CN109614856A - 基于卷积神经网络的真菌图像分类方法 - Google Patents

基于卷积神经网络的真菌图像分类方法 Download PDF

Info

Publication number
CN109614856A
CN109614856A CN201811288248.7A CN201811288248A CN109614856A CN 109614856 A CN109614856 A CN 109614856A CN 201811288248 A CN201811288248 A CN 201811288248A CN 109614856 A CN109614856 A CN 109614856A
Authority
CN
China
Prior art keywords
training
precision
convolutional neural
neural networks
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811288248.7A
Other languages
English (en)
Inventor
张海英
周院
沈力
李维勤
梁德胜
冯焱侠
刘玉娇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Technology
Original Assignee
Xian University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian University of Technology filed Critical Xian University of Technology
Priority to CN201811288248.7A priority Critical patent/CN109614856A/zh
Publication of CN109614856A publication Critical patent/CN109614856A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明基于卷积神经网络的真菌图像分类方法：步骤1、将若干张带有标签的真菌图像分为训练集和验证集；步骤2、训练网络权重、偏置参数，生成分类器；步骤3、输出训练精度、训练误差和验证精度、验证误差；步骤4、确定最优超参数，得到最优的卷积神经网络模型和最优卷积神经网络模型下的训练精度、验证精度和训练误差验证误差；步骤5、对待分类的真菌图像进行预处理；步骤6、将经步骤5预处理后的真菌图像输入至经步骤4得到的最优的卷积神经网络模型中；步骤7、根据索引值得到对应图像的分类标签，完成分类。本发明一种基于卷积神经网络的真菌图像分类方法，能够对真菌影像进行准确分类。

