图像识别方法和装置、存储介质及电子设备制造方法及图纸

本申请公开了一种图像识别方法和装置、存储介质及电子设备，可应用于图像处理领域。其中，该方法包括：获取目标图像；将目标图像输入目标神经网络模型，通过目标神经网络模型中的目标视野分类模型从目标图像中确定出M个可疑视野图像，通过目标神经网络模型中的目标全片分类模型对M个可疑视野图像进行预测，得到目标图像的预测图像标签。本申请解决了图像识别准确率较低的技术问题。准确率较低的技术问题。准确率较低的技术问题。

【技术实现步骤摘要】
图像识别方法和装置、存储介质及电子设备


[0001]本申请涉及计算机领域，具体而言，涉及一种图像识别方法和装置、存储介质及电子设备。

技术介绍

[0002]相关技术中，在产品出厂前需要对产品的质量进行检测，瑕疵检测是重要的检测环节。例如，产品外观上的瑕疵(例如，刮痕、斑点等)检测，或者电子产品显示屏的坏点检测等。这些瑕疵较小，目前常用的检测方法是人工检测，但是人工检测也会存在一定的失误，存在准确率较低的问题。并且人工检测效率低。
[0003]相关技术中，癌细胞严重威胁者人类的健康。在癌细胞检测领域，现有技术中是通过专业医生对患者的全视野数字切片进行病理分析，以确定患者是否患有癌症，此种方式依赖于专业医生，存在检测效率低的问题。
[0004]随着图像识别技术的发展，图像检测可以应用到各个领域。但是对于产品上较为微小的瑕疵，以及全视野数字切片上较小的癌细胞，图像识别准确率较低。
[0005]针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

