CN112183674B - 一种粪便宏观图像颜色和性状多任务识别方法及系统 - Google Patents
一种粪便宏观图像颜色和性状多任务识别方法及系统 Download PDFInfo
- Publication number
- CN112183674B CN112183674B CN202011229689.7A CN202011229689A CN112183674B CN 112183674 B CN112183674 B CN 112183674B CN 202011229689 A CN202011229689 A CN 202011229689A CN 112183674 B CN112183674 B CN 112183674B
- Authority
- CN
- China
- Prior art keywords
- training
- neural network
- convolutional neural
- color
- images
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
Abstract
本发明公开一种粪便宏观图像颜色和性状多任务识别方法及系统,涉及图像处理技术领域,方法包括:获取训练数据集;所述训练数据集包括采集的粪便图像、对所述粪便图像进行镜像增广后得到的镜像图像、各所述粪便图像对应的颜色类别和性状类别以及各所述镜像图像对应的颜色类别和性状类别;获取卷积神经网络;利用所述训练数据集对所述卷积神经网络进行训练和优化,得到训练和优化后的卷积神经网络;获取待预测粪便图像;将所述待预测粪便图像输入所述训练和优化后的卷积神经网络中,确定粪便的颜色类别和性状类别。本发明公开的粪便宏观图像颜色和性状多任务识别方法及系统,能够同时实现粪便颜色和性状的自动识别,显著提高识别效率。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种粪便宏观图像颜色和性状多任务识别方法及系统。
背景技术
现如今,医院大多仍然采用人工方式对采集的粪便的颜色和性状直接进行识别,然而人工方式不仅要求识别人员具有一定的专业知识,而且导致了沉重的人工工作负荷,还增加了传染疾病的风险。虽然目前有采用网络模型对采集的粪便宏观图像进行颜色和性状识别以克服人工识别缺陷的方法,但是在传统的粪便宏观图像颜色和性状识别方法中,必须使用两个单独的网络模型分别完成颜色识别任务和性状识别任务,无法同时实现粪便颜色和性状的识别,识别效率低,识别正确率也不高。
发明内容
本发明的目的是提供一种粪便宏观图像颜色和性状多任务识别方法及系统,能够同时实现粪便颜色和性状的自动识别,显著提高识别效率。
为实现上述目的,本发明提供了如下方案:
一种粪便宏观图像颜色和性状多任务识别方法,所述方法包括:
获取训练数据集;所述训练数据集包括采集的粪便图像、对所述粪便图像进行镜像增广后得到的镜像图像、各所述粪便图像对应的颜色类别和性状类别以及各所述镜像图像对应的颜色类别和性状类别;
获取卷积神经网络;
利用所述训练数据集对所述卷积神经网络进行训练和优化,得到训练和优化后的卷积神经网络;
获取待预测粪便图像;
将所述待预测粪便图像输入所述训练和优化后的卷积神经网络中,确定粪便的颜色类别和性状类别。
可选地,所述卷积神经网络具体包括三层卷积层、一层全连接层、三个颜色识别的神经元和三个性状识别的神经元。
可选地,所述卷积神经网络的损失函数设置为l=w1l1+w2l2;其中,l表示所述卷积神经网络的总损失,l1表示所述卷积神经网络的颜色识别损失,l2表示所述卷积神经网络的性状识别损失,w1表示颜色识别损失权重,w2表示性状识别损失权重,w1+w2=1。
可选地,所述利用所述训练数据集对所述卷积神经网络进行训练和优化,具体包括:
确定训练时的最大迭代次数;
将所述最大迭代次数代入第一拟合函数和第二拟合函数,得到第一预测值和第二预测值;
判断所述第一预测值是否大于所述第二预测值;
若是,则设置w1小于w2,得到第一损失函数,采用所述第一损失函数根据所述训练数据集对所述卷积神经网络进行训练和优化;
若否,则设置w1大于w2,得到第二损失函数,采用所述第二损失函数根据所述训练数据集对所述卷积神经网络进行训练和优化。
可选地,所述利用所述训练数据集对所述卷积神经网络进行训练和优化,之前还包括:
采用过采样方法对所述粪便图像和所述镜像图像进行处理,得到不同颜色类别和不同性状类别的训练图像;各所述类别所包含的训练图像的数量均相同;
