CN109800805A - 基于人工智能的图像处理系统以及计算机设备 - Google Patents

Abstract

本申请涉及一种基于人工智能的图像处理系统以及计算机设备。所述系统包括：获取模块，用于获取待检测图像；学习模块，用于根据所述待检测图像以及训练模型，得到初始识别结果；校正模块，用于判断所述初始识别结果是否需要进行校正；若需要校正，则校正所述初始识别结果，得到最终识别结果；模型更新模块，用于根据所述待检测图像以及与待检测图像相应的校正后的最终识别结果更新训练模型。通过最终识别结果的反馈更新训练模型，能够提高训练模型的准确性，并且能够加入用户自身经验，使训练模型能够与用户习惯更好的进行匹配，进一步的能够提升训练模型输出初始识别结果的准确性。

Description

基于人工智能的图像处理系统以及计算机设备

技术领域

本申请涉及人工智能技术领域，特别是涉及一种基于人工智能的图像处理系统以及计算机设备。

背景技术

人工智能主要表现在计算智能、认知智能与感知智能。计算智能即机器智能化存储与运算能力；认知智能即具有理解和思考的基本能力，可用于知识服务、教育评测、智能客服以及机器翻译等方面；感知智能即具有如同人类的听、说、看、认等基础能力，用于语音识别、语音合成、图像识别以及多语种语音处理等方面。

随着人工智能及数字图像处理技术的飞速发展，数字图像处理技术越来越多的应用于待检测图像处理领域，其原理就是通过对不同方式获取的待检测图像进行分割，重构，配准，识别等图像处理，再对处理后的图像进行深度学习，建立训练模型，从而向医生反馈图像识别结果，减少医生的工作量。

目前的传统技术中，基于人工智能的图像处理系统，对于不同的医院不同的医生，提供同一套系统，使用相同的算法和相同的模型数据。也就是不能根据医生自身的经验和临床实际情况定制与自身相关的模型数据。并且最终识别结果与训练模型之间缺少反馈机制，从而导致人工智能检测的敏感性和假阳性等指标不能得到进化和提升，并且医生积累的经验不能反过来指导人工智能算法。

发明内容

基于此，有必要针对上述技术问题，提供一种具有反馈机制的并且与用户自身经验相关的基于人工智能的图像处理系统以及计算机设备。

一种基于人工智能的图像处理系统，所述系统包括：获取模块，用于获取待检测图像；学习模块，用于根据所述待检测图像以及训练模型，得到初始识别结果；校正模块，用于判断所述初始识别结果是否需要进行校正；若需要校正，则校正所述初始识别结果，得到最终识别结果；模型更新模块，用于根据所述待检测图像以及与待检测图像相应的校正后的最终识别结果更新训练模型。

在其中一个实施例中，所述学习模块，还用于将所述待检测图像以及图像识别阈值输入所述训练模型；以所述图像识别阈值为限定条件，获取所述待检测图像的初始识别结果。

在其中一个实施例中，所述学习模块，还用于根据用户的输入设置训练模型的图像识别阈值。

在其中一个实施例中，所述图像识别阈值包括：识别结果尺寸阈值、识别结果分类阈值和识别结果概率阈值中的至少一种。

在其中一个实施例中，所述学习模块，还用于获取标准图像，并对所述标准图像进行标注得到相应的标注数据，将所述标准图像以及与标准图像相应的标注数据作为训练集，进行神经网络训练，得到训练模型。

在其中一个实施例中，所述校正模块，用于删除所述初始识别结果中的错误识别结果；和/或添加所述初始识别结果中的遗漏识别结果；和/或修改所述初始识别结果中的识别结果的尺寸；和/或修改所述初始识别结果中的识别结果的分类。

在其中一个实施例中，所述模型更新模块，还用于将所述待检测图像以及与待检测图像相应的校正后的最终识别结果加入训练模型的训练集；对更新后的所述训练集进行增量式训练，得到更新后的训练模型。

在其中一个实施例中，所述校正模块，还用于若不需要校正，则将初始识别结果作为最终识别结果。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：获取待检测图像；根据所述待检测图像以及训练模型，得到初始识别结果；判断所述初始识别结果是否需要进行校正；若需要校正，则校正所述初始识别结果，得到最终识别结果；根据所述待检测图像以及与待检测图像相应的校正后的最终识别结果更新训练模型。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：获取待检测图像；根据所述待检测图像以及训练模型，得到初始识别结果；判断所述初始识别结果是否需要进行校正；若需要校正，则校正所述初始识别结果，得到最终识别结果；根据所述待检测图像以及与待检测图像相应的校正后的最终识别结果更新训练模型。

