CN111932482A - 图像中目标物的检测方法、装置、电子设备及存储介质 - Google Patents

图像中目标物的检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111932482A
CN111932482A CN202011023942.3A CN202011023942A CN111932482A CN 111932482 A CN111932482 A CN 111932482A CN 202011023942 A CN202011023942 A CN 202011023942A CN 111932482 A CN111932482 A CN 111932482A
Authority
CN
China
Prior art keywords
image
target object
standard
target
training 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.)
Granted
Application number
CN202011023942.3A
Other languages
English (en)
Other versions
CN111932482B (zh
Inventor
刁勍琛
伍世宾
黄凌云
刘玉宇
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202011023942.3A priority Critical patent/CN111932482B/zh
Publication of CN111932482A publication Critical patent/CN111932482A/zh
Priority to PCT/CN2020/131992 priority patent/WO2021189912A1/zh
Application granted granted Critical
Publication of CN111932482B publication Critical patent/CN111932482B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06T7/11—Region-based segmentation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像分析技术，揭露了一种图像中目标物的检测方法，包括：对训练图像进行降噪处理，得到标准训练图像，利用目标物检测模型对标准训练图像进行目标物检测，得到预测中心点信息、预测尺寸信息及预测边界信息；构建目标损失函数计算损失值，根据损失值对目标物检测模型进行优化，得到标准目标物检测模型；获取待检测目标物图像，利用标准目标物检测模型对所述待检测目标物图像进行图像检测，得到标准检测结果。本发明还提出了图像中目标物的检测装置、电子设备及存储介质。此外，本发明还涉及区块链技术，标准检测结果可存储于区块链节点中。本发明可应用于检测医学图像中的病灶信息。本发明可以提高图像中目标物的检测的效率及准确度。