设置w1=1,w2=0,利用所述不同颜色类别的训练图像对颜色进行单识别任务训练,记录训练过程中的各第一迭代次数和对应的各第一正确率;所述第一迭代次数为大于0且小于等于所述最大迭代次数的正整数;
设置w1=0,w2=1,利用所述不同性状类别的训练图像对性状进行单识别任务训练,记录训练过程中的各第二迭代次数和对应的各第二正确率;所述第二迭代次数为大于0且小于等于所述最大迭代次数的正整数;
将所述第一迭代次数和所述第一正确率分别作为一次函数的横坐标和纵坐标进行拟合,得到第一拟合函数;
将所述第二迭代次数和所述第二正确率分别作为一次函数的横坐标和纵坐标进行拟合,得到第二拟合函数。
本发明还提供了如下方案:
一种粪便宏观图像颜色和性状多任务识别系统,所述系统包括:
训练数据集获取模块,用于获取训练数据集;所述训练数据集包括采集的粪便图像、对所述粪便图像进行镜像增广后得到的镜像图像、各所述粪便图像对应的颜色类别和性状类别以及各所述镜像图像对应的颜色类别和性状类别;
卷积神经网络获取模块,用于获取卷积神经网络;
训练和优化模块,用于利用所述训练数据集对所述卷积神经网络进行训练和优化,得到训练和优化后的卷积神经网络;
粪便图像获取模块,用于获取待预测粪便图像;
识别模块,用于将所述待预测粪便图像输入所述训练和优化后的卷积神经网络中,确定粪便的颜色类别和性状类别。
可选地,所述卷积神经网络具体包括三层卷积层、一层全连接层、三个颜色识别的神经元和三个性状识别的神经元。
可选地,所述卷积神经网络的损失函数设置为l=w1l1+w2l2;其中,l表示所述卷积神经网络的总损失,l1表示所述卷积神经网络的颜色识别损失,l2表示所述卷积神经网络的性状识别损失,w1表示颜色识别损失权重,w2表示性状识别损失权重,w1+w2=1。
可选地,所述训练和优化模块,具体包括:
最大迭代次数确定单元,用于确定训练时的最大迭代次数;
预测值计算单元,用于将所述最大迭代次数代入第一拟合函数和第二拟合函数,得到第一预测值和第二预测值;
判断单元,用于判断所述第一预测值是否大于所述第二预测值;
第一训练和优化单元,用于当所述判断单元的输出结果为所述第一预测值大于所述第二预测值时,设置w1小于w2,得到第一损失函数,采用所述第一损失函数根据所述训练数据集对所述卷积神经网络进行训练和优化;
第二训练和优化单元,用于当所述判断单元的输出结果为所述第一预测值小于所述第二预测值时,设置w1大于w2,得到第二损失函数,采用所述第二损失函数根据所述训练数据集对所述卷积神经网络进行训练和优化。
可选地,所述系统还包括:
过采样模块,用于采用过采样方法对所述粪便图像和所述镜像图像进行处理,得到不同颜色类别和不同性状类别的训练图像;各所述类别所包含的训练图像的数量均相同;
颜色识别训练模块,用于设置w1=1,w2=0,利用所述不同颜色类别的训练图像对颜色进行单识别任务训练,记录训练过程中的各第一迭代次数和对应的各第一正确率;所述第一迭代次数为大于0且小于等于所述最大迭代次数的正整数;
性状识别训练模块,用于设置w1=0,w2=1,利用所述不同性状类别的训练图像对性状进行单识别任务训练,记录训练过程中的各第二迭代次数和对应的各第二正确率;所述第二迭代次数为大于0且小于等于所述最大迭代次数的正整数;
第一拟合模块,用于将所述第一迭代次数和所述第一正确率分别作为一次函数的横坐标和纵坐标进行拟合,得到第一拟合函数;
第二拟合模块,用于将所述第二迭代次数和所述第二正确率分别作为一次函数的横坐标和纵坐标进行拟合,得到第二拟合函数。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开的粪便宏观图像颜色和性状多任务识别方法及系统,使用一个卷积神经网络对粪便宏观图像识别,以达到快速、自动、计算复杂度低、存储量低、识别率高等目标,利用卷积神经网络加载训练的模型,将终端采集的图像输入给该模型,同时得到多种粪便特征,即颜色和性状的识别结果。相比于传统需要两个单独的网络模型分别对应颜色识别任务和性状识别任务,本发明使用单一多任务网络模型进行识别具有更少的参数、更低的时间复杂度和更高识别正确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明粪便宏观图像颜色和性状多任务识别方法实施例的流程图;
图2为本发明粪便宏观图像颜色和性状多任务识别系统实施例的结构图;
