一种基于多神经网络的信息识别方法及识别系统技术方案

本发明专利技术属于信息识别技术领域，公开了一种基于多神经网络的信息识别方法及识别系统，通过影像数据输入模块输入待识别影像数据，并通过影像处理模块进行影像灰度化处理、影像数据增强处理、影像补偿处理，通过特征向量变换模块变换为待识别影像数据特征向量；利用模型构建模块通过递归卷积层的卷积神经网络训练得到信息识别模型；利用结果识别模块将转化后的待识别影像数据特征向量输入信息识别模型中进行信息识别，得到相应的结果。本发明专利技术有效解决了人工设计卷积神经网络的结构需要大量耗费人类的精力与智慧，需要经过不断的试验与优化，工作量较大，效率较低，并且受人类主观因素影响，信息识别结果不准确的问题，提升信息识别的效率。别的效率。别的效率。

【技术实现步骤摘要】
一种基于多神经网络的信息识别方法及识别系统


[0001]本专利技术属于信息识别
，尤其涉及一种基于多神经网络的信息识别方法及识别系统。

技术介绍

[0002]卷积神经网络作为人工智能的重要模型与算法，已经广泛的应用到多个场景。尤其是信息识别方面，包括影像理解、自然语言处理、数据分类与回归等方面，均取得了很好的效果，如目前在医学研究中已实现影像中病灶识别与解剖分割。基于卷积神经网络进行信息识别，大量的替代了人类的工作，复杂的卷积神经网络甚至在信息识别领域中，准确率超过了人类。
[0003]通过研究发现，基于卷积神经网络的信息识别的过程中，首先需要构建卷积神经网络模型，然后对卷积神经网络模型进行训练，最后利用训练好的卷积神经网络进行信息识别。在实际生活和临床应用中构建卷积神经网络模型时，需要人工设计卷积神经网络的结构，而人工设计卷积神经网络的结构需要大量耗费人类的精力与智慧，需要经过不断的试验与优化，工作量较大，效率较低，并且受人类主观因素影响，信息识别结果不准确。
[0004]通过上述分析，现有技术存在的问题及缺陷为：
[0005](1)在实际生活和临床应用中构建卷积神经网络模型时，需要人工设计卷积神经网络的结构，而人工设计卷积神经网络的结构需要大量耗费人类的精力与智慧，需要经过不断的试验与优化，工作量较大，效率较低，并且受人类主观因素影响，信息识别结果不准确。
[0006](2)传统上仅针对水平方向的目标影像像素进行补偿，而对于垂直方向的目标影像像素，仍有可能呈现断层的现象，导致信息识别不准确。

