CN115294351B - 图像特征提取方法、装置和电子设备 - Google Patents
图像特征提取方法、装置和电子设备 Download PDFInfo
- Publication number
- CN115294351B CN115294351B CN202210754230.1A CN202210754230A CN115294351B CN 115294351 B CN115294351 B CN 115294351B CN 202210754230 A CN202210754230 A CN 202210754230A CN 115294351 B CN115294351 B CN 115294351B
- Authority
- CN
- China
- Prior art keywords
- needle point
- map
- network
- feature
- needle
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 184
- 238000010586 diagram Methods 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims description 99
- 230000006870 function Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 4
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 7
- 239000000523 sample Substances 0.000 description 71
- 239000000243 solution Substances 0.000 description 9
- 230000004913 activation Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000003321 amplification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 102000029749 Microtubule Human genes 0.000 description 1
- 108091022875 Microtubule Proteins 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 210000004688 microtubule Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种图像特征提取方法、装置和电子设备，涉及机器视觉技术领域，其中方法包括：获取针状工具的原始图像；将所述原始图像输入至特征提取网络中，得到所述特征提取网络输出的多个特征图；其中，所述多个特征图至少包括以下之一：针尖点置信度图、针尖轮廓图、针尖方向图和针尖清晰度图；所述特征提取网络是基于包含针状工具的图像样本、以及所述图像样本对应的多个特征真值图训练得到的，本发明可以基于训练得到的特征提取网络得到至少一个特征图，从而实现了对针状工具特征的提取。
Description
技术领域
本发明涉及机器视觉技术领域，尤其涉及一种图像特征提取方法、装置和电子设备。
背景技术
目前，直径为亚毫米的探针、注射针和微管等针状工具，广泛应用于精密制造和生物医学等领域。
为了实现基于针状工具进行精准操作的目的，现有技术中通常采用高倍率显微相机和机器视觉技术，实现对针状工具的感知和定位，其中，针状工具图像关键特征的提取尤为重要。由于针状工具尺寸纤细，容易发生变形弯曲，且高倍率显微相机的光学景深较小，针状工具在图像中很容易发生失焦模糊。此外，针状工具需要精准调节自身姿态来完成操作任务，在图像中的方向会发生各种变化。因此，亟需一种针状工具关键特征的提取方法。
发明内容
针对现有技术存在的问题，本发明提供一种图像特征提取方法、装置和电子设备。
本发明提供一种图像特征提取方法，所述方法包括：
获取针状工具的原始图像；
将所述原始图像输入至特征提取网络中，得到所述特征提取网络输出的多个特征图；
其中，所述多个特征图至少包括以下之一：针尖点置信度图、针尖轮廓图、针尖方向图和针尖清晰度图；
所述特征提取网络是基于包含针状工具的图像样本、以及所述图像样本对应的多个特征真值图训练得到的。
根据本发明提供的一种图像特征提取方法，所述特征提取网络包括多层卷积网络和多任务网络，所述多任务网络至少包括以下之一：针尖点检测网络、针尖轮廓提取网络、针尖方向检测网络和针尖清晰度检测网络；
所述方法还包括：
将所述原始图像输入至所述多层卷积网络，得到所述多层卷积网络输出的多个尺度的特征图；所述多个尺度的特征图包括第一尺度特征图、第二尺度特征图和第三尺度特征图；
将所述第一尺度特征图、第二尺度特征图和第三尺度特征图输入至所述多任务网络中，得到所述多任务网络输出的多个特征图。
根据本发明提供的一种图像特征提取方法，所述将所述第一尺度特征图、第二尺度特征图和第三尺度特征图输入至所述多任务网络中，得到所述多任务网络输出的多个特征图，包括以下至少一项：
将所述第一尺度特征图、第二尺度特征图和第三尺度特征图输入至所述针尖点检测网络，得到所述针尖点检测网络输出的所述针尖点置信度图；
将所述第一尺度特征图、第二尺度特征图和第三尺度特征图输入至所述针尖轮廓提取网络，得到所述针尖轮廓提取网络输出的所述针尖轮廓图；
将所述第二尺度特征图输入至所述针尖方向检测网络，得到所述针尖方向检测网络输出的所述针尖方向图；
将所述第一尺度特征图输入至所述针尖清晰度检测网络，得到所述针尖清晰度检测网络输出的所述针尖清晰度图。
