一种原始图片的分类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分类方法及装置，所述方法包括：输入原始图片至初筛网络模型；输入a11至细筛网络模型；输入b11和a12至区域目标识别网络模型；所述b11为所述细筛网络模型输出的包含有点状特征目标图片的输出结果；所述a12为部分第一目标图片和另一部分第二目标图片中的点状特征图片；输入b12和所述另一部分第二目标图片中的面状特征图片至面状目标识别网络模型；所述b12为所述细筛网络模型输出的包含有面状特征目标图片的输出结果；分别对c1和所述点状特征图片、d1和所述面状特征图片进行基于规则的判别，以获取所述原始图片的分类结果。所述装置执行上述方法。本发明专利技术实施例提供的方法及装置，能够提高原始图片分类的效率和准确度。

A Classification Method and Device for Original Pictures

【技术实现步骤摘要】
一种原始图片的分类方法及装置
本专利技术实施例涉及图片分类处理
，尤其涉及一种原始图片的分类方法及装置。
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。但是，识别通过胶囊内镜拍摄的原始图片、并对原始图片进行分类，例如：可以是干扰图片等，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，容易导致分类错误。因此，如何避免上述缺陷，提高原始图片分类的效率和准确度，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分类方法及装置。本专利技术实施例提供一种原始图片的分类方法，包括：输入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；输入a11至细筛网络模型；所述a11为所述初筛网络模型输出的包含有部分第二目标图片的输出结果；所述部分第二目标图片是根据预设异常特征图片标签识别出的；所述第二目标图片的拍摄物外表面包含异常特征，所述异常特征包括凸起特征和/或指定颜色特征；输入b11和a12至区域目标识别网络模型；所述b11为所述细筛网络模型输出的包含有点状特征目标图片的输出结果；所述a12为部分第一目标图片和另一部分第二目标图片中的点状特征图片；所述部分第一目标图片为与点状特征区分度低于预设指标参数的第一目标图片；所述第一目标图片的拍摄物外表面不包含所述异常特征；输入b12和所述另一部分第二目标图片中的面状特征图片至面状目标识别网络模型；所述b12为所述细筛网络模型输出的包含有面状特征目标图片的输出结果；分别对c1和所述点状特征图片、d1和所述面状特征图片进行基于规则的判别，以获取所述原始图片的分类结果；所述c1为所述区域目标识别网络模型输出的输出结果；所述d1为所述面状目标识别网络模型输出的输出结果。本专利技术实施例提供一种原始图片的分类装置，包括：第一输入单元，用于输入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；第二输入单元，用于输入a11至细筛网络模型；所述a11为所述初筛网络模型输出的包含有部分第二目标图片的输出结果；所述部分第二目标图片是根据预设异常特征图片标签识别出的；所述第二目标图片的拍摄物外表面包含异常特征，所述异常特征包括凸起特征和/或指定颜色特征；第三输入单元，用于输入b11和a12至区域目标识别网络模型；所述b11为所述细筛网络模型输出的包含有点状特征目标图片的输出结果；所述a12为部分第一目标图片和另一部分第二目标图片中的点状特征图片；所述部分第一目标图片为与点状特征区分度低于预设指标参数的第一目标图片；所述第一目标图片的拍摄物外表面不包含所述异常特征；第四输入单元，用于输入b12和所述另一部分第二目标图片中的面状特征图片至面状目标识别网络模型；所述b12为所述细筛网络模型输出的包含有面状特征目标图片的输出结果；分类单元，用于分别对c1和所述点状特征图片、d1和所述面状特征图片进行基于规则的判别，以获取所述原始图片的分类结果；所述c1为所述区域目标识别网络模型输出的输出结果；所述d1为所述面状目标识别网络模型输出的输出结果。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；输入a11至细筛网络模型；所述a11为所述初筛网络模型输出的包含有部分第二目标图片的输出结果；所述部分第二目标图片是根据预设异常特征图片标签识别出的；所述第二目标图片的拍摄物外表面包含异常特征，所述异常特征包括凸起特征和/或指定颜色特征；输入b11和a12至区域目标识别网络模型；所述b11为所述细筛网络模型输出的包含有点状特征目标图片的输出结果；所述a12为部分第一目标图片和另一部分第二目标图片中的点状特征图片；所述部分第一目标图片为与点状特征区分度低于预设指标参数的第一目标图片；所述第一目标图片的拍摄物外表面不包含所述异常特征；输入b12和所述另一部分第二目标图片中的面状特征图片至面状目标识别网络模型；所述b12为所述细筛网络模型输出的包含有面状特征目标图片的输出结果；分别对c1和所述点状特征图片、d1和所述面状特征图片进行基于规则的判别，以获取所述原始图片的分类结果；所述c1为所述区域目标识别网络模型输出的输出结果；所述d1为所述面状目标识别网络模型输出的输出结果。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；输入a11至细筛网络模型；所述a11为所述初筛网络模型输出的包含有部分第二目标图片的输出结果；所述部分第二目标图片是根据预设异常特征图片标签识别出的；所述第二目标图片的拍摄物外表面包含异常特征，所述异常特征包括凸起特征和/或指定颜色特征；输入b11和a12至区域目标识别网络模型；所述b11为所述细筛网络模型输出的包含有点状特征目标图片的输出结果；所述a12为部分第一目标图片和另一部分第二目标图片中的点状特征图片；所述部分第一目标图片为与点状特征区分度低于预设指标参数的第一目标图片；所述第一目标图片的拍摄物外表面不包含所述异常特征；输入b12和所述另一部分第二目标图片中的面状特征图片至面状目标识别网络模型；所述b12为所述细筛网络模型输出的包含有面状特征目标图片的输出结果；分别对c1和所述点状特征图片、d1和所述面状特征图片进行基于规则的判别，以获取所述原始图片的分类结果；所述c1为所述区域目标识别网络模型输出的输出结果；所述d1为所述面状目标识别网络模型输出的输出结果。本专利技术实施例提供的原始图片的分类方法及装置，通过将初筛网络模型、细筛网络模型、区域目标识别网络模型和面状目标识别网络模型进行级联，并对原始图片进行识别、分类，能够提高原始图片分类的效率和准确度。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分类方法实施例流程图；图2为本专利技术原始图片的分类方法另一实施例流程图；图3为本专利技术原始图片的分类装置实施例结构示意图；图4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分类方法实施例流程图，如图1所示，本专利技术实施例提供的一种原始图片的分类方法，包括以下步骤：S101：输入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。具体的，装置输入原本文档来自技高网...