技术实现思路

[0007]针对现有技术存在的问题，本专利技术提供了一种基于多神经网络的信息识别方法及识别系统。
[0008]本专利技术是这样实现的，一种基于多神经网络的信息识别方法及识别系统，其特征在于，该方法具体包括：
[0009]S1：通过影像数据输入模块输入待识别影像数据，并通过影像处理模块进行影像灰度化处理、影像数据增强处理、影像补偿处理，通过特征向量变换模块变换为待识别影像数据特征向量；
[0010]所述影像补偿处理方法：
[0011]接收并储存一像素阵列中相邻的多列像素所对应的目标影像数据；撷取该些列像素中的一行像素所对应的一目标影像数据；当该行像素所对应的目标影像数据中的最大灰度值与最小灰度值相差小于一有限值，则平缓化该行像素所对应的目标影像数据的灰度值；
[0012]取该行像素所对应的目标影像数据中的该最小灰度值，依据该最小灰度值正规化该行像素所对应的目标影像数据的灰度值，以及比对正规化后的该行像素所对应的目标影像数据的灰度值与多个特定灰度值样示；若正规化后的该行像素所对应的目标影像数据的灰度值相同于该些特定灰度值样示之一，则依据对应的一组补偿值平缓化该行像素所对应的目标影像数据的灰度；
[0013]S2：利用模型构建模块通过递归卷积层的卷积神经网络训练得到信息识别模型；
[0014]S3：利用结果识别模块将转化后的待识别影像数据特征向量输入信息识别模型中进行信息识别，得到相应的结果。
[0015]进一步，所述信息识别具体包括以下任一项：影像的病灶识别与解剖分割、商品识别、手势识别、人脸识别、交通标志识别；
[0016]所述影像的病灶识别与解剖分割方法：
[0017]首先，构造异常征象检测模型，将影像输入到训练好的所述模型进行特征提取和异常征象类别预测；构造病灶检测模型，将影像输入到训练好的所述模型进行病灶特征提取；通过对提取的异常征象特征和病灶特征进行特征融合，输出病灶类别；
[0018]其次，在训练集中增加待分割影像及其边缘像素点的权重，强制使网络学习如何分割影像边缘部分，从而提升整体影像分割的准确率；
[0019]接着，引入残差单元，以避免梯度弥散，同时使用深度可分离卷积代替原始的卷积层，在不改变网络每个阶段特征通道数的情况下，减少了网络训练的参数数量和训练时间，降低了训练成本；
[0020]最后，将不同阶段的特征信息合并在一起，进行通道混洗，得到同时包含深浅层次信息的增强信息特征，加入到网络中进行训练，每个阶段的输入特征信息更丰富，学习特征的速度和收敛速度更快，显著地提升了网络的分割性能。
[0021]进一步，所述S1中通过影像处理模块进行影像灰度化处理具体包括：
[0022]根据获取待识别影像数据，建立YUV的颜色空间；
[0023]在YUV的颜色空间中，设定Y的分量为影像的亮度；
[0024]通过RGB和YUV颜色空间的变化关系，建立亮度Y与R、G、B三个颜色分量的对应关系；所述亮度Y与R、G、B三个颜色分量的对应关系为：Y＝0.3R+0.59G+0.11B；
[0025]根据建立的对应关系，对影像进行处理，分别得出各个影像的亮度，作为各个影像的灰度值。
[0026]进一步，所述S1中通过影像处理模块进行影像数据增强处理，具体包括：
[0027]1)、提供一由呈矩阵式排布的多个像素组成的影像，并将该影像转换为灰阶图；
[0028]2)、计算每同一列相邻两行像素的灰阶值的差的绝对值Q1和第一灰阶值权重k1；
[0029]每同一列相邻两行像素的灰阶值的差的绝对值Q1的计算公式为：
[0030]Q1＝abs(Gray(i，j)－Gray(i+1，j))；
[0031]第一灰阶值权重k1的计算公式为：
[0032][0033]其中，同一列相邻两行像素的灰阶值的差的绝对值Q1的取值范围为0至255，n为大
于1的正整数；
[0034]依据第一灰阶值权重k1与每同一列相邻两行像素的灰阶值进行累加计算，计算公式为：
[0035][0036]其中，i、j为正整数，分别代表像素所在的行数与列数，Gray(i,j)为第i行第j列像素的灰阶值，Gray(i+1,j)为第i+1行第j列像素的灰阶值，H1(a)为灰阶值为a的像素数量，C1(X)为从灰阶值Gray(i,j)到灰阶值Gray(i+1，j)之间各个灰阶值对应的像素数量之和；
[0037]3)、计算每同一行相邻两列像素的灰阶值的差的绝对值Q2和第二灰阶值权重k2；
[0038]每同一行相邻两列像素的灰阶值的差的绝对值Q2的计算公式为：