Description

图像中目标物的检测方法、装置、电子设备及存储介质
技术领域
本发明涉及图像分析技术领域，尤其涉及一种图像中目标物的检测方法、装置、电子设备及计算机可读存储介质。
背景技术
医学领域中，医生对医疗图像进行观测、分析，进而从医疗图像中检测出病灶的信息是一种常见的医疗手段，极大的帮助了医生对病人病情的了解与分析。例如，对病人的组织图像进行分析，可尽早地发现组织中的病灶。
目前对于医疗图像中病灶的检出，大多数情况下还是依靠医生人工进行。该方法过于依赖医生的经验，导致对于较难观测到的病灶会出现漏检的情况；且人工检测效率低下，也无法获取病灶的大小、尺寸及位置的精确信息，影响检测的准确度，不利于后续对病情进行分析。
发明内容
本发明提供一种图像中目标物的检测方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高图像中目标物的检测的效率及准确度。
为实现上述目的，本发明提供的一种图像中目标物的检测方法，包括：
获取训练图像，对所述训练图像进行降噪处理，得到标准训练图像，其中，所述训练图像包括目标物的标准中心点信息、标准尺寸信息及标准边界信息；
构建目标物检测模型；
利用所述目标物检测模型对所述标准训练图像进行目标物检测，得到检测结果，其中，所述检测结果包括目标物的预测中心点信息、预测尺寸信息及预测边界信息；
根据所述检测结果和所述标准训练图像构建目标损失函数；
计算所述目标损失函数的损失值，根据所述损失值对所述目标物检测模型进行优化，得到标准目标物检测模型；
获取待检测目标物图像，利用所述标准目标物检测模型对所述待检测目标物图像进行图像检测，得到标准检测结果。
可选地，所述目标物检测模型包括多个不同分辨率的并行卷积通道。
可选地，所述利用所述目标物检测模型对所述标准训练图像进行目标物检测，得到检测结果，包括：
获取在前向并行卷积通道中基于所述标准训练图像集进行卷积得到的前向特征图；
在后向并行卷积通道中对所述前向特征图及所述前向特征图的下采样图像进行卷积，获得后向特征图；
对获得的前向特征图和后向特征图进行特征融合，得到融合特征图；
利用图像分割算法对所述融合特征图进行图像分割，得到所述检测结果。
可选地，所述目标损失函数包括：中心点损失函数、尺寸损失函数及边界损失函数。
可选地，所述待检测目标物图像包括生物体组织的医学图像。
可选地，所述对所述训练图像进行降噪处理，得到标准训练图像，包括：
计算所述训练图像中所有像素点的像素均值；
将所述训练图像中所有大于或等于所述像素均值的像素点的像素值置为第一数值，将所述训练图像中所有大于或等于所述像素均值的像素点的像素值置为第二数值，得到归一化图像；
随机获取所述归一化图像中目标像素点，计算所述目标像素点的预设邻域内的像素均值；
将所述目标像素点的像素值利用所述像素均值进行替换，得到均值图像；
删除所述均值图像中所有像素值为第二数值的像素点，得到标准训练图像。
可选地，所述计算所述目标像素点的预设邻域内的像素均值，包括：
利用如下均值计算公式计算所述预设邻域内的像素均值：
Figure 588951DEST_PATH_IMAGE001
其中，
Figure 794804DEST_PATH_IMAGE002
为预设邻域内的像素点
Figure DEST_PATH_IMAGE003
；
Figure 963530DEST_PATH_IMAGE004
为所述像素均值，
Figure DEST_PATH_IMAGE005
为预设邻域；
Figure 331057DEST_PATH_IMAGE006
为预设邻域内像素点的坐标；
Figure DEST_PATH_IMAGE007
为均值处理运算，
Figure 100002_DEST_PATH_IMAGE009
为预设邻域内像素点的数量。
为了解决上述问题，本发明还提供一种图像中目标物的检测装置，所述装置包括：
图像降噪模块，用于获取训练图像，对所述训练图像进行降噪处理，得到标准训练图像，其中，所述训练图像包括目标物的标准中心点信息、标准尺寸信息及标准边界信息；
模型构建模块，用于构建目标物检测模型；
目标物检测模块，用于利用所述目标物检测模型对所述标准训练图像进行目标物检测，得到检测结果，其中，所述检测结果包括目标物的预测中心点信息、预测尺寸信息及预测边界信息；
损失函数构建模块，用于根据所述检测结果和所述标准训练图像构建目标损失函数；
模型优化模块，用于计算所述目标损失函数的损失值，根据所述损失值对所述目标物检测模型进行优化，得到标准目标物检测模型；
标准检测模块，用于获取待检测目标物图像，利用所述标准目标物检测模型对所述待检测目标物图像进行图像检测，得到标准检测结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的图像中目标物的检测方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，包括存储数据区和存储程序区，其中，所述存储数据区存储创建的数据，所述存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现上述所述的图像中目标物的检测方法。
本发明实施例通过对训练图像进行降噪处理，提高训练图像的质量，进而提高利用训练图像训练得到的目标物检测模型的精确性；通过构建目标损失函数分别计算目标物检测模型对目标物输出的预测中心点信息、预测尺寸信息及预测边界信息的三种损失值，利用三种损失值对目标物检测模型的参数进行更新，提高了目标物检测模型输出的目标物的大小、尺寸及位置的精确性；获取待检测目标物图像，利用标准目标物检测模型对待检测目标物图像进行图像检测，无需人工进行图像分析，提高了图像中目标物的检测效率。因此本发明提出的图像中目标物的检测方法、装置及计算机可读存储介质，可以提高图像中目标物的检测的效率及准确度。
附图说明
图1为本发明一实施例提供的图像中目标物的检测方法的流程示意图；
图2为本发明一实施例提供的对训练图像进行降噪处理的流程示意图；
图3为本发明一实施例提供的利用目标物检测模型对标准训练图像进行目标物检测的流程示意图；
图4为本发明一实施例提供的图像中目标物的检测装置的模块示意图；
图5为本发明一实施例提供的实现图像中目标物的检测方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供的图像中目标物的检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述图像中目标物的检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
本发明提供一种图像中目标物的检测方法。参照图1所示，为本发明一实施例提供的图像中目标物的检测方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，图像中目标物的检测方法包括：
S1、获取训练图像，对所述训练图像进行降噪处理，得到标准训练图像，其中，所述训练图像包括目标物的标准中心点信息、标准尺寸信息及标准边界信息。
本发明实施例中，利用具有数据抓取功能的java语句从用于存储训练图像的区块链节点中获取训练图像，利用区块链节点的高数据吞吐性，可提高获取训练图像的效率。
