一种基于深度学习的人工角膜镜柱质量检测方法技术

本发明专利技术公开了一种基于深度学习的人工角膜镜柱质量检测方法，属于数据识别技术领域；包括以下步骤：获取人工角膜镜柱的合格图像数据集和不合格图像数据集；依次获取多个第一子类别的不合格图像；获取扩充后的多个第二子类别的不合格图像；获取扩充或删除后的每个合格图像类别；获取更新后的不合格图像数据集和合格图像数据集；获取训练好的神经网络；将待检测的人工角膜镜柱图像通过训练好的神经网络进行质量识别。本发明专利技术通过对没有缺陷的背景图像和有缺陷的前景图像进行一对一的对比学习，有效提升神经网络对不同缺陷类别识别率，从而提高了神经网络的鲁棒性。提高了神经网络的鲁棒性。提高了神经网络的鲁棒性。

【技术实现步骤摘要】
一种基于深度学习的人工角膜镜柱质量检测方法


[0001]本专利技术涉及数据识别
，具体涉及一种基于深度学习的人工角膜镜柱质量检测方法。

技术介绍

[0002]人工角膜套件适用于角膜移植高危排斥患者。镜柱是人工角膜套件中的重要植入部件，用于构建眼球的光学通路。在包装前需要对人工角膜镜柱的质量进行过程检测，保证镜柱在出厂前无缺陷、光学特性优良、物理化学性质稳定。目前对人工角膜镜柱进行过程检测时，通常由检验人员观察显微镜下半成品镜柱图像并人工判断当前所采集人工角膜镜柱的图像是否存在缺陷，人工质量检验有检测效率低、职业技能要求高、经验依赖度高、检测标准量化难、误检率高的缺点。
[0003]部分企业尝试使用了基于神经网络的方式来进行部件缺陷的自动化检验。但是，对于检测人工角膜镜柱质量所用的神经网络来说，在训练的过程中，由于采集的训练数据集不平衡,检测的人工角膜镜柱缺陷精度较低。
[0004]为了实现上述目的，本领域技术人员通过采集人工角膜镜柱的质量不合格的图像数据集与质量合格的图像数据集，则采集的图像数据量明显偏小，往往通过对不合格数据集进行各种操作，例如：旋转、平移、缩放、裁剪等方式来实现不合格数据集的扩充，但现有方法是对所有的不合格数据集进行相同或随机的扩充，不一定能使得不同缺陷类别的识别率提高，例如：缺陷数据集中第一个缺陷的数据量很大，而第二个缺陷的数据量很小，则训练好的神经网络对第一个缺陷的识别率往往会大于第二个缺陷，对第一个缺陷识别的精度较低；从而导致训练好的神经网络对人工角膜镜柱质量检测不精准。