Description

基于卷积神经网络的真菌图像分类方法
技术领域
本发明属于深度学习和图像处理技术领域，具体涉及一种基于卷积神经网络的真菌图像分类方法。
背景技术
青霉和曲霉是真菌感染疾病的可能致病真菌，它们极易通过呼吸道吸入分生孢子而引起真菌感染疾病，目前，真菌感染疾病的发病率和病死率逐渐增多，由于真菌病的临床诊断工作量大，实验室的真菌检测停留在人工诊断层面，现有的人工诊断技术的主要缺陷是：诊断水平存在差异导致一定误诊率，且基于人工提取特征的分类算法存在需要专业领域知识、耗时费力、提取高质量特征困难、诊断花费时间长等问题。
真菌影像是医生最后确诊真菌感染疾病类别的重要标准，而对真菌影像进行准确的分类是医生制订最佳治疗方案的重要依据。鉴于现在的真菌感染疾病诊断水平的现状，如何高效提取真菌图像高质量特征对真菌影像进行准确分类从而确诊真菌感染疾病类别，已成为临床医学诊断的现实问题。
发明内容
本发明的目的在于提供一种基于卷积神经网络的真菌图像分类方法，能够对真菌影像进行准确分类。
本发明所采用的技术方案是，基于卷积神经网络的真菌图像分类方法，具体按照以下步骤实施：
步骤1、对若干张带有标签的真菌图像进行预处理，将若干张带有标签的真菌图像分为训练集和验证集；
步骤2、将经步骤1得到的训练集输入到卷积神经网络模型中训练网络权重、偏置参数，生成分类器；
步骤3、将经步骤1得到的验证集输入到经步骤2得到的分类器中输出训练精度、训练误差和验证精度、验证误差；
步骤4、若经步骤3输出的训练精度、验证精度相差30％以上，则提前终止训练，更换卷积神经网络模型，重复步骤2、步骤3直至分类器输出的训练精度、验证精度相差不大于30％，若训练精度、验证精度之差不大于30％，则更改一次卷积神经网络模型的超参数输出一次训练精度、验证精度、训练误差、验证误差，当输出的训练精度、验证精度最大、训练误差、验证误差最小时确定此时超参数为最优超参数，在此最优超参数下迭代输出训练精度、验证精度和训练误差、验证误差，直至达到最大迭代次数或验证精度大于90％、验证误差小于10时，迭代结束，得到最优的卷积神经网络模型和最优卷积神经网络模型下的训练精度、验证精度和训练误差验证误差；
步骤5、对待分类的真菌图像进行预处理，得到单个完整分生孢子图像；
步骤6、将经步骤5预处理后的真菌图像输入至经步骤4得到的最优的卷积神经网络模型中；
步骤7、输出卷积神经网络模型的预测矩阵中每一行最大值的索引值，根据索引值得到对应真菌图像的分类标签，完成分类。
本发明的特点还在于：
步骤1具体按照以下步骤实施：
步骤1.1、运用人工标记方法检测出带有标签的真菌图像中的所有完整分生孢子并分别另存为单个真菌分生孢子图像；
步骤1.2、运用数据增强方法对经步骤1.1得到的所有单个真菌分生孢子图像个数进行扩充，每一单个真菌分生孢子图像个数均扩充至不少于一万张；
步骤1.3、将扩充后的所有单个真菌分生孢子图像和对应的标签输入至卷积神经网络中处理得到每张像素为100×100的单个真菌分生孢子图像；
步骤1.4、将经步骤1.3处理后的所有单个真菌分生孢子图像和各自对应的标签打乱；
步骤1.5、按照8:2的比例将所有单个真菌分生孢子图像分为训练集和验证集。
步骤5具体按照以下步骤实施：
步骤5.1、将待分类的真菌图像转化为二维灰度图；
步骤5.2、选取经验阈值将二维灰度图划分为二值图；
步骤5.3、对二值图中大区域的缝隙进行填充；
步骤5.4、对填充后的二值图进行目标连通域面积大小排序；
步骤5.5、确定含有完整分生孢子连通域的位置和个数，用矩形框对含有完整分生孢子的连通域区域进行目标检测确定单个完整分生孢子；
步骤5.6、将单个完整分生孢子图像另存。
所述步骤5.2中选取的经验阈值范围为80—520。
所述步骤5.3中运用膨胀腐蚀原理对二值图中大区域的缝隙进行填充。
本发明的有益效果在于：
1)本发明基于卷积神经网络的真菌图像分类方法能够克服现有人工诊断真菌疾病技术中的缺陷，利用卷积神经网络模型进行分类，操作简单，易于理解；
2)本发明基于卷积神经网络的真菌图像分类方法，可以准确高效地对真菌疾病的种类进行诊断，能够为医生的诊断提供参考。
附图说明
图1是卷积神经网络模型参数训练过程流程图；
图2是曲霉在光镜下产孢结构图；
图3是测试分类阶段真菌图像预处理过程流程图；
图4是测试分类阶段真菌图像的预处理效果图；
图5是对分类验证过程流程图。
其中，图2中a.分生孢子头，b.分生包子梗，c.顶囊，d.瓶梗，e.梗基，f.分生孢子。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于卷积神经网络的真菌图像分类方法，包括训练阶段和测试分类阶段，具体按照以下步骤实施：
对卷积神经网络模型进行训练的训练阶段如图1所示：
步骤1、采用若干张带有标签也就是已经分好类的真菌图像，如图2所示，这些带有标签的真菌图像均包含完整产孢结构，包括分生孢子头a、分生包子梗b、顶囊c、瓶梗d、梗基e、分生孢子f，卷积神经网络模型就是根据图像经过多层卷积，得到图像的各种特征，而特征就是图像分类的主要依据，这些细节结构：分生孢子头a、分生包子梗b、顶囊c、瓶梗d、梗基e、分生孢子f均是图像特征提取的对象，会对分类效果产生影响，故需要含有完整产孢结构的真菌图像对卷积神经网络模型训练，对这些真菌图像进行预处理，将真菌图像分为训练集和验证集；
步骤2、将经步骤1得到的训练集输入到卷积神经网络模型中训练网络权重、偏置参数，生成分类器，卷积神经网络模型通过多次卷积对输入图像进行特征提取，将具体的低层特征转化为抽象的高层特征，为了减少计算量，用池化层将卷积层提取到的特征图进行压缩，减小特征图的大小，经过多次卷积-池化的这样的循环操作，得到抽象的高层特征，使用全连接层将最后一层池化层输出的特征图转化为一维向量，通过多层全连接层映射不断减小向量维数，最终得到简化后的高层特征，即最后一层全连接层输出的特征图，以此作为分类的依据；