根据本发明提供的一种图像特征提取方法，所述将所述第二尺度特征图输入至所述针尖方向检测网络，得到所述针尖方向检测网络输出的所述针尖方向图，包括：
将所述第二尺度特征图、所述针尖轮廓图、所述针尖点置信度图和所述第一尺度特征图输入至所述针尖方向检测网络，得到所述针尖方向检测网络输出的所述针尖方向图。
根据本发明提供的一种图像特征提取方法，所述将所述第一尺度特征图输入至所述针尖清晰度检测网络，得到所述针尖清晰度检测网络输出的所述针尖清晰度图，包括：
将所述第一尺度特征图、所述针尖轮廓图和所述针尖点置信度图输入至所述针尖清晰度检测网络，得到所述针尖清晰度检测网络输出的所述针尖清晰度图。
根据本发明提供的一种图像特征提取方法，在所述将所述原始图像输入至特征提取网络中，得到所述特征提取网络输出的多个特征图之后，所述方法还包括以下至少一项：
基于所述针尖点置信度图确定所述针状工具的针尖点的位置信息；
基于所述针尖轮廓图确定所述针状工具的针尖轮廓点集；
基于所述针尖点的位置信息，在所述针尖方向图中确定所述针状工具的针尖方向向量；
基于所述针尖点的位置信息，在所述针尖清晰度图中确定所述针尖点的清晰度值。
根据本发明提供的一种图像特征提取方法，在所述将所述原始图像输入至特征提取网络中，得到所述特征提取网络输出的多个特征图之前，所述方法还包括：
获取所述图像样本；
将所述图像样本输入至初始特征提取网络中，得到所述初始特征提取网络输出的多个特征样本图；
基于每个所述特征样本图和对应的特征真值图构建对应的损失子函数；
基于每个所述损失子函数确定目标损失函数；
基于所述目标损失函数对所述初始特征提取网络的参数进行迭代优化，直至满足收敛条件，得到所述特征提取网络。
根据本发明提供的一种图像特征提取方法，所述多个特征样本图至少包括以下之一：针尖点置信度样本图、针尖轮廓样本图、针尖方向样本图和针尖清晰度样本图；
所述特征真值图至少包括以下之一：针尖点真值图、针尖轮廓真值图、针尖方向真值图和针尖清晰度真值图。
本发明还提供一种图像特征提取装置，包括：
获取单元，用于获取针状工具的原始图像；
提取单元，用于将所述原始图像输入至特征提取网络中，得到所述特征提取网络输出的多个特征图；
其中，所述多个特征图至少包括以下之一：针尖点置信度图、针尖轮廓图、针尖方向图和针尖清晰度图；
所述特征提取网络是基于包含针状工具的图像样本、以及所述图像样本对应的多个特征真值图训练得到的。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述图像特征提取方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述图像特征提取方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述图像特征提取方法。
本发明提供的一种图像特征提取方法、装置和电子设备，通过将获取到的针状工具的原始图像输入至特征提取网络中，可以得到特征提取网络输出的针尖点置信度图、针尖轮廓图、针尖方向图和针尖清晰度图中的至少一个特征图，且特征提取网络是基于包含针状工具的图像样本、以及图像样本对应的多个特征真值图训练得到的。可知，本发明可以基于训练得到的特征提取网络得到至少一个特征图，从而实现了对针状工具特征的提取。
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，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的图像特征提取方法的流程示意图之一；
图2是本发明提供的图像特征提取方法的流程示意图之二；
图3是本发明提供的图像特征提取装置的结构示意图；
图4是本发明提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
下面结合图1-图2描述本发明的图像特征提取方法。
在针状工具的实际应用中，针状工具在图像中的位置和姿态均会发生变化，针状工具本身也会发生一定应力形变，且光照条件和背景干扰也存在不确定性。此外，显微相机的浅景深也会造成针状工具图像的清晰度显著变化。在上述情况下，对针状工具图像中的多种关键特征的实时准确可靠提取，具有很大的挑战性，因此，本发明提出下述图像特征提取方法。
本发明的执行主体可以为具有计算功能的电子设备。
图1是本发明提供的图像特征提取方法的流程示意图之一，如图1所示，该图像特征提取方法包括以下步骤：
步骤101、获取针状工具的原始图像。
示例地，电子设备可以从相机中获取针状工具的原始图像，可以从其他电子设备获取针状工具的原始图像，也可以从服务器获取针状工具的原始图像，且获取的针状工具的原始图像可以为三通道的图像。
其中，三通道分别为红色(R)通道、绿色(G)通道和蓝色(B)通道。
例如，针状工具的原始图像的尺寸可以为512×512×3，即，原始图像的长和宽均为512个像素，原始图像的通道数为3。
步骤102、将所述原始图像输入至特征提取网络中，得到所述特征提取网络输出的多个特征图。
其中，所述多个特征图至少包括以下之一：针尖点置信度图、针尖轮廓图、针尖方向图和针尖清晰度图；
所述特征提取网络是基于包含针状工具的图像样本、以及所述图像样本对应的多个特征真值图训练得到的。
示例地，将原始图像输入至特征提取网络中，并执行前向传播计算，可以输出针尖点置信度图、针尖轮廓图、针尖方向图和针尖清晰度图中至少一个特征图。
其中，特征提取网络可以是多特征提取卷积神经网络，且特征提取网络是基于针状工具的图像样本以及所述图像样本对应的多个特征真值图训练得到的。
具体地，将图像样本输入至初始特征提取网络，初始特征提取网络可以输出针尖点置信度样本图、针尖轮廓样本图、针尖方向样本图和针尖清晰度样本图中至少一个特征样本图，再基于每个特征样本图及其对应的特征真值图对特征提取网络进行训练。
