本发明专利技术公开了提供一种生物图像识别装置及方法，生物图像识别装置包括：处理器以及存储器。存储器包含至少一个指令，指令被处理器执行；其中，处理器利用针对对象体在时间上连续拍摄的生物图像中的任意时间点的任意一个生物图像和与连续拍摄的生物图像在时间上对应的传感器数据生成融合数据，并基于机器学习模型而从融合数据提取连续拍摄的生物图像的属性信息。借此，本发明专利技术的生物图像识别装置，可独立于存储器或处理器性能而基于机器学习模型识别实时图像内的对象体。本发明专利技术是通过首尔市首尔产业振兴院2021年技术商业化支持项目(TB210264)“在腹腔内诊镜手术中检测主要器官的可说明人工智能产品的功能改善及升级”开发的技术。的技术。的技术。
【技术实现步骤摘要】
实时生物图像识别方法及装置
[0001]本专利技术是关于识别实时图像的方法，更具体地，关于一种能够在实时生物图像内中追踪组织并预测组织位置的方法及装置。
技术介绍
[0002]最近，随着人工智能学习模型的发展，在判读图像方面正在利用大量机器学习模型。例如，卷积神经网络(Convolutional NeuralNetworks)、深度神经网络(Deep neural networks)、循环神经网络(Recurrent Neural Network)、深度置信神经网络(Deep Belief Networks)等学习模型正在应用于静止图像(Still Image)或实时图像(Motion Picture)的检测、分类和特征学习。
[0003]利用机器学习模型学习实时图像(视频)时，对图像数据的学习和运算量巨大，如果处理器性能或存储器容量不够高，则难以在实时图像中识别对象体。
技术实现思路
[0004]本专利技术的目的在于提供一种可独立于存储器或处理器性能而基于机器学习模型识别实时图像内的对象体的实时生物图像识别方法及装置。
[0005]本专利技术的另一目的在于提供一种可利用运动数据明确预测实时生物图像内的对象体的位置的实时生物图像识别方法及装置。
[0006]本专利技术的目的不限于上述提及的目的，本领域技术人员可以通过以下描述明确理解未提及的其他目的。
[0007]根据本专利技术一方面的实时生物图像识别装置包括：照相机、传感器、处理器以及存储器。传感器用以感测照相机的移动；存储器包含一个以上的指令(instructions)，所述指令(instructions)被实现为由处理器执行；其中，处理器利用通过照相机针对对象体而在时间上连续拍摄的生物图像中的任意时间点的任意一个生物图像和与连接拍摄的生物图像在时间上对应的传感器感测的传感器数据生成融合数据，并基于机器学习模型而从融合数据提取连续拍摄的生物图像的属性信息。
[0008]根据本专利技术另一方面的实时生物图像识别装置包括：照相机、传感器、处理器以及存储器。传感器用以感测照相机的移动；存储器包含一个以上的指令(instructions)，所述指令(instructions)被实现为由处理器执行；其中，处理器基于第一机器学习模型而从利用照相机针对对象体在时间上连续拍摄的生物图像中的第n图像提取第n图像的第一属性信息，其中，n为自然数，利用与第n+1以上生物图像在时间上对应的传感器感测的传感器数据中的至少任意一传感器数据和第n图像的第一属性信息生成融合数据，并基于第二机器学习模型而从融合数据提取第n+1以上生物图像的第二属性信息。
[0009]根据本专利技术一方面的实时生物图像识别方法包括：利用针对对象体而在时间上连续拍摄的生物图像中的任意时间点的任一生物图像和与连续拍摄的生物图像在时间上对应的传感器数据生成融合数据的步骤；以及基于机器学习模型而从融合数据提取连续拍摄
的生物图像的属性信息的步骤。
[0010]根据本专利技术另一方面的实时生物图像识别方法包括：基于第一机器学习模型而从针对对象体在时间上连续拍摄的生物图像中的第n图像提取第n图像的第一属性信息的步骤，其中，n为自然数；利用与第n+1以上生物图像在时间上对应的传感器数据中至少任一传感器数据和第n图像的第一属性信息生成融合数据的步骤；以及基于第二机器学习模型而从融合数据提取第n+1以上生物图像的第二属性信息的步骤。
[0011]根据本专利技术的实施例，具有可以基于机器学习模型识别实时生物图像内的对象体的效果。
[0012]另外，根据本专利技术的实施例，具有可以利用运动数据准确预测实时生物图像内在视觉上隐藏的对象体的位置的效果。
[0013]本专利技术的效果不限于上述提及的效果，普通技术人员可以从以下记载明确理解未提及的其他效果。
附图说明
[0014]图1是简要示出根据本专利技术一实施例的识别实时生物图像内组织的装置的构成示意图。
[0015]图2是简要示出根据本专利技术一实施例的识别实时生物图像内组织的实时生物图像识别装置的示意图。
[0016]图3是示出根据本专利技术一实施例的用于识别实时生物图像内组织的处理器的线框示意图。
[0017]图4是示出根据本专利技术一实施例的通过计算装置生成实时生物图像的属性信息过程的示意图。