【技术保护点】
1.一种原始图片的分类方法，其特征在于，包括：输入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；输入a11至细筛网络模型；所述a11为所述初筛网络模型输出的包含有部分第二目标图片的输出结果；所述部分第二目标图片是根据预设异常特征图片标签识别出的；所述第二目标图片的拍摄物外表面包含异常特征，所述异常特征包括凸起特征和/或指定颜色特征；输入b11和a12至区域目标识别网络模型；所述b11为所述细筛网络模型输出的包含有点状特征目标图片的输出结果；所述a12为部分第一目标图片和另一部分第二目标图片中的点状特征图片；所述部分第一目标图片为与点状特征区分度低于预设指标参数的第一目标图片；所述第一目标图片的拍摄物外表面不包含所述异常特征；输入b12和所述另一部分第二目标图片中的面状特征图片至面状目标识别网络模型；所述b12为所述细筛网络模型输出的包含有面状特征目标图片的输出结果；分别对c1和所述点状特征图片、d1和所述面状特征图片进行基于规则的判别，以获取所述原始图片的分类结果；所述c1为所述区域目标识别网络模型输出的输出结果；所述d1为所述面状目标识别网络模型输出的输出结果。

【技术特征摘要】
1.一种原始图片的分类方法，其特征在于，包括：输入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；输入a11至细筛网络模型；所述a11为所述初筛网络模型输出的包含有部分第二目标图片的输出结果；所述部分第二目标图片是根据预设异常特征图片标签识别出的；所述第二目标图片的拍摄物外表面包含异常特征，所述异常特征包括凸起特征和/或指定颜色特征；输入b11和a12至区域目标识别网络模型；所述b11为所述细筛网络模型输出的包含有点状特征目标图片的输出结果；所述a12为部分第一目标图片和另一部分第二目标图片中的点状特征图片；所述部分第一目标图片为与点状特征区分度低于预设指标参数的第一目标图片；所述第一目标图片的拍摄物外表面不包含所述异常特征；输入b12和所述另一部分第二目标图片中的面状特征图片至面状目标识别网络模型；所述b12为所述细筛网络模型输出的包含有面状特征目标图片的输出结果；分别对c1和所述点状特征图片、d1和所述面状特征图片进行基于规则的判别，以获取所述原始图片的分类结果；所述c1为所述区域目标识别网络模型输出的输出结果；所述d1为所述面状目标识别网络模型输出的输出结果。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：生成用于模拟所述原始图片的模拟图片；将所述模拟图片作为所述初筛网络模型、所述细筛网络模型和所述目标识别网络模型的训练数据，以优化所述初筛网络模型、所述细筛网络模型和所述目标识别网络模型。3.根据权利要求2所述的方法，其特征在于，所述模拟图片是基于GAN生成的。4.根据权利要求1至3任一所述的方法，其特征在于，所述初筛网络模型为卷积神经网络inceptionV3。5.根据权利要求1至3任一所述的方法，其特征在于，所述细筛网络模型和所述面状目标识别网络模型均为卷积神经网络Resnet。6.根据权...

【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