一种数据分类方法及数据分类系统技术方案

本发明专利技术公开了一种数据分类方法及数据分类系统，应用于数据处理技术领域；通过获取包含分类标识的待识别图像，并利用图像增强函数对该待识别图像进行特征增强；其中，所述分类标识的数量不少于一；构建基于

【技术实现步骤摘要】
一种数据分类方法及数据分类系统


[0001]本专利技术涉及数据处理
，具体涉及一种数据分类方法及数据分类系统
。

技术介绍

[0002]近年来，随着机器学习和现代计算机视觉的深入发展，目标划分
、
目标检测等图像处理技术也已在计算机辅助医学诊断行业大范围应用
。
利用目标检测技术可在图像处理过程中实现对特征的提取和分类标识
。
[0003]然而现有技术中，目标检测技术的实时性和精准性不够，且在训练时存在过采样和欠采样的问题
。

技术实现思路

[0004]针对现有技术中的上述不足，本专利技术提供了一种数据分类方法及数据分类系统
。
[0005]为了达到上述专利技术目的，本专利技术采用的技术方案为：
[0006]第一方面，一种数据分类方法，所述方法包括：
[0007]获取包含分类标识的待识别图像，并利用图像增强函数对该待识别图像进行特征增强；其中，所述分类标识的数量不少于一；
[0008]构建基于
NWD
的数据分类模型，并利用特征增强后的待识别图像训练该数据分类模型，得到训练后的数据分类模型；
[0009]利用训练后的数据分类模型对待识别图像进行数据分类
。
[0010]进一步地，所述获取包含分类标识的待识别图像，并对该待识别图像进行特征增强的步骤包括：
[0011]获取包含分类标识的待识别图像，判断各分类标识下待识别图像的数量是否均衡；
[0012]若不均衡，并利用图像增强函数对待识别图像进行特征增强
。
[0013]进一步地，所述利用图像增强函数对待识别图像进行特征增强的步骤包括：
[0014]利用图像增强函数对待识别图像的视觉特征进行增强，所述视觉特征包括：边缘特征
、
轮廓特征以及对比度特征
。
[0015]进一步地，所述利用图像增强函数对待识别图像的视觉特征进行增强的步骤包括：
[0016]利用图像仿射变换函数对各分类标识下图像数据不均衡的待识别图像进行数据增强；其中，图像仿射变换函数的表达式为：
[0017]x
′
＝
x+t
x
[0018]y
′
＝
y+t
y
[0019][0020]中，
x
，
y
分别为像素点在
X
及
Y
方向上的位置，
t
x
，
t
y
为平移变换在
X
方向及
Y
方向上的移动量，
x
’
，
y
’
为平移后像素在
X
方向及
Y
方向上的位置；
x1，
y1分别为缩放变换时像素点初始在
X
方向及
Y
方向上的位置，
s
为缩放比例，
x1’
，
y1’
分别为缩放后像素在
X
方向及
Y
方向上的位置
。
[0021]进一步地，所述构建基于
NWD
的数据分类模型，并利用特征增强后的该待识别图像训练该数据分类模型，得到训练后的数据分类模型的步骤包括：
[0022]依据特征增强后的待识别图像获取训练样本集
、
验证样本集；
[0023]利用小目标检测参数
NWD
构建基于
YoloV5
的数据分类模型，并利用训练样本集训练该数据分类模型；
[0024]利用验证样本集验证所述数据分类模型的评价参数是否满足预设阈值，若满足则将当前训练的数据分类模型作为训练后的数据分类模型
。
[0025]进一步地，所述利用小目标检测参数
NWD
构建基于
YoloV5
的数据分类模型，并利用训练样本集训练该数据分类模型的步骤包括：
[0026]将小目标检测参数
NWD
与交并比参数
IoU
按照一定预设比例调整边界框损失函数，得到优化后的损失函数；
[0027]利用优化后的损失函数根据训练样本集迭代训练所述基于
YoloV5
的数据分类模型数据分类模型，得到初始数据分类模型
。
[0028]进一步地，所述利用小目标检测参数
NWD
构建基于
YoloV5
的数据分类模型，并利用训练样本集训练该数据分类模型的步骤还包括：