图3为本发明多任务粪便宏观颜色和性状识别方法框架图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种粪便宏观图像颜色和性状多任务识别方法及系统,能够同时实现粪便颜色和性状的自动识别,显著提高识别效率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明粪便宏观图像颜色和性状多任务识别方法实施例的流程图。图3为本发明多任务粪便宏观颜色和性状识别方法框架图。在本发明中,多任务即颜色识别任务和性状识别任务。参见图1和图3,该粪便宏观图像颜色和性状多任务识别方法包括:
步骤101:获取训练数据集;所述训练数据集包括采集的粪便图像、对所述粪便图像进行镜像增广后得到的镜像图像、各所述粪便图像对应的颜色类别和性状类别以及各所述镜像图像对应的颜色类别和性状类别。
训练网络需要一定量的样本图片,然而由于隐私性和实际病理样本数量少等原因,病变的图片难以收集,因此,合理的扩充符合真实场景的图片样本数量是非常必要的。本发明采用一种扩充图像样本的方法,该方法根据仪器设备真实成像的特点,将图像水平镜像,扩充数据集;将数据集的图像,即自主收集的粪便样本图片进行镜像,扩充数据集。不能采取其他方式的主要原因是图像样本的位置信息是固定的,均为试管口垂直地面向上,并且图像摄取器械也是固定的,因此在实际操作环境下图片的质量较为固定,采取其他方式(例如加噪声、旋转等)所扩充的图像不符合真实环境下图像样本的特点。将数据集按照6:4的比例随机划分,分成训练集和测试集,用于网络的训练和优化。
步骤102:获取卷积神经网络。
该步骤102中,所述卷积神经网络具体包括三层卷积层、一层全连接层、与全连接层连接的三个颜色识别的神经元和三个性状识别的神经元。该网络结构参见图3,使用该网络对性状和颜色进行单识别任务训练。颜色和性状均分为三个类别。所述卷积神经网络的损失函数设置为l=w1l1+w2l2;其中,l表示所述卷积神经网络的总损失,l1表示所述卷积神经网络的颜色识别损失,l2表示所述卷积神经网络的性状识别损失,w1表示颜色识别损失权重,w2表示性状识别损失权重,w1+w2=1。当确认该网络针对粪便颜色分类的难度时,设置w1为1,w2为0。当确认该网络针对粪便性状分类的难度时,设置w1为0,w2为1。
步骤103:利用所述训练数据集对所述卷积神经网络进行训练和优化,得到训练和优化后的卷积神经网络。
该步骤103具体包括:
确定训练时的最大迭代次数。所述最大迭代次数为500。
将所述最大迭代次数代入第一拟合函数和第二拟合函数,得到第一预测值和第二预测值。
判断所述第一预测值是否大于所述第二预测值。
若是,则设置w1小于w2,得到第一损失函数,采用所述第一损失函数根据所述训练数据集对所述卷积神经网络进行训练和优化。
若否,则设置w1大于w2,得到第二损失函数,采用所述第二损失函数根据所述训练数据集对所述卷积神经网络进行训练和优化。
该步骤103之前还包括:
采用过采样方法对所述粪便图像和所述镜像图像进行处理,得到不同颜色类别和不同性状类别的训练图像;各所述类别所包含的训练图像的数量均相同。由于在训练过程中,为了避免每个训练批次中不同类别的颜色和性状的样本数量不均衡,因此使用基于概率的过量采样方法,保证不同类别的颜色和性状的样本数量是相同的。每个训练批次包含n个图像,总共为m类,那么每一类应含有n/m个图像,向下取整。每个类别均需要采样到这个数量的图像,可以过量的重复采样。
设置w1=1,w2=0,利用所述不同颜色类别的训练图像对颜色进行单识别任务训练,记录训练过程中的各第一迭代次数和对应的各第一正确率;所述第一迭代次数为大于0且小于等于所述最大迭代次数的正整数。
设置w1=0,w2=1,利用所述不同性状类别的训练图像对性状进行单识别任务训练,记录训练过程中的各第二迭代次数和对应的各第二正确率;所述第二迭代次数为大于0且小于等于所述最大迭代次数的正整数。
将所述第一迭代次数和所述第一正确率分别作为一次函数的横坐标和纵坐标进行拟合,得到第一拟合函数。
将所述第二迭代次数和所述第二正确率分别作为一次函数的横坐标和纵坐标进行拟合,得到第二拟合函数。
每个任务的迭代次数在训练时是固定且相同的,因此本发明中,两项任务的最大迭代次数均设置为500。由于要控制变量,因此必须在相同迭代次数内,观测哪项任务更难或更简单。
本发明将多任务识别网络,即训练和优化后的卷积神经网络的损失分成两个部分,分别为颜色分类的损失和性状分类的损失,损失的权重不同会导致不同的结果,为了找到较优的权重选择,本发明采用一种权重选择方法,该权重选择方法对不同任务的难度给予不同任务合适的权重,设定损失函数中不同任务损失函数的权重。这种基于任务难度确认权重的方法,具体包括:
先采用单任务网络进行识别训练,这里包括颜色和性状两个分类的网络。
