CN116664966A - 一种红外图像处理系统 - Google Patents
一种红外图像处理系统 Download PDFInfo
- Publication number
- CN116664966A CN116664966A CN202310317247.5A CN202310317247A CN116664966A CN 116664966 A CN116664966 A CN 116664966A CN 202310317247 A CN202310317247 A CN 202310317247A CN 116664966 A CN116664966 A CN 116664966A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- parameter
- trained
- infrared 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
Links
- 238000012545 processing Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 4
- 230000009193 crawling Effects 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 abstract description 2
- 208000006011 Stroke Diseases 0.000 description 5
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 210000001364 upper extremity Anatomy 0.000 description 2
- 206010003658 Atrial Fibrillation Diseases 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 208000001953 Hypotension Diseases 0.000 description 1
- 208000007177 Left Ventricular Hypertrophy Diseases 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 208000021822 hypotensive Diseases 0.000 description 1
- 230000001077 hypotensive effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000035488 systolic blood pressure Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 210000000216 zygoma Anatomy 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
-
- 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
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Image Processing (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明提供了一种红外图像处理系统,通过AI模型训练用户输入的红外图像中的特征区域以及性别、年龄、身高、生活习惯、既往身体状态等的权重,得到训练好的AI模型,最后将目标红外图像输入到训练好的AI模型,得到对应的预测结果,与单纯的通过红外图像的温度分布来判断的情况,能够提高图像分析的准确率。
Description
技术领域
本发明涉及人工智能技术应用领域,特别是涉及一种红外图像处理系统。
背景技术
当前,红外热成像技术在医学领域得到了广泛应用。用户例如医生一般基于红外图像所呈现的温度分布来对身体机能情况进行判断,以提示存在某种异常的风险。然而,身体异常的机理往往是复杂的,是多个影响因素相互作用导致的,因此,如果单纯依靠温度分布来判断,可能会导致判断不准确。
发明内容
针对上述技术问题,本发明采用的技术方案为:
本发明实施例提供一种红外图像处理系统,所述系统包括处理器和数据库,所述数据库中存储有用户输入的基准红外图像、影响参数信息集L={F,B}和影响参数取值规则集R={RF,RB},所述基准红外图像中包括n个基准特征区域;F为用户输入的特征区域参数信息,F=(F1,F2,…,Fi,…,Fn);所述基准红外图像具有设定标签类型;
第i个特征区域参数信息Fi=(Fi1,Fi2,…,Fij,Fih(i)),Fij为Fi中的第j个对比参数,i的取值为1到n,j的取值为1到h(i),h(i)为Fi中的对比参数的数量;B为用户输入的基准属性参数信息,B=(B1,B2,…,Br,…,Bm),Br为第r个基准属性参数,r的取值为1到m,m为基准属性参数的数量;RF为特征区域参数取值规则,RF=(RFi1,RFi2,…,RFij,RFih(i))Rij为Fij的取值规则,RB为基准属性参数取值规则,RB=(RB1,RB2,…,RBr,…,RBm),RBr为Br的取值规则;
所述处理器用于执行计算机程序,以实现如下步骤:
