【技术实现步骤摘要】
一种基于深度学习的图片处理方法、设备及系统
本专利技术涉及一种图片处理方法，特别是涉及一种基于深度学习的图片处理方法、设备及系统。
技术介绍
当前，随着互联网、物联网和人工智能的发展，经常需要从大量图片中筛选出部分预设要求的图片，例如在面部识别、医学影像、刑侦、网络图片查询等场景种都有大量应用，若依赖人工完成，将耗费太多时间和人力，无法快速对图片进行筛选和分类。在食道测压方面，可以通过模拟仪器或者实测设备获取食道压力数据，其中高分辨率食道测压(high-resolutionmanometry，HRM)在全世界应用已接近20年，对食道运动障碍和功能性疾病的认识、诊断和治疗起了巨大作用。HRM云图可以显示上食管括约肌、食管横纹肌平滑肌移行区、膈肌等结构，较好地帮助检查者了解食管运动功能与症状之间的关系，客观区分食管功能性疾病，对不同食团从咽部移动到胃部的驱动力进行客观测量。高分辨率食道测压获得的压力云图一般通过人工观察和分析来判断云图是否存在异常来筛选出需要进一步观察的压力云图，极耗费人力和时间，无法快速对压力云图进行筛...
【技术保护点】
1.一种基于深度学习的图片处理方法，其特征在于，包括：/n获取待处理图片，将待处理图片输入深度学习模型获得分类标签，再根据获得的分类标签将待处理图片归属到对应分类中；/n所述深度学习模型的建立过程包括：/n步骤S1，获取多个图片，为每个图片设置分类标签，并将图片与对应的分类标签关联作为一个样本，将多个样本划分为训练集和验证集；/n步骤S2，构建图片处理卷积网络，所述图片处理卷积网络按照图片处理顺序包含第一级子网络，第二级子网络、第三级子网络和第四级子网络三个子网络中至少一个，以及第五级子网络和第六级子网络；/n步骤S3，利用训练集分批次训练图片处理卷积网络，当前批次训练完成...
【技术特征摘要】
1.一种基于深度学习的图片处理方法，其特征在于，包括：
获取待处理图片，将待处理图片输入深度学习模型获得分类标签，再根据获得的分类标签将待处理图片归属到对应分类中；
所述深度学习模型的建立过程包括：
步骤S1，获取多个图片，为每个图片设置分类标签，并将图片与对应的分类标签关联作为一个样本，将多个样本划分为训练集和验证集；
步骤S2，构建图片处理卷积网络，所述图片处理卷积网络按照图片处理顺序包含第一级子网络，第二级子网络、第三级子网络和第四级子网络三个子网络中至少一个，以及第五级子网络和第六级子网络；
步骤S3，利用训练集分批次训练图片处理卷积网络，当前批次训练完成后采用验证集验证训练后的图片处理卷积网络的异常召回率、准确率是否符合预设要求，若符合预设要求，训练截止，保存当前图片处理卷积网络的模型参数，完成深度学习模型的建立，若不符合预设要求，返回执行步骤S3，利用下一批次的训练集对当前训练后的图片处理卷积网络继续训练。
2.如权利要求1所述的基于深度学习的图片处理方法，其特征在于，所述第一级子网络包括一个卷积层和个残差神经网络层；所述第二级子网络包括一个池化层和两个残差神经网络层；所述第三级子网络、第四级子网络和第五级子网络均分别包括一个池化层和三个残差神经网络层；所述第六级子网络包括一个池化层、四个全连接层以及激活层。
3.如权利要求2所述的基于深度学习的图片处理方法，其特征在于，还包括提取图片的至少一个特征，并将提取的特征加入图片处理卷积网络的第一个全连接层的步骤。
4.如权利要求2所述的基于深度学习的图片处理方法，其特征在于，所述残差神经网络层由主路径的三重卷积和与主路径并联的shoutcut路径构成；
主路径第一层卷积的卷积核的大小为1×1；主路径第二层卷积的卷积核的大小为3×3；主路径第三层卷积的卷积核的大小为1×1；Shortcut路径只提供连接作用。
5.如权利要求1所述的基于深度学习的图片处理方法，其特征在于，在所述步骤S1中，还包括对图片的长和宽分别进行上采样或下采样，使得图片的大小为W1*H1*C1的步骤；W1表示图片长度，H1表示图片宽度，W1和H1能够整除2P，P表示图片处理卷积网络中池化层的数目，P为正整数；C1表示通道，为1。
6.如权利要求1-5之一所述的基于深度学习的图片处理方法，其特征在于，所述图片为从食道测压数据中截取的压力云图，压力云图的时间长度大于T，所述T大于等于20秒。
7.如权利要求6所述的基于深度学习的图片处理方法，其特征在于，从至少一个压力云图提取的加入图片处理卷积网络第一个全连接层的特征...
【专利技术属性】
技术研发人员：廖训，白家莲，覃浪，胡人友，白良德，
申请(专利权)人：重庆金山医疗技术研究院有限公司，
类型：发明
国别省市：重庆;50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。