[0029]利用
ConvNextV2
替换了
YoloV5
主干中的
Conv
，修改后的主干包括由
ConvNext_pico
及
SPPF
组成的主干及四层
C3,Conv,Concat
组成的检测头
。
[0030]进一步地，所述优化后的损失函数的表示为：
[0031]lbox+
＝
(1
‑
iou_ratio)*nwd+iou_ratio*iou
[0032]其中，
lbox
为边界框的损失函数，
nwd,iou
为用
nwd
算法及原算法得到的边界框损失值
。iou_ratio
为
iou
参数在计算
lbox
中的占比，其值设定在0到1之间，在
lbox
计算中，用该比例与
iou
计算结果相乘，将1与该比例的差与
nwd
计算结果相乘，两结果相加得到最终的
lbox
计算结果
。
[0033]进一步地，所述利用验证样本集验证所述数据分类模型的评价参数是否满足预设阈值，若满足则将当前训练的数据分类模型作为训练后的数据分类模型的步骤包括：
[0034]利用评价函数计算训练后的数据分类模型的评价参数；
[0035]并判断所述数据分类模型的评价参数是否满足预设阈值；若满足则将当前训练的数据分类模型作为训练后的数据分类模型；
[0036]其中，所述评价参数包括精确率
、
召回率及
mAP
值
。
[0037]第二方面，一种数据分类系统，包括：
[0038]数据获取单元，用于获取包含分类标识的待识别图像；
[0039]数据分类单元，用于对数据集进行分类处理，所述分类处理方案包含上述第一方面任一项所述的数据分类方法
。
[0040]本专利技术具有以下有益效果：
[0041]获取包含分类标识的待识别图像，并利用图像增强函数对该待识别图像进行特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种数据分类方法，其特征在于，所述方法包括：获取包含分类标识的待识别图像，并利用图像增强函数对该待识别图像进行特征增强；其中，所述分类标识的数量不少于一；构建基于
NWD
的数据分类模型，并利用特征增强后的待识别图像训练该数据分类模型，得到训练后的数据分类模型；利用训练后的数据分类模型对待识别图像进行数据分类
。2.
根据权利要求1所述的数据分类方法，其特征在于，所述获取包含分类标识的待识别图像，并对该待识别图像进行特征增强的步骤包括：获取包含分类标识的待识别图像，判断各分类标识下待识别图像的数量是否均衡；若不均衡，并利用图像增强函数对待识别图像进行特征增强
。3.
根据权利要求2所述的数据分类方法，其特征在于，所述利用图像增强函数对待识别图像进行特征增强的步骤包括：利用图像增强函数对待识别图像的视觉特征进行增强，所述视觉特征包括：边缘特征
、
轮廓特征以及对比度特征
。4.
根据权利要求2所述的数据分类方法，其特征在于，所述利用图像增强函数对待识别图像的视觉特征进行增强的步骤包括：利用图像仿射变换函数对各分类标识下图像数据不均衡的待识别图像进行数据增强；其中，图像仿射变换函数的表达式为：
x
′
＝
x+t
x
y
′
＝
y+t
y
其中，
x
，
y
分别为像素点在
X
及
Y
方向上的位置，
t
x
，
t
y
为平移变换在
X
方向及
Y
方向上的移动量，
x
’
，
y
’
为平移后像素在
X
方向及
Y
方向上的位置；
x1，
y1分别为缩放变换时像素点初始在
X
方向及
Y
方向上的位置，
s
为缩放比例，
x1’
，
y1’
分别为缩放后像素在
X
方向及
Y
方向上的位置
。5.
根据权利要求1所述的数据分类方法，其特征在于，所述构建基于
NWD
的数据分类模型，并利用特征增强后的该待识别图像训练该数据分类模型，得到训练后的数据分类模型的步骤包括：依据特征增强后的待...

【专利技术属性】
技术研发人员：黄钊旭，张博韬，胡成华，
申请(专利权)人：四川用联信息技术有限公司，
类型：发明
国别省市：