一种原始图片的识别方法及装置制造方法及图纸

本发明专利技术实施例提供一种原始图片的识别方法及装置，所述方法包括：输入待识别的原始图片至初筛网络模型；若判断获知所述初筛网络模型的输出为a11，则输入所述a11至细筛网络模型；所述a11为识别所述原始图片的一次第一识别结果；所述一次第一识别结果为所述初筛网络模型输出的、尚未确定不包含所述异常特征的一次识别结果；根据所述细筛网络模型的输出结果，确定是否输入所述输出结果至与所述输出结果相对应的目标网络模型；根据所述目标网络模型的输出结果，确定所述原始图片的最终识别结果。所述装置执行上述方法。本发明专利技术实施例提供的原始图片的识别方法及装置，能够提高原始图片识别的效率和准确度。

A Method and Device for Recognition of Original Pictures

【技术实现步骤摘要】
一种原始图片的识别方法及装置
本专利技术实施例涉及图片处理
，尤其涉及一种原始图片的识别方法及装置。
技术介绍
胶囊内镜具有无痛、无伤、拍摄图像信息量大等优点，具备广泛的应用价值。对通过胶囊内镜拍摄的原始图片进行识别，以确定原始图片中是否存在某些特征显得意义重大，现有技术通过人工识别的方式识别上述原始图片，由于原始图片较多、人工阅片效率低下，且有些图片极为相似，容易导致图片识别错误。因此，如何避免上述缺陷，提高原始图片识别的效率和准确度，成为亟须解决的问题。
技术实现思路
针对现有技术存在的问题，本专利技术实施例提供一种原始图片的识别方法及装置。本专利技术实施例提供一种原始图片的识别方法，包括：输入待识别的原始图片至初筛网络模型；所述原始图片是通过胶囊内镜拍摄到的图片集；所述初筛网络模型为不区分异常特征的区域面积的网络模型；所述异常特征包括凸起特征和/或指定颜色特征；若判断获知所述初筛网络模型的输出为a11，则输入所述a11至细筛网络模型；所述a11为识别所述原始图片的一次第一识别结果；所述一次第一识别结果为所述初筛网络模型输出的、尚未确定不包含所述异常特征的一次识别结果；所述细筛网络模型为根据所述区域面积的数值大小，将所述异常特征区分为点状异常特征和面状异常特征的网络模型；根据所述细筛网络模型的输出结果，确定是否输入所述输出结果至与所述输出结果相对应的目标网络模型；所述目标网络模型为用于识别所述点状异常特征的网络模型、用于识别所述面状异常特征的网络模型；根据所述目标网络模型的输出结果，确定所述原始图片的最终识别结果。本专利技术实施例提供一种原始图片的识别装置，包括：输入单元，用于输入待识别的原始图片至初筛网络模型；所述原始图片是通过胶囊内镜拍摄到的图片集；所述初筛网络模型为不区分异常特征的区域面积的网络模型；所述异常特征包括凸起特征和/或指定颜色特征；判断单元，用于若判断获知所述初筛网络模型的输出为a11，则输入所述a11至细筛网络模型；所述a11为识别所述原始图片的一次第一识别结果；所述一次第一识别结果为所述初筛网络模型输出的、尚未确定不包含所述异常特征的一次识别结果；所述细筛网络模型为根据所述区域面积的数值大小，将所述异常特征区分为点状异常特征和面状异常特征的网络模型；确定单元，用于根据所述细筛网络模型的输出结果，确定是否输入所述输出结果至与所述输出结果相对应的目标网络模型；所述目标网络模型为用于识别所述点状异常特征的网络模型、用于识别所述面状异常特征的网络模型；识别单元，用于根据所述目标网络模型的输出结果，确定所述原始图片的最终识别结果。