本发明提供的图像特征提取方法，通过将获取到的针状工具的原始图像输入至特征提取网络中，可以得到特征提取网络输出的针尖点置信度图、针尖轮廓图、针尖方向图和针尖清晰度图中的至少一个特征图，且特征提取网络是基于包含针状工具的图像样本、以及图像样本对应的多个特征真值图训练得到的。可知，本发明可以基于训练得到的特征提取网络得到至少一个特征图，从而实现了对针状工具特征的提取。
可选地，在所述特征提取网络包括多层卷积网络和多任务网络，所述多任务网络至少包括以下之一：针尖点检测网络、针尖轮廓提取网络、针尖方向检测网络和针尖清晰度检测网络的情况下，步骤102具体可通过以下方式实现：
将所述原始图像输入至所述多层卷积网络，得到所述多层卷积网络输出的多个尺度的特征图；所述多个尺度的特征图包括第一尺度特征图、第二尺度特征图和第三尺度特征图；
将所述第一尺度特征图、第二尺度特征图和第三尺度特征图输入至所述多任务网络中，得到所述多任务网络输出的多个特征图。
示例地，多层卷积网络可以为残差网络(Residual Network，ResNet)，将原始图像输入至多层卷积网络，得到多层卷积网络输出的第一尺度特征图、第二尺度特征图和第三尺度特征图。
其中，输出的第一尺度特征图可以为1个，其尺寸可以为256×256×64；输出的第二尺度特征图可以为2个，其尺寸可以为128×128×128和64×64×256；输出的第三尺度特征图可以为1个，其尺寸为32×32×1024。
然后将第一尺度特征图、第二尺度特征图和第三尺度特征图输入至多任务网络中，得到多任务网络输出的多个特征图。
可选地，所述将所述第一尺度特征图、第二尺度特征图和第三尺度特征图输入至所述多任务网络中，得到所述多任务网络输出的多个特征图，包括以下至少一项：
将所述第一尺度特征图、第二尺度特征图和第三尺度特征图输入至所述针尖点检测网络，得到所述针尖点检测网络输出的所述针尖点置信度图；
将所述第一尺度特征图、第二尺度特征图和第三尺度特征图输入至所述针尖轮廓提取网络，得到所述针尖轮廓提取网络输出的所述针尖轮廓图；
将所述第二尺度特征图输入至所述针尖方向检测网络，得到所述针尖方向检测网络输出的所述针尖方向图；
将所述第一尺度特征图输入至所述针尖清晰度检测网络，得到所述针尖清晰度检测网络输出的所述针尖清晰度图。
示例地，针尖点检测网络在输入第一尺度特征图、第二尺度特征图和第三尺度特征图后，输出针尖点置信度图。输出的针尖点置信度图的尺寸可以为512×512×1，即长和宽均为512个像素，针尖点置信度图为单通道的图像，且针尖点置信度图上每个像素值的大小表示该像素在针尖点上的置信度，也就是该像素在针尖点上的概率。
具体地，首先通过针尖点检测网络中的双线性插值算法将第二尺度特征图和第三尺度特征图的尺寸进行放大，使第二尺度特征图和第三尺度特征图的长和宽均为256个像素，形成放大后的第二尺度特征图和第三尺度特征图。然后将第一尺度特征图、放大后的第二尺度特征图和放大后的第三尺度特征图进行通道级联，形成一个尺寸为256×256×1472的第一多尺度特征图。
再将第一多尺度特征图输入由四个卷积层构成的第一多层卷积模块，第一多尺度特征图依次输入前三个卷积层，并分别在前三个卷积层中进行批归一化运算和非线性激活函数(Rectified linear unit，ReLU)运算，运算后输出相应的特征图，将输出的特征图经过第四个卷积层中进行sigmoid激活函数运算后，得到1/2尺寸的针尖点置信度图，然后基于双线性插值算法将该1/2尺寸的针尖点置信度图进行2倍放大处理，得到针尖点置信度图。其中，该四个卷积层的卷积核尺寸均为3×3，四个卷积层的卷积核数量分别为256、128、64和1。
示例地，针尖轮廓提取网络在输入第一尺度特征图、第二尺度特征图和第三尺度特征图后，对第一尺度特征图、第二尺度特征图和第三尺度特征图进行特征提取和分析，最终输出针尖轮廓图，输出的针尖轮廓图的尺寸可以为512×512×1，即长和宽均为512个像素，针尖轮廓图为单通道的图像，且针尖轮廓图上每个像素值的大小表示该像素在针尖轮廓上的置信度，也就是该像素在针尖轮廓上的概率。
具体地，首先通过针尖点检测网络中的双线性插值算法将第二尺度特征图和第三尺度特征图的尺寸进行放大，使第二尺度特征图和第三尺度特征图的长和宽均为256个像素，形成放大后的第二尺度特征图和第三尺度特征图。然后将第一尺度特征图、放大后的第二尺度特征图和放大后的第三尺度特征图进行通道级联，形成一个尺寸为256×256×1472的第一多尺度特征图。
再将第一多尺度特征图输入由四个卷积层构成的第二多层卷积模块，第一多尺度特征图依次输入前三个卷积层，并分别在前三个卷积层中进行批归一化运算和非线性激活函数ReLU运算，运算后输出相应的特征图，将输出的特征图经过第四个卷积层中进行sigmoid激活函数运算后，得到1/2尺寸的针尖轮廓图，然后基于双线性插值算法将该1/2尺寸的针尖轮廓图进行2倍放大处理，得到针尖轮廓图。其中，四个卷积层的卷积核尺寸均为3×3，四个卷积层的卷积核数量分别为256、128、64和1。
示例地，针尖方向检测网络在输入第二尺度特征图后，输出针尖方向图，对第二尺度特征图进行特征提取和分析，最终输出的针尖方向图的尺寸可以为512×512×2，即长和宽均为512个像素，针尖方向图为双通道的图像，且针尖方向图上每个像素对应一个二维方向向量，针尖点像素的方向向量指示针尖方向。
具体地，将第二尺度特征图输入由三个膨胀卷积层构成的第三多层卷积模块，第二尺度特征图依次输入前两个膨胀卷积层，并分别在前两个膨胀卷积层中进行批归一化运算和非线性激活函数ReLU运算，运算后输出相应的特征图，将输出的特征图输入第三个膨胀卷积层中进行L2归一化运算后得到1/2尺寸的针尖方向图，然后基于双线性插值算法将该1/2尺寸的针尖方向图进行2倍放大处理，得到针尖方向图。其中，三个膨胀卷积层的卷积核尺寸均为3×3，膨胀系数为2，三个膨胀卷积层的卷积核数量分别为128、64和2。