具体地，所述训练图像为包括目标物的图像，所述训练图像还包括目标物的标准中心点信息、标准尺寸信息及标准边界信息。
例如，训练图像为包含目标病灶的组织病理图像，组织病理图像中包括了目标病灶的标准中心点信息、目标病灶的标准尺寸信息及目标病灶的标准边界信息。
图2为本发明一实施例提供的对训练图像进行降噪处理的流程示意图；
详细地，参图2所示，所述对所述训练图像进行降噪处理，得到标准训练图像，包括：
S10、计算所述训练图像中所有像素点的像素均值；
S11、将所述训练图像中所有大于或等于所述像素均值的像素点的像素值置为第一数值，将所述训练图像中所有大于或等于所述像素均值的像素点的像素值置为第二数值，得到归一化图像；
S12、随机获取所述归一化图像中目标像素点，计算所述目标像素点的预设邻域内的像素均值；
S13、将所述目标像素点的像素值利用所述像素均值进行替换，得到均值图像；
S14、删除所述均值图像中所有像素值为第二数值的像素点，得到标准训练图像。
优选的，所述第一数值为1，所述第二数值为0.
具体地，所述计算所述目标像素点的预设邻域内的像素均值，包括：
利用如下均值计算公式计算所述预设邻域内的像素均值：
Figure 979207DEST_PATH_IMAGE001
其中，
Figure 159390DEST_PATH_IMAGE002
为预设邻域内的像素点
Figure 271703DEST_PATH_IMAGE003
；
Figure 278973DEST_PATH_IMAGE004
为所述像素均值，
Figure 679999DEST_PATH_IMAGE005
为预设邻域；
Figure 991769DEST_PATH_IMAGE006
为预设邻域内像素点的坐标；
Figure 958588DEST_PATH_IMAGE007
为均值处理运算，
Figure 933497DEST_PATH_IMAGE009
为预设邻域内像素点的数量。
本发明实施例对所述训练图像进行降噪处理，得到标准训练图像，可减少训练图像中的噪点，突出训练图像中目标物，提高利用标准训练图像训练得到的模型的精确度。
S2、构建目标物检测模型。
详细地，所述目标物检测模型包括多个不同分辨率的并行卷积通道。
本发明实施例中，所述目标物检测模型采用HRnet网络结构，所述HRnet网络采用多通道、多分辨率分支并行卷积的方式对同一特征进行卷积，从而得到目标物同一特征不同分辨率下的特征图。
本发明实施例采用的HRnet网络，由传统的串行连接卷积，改成并行连接卷积，进而得到丰富的高分辨率表征，提高了模型进行目标检测的精确度。
S3、利用所述目标物检测模型对所述标准训练图像进行目标物检测，得到检测结果，其中，所述检测结果包括目标物的预测中心点信息、预测尺寸信息及预测边界信息。
图3为本发明一实施例提供的利用目标物检测模型对标准训练图像进行目标物检测的流程示意图。
本发明实施例中，参图3所示，所述利用所述目标物检测模型对所述标准训练图像进行目标物检测，得到检测结果，包括：
S30、获取在前向并行卷积通道中基于所述标准训练图像集进行卷积得到的前向特征图；
S31、在后向并行卷积通道中对所述前向特征图及所述前向特征图的下采样图像进行卷积，获得后向特征图；
S32、对获得的前向特征图和后向特征图进行特征融合，得到融合特征图；
S33、利用图像分割算法对所述融合特征图进行图像分割，得到所述检测结果。
详细地，所述图像分割算法包括但不限于基于区域的图像分割算法、基于阈值的图像分割算法、基于边缘的图像分割算法。
所述前向并行卷积通道与所述后向并行卷积通道是相对而言的，例如，目标物检测模型包括4个并行卷积通道，前一个对标准训练图像进行卷积的并行卷积通道相对于后一个对标准训练图像进行卷积的并行卷积通道为前向并行卷积通道；后一个对标准训练图像进行卷积的并行卷积通道相对于前一个对标准训练图像进行卷积的并行卷积通道来说为后向并行卷积通道。
当前向并行卷积通道为初始并行卷积通道时，后向卷积的对前向得到的结果及前向并行卷积通道的输入进行卷积，得到特征图。
当前向并行卷积通道不为初始卷积通道时，后向卷积的对前向得到的结果及所有前向卷积通道的输入进行卷积，得到特征图。
具体地，例如，在第一并行卷积通道中对所述标准训练图像进行卷积，得到第一特征图；
在第二并行卷积通道中对所述第一特征图及所述第一特征图的第一下采样图像进行卷积，得到第二特征图；
在第三并行卷积通道中对所述第二特征图及所述第二特征图的第二下采样图像进行卷积，得到第三特征图；
在第四并行卷积通道中对所述第三特征图及所述第三特征图的第三下采样图像进行卷积，得到第四特征图；
对所述第一特征图、所述第二特征图、所述第三特征图和所述第四特征图进行特征融合得到融合特征图，并利用图像分割算法对所述融合特征图进行图像分割，得到所述检测结果。
其中，第一并行卷积通道、第一并行卷积通道、第一并行卷积通道、第一并行卷积通道以并行方式连接，以此得到同一特征的四种不同分辨率的特征图。
由于高分辨率图像含有更多的像素位置信息，更有利于位置信息的提取，低分辨率图像含有更多的特征信息，更有利于特征的识别。因此，本发明实施例中，所述目标物检测模型输出多层并行卷积通道得到的特征图的分辨率逐渐降低，特征信息也逐渐增强。所以，本发明实施例通过多层并行卷积通道得到的特征图即包含了高分辨率的位置信息，又包含了低分辨率的特征信息，更有利于后续利用特征图进行目标物检测，提高目标物检测模型的精确度。
S4、根据所述检测结果和所述标准训练图像构建目标损失函数。
本发明实施例中，所述目标损失函数包括：中心点损失函数、尺寸损失函数及边界损失函数。
详细地，所述目标损失函数为：
Figure 821819DEST_PATH_IMAGE010
Figure 173166DEST_PATH_IMAGE011
Figure 260071DEST_PATH_IMAGE012
Figure 373258DEST_PATH_IMAGE013
其中，
Figure 280034DEST_PATH_IMAGE014
为中心点损失函数，
Figure 169492DEST_PATH_IMAGE015
为尺寸损失函数，
Figure 110904DEST_PATH_IMAGE016
为边界损失函数，
Figure 693195DEST_PATH_IMAGE017
为目标物的类别的数量，
Figure 821688DEST_PATH_IMAGE019
为所述标准训练图像的长度，
Figure 514837DEST_PATH_IMAGE020
为所述标准训练图像的宽度，
Figure 310755DEST_PATH_IMAGE009
为所述标准训练图像的数量，
Figure 556623DEST_PATH_IMAGE021
、
Figure 234729DEST_PATH_IMAGE022
为预设常数，
Figure 669253DEST_PATH_IMAGE023
为预测中心点信息，
Figure 257360DEST_PATH_IMAGE024
为标准中心点信息，
Figure 181454DEST_PATH_IMAGE025
为预测尺寸信息，
Figure 550118DEST_PATH_IMAGE026