S100,获取k个样本红外图像和对应的属性参数信息;所述样本红外图像包括k1个第一样本红外图像和k2个第二样本红外图像,第一样本红外图像的标签类型与所述设定标签类型不同,第二样本红外图像的标签类型与所述设定标签类型相同;
S200,对任一图像t中的n个特征区域分别进行识别,并基于识别的每个特征区域对应的对比参数和取值规则,将每个特征区域与对应的基准特征区域进行对比,得到对应的对比参数的取值;得到图像t的第一数据集D1t={D1t 1,D1t 2,…,D1t i,…,D1t n},D1t i={Dt i1,Dt i2,…,Dt ij,…,Dt in},Dt ij为Fij的取值,t的取值为1到k;
S300,将任一图像t的属性参数信息与所述基准属性参数信息进行比对,得到每个基准属性参数的取值;得到图像t的第二数据集D2t={D2t 1,D2t 2,…,D2t r,…,D2t m},D2t r为Br的取值;
S400,将图像t的数据集进行数学编码,得到与L对应的影响参数数据集,并基于得到的影响参数数据集和对应的分类标签形成训练数据集;
S500,将所有图像的训练数据集输入到设定的AI模型中进行训练,得到训练好的AI模型,以及得到每个参数的权重,形成训练好的权重集;
所述处理器还用于执行计算机程序,以实现如下步骤:
S10,基于接收到的目标红外图像和对应的属性参数信息,获取与L对应的影响参数数据集,作为目标数据集;
S20,将所述目标数据集输入到所述训练好的AI模型中,得到对应的输出结果。
本发明至少具有以下有益效果:
本发明实施例提供的红外图像处理系统,通过AI模型训练用户输入的红外图像中的特征区域以及性别、年龄、身高、生活习惯、既往身体状态等的权重,得到训练好的AI模型,最后将目标红外图像输入到训练好的AI模型,得到对应的预测结果,与单纯的通过红外图像的温度分布来判断的情况,能够提高图像分析的准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述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为本发明实施例提供的红外图像处理系统执行计算机程序时的流程图。
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。
图1为本发明实施例提供的红外图像处理系统执行计算机程序时的流程图。
本发明实施例提供一种红外图像处理系统,所述系统包括处理器和数据库,所述数据库中存储有用户输入的基准红外图像、影响参数信息集L={F,B}和影响参数取值规则集R={RF,RB}。用户输入可以为计算机自动输入或者手动输入。基准红外图像可为具有设定标签类型的图像。在本发明实施例中,不同的标签类型可代表不同的身体状态,在一个具体应用场景中,不同的标签类型可如代表不同的疾病类型。每种标签类型可使用对应的标签值表示。
其中,所述基准红外图像中包括的n个基准特征区域。在本发明实施例中,基准红外图像可为基于多个具有设定标签类型的红外图像的特征区域的共同特征得到的图像,即基准红外图像为能体现设定标签类型所代表的身体状态的共性的图像。n个基准特征区域可基于设定标签类型进行确定,例如,如果设定标签类型代表的身体状态为脑卒中,则基准特征区域可为左右额区、左右颞区、左右眶区颏区、左右鼻区、左右唇区、左右耳区、左右颧区、左右眶下区、左右颊区、左右腮腺咬肌区,以及四肢躯干等区域。
其中,F为用户输入的特征区域参数信息,F=(F1,F2,…,Fi,…,Fn),第i个特征区域参数信息Fi=(Fi1,Fi2,…,Fij,Fih(i)),Fij为Fi中的第j个对比参数,i的取值为1到n,j的取值为1到h(i),h(i)为Fi中的对比参数的数量。RF为特征区域参数取值规则,RF=(RFi1,RFi2,…,RFij,RFih(i))Rij为Fij的取值规则。
在本发明实施例中,特征区域参数信息的对比参数可包括特征区域的形状、特征区域的温度特征值等。特征区域的温度特征值可包括温度的绝对值、最高值、最低值、平均值、标准差以及温度相对值等。温度相对值是指特征区域与对应的基准区域之间的温度差值,例如,如果特征区域为鼻区,对应的基准区域为脸部区域,鼻区的温度相对值为鼻区的温度减去面部区域的温度得到的温度值。
在本发明实施例中,对比参数的取值规则可基于实际情况进行确定。例如,特征区域的形状的取值规则可为基于与基准特征区域的形状的相似度确定,如果某个特征区域的形状与基准特征区域的形状的相似度大于设定阈值,则对应的对比参数的取值可为设定值,例如1等,如果小于设定阈值,对应的对比参数的取值可为0,或者,基于设置于相似度相对应的权重,具体权重可自定义设置,在一个示例中,例如,如果设定阈值为90%,某个特征区域的形状与基准特征区域的形状之间的相似度为80%,则对应的对比参数的取值可为1-(90%-80%)=0.9等。本领域技术人员知晓,两个区域的形状之间的相似度可基于现有技术确定。
进一步地,特征区域的温度特征值的取值规则可为基于特征区域所包含的左右两区域之间的差值确定。具体地,可将每个特征区域的左右两个区域之间的差值与基准特征区域的对应的两个区域之间的差值进行比较,然后基于比较结果赋予不同的权重,具体的权重值可为经验值。在一个示意性实施例中,例如,以脑卒中为例,计算所有特征区域绝对值的左右差,例如:左额绝对值-右额绝对值=X1;左眼绝对值-右眼绝对值=X2;左颞区绝对值-右颞区绝对值=X3、左眶区颏区绝对值-右眶区颏区绝对值=X4、左唇区绝对值-左唇区绝对值=X5、左右耳区绝对值-左右耳区绝对值=X6、左右颧区绝对值-左右颧区绝对值=X7、左眶下区绝对值-右眶下区绝对值=X8、左颊区绝对值-右颊区绝对值=X9、左右腮腺咬肌区绝对值-左右腮腺咬肌区绝对值=X10、左上肢绝对值-右上肢绝对值=X10,……等。接着,将得到的所有的绝对值差与对应的基准特征区域的左右两个区域之间的绝对值差进行比较,并基于比较结果赋予不同的权重。