使用单任务训练的迭代次数和对应的正确率数据分别作为一次函数y=kx+b的横坐标x和纵坐标y的观测值进行拟合,并将一次拟合函数y=kx+b的纵坐标y值作为预测值。由于无需完全拟合这个过程,而是给出一个大概的难易程度的判断,所以拟合函数越简单,参数越少,越容易判断各个参数之间的关系,因此采用一次函数y=kx+b。
将预测值进行对比,预测值高的任务,可认为难度相对较低,则赋予相对较小的权重。反之,预测值低的任务,可认为难度相对较高,则赋予相对较大的权重。
通过将训练集训练过程的迭代次数和正确率传给任务参数函数y=kx+b进行拟合,在拟合过程中,x表示迭代的次数,y表示正确率,并根据最小二乘法将k和b的具体数值求出,将训练时设置的最大迭代次数t作为输入,分别代入不同任务的拟合函数,即可求得不同任务的预测值,对预测值进行对比,预测值高的,难度相对较低,则权重设置相对较小,反之亦然。如果是两个任务,则难度相对较低的任务设置权重为0.4,难度相对较高的任务设置权重为0.6,该权重分配可以灵活分配,但权重总和应为1。在本次颜色和性状识别两个任务中,任务难度较低的为性状分类,任务难度较高的为颜色分类,即性状分类对应损失函数权重为0.4,颜色分类损失函数权重为0.6。按照确定的权重,将网络结构最后的损失进行固定。同时训练颜色识别和性状识别两个任务,将每个图片同时标记颜色和性状两项任务所对应的分类标签,根据预测出来的标签和真实标签的差距,对模型的参数进行迭代更改,最后得到粪便宏观多任务识别模型。
上述基于任务难度确认权重的方法,将权重值固定,任务难度低的,权重低一些,例如0.4,任务难度高的,权重高一些,例如0.6。该基于任务难度确认权重的方法不仅可用于本发明,也可经过简单更改用于其他模式识别应用领域的多任务分类中,以提高识别率。
步骤104:获取待预测粪便图像。
步骤105:将所述待预测粪便图像输入所述训练和优化后的卷积神经网络中,确定粪便的颜色类别和性状类别。
本发明公开的粪便宏观图像颜色和性状多任务识别方法,使用多任务神经网络对粪便宏观图像识别,以达到快速、自动、计算复杂度低、存储量低、识别率高等目标。首先由于样本数量稀缺,为了保证样本图像具有真实性,将图像进行镜像增广。然而增广后的图像数量仍不能解决不同类别的样本数量不均衡问题,因此后续在训练策略中提出基于概率的过量采样方法,以保证每一批次的训练中不同类别图像数量的均衡。为了确定多任务的权重,提出基于任务难度权重分配方法,使用单任务训练的迭代次数和对应的正确率数据分别作为一次函数的横坐标x和纵坐标y的观测值,进行拟合,并将一次拟合函数的纵坐标y值作为预测值。根据其预测值的大小,判断任务难度,即一次拟合函数的预测值越高,此任务难度相对较低,则权重设置相对较小,反之亦然。最后将权重设定为多任务神经网络多个任务损失函数的权重,进行多任务识别的训练。
图2为本发明粪便宏观图像颜色和性状多任务识别系统实施例的结构图。参见图2,该粪便宏观图像颜色和性状多任务识别系统包括:
训练数据集获取模块201,用于获取训练数据集;所述训练数据集包括采集的粪便图像、对所述粪便图像进行镜像增广后得到的镜像图像、各所述粪便图像对应的颜色类别和性状类别以及各所述镜像图像对应的颜色类别和性状类别。
卷积神经网络获取模块202,用于获取卷积神经网络。
该卷积神经网络获取模块202中,所述卷积神经网络具体包括三层卷积层、一层全连接层、三个颜色识别的神经元和三个性状识别的神经元。所述卷积神经网络的损失函数设置为l=w1l1+w2l2;其中,l表示所述卷积神经网络的总损失,l1表示所述卷积神经网络的颜色识别损失,l2表示所述卷积神经网络的性状识别损失,w1表示颜色识别损失权重,w2表示性状识别损失权重,w1+w2=1。
训练和优化模块203,用于利用所述训练数据集对所述卷积神经网络进行训练和优化,得到训练和优化后的卷积神经网络。
该训练和优化模块203具体包括:
最大迭代次数确定单元,用于确定训练时的最大迭代次数。
预测值计算单元,用于将所述最大迭代次数代入第一拟合函数和第二拟合函数,得到第一预测值和第二预测值。
判断单元,用于判断所述第一预测值是否大于所述第二预测值。
第一训练和优化单元,用于当所述判断单元的输出结果为所述第一预测值大于所述第二预测值时,设置w1小于w2,得到第一损失函数,采用所述第一损失函数根据所述训练数据集对所述卷积神经网络进行训练和优化。
第二训练和优化单元,用于当所述判断单元的输出结果为所述第一预测值小于所述第二预测值时,设置w1大于w2,得到第二损失函数,采用所述第二损失函数根据所述训练数据集对所述卷积神经网络进行训练和优化。
粪便图像获取模块204,用于获取待预测粪便图像。