为标准尺寸信息，
Figure 349185DEST_PATH_IMAGE027
为预测边界信息，
Figure 854115DEST_PATH_IMAGE028
为标准边界信息。
详细地，在计算中心点损失函数的函数值时，若所述预测中心点信息与所述标准中心点信息一致（即，
Figure 949110DEST_PATH_IMAGE029
），则
Figure 8333DEST_PATH_IMAGE014
为：
Figure 846976DEST_PATH_IMAGE030
若所述预测中心点信息与所述标准中心点信息不一致（即
Figure 471992DEST_PATH_IMAGE032
），则
Figure 737889DEST_PATH_IMAGE033
为：
Figure 314101DEST_PATH_IMAGE034
本发明实施例利用中心点损失函数、尺寸损失函数及边界损失函数组合为目标损失函数，同时利用目标物的中心点位置，尺寸大小及边界位置的三种损失值，利用三种损失值对目标物检测模型的参数进行更新，有利于提高目标物检测模型的精度。
S5、计算所述目标损失函数的损失值，根据所述损失值对所述目标物检测模型进行优化，得到标准目标物检测模型。
本发明实施例根据所述损失值对所述目标物检测模型进行优化，包括：
当所述目标损失函数的损失值大于预设的损失阈值，则利用优化算法对所述目标物检测模型的参数进行优化；
当所述目标损失函数的损失值小于或等于所述损失阈值，得到标准目标物检测模型。
本发明实施例中，当所述目标损失函数的损失值大于预设的损失阈值，使用Adam优化算法对目标物检测模型的参数进行优化，Adam优化算法可自适应调节目标物检测模型训练过程中的学习率，使得目标物检测模型更加精确，提升目标物检测模型的性能。
S6、获取待检测目标物图像，利用所述标准目标物检测模型对所述待检测目标物图像进行图像检测，得到标准检测结果。
本发明实施例中，所述待检测目标物图像包括生物体组织的医学图像。所述待检测病灶图像可由用户通过用户端程序进行上传，当获取到待检测病灶图像后，将所述待检测病灶图像输入至标准病灶检测模型进行病灶检测，得到标准检测结果。
本发明实施例通过对训练图像进行降噪处理，提高训练图像的质量，进而提高利用训练图像训练得到的目标物检测模型的精确性；通过构建目标损失函数分别计算目标物检测模型对目标物输出的预测中心点信息、预测尺寸信息及预测边界信息的三种损失值，利用三种损失值对目标物检测模型的参数进行更新，提高了目标物检测模型输出的目标物的大小、尺寸及位置的精确性；获取待检测目标物图像，利用标准目标物检测模型对待检测目标物图像进行图像检测，无需人工进行图像分析，提高了图像中目标物的检测效率。因此本发明提出的图像中目标物的检测方法，可以提高图像中目标物的检测的效率及准确度。
如图4所示，是本发明图像中目标物的检测装置的模块示意图。
本发明所述图像中目标物的检测装置100可以安装于电子设备中。根据实现的功能，所述图像中目标物的检测装置可以包括所述图像降噪模块101、模型构建模块102、目标物检测模块103、损失函数构建模块104、模型优化模块105和标准检测模块106。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述图像降噪模块101，用于获取训练图像，对所述训练图像进行降噪处理，得到标准训练图像，其中，所述训练图像包括目标物的标准中心点信息、标准尺寸信息及标准边界信息；
所述模型构建模块102，用于构建目标物检测模型；
所述目标物检测模块103，用于利用所述目标物检测模型对所述标准训练图像进行目标物检测，得到检测结果，其中，所述检测结果包括目标物的预测中心点信息、预测尺寸信息及预测边界信息；
所述损失函数构建模块104，用于根据所述检测结果和所述标准训练图像构建目标损失函数；
所述模型优化模块105，用于计算所述目标损失函数的损失值，根据所述损失值对所述目标物检测模型进行优化，得到标准目标物检测模型；
所述标准检测模块106，用于获取待检测目标物图像，利用所述标准目标物检测模型对所述待检测目标物图像进行图像检测，得到标准检测结果。
详细地，所述图像中目标物的检测装置各模块的具体实施方式如下：
所述图像降噪模块101，用于获取训练图像，对所述训练图像进行降噪处理，得到标准训练图像，其中，所述训练图像包括目标物的标准中心点信息、标准尺寸信息及标准边界信息。
本发明实施例中，利用具有数据抓取功能的java语句从用于存储训练图像的区块链节点中获取训练图像，利用区块链节点的高数据吞吐性，可提高获取训练图像的效率。
具体地，所述训练图像为包括目标物的图像，所述训练图像还包括目标物的标准中心点信息、标准尺寸信息及标准边界信息。
例如，训练图像为包含目标病灶的组织病理图像，组织病理图像中包括了目标病灶的标准中心点信息、目标病灶的标准尺寸信息及目标病灶的标准边界信息。
详细地，所述图像降噪模块101具体用于：
计算所述训练图像中所有像素点的像素均值；
将所述训练图像中所有大于或等于所述像素均值的像素点的像素值置为第一数值，将所述训练图像中所有大于或等于所述像素均值的像素点的像素值置为第二数值，得到归一化图像；
随机获取所述归一化图像中目标像素点，计算所述目标像素点的预设邻域内的像素均值；
将所述目标像素点的像素值利用所述像素均值进行替换，得到均值图像；
删除所述均值图像中所有像素值为第二数值的像素点，得到标准训练图像。
优选的，所述第一数值为1，所述第二数值为0.
具体地，所述计算所述目标像素点的预设邻域内的像素均值，包括：
利用如下均值计算公式计算所述预设邻域内的像素均值：
Figure 159698DEST_PATH_IMAGE035
其中，
Figure 639220DEST_PATH_IMAGE036
为预设邻域内的像素点
Figure 341597DEST_PATH_IMAGE037
；
Figure 109833DEST_PATH_IMAGE038
为所述像素均值，
Figure 24699DEST_PATH_IMAGE039
为预设邻域；
Figure 122843DEST_PATH_IMAGE040
为预设邻域内像素点的坐标；
Figure 996121DEST_PATH_IMAGE041
为均值处理运算，
Figure 48391DEST_PATH_IMAGE043
为预设邻域内像素点的数量。
本发明实施例对所述训练图像进行降噪处理，得到标准训练图像，可减少训练图像中的噪点，突出训练图像中目标物，提高利用标准训练图像训练得到的模型的精确度。
所述模型构建模块102，用于构建目标物检测模型。
详细地，所述目标物检测模型包括多个不同分辨率的并行卷积通道。
本发明实施例中，所述目标物检测模型采用HRnet网络结构，所述HRnet网络采用多通道、多分辨率分支并行卷积的方式对同一特征进行卷积，从而得到目标物同一特征不同分辨率下的特征图。
本发明实施例采用的HRnet网络，由传统的串行连接卷积，改成并行连接卷积，进而得到丰富的高分辨率表征，提高了模型进行目标检测的精确度。
所述目标物检测模块103，用于利用所述目标物检测模型对所述标准训练图像进行目标物检测，得到检测结果，其中，所述检测结果包括目标物的预测中心点信息、预测尺寸信息及预测边界信息。