[0006]本申请实施例提供了一种图像识别方法和装置、存储介质及电子设备，以至少解决图像识别准确率较低的技术问题。
[0007]根据本申请实施例的一个方面，提供了一种图像识别方法，包括：获取目标图像，其中，所述目标图像是对目标对象进行扫描得到的待识别图像；将所述目标图像输入目标神经网络模型，通过所述目标神经网络模型中的目标视野分类模型从所述目标图像中确定出M个可疑视野图像，通过所述目标神经网络模型中的目标全片分类模型对所述M个可疑视野图像进行预测，得到所述目标图像的预测图像标签，其中，所述M大于或等于1，所述M个可疑视野图像是所述目标图像中预测可疑概率大于或等于预设概率阈值的视野图像；其中，所述目标神经网络模型是使用训练样本图像和训练视野图像对待训练神经网络模型进行训练、直到满足以下收敛条件所得到的模型：所述训练样本图像的已知图像标签与目标可疑视野图像的预测视野标签之间满足第一损失条件，所述目标可疑视野图像是通过所述待训练神经网络模型中的待训练视野分类模型确定的所述训练样本图像中预测可疑概率最大的可疑视野图像。
[0008]可选地，所述收敛条件还包括：所述训练样本图像的已知图像标签与通过所述待训练神经网络模型中的待训练全片分类模型确定的所述训练样本图像的预测图像标签之间满足第二损失条件，所述训练视野图像的已知视野标签与通过所述待训练神经网络模型中的待训练视野分类模型确定的所述训练视野图像的预测视野标签之间满足第三损失条件。
[0009]可选地，在所述将所述目标图像输入目标神经网络模型之前，所述方法还包括：获
取所述训练样本图像和所述训练视野图像；通过所述训练样本图像和所述训练视野图像，对所述待训练神经网络模型中的所述待训练视野分类模型和待训练全片分类模型进行多轮联合训练，得到所述目标神经网络模型，其中，在训练的过程中，若所述待训练神经网络模型不满足所述收敛条件，调整所述待训练视野分类模型和所述待训练全片分类模型中的参数，若所述待训练神经网络模型满足所述收敛条件，结束训练，将结束训练时的所述待训练神经网络模型确定为所述目标神经网络模型，并将结束训练时的所述待训练视野分类模型和所述待训练全片分类模型分别确定为所述目标神经网络模型中的所述目标视野分类模型和所述目标全片分类模型。
[0010]可选地，所述通过所述训练样本图像和所述训练视野图像，对所述待训练神经网络模型中的所述待训练视野分类模型和所述待训练全片分类模型进行多轮联合训练，包括：通过以下步骤对所述待训练神经网络模型中的所述待训练视野分类模型和所述待训练全片分类模型进行第i轮联合训练，其中，i为大于或等于1的正整数，第0轮训练得到的视野分类模型和全片分类模型为所述待训练神经网络模型中未经训练的所述待训练视野分类模型和所述待训练全片分类模型，包括：将所述训练视野图像输入所述第i
‑
1轮训练得到的视野分类模型，得到第i轮训练确定的所述训练视野图像的预测视野标签；将所述训练样本图像输入所述第i
‑
1轮训练得到的视野分类模型和第i
‑
1轮训练得到的全片分类模型，得到第i轮训练确定的所述目标可疑视野图像的预测视野标签，以及第i轮训练确定的所述训练样本图像的预测图像标签；在所述第i轮训练确定的所述训练视野图像的预测视野标签、所述第i轮训练确定的所述目标可疑视野图像的预测视野标签，以及所述第i轮训练确定的所述训练样本图像的预测图像标签满足所述收敛条件的情况下，结束训练，并将所述第i
‑
1轮训练得到的所述视野分类模型和所述全片分类模型分别确定为所述目标神经网络模型中的所述目标视野分类模型和所述目标全片分类模型。
[0011]可选地，所述将所述训练样本图像输入所述第i
‑
1轮训练得到的视野分类模型和第i
‑
1轮训练得到的全片分类模型，得到第i轮训练确定的所述目标可疑视野图像的预测视野标签，以及第i轮训练确定的所述训练样本图像的预测图像标签，包括：将所述训练样本图像输入所述第i
‑
1轮训练得到的视野分类模型，得到所述第i轮训练确定的所述目标可疑视野图像的预测视野标签，以及第i轮训练确定的S个可疑训练视野图像，其中，所述S大于或等于1，所述S个可疑训练视野图像是所述训练样本图像中预测可疑概率大于或等于所述预设概率阈值的视野图像，所述目标可疑视野图像是所述训练样本图像中预测可疑概率最大的训练视野图像；将所述S个可疑训练视野图像输入所述第i
‑
1轮训练得到的全片分类模型，得到所述第i轮训练确定的所述训练样本图像的预测图像标签。
[0012]可选地，所述将所述训练样本图像输入所述第i
‑
1轮训练得到的视野分类模型，得到所述第i轮训练确定的所述目标可疑视野图像的预测视野标签，以及第i轮训练确定的S个可疑训练视野图像，包括：将所述训练样本图像输入所述第i
‑
1轮训练得到的视野分类模型，通过所述第i
‑
1轮训练得到的视野分类模型将所述训练样本图像分割成N个训练视野图像；通过所述第i
‑
1轮训练得到的视野分类模型，在所述N个训练视野图像中确定出预测可疑概率大于或等于所述预设概率阈值的训练视野图像，得到所述第i轮训练确定的所述S个可疑训练视野图像，其中，N大于或等于S；通过所述第i
‑
1轮训练得到的视野分类模型，将所述N个训练视野图像中预测可疑概率最大的训练视野图像确定为所述目标可疑视野图像，