识别模块205,用于将所述待预测粪便图像输入所述训练和优化后的卷积神经网络中,确定粪便的颜色类别和性状类别。
该粪便宏观图像颜色和性状多任务识别系统还包括:
过采样模块,用于采用过采样方法对所述粪便图像和所述镜像图像进行处理,得到不同颜色类别和不同性状类别的训练图像;各所述类别所包含的训练图像的数量均相同。
颜色识别训练模块,用于设置w1=1,w2=0,利用所述不同颜色类别的训练图像对颜色进行单识别任务训练,记录训练过程中的各第一迭代次数和对应的各第一正确率;所述第一迭代次数为大于0且小于等于所述最大迭代次数的正整数。
性状识别训练模块,用于设置w1=0,w2=1,利用所述不同性状类别的训练图像对性状进行单识别任务训练,记录训练过程中的各第二迭代次数和对应的各第二正确率;所述第二迭代次数为大于0且小于等于所述最大迭代次数的正整数。
第一拟合模块,用于将所述第一迭代次数和所述第一正确率分别作为一次函数的横坐标和纵坐标进行拟合,得到第一拟合函数。
第二拟合模块,用于将所述第二迭代次数和所述第二正确率分别作为一次函数的横坐标和纵坐标进行拟合,得到第二拟合函数。
本发明公开的粪便宏观图像颜色和性状多任务识别方法及系统,基于多任务的识别网络,基于粪便宏观图像进行颜色和性状的多任务识别,可用于粪便宏观图像的表状识别。本发明考虑到需要嵌入低成本的监测设备对粪便宏观图像进行采集,必须设计轻量化的算法,训练轻量的网络模型,利用所述的多任务识别网络加载训练的模型,将终端采集的图片输入给该模型,同时得到多种粪便特征识别结果(包括颜色和性状),以实现多任务的粪便多特征(包括颜色和性状)识别。相比于传统需要两个单独的网络模型分别完成颜色识别任务和性状识别任务,本发明使用单一多任务网络模型进行识别,具有更少的参数、更轻量化的结构、更低的时间复杂度、更高识别正确率等优点。本发明不仅实现了颜色和性状识别的两个单任务,而且由于两个任务共同训练共享结构的网络,多任务识别和两个单任务识别相比,没有明显增加计算开销和空间存储量,并且多任务识别达到了比两个单任务识别单独执行时更高的识别正确率。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种粪便宏观图像颜色和性状多任务识别方法,其特征在于,所述方法包括:
获取训练数据集;所述训练数据集包括采集的粪便图像、对所述粪便图像进行镜像增广后得到的镜像图像、各所述粪便图像对应的颜色类别和性状类别以及各所述镜像图像对应的颜色类别和性状类别;
获取卷积神经网络;所述卷积神经网络的损失函数设置为l= w 1 l 1+ w 2 l 2;其中,l表示所述卷积神经网络的总损失,l 1表示所述卷积神经网络的颜色识别损失,l 2表示所述卷积神经网络的性状识别损失,w 1表示颜色识别损失权重,w 2表示性状识别损失权重,w 1+w 2=1;
利用所述训练数据集对所述卷积神经网络进行训练和优化,得到训练和优化后的卷积神经网络;
获取待预测粪便图像;
将所述待预测粪便图像输入所述训练和优化后的卷积神经网络中,确定粪便的颜色类别和性状类别;
所述利用所述训练数据集对所述卷积神经网络进行训练和优化,具体包括:
确定训练时的最大迭代次数;
将所述最大迭代次数代入第一拟合函数和第二拟合函数,得到第一预测值和第二预测值;
判断所述第一预测值是否大于所述第二预测值;
若是,则设置w 1小于w 2,得到第一损失函数,采用所述第一损失函数根据所述训练数据集对所述卷积神经网络进行训练和优化;
若否,则设置w 1大于w 2,得到第二损失函数,采用所述第二损失函数根据所述训练数据集对所述卷积神经网络进行训练和优化。
2.根据权利要求1所述的粪便宏观图像颜色和性状多任务识别方法,其特征在于,所述卷积神经网络具体包括三层卷积层、一层全连接层、三个颜色识别的神经元和三个性状识别的神经元。
3.根据权利要求1所述的粪便宏观图像颜色和性状多任务识别方法,其特征在于,所述利用所述训练数据集对所述卷积神经网络进行训练和优化,之前还包括:
采用过采样方法对所述粪便图像和所述镜像图像进行处理,得到不同颜色类别和不同性状类别的训练图像;各所述类别所包含的训练图像的数量均相同;
设置w 1=1,w 2=0,利用所述不同颜色类别的训练图像对颜色进行单识别任务训练,记录训练过程中的各第一迭代次数和对应的各第一正确率;所述第一迭代次数为大于0且小于等于所述最大迭代次数的正整数;
设置w 1=0,w 2=1,利用所述不同性状类别的训练图像对性状进行单识别任务训练,记录训练过程中的各第二迭代次数和对应的各第二正确率;所述第二迭代次数为大于0且小于等于所述最大迭代次数的正整数;