本发明实施例中，所述目标物检测模块103具体用于：
获取在前向并行卷积通道中基于所述标准训练图像集进行卷积得到的前向特征图；
在后向并行卷积通道中对所述前向特征图及所述前向特征图的下采样图像进行卷积，获得后向特征图；
对获得的前向特征图和后向特征图进行特征融合，得到融合特征图；
利用图像分割算法对所述融合特征图进行图像分割，得到所述检测结果。
详细地，所述图像分割算法包括但不限于基于区域的图像分割算法、基于阈值的图像分割算法、基于边缘的图像分割算法。
所述前向并行卷积通道与所述后向并行卷积通道是相对而言的，例如，目标物检测模型包括4个并行卷积通道，前一个对标准训练图像进行卷积的并行卷积通道相对于后一个对标准训练图像进行卷积的并行卷积通道为前向并行卷积通道；后一个对标准训练图像进行卷积的并行卷积通道相对于前一个对标准训练图像进行卷积的并行卷积通道来说为后向并行卷积通道。
当前向并行卷积通道为初始并行卷积通道时，后向卷积的对前向得到的结果及前向并行卷积通道的输入进行卷积，得到特征图。
当前向并行卷积通道不为初始卷积通道时，后向卷积的对前向得到的结果及所有前向卷积通道的输入进行卷积，得到特征图。
具体地，例如，在第一并行卷积通道中对所述标准训练图像进行卷积，得到第一特征图；
在第二并行卷积通道中对所述第一特征图及所述第一特征图的第一下采样图像进行卷积，得到第二特征图；
在第三并行卷积通道中对所述第二特征图及所述第二特征图的第二下采样图像进行卷积，得到第三特征图；
在第四并行卷积通道中对所述第三特征图及所述第三特征图的第三下采样图像进行卷积，得到第四特征图；
对所述第一特征图、所述第二特征图、所述第三特征图和所述第四特征图进行特征融合得到融合特征图，并利用图像分割算法对所述融合特征图进行图像分割，得到所述检测结果。
其中，第一并行卷积通道、第一并行卷积通道、第一并行卷积通道、第一并行卷积通道以并行方式连接，以此得到同一特征的四种不同分辨率的特征图。
由于高分辨率图像含有更多的像素位置信息，更有利于位置信息的提取，低分辨率图像含有更多的特征信息，更有利于特征的识别。因此，本发明实施例中，所述目标物检测模型输出多层并行卷积通道得到的特征图的分辨率逐渐降低，特征信息也逐渐增强。所以，本发明实施例通过多层并行卷积通道得到的特征图即包含了高分辨率的位置信息，又包含了低分辨率的特征信息，更有利于后续利用特征图进行目标物检测，提高目标物检测模型的精确度。
所述损失函数构建模块104，用于根据所述检测结果和所述标准训练图像构建目标损失函数。
本发明实施例中，所述目标损失函数包括：中心点损失函数、尺寸损失函数及边界损失函数。
详细地，所述目标损失函数为：
Figure 970211DEST_PATH_IMAGE044
Figure 424326DEST_PATH_IMAGE045
Figure 202926DEST_PATH_IMAGE046
Figure 8071DEST_PATH_IMAGE047
其中，
Figure 34714DEST_PATH_IMAGE033
为中心点损失函数，
Figure 546597DEST_PATH_IMAGE048
为尺寸损失函数，
Figure 496099DEST_PATH_IMAGE049
为边界损失函数，
Figure 257381DEST_PATH_IMAGE050
为目标物的类别的数量，
Figure 583321DEST_PATH_IMAGE052
为所述标准训练图像的长度，
Figure 12028DEST_PATH_IMAGE053
为所述标准训练图像的宽度，
Figure 132431DEST_PATH_IMAGE043
为所述标准训练图像的数量，
Figure 348386DEST_PATH_IMAGE054
、
Figure 212437DEST_PATH_IMAGE055
为预设常数，
Figure 230071DEST_PATH_IMAGE056
为预测中心点信息，
Figure 786955DEST_PATH_IMAGE057
为标准中心点信息，
Figure 522830DEST_PATH_IMAGE058
为预测尺寸信息，
Figure 924992DEST_PATH_IMAGE059
为标准尺寸信息，
Figure 328292DEST_PATH_IMAGE060
为预测边界信息，
Figure 554611DEST_PATH_IMAGE061
为标准边界信息。
详细地，在计算中心点损失函数的函数值时，
若所述预测中心点信息与所述标准中心点信息一致（即，
Figure 512203DEST_PATH_IMAGE062
），则
Figure 983636DEST_PATH_IMAGE033
为：
Figure 179125DEST_PATH_IMAGE063
若所述预测中心点信息与所述标准中心点信息不一致（即
Figure 812231DEST_PATH_IMAGE064
），则
Figure 788278DEST_PATH_IMAGE033
为：
Figure 797822DEST_PATH_IMAGE034
本发明实施例利用中心点损失函数、尺寸损失函数及边界损失函数组合为目标损失函数，同时利用目标物的中心点位置，尺寸大小及边界位置的三种损失值，利用三种损失值对目标物检测模型的参数进行更新，有利于提高目标物检测模型的精度。
所述模型优化模块105，用于计算所述目标损失函数的损失值，根据所述损失值对所述目标物检测模型进行优化，得到标准目标物检测模型。
所述模型优化模块105具体用于：
计算所述目标损失函数的损失值；
当所述目标损失函数的损失值大于预设的损失阈值，则利用优化算法对所述目标物检测模型的参数进行优化；
当所述目标损失函数的损失值小于或等于所述损失阈值，得到标准目标物检测模型。
本发明实施例中，当所述目标损失函数的损失值大于预设的损失阈值，使用Adam优化算法对目标物检测模型的参数进行优化，Adam优化算法可自适应调节目标物检测模型训练过程中的学习率，使得目标物检测模型更加精确，提升目标物检测模型的性能。
所述标准检测模块106，用于获取待检测目标物图像，利用所述标准目标物检测模型对所述待检测目标物图像进行图像检测，得到标准检测结果。
本发明实施例中，所述待检测目标物图像包括生物体组织的医学图像。所述待检测病灶图像可由用户通过用户端程序进行上传，当获取到待检测病灶图像后，将所述待检测病灶图像输入至标准病灶检测模型进行病灶检测，得到标准检测结果。
本发明实施例通过对训练图像进行降噪处理，提高训练图像的质量，进而提高利用训练图像训练得到的目标物检测模型的精确性；通过构建目标损失函数分别计算目标物检测模型对目标物输出的预测中心点信息、预测尺寸信息及预测边界信息的三种损失值，利用三种损失值对目标物检测模型的参数进行更新，提高了目标物检测模型输出的目标物的大小、尺寸及位置的精确性；获取待检测目标物图像，利用标准目标物检测模型对待检测目标物图像进行图像检测，无需人工进行图像分析，提高了图像中目标物的检测效率。因此本发明提出的图像中目标物的检测装置，可以提高图像中目标物的检测的效率及准确度。