[0039]Q2＝abs(Gray(i，j)－Gray(i，j+1))；
[0040]第二灰阶值权重k2的计算公式为：
[0041][0042]其中，同一行相邻两列像素的灰阶值的差的绝对值Q2的取值范围为0至255，n为大于1的正整数且与步骤2)中的取值相同；
[0043]依据第二灰阶值权重k2与每同一行相邻两列像素的灰阶值进行累加计算，计算公式为：
[0044][0045]其中，i、j为正整数，分别代表像素所在的行数与列数，Gray(i,j)为第i行第j列像素的灰阶值，Gray(i,j+1)为第i行第j+1列像素的灰阶值，H3(a)为灰阶值为a的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多神经网络的信息识别方法及识别系统，其特征在于，该方法具体包括：S1：通过影像数据输入模块输入待识别影像数据，并通过影像处理模块进行影像灰度化处理、影像数据增强处理、影像补偿处理，通过特征向量变换模块变换为待识别影像数据特征向量；所述影像补偿处理方法：接收并储存一像素阵列中相邻的多列像素所对应的目标影像数据；撷取该些列像素中的一行像素所对应的一目标影像数据；当该行像素所对应的目标影像数据中的最大灰度值与最小灰度值相差小于一有限值，则平缓化该行像素所对应的目标影像数据的灰度值；取该行像素所对应的目标影像数据中的该最小灰度值，依据该最小灰度值正规化该行像素所对应的目标影像数据的灰度值，以及比对正规化后的该行像素所对应的目标影像数据的灰度值与多个特定灰度值样示；若正规化后的该行像素所对应的目标影像数据的灰度值相同于该些特定灰度值样示之一，则依据对应的一组补偿值平缓化该行像素所对应的目标影像数据的灰度；S2：利用模型构建模块通过递归卷积层的卷积神经网络训练得到信息识别模型；S3：利用结果识别模块将转化后的待识别影像数据特征向量输入信息识别模型中进行信息识别，得到相应的结果。2.根据权利要求1所述的基于多神经网络的信息识别方法，其特征在于，所述信息识别具体包括以下任一项：影像的病灶识别与解剖分割、商品识别、手势识别、人脸识别、交通标志识别；所述影像的病灶识别与解剖分割方法：首先，构造异常征象检测模型，将影像输入到训练好的所述模型进行特征提取和异常征象类别预测；构造病灶检测模型，将影像输入到训练好的所述模型进行病灶特征提取；通过对提取的异常征象特征和病灶特征进行特征融合，输出病灶类别；其次，在训练集中增加待分割影像及其边缘像素点的权重，强制使网络学习如何分割影像边缘部分，从而提升整体影像分割的准确率；接着，引入残差单元，以避免梯度弥散，同时使用深度可分离卷积代替原始的卷积层，在不改变网络每个阶段特征通道数的情况下，减少了网络训练的参数数量和训练时间，降低了训练成本；最后，将不同阶段的特征信息合并在一起，进行通道混洗，得到同时包含深浅层次信息的增强信息特征，加入到网络中进行训练，每个阶段的输入特征信息更丰富，学习特征的速度和收敛速度更快，显著地提升了网络的分割性能。3.根据权利要求1所述的基于多神经网络的信息识别方法，其特征在于，所述S1中通过影像处理模块进行影像灰度化处理具体包括：根据获取待识别影像数据，建立YUV的颜色空间；在YUV的颜色空间中，设定Y的分量为影像的亮度；通过RGB和YUV颜色空间的变化关系，建立亮度Y与R、G、B三个颜色分量的对应关系；所述亮度Y与R、G、B三个颜色分量的对应关系为：Y＝0.3R+0.59G+0.11B；根据建立的对应关系，对影像进行处理，分别得出各个影像的亮度，作为各个影像的灰度值。
4.根据权利要求1所述的基于多神经网络的信息识别方法，其特征在于，所述S1中通过影像处理模块进行影像数据增强处理，具体包括：1)、提供一由呈矩阵式排布的多个像素组成的影像，并将该影像转换为灰阶图；2)、计算每同一列相邻两行像素的灰阶值的差的绝对值Q1和第一灰阶值权重k1；每同一列相邻两行像素的灰阶值的差的绝对值Q1的计算公式为：Q1＝abs(Gray(i，j)－Gray(i+1，j))；第一灰阶值权重k1的计算公式为：其中，同一列相邻两行像素的灰阶值的差的绝对值Q1的取值范围为0至255，n为大于1的正整数；依据第一灰阶值权重k1与每同一列相邻两行像素的灰阶值进行累加计算，计算公式为：...

【专利技术属性】
技术研发人员：孙劼，张宁男楠，谢颖滢，于泽洋，丁文语，
申请(专利权)人：天津医科大学总医院，
类型：发明
国别省市：