将所述第一迭代次数和所述第一正确率分别作为一次函数的横坐标和纵坐标进行拟合,得到第一拟合函数;
将所述第二迭代次数和所述第二正确率分别作为一次函数的横坐标和纵坐标进行拟合,得到第二拟合函数。
4.一种粪便宏观图像颜色和性状多任务识别系统,其特征在于,所述系统包括:
训练数据集获取模块,用于获取训练数据集;所述训练数据集包括采集的粪便图像、对所述粪便图像进行镜像增广后得到的镜像图像、各所述粪便图像对应的颜色类别和性状类别以及各所述镜像图像对应的颜色类别和性状类别;
卷积神经网络获取模块,用于获取卷积神经网络;所述卷积神经网络的损失函数设置为l= w 1 l 1+ w 2 l 2;其中,l表示所述卷积神经网络的总损失,l 1表示所述卷积神经网络的颜色识别损失,l 2表示所述卷积神经网络的性状识别损失,w 1表示颜色识别损失权重,w 2表示性状识别损失权重,w 1+w 2=1;
训练和优化模块,用于利用所述训练数据集对所述卷积神经网络进行训练和优化,得到训练和优化后的卷积神经网络;
粪便图像获取模块,用于获取待预测粪便图像;
识别模块,用于将所述待预测粪便图像输入所述训练和优化后的卷积神经网络中,确定粪便的颜色类别和性状类别;
所述训练和优化模块,具体包括:
最大迭代次数确定单元,用于确定训练时的最大迭代次数;
预测值计算单元,用于将所述最大迭代次数代入第一拟合函数和第二拟合函数,得到第一预测值和第二预测值;
判断单元,用于判断所述第一预测值是否大于所述第二预测值;
第一训练和优化单元,用于当所述判断单元的输出结果为所述第一预测值大于所述第二预测值时,设置w 1小于w 2,得到第一损失函数,采用所述第一损失函数根据所述训练数据集对所述卷积神经网络进行训练和优化;
第二训练和优化单元,用于当所述判断单元的输出结果为所述第一预测值小于所述第二预测值时,设置w 1大于w 2,得到第二损失函数,采用所述第二损失函数根据所述训练数据集对所述卷积神经网络进行训练和优化。
5.根据权利要求4所述的粪便宏观图像颜色和性状多任务识别系统,其特征在于,所述卷积神经网络具体包括三层卷积层、一层全连接层、三个颜色识别的神经元和三个性状识别的神经元。
6.根据权利要求4所述的粪便宏观图像颜色和性状多任务识别系统,其特征在于,所述系统还包括:
过采样模块,用于采用过采样方法对所述粪便图像和所述镜像图像进行处理,得到不同颜色类别和不同性状类别的训练图像;各所述类别所包含的训练图像的数量均相同;
颜色识别训练模块,用于设置w 1=1,w 2=0,利用所述不同颜色类别的训练图像对颜色进行单识别任务训练,记录训练过程中的各第一迭代次数和对应的各第一正确率;所述第一迭代次数为大于0且小于等于所述最大迭代次数的正整数;
性状识别训练模块,用于设置w 1=0,w 2=1,利用所述不同性状类别的训练图像对性状进行单识别任务训练,记录训练过程中的各第二迭代次数和对应的各第二正确率;所述第二迭代次数为大于0且小于等于所述最大迭代次数的正整数;
第一拟合模块,用于将所述第一迭代次数和所述第一正确率分别作为一次函数的横坐标和纵坐标进行拟合,得到第一拟合函数;
第二拟合模块,用于将所述第二迭代次数和所述第二正确率分别作为一次函数的横坐标和纵坐标进行拟合,得到第二拟合函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011229689.7A CN112183674B (zh) | 2020-11-06 | 2020-11-06 | 一种粪便宏观图像颜色和性状多任务识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011229689.7A CN112183674B (zh) | 2020-11-06 | 2020-11-06 | 一种粪便宏观图像颜色和性状多任务识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112183674A CN112183674A (zh) | 2021-01-05 |
CN112183674B true CN112183674B (zh) | 2022-06-10 |
Family
ID=73917572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011229689.7A Active CN112183674B (zh) | 2020-11-06 | 2020-11-06 | 一种粪便宏观图像颜色和性状多任务识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183674B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861724A (zh) * | 2021-02-06 | 2021-05-28 | 安徽理工大学 | 一种中药识别系统 |