上述基于人工智能的图像处理系统以及计算机设备，首先获取模块获取待检测图像；学习模块根据待检测图像以及训练模型，得到初始识别结果；校正模块判断初始识别结果是否需要进行校正，当需要校正时，则校正初始识别结果，得到最终识别结果；模型更新模块根据待检测图像以及与待检测图像相应的校正后的最终识别结果更新训练模型。通过最终识别结果的反馈更新训练模型，能够提高训练模型的准确性，并且能够加入用户自身经验，使训练模型能够与用户习惯更好的进行匹配，进一步的能够提升训练模型输出初始识别结果的准确性。

附图说明

图1为一个实施例中基于人工智能的图像处理系统的结构示意图；

图2为一个实施例中基于人工智能的图像处理方法的流程示意图；

图3为一个实施例中计算机设备的内部结构图。

附图标记：获取模块100、学习模块200、校正模块300、模型更新模块400。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

基于人工智能的计算机辅助诊断技术，是将人工智能作为医生的助手，通过影像学、医学图像处理技术以及其他可能的生理、生化手段，结合计算机的分析计算，向医生提供图像处理结果，辅助医生确定病灶，提高诊断的准确率。

随着医学成像技术的发展，以数字化直接成像设备(DR)、计算机断层扫描设备(CT)、核磁共振设备(MR)、正电子发射型计算机断层显像设备(PET)为代表的现代高清晰影像设备为临床疾病的诊断提供了极大的方便。然而，尽管上述成像设备对临床准段有很大的帮助，但由于条件的限制，在更多的情况下医生仍是依据现代影象提供的形态信息，根据自己的临床经验做出判断。由于病人的个体差异以及医生对影象信息观察掌握的局限性，有时不免会产生判断的失误或错误。基于人工智能的计算机辅助诊断技术，利用大量的数据进行神经网络训练，得到训练模型，通过深度模型对重建得到的医学图像进行处理，对医学图像中的特征进行量化并分析得到图像处理结果，医生再根据图像处理结果，对患者进行具体分析得到诊断结果。

在一个实施例中，如图1所示，提供了一种基于人工智能的图像处理系统，所述系统包括：获取模块，用于获取待检测图像；学习模块，用于根据所述待检测图像以及训练模型，得到初始识别结果；校正模块，用于判断所述初始识别结果是否需要进行校正；若需要校正，则校正所述初始识别结果，得到最终识别结果；模型更新模块，用于根据所述待检测图像以及与待检测图像相应的校正后的最终识别结果更新训练模型。

具体地，获取模块获取待检测图像。其中，待检测图像为利用医学成像设备对待扫描物体进行扫描后得到的DICOM标准图像，DICOM标准为医学图像和相关信息的国际标准。医学成像设备包括：数字化直接成像设备(DR)、计算机断层扫描设备(CT)、核磁共振设备(MR)、正电子发射型计算机断层显像设备(PET)、计算机X射线扫描设备(CR)等医学成像设备。待检测图像可以为医学成像设备实时扫描得到的医学图像，也可以是存储器内存储的利用医学成像设备得到的医学图像。待检测图像是对患者的待检测部位进行扫描后得到的医学图像。获取模块将获取到的待检测图像传输至学习模块。

具体的，学习模块接收待检测图像，并将接收到的待检测图像以及图像识别阈值作为训练模型的输入，训练模型以图像识别阈值为限定条件，获取待检测图像的初始识别结果。其中，图像识别阈值由算法给出，作为参考，范围为(0-1)的float值，图像识别阈值用于控制算法的敏感性和假阳性，这通常是矛盾的，在一个指标变好的情况下，另一个指标会变差，可以理解的最终需要在两者之间找到平衡点即可。float值表示单精度浮点数或双精度浮点数。图像识别阈值包括：识别结果尺寸阈值、识别结果分类阈值和识别结果概率阈值中的至少一种。更具体地，识别结果尺寸阈值为待检测图像中病灶的三维尺寸大小，也就是病灶的长、宽和高，选择识别结果的长、宽和高大于等于预设的长、宽和高的识别结果，识别结果尺寸阈值用于过滤较小的病灶；识别结果分类阈值为待检测图像中病灶的分类，以肺结核为例，肺结核的病灶分类阈值包括：磨玻璃、实性以及钙化等类型，选择与识别结果分类阈值相同的识别结果，识别结果分类阈值用于识别出特定分类的病灶；识别结果概率阈值为待检测图像中病灶的概率，选择识别结果概率大于识别结果概率阈值的病灶结果，用于过滤掉概率较低的病灶，也就是控制病灶的识别强度，设置的识别结果概率阈值越大被识别出的病灶数量就越少，识别结果概率阈值越小，被识别出的病灶数量就越多。