在本发明实施例中,B为用户输入的基准属性参数信息,B=(B1,B2,…,Br,…,Bm),Br为第r个基准属性参数,r的取值为1到m,m为与目标疾病相关的基准属性参数的数量;RB为基准属性参数取值规则,RB=(RB1,RB2,…,RBr,…,RBm),RBr为Br的取值规则。
在本发明实施例中,基准属性参数信息可至少包括年龄、身高、性别、生活习惯和既往身体状态例如既往病史等,具体可基于设定标签类型所代表的身体状态进行确定。在一个示意性实施例中,以设定标签类型所代表的身体状态为脑卒中为例,脑卒中的基准属性参数信息可包括:年龄、性别、收缩压、降压治疗、糖尿病、心血管病史、心房纤颤、左心室肥大、吸烟史、饮酒史、卒中或家族史、压力、缺乏运动、腰臀比、饮食、体重、腰围、BMI、外伤等。
在本发明实施例中,如果某个属性参数与对应的基准属性参数相对应,则该属性参数的分值可为第一设定值,例如可为1,否则,为第二设定值,例如,可为0。例如,如果基准属性参数为男,如果某个对象为女,则该对象的性别属性的取值为0。又例如,如果基准属性参数为30~40岁,如果某个对象的年龄为20岁,则该对象的年龄属性对应的值为0。
进一步地,在本发明实施例中,所述处理器用于执行计算机程序,以实现如下步骤:
S100,获取k个样本红外图像和对应的属性参数信息;所述样本红外图像包括k1个第一样本红外图像和k2个第二样本红外图像,第一样本红外图像的标签类型与所述设定标签类型不同,即与基准红外图像的标签类型不同的红外图像。第二样本红外图像的标签类型与所述设定标签类型相同,即与基准红外图像的标签类型相同。
在本发明实施例中,k的取值可基于实际需要进行设置,理论上越大越好。k1可等于k2。
S200,对任一图像t中的n个特征区域分别进行识别,并基于识别的每个特征区域对应的对比参数和取值规则,将每个特征区域与对应的基准特征区域进行对比,得到对应的对比参数的取值;得到图像t的第一数据集D1t={D1t 1,D1t 2,…,D1t i,…,D1t n},D1t i={Dt i1,Dt i2,…,Dt ij,…,Dt in},Dt ij为Fij的取值,t的取值为1到k。
在本发明实施例中,通过训练后的图像识别模型对任一图像t中的n个特征区域分别进行识别。
在本发明实施例中,图像识别模型可为现有模型,例如,可为神经网络模型等,可将多个具有设定标签类型的红外图像的特征区域进行标注,之后输入到模型中进行训练,得到训练后的图像识别模型,具体训练步骤可采用现有方法。
S300,将任一图像t的属性参数信息与所述基准属性参数信息进行比对,得到每个基准属性参数的取值;得到图像t的第二数据集D2t={D2t 1,D2t 2,…,D2t r,…,D2t m},D2t r为Br的取值。
S400,将图像t的数据集进行数学编码,得到与L对应的影响参数数据集,并基于得到的影响参数数据集和对应的分类标签形成训练数据集。
本领域技术人员知晓,任何将图像t的数据集进行数学编码以得到AI模型能够识别的值均属于本发明的保护范围。
S500,将所有图像的训练数据集输入到设定的AI模型中进行训练,得到训练好的AI模型,以及得到每个参数的权重,形成训练好的权重集。
在本发明实施例中,AI模型可为现有模型,例如,可为神经网络模型等。AI模型的训练过程可为现有技术,例如,在模型的损失收敛时,得到训练好的AI模型。
优选,在本发明另一实施例中,可将样本图像中的一部分图像作为测试集,在模型的损失收敛,并且使用测试集测试的模型精度大于设定值时,得到训练好的AI模型。
进一步地,在本发明实施例中,所述处理器还用于执行计算机程序,以实现如下步骤:
S10,基于接收到的目标红外图像和对应的属性参数信息,获取与L对应的影响参数数据集,作为目标数据集。
S20,将所述目标数据集输入到所述训练好的AI模型中,得到对应的输出结果。
在本发明实施例中,用户可基于输出结果确定目标红外图像对应的标签类型是否与基准红外图像的标签类型相同。如果输出结果与基准红外图像的标签类型对应的标签值之间的差值小于设定阈值,则说明目标红外图像对应的标签类型与基准红外图像的标签类型相同,否则,则不同。
进一步地,在本发明实施例中,所述数据库中还存储有基准权重集{WB1,WB2,…,WBs,…,WBP},WBs为L中的第s个参数的权重,s的取值为1到P,P=h(1)+h(2)+…+h(i)+…+h(n)+m。
在本发明一示意性实施例中,所述基准权重集可通过向用户指定的专家发放调查问卷获得。专家的数量可基于实际需要进行设置。
在本发明另一示意性实施例中,所述基准权重集可通过向用户指定的专家发放调查问卷以及通过网络爬取相关的数据得到。对于一些疾病,网络数据库中会有记载跟人的那些属性参数相关,通过网络爬取之后进行整理即可得到基准属性参数信息。
进一步地,在本发明实施例中,所述处理器还用于执行计算机程序,以实现如下步骤:
S600,获取基准权重集和训练好的权重集之间的偏离度,如果偏离度小于设定偏离度阈值,则将所述训练好的AI模型作为目标预测模型,将所述训练好的权重集作为目标权重集,否则,输出提示信息。