CN114492633B (zh) * | 2022-01-25 | 2022-10-28 | 合肥学院 | 一种基于多波长透射特性的有色透明塑料分类方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654469A (zh) * | 2015-12-22 | 2016-06-08 | 深圳贝申医疗技术有限公司 | 一种婴儿大便颜色的自动分析方法及系统 |
CN106651883A (zh) * | 2016-12-30 | 2017-05-10 | 四川沃文特生物技术有限公司 | 基于机器视觉的粪便形态识别方法 |
CN108009567A (zh) * | 2017-11-10 | 2018-05-08 | 电子科技大学 | 一种结合图像颜色及hog和svm的粪便性状的自动辨别方法 |
CN110222713A (zh) * | 2019-05-05 | 2019-09-10 | 深圳先进技术研究院 | 一种婴幼儿粪便采样图像分类处理系统及方法 |
WO2019245359A1 (en) * | 2018-06-21 | 2019-12-26 | N.V. Nutricia | Method and system for characterizing stool patterns of young infants |
CN110930996A (zh) * | 2019-12-11 | 2020-03-27 | 广州市百果园信息技术有限公司 | 模型训练方法、语音识别方法、装置、存储介质及设备 |
CN111077150A (zh) * | 2019-12-30 | 2020-04-28 | 重庆医科大学附属第一医院 | 一种基于计算机视觉和神经网络的大便智能分析方法 |
CN111272669A (zh) * | 2020-01-23 | 2020-06-12 | 深圳市大拿科技有限公司 | 基于粪便信息检测的健康评估方法及相关设备 |
WO2020215804A1 (zh) * | 2019-04-25 | 2020-10-29 | 天津御锦人工智能医疗科技有限公司 | 一种基于深度学习的结肠镜粪便粪水检测方法 |
CN111860533A (zh) * | 2019-04-30 | 2020-10-30 | 深圳数字生命研究院 | 图像的识别方法及装置、存储介质和电子装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11301718B2 (en) * | 2018-12-28 | 2022-04-12 | Vizit Labs, Inc. | Systems, methods, and storage media for training a machine learning model |
-
2020
- 2020-11-06 CN CN202011229689.7A patent/CN112183674B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105654469A (zh) * | 2015-12-22 | 2016-06-08 | 深圳贝申医疗技术有限公司 | 一种婴儿大便颜色的自动分析方法及系统 |
CN106651883A (zh) * | 2016-12-30 | 2017-05-10 | 四川沃文特生物技术有限公司 | 基于机器视觉的粪便形态识别方法 |
CN108009567A (zh) * | 2017-11-10 | 2018-05-08 | 电子科技大学 | 一种结合图像颜色及hog和svm的粪便性状的自动辨别方法 |
WO2019245359A1 (en) * | 2018-06-21 | 2019-12-26 | N.V. Nutricia | Method and system for characterizing stool patterns of young infants |
WO2020215804A1 (zh) * | 2019-04-25 | 2020-10-29 | 天津御锦人工智能医疗科技有限公司 | 一种基于深度学习的结肠镜粪便粪水检测方法 |