[0018]图5是示意性示出根据本专利技术另一实施例的通过计算装置生成实时生物图像的属性信息过程的示意图。
[0019]图6是用于描述根据本专利技术一实施例的生物图像识别装置利用传感器数据来显示生物图像过程的示意图。
[0020]图7是用于描述根据本专利技术另一实施例的生物图像识别装置利用传感器数据来识别并显示生物图像过程的示意图。
[0021]图8是示出根据本专利技术一实施例的识别实时生物图像方法的流程示意图。
[0022]图9是示出根据本专利技术另一实施例的识别实时生物图像方法的流程示意图。
[0023]主要附图标记说明：
[0024]110
‑
计算装置，111、311、600、700、800
‑
处理器，113、313
‑
存储器部，115、315
‑
存储设备，117、317
‑
输入输出接口，118、318
‑
网络适配器，119、319
‑
显示适配器，130、330
‑
显示装置，720
‑
属性信息，830
‑
第一属性信息，850
‑
第二属性信息。
具体实施方式
[0025]下面将参照附图详细描述本专利技术的实施例。然而，附图只是为了更容易地公开本专利技术的内容，本领域技术人员可以容易地理解本专利技术的范围不限于附图的范围。
[0026]另外，本专利技术的详细说明和权利要求中所使用的术语仅用于描述特定实施例，并
不用于限定本专利技术。除非上下文另有明确规定，否则单数的表达包括复数的表达。
[0027]在本专利技术的详细说明和权利要求中，“包括”或“具有”等术语应理解为是要指定存在说明书中记载的特征、数字、步骤、动作、构成要素、部件或其组合，不预先排除存在或添加一个或其以上的其他特征、数字、步骤、动作、构成要素、部件或其组合的可能性。
[0028]在本专利技术的详细说明和权利要求中，“学习”或“learning”等术语是指通过基于步骤的计算(computing)而执行机器学习(machine learning)的术语，应理解为并非是指诸如人类教育活动的精神作用。
[0029]本专利技术的详细说明和权利要求中使用的“实时图像数据”，可以定义为包括单一图像(静止影像)或连续图像(视频)，可以用以表达诸如“图像”或“图像数据”的意义。
[0030]本专利技术的详细说明和权利要求中使用的术语“图像”，可以定义为将人或物的形态或其具体特性复制或模仿为数字形态，图像可以但不限于为JPEG图像、PN本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种计算装置，其特征在于，包括：处理器；以及存储器，所述存储器包含至少一个指令，所述指令被所述处理器执行；其中，所述处理器利用针对对象体在时间上连续拍摄的生物图像中的任意时间点的任意一个生物图像和与所述连续拍摄的生物图像在时间上对应的传感器数据生成融合数据，并基于机器学习模型而从所述融合数据提取所述连续拍摄的生物图像的属性信息。2.根据权利要求1所述的计算装置，其特征在于，所述属性信息包括用于对在所述生物图像内识别的对象进行分类的所述对象的标注信息或所述对象的位移信息。3.根据权利要求2所述的计算装置，其特征在于，所述位移信息包括坐标变化量、角度变化量、加速度变化量、角加速度变化量、速度变化量、角速度变化量中至少任意一种。4.根据权利要求1所述的计算装置，其特征在于，所述传感器数据为从陀螺仪传感器、加速度传感器、磁传感器中至少任意一种获得的数据。5.一种计算装置，包括：处理器；以及存储器，所述存储器包含至少一个指令，所述指令被所述处理器执行；其中，所述处理器基于第一机器学习模型而从针对对象体在时间上连续拍摄的生物图像中的第n图像提取所述第n图像的第一属性信息，其中，所述n为自然数，利用与第n+1以上生物图像在时间上对应的传感器数据中的至少任意一传感器数据和所述第n图像的第一属性信息生成融合数据，并基于第二机器学习模型而从所述融合数据提取所述第n+1以上生物图像的第二属性信息。6.根据权利要求5所述的计算装置，其特征在于，所述第一机器学习模型和所述第二机器学习模型为互不相同的机器学习模型。7.根据权利要求5所述的计算装置，其特征在于，所述第一属性信息包括用于对在所述第n生物图像内识别的对象进行分类的所述对象的标注信息。8.根据权利要求5所述的计算装置，其特征在于，所述第二属性信息包括用于对在所述第n+1以上生物图像内识别的对象进行分类的所述对象的标注信息或所述对象的位移信息。9.一种生物图像组织识别方法，所述方法由处理器进行对象体的生物图像识别，其特征在于，所述方法包括：利用针对所述对象体而在时间上连续拍摄的生物图像中的任意时间点的任意一个生物图像和与所述连续拍摄的生物图像在时间上对应的传感器数据生成融合数据的步骤；以及基于机器学习模型而从所述融合数据提取所述连续...
【专利技术属性】
技术研发人员：朴相民，
申请(专利权)人：载美德有限公司，
类型：发明
国别省市：
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。