如图5所示，是本发明实现图像中目标物的检测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如图像中目标物的检测程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如图像中目标物的检测程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如执行图像中目标物的检测程序等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的图像中目标物的检测程序12是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
获取训练图像，对所述训练图像进行降噪处理，得到标准训练图像，其中，所述训练图像包括目标物的标准中心点信息、标准尺寸信息及标准边界信息；
构建目标物检测模型；
利用所述目标物检测模型对所述标准训练图像进行目标物检测，得到检测结果，其中，所述检测结果包括目标物的预测中心点信息、预测尺寸信息及预测边界信息；
根据所述检测结果和所述标准训练图像构建目标损失函数；
计算所述目标损失函数的损失值，根据所述损失值对所述目标物检测模型进行优化，得到标准目标物检测模型；
获取待检测目标物图像，利用所述标准目标物检测模型对所述待检测目标物图像进行图像检测，得到标准检测结果。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种图像中目标物的检测方法，其特征在于，所述方法包括：
获取训练图像，对所述训练图像进行降噪处理，得到标准训练图像，其中，所述训练图像包括目标物的标准中心点信息、标准尺寸信息及标准边界信息；
构建目标物检测模型；
利用所述目标物检测模型对所述标准训练图像进行目标物检测，得到检测结果，其中，所述检测结果包括目标物的预测中心点信息、预测尺寸信息及预测边界信息；
根据所述检测结果和所述标准训练图像构建目标损失函数；
计算所述目标损失函数的损失值，根据所述损失值对所述目标物检测模型进行优化，得到标准目标物检测模型；
获取待检测目标物图像，利用所述标准目标物检测模型对所述待检测目标物图像进行图像检测，得到标准检测结果。
2.如权利要求1所述的图像中目标物的检测方法，其特征在于，所述目标物检测模型包括多个不同分辨率的并行卷积通道。
3.如权利要求2所述的图像中目标物的检测方法，其特征在于，所述利用所述目标物检测模型对所述标准训练图像进行目标物检测，得到检测结果，包括：
获取在前向并行卷积通道中基于所述标准训练图像集进行卷积得到的前向特征图；
在后向并行卷积通道中对所述前向特征图及所述前向特征图的下采样图像进行卷积，获得后向特征图；
对获得的前向特征图和后向特征图进行特征融合，得到融合特征图；
利用图像分割算法对所述融合特征图进行图像分割，得到所述检测结果。
4.如权利要求1所述的图像中目标物的检测方法，其特征在于，所述目标损失函数包括：中心点损失函数、尺寸损失函数及边界损失函数。
5.如权利要求1所述的图像中目标物的检测方法，其特征在于，所述待检测目标物图像包括生物体组织的医学图像。
6.如权利要求1至5中任一项所述的图像中目标物的检测方法，其特征在于，所述对所述训练图像进行降噪处理，得到标准训练图像，包括：
计算所述训练图像中所有像素点的像素均值；
将所述训练图像中所有大于或等于所述像素均值的像素点的像素值置为第一数值，将所述训练图像中所有大于或等于所述像素均值的像素点的像素值置为第二数值，得到归一化图像；
随机获取所述归一化图像中目标像素点，计算所述目标像素点的预设邻域内的像素均值；
将所述目标像素点的像素值利用所述像素均值进行替换，得到均值图像；
删除所述均值图像中所有像素值为第二数值的像素点，得到标准训练图像。
7.如权利要求6所述的图像中目标物的检测方法，其特征在于，所述计算所述目标像素点的预设邻域内的像素均值，包括：
利用如下均值计算公式计算所述预设邻域内的像素均值：
Figure 70587DEST_PATH_IMAGE001
其中，
Figure 822643DEST_PATH_IMAGE002
为预设邻域内的像素点
Figure 176264DEST_PATH_IMAGE003
；
Figure 631514DEST_PATH_IMAGE004
为所述像素均值，
Figure 768097DEST_PATH_IMAGE005
为预设邻域；
Figure 640238DEST_PATH_IMAGE006
为预设邻域内像素点的坐标；
Figure 368023DEST_PATH_IMAGE007
为均值处理运算，
Figure DEST_PATH_IMAGE009
为预设邻域内像素点的数量。
8.一种图像中目标物的检测装置，其特征在于，所述装置包括：
图像降噪模块，用于获取训练图像，对所述训练图像进行降噪处理，得到标准训练图像，其中，所述训练图像包括目标物的标准中心点信息、标准尺寸信息及标准边界信息；
模型构建模块，用于构建目标物检测模型；
目标物检测模块，用于利用所述目标物检测模型对所述标准训练图像进行目标物检测，得到检测结果，其中，所述检测结果包括目标物的预测中心点信息、预测尺寸信息及预测边界信息；
损失函数构建模块，用于根据所述检测结果和所述标准训练图像构建目标损失函数；
模型优化模块，用于计算所述目标损失函数的损失值，根据所述损失值对所述目标物检测模型进行优化，得到标准目标物检测模型；
标准检测模块，用于获取待检测目标物图像，利用所述标准目标物检测模型对所述待检测目标物图像进行图像检测，得到标准检测结果。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的图像中目标物的检测方法。
10.一种计算机可读存储介质，包括存储数据区和存储程序区，其特征在于，所述存储数据区存储创建的数据，所述存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的图像中目标物的检测方法。
CN202011023942.3A 2020-09-25 2020-09-25 图像中目标物的检测方法、装置、电子设备及存储介质 Active CN111932482B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011023942.3A CN111932482B (zh) 2020-09-25 2020-09-25 图像中目标物的检测方法、装置、电子设备及存储介质
PCT/CN2020/131992 WO2021189912A1 (zh) 2020-09-25 2020-11-27 图像中目标物的检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011023942.3A CN111932482B (zh) 2020-09-25 2020-09-25 图像中目标物的检测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111932482A true CN111932482A (zh) 2020-11-13
CN111932482B CN111932482B (zh) 2021-05-18