示例地，针尖清晰度检测网络在输入第一尺度特征图后，对第一尺度特征图进行特征提取和分析，最终输出针尖清晰度图，输出的针尖清晰度图的尺寸可以为512×512×1，即长和宽均为512个像素，针尖清晰度图为单通道的图像，且针尖清晰度图上每个像素值大小表示清晰度值，清晰度值的取值范围是[0,1]，清晰度值可以为离散的也可以为连续的。
具体地，将第一尺度特征图输入由三个卷积层构成的第四多层卷积模块，第一尺度特征图依次输入前两个卷积层，并分别在前两个卷积层中进行批归一化运算和非线性激活函数ReLU运算，运算后输出相应的特征图，将输出的特征图经过第三个卷积层中进行sigmoid激活函数运算后，得到1/2尺寸的针尖清晰度图，然后基于双线性插值算法将1/2尺寸的针尖清晰度图进行2倍放大处理，得到针尖清晰度图。其中，三个卷积层的卷积核尺寸均为3×3，三个卷积层的卷积核数量分别为128、64和1。
本发明提供的图像特征提取方法，通过将原始图像输入至特征提取网络中，可以输出多个特征图，提高了图像特征的提取效率。
可选地，所述将所述第二尺度特征图输入至所述针尖方向检测网络，得到所述针尖方向检测网络输出的所述针尖方向图，包括：
将所述第二尺度特征图、所述针尖轮廓图、所述针尖点置信度图和所述第一尺度特征图输入至所述针尖方向检测网络，得到所述针尖方向检测网络输出的所述针尖方向图。
示例地，只将第二尺度特征图输入至针尖方向检测网络，可以得到针尖方向检测网络输出的针尖方向图；也可以将针尖轮廓图、针尖点置信度图、第一尺度特征图和第二尺度特征图都输入至针尖方向检测网络，针尖方向检测网络分析和提取更多特征，可以得到针尖方向检测网络输出的更加准确的针尖方向图。
本发明提供的图像特征提取方法，不仅将第二尺度特征图输入至针尖方向检测网络，还可以将针尖轮廓图、针尖点置信度图、第一尺度特征图和第二尺度特征图都输入至针尖方向检测网络，可以输出更加准确的针尖方向图。
可选地，所述将所述第一尺度特征图输入至所述针尖清晰度检测网络，得到所述针尖清晰度检测网络输出的所述针尖清晰度图，包括：
将所述第一尺度特征图、所述针尖轮廓图和所述针尖点置信度图输入至所述针尖清晰度检测网络，得到所述针尖清晰度检测网络输出的所述针尖清晰度图。
示例地，只将第一尺度特征图输入至针尖清晰度检测网络，可以得到针尖清晰度检测网络出的针尖清晰度图，也可以将针尖轮廓图、针尖点置信度图和第一尺度特征图都输入至针尖清晰度检测网络，针尖清晰度检测网络分析和提取更多特征图的特征，可以得到针尖清晰度检测网络输出的更加准确的针尖清晰度图。
本发明提供的图像特征提取方法，不仅将第一尺度特征图输入至针尖清晰度检测网络，还可以将针尖轮廓图和针尖点置信度图输入至针尖清晰度检测网络，可以输出更加准确的针尖清晰度图。
可选地，在步骤102之后，上述图像特征提取方法还包括以下至少一项：
基于所述针尖点置信度图确定所述针状工具的针尖点的位置信息；
基于所述针尖轮廓图确定所述针状工具的针尖轮廓点集；
基于所述针尖点的位置信息，在所述针尖方向图中确定所述针状工具的针尖方向向量；
基于所述针尖点的位置信息，在所述针尖清晰度图中确定所述针尖点的清晰度值。
示例地，对针尖置信度图进行非极大值抑制处理，确定出针尖点置信度大于置信度阈值的像素，该像素即为针尖点的像素，则该像素的坐标即为针尖点的二维坐标，得到针尖点的二维坐标后可以对针尖的位置进行控制，进而更加精准的操作针状工具。
对针尖轮廓图进行细化处理，具体地，遍历针尖轮廓图上的每个像素，针对每个像素，如果像素置信度低于像素阈值，则将该像素的置信度置零，如果置信度不小于像素阈值，则判断该像素在沿着针尖轮廓法向的2邻域内是否为最大值，如果不是最大值，则将该像素的置信度置零，同时，确定出沿着针尖轮廓法向的2邻域内置信度为最大值的像素，将确定出的像素的置信度置为1，遍历针尖轮廓图上的每个像素后，得到由置信度置为1的像素组成的单像素宽度的针尖轮廓图，并提取出针尖轮廓点集，提取到的针尖轮廓点集可以对针状工具的针尖形变量进行分析。
利用确定出的针尖点的二维坐标作为索引，从针尖方向图中读取针尖的二维方向向量，具体地，针尖点置信度图和针尖方向图的尺寸相同，在针尖点置信度图中确定出的针尖点的二维坐标，也能在针尖方向图中找到对应的位置，此位置就为针尖点在针尖方向图中对应的位置，该位置的像素为针尖点像素，针尖点像素的方向向量即为针尖的二维方向向量，读取到的针尖的二维方向向量可以对针尖的姿态进行控制。
利用检测到的针尖点的二维坐标作为索引，从针尖清晰度图中读取针尖点的清晰度值，具体地，针尖点置信度图和针尖清晰度图的尺寸相同，在针尖点置信度图中确定出的针尖点的二维坐标，也能在针尖清晰度图中找到对应的位置，此位置就为针尖点在针尖清晰度图中对应的位置，该位置的像素为针尖点像素，针尖点的像素值大小表示针尖点的清晰度值。
本发明提供的图像特征提取方法，在得到特征提取网络输出的多个特征图之后，分析得到的多个特征图，从而获取多个特征值，进而实现利用单个原始图像实时地获取针状工具的多个图像特征的目的，在聚焦变化、光照变化、位姿变化和背景变化等不确定性因素下，能够可靠精准地提取针状工具的位置、方向、形状和清晰度四种关键特征，为精密操作提供了必要的视觉反馈信息。
可选地，在步骤102之前，上述图像特征提取方法还包括：
获取所述图像样本；
将所述图像样本输入至初始特征提取网络中，得到所述初始特征提取网络输出的多个特征样本图；
基于每个所述特征样本图和对应的特征真值图构建对应的损失子函数；
基于每个所述损失子函数确定目标损失函数；
基于所述目标损失函数对所述初始特征提取网络的参数进行迭代优化，直至满足收敛条件，得到所述特征提取网络。
可选地，所述多个特征样本图至少包括以下之一：针尖点置信度样本图、针尖轮廓样本图、针尖方向样本图和针尖清晰度样本图；
所述特征真值图至少包括以下之一：针尖点真值图、针尖轮廓真值图、针尖方向真值图和针尖清晰度真值图。