并将所述目标可疑视野图像的预测可疑概率对应的标签确定为所述目标可疑视野图像的预测视野标签。
[0013]可选地，在所述第i轮联合训练中，所述方法还包括：将所述第i轮训练确定的所述目标可疑视野图像的预测视野标签对应的预测可疑概率和所述训练样本图像的已知图像标签对应的已知概率输入第一损失函数，得到第一损失值；将所述第i轮训练确定的所述训练样本图像的预测图像标签对应的预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像识别方法，其特征在于，包括：获取目标图像，其中，所述目标图像是对目标对象进行扫描得到的待识别图像；将所述目标图像输入目标神经网络模型，通过所述目标神经网络模型中的目标视野分类模型从所述目标图像中确定出M个可疑视野图像，通过所述目标神经网络模型中的目标全片分类模型对所述M个可疑视野图像进行预测，得到所述目标图像的预测图像标签，其中，所述M大于或等于1，所述M个可疑视野图像是所述目标图像中预测可疑概率大于或等于预设概率阈值的视野图像；其中，所述目标神经网络模型是使用训练样本图像和训练视野图像对待训练神经网络模型进行训练、直到满足以下收敛条件所得到的模型：所述训练样本图像的已知图像标签与目标可疑视野图像的预测视野标签之间满足第一损失条件，所述目标可疑视野图像是通过所述待训练神经网络模型中的待训练视野分类模型确定的所述训练样本图像中预测可疑概率最大的可疑视野图像。2.根据权利要求1所述的方法，其特征在于，所述收敛条件还包括：所述训练样本图像的已知图像标签与通过所述待训练神经网络模型中的待训练全片分类模型确定的所述训练样本图像的预测图像标签之间满足第二损失条件，所述训练视野图像的已知视野标签与通过所述待训练神经网络模型中的所述待训练视野分类模型确定的所述训练视野图像的预测视野标签之间满足第三损失条件。3.根据权利要求2所述的方法，其特征在于，在所述将所述目标图像输入目标神经网络模型之前，所述方法还包括：获取所述训练样本图像和所述训练视野图像；通过所述训练样本图像和所述训练视野图像，对所述待训练神经网络模型中的所述待训练视野分类模型和待训练全片分类模型进行多轮联合训练，得到所述目标神经网络模型，其中，在训练的过程中，若所述待训练神经网络模型不满足所述收敛条件，调整所述待训练视野分类模型和所述待训练全片分类模型中的参数，若所述待训练神经网络模型满足所述收敛条件，结束训练，将结束训练时的所述待训练神经网络模型确定为所述目标神经网络模型，并将结束训练时的所述待训练视野分类模型和所述待训练全片分类模型分别确定为所述目标神经网络模型中的所述目标视野分类模型和所述目标全片分类模型。4.根据权利要求3所述的方法，其特征在于，所述通过所述训练样本图像和所述训练视野图像，对所述待训练神经网络模型中的所述待训练视野分类模型和所述待训练全片分类模型进行多轮联合训练，包括：通过以下步骤对所述待训练神经网络模型中的所述待训练视野分类模型和所述待训练全片分类模型进行第i轮联合训练，其中，i为大于或等于1的正整数，第0轮训练得到的视野分类模型和全片分类模型为所述待训练神经网络模型中未经训练的所述待训练视野分类模型和所述待训练全片分类模型，包括：将所述训练视野图像输入第i
‑
1轮训练得到的视野分类模型，得到第i轮训练确定的所述训练视野图像的预测视野标签；将所述训练样本图像输入所述第i
‑
1轮训练得到的视野分类模型和第i
‑
1轮训练得到的全片分类模型，得到第i轮训练确定的所述目标可疑视野图像的预测视野标签，以及第i轮训练确定的所述训练样本图像的预测图像标签；
在所述第i轮训练确定的所述训练视野图像的预测视野标签、所述第i轮训练确定的所述目标可疑视野图像的预测视野标签，以及所述第i轮训练确定的所述训练样本图像的预测图像标签满足所述收敛条件的情况下，结束训练，并将所述第i
‑
1轮训练得到的所述视野分类模型和所述全片分类模型分别确定为所述目标神经网络模型中的所述目标视野分类模型和所述目标全片分类模型。5.根据权利要求4所述的方法，其特征在于，所述将所述训练样本图像输入所述第i
‑
1轮训练得到的视野分类模型和第i
‑
1轮训练得到的全片分类模型，得到第i轮训练确定的所述目标可疑视野图像的预测视野标签，以及第i轮训练确定的所述训练样本图像的预测图像标签，包括：将所述训练样本图像输入所述第i
‑
1轮训练得到的视野分类模型，得到所述第i轮训练确定的所述目标可疑视野图像的预测视野标签，以及第i轮训练确定的S个可疑训练视野图像，其中，所述S大于或等于1，所述S个可疑训练视野图像是所述训练样本图像中预测可疑概率大于或等于所述预设概率阈值的视野图像，所述目标可疑视野图像是所述训练样本图像中预测可疑概率最大的训练视野图像；将所述S个可疑训练视野图像输入所述第i
‑
1轮训练得到的全片分类模型，得到所述第i轮训练确定的所述训练样本图像的预测图像标签。6.根据权利要求5所述的方法，其特征在于，所述将所述训练样本图像输...

【专利技术属性】
技术研发人员：叶虎，韩骁，蔡德，肖凯文，马兆轩，周彦宁，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：