小目标物检测方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术涉及人工智能技术，揭露了一种小目标物检测方法，包括：获取原始图像，对所述原始图像进行目标物标注，得到标注图像，利用预构建的分割算法对所述标注图像进行图像分割，得到分割图像，利用所述分割图像训练预构建的分割网络，得到图像分割模型，利用所述图像分割模型对待检测图像进行目标物检测，得到候选目标物检测结果，对所述候选目标物检测结果进行腐蚀及膨胀处理，得到目标物检测结果。此外，本发明专利技术还涉及区块链技术，所述目标物检测结果可存储在区块链的节点中。本发明专利技术还提出一种小目标物检测装置、电子设备以及计算机可读存储介质。本发明专利技术可以解决小目标物检测准确率较低的问题。

【技术实现步骤摘要】
小目标物检测方法、装置、电子设备及存储介质
本专利技术涉及人工智能
，尤其涉及一种小目标物检测方法、装置、电子设备及计算机可读存储介质。
技术介绍
目标物检测是人工智能的一个重要应用，就是将图像中的物体识别检测出来。而小目标物检测是目标物检测的一大重要分支，比如，肿瘤的检测与定位是人工智能在临床医疗领域的重要应用，影像科医生和临床医生通常基于CT和MRI等医学影像，通过大量的阅片训练来实现对肿瘤的准确诊断，然而现阶段中国的医疗资源分布极不平衡，偏远地区的医生往往难以接受大量的训练，同时肿瘤本身的位置和大小差异很大，不同扫描器生成的影像质量参差不齐，这就给医生带来很大的困难，也是人工智能得以应用的重要原因。目前已有的肿瘤检测算法和产品中，通常是基于通用的检测网络或分割网络来进行定位，比如常见的Unet做分割，FasterRCNN做检测等。这些网络在自然图像或医学图像上能取得很好的整体效果，然而在设计之初，它们并未全面考虑医生的使用需求。受训练的肿瘤检测算法可以成功定位出大部分显著的肿瘤，而对于小肿瘤或低对比度的肿瘤，往往由于较难标注，使得检测模型训练效率低下，导致检测准确率较低。
技术实现思路
本专利技术提供一种小目标物检测方法、装置及计算机可读存储介质，其主要目的在于解决小目标物检测准确率较低的问题。为实现上述目的，本专利技术提供的一种小目标物检测方法，包括：获取原始图像，对所述原始图像进行目标物标注，得到标注图像；利用预构建的分割算法对所述标注图像进行图像分割，得到分割图像；利用所述分割图像训练预构建的分割网络，得到图像分割模型；利用所述图像分割模型对待检测图像进行目标物检测，得到候选目标物检测结果；对所述候选目标物检测结果进行腐蚀及膨胀处理，得到目标物检测结果。可选地，所述对所述原始图像进行目标物标注，得到标注图像，包括：基于所述原始图像中的原始标注生成外接椭圆；基于所述外接椭圆，生成与所述原始图像的边平行或垂直的外接矩阵，并以所述外接矩阵作为标注，生成包含所述外接矩阵的标注图像。可选地，所述利用预构建的分割算法对所述标注图像进行图像分割，得到分割图像，包括：将所述标注图像中外接矩阵之外的区域设置为背景区域，及将所述外接矩阵中原始标注内的区域设置为前景区域；基于所述背景区域及所述前景区域构造分割函数，利用所述分割函数对所述标注图像进行图像分割，得到所述分割图像，其中，所述分割图像中包括分割区域。可选地，所述利用所述分割图像训练预构建的分割网络，得到图像分割模型，包括：以所述分割区域作为伪标注，利用所述分割网络预测所述分割图像中每个分割区域位置的概率及每个分割区域位置的标注；利用所述每个分割区域位置的概率及每个分割区域位置的标注构建总损失函数；利用预构建的优化器对所述总损失函数进行梯度优化，直到所述总损失函数的输出值满足预设的阈值时，生成所述图像分割模型。可选地，所述总损失函数，包括：Loss＝LTversky+Ldis其中，LTversky为特沃斯基损失，Ldis为距离损失，Loss为总损失函数，pk和yk分别表示输出中每个预测位置的概率和每个预测位置对应的标注，dk表示每个预测位置到标注中最近的分割区域边界的距离，Ω表示所有像素点的个数，λ1、λ2为超参数。可选地，所述利用所述图像分割模型对待检测图像进行目标物检测，得到候选目标物检测结果，包括：利用所述图像分割模型对待检测图像进行目标物分割，得到目标物分割区域；汇总所有的目标物分割区域，得到目标物分割集合，并将所述目标物分割集合作为候选目标物检测结果。可选地，所述对所述候选目标物检测结果进行腐蚀及膨胀处理，得到目标物检测结果，包括：利用预设大小的矩形区域依次对所述待检测图像进行区域选取，得到腐蚀区域；依次将所述腐蚀区域中的目标物分割区域设为背景，得到腐蚀图像；利用所述矩形区域依次对所述腐蚀图像进行区域选取，得到膨胀区域；依次将所述膨胀区域中的背景像素点设为目标物检测区域，并选取满足预设大小的所述目标物检测区域作为所述目标物检测结果。为了解决上述问题，本专利技术还提供一种小目标物检测装置，所述装置包括：图像标注模块，用于获取原始图像，对所述原始图像进行目标物标注，得到标注图像；图像分割模块，用于利用预构建的分割算法对所述标注图像进行图像分割，得到分割图像；模型训练模块，用于利用所述分割图像训练预构建的分割网络，得到图像分割模型；目标物检测模块，用于利用所述图像分割模型对待检测图像进行目标物检测，得到候选目标物检测结果；目标物选取模块，用于对所述候选目标物检测结果进行腐蚀及膨胀处理，得到目标物检测结果。为了解决上述问题，本专利技术还提供一种电子设备，所述电子设备包括：存储器，存储至少一个指令；及处理器，执行所述存储器中存储的指令以实现上述所述的小目标物检测方法。为了解决上述问题，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的小目标物检测方法。本专利技术实施例通过对所述原始图像进行目标物标注，得到标注图像，无需逐个像素点进行标注，提高了模型的训练效率。并且利用分割后的分割图像作为监督来训练预构建的分割网络，使得模型能够更加聚焦分割图像中的图像特征，进一步提高了模型的精度。并且相较于传统算法中先利用分割网络做分割，再利用检测网络做检测，本方法仅需使用分割网络进行检测，大大降低了对计算资源的浪费，同时对所述候选目标物检测结果进行腐蚀及膨胀处理，较小的区域在多次腐蚀的过程中会被完全消除，而较大的区域通过先腐蚀后膨胀两步互补的操作，形状和大小基本保持不变，从而使得所述目标物检测结果更加准确。因此，本专利技术提出的小目标物检测方法、装置、电子设备及计算机可读存储介质，可以解决小目标物检测准确率较低的问题。附图说明图1为本专利技术一实施例提供的小目标物检测方法的流程示意图；图2为图1中其中一个步骤的详细实施流程示意图；图3为图1中另一个步骤的详细实施流程示意图；图4为图1中另一个步骤的详细实施流程示意图；图5为图1中另一个步骤的详细实施流程示意图；图6为本专利技术一实施例提供的小目标物检测装置的功能模块图；图7为本专利技术一实施例提供的实现所述小目标物检测方法的电子设备的结构示意图。本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。本申请实施例提供一种小目标物检测方法。所述小目标物检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，本文档来自技高网...