步骤3、将经步骤1得到的验证集输入到经步骤2得到的分类器中输出训练精度、训练误差和验证精度、验证误差；
步骤4、若经步骤3输出的训练精度、验证精度相差30％以上，则提前终止训练，更换卷积神经网络模型，重复步骤2、步骤3直至分类器输出的训练精度、验证精度相差不大于30％，若训练精度、验证精度之差不大于30％，则通过枚举不同超参数，更改一次卷积神经网络模型的超参数输出一次训练精度、验证精度、训练误差、验证误差，比较不同超参数对卷积神经网络模型的性能即对训练精度、验证精度和训练误差、验证误差的影响，当输出的训练精度、验证精度最大、训练误差、验证误差最小时确定此时超参数为最优超参数，在此最优超参数下迭代输出训练精度、验证精度和训练误差、验证误差，直至达到最大迭代次数或验证精度大于90％、验证误差小于10时，迭代结束，得到最优的卷积神经网络模型和最优卷积神经网络模型下的训练精度、验证精度和训练误差、验证误差；
运用卷积网络模型进行测试分类阶段：
步骤5、对待分类的真菌图像进行预处理，得到单个完整分生孢子图像；
步骤6、将经步骤5预处理后的真菌图像输入至经步骤4得到的最优的卷积神经网络模型中；
步骤7、输出卷积神经网络模型的预测矩阵中每一行最大值的索引值，根据索引值得到对应真菌图像的分类标签，完成分类。
步骤1具体按照以下步骤实施：
步骤1.1、运用人工标记方法检测出带有标签的真菌图像中的所有完整分生孢子并分别另存为单个真菌分生孢子图像；
步骤1.2、运用数据增强方法，即翻转、镜像、缩放等方式，对经步骤1.1得到的所有单个真菌分生孢子图像个数进行扩充，每一单个真菌分生孢子图像个数均扩充至不少于一万张；
步骤1.3、将扩充后的所有单个真菌分生孢子图像和对应的标签输入至卷积神经网络中处理得到每张像素为100×100的单个真菌分生孢子图像；
步骤1.4、将经步骤1.3处理后的所有单个真菌分生孢子图像和各自对应的标签打乱；
步骤1.5、按照8:2的比例将所有单个真菌分生孢子图像分为训练集和验证集。
步骤5如图3所示，具体按照以下步骤实施：
步骤5.1、将待分类的真菌图像转化为二维灰度图；
步骤5.2、选取经验阈值将二维灰度图划分为二值图；
步骤5.3、对二值图中大区域的缝隙进行填充；
步骤5.4、对填充后的二值图进行目标连通域面积大小排序；
步骤5.5、确定含有完整分生孢子连通域的位置和个数，如图4所示，用矩形框对含有完整分生孢子的连通域区域进行目标检测确定单个完整分生孢子；
步骤5.6、将单个完整分生孢子图像另存。
步骤5.2中选取的经验阈值范围为80—520保证图像的清晰和完整，若阈值太小则分生孢子图像不清晰，若阈值太大则分生孢子图像不完整。
步骤5.3中运用膨胀腐蚀原理对二值图中大区域的缝隙进行填充。
在以上对真菌图像进行分好类之后，还需要对分类结果的正确性进行验证以便对分类结果有更加清楚地认识和把握，如图5所示，有以下两个步骤：
步骤1：将一张真菌图像的若干张单个真菌分生孢子图像输入至卷积神经网络模型中分类，若一张真菌图像的若干张单个真菌分生孢子图像中超过a％的预处理后的小图像的分类标签都为同一类，100>a>＝50，则认为分类正确，输出分类结果标签和对应的概率值，否则，输出这张真菌图像中的若干张小图像的最大概率、最大概率对应的分类标签和标签个数；
步骤2：判断这张真菌图像中的若干张单个真菌分生孢子图像的最大概率对应标签的个数的唯一性。若唯一，输出最大概率、最大概率对应的分类标签和提示信息：最大分类概率低于a％；若不唯一，输出最大概率、最大概率对应的所有分类标签和提示信息：最大分类概率低于a％，且最大概率对应标签不唯一。
第一阶段所用到的卷积神经网络模型如下：
表1
表1给出了本发明训练的卷积神经网络模型各隐含层对应核的大小、激活函数及输出结果。该卷积神经网络模型包括输入层、隐含层和输出层三个部分，其中隐含层包含四个卷积层、四个最大池化层和三个全连接层。
卷积层用来提取特征，通过卷积可以将输入图像中的颜色、形状、纹理、边缘轮廓等低层特征提取出来，并且通过多次卷积低层特征被表达为抽象的高层特征，最终分类器根据高层特征对输入图像进行分类。卷积层的具体操作是，首先将输入图像和设计的卷积核做卷积之后，传给非线性激活函数即ReLu函数，实现一次特征提取：例如丝状真菌图像的低层特征为分生孢子头轮廓、形状、孢子梗长度、顶囊形状等。在多层卷积之后，低层特征被表征为复杂的高层特征，就完成了特征提取。其中一个输入特征映射x与一个卷积核w之间的卷积操作为：
其中，COk是第k层提取到的特征，f表示激活函数ReLu函数，xk与wk分别表示第k层的输入映射与卷积核，b表示偏置参数，wk与b在训练过程中不断更新。
池化层对卷积层提取到的特征图进行尺寸压缩，不改变层数。为了降低计算复杂度且对卷积神经网络分类性能不会产生较大影响的方法。具体操作为：通过滤波器将与滤波器自身大小相同的像素块压缩成一个像素点，使特征图变小，简化网络，降低计算复杂度。所用到的最大池化操作为:
q说明池化大小为q×q单位：像素，CO表示与池化层相邻的前一个卷积层输出的特征映射，i与j都是大于0的整数，但是要保证0＜i，j≤q。即表示在q×q的区域内，用该层最大的特征映射的值作为整个q×q区域的特征映射值。
全连接层将最大池化层的输出的特征图转化成一个一维向量，并不断缩小向量维度，最终使得最后一层全连接层的输出为n×1，其中n表示最终的丝状真菌分类类别数。