具体地，校正模块接收训练模型以待检测图像为输入，以图像识别阈值为限定条件，得到的初始识别结果。并判断初始识别结果是否需要校正，若需要校正，则校正初始识别结果得到最终识别结果。其中，对初始图像进行判断可以通过医生凭借自身经验进行判断，还可以通过与历史数据比较进行判断。对初始图像进行校正包括：第一种校正方式：删除所述初始识别结果中的错误识别结果；第二种校正方式：添加所述初始识别结果中的遗漏识别结果；第三种校正方式：修改所述初始识别结果中的识别结果的尺寸；第四种校正方式：修改所述初始识别结果中的识别结果的分类。对初始识别结果进行校正可以包括四种校正方式中的至少一种。若根据判断初始识别结果不需要校正，则将初始识别结果作为最终识别结果。

具体地，当初始识别结果被校正后，模型更新模块获取待检测图像以及与待检测图像相应的校正后的最终识别结果，将待检测图像以及与待检测图像相应的校正后的最终识别结果加入训练集，并对更新后的训练集进行增量式训练，得到更新后的训练模型。传统的神经网络训练在训练完成之后学习的过程就会终止，不在学习新的数据。而在实际应用中，训练样本会随着时间的推移不断的增大，并且训练样本所能反应的信息也会随着时间产生变化，当训练样本更新后，需要对全部训练样本重新进行神经网络训练，浪费大量的时间以及存储空间。而增量式学习方法可以渐进的进行知识更新，并且能够修正和加强以前的知识，使得更新后的知识能适应新到达的数据，而不必重新对全部数据进行学习。增量学习降低了对时间和空间的需求，更能满足实际要求。

在其中一个实施例中，利用人工智能将待检测图像输入训练模型，得到初始识别结果，并保存至数据库。对初始识别结果进行校正，得到最终识别结果，并保存至数据库。实时统计经过校正的数据，当校正的数目累计到预设的数量时，触发增量式训练，将需要增量训练的数据发送至训练子系统，训练子系统自行训练，结束后发送通知到在线检测系统，用户根据通知确认是否更新训练模型，确认更新后，在线检测系统自动更新。

在其中一个实施例中，所述学习模块，还用于获取标准图像，并对所述标准图像进行标注得到相应的标注数据，将所述标准图像以及与标准图像相应的标注数据作为训练集，进行神经网络训练，得到训练模型。

具体地，在利用训练模型进行图像处理之前，需要先建立训练模型。学习模块收集一定量的标准图像，匿名处理标准图像，并对标准图像进行标注得到相应的标注数据。其中标注的内容包括：病灶位置、病灶尺寸、病灶类型等。学习模块将所述标准图像以及与标准图像相应的标注数据作为训练集，创建基于深度学习的神经网络，训练数据，得到训练模型。其中，标注数据不是直接在医学图像中进行标注，也就是标注数据不修改原始的医学图像，而是另外生成标注数据的文件，页面显示的时候，需要将医学图像与标注数据融合显示。