其中，在利用特征提取网络提取特征图之前，需要对初始特征提取网络进行训练，得到训练好的特征提取网络。
示例地，在数据集中获取B张用于训练初始特征提取网络的图像样本，将每张图像样本输入至初始特征提取网络中，得到初始特征提取网络输出的每张图像样本对应的多个特征样本图，然后基于每张图像样本对应的多个特征样本图与对应的特征真值图构建对应的损失子函数。
其中，若初始特征提取网络输出了针尖点置信度样本图、针尖轮廓样本图、针尖方向样本图和针尖清晰度样本图，则通过以下方式构建对应的损失子函数：
利用针尖点置信度样本图Ti与针尖点真值图TGTi，并基于如下公式(1)所示的戴斯(Dice)损失函数计算针尖点检测损失LT：
利用针尖轮廓样本图Ci与针尖轮廓真值图CGTi，并基于如下公式(2)所示的Dice损失函数计算针尖轮廓提取损失LC：
利用针尖方向样本图Di与针尖轮廓真值图DGTi，并基于如下公式(3)所示的Dice损失函数计算针尖轮廓提取损失LD：
其中，.为向量的内积。
利用针尖清晰度样本图Fi与针尖清晰度真值图FGTi，并基于如下公式(4)所示的Dice损失函数计算针尖轮廓提取损失LF：
其中，B是图像样本数量，N是像素总数，例如，对于长和宽均为512个像素的针尖点置信度图，N可以为262144，j是像素索引，j＝1，2，…，N；i代表第i张图像样本。且特征真值图是基于对图像样本进行标记得到的，特征真值图可以由计算机标注得到。
然后基于每个损失子函数确定目标损失函数，示例地，目标损失函数可以基于四个损失子函数的加权求和得到，例如，每个损失子函数的权重值相等，则目标损失函数为四个损失子函数相加得到。
最后利用梯度下降法，并进行反向传播计算，对初始特征提取网络的目标损失函数的参数进行优化，直至满足收敛条件，得到特征提取网络，并将相应的参数存储在本地。
需要说明的是，本发明还可以基于除上述Dice损失函数外的其他损失函数计算损失，在此不做限定。
本发明提供的图像特征提取方法，基于图像样本和特征真值图对初始特征提取网络进行优化训练，可以得到训练好的特征提取网络。
图2是本发明提供的图像特征提取方法的流程示意图之二，如图2所示，本发明提供的图像特征提取方法的具体流程如下：
步骤201、获取针状工具的原始图像。
步骤202、将所述针状工具的原始图像输入至多层卷积网络，得到所述多层卷积网络输出的多个尺度特征图；所述多个尺度的特征图包括第一尺度特征图、第二尺度特征图和第三尺度特征图。
步骤203、将所述第一尺度特征图、第二尺度特征图和第三尺度特征图输入至针尖点检测网络,得到所述针尖点检测网络输出的针尖点置信度图；将所述第一尺度特征图、第二尺度特征图和第三尺度特征图输入至针尖轮廓提取网络,得所述针尖轮廓提取网络输出的针尖轮廓图；将所述第二尺度特征图输入至针尖方向检测网络，得到所述针尖方向检测网络输出的针尖方向图；将所述第一尺度特征图输入至所述针尖清晰度检测网络，得到所述针尖清晰度检测网络输出的所述针尖清晰度图。
步骤204、对所述针尖点置信度图进行非极大值抑制处理，得到针尖点二维坐标；对所述针尖轮廓图进行细化处理，得到针尖轮廓点集；利用检测到的针尖点的二维坐标作为索引，从针尖方向图中读取到针尖的二维方向向量；利用检测到的针尖点的二维坐标作为索引，从针尖清晰度图中读取到针尖点的清晰度值。
下面对本发明提供的图像特征提取装置进行描述，下文描述的图像特征提取装置与上文描述的图像特征提取方法可相互对应参照。
图3是本发明提供的图像特征提取装置的结构示意图，参照图3，该图像特征提取装置包括获取单元301和提取单元302；其中：
获取单元301，用于获取针状工具的原始图像；
提取单元302，用于将所述原始图像输入至特征提取网络中，得到所述特征提取网络输出的多个特征图；
其中，所述多个特征图至少包括以下之一：针尖点置信度图、针尖轮廓图、针尖方向图和针尖清晰度图；
所述特征提取网络是基于包含针状工具的图像样本、以及所述图像样本对应的多个特征真值图训练得到的。
本发明提供的图像特征提取装置，通过将获取到的针状工具的原始图像输入至特征提取网络中，可以得到特征提取网络输出的针尖点置信度图、针尖轮廓图、针尖方向图和针尖清晰度图中的至少一个特征图，且特征提取网络是基于包含针状工具的图像样本、以及图像样本对应的多个特征真值图训练得到的。可知，本发明可以基于训练得到的特征提取网络得到至少一个特征图，从而实现了对针状工具特征的提取。
基于上述任一实施例，在所述特征提取网络包括多层卷积网络和多任务网络，所述多任务网络至少包括以下之一：针尖点检测网络、针尖轮廓提取网络、针尖方向检测网络和针尖清晰度检测网络的情况下，所述提取单元302具体用于：
将所述原始图像输入至所述多层卷积网络，得到所述多层卷积网络输出的多个尺度的特征图；所述多个尺度的特征图包括第一尺度特征图、第二尺度特征图和第三尺度特征图；
将所述第一尺度特征图、第二尺度特征图和第三尺度特征图输入至所述多任务网络中，得到所述多任务网络输出的多个特征图。
基于上述任一实施例，所述提取单元302具体用于执行以下至少一项：
将所述第一尺度特征图、第二尺度特征图和第三尺度特征图输入至所述针尖点检测网络，得到所述针尖点检测网络输出的所述针尖点置信度图；
将所述第一尺度特征图、第二尺度特征图和第三尺度特征图输入至所述针尖轮廓提取网络，得到所述针尖轮廓提取网络输出的所述针尖轮廓图；
将所述针尖轮廓图和所述第二尺度特征图输入至所述针尖方向检测网络，得到所述针尖方向检测网络输出的所述针尖方向图；
将所述第一尺度特征图输入至所述针尖清晰度检测网络，得到所述针尖清晰度检测网络输出的所述针尖清晰度图。
基于上述任一实施例，所述提取单元302具体用于：
将所述针尖轮廓图、所述针尖点置信度图、所述第一尺度特征图、第二尺度特征图和第三尺度特征图输入至所述针尖方向检测网络，得到所述针尖方向检测网络输出的所述针尖方向图。
