【技术实现步骤摘要】
一种基于卷积神经网络的人体粪便自动识别方法
本专利技术属于数字图像处理领域和深度学习领域,具体涉及卷积神经网络和多输出分类的人体粪便自动识别方法。技术背景人体粪便的外观性状特征包括形状和颜色两方面特征,这两个特征可以反映出人体的病理情况。在医院的粪便检查中,性状的检查往往需要由病人取少量样本放置于样本盒中,然后送往检验科由专业检验师进行人工判断。其中存在三个问题,其一是取少量样本进行观察难以反应出整体样本的真实情况;其二是虽然在专业医师的判读下可以得到相对准确的结果,但是这对于常规用途是不切实际的,特别是针对在一般人群的使用情况无法在其便后立即的大片粪便样本的准确评估;其三是粪便检查作为三大常规检查之一,日常检查量相对于其它非常规检查项目来说较大,对于人工识别来说不仅仅是工作强度高、效率低下的问题,更为重要的是由于检测速度慢带来的样本性状发生改变,导致不准确的识别结果。另一方面,基于传统图像特征的图像分类识别算法,例如HOG特征以及GLCM特征等,由于其容易受到环境等因素的影响,导致其在实际应用中存在许多困难。随着数字图像处理技术以及深度学习技术的不断发展,越来越多的领域使用自动识别技术代替人工完成相关工作。针对于人体粪便的自动识别问题,实现是利用粪便区域在图像不同颜色空间中的特征差异和形态学操作去掉图像中无用的背景区域,得到图像中的粪便区域。然后构建两个相同结构的卷积神经网络分支,其中一个是粪便形状识别分支,以粪便区域的灰度图像作为输入,使其能够专注于学习粪便的形状结构特征;另一个分支是粪便颜色识别分支 ...
【技术保护点】
1.一种基于卷积神经网络的人体粪便自动识别方法,该方法包括以下步骤:/n步骤1:为了适应一般人群的使用,因此首先对一定数量的人群采集其便后马桶中的粪便图像;/n步骤2:对步骤1采集到的样本图像,为每张图像创建形状和颜色标签;/n步骤3:对步骤2处理后的RGB彩色空间中的图像,转换为HSV彩色空间表示的图像,提取HSV彩色空间S通道图像后,再对S通道图像二值化得二值图像M1;/n步骤4:对步骤3得到的图像M1进行形态学开操作得图像M2;/n步骤5:对步骤4得到的图像M2计算最大连通域,该区域即为粪便区域,然后在步骤2中的原始图像中裁剪对应最大连通域的图像的外接矩形ROI图像;/n步骤6:基于VGG19卷积神经网络搭建两个分支结构,利用其在源域ImageNet数据集上的预训练模型,针对粪便形状识别分支将步骤5输出的RGB彩色图像转换为灰度图像作为网络的输入,针对粪便颜色识别分支将步骤5输出的RGB彩色图像转换为HSV彩色图像作为该分支的输入;/n步骤7:对步骤6搭建的两个神经网络分支进行迁移学习,并且将两个分支的第一个全连接层Fc6的输出分别作为粪便区域的形状特征和颜色特征;/n步骤8:对 ...
【技术特征摘要】
1.一种基于卷积神经网络的人体粪便自动识别方法,该方法包括以下步骤:
步骤1:为了适应一般人群的使用,因此首先对一定数量的人群采集其便后马桶中的粪便图像;
步骤2:对步骤1采集到的样本图像,为每张图像创建形状和颜色标签;
步骤3:对步骤2处理后的RGB彩色空间中的图像,转换为HSV彩色空间表示的图像,提取HSV彩色空间S通道图像后,再对S通道图像二值化得二值图像M1;
步骤4:对步骤3得到的图像M1进行形态学开操作得图像M2;
步骤5:对步骤4得到的图像M2计算最大连通域,该区域即为粪便区域,然后在步骤2中的原始图像中裁剪对应最大连通域的图像的外接矩形ROI图像;
步骤6:基于VGG19卷积神经网络搭建两个分支结构,利用其在源域ImageNet数据集上的预训练模型,针对粪便形状识别分支将步骤5输出的RGB彩色图像转换为灰度图像作为网络的输入,针对粪便颜色识别分支将步骤5输出的RGB彩色图像转换为HSV彩色图像作为该分支的输入;
步骤7:对步骤6搭建的两个神经网络分支进行迁移学习,并且将两个分支的第一个全连接层Fc6的输出分别作为粪便区域的形状特征和颜色特征;
步骤8:对步骤7中输出的粪便区域的形状特征,训练多个MLP分类器进行形状分类;对步骤7中输出的粪便区域的颜色特征,训练多个MLP分类器进行颜色分类,对于每个分类器使用每个类70%的数据作为训练集,30%的数据作为测试集;
步骤9:对于新采集的粪便样本图像,经过步骤2到步骤7的处理后,使用步骤8训练的MLP分类器,对其进行分类。
2.如权利1所述的一种基于卷积神经网络的人体粪便自动识别方法,其特征在于所述步骤2中其具体为根据专业检验师的建议,将粪便的颜色分为黄色、金黄色、棕黄色(褐色)、黑色、鲜红色、暗红色、灰白色、绿色;并且按照布里斯托分类表中对大便形状进行分类标注分别为类型1、2、…、7。
3.如权利1所述的一种基于卷积神经网络的人体粪便自动识别方法,其特征在于步骤5具体为:
步骤5.1:对步骤4得到的图像M2计算8连通域图像;
步骤5.2:返回像素个数最大的连通域;
步骤5.3:对步骤5.2得到的最大连通域求外接矩形;
步骤5.4:对步骤5.3得到的外接矩形位置;
步骤5.5:以步骤5.4得到外接矩形的中心位置为中心,以外接矩形的较长边为边长,在步骤2原图中的对应位置裁剪正方形区域(如果超出原图范围,则以边界行列像素进行镜像填充)即为图像中的粪便区域。
4.如权利1所述的一种基于卷积神经网络的人体粪便自动识别方法,其特征在于所述步骤6具体为:搭建VGG19网络结构,该网络结构具有4个卷积块,即4个block,每...
【专利技术属性】
技术研发人员:刘霖,闻涛,赵家喜,秦驰,李圳浩,张静,杜晓辉,刘娟秀,倪光明,刘永,
申请(专利权)人:电子科技大学,
类型:发明
国别省市:四川;51
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。