在本发明一实施例中,所述偏离度可基于马氏距离或者协方差得到。如果基准权重集和训练好的权重集之间的马氏距离越小,说明两者之间的偏离度越小,反之则亦然。如果基准权重集和训练好的权重集之间的协方差越大,说明两者之间的变化趋势越接近,则偏离度越小。本领域技术人员知晓,马氏距离和协方差的具体计算可为现有技术。
在本发明实施例中,输出的提示信息可为指示当前预测的权重可能不准确的信息。可基于提示信息调整样本数量、网络参数等,或者,可基于基准权重集调整训练好的权重集,以使得与基准权重集的变化趋势相一致。
虽然已经通过示例对本发明的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本发明的范围。本领域的技术人员还应理解,可以对实施例进行多种修改而不脱离本发明的范围和精神。本发明公开的范围由所附权利要求来限定。
Claims (10)
1.一种红外图像处理系统,其特征在于,所述系统包括处理器和数据库,所述数据库中存储有用户输入的基准红外图像、影响参数信息集L={F,B}和影响参数取值规则集R={RF,RB},所述基准红外图像中包括n个基准特征区域;F为用户输入的特征区域参数信息,F=(F1,F2,…,Fi,…,Fn);所述基准红外图像具有设定标签类型;
第i个特征区域参数信息Fi=(Fi1,Fi2,…,Fij,Fih(i)),Fij为Fi中的第j个对比参数,i的取值为1到n,j的取值为1到h(i),h(i)为Fi中的对比参数的数量;B为用户输入的基准属性参数信息,B=(B1,B2,…,Br,…,Bm),Br为第r个基准属性参数,r的取值为1到m,m为基准属性参数的数量;RF为特征区域参数取值规则,RF=(RFi1,RFi2,…,RFij,RFih(i))Rij为Fij的取值规则,RB为基准属性参数取值规则,RB=(RB1,RB2,…,RBr,…,RBm),RBr为Br的取值规则;
所述处理器用于执行计算机程序,以实现如下步骤:
S100,获取k个样本红外图像和对应的属性参数信息;所述样本红外图像包括k1个第一样本红外图像和k2个第二样本红外图像,第一样本红外图像的标签类型与所述设定标签类型不同,第二样本红外图像的标签类型与所述设定标签类型相同;
S200,对任一图像t中的n个特征区域分别进行识别,并基于识别的每个特征区域对应的对比参数和取值规则,将每个特征区域与对应的基准特征区域进行对比,得到对应的对比参数的取值;得到图像t的第一数据集D1t={D1t 1,D1t 2,…,D1t i,…,D1t n},D1t i={Dt i1,Dt i2,…,Dt ij,…,Dt in},Dt ij为Fij的取值,t的取值为1到k;
S300,将任一图像t的属性参数信息与所述基准属性参数信息进行比对,得到每个基准属性参数的取值;得到图像t的第二数据集D2t={D2t 1,D2t 2,…,D2t r,…,D2t m},D2t r为Br的取值;
S400,将图像t的数据集进行数学编码,得到与L对应的影响参数数据集,并基于得到的影响参数数据集和对应的分类标签形成训练数据集;
S500,将所有图像的训练数据集输入到设定的AI模型中进行训练,得到训练好的AI模型,以及得到每个参数的权重,形成训练好的权重集;
所述处理器还用于执行计算机程序,以实现如下步骤:
S10,基于接收到的目标红外图像和对应的属性参数信息,获取与L对应的影响参数数据集,作为目标数据集;
S20,将所述目标数据集输入到所述训练好的AI模型中,得到对应的输出结果。
2.根据权利要求1所述的系统,其特征在于,所述数据库中还存储有基准权重集{WB1,WB2,…,WBs,…,WBP},WBs为L中的第s个参数的权重,s的取值为1到P,P=h(1)+h(2)+…+h(i)+…+h(n)+m。
3.根据权利要求2所述的系统,其特征在于,所述基准权重集通过向用户指定的专家发放调查问卷获得。
4.根据权利要求2所述的系统,其特征在于,所述基准权重集通过向用户指定的专家发放调查问卷以及通过网络爬取相关的数据得到。
5.根据权利要求2所述的系统,其特征在于,所述处理器还用于执行计算机程序,以实现如下步骤:
S600,获取基准权重集和训练好的权重集之间的偏离度,如果偏离度小于设定偏离度阈值,则将所述训练好的AI模型作为目标预测模型,将所述训练好的权重集作为目标权重集,否则,输出提示信息。
6.根据权利要求1所述的系统,其特征在于,所述偏离度基于马氏距离或者协方差得到。
7.根据权利要求1所述的系统,其特征在于,所述基准属性参数信息至少包括身高、年龄、性别、生活习惯和既往身体状态。
8.根据权利要求1所述的系统,其特征在于,在S200中,通过训练后的图像识别模型对任一图像t中的n个特征区域分别进行识别。
9.根据权利要求1所述的系统,其特征在于,所述基准红外图像为基于多个具有设定标签类型的红外图像的特征区域的共同特征得到的图像。
10.根据权利要求1所述的系统,其特征在于,所述对比参数至少包括特征区域的形状和特征区域的温度特征值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310317247.5A CN116664966B (zh) | 2023-03-27 | 2023-03-27 | 一种红外图像处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310317247.5A CN116664966B (zh) | 2023-03-27 | 2023-03-27 | 一种红外图像处理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116664966A true CN116664966A (zh) | 2023-08-29 |