基于上述任一实施例，所述提取单元302具体用于：
将所述针尖轮廓图、所述针尖点置信度图和所述第一尺度特征图输入至所述针尖清晰度检测网络，得到所述针尖清晰度检测网络输出的所述针尖清晰度图。
基于上述任一实施例，所述装置还包括：
确定单元，用于基于所述针尖点置信度图确定所述针状工具的针尖点的位置信息；基于所述针尖轮廓图确定所述针状工具的针尖轮廓点集；基于所述针尖点的位置信息，在所述针尖方向图中确定所述针状工具的针尖方向向量；基于所述针尖点的位置信息，在所述针尖清晰度图中确定所述针尖点的清晰度值。
基于上述任一实施例，所述装置还包括：
训练单元，用于获取所述图像样本；将所述图像样本输入至初始特征提取网络中，得到所述初始特征提取网络输出的多个特征样本图；基于每个所述特征样本图和对应的特征真值图构建对应的损失子函数；基于每个所述损失子函数确定目标损失函数；基于所述目标损失函数对所述初始特征提取网络的参数进行迭代优化，直至满足收敛条件，得到所述特征提取网络。
基于上述任一实施例，所述多个特征样本图至少包括以下之一：针尖点置信度样本图、针尖轮廓样本图、针尖方向样本图和针尖清晰度样本图；
所述特征真值图至少包括以下之一：针尖点真值图、针尖轮廓真值图、针尖方向真值图和针尖清晰度真值图。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行上述各方法提供的图像特征提取方法，该方法包括：获取针状工具的原始图像；
将所述原始图像输入至特征提取网络中，得到所述特征提取网络输出的多个特征图；
其中，所述多个特征图至少包括以下之一：针尖点置信度图、针尖轮廓图、针尖方向图和针尖清晰度图；
所述特征提取网络是基于包含针状工具的图像样本、以及所述图像样本对应的多个特征真值图训练得到的。
此外，上述的存储器430中的逻辑指令可以通过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。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的图像特征提取方法，该方法包括：获取针状工具的原始图像；
将所述原始图像输入至特征提取网络中，得到所述特征提取网络输出的多个特征图；
其中，所述多个特征图至少包括以下之一：针尖点置信度图、针尖轮廓图、针尖方向图和针尖清晰度图；
所述特征提取网络是基于包含针状工具的图像样本、以及所述图像样本对应的多个特征真值图训练得到的。
又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的图像特征提取方法，该方法包括：获取针状工具的原始图像；
将所述原始图像输入至特征提取网络中，得到所述特征提取网络输出的多个特征图；
其中，所述多个特征图至少包括以下之一：针尖点置信度图、针尖轮廓图、针尖方向图和针尖清晰度图；
所述特征提取网络是基于包含针状工具的图像样本、以及所述图像样本对应的多个特征真值图训练得到的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
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，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种图像特征提取方法，其特征在于，包括：
获取针状工具的原始图像；
将所述原始图像输入至特征提取网络中，得到所述特征提取网络输出的多个特征图；
其中，所述多个特征图包括：针尖点置信度图、针尖轮廓图、针尖方向图和针尖清晰度图；
所述特征提取网络是基于包含针状工具的图像样本、以及所述图像样本对应的多个特征真值图训练得到的；
所述特征提取网络包括多层卷积网络和多任务网络，所述多任务网络包括：针尖点检测网络、针尖轮廓提取网络、针尖方向检测网络和针尖清晰度检测网络；
所述将所述原始图像输入至特征提取网络中，得到所述特征提取网络输出的多个特征图，包括：
将所述原始图像输入至所述多层卷积网络，得到所述多层卷积网络输出的多个尺度的特征图；所述多个尺度的特征图包括第一尺度特征图、第二尺度特征图和第三尺度特征图；
将所述第一尺度特征图、第二尺度特征图和第三尺度特征图输入至所述针尖点检测网络中，得到所述针尖点检测网络输出的所述针尖点置信度图；
将所述第一尺度特征图、第二尺度特征图和第三尺度特征图输入至所述针尖轮廓提取网络，得到所述针尖轮廓提取网络输出的所述针尖轮廓图；
将所述第二尺度特征图输入至所述针尖方向检测网络，得到所述针尖方向检测网络输出的所述针尖方向图；
将所述第一尺度特征图输入至所述针尖清晰度检测网络，得到所述针尖清晰度检测网络输出的所述针尖清晰度图；
所述方法还包括：
对所述针尖点置信度图进行非极大值抑制处理，得到针尖点二维坐标；对所述针尖轮廓图进行细化处理，得到针尖轮廓点集；利用所述针尖点二维坐标作为索引，从所述针尖方向图中读取针尖的二维方向向量；利用所述针尖点二维坐标作为索引，从所述针尖清晰度图中读取针尖点的清晰度值。
2.根据权利要求1所述的图像特征提取方法，其特征在于，所述将所述第二尺度特征图输入至所述针尖方向检测网络，得到所述针尖方向检测网络输出的所述针尖方向图，包括：
将所述第二尺度特征图、所述针尖轮廓图、所述针尖点置信度图和所述第一尺度特征图输入至所述针尖方向检测网络，得到所述针尖方向检测网络输出的所述针尖方向图。
3.根据权利要求1所述的图像特征提取方法，其特征在于，所述将所述第一尺度特征图输入至所述针尖清晰度检测网络，得到所述针尖清晰度检测网络输出的所述针尖清晰度图，包括：
将所述第一尺度特征图、所述针尖轮廓图和所述针尖点置信度图输入至所述针尖清晰度检测网络，得到所述针尖清晰度检测网络输出的所述针尖清晰度图。