在其中一个实施例中，学习模块，还用于根据用户的输入设置训练模型的图像识别阈值。在利用训练模型进行图像处理之前，需要设置图像识别阈值。

上述基于人工智能的图像处理系统在使用时，在基于人工智能的图像处理系统在发布之前，收集一定量的标准图像，匿名处理标准图像，通过相关领域专家，对标准图像进行标注，得到相应的标注数据，将标准图像以及与标准图像相应的标注数据作为训练集进行神经网络训练，得到训练模型。再根据医生的输入设置训练模型的图像识别阈值。将基于人工智能的图像处理系统部署在医院局域网内，或部署在公有云/私有云中，接入医院的医院信息系统，连接医学成像设备，或者连接医院的影像归档和通信系统。医学成像设备扫描完成后，归档至影像归档和通信系统中，基于人工智能的图像处理系统获取待检测图像，通过人工智能算法计算得到初始识别结果，医生可以在放射信息管理系统中查看患者的数据，并点击打开工作站，并在其中查看初始识别结果。医生在工作站中查看初始识别结果后，给出相应的校正意见。其中校正初始识别结果包括：删除错误识别结果、添加遗漏识别结果、修改识别结果的尺寸以及修改识别结果的分类。有校正情况则开启增量式训练模型的功能。将待检测图像以及与待检测图像相应的校正后的最终识别结果接入训练集，并开启增量式训练模型的功能，得到新的训练模型，经过一系列的功能测试，测试通过后将其发布。将更新后的训练模型更新到之前部署的基于人工智能的图像处理系统中，完成系统的闭环。

上述基于人工智能的图像处理系统，通过可定制的基于人工智能的图像处理系统，随着使用时间的积累，图像处理系统的识别率会越来越高，并且识别结果越来越多具有用户自身的特点和偏好，从而与其他用户的识别结果之间存在一定的区别度。首先，不同地区，不同的医院，不同的医学成像设备，这些因素导致标准图像数据具有一定的差异性，通过具有差异性的标准图像训练得到的训练模型更能够适应当前的使用环境。在基于人工智能的图像处理系统上线之后，第一要不断的把临床数据加入训练集，增量迭代人工智能的训练模型。第二利用用户的标记数据，进一步的监督人工智能算法，不断的提高诊断的识别率。随着时间的推移基于人工智能的图像处理系统以用户之间的协同会越来越顺畅。

上述基于人工智能的图像处理系统，首先获取模块获取待检测图像；学习模块根据待检测图像以及训练模型，得到初始识别结果；校正模块判断初始识别结果是否需要进行校正，当需要校正时，则校正初始识别结果，得到最终识别结果；模型更新模块根据待检测图像以及与待检测图像相应的校正后的最终识别结果更新训练模型。通过最终识别结果的反馈更新训练模型，能够提高训练模型的准确性，并且能够加入用户自身经验，使训练模型能够与用户习惯更好的进行匹配，进一步的能够提升训练模型输出初始识别结果的准确性。

上述基于人工智能的图像处理系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，如图2所示，提供了一种基于人工智能的图像处理方法，包括以下步骤：

步骤S202，获取待检测图像。

步骤S204，根据所述待检测图像以及训练模型，得到初始识别结果。

步骤S206，判断所述初始识别结果是否需要进行校正；若需要校正，则校正所述初始识别结果，得到最终识别结果。

步骤S208，根据所述待检测图像以及与待检测图像相应的最终识别结果更新训练模型。

在其中一个实施例中，步骤S202之前还包括：获取标准图像，并对所述标准图像进行标注得到相应的标注数据，将所述标准图像以及与标准图像相应的标注数据作为训练集，进行神经网络训练，得到训练模型。

在其中一个实施例中，步骤S202之前还包括：根据用户的输入设置训练模型的图像识别阈值。

在其中一个实施例中，步骤S204还包括：将所述待检测图像以及图像识别阈值输入所述训练模型；以所述图像识别阈值为限定条件，获取所述待检测图像的初始识别结果。

在其中一个实施例中，步骤S206还包括：删除所述初始识别结果中的错误识别结果；和/或添加所述初始识别结果中的遗漏识别结果；和/或修改所述初始识别结果中的识别结果的尺寸；和/或修改所述初始识别结果中的识别结果的分类。

在其中一个实施例中，步骤S206还包括：若不需要校正，则将初始识别结果作为最终识别结果。

在其中一个实施例中，步骤S208还包括：将所述待检测图像以及与待检测图像相应的校正后的最终识别结果加入训练模型的训练集；对更新后的所述训练集进行增量式训练，得到更新后的训练模型。

关于基于人工智能的图像处理方法的具体限定可以参见上文中对于基于人工智能的图像处理系统的限定，在此不再赘述。应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于人工智能的图像处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取待检测图像；根据所述待检测图像以及训练模型，得到初始识别结果；判断所述初始识别结果是否需要进行校正；若需要校正，则校正所述初始识别结果，得到最终识别结果；根据所述待检测图像以及与待检测图像相应的校正后的最终识别结果更新训练模型。若不需要校正，则将初始识别结果作为最终识别结果。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

获取标准图像，并对所述标准图像进行标注得到相应的标注数据，将所述标准图像以及与标准图像相应的标注数据作为训练集，进行神经网络训练，得到训练模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