CN116664966B CN116664966B (zh) | 2024-02-20 |
Family
ID=87726747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310317247.5A Active CN116664966B (zh) | 2023-03-27 | 2023-03-27 | 一种红外图像处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116664966B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117297551A (zh) * | 2023-10-30 | 2023-12-29 | 北京鹰之眼智能健康科技有限公司 | 基于红外图像的数据处理系统 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390674A (zh) * | 2019-07-24 | 2019-10-29 | 腾讯医疗健康(深圳)有限公司 | 图像处理方法、装置、存储介质、设备以及系统 |
CN111126224A (zh) * | 2019-12-17 | 2020-05-08 | 成都通甲优博科技有限责任公司 | 车辆检测方法及分类识别模型训练方法 |
WO2020117006A1 (ko) * | 2018-12-07 | 2020-06-11 | 주식회사 포스코아이씨티 | Ai 기반의 안면인식시스템 |
CN112215296A (zh) * | 2020-10-21 | 2021-01-12 | 红相股份有限公司 | 基于迁移学习的红外图像识别方法及存储介质 |
US20210019499A1 (en) * | 2018-03-20 | 2021-01-21 | Shimadzu Corporation | Cell Image Analysis Apparatus, Cell Image Analysis System, Method of Generating Training Data, Method of Generating Trained Model, Training Data Generation Program, and Method of Producing Training Data |
US20210125724A1 (en) * | 2018-06-28 | 2021-04-29 | Fujifilm Corporation | Medical image processing apparatus, medical image processing method, machine learning system, and program |
CN113159334A (zh) * | 2021-02-24 | 2021-07-23 | 广西大学 | 基于轻量型深度学习的电气设备红外图像实时性检测与诊断方法 |
CN113313698A (zh) * | 2021-06-09 | 2021-08-27 | 光华临港工程应用技术研发(上海)有限公司 | 基于神经网络的肺结节检测方法、装置及图像处理设备 |
JP2021176070A (ja) * | 2020-05-02 | 2021-11-04 | Arithmer Inc | 画像検査装置、画像検査方法及びプログラム |
US20210374954A1 (en) * | 2020-06-02 | 2021-12-02 | Memorial Sloan Kettering Cancer Center | Machine learning model for analyzing pathology data from metastatic sites |
JP2022006189A (ja) * | 2020-11-10 | 2022-01-12 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | 画像処理方法、事前トレーニングモデルのトレーニング方法、装置及び電子機器 |
CN114821165A (zh) * | 2022-04-19 | 2022-07-29 | 北京运达华开科技有限公司 | 一种轨道检测图像采集分析方法 |
CN114821757A (zh) * | 2022-06-24 | 2022-07-29 | 北京鹰之眼智能健康科技有限公司 | 一种获取视疲劳状态的数据处理系统 |
CN115170897A (zh) * | 2022-04-29 | 2022-10-11 | 广东工业大学 | 一种基于掩码区域卷积神经网络的图像处理方法及其应用 |
WO2023284608A1 (zh) * | 2021-07-13 | 2023-01-19 | 深圳思谋信息科技有限公司 | 字符识别模型生成方法、装置、计算机设备和存储介质 |
CN115661564A (zh) * | 2022-09-08 | 2023-01-31 | 杭州海康机器人股份有限公司 | 图像处理模型的训练方法、装置、电子设备及存储介质 |
CN115731178A (zh) * | 2022-11-21 | 2023-03-03 | 华东师范大学 | 一种跨模态的无监督域自适应医学图像分割方法 |
-
2023