Family

ID=73334774

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011023942.3A Active CN111932482B (zh) 2020-09-25 2020-09-25 图像中目标物的检测方法、装置、电子设备及存储介质

Country Status (2)

Country Link
CN (1) CN111932482B (zh)
WO (1) WO2021189912A1 (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112465060A (zh) * 2020-12-10 2021-03-09 平安科技（深圳）有限公司 图像中目标物检测方法、装置、电子设备及可读存储介质
CN112581522A (zh) * 2020-11-30 2021-03-30 平安科技（深圳）有限公司 图像中目标物位置检测方法、装置、电子设备及存储介质
CN113160144A (zh) * 2021-03-25 2021-07-23 平安科技（深圳）有限公司 目标物检测方法、装置、电子设备及存储介质
CN113159147A (zh) * 2021-04-08 2021-07-23 平安科技（深圳）有限公司 基于神经网络的图像识别方法、装置、电子设备
CN113222890A (zh) * 2021-03-30 2021-08-06 平安科技（深圳）有限公司 小目标物检测方法、装置、电子设备及存储介质
WO2021189912A1 (zh) * 2020-09-25 2021-09-30 平安科技（深圳）有限公司 图像中目标物的检测方法、装置、电子设备及存储介质
CN113537070A (zh) * 2021-07-19 2021-10-22 中国第一汽车股份有限公司 一种检测方法、装置、电子设备及存储介质
CN113780291A (zh) * 2021-08-25 2021-12-10 北京达佳互联信息技术有限公司 一种图像处理方法、装置、电子设备及存储介质
CN115984269A (zh) * 2023-03-20 2023-04-18 湖南长理尚洋科技有限公司 一种非侵入式局部水生态安全检测方法与系统

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113610069B (zh) * 2021-10-11 2022-02-08 北京文安智能技术股份有限公司 基于知识蒸馏的目标检测模型训练方法
CN114119408A (zh) * 2021-11-24 2022-03-01 奥比中光科技集团股份有限公司 一种基于猫眼摄像头的快递检测方法、装置及猫眼摄像头
CN114241411B (zh) * 2021-12-15 2024-04-09 平安科技（深圳）有限公司 基于目标检测的计数模型处理方法、装置及计算机设备
CN114299053B (zh) * 2021-12-31 2024-08-09 陕西科技大学 一种并行多分辨率编解码网络模型及医学图像分割方法
CN114821170A (zh) * 2022-04-26 2022-07-29 中国农业银行股份有限公司 一种图像检测的方法和相关装置
CN114758249B (zh) * 2022-06-14 2022-09-02 深圳市优威视讯科技股份有限公司 基于野外夜间环境的目标物监测方法、装置、设备及介质
CN114972303B (zh) * 2022-06-16 2024-07-23 平安科技（深圳）有限公司 图像获取方法、装置、电子设备及存储介质
CN115690853B (zh) * 2022-12-30 2023-04-28 广州蚁窝智能科技有限公司 手势识别方法及电动卫生罩启闭控制系统
CN118155028B (zh) * 2024-05-13 2024-07-23 中车工业研究院(青岛)有限公司 缓解阀拉杆脱落故障检测方法、装置、电子设备及介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107665736A (zh) * 2017-09-30 2018-02-06 百度在线网络技术（北京）有限公司 用于生成信息的方法和装置
US10304193B1 (en) * 2018-08-17 2019-05-28 12 Sigma Technologies Image segmentation and object detection using fully convolutional neural network
CN110599451A (zh) * 2019-08-05 2019-12-20 平安科技（深圳）有限公司 医学图像病灶检测定位方法、装置、设备及存储介质
CN110674866A (zh) * 2019-09-23 2020-01-10 兰州理工大学 迁移学习特征金字塔网络对X-ray乳腺病灶图像检测方法
CN110705555A (zh) * 2019-09-17 2020-01-17 中山大学 基于fcn的腹部多器官核磁共振图像分割方法、系统及介质
CN110880177A (zh) * 2019-11-26 2020-03-13 北京推想科技有限公司 一种图像识别方法及装置
CN110942446A (zh) * 2019-10-17 2020-03-31 付冲 一种基于ct影像的肺结节自动检测方法
CN111402226A (zh) * 2020-03-13 2020-07-10 浙江工业大学 一种基于级联卷积神经网络的表面疵点检测方法
CN111597933A (zh) * 2020-04-30 2020-08-28 北京的卢深视科技有限公司 人脸识别方法和装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109003260B (zh) * 2018-06-28 2021-02-09 深圳视见医疗科技有限公司 Ct图像肺结节检测方法、装置、设备及可读存储介质
CN111932482B (zh) * 2020-09-25 2021-05-18 平安科技（深圳）有限公司 图像中目标物的检测方法、装置、电子设备及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107665736A (zh) * 2017-09-30 2018-02-06 百度在线网络技术（北京）有限公司 用于生成信息的方法和装置
US10304193B1 (en) * 2018-08-17 2019-05-28 12 Sigma Technologies Image segmentation and object detection using fully convolutional neural network
CN110599451A (zh) * 2019-08-05 2019-12-20 平安科技（深圳）有限公司 医学图像病灶检测定位方法、装置、设备及存储介质
CN110705555A (zh) * 2019-09-17 2020-01-17 中山大学 基于fcn的腹部多器官核磁共振图像分割方法、系统及介质
CN110674866A (zh) * 2019-09-23 2020-01-10 兰州理工大学 迁移学习特征金字塔网络对X-ray乳腺病灶图像检测方法
CN110942446A (zh) * 2019-10-17 2020-03-31 付冲 一种基于ct影像的肺结节自动检测方法
CN110880177A (zh) * 2019-11-26 2020-03-13 北京推想科技有限公司 一种图像识别方法及装置
CN111402226A (zh) * 2020-03-13 2020-07-10 浙江工业大学 一种基于级联卷积神经网络的表面疵点检测方法
CN111597933A (zh) * 2020-04-30 2020-08-28 北京的卢深视科技有限公司 人脸识别方法和装置