本专利技术实施例提供一种电子设备，包括：处理器、存储器和总线，其中，所述处理器和所述存储器通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下方法：输入待识别的原始图片至初筛网络模型；所述原始图片是通过胶囊内镜拍摄到的图片集；所述初筛网络模型为不区分异常特征的区域面积的网络模型；所述异常特征包括凸起特征和/或指定颜色特征；若判断获知所述初筛网络模型的输出为a11，则输入所述a11至细筛网络模型；所述a11为识别所述原始图片的一次第一识别结果；所述一次第一识别结果为所述初筛网络模型输出的、尚未确定不包含所述异常特征的一次识别结果；所述细筛网络模型为根据所述区域面积的数值大小，将所述异常特征区分为点状异常特征和面状异常特征的网络模型；根据所述细筛网络模型的输出结果，确定是否输入所述输出结果至与所述输出结果相对应的目标网络模型；所述目标网络模型为用于识别所述点状异常特征的网络模型、用于识别所述面状异常特征的网络模型；根据所述目标网络模型的输出结果，确定所述原始图片的最终识别结果。本专利技术实施例提供一种非暂态计算机可读存储介质，包括：所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如下方法：输入待识别的原始图片至初筛网络模型；所述原始图片是通过胶囊内镜拍摄到的图片集；所述初筛网络模型为不区分异常特征的区域面积的网络模型；所述异常特征包括凸起特征和/或指定颜色特征；若判断获知所述初筛网络模型的输出为a11，则输入所述a11至细筛网络模型；所述a11为识别所述原始图片的一次第一识别结果；所述一次第一识别结果为所述初筛网络模型输出的、尚未确定不包含所述异常特征的一次识别结果；所述细筛网络模型为根据所述区域面积的数值大小，将所述异常特征区分为点状异常特征和面状异常特征的网络模型；根据所述细筛网络模型的输出结果，确定是否输入所述输出结果至与所述输出结果相对应的目标网络模型；所述目标网络模型为用于识别所述点状异常特征的网络模型、用于识别所述面状异常特征的网络模型；根据所述目标网络模型的输出结果，确定所述原始图片的最终识别结果。本专利技术实施例提供的原始图片的识别方法及装置，通过将初筛网络模型、细筛网络模型和目标网络模型进行级联，并逐级依次识别尚未确定不包含异常特征的识别结果，当全部识别结果都为不包含异常特征时，才可确定最终识别结果为不包含异常特征，能够提高原始图片识别的效率和准确度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术原始图片的识别方法实施例流程图；图2为本专利技术原始图片的识别装置实施例结构示意图；图3为本专利技术实施例提供的电子设备实体结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。图1为本专利技术原始图片的识别方法实施例流程图，如图1所示，本专利技术实施例提供的一种原始图片的识别方法，包括以下步骤：S101：输入待识别的原始图片至初筛网络模型；所述原始图片是通过胶囊内镜拍摄到的图片集；所述初筛网络模型为不区分异常特征的区域面积的网络模型；所述异常特征包括凸起特征和/或指定颜色特征。具体的，装置输入待识别的原始图片至初筛网络模型；所述原始图片是通过胶囊内镜拍摄到的图片集；所述初筛网络模型为不区分异常特征的区域面积的网络模型；所述异常特征包括凸起特征和/或指定颜色特征。对胶囊内镜的工作过程作如下说明：·胶囊内镜从口腔进入消化道，再从肛门自然排出体外。·胶囊内镜的电池续航力有限，其有效工作区间为口腔、食道、胃、十二指肠、小肠和大肠一部分。·胶囊内镜的每次活动都产生域内检查图片和域外检查图片。·域内检查图片是对消化道某一段所进行的拍摄结果。·域外检查图片是除了域内检查图片以外，胶囊内镜顺便拍到的图片。·全部图片均可自动识别，无需任何人工介入(包括图像预处理)。·识别图像后，将胶囊内镜拍摄的图片分为六个大类(125个小类)，自动保存于125个图片文件夹中，其中，六个大类可以为：第一大类：一类域外分类标签(10个类别本文档来自技高网...