- 2023-03-27 CN CN202310317247.5A patent/CN116664966B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210019499A1 (en) * | 2018-03-20 | 2021-01-21 | Shimadzu Corporation | Cell Image Analysis Apparatus, Cell Image Analysis System, Method of Generating Training Data, Method of Generating Trained Model, Training Data Generation Program, and Method of Producing Training Data |
US20210125724A1 (en) * | 2018-06-28 | 2021-04-29 | Fujifilm Corporation | Medical image processing apparatus, medical image processing method, machine learning system, and program |
WO2020117006A1 (ko) * | 2018-12-07 | 2020-06-11 | 주식회사 포스코아이씨티 | Ai 기반의 안면인식시스템 |
CN110390674A (zh) * | 2019-07-24 | 2019-10-29 | 腾讯医疗健康(深圳)有限公司 | 图像处理方法、装置、存储介质、设备以及系统 |
CN111126224A (zh) * | 2019-12-17 | 2020-05-08 | 成都通甲优博科技有限责任公司 | 车辆检测方法及分类识别模型训练方法 |
JP2021176070A (ja) * | 2020-05-02 | 2021-11-04 | Arithmer Inc | 画像検査装置、画像検査方法及びプログラム |
US20210374954A1 (en) * | 2020-06-02 | 2021-12-02 | Memorial Sloan Kettering Cancer Center | Machine learning model for analyzing pathology data from metastatic sites |
WO2021247491A1 (en) * | 2020-06-02 | 2021-12-09 | Memorial Sloan Kettering Cancer Center | Machine learning model for analyzing pathology data from metastatic sites |
US20230021031A1 (en) * | 2020-06-02 | 2023-01-19 | Memorial Sloan Kettering Cancer Center | Machine learning model for analyzing pathology data from metastatic sites |
CN112215296A (zh) * | 2020-10-21 | 2021-01-12 | 红相股份有限公司 | 基于迁移学习的红外图像识别方法及存储介质 |
JP2022006189A (ja) * | 2020-11-10 | 2022-01-12 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | 画像処理方法、事前トレーニングモデルのトレーニング方法、装置及び電子機器 |
CN113159334A (zh) * | 2021-02-24 | 2021-07-23 | 广西大学 | 基于轻量型深度学习的电气设备红外图像实时性检测与诊断方法 |
CN113313698A (zh) * | 2021-06-09 | 2021-08-27 | 光华临港工程应用技术研发(上海)有限公司 | 基于神经网络的肺结节检测方法、装置及图像处理设备 |
WO2023284608A1 (zh) * | 2021-07-13 | 2023-01-19 | 深圳思谋信息科技有限公司 | 字符识别模型生成方法、装置、计算机设备和存储介质 |
CN114821165A (zh) * | 2022-04-19 | 2022-07-29 | 北京运达华开科技有限公司 | 一种轨道检测图像采集分析方法 |
CN115170897A (zh) * | 2022-04-29 | 2022-10-11 | 广东工业大学 | 一种基于掩码区域卷积神经网络的图像处理方法及其应用 |
CN114821757A (zh) * | 2022-06-24 | 2022-07-29 | 北京鹰之眼智能健康科技有限公司 | 一种获取视疲劳状态的数据处理系统 |
CN115661564A (zh) * | 2022-09-08 | 2023-01-31 | 杭州海康机器人股份有限公司 | 图像处理模型的训练方法、装置、电子设备及存储介质 |
CN115731178A (zh) * | 2022-11-21 | 2023-03-03 | 华东师范大学 | 一种跨模态的无监督域自适应医学图像分割方法 |
Non-Patent Citations (2)
Title |
---|
ANNEGREET VAN OPBROEK: "Transfer Learning for Image Segmentation by Combining Image Weighting and Kernel Learning", 《IEEE ACCESS》 * |
郭婷: "一种红外图像和宽光谱融合的人脸识别算法", 《武汉工程大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117297551A (zh) * | 2023-10-30 | 2023-12-29 | 北京鹰之眼智能健康科技有限公司 | 基于红外图像的数据处理系统 |
CN117297551B (zh) * | 2023-10-30 | 2024-04-19 | 北京鹰之眼智能健康科技有限公司 | 基于红外图像的数据处理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116664966B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Goyal et al. | Dfunet: Convolutional neural networks for diabetic foot ulcer classification | |
KR101880678B1 (ko) | 기계학습을 통한 의료영상 판독 및 진단 통합 시스템 | |
Islam et al. | Applying supervised contrastive learning for the detection of diabetic retinopathy and its severity levels from fundus images | |
CN111292853A (zh) | 基于多参数的心血管疾病风险预测网络模型及其构建方法 | |
KR20170061222A (ko) | 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 | |
CN113689954A (zh) | 高血压风险预测方法、装置、设备及介质 | |
CN116386869B (zh) | 一种基于多变量的病情危重程度评估方法 | |
CN116664966B (zh) | 一种红外图像处理系统 | |
Kumar et al. | Hybrid Bijective soft set-Neural network for ECG arrhythmia classification | |
CN111387938A (zh) | 一种基于特征重排一维卷积神经网络的病人心衰死亡风险预测系统 | |
CN117542474A (zh) | 基于大数据的远程护理监测系统及方法 | |
CN115024725A (zh) | 融合心理状态多参数检测的肿瘤治疗辅助决策系统 | |
CN110575178B (zh) | 一种运动状态判断的诊断监控综合医疗系统及其判断方法 | |
CN111916213A (zh) | 一种基于云计算的医疗服务方法和装置 | |
CN111916179A (zh) | 一种基于人工智能自适应个体体征进行“量身定制”饮食滋补模型方法 | |
CN116564458A (zh) | 一种基于电子病历的数据处理方法、系统、设备及介质 | |
Nazlı et al. | Classification of Coronary Artery Disease Using Different Machine Learning Algorithms | |
US20220375618A1 (en) | Method and apparatus of calculating comprehensive disease index | |
Suvarna et al. | Diagnosis of burn images using template matching, k-nearest neighbor and artificial neural network | |
CN115273176A (zh) | 一种基于生命体征和表情的疼痛多算法客观评估方法 | |
CN115170492A (zh) | 一种基于ai技术的白内障患者术后视力智能预测评估系统 | |
Yousef et al. | Classification of Diabetic Foot Thermal Images Using Deep Convolutional Neural Network. | |
CN114822830B (zh) | 问诊交互方法及相关装置、电子设备、存储介质 | |
Thompson et al. | Detection of Obstructive Sleep Apnoea Using Features Extracted From Segmented Time-Series ECG Signals With a One Dimensional Convolutional Neural Network | |
Wiantari et al. | Implementation of the CBR (Case-Based Reasoning) Method in Cases of Caesarean section |
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 |