构进行观察。然而，因为在检测过程中往往会面临大量待检测物体，且一个小的疏漏就可能带来灾难性后果，例如对锅炉压力容器和管道腐蚀位置的漏检，可能会导致石油或者天然气大量泄漏等，从而引发环境污染并破坏社会稳定，漏检或者误检都会带来不必要的损失。并且，传统检测过程往往需要消耗大量时间，因为其成像与传统的可见光图像差异较大，所以，往往需要专业且富有经验的人员进行操作和分析确定结果，成本较高。
技术实现思路
有鉴于此，本专利技术实施例提供了一种超声影像关键目标的检测模型构建及检测方法、装置，以解决现有的超声检测技术存在的容易出现漏检、误差较大等问题。根据第一方面，本专利技术实施例提供了一种超声影像关键目标检测模型构建方法，包括：获取原始超声图像；对所述原始超声图像进行分类及目标区域标注，生成包含目标位置信息及目标类型信息的已标注训练数据；根据所述已标注训练数据训练分类网络模型，并确定各所述原始图像的特征图，建立超声图像特征数据库；根据所述超声图像特征数据库及所述目标位置信息训练目标区域检测模型；根据所述超声图像特征数据库及所述目标类型信息训练目标细分类模型；根据所述分类网络模型、目标区域检测模型及目标细分类模型构建超声影像关键目标检测模型。通过本专利技术实施例的超声影像关键目标检测模型构建方法所构建的关键目标检测模型，结合计算机图像处理及深度学习技术，构建分类网络模型、目标区域检测模型及目标细分类模型，将多个预测模型相结合，实现了对超声图像中目标位置的智能定位和标注，采用了自动化方式完成对目标区域的检测及类型细分，实现了从图像处理、目标位置检测、位置标注、目标类型细分等多任务的无缝衔接与联合处理，可以有效提高检测效率及准确度。结合第一方面，在第一方面第一实施方式中，对所述原始超声图像进行分类及目标区域标注，包括：对所述原始超声图像进行二值化处理，并提取二值化处理后图像的边沿线段；根据所述边沿线段在所述二值化处理后图像中提取图像区域；判断所述图像区域中是否包含待检测目标；当所述图像区域中包含待检测目标时，根据所述待检测目标的参考像素与周围像素的差异构建备选目标区域；根据所述备选目标区域进行待检测目标的分析及目标区域标注。结合第一方面，在第一方面第二实施方式中，所述已标注训练数据包括：包含待检测目标的第一类图像及未包含待检测目标的第二类图像；根据所述已标注训练数据训练分类网络模型，并确定各所述原始图像的特征图，包括：根据所述第一类图像及第二类图像训练基于深度卷积神经网络搭建的所述分类网络模型；提取所述分类网络模型中的其中一卷积层的输出结果作为所述特征图，或提取所述分类网络模型中的多个卷积层通过反卷积连接，累加融合后的输出结果作为所述特征图。结合第一方面，在第一方面第三实施方式中，根据所述超声图像特征数据库及所述目标位置信息训练目标区域检测模型，包括：根据所述原始超声图像与特征图之间的位置映射关系在所述特征图上设定滑动窗口；根据所述分类网络模型判断所述滑动窗口对应的原始超声图像位置是否为待检测目标图像；如果所述滑动窗口对应的原始超声图像位置是待检测目标图像，则确定所述滑动窗口对应的原始超声图像位置与待检测目标图像的偏移量；根据所述偏移量、超声图像特征数据库及目标位置信息训练目标区域检测模型。根据第二方面，本专利技术实施例提供了一种超声影像关键目标检测方法，包括：采集待检测超声波图像；根据所述超声波图像及如第一方面或第一方面任意一项实施方式所述的超声影像关键目标检测模型检测所述超声波图像中的待检测目标。通过本专利技术实施例的超声影像关键目标检测模型构建方法所构建的关键目标检测模型，结合计算机图像处理及深度学习技术，构建分类网络模型、目标区域检测模型及目标细分类模型，将多个预测模型相结合，实现了对超声图像中目标位置的智能定位和标注，采用了自动化方式完成对目标区域的检测及类型细分，实现了从图像处理、目标位置检测、位置标注、目标类型细分等多任务的无缝衔接与联合处理，可以有效提高检测效率及准确度。结合第二方面，在第二方面第一实施方式中，根据所述超声波图像及如第一方面或第一方面任意一项实施方式所述的超声影像关键目标检测模型检测所述超声波图像中的待检测目标，具体包括：对所述待检测超声波图像进行分类及目标区域标注，生成包含目标位置信息及目标类型信息的第一图像；使用所述分类网络模型提取所述第一图像中的第一特征图；使用所述目标区域检测模型检测所述第一特征图中的目标位置区域；使用所述目标细分类模型对所述目标位置区域进行细分类，确定所述待检测目标的目标类型；根据所述目标位置区域及目标类型在所述待检测超声波图像的对应位置进行标记。结合第二方面，在第二方面第二实施方式中，该超声影像关键目标检测方法还包括：将检测后的待检测超声波图像输入所述已标记训练数据构成的关键目标超声影像数据库中，更新所述关键目标超声影像数据库。根据第三方面，本专利技术实施例提供了一种超声影像关键目标检测模型构建装置，包括：图像获取模块，用于获取原始超声图像；已标注训练数据生成模块，用于对所述原始超声图像进行分类及目标区域标注，生成包含目标位置信息及目标类型信息的已标注训练数据；超声图像特征数据库建立模块，用于根据所述已标注训练数据训练分类网络模型，并确定各所述原始图像的特征图，建立超声图像特征数据库；目标区域检测模型训练模块，用于根据所述超声图像特征数据库及所述目标位置信息训练目标区域检测模型；目标细分类模型训练模块，用于根据所述超声图像特征数据库及所述目标类型信息训练目标细分类模型；超声影像关键目标检测模型构建模块，用于根据所述分类网络模型、目标区域检测模型及目标细分类模型构建超声影像关键目标检测模型。根据第四方面，本专利技术实施例提供了超声影像关键目标检测装置，包括：待测图像采集模块，用于采集待检测超声波图像；目标检测模块，用于根据所述待检测超声波图像及如第一方面或第一方面任意一项实施方式所述的超声影像关键目标检测模型检测所述待检测超声波图像中的待检测目标。根据第五方面，本专利技术实施例提供了一种超声影像关键目标检测设备，包括：超声图像采集设备、存储器和处理器，所述超声图像采集设备、所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或者第一方面的任意一种实施方式中所述的超声影像关键目标检测模型构建方法；或是执行第二方面或者第二方面的任意一种实施方式中所述的超声影像关键目标检测方法。根据第六方面，本专利技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种实施方式中所述的超声影像关键目标检测模型构建方法；或是执行第二方面或者第二方面的任意一种实施方式中所述的本文档来自技高网...

【技术保护点】
1.一种超声影像关键目标检测模型构建方法，其特征在于，包括：获取原始超声图像；对所述原始超声图像进行分类及目标区域标注，生成包含目标位置信息及目标类型信息的已标注训练数据；根据所述已标注训练数据训练分类网络模型，并确定各所述原始图像的特征图，建立超声图像特征数据库；根据所述超声图像特征数据库及所述目标位置信息训练目标区域检测模型；根据所述超声图像特征数据库及所述目标类型信息训练目标细分类模型；根据所述分类网络模型、目标区域检测模型及目标细分类模型构建超声影像关键目标检测模型。

【技术特征摘要】
1.一种超声影像关键目标检测模型构建方法，其特征在于，包括：获取原始超声图像；对所述原始超声图像进行分类及目标区域标注，生成包含目标位置信息及目标类型信息的已标注训练数据；根据所述已标注训练数据训练分类网络模型，并确定各所述原始图像的特征图，建立超声图像特征数据库；根据所述超声图像特征数据库及所述目标位置信息训练目标区域检测模型；根据所述超声图像特征数据库及所述目标类型信息训练目标细分类模型；根据所述分类网络模型、目标区域检测模型及目标细分类模型构建超声影像关键目标检测模型。2.根据权利要求1所述的超声影像关键目标检测模型构建方法，其特征在于，对所述原始超声图像进行分类及目标区域标注，包括：对所述原始超声图像进行二值化处理，并提取二值化处理后图像的边沿线段；根据所述边沿线段在所述二值化处理后图像中提取图像区域；判断所述图像区域中是否包含待检测目标；当所述图像区域中包含待检测目标时，根据所述待检测目标的参考像素与周围像素的差异构建备选目标区域；根据所述备选目标区域进行待检测目标的分析及目标区域标注。3.根据权利要求1所述的超声影像关键目标检测模型构建方法，其特征在于，所述已标注训练数据包括：包含待检测目标的第一类图像及未包含待检测目标的第二类图像；根据所述已标注训练数据训练分类网络模型，并确定各所述原始图像的特征图，包括：根据所述第一类图像及第二类图像训练基于深度卷积神经网络搭建的所述分类网络模型；提取所述分类网络模型中的其中一卷积层的输出结果作为所述特征图，或提取所述分类网络模型中的多个卷积层通过反卷积连接，累加融合后的输出结果作为所述特征图。4.根据权利要求1所述的超声影像关键目标检测模型构建方法，其特征在于，根据所述超声图像特征数据库及所述目标位置信息训练目标区域检测模型，包括：根据所述原始超声图像与特征图之间的位置映射关系在所述特征图上设定滑动窗口；根据所述分类网络模型判断所述滑动窗口对应的原始超声图像位置是否为待检测目标图像；如果所述滑动窗口对应的原始超声图像位置是待检测目标图像，则确定所述滑动窗口对应的原始超声图像位置与待检测目标图像的偏移量；根据所述偏移量、超声图像特征数据库及目标位置信息训练目标区域检测模型。5.一种超声影像关键目标检测方法，其特征在于，包括：采集待检测超声波图像；根据所述待检测超声波图像及如权利要求1-4中任一项所述的超声影像关键目标检测模型检测所述待检测超声波图像中的待检测目标。6.根据权利要求5所述的超声影像关键目标检测方法，其特征在于，根据所述待检测超声...

【专利技术属性】
技术研发人员：高镜尧，李青锋，
申请(专利权)人：高镜尧，李青锋，
类型：发明
国别省市：北京,11