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021189912A1 (zh) * 2020-09-25 2021-09-30 平安科技（深圳）有限公司 图像中目标物的检测方法、装置、电子设备及存储介质
CN112581522A (zh) * 2020-11-30 2021-03-30 平安科技（深圳）有限公司 图像中目标物位置检测方法、装置、电子设备及存储介质
CN112581522B (zh) * 2020-11-30 2024-05-07 平安科技（深圳）有限公司 图像中目标物位置检测方法、装置、电子设备及存储介质
CN112465060A (zh) * 2020-12-10 2021-03-09 平安科技（深圳）有限公司 图像中目标物检测方法、装置、电子设备及可读存储介质
WO2022121156A1 (zh) * 2020-12-10 2022-06-16 平安科技（深圳）有限公司 图像中目标物检测方法、装置、电子设备及可读存储介质
CN113160144A (zh) * 2021-03-25 2021-07-23 平安科技（深圳）有限公司 目标物检测方法、装置、电子设备及存储介质
CN113160144B (zh) * 2021-03-25 2023-05-26 平安科技（深圳）有限公司 目标物检测方法、装置、电子设备及存储介质
CN113222890B (zh) * 2021-03-30 2023-09-15 平安科技（深圳）有限公司 小目标物检测方法、装置、电子设备及存储介质
CN113222890A (zh) * 2021-03-30 2021-08-06 平安科技（深圳）有限公司 小目标物检测方法、装置、电子设备及存储介质
CN113159147A (zh) * 2021-04-08 2021-07-23 平安科技（深圳）有限公司 基于神经网络的图像识别方法、装置、电子设备
CN113159147B (zh) * 2021-04-08 2023-09-26 平安科技（深圳）有限公司 基于神经网络的图像识别方法、装置、电子设备
CN113537070A (zh) * 2021-07-19 2021-10-22 中国第一汽车股份有限公司 一种检测方法、装置、电子设备及存储介质
CN113780291A (zh) * 2021-08-25 2021-12-10 北京达佳互联信息技术有限公司 一种图像处理方法、装置、电子设备及存储介质
CN115984269B (zh) * 2023-03-20 2023-07-14 湖南长理尚洋科技有限公司 一种非侵入式局部水生态安全检测方法与系统
CN115984269A (zh) * 2023-03-20 2023-04-18 湖南长理尚洋科技有限公司 一种非侵入式局部水生态安全检测方法与系统

Also Published As

Publication number Publication date
WO2021189912A1 (zh) 2021-09-30
CN111932482B (zh) 2021-05-18

Similar Documents

Publication Publication Date Title
CN111932482B (zh) 图像中目标物的检测方法、装置、电子设备及存储介质
CN112465060A (zh) 图像中目标物检测方法、装置、电子设备及可读存储介质
CN111652845B (zh) 异常细胞自动标注方法、装置、电子设备及存储介质
CN111915609B (zh) 病灶检测分析方法、装置、电子设备及计算机存储介质
CN111932562B (zh) 基于ct序列的图像识别方法、装置、电子设备及介质
CN111932547B (zh) 图像中目标物的分割方法、装置、电子设备及存储介质
WO2021189827A1 (zh) 识别模糊图像的方法、装置、设备及计算机可读存储介质
CN111933274B (zh) 疾病分类诊断方法、装置、电子设备及存储介质
CN111476760B (zh) 医学图像的生成方法、装置、电子设备及介质
CN111932534A (zh) 医学影像图片分析方法、装置、电子设备及可读存储介质
CN111862096A (zh) 图像分割方法、装置、电子设备及存储介质
CN113487621B (zh) 医学图像分级方法、装置、电子设备及可读存储介质
CN111932595A (zh) 图像配准方法、装置、电子设备及存储介质
CN113065609B (zh) 图像分类方法、装置、电子设备及可读存储介质
WO2021189914A1 (zh) 电子设备、医学图像指标生成方法、装置及存储介质
CN111681738A (zh) 基于病理切片扫描和分析一体化方法、装置、设备及介质
WO2021097595A1 (zh) 图像的病变区域分割方法、装置及服务器
CN112966687B (zh) 图像分割模型训练方法、装置及通信设备
CN111915615B (zh) 图像分割方法、装置、电子设备及计算机可读存储介质
CN111932563B (zh) 图片区域分割方法、装置、电子设备及存储介质
CN113140292A (zh) 图像异常区域浏览方法、装置、移动端设备及存储介质
CN112101481A (zh) 目标物的影响因子筛选方法、装置、设备及存储介质
CN115294426B (zh) 介入医学设备的跟踪方法、装置、设备及存储介质
CN113705686B (zh) 图像分类方法、装置、电子设备及可读存储介质
CN113284047A (zh) 基于多重特征的目标物分割方法、装置、设备及存储介质

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
GR01 Patent grant
GR01 Patent grant