Claims (5)

1.基于卷积神经网络的真菌图像分类方法，其特征在于，具体按照以下步骤实施：
步骤1、对若干张带有标签的真菌图像进行预处理，将若干张带有标签的真菌图像分为训练集和验证集；
步骤2、将经步骤1得到的训练集输入到卷积神经网络模型中训练网络权重、偏置参数，生成分类器；
步骤3、将经步骤1得到的验证集输入到经步骤2得到的分类器中输出训练精度、训练误差和验证精度、验证误差；
步骤4、若经步骤3输出的训练精度、验证精度相差30％以上，则提前终止训练，更换卷积神经网络模型，重复步骤2、步骤3直至分类器输出的训练精度、验证精度相差不大于30％，若训练精度、验证精度之差不大于30％，则更改一次卷积神经网络模型的超参数输出一次训练精度、验证精度、训练误差、验证误差，当输出的训练精度、验证精度最大、训练误差、验证误差最小时确定此时超参数为最优超参数，在此最优超参数下迭代输出训练精度、验证精度和训练误差、验证误差，直至达到最大迭代次数或验证精度大于90％、验证误差小于10时，迭代结束，得到最优的卷积神经网络模型和最优卷积神经网络模型下的训练精度、验证精度和训练误差验证误差；
步骤5、对待分类的真菌图像进行预处理，得到单个完整分生孢子图像；
步骤6、将经步骤5预处理后的真菌图像输入至经步骤4得到的最优的卷积神经网络模型中；
步骤7、输出卷积神经网络模型的预测矩阵中每一行最大值的索引值，根据索引值得到对应真菌图像的分类标签，完成分类。
2.根据权利要求1所述的基于卷积神经网络的真菌图像分类方法，其特征在于，所述步骤1具体按照以下步骤实施：
步骤1.1、运用人工标记方法检测出带有标签的真菌图像中的所有完整分生孢子并分别另存为单个真菌分生孢子图像；
步骤1.2、运用数据增强方法对经步骤1.1得到的所有单个真菌分生孢子图像个数进行扩充，每一单个真菌分生孢子图像个数均扩充至不少于一万张；
步骤1.3、将扩充后的所有单个真菌分生孢子图像和对应的标签输入至卷积神经网络中处理得到每张像素为100×100的单个真菌分生孢子图像；
步骤1.4、将经步骤1.3处理后的所有单个真菌分生孢子图像和各自对应的标签打乱；
步骤1.5、按照8:2的比例将所有单个真菌分生孢子图像分为训练集和验证集。
3.根据权利要求1所述的基于卷积神经网络的真菌图像分类方法，其特征在于，所述步骤5具体按照以下步骤实施：
步骤5.1、将待分类的真菌图像转化为二维灰度图；
步骤5.2、选取经验阈值将二维灰度图划分为二值图；
步骤5.3、对二值图中大区域的缝隙进行填充；
步骤5.4、对填充后的二值图进行目标连通域面积大小排序；
步骤5.5、确定含有完整分生孢子连通域的位置和个数，用矩形框对含有完整分生孢子的连通域区域进行目标检测确定单个完整分生孢子；
步骤5.6、将单个完整分生孢子图像另存。
4.根据权利要求3所述的基于卷积神经网络的真菌图像分类方法，其特征在于，所述步骤5.2中选取的经验阈值范围为80—520。
5.根据权利要求3所述的基于卷积神经网络的真菌图像分类方法，其特征在于，所述步骤5.3中运用膨胀腐蚀原理对二值图中大区域的缝隙进行填充。
CN201811288248.7A 2018-10-31 2018-10-31 基于卷积神经网络的真菌图像分类方法 Pending CN109614856A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811288248.7A CN109614856A (zh) 2018-10-31 2018-10-31 基于卷积神经网络的真菌图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811288248.7A CN109614856A (zh) 2018-10-31 2018-10-31 基于卷积神经网络的真菌图像分类方法

Publications (1)

Publication Number Publication Date
CN109614856A true CN109614856A (zh) 2019-04-12

Family

ID=66002083

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811288248.7A Pending CN109614856A (zh) 2018-10-31 2018-10-31 基于卷积神经网络的真菌图像分类方法

Country Status (1)

Country Link
CN (1) CN109614856A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110205399A (zh) * 2019-06-17 2019-09-06 颐保医疗科技(上海)有限公司 一种基于科玛嘉培养的真菌的数据采集方法
CN112070100A (zh) * 2020-09-11 2020-12-11 深圳力维智联技术有限公司 基于深度学习模型的图像特征识别方法、装置及存储介质
CN112633370A (zh) * 2020-12-22 2021-04-09 中国医学科学院北京协和医院 一种针对丝状真菌形态的检测方法、装置、设备及介质
CN113205055A (zh) * 2021-05-11 2021-08-03 北京知见生命科技有限公司 基于多尺度注意力机制的真菌显微图像分类方法及系统
WO2023044690A1 (zh) * 2021-09-24 2023-03-30 中国科学院深圳先进技术研究院 一种菌落的分类方法
CN117315380A (zh) * 2023-11-30 2023-12-29 深圳市健怡康医疗器械科技有限公司 一种基于深度学习的肺炎ct图像分类方法及系统
CN117407833A (zh) * 2023-10-30 2024-01-16 山东农业大学 基于神经网络的农作物致病孢子识别自动监测系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106874956A (zh) * 2017-02-27 2017-06-20 陕西师范大学 图像分类卷积神经网络结构的构建方法
WO2018120740A1 (zh) * 2016-12-29 2018-07-05 深圳光启合众科技有限公司 图片分类方法和装置、机器人
CN108520206A (zh) * 2018-03-22 2018-09-11 南京大学 一种基于全卷积神经网络的真菌显微图像识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018120740A1 (zh) * 2016-12-29 2018-07-05 深圳光启合众科技有限公司 图片分类方法和装置、机器人
CN106874956A (zh) * 2017-02-27 2017-06-20 陕西师范大学 图像分类卷积神经网络结构的构建方法
CN108520206A (zh) * 2018-03-22 2018-09-11 南京大学 一种基于全卷积神经网络的真菌显微图像识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张琳林等: "一种基于卷积神经网络的图像分类方法", 《福建电脑》 *
李晓娟等: "基于BP网络的储粮微生物分类的研究", 《微计算机信息》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110205399A (zh) * 2019-06-17 2019-09-06 颐保医疗科技(上海)有限公司 一种基于科玛嘉培养的真菌的数据采集方法
CN112070100A (zh) * 2020-09-11 2020-12-11 深圳力维智联技术有限公司 基于深度学习模型的图像特征识别方法、装置及存储介质
CN112633370A (zh) * 2020-12-22 2021-04-09 中国医学科学院北京协和医院 一种针对丝状真菌形态的检测方法、装置、设备及介质
CN113205055A (zh) * 2021-05-11 2021-08-03 北京知见生命科技有限公司 基于多尺度注意力机制的真菌显微图像分类方法及系统
WO2023044690A1 (zh) * 2021-09-24 2023-03-30 中国科学院深圳先进技术研究院 一种菌落的分类方法
CN117407833A (zh) * 2023-10-30 2024-01-16 山东农业大学 基于神经网络的农作物致病孢子识别自动监测系统及方法
CN117315380A (zh) * 2023-11-30 2023-12-29 深圳市健怡康医疗器械科技有限公司 一种基于深度学习的肺炎ct图像分类方法及系统
CN117315380B (zh) * 2023-11-30 2024-02-02 深圳市健怡康医疗器械科技有限公司 一种基于深度学习的肺炎ct图像分类方法及系统