CN111860533A (zh) * | 2019-04-30 | 2020-10-30 | 深圳数字生命研究院 | 图像的识别方法及装置、存储介质和电子装置 |
CN110222713A (zh) * | 2019-05-05 | 2019-09-10 | 深圳先进技术研究院 | 一种婴幼儿粪便采样图像分类处理系统及方法 |
CN110930996A (zh) * | 2019-12-11 | 2020-03-27 | 广州市百果园信息技术有限公司 | 模型训练方法、语音识别方法、装置、存储介质及设备 |
CN111077150A (zh) * | 2019-12-30 | 2020-04-28 | 重庆医科大学附属第一医院 | 一种基于计算机视觉和神经网络的大便智能分析方法 |
CN111272669A (zh) * | 2020-01-23 | 2020-06-12 | 深圳市大拿科技有限公司 | 基于粪便信息检测的健康评估方法及相关设备 |
Non-Patent Citations (1)
Title |
---|
基于多任务卷积神经网络的舌象分类研究;汤一平等;《计算机科学》;20181215;第45卷(第12期);第255-261页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112183674A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816032B (zh) | 基于生成式对抗网络的无偏映射零样本分类方法和装置 | |
CN109344908B (zh) | 用于生成模型的方法和装置 | |
CN112183674B (zh) | 一种粪便宏观图像颜色和性状多任务识别方法及系统 | |
CN107004123A (zh) | 迭代式缺陷滤除工艺 | |
CN108038847A (zh) | 基于深度学习的变压器巡检图像智能识别和故障检测系统 | |
CN111539480B (zh) | 多类别医学图像识别方法及设备 | |
CN105654066A (zh) | 一种车辆识别方法及装置 | |
CN112966767B (zh) | 一种特征提取和分类任务分离的数据不均衡处理方法 | |
CN111160217A (zh) | 一种行人重识别系统对抗样本生成方法及系统 | |
CN114155397B (zh) | 一种小样本图像分类方法及系统 | |
CN110287104A (zh) | 测试用例生成方法、装置、终端及计算机可读存储介质 | |
CN112819063B (zh) | 一种基于改进的Focal损失函数的图像识别方法 | |
CN116843650A (zh) | 融合aoi检测与深度学习的smt焊接缺陷检测方法及系统 | |
CN113627597B (zh) | 一种基于通用扰动的对抗样本生成方法及系统 | |
US20060155734A1 (en) | Apparatus and methods for evaluating a dynamic system | |
CN112733724B (zh) | 基于判别样本元挖掘器的亲属关系验证方法和装置 | |
AU2020103207A4 (en) | A novel method of introducing basic elementary disturbances for testing machine learning models | |
CN116668198B (zh) | 基于深度学习的流量回放测试方法、装置、设备及介质 | |
CN106682604B (zh) | 一种基于深度学习的模糊图像检测方法 | |
CN117437227A (zh) | 一种图像生成及缺陷检测方法、装置、介质、设备及产品 | |
CN116777865A (zh) | 一种水下裂缝的识别方法、系统、装置及存储介质 | |
CN116823793A (zh) | 设备缺陷检测方法、装置、电子设备和可读存储介质 | |
CN116703885A (zh) | 一种基于Swin Transformer的表面缺陷检测方法及系统 | |
CN111126493A (zh) | 深度学习模型的训练方法、装置、电子设备及存储介质 | |
CN115641474A (zh) | 基于高效学生网络的未知类型缺陷检测方法与装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |