图像识别方法及系统技术方案

本发明专利技术公开了一种图像识别方法及系统，该方法在胃部解剖位置识别算法之前或之后设置有姿态检测步骤，姿态检测步骤包括：获取图片A的姿态角(x1,y1,z1)；获取图片B的姿态角(x2,y2,z2)；图片A和图片B的拍摄时间间隔在ΔT以内，所述ΔT为正数；若|x1‑x2|＞αor|z1‑z2|＞γ，则图片A和图片B不属于同一解剖位置；若|x1‑x2|≤αand|z1‑z2|≤γ，则图片A和图片B属于同一解剖位置；所述α,γ分别为同一位置相邻图片姿态角分量差值的阈值。本发明专利技术利用姿态信息和图像信息对图像进行识别处理。姿态检测单元将两信息融合，得出最终判断结果送入并显示，既能够提高识别精度，防止误删除，特别是对于数据量较少的部位识别准确率较高。

Image Recognition Method and System

【技术实现步骤摘要】
图像识别方法及系统
本专利技术涉及医疗器械及图像识别
，特别涉及一种图像识别方法及系统，用于对胶囊采集到的图片位置进行自动识别，从而对胶囊是否完成整个运行区域检查提供依据。
技术介绍
物体内部(特别是生物体内部)，由于存在个体差异，如何对其内部结构进行位置识别一直是本领域技术人员研究的问题。近年来，随着计算机人工智能和大数据深度学习领域的发展，给智能医学领域注入了新的技术力量。例如，在本专利技术的一种应用场景中：利用胶囊内镜检查消化道时，现有的一种方法为磁控胶囊通过体外磁场来对磁控胶囊进行控制，主动实现对人体胃部的自动检查，通过医生实时观察胶囊在体内采集图片的信息，来判断磁控胶囊当前采集图片的位置，进而判断是否完成整个胃部检查，这种判断方法比较依赖医生的经验以及主观判断，效率较慢且容易出错。使用深度学习方法进行图片识别判断解剖位置，该方法对数据量多的部位(如，胃体，胃窦)识别准确率较高，但对于数据量较少的部位(如，贲门、幽门)识别准确率欠缺。
技术实现思路
本专利技术旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种图像识别方法及系统。为了实现本专利技术的上述目的，根据本专利技术的第一个方面，本专利技术提供了一种图像识别方法，在胃部解剖位置识别算法之前或之后设置有姿态检测步骤，所述姿态检测步骤包括：获取图片A的姿态角(x1,y1,z1)；获取图片B的姿态角(x2,y2,z2)；图片A和图片B的拍摄时间间隔在ΔT以内，所述ΔT为正数；若|x1-x2|＞αor|z1-z2|＞γ，则图片A和图片B不属于同一解剖位置；若|x1-x2|≤αand|z1-z2|≤γ，则图片A和图片B属于同一解剖位置；所述α,γ分别为同一位置相邻图片姿态角x分量差值的阈值和z分量差值的阈值。本专利技术图像识别方法利用姿态信息和图像信息对图像进行识别处理。姿态检测单元将两信息融合，得出最终判断结果送入并显示，既能够提高识别精度，防止误删除，特别是对于数据量较少的部位(如，贲门、幽门)识别准确率较高。为了实现本专利技术的上述目的，根据本专利技术的第二个方面，本专利技术提供了一种图像识别系统，其包括图像采集系统和处理器；所述处理器包括位置识别单元和姿态检测单元，所述图像采集系统采集图像信息并传输给处理器，所述处理器内的位置识别单元对图片位置进行识别；姿态检测单元对位置识别单元处理前或处理后的图片按照本专利技术所述的方法进行处理。本专利技术图像识别系统能够提高胃部解剖位置的识别精度，防止误删除，特别是对于数据量较少的部位(如，贲门、幽门)识别准确率较高。为了实现本专利技术的上述目的，根据本专利技术的第三个方面，本专利技术提供了一种图像识别系统，其包括胶囊内镜、外部控制装置和处理器；所述胶囊内镜包括图像采集单元；所述外部控制装置控制胶囊运动；所述处理器包括位置识别单元和姿态检测单元，所述胶囊内的图像采集单元采集图像信息并传输给处理器，所述处理器内的位置识别单元对图片位置进行识别；姿态检测单元对位置识别单元处理前或处理后的图片按照权利要求1所述的方法进行处理。本专利技术的图像识别系统采用胶囊内镜实现胃部解剖位置的高精度识别，防止误删除，特别是对于数据量较少的部位(如，贲门、幽门)识别准确率较高。在本专利技术的一种优选实施方式中，位置识别算法包括如下步骤：S1，选取数据：选取磁控胶囊已经拍摄的其运行区域不同位置的多张图像，每一张图像对应的运行区域位置可辨认且图像不带有拍摄时间先后顺序特征；S2，将步骤S1选取的图像进行分类，并对分类后的图像添加表示其不同位置的标记，将标记后的图像分为训练集和测试集，所述训练集中图像和测试集中图像无重叠；S3，对位置识别网络模型进行预训练：采用自然场景数据进行网络模型权重初始化，在初始化基础上使用已有的包含海量样本的数据集训练调节网络权重，使深度网络适应各种自然场景的分类；S4，对位置识别网络模型逐层调节：采用预训练模型和训练集中不同位置图像对网络逐层调节训练，具体为先锁定模型的卷积层，训练全链接层，从上到下逐层放开卷基层进行训练，获得位置识别网络模型并设定为当前深度网络模型；S5，利用训练集对当前深度网络模型进行训练，利用测试集测试训练后的当前深度网络模型得到当前深度网络模型的识别精度、灵敏度、特异性之一或它们的任意组合，判断识别精度、灵敏度、特异性是否符合预设要求，若是，则确定训练后的当前网络模型为完成训练的深度网络模型，若否，则确定对训练后的当前深度网络模型进行调整后得到的深度网络模型为当前深度网络模型，返回步骤S5的开始位置继续利用所述训练集对当前深度网络模型进行训练；S6，使用胶囊进行检查时，将胶囊内镜采集的图片输入至训练完成的深度网络模型，得到深度网络模型输出的该图片对应的位置。本专利技术的磁控胶囊运行区域检测图片的位置识别方法对磁控胶囊采集到的图片位置进行自动识别，对胶囊是否完成整个运行区域检查提供依据。本专利技术采用对位置识别网络模型进行预训练，在训练集中数据较少时仍然能够进行深度网络训练，采用了基于大量自然图像首先对网络模型进行初步训练得到一个基础网络模型，进而再采用训练出的基础网络模型来对磁控胶囊采集到的图像进行训练的方法，并采用了逐层参数训练法，从而得准确度高的深度网络模型。采用该种方法，能够满足样本量相对较少的解剖位置的自动识别。减少了标注训练数据需要的时间和人力，降低了人力负担，提高了效率。本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明本专利技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：图1是本专利技术一种优选实施方式中图像识别方法的流程框图；图2是本专利技术一种优选实施方式中姿态检测步骤的流程图；图3是本专利技术一种优选实施方式中位置识别方法的流程图。具体实施方式下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利技术，而不能理解为对本专利技术的限制。在本专利技术的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。为提高识别准确率，可以从数据量和数据质量上改进。但在医学领域，数据的稀缺性导致要从数据方面提升算法准确率很难。本专利技术提出在进行图片识别判断胃部解剖位置的基础上，结合胶囊姿态信息提升整个图像识别系统的识别准确率。本专利技术提供了一种图像识别方法，在胃部解剖位置识别算法之前或之后设置有姿态检测步骤，如图2所示，所述姿态检测步骤包括：获取图片A的姿态角(x1,y1,z1)；获取图片B的姿态角(x2,y2,z2)；图片A和图片B的拍摄时间间隔在ΔT以内，所述ΔT为正数；若|x1-x2|＞αor|z1-z2|＞γ，则图片A和图片B不属于同一解剖位置；若|x1-x2|≤αand|z1-z2|≤γ，则图片A和图片B属于同一解剖位置；所述α,γ分别为同一位置相邻图片姿态角分量差值的阈值。如图1所示，姿态信息和图像信息分别由姿本文档来自技高网...

【技术保护点】
1.一种图像识别方法，其特征在于，在胃部解剖位置识别算法之前或之后设置有姿态检测步骤，所述姿态检测步骤包括：获取图片A的姿态角(x1,y1,z1)；获取图片B的姿态角(x2,y2,z2)；所述图片A和图片B的拍摄时间间隔在ΔT以内，所述ΔT为正数；若|x1‑x2|＞α or|z1‑z2|＞γ，则图片A和图片B不属于同一解剖位置；若|x1‑x2|≤α and|z1‑z2|≤γ，则图片A和图片B属于同一解剖位置；所述α,γ分别为同一位置相邻图片姿态角x分量和z分量差值的阈值。

【技术特征摘要】
1.一种图像识别方法，其特征在于，在胃部解剖位置识别算法之前或之后设置有姿态检测步骤，所述姿态检测步骤包括：获取图片A的姿态角(x1,y1,z1)；获取图片B的姿态角(x2,y2,z2)；所述图片A和图片B的拍摄时间间隔在ΔT以内，所述ΔT为正数；若|x1-x2|＞αor|z1-z2|＞γ，则图片A和图片B不属于同一解剖位置；若|x1-x2|≤αand|z1-z2|≤γ，则图片A和图片B属于同一解剖位置；所述α,γ分别为同一位置相邻图片姿态角x分量和z分量差值的阈值。2.根据权利要求1所述的图像识别方法，其特征在于，所述姿态监测步骤对胃部解剖位置识别算法识别出的图片进行检测，或者对胃部解剖位置识别算法未识别出的图片进行检测，或者对胶囊检测的所有图片进行检测。3.根据权利要求1或2所述的图像识别方法，其特征在于，拍摄时间间隔ΔT与帧率负相关。4.根据权利要求1或2所述的图像识别方法，其特征在于，所述胃部解剖位置识别算法包括如下步骤：S1，选取数据：选取胶囊已经拍摄的其运行区域不同位置的多张图像，每一张图像对应的运行区域位置可辨认且图像不带有拍摄时间先后顺序特征；S2，将步骤S1选取的图像进行分类，并对分类后的图像添加表示其不同位置的标记，将标记后的图像分为训练集和测试集，所述训练集中图像和测试集中图像无重叠；S3，对位置识别网络模型进行预训练：采用自然场景数据进行网络模型权重初始化，在初始化基础上使用已有的包含海量样本的数据集训练调节网络权重，使深度网络适应各种自然场景的分类；S4，对位置识别网络模型逐层调节：采用预训练模型和训练集中不同位置图像对网络逐层调节训练，具体为先锁定模型的卷积层，训练全链接层，从上到下逐层放开卷基层进行训练，获得位置识别网络模型并设定为当前深度网络模型；S5，利用训练集对当前深度网络模型进行训练，利用测试集测试训练后的当前深度网络模型得到当前深度网络模型的识别精度、灵敏度、特异性之一或它们的任意组合，判断识别精度、灵敏度、特异性是否符合预设要求，若是，则确定训练后的当前网络模型为完成训练的深度网络模型，若否，则确定对训练后的当前深度网络模型进行调整后得到的深度网络模型为当前深度网络模型，返回步骤S5的开始位置继续利用所述训练集对当前深度网络模型进行训练；S6，使用胶囊进行检查时，将胶囊内镜采集的图片输入至训练完成的深度网络模型，得到深度网络模型输出的该图片对应的位置。5.根据权利要求4所述的图像识别方法，其特征在于，将步骤S1中使图像不带有拍摄时间先后顺序特征的方法为：将所有图片顺序打乱，再由检测者进行分类，将不同位置的单...

【专利技术属性】
技术研发人员：黄访，廖静，
申请(专利权)人：重庆金山医疗器械有限公司，
类型：发明
国别省市：重庆,50