【技术保护点】
1.一种原始图片的识别方法，其特征在于，包括：输入待识别的原始图片至初筛网络模型；所述原始图片是通过胶囊内镜拍摄到的图片集；所述初筛网络模型为不区分异常特征的区域面积的网络模型；所述异常特征包括凸起特征和/或指定颜色特征；若判断获知所述初筛网络模型的输出为a11，则输入所述a11至细筛网络模型；所述a11为识别所述原始图片的一次第一识别结果；所述一次第一识别结果为所述初筛网络模型输出的、尚未确定不包含所述异常特征的一次识别结果；所述细筛网络模型为根据所述区域面积的数值大小，将所述异常特征区分为点状异常特征和面状异常特征的网络模型；根据所述细筛网络模型的输出结果，确定是否输入所述输出结果至与所述输出结果相对应的目标网络模型；所述目标网络模型为用于识别所述点状异常特征的网络模型、用于识别所述面状异常特征的网络模型；根据所述目标网络模型的输出结果，确定所述原始图片的最终识别结果。

【技术特征摘要】
1.一种原始图片的识别方法，其特征在于，包括：输入待识别的原始图片至初筛网络模型；所述原始图片是通过胶囊内镜拍摄到的图片集；所述初筛网络模型为不区分异常特征的区域面积的网络模型；所述异常特征包括凸起特征和/或指定颜色特征；若判断获知所述初筛网络模型的输出为a11，则输入所述a11至细筛网络模型；所述a11为识别所述原始图片的一次第一识别结果；所述一次第一识别结果为所述初筛网络模型输出的、尚未确定不包含所述异常特征的一次识别结果；所述细筛网络模型为根据所述区域面积的数值大小，将所述异常特征区分为点状异常特征和面状异常特征的网络模型；根据所述细筛网络模型的输出结果，确定是否输入所述输出结果至与所述输出结果相对应的目标网络模型；所述目标网络模型为用于识别所述点状异常特征的网络模型、用于识别所述面状异常特征的网络模型；根据所述目标网络模型的输出结果，确定所述原始图片的最终识别结果。2.根据权利要求1所述的方法，其特征在于，所述输出结果包括所述点状异常特征、且尚未确定不包含所述异常特征；相应的，所述根据所述细筛网络模型的输出结果，确定是否输入所述输出结果至与所述输出结果相对应的目标网络模型，包括：输入b11至与所述b11相对应的区域目标识别网络模型；所述b11为对所述a11进行再识别的二次第一识别结果；所述二次第一识别结果为所述细筛网络模型输出的、尚未确定不包含所述异常特征、且所述异常特征为点状异常特征的二次识别结果；所述区域目标识别网络模型为用于识别所述点状异常特征的网络模型。3.根据权利要求2所述的方法，其特征在于，所述输出结果包括所述面状异常特征、且尚未确定不包含所述异常特征；相应的，所述根据所述细筛网络模型的输出结果，确定是否输入所述输出结果至与所述输出结果相对应的目标网络模型，包括：输入b12至与所述b12相对应的面状目标识别网络模型；所述b12为对所述a11进行再识别的另一二次第一识别结果；所述另一二次第一识别结果为所述细筛网络模型输出的、尚未确定不包含所述异常特征、且所述异常特征为面状异常特征的二次识别结果；所述面状目标识别网络模型为用于识别所述面状异常特征的网络模型。4.根据权利要求3所述的方法，其特征在于，所述目标网络模型为所述区域目标识别网络模型；相应的，所述根据所述目标网络模型的输出结果，确定所述原始图片的最终识别结果，包括：若判断获知所述区域目标识别网络模型的输出为c11，则确定所述原始图片的最终识别结果为确定不包含所述异常特征；所述c11为对所述b11进行再识别的三次第一识别结果；所述三次第一识别结果为所述区域目标识别网络模型输出的、尚未确定不包含所述异常特征的三次识别结果。5.根据权利要求4所述的方法，其特...

【专利技术属性】
技术研发人员：朱喻，
申请(专利权)人：广州思德医疗科技有限公司，
类型：发明
国别省市：广东,44