4.根据权利要求1所述的图像特征提取方法，其特征在于，在所述将所述原始图像输入至特征提取网络中，得到所述特征提取网络输出的多个特征图之前，所述方法还包括：
获取所述图像样本；
将所述图像样本输入至初始特征提取网络中，得到所述初始特征提取网络输出的多个特征样本图；
基于每个所述特征样本图和对应的特征真值图构建对应的损失子函数；
基于每个所述损失子函数确定目标损失函数；
基于所述目标损失函数对所述初始特征提取网络的参数进行迭代优化，直至满足收敛条件，得到所述特征提取网络。
5.根据权利要求4所述的图像特征提取方法，其特征在于，所述多个特征样本图包括针尖点置信度样本图、针尖轮廓样本图、针尖方向样本图和针尖清晰度样本图；
所述特征真值图包括针尖点真值图、针尖轮廓真值图、针尖方向真值图和针尖清晰度真值图。
6.一种图像特征提取装置，其特征在于，包括：
获取单元，用于获取针状工具的原始图像；
提取单元，用于将所述原始图像输入至特征提取网络中，得到所述特征提取网络输出的多个特征图；
其中，所述多个特征图包括：针尖点置信度图、针尖轮廓图、针尖方向图和针尖清晰度图；
所述特征提取网络是基于包含针状工具的图像样本、以及所述图像样本对应的多个特征真值图训练得到的；
所述特征提取网络包括多层卷积网络和多任务网络，所述多任务网络包括：针尖点检测网络、针尖轮廓提取网络、针尖方向检测网络和针尖清晰度检测网络；
所述提取单元，具体用于：
将所述原始图像输入至所述多层卷积网络，得到所述多层卷积网络输出的多个尺度的特征图；所述多个尺度的特征图包括第一尺度特征图、第二尺度特征图和第三尺度特征图；
将所述第一尺度特征图、第二尺度特征图和第三尺度特征图输入至所述针尖点检测网络中，得到所述针尖点检测网络输出的针尖点置信度图；
将所述第一尺度特征图、第二尺度特征图和第三尺度特征图输入至所述针尖轮廓提取网络，得到所述针尖轮廓提取网络输出的所述针尖轮廓图；
将所述第二尺度特征图输入至所述针尖方向检测网络，得到所述针尖方向检测网络输出的所述针尖方向图；
将所述第一尺度特征图输入至所述针尖清晰度检测网络，得到所述针尖清晰度检测网络输出的所述针尖清晰度图；
所述装置还包括：
确定单元，用于对所述针尖点置信度图进行非极大值抑制处理，得到针尖点二维坐标；对所述针尖轮廓图进行细化处理，得到针尖轮廓点集；利用所述针尖点二维坐标作为索引，从所述针尖方向图中读取针尖的二维方向向量；利用所述针尖点二维坐标作为索引，从所述针尖清晰度图中读取针尖点的清晰度值。
7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述图像特征提取方法。
8.一种非暂态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如权利要求1至5任一项所述图像特征提取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210754230.1A CN115294351B (zh) | 2022-06-28 | 2022-06-28 | 图像特征提取方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210754230.1A CN115294351B (zh) | 2022-06-28 | 2022-06-28 | 图像特征提取方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115294351A CN115294351A (zh) | 2022-11-04 |
| CN115294351B true CN115294351B (zh) | 2023-11-03 |
Family
ID=83819515
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210754230.1A Active CN115294351B (zh) | 2022-06-28 | 2022-06-28 | 图像特征提取方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115294351B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116586924B (zh) * | 2023-07-17 | 2024-02-27 | 浙江一益医疗器械有限公司 | 一种针尖五斜面结构的不锈钢针管及其制备工艺 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110992388A (zh) * | 2019-12-10 | 2020-04-10 | 深圳市中科微光医疗器械技术有限公司 | 留置针图像分割模型构建、针尖定位方法、装置及系统 |
| CN111553280A (zh) * | 2020-04-28 | 2020-08-18 | 上海无线电设备研究所 | 基于深度学习的目标部位识别方法 |
| CN212141071U (zh) * | 2019-12-10 | 2020-12-15 | 深圳市中科微光医疗器械技术有限公司 | 一种在影像环境下实现针尖定位的留置针 |
| CN112733838A (zh) * | 2020-10-26 | 2021-04-30 | 台州学院 | 基于深度学习的一次性输液针头组件定向检测方法及装置 |
| CN113159300A (zh) * | 2021-05-15 | 2021-07-23 | 南京逸智网络空间技术创新研究院有限公司 | 图像检测神经网络模型及其训练方法、图像检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11638569B2 (en) * | 2018-06-08 | 2023-05-02 | Rutgers, The State University Of New Jersey | Computer vision systems and methods for real-time needle detection, enhancement and localization in ultrasound |