根据用户的输入设置训练模型的图像识别阈值。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

将所述待检测图像以及图像识别阈值输入所述训练模型；以所述图像识别阈值为限定条件，获取所述待检测图像的初始识别结果。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

删除所述初始识别结果中的错误识别结果；和/或添加所述初始识别结果中的遗漏识别结果；和/或修改所述初始识别结果中的识别结果的尺寸；和/或修改所述初始识别结果中的识别结果的分类。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

将所述待检测图像以及与待检测图像相应的校正后的最终识别结果加入训练模型的训练集；对更新后的所述训练集进行增量式训练，得到更新后的训练模型。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取待检测图像；根据所述待检测图像以及训练模型，得到初始识别结果；判断所述初始识别结果是否需要进行校正；若需要校正，则校正所述初始识别结果，得到最终识别结果；根据所述待检测图像以及与待检测图像相应的校正后的最终识别结果更新训练模型。若不需要校正，则将初始识别结果作为最终识别结果。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取标准图像，并对所述标准图像进行标注得到相应的标注数据，将所述标准图像以及与标准图像相应的标注数据作为训练集，进行神经网络训练，得到训练模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

根据用户的输入设置训练模型的图像识别阈值。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将所述待检测图像以及图像识别阈值输入所述训练模型；以所述图像识别阈值为限定条件，获取所述待检测图像的初始识别结果。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

删除所述初始识别结果中的错误识别结果；和/或添加所述初始识别结果中的遗漏识别结果；和/或修改所述初始识别结果中的识别结果的尺寸；和/或修改所述初始识别结果中的识别结果的分类。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

将所述待检测图像以及与待检测图像相应的校正后的最终识别结果加入训练模型的训练集；对更新后的所述训练集进行增量式训练，得到更新后的训练模型。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于人工智能的图像处理系统，其特征在于，所述系统包括：

获取模块，用于获取待检测图像；

学习模块，用于根据所述待检测图像以及训练模型，得到初始识别结果；

校正模块，用于判断所述初始识别结果是否需要进行校正；若需要校正，则校正所述初始识别结果，得到最终识别结果；

模型更新模块，用于根据所述待检测图像以及与待检测图像相应的校正后的最终识别结果更新训练模型。

2.根据权利要求1所述的系统，其特征在于，

所述学习模块，还用于将所述待检测图像以及图像识别阈值输入所述训练模型；以所述图像识别阈值为限定条件，获取所述待检测图像的初始识别结果。

3.根据权利要求2所述的系统，其特征在于，

所述学习模块，还用于根据用户的输入设置训练模型的图像识别阈值。

4.根据权利要求3所述的系统，其特征在于，

所述图像识别阈值包括：识别结果尺寸阈值、识别结果分类阈值和识别结果概率阈值中的至少一种。

5.根据权利要求1所述的系统，其特征在于，

所述学习模块，还用于获取标准图像，并对所述标准图像进行标注得到相应的标注数据，将所述标准图像以及与标准图像相应的标注数据作为训练集，进行神经网络训练，得到训练模型。

6.根据权利要求1所述的系统，其特征在于，

所述校正模块，用于删除所述初始识别结果中的错误识别结果；和/或

添加所述初始识别结果中的遗漏识别结果；和/或

修改所述初始识别结果中的识别结果的尺寸；和/或

修改所述初始识别结果中的识别结果的分类。

7.根据权利要求1所述的系统，其特征在于，

所述模型更新模块，还用于将所述待检测图像以及与待检测图像相应的校正后的最终识别结果加入训练模型的训练集；对更新后的所述训练集进行增量式训练，得到更新后的训练模型。

8.根据权利要求1所述的系统，其特征在于，

所述校正模块，还用于若不需要校正，则将初始识别结果作为最终识别结果。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：

获取待检测图像；

根据所述待检测图像以及训练模型，得到初始识别结果；

判断所述初始识别结果是否需要进行校正；

若需要校正，则校正所述初始识别结果，得到最终识别结果；

根据所述待检测图像以及与待检测图像相应的校正后的最终识别结果更新训练模型。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现以下步骤：

获取待检测图像；

根据所述待检测图像以及训练模型，得到初始识别结果；

判断所述初始识别结果是否需要进行校正；

若需要校正，则校正所述初始识别结果，得到最终识别结果；

根据所述待检测图像以及与待检测图像相应的校正后的最终识别结果更新训练模型。