技术实现思路

[0005]为了解决现有技术中的不足，本专利技术提供一种基于深度学习的人工角膜镜柱质量检测方法，该方法通过对其不同缺陷的不合格图像类别进行扩充，同时对合格图像数据集的不同类别的数量也进行相应调整，使得神经网络可以对没有缺陷的背景图像和有缺陷的前景图像进行一对一的对比学习，有效提升神经网络对不同缺陷类别识别率，从而提高了神经网络的鲁棒性。
[0006]本专利技术的目的是提供一种基于深度学习的人工角膜镜柱质量检测方法，包括以下步骤：
[0007]获取人工角膜镜柱的合格图像数据集和不合格图像数据集；
[0008]对不合格图像数据集依据检验内控标准和因子分析法通过因子分析将不合格图像数据集中所有不合格图像划分为多个类别的不合格图像；根据每个类别中不合格图像上的缺陷将同一缺陷的不合格图像划分至同一个第一子类别中，依次获取多个第一子类别的不合格图像；
[0009]根据每个类别中对应第一子类别的数量和每个第一子类别中不合格图像数量，及
合格数据集中合格图像数量，获取每个第一子类别中对应不合格图像的扩充数量；通过对每个第一子类别进行扩充对应扩充数量的不合格图像获取扩充后的多个第二子类别的不合格图像；
[0010]根据每个第二子类别的不合格图像与每个合格图像的相似性，将合格图像数据集中的合格图像划分成与每个第二子类别对应的合格图像类别；
[0011]将每个合格图像类别中所对应的合格图像扩充或删除至与对应第二子类别中图像数据量相同的数量，并获取扩充或删除后的每个合格图像类别；
[0012]根据扩充后的多个第二子类别，及扩充或删除后的每个合格图像类别，获取更新后的不合格图像数据集和合格图像数据集；将更新后的不合格图像数据集和合格图像数据集中的所有图像作为训练集对神经网络进行训练，获取训练好的神经网络；
[0013]将待检测的人工角膜镜柱图像通过训练好的神经网络进行质量识别。
[0014]在一实施例中，多个类别的不合格图像是按照以下步骤获取：
[0015]将不合格图像数据集中的每个不合格图像转化成一维向量，获取向量数据集；
[0016]将向量数据集通过因子分析获取所有一维向量的公共因子和每个一维向量对应的特殊因子；
[0017]获取任意两个特殊因子之间的余弦相似度，通过层次分析方法将不合格图像数据集中的不合格图像划分多个类别的不合格图像。
[0018]在一实施例中，多个第一子类别的不合格图像是按照以下步骤获取：
[0019]将每个类别中的每个不合格图像通过字典学习算法获取每个不合格图像对应的字典矩阵；通过计算每个类别中任意两个不合格图像对应字典矩阵的相似度对所述类别中的不合格图像进行分类获取每个类别中多个初始子类别的不合格图像；
[0020]获取每个初始子类别中不合格图像相对于所在类别中不合格图像的置信度；
[0021]根据每个初始子类别对应的置信度获取每个初始子类别中不合格图像为同一缺陷的子类别，将不合格图像为同一缺陷的初始子类别作为第一子类别；
[0022]依次获取多个第一子类别的不合格图像。
[0023]在一实施例中，每个初始子类别中不合格图像相对于所在类别中不合格图像的置信度是按照以下方法获取：
[0024]获取每个类别中所有不合格图像对应的公共因子和每个不合格图像对应的特殊因子；将每个类别中不合格图像对应的特殊因子的均值作为每个类别的平均特殊因子；
[0025]获取每个初始子类别中所有不合格图像对应的公共因子和每个不合格图像对应的特殊因子；将每个初始子类别中不合格图像对应的特殊因子的均值作为每个初始子类别的平均特殊因子；
[0026]根据每个类别对应的公共因子和平均特殊因子，以及所述类别中的每个初始子类别对应的公共因子和平均特殊因子，获取每个初始子类别相对于所在类别的置信度。
[0027]在一实施例中，每个初始子类别中不合格图像为同一缺陷的子类别是按照以下步骤获取：
[0028]对获取的每个初始子类别中不合格图像相对于所在类别中不合格图像的置信度进行归一化处理，当归一化后的置信度大于0.7时，则该置信度对应的每个初始子类别中不合格图像作为同一缺陷的子类别。
[0029]在一实施例中，每个类别中任意两个不合格图像对应字典矩阵的相似度是按照以下步骤获取：
[0030]获取任意两个不合格图像对应字典矩阵中对应位置元素的比值，其中，比值是两个字典矩阵对应位置的元素小的值除以元素大的值的商值；
[0031]将任意两个不合格图像对应字典矩阵中对应位置元素的所有比值的均值作为任意两个不合格图像对应字典矩阵的相似度。
[0032]在一实施例中，每个第二子类别的不合格图像与每个合格图像的相似性是按照以下步骤获取：
[0033]获取合格图像数据集中每个合格图像的灰度直方图；并将每个第二子类别中不合格图像的灰度直方图的均值灰度直方图作为每个第二子类别的灰度直方图；
[0034]将每个第二子类别的灰度直方图与每个合格图像的灰度直方图的相似性作为每个第二子类别的不合格图像与每个合格图像的相似性。
[0035]在一实施例中，每个第二子类别的灰度直方图与每个合格图像的灰度直方图的相似性是按照以下步骤获取：
[0036]获取每个第二子类别的灰度直方图中的灰度值从左至右所对应的第一频数序列；
[0037本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的人工角膜镜柱质量检测方法，其特征在于，包括以下步骤：获取人工角膜镜柱的合格图像数据集和不合格图像数据集；对不合格图像数据集通过因子分析依据检验内控标准和因子分析法将不合格图像数据集中所有不合格图像划分为多个类别的不合格图像；根据每个类别中不合格图像上的缺陷将同一缺陷的不合格图像划分至同一个第一子类别中，依次获取多个第一子类别的不合格图像；根据每个类别中对应第一子类别的数量和每个第一子类别中不合格图像数量，及合格数据集中合格图像数量，获取每个第一子类别中对应不合格图像的扩充数量；通过对每个第一子类别进行扩充对应扩充数量的不合格图像获取扩充后的多个第二子类别的不合格图像；根据每个第二子类别的不合格图像与每个合格图像的相似性，将合格图像数据集中的合格图像划分成与每个第二子类别对应的合格图像类别；将每个合格图像类别中所对应的合格图像扩充或删除至与对应第二子类别中图像数据量相同的数量，并获取扩充或删除后的每个合格图像类别；根据扩充后的多个第二子类别，及扩充或删除后的每个合格图像类别，获取更新后的不合格图像数据集和合格图像数据集；将更新后的不合格图像数据集和合格图像数据集中的所有图像作为训练集对神经网络进行训练，获取训练好的神经网络；将待检测的人工角膜镜柱图像通过训练好的神经网络进行质量识别。2.根据权利要求1所述的基于深度学习的人工角膜镜柱质量检测方法，其特征在于，多个类别的不合格图像是按照以下步骤获取：将不合格图像数据集中的每个不合格图像转化成一维向量，获取向量数据集；将向量数据集通过因子分析获取所有一维向量的公共因子和每个一维向量对应的特殊因子；获取任意两个特殊因子之间的余弦相似度，通过层次分析方法将不合格图像数据集中的不合格图像划分多个类别的不合格图像。3.根据权利要求2所述的基于深度学习的人工角膜镜柱质量检测方法，其特征在于，多个第一子类别的不合格图像是按照以下步骤获取：将每个类别中的每个不合格图像通过字典学习算法获取每个不合格图像对应的字典矩阵；通过计算每个类别中任意两个不合格图像对应字典矩阵的相似度对所述类别中的不合格图像进行分类获取每个类别中多个初始子类别的不合格图像；获取每个初始子类别中不合格图像相对于所在类别中不合格图像的置信度；根据每个初始子类别对应的置信度获取每个初始子类别中不合格图像为同一缺陷的子类别，将不合格图像为同一缺陷的初始子类别作为第一子类别；依次获取多个第一子类别的不合格图像。4.根据权利要求3所述的基于深度学习的人工角膜镜柱质量检测方法，其特征在于，每个初始子类别中不合格图像相对于所在类别中不合格图像的置信度是按照以下方法获取：获取每个类别中所有不合格图像对应的公共因子和每个不合格图像对应的特殊因子；将每个类别中不合格图像对应的特殊因子的均值作为每个类别的平均特殊因子；获取每个初始子类...

【专利技术属性】
技术研发人员：翟嘉洁，殷晨，翟舒平，
申请(专利权)人：广东佳悦美视生物科技有限公司，
类型：发明
国别省市：