-
2022
- 2022-06-28 CN CN202210754230.1A patent/CN115294351B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110992388A (zh) * | 2019-12-10 | 2020-04-10 | 深圳市中科微光医疗器械技术有限公司 | 留置针图像分割模型构建、针尖定位方法、装置及系统 |
| CN212141071U (zh) * | 2019-12-10 | 2020-12-15 | 深圳市中科微光医疗器械技术有限公司 | 一种在影像环境下实现针尖定位的留置针 |
| CN111553280A (zh) * | 2020-04-28 | 2020-08-18 | 上海无线电设备研究所 | 基于深度学习的目标部位识别方法 |
| CN112733838A (zh) * | 2020-10-26 | 2021-04-30 | 台州学院 | 基于深度学习的一次性输液针头组件定向检测方法及装置 |
| CN113159300A (zh) * | 2021-05-15 | 2021-07-23 | 南京逸智网络空间技术创新研究院有限公司 | 图像检测神经网络模型及其训练方法、图像检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 一种基于深度学习的多尺度深度网络的场景标注算法;马成虎 等;《计算机工程与科学》(第07期);第62-67页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115294351A (zh) | 2022-11-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111524137B (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
| CN109426789B (zh) | 手和图像检测方法和系统、手分割方法、存储介质和设备 | |
| KR102521386B1 (ko) | 치수 계측 장치, 치수 계측 방법 및 반도체 제조 시스템 | |
| CN112381061B (zh) | 一种面部表情识别方法及系统 | |
| CN113223068B (zh) | 一种基于深度全局特征的多模态图像配准方法及系统 | |
| KR101618996B1 (ko) | 호모그래피를 추정하기 위한 샘플링 방법 및 영상 처리 장치 | |
| CN113436162A (zh) | 一种水下机器人液压油管道表面焊缝缺陷识别方法及装置 | |
| CN115294351B (zh) | 图像特征提取方法、装置和电子设备 | |
| CN112102294A (zh) | 生成对抗网络的训练方法及装置、图像配准方法及装置 | |
| CN113065593A (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
| CN114764189A (zh) | 用于评估图像处理结果的显微镜系统和方法 | |
| EP3671635B1 (en) | Curvilinear object segmentation with noise priors | |
| CN118334336A (zh) | 阴道镜图像分割模型构建方法、图像分类方法和装置 | |
| CN113537026A (zh) | 建筑平面图中的图元检测方法、装置、设备及介质 | |
| KR101188296B1 (ko) | 스트랩다운 이중 모드 영상탐색기의 가중치 기반 표적 결정 방법 및 이를 이용한 가중치 기반 표적 결정 시스템 | |
| US10832413B2 (en) | Curvilinear object segmentation with geometric priors | |
| CN110956623A (zh) | 皱纹检测方法、装置、设备及计算机可读存储介质 | |
| CN113554748B (zh) | 一种医疗器械三维建模方法及装置 | |
| CN116433722A (zh) | 目标跟踪方法、电子设备、存储介质及程序产品 | |
| CN115631370A (zh) | 一种基于卷积神经网络的mri序列类别的识别方法及装置 | |
| US20220358321A1 (en) | Detection Method And Device For Assembly Body Multi-View Change Based On Feature Matching | |
| CN113920391A (zh) | 一种基于生成尺度自适应真值图的目标计数方法 | |
| Shen et al. | A holistic image segmentation framework for cloud detection and extraction | |
| CN117809027B (zh) | 基于人体骨架的服装先验概率掩码图生成方法及相关装置 | |
| CN117237984B (zh) | 基于标签一致性的mt腿部识别方法、系统、介质和设备 |
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 |