【技术保护点】
1.一种小目标物检测方法，其特征在于，所述方法包括：/n获取原始图像，对所述原始图像进行目标物标注，得到标注图像；/n利用预构建的分割算法对所述标注图像进行图像分割，得到分割图像；/n利用所述分割图像训练预构建的分割网络，得到图像分割模型；/n利用所述图像分割模型对待检测图像进行目标物检测，得到候选目标物检测结果；/n对所述候选目标物检测结果进行腐蚀及膨胀处理，得到目标物检测结果。/n

【技术特征摘要】
1.一种小目标物检测方法，其特征在于，所述方法包括：
获取原始图像，对所述原始图像进行目标物标注，得到标注图像；
利用预构建的分割算法对所述标注图像进行图像分割，得到分割图像；
利用所述分割图像训练预构建的分割网络，得到图像分割模型；
利用所述图像分割模型对待检测图像进行目标物检测，得到候选目标物检测结果；
对所述候选目标物检测结果进行腐蚀及膨胀处理，得到目标物检测结果。


2.如权利要求1所述的小目标物检测方法，其特征在于，所述对所述原始图像进行目标物标注，得到标注图像，包括：
基于所述原始图像中的原始标注生成外接椭圆；
基于所述外接椭圆，生成与所述原始图像的边平行或垂直的外接矩阵，并以所述外接矩阵作为标注，生成包含所述外接矩阵的标注图像。


3.如权利要求2所述的小目标物检测方法，其特征在于，所述利用预构建的分割算法对所述标注图像进行图像分割，得到分割图像，包括：
将所述标注图像中外接矩阵之外的区域设置为背景区域，及将所述外接矩阵中原始标注内的区域设置为前景区域；
基于所述背景区域及所述前景区域构造分割函数，利用所述分割函数对所述标注图像进行图像分割，得到所述分割图像，其中，所述分割图像中包括分割区域。


4.如权利要求3所述的小目标物检测方法，其特征在于，所述利用所述分割图像训练预构建的分割网络，得到图像分割模型，包括：
以所述分割区域作为伪标注，利用所述分割网络预测所述分割图像中每个分割区域位置的概率及每个分割区域位置的标注；
利用所述每个分割区域位置的概率及每个分割区域位置的标注构建总损失函数；
利用预构建的优化器对所述总损失函数进行梯度优化，直到所述总损失函数的输出值满足预设的阈值时，生成所述图像分割模型。


5.如权利要求4中所述的小目标物检测方法，其特征在于，所述总损失函数，包括：






Loss＝LTversky+Ldis
其中，LTversky为特沃斯基损失，Ldis为距离损失，Loss为总损失函数，pk和yk分别表示输出中每个预测位置的概率和每个预测位置对应的标注，dk表示每个...

【专利技术属性】
技术研发人员：赖柏霖，吴宥萱，白晓宇，黄凌云，周晓云，亚当·哈里森，吕乐，肖京，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44