Similar Documents

Publication Publication Date Title
CN109614856A (zh) 基于卷积神经网络的真菌图像分类方法
CN107423700B (zh) 人证核实的方法及装置
CN105005765B (zh) 一种基于Gabor小波和灰度共生矩阵的人脸表情识别方法
CN104866829B (zh) 一种基于特征学习的跨年龄人脸验证方法
CN112818862B (zh) 基于多源线索与混合注意力的人脸篡改检测方法与系统
CN110766051A (zh) 一种基于神经网络的肺结节形态学分类方法
CN104463250B (zh) 一种基于达芬奇技术的手语识别翻译方法
CN109636772A (zh) 基于深度学习的不规则形状金属加工表面的缺陷检测方法
CN107506761A (zh) 基于显著性学习卷积神经网络的脑部图像分割方法及系统
CN109345538A (zh) 一种基于卷积神经网络的视网膜血管分割方法
CN108009222B (zh) 基于较优视图和深度卷积神经网络的三维模型检索方法
CN110334565A (zh) 一种显微镜病理照片的宫颈癌病变细胞分类系统
CN107330444A (zh) 一种基于生成对抗网络的图像自动文本标注方法
CN107066934A (zh) 胃部肿瘤细胞图像识别判定装置、方法及胃部肿瘤切片识别判定设备
CN106778506A (zh) 一种融合深度图像和多通道特征的表情识别方法
Kadam et al. Detection and localization of multiple image splicing using MobileNet V1
CN107506796A (zh) 一种基于深度森林的阿尔兹海默病分类方法
CN105975913A (zh) 一种基于自适应聚类学习的道路网提取的方法
CN110555836A (zh) 一种超声图像中胎儿标准切面的自动识别方法和系统
CN110517253A (zh) 基于3d多目标特征学习的肺结节良恶性分类的方法
CN110399821A (zh) 基于人脸表情识别的顾客满意度获取方法
CN109902202A (zh) 一种视频分类方法及装置
CN109034012A (zh) 基于动态图像和视频子序列的第一人称视角手势识别方法
CN107103334A (zh) 一种基于卷积神经网络和字典对学习的肺结节分类方法
CN110188767A (zh) 基于深度神经网络的角膜病图像序列化特征提取与分类方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
AD01 Patent right deemed abandoned
AD01 Patent right deemed abandoned

Effective date of abandoning: 20230509