TWI834284B - 影像異常檢測系統及影像異常檢測方法 - Google Patents
影像異常檢測系統及影像異常檢測方法 Download PDFInfo
- Publication number
- TWI834284B TWI834284B TW111134102A TW111134102A TWI834284B TW I834284 B TWI834284 B TW I834284B TW 111134102 A TW111134102 A TW 111134102A TW 111134102 A TW111134102 A TW 111134102A TW I834284 B TWI834284 B TW I834284B
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- abnormal
- scores
- images
- anomaly detection
- Prior art date
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 230000002159 abnormal effect Effects 0.000 claims abstract description 64
- 238000007781 pre-processing Methods 0.000 claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Alarm Systems (AREA)
Abstract
一種影像異常檢測系統及影像異常檢測方法。影像異常檢測系統包括影像前處理區塊、閾值決定區塊以及異常辨識區塊。影像前處理區塊，接收多個輸入影像，並且經由第一演算法提供這些輸入影像的所對應的多個異常分數。閾值決定區塊接收這些異常分數，以依據第二演算法決定閾值。異常辨識區塊，接收閾值以基於閾值檢測待測影像的異常區域，且提供辨識結果。
Description
本發明是有關於一種檢測方法，且特別是有關於一種影像異常檢測系統及影像異常檢測方法。
對於高速自動化機器來說，有必要提供自我監控的功能，以確保機器處於正常運作的狀態。有鑑於此，如何運用影像處理與人工智慧技術持續對機器進行監控，以在發現異常時及時發出警報，則成為發展自我監控的一個重點。並且，對於影像監控系統而言，辨識異常的準確度與成像品質的提升會改善使用者體驗，因此也是系統發展的一個重點。
本發明提供一種影像異常檢測系統及影像異常檢測方法，可提升影像異常的辨識的準確度與成像品質。
本發明的影像異常檢測系統，包括影像前處理區塊、閾值決定區塊以及異常辨識區塊。影像前處理區塊，接收多個輸入影像，並且經由第一演算法提供這些輸入影像的所對應的多個異常分數。閾值決定區塊接收這些異常分數，以依據第二演算法決定閾值。異常辨識區塊，接收閾值以基於閾值檢測待測影像的異常區域，且提供辨識結果。
本發明的影像異常檢測方法，包括下列步驟。經由影像前處理區塊接收多個輸入影像。經由影像前處理區塊使用第一演算法提供這些輸入影像所對應的多個異常分數。經由閾值決定區塊接收這些異常分數，以依據第二演算法決定閾值。經由異常辨識區塊接收閾值，以基於閾值檢測待測影像的異常區域，且提供辨識結果。
基於上述，本發明實施例的影像異常檢測系統及影像異常檢測方法，影像異常檢測系統利用影像辨識後所產生的異常分數，再依照異常分數的分佈特性，選擇合適的閾值。藉此，可優化異常偵測的效果，使準確度提高。
為讓本發明的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。
除非另有定義，本文使用的所有術語(包括技術和科學術語)具有與本發明所屬領域的普通技術人員通常理解的相同的含義。將進一步理解的是，諸如在通常使用的字典中定義的那些術語應當被解釋為具有與它們在相關技術和本發明的上下文中的含義一致的含義，並且將不被解釋為理想化的或過度正式的意義，除非本文中明確地這樣定義。
應當理解，儘管術語”第一”、”第二”、”第三”等在本文中可以用於描述各種元件、部件、區域、層及/或部分，但是這些元件、部件、區域、及/或部分不應受這些術語的限制。這些術語僅用於將一個元件、部件、區域、層或部分與另一個元件、部件、區域、層或部分區分開。因此，下面討論的”第一元件”、”部件”、”區域”、”層”或”部分”可以被稱為第二元件、部件、區域、層或部分而不脫離本文的教導。
這裡使用的術語僅僅是為了描述特定實施例的目的，而不是限制性的。如本文所使用的，除非內容清楚地指示，否則單數形式”一”、”一個”和”該”旨在包括複數形式，包括”至少一個”。”或”表示”及/或”。如本文所使用的，術語”及/或”包括一個或多個相關所列項目的任何和所有組合。還應當理解，當在本說明書中使用時，術語”包括”及/或”包括”指定所述特徵、區域、整體、步驟、操作、元件的存在及/或部件，但不排除一個或多個其它特徵、區域整體、步驟、操作、元件、部件及/或其組合的存在或添加。
圖1為依據本發明一實施例的影像異常檢測系統的系統示意圖。請參照圖1，在本實施例中，影像異常檢測系統100包括影像前處理區塊110、閾值決定區塊120、以及異常辨識區塊130，其中影像前處理區塊110、閾值決定區塊120、以及異常辨識區塊130可以皆是硬體電路或由處理器所執行的軟體模組，或者影像前處理區塊110、閾值決定區塊120、以及異常辨識區塊130可以是硬體電路及軟體模組的任意組合，本發明實施例不以此為限。
影像前處理區塊110接收多個輸入影像IMinput，並且經由第一演算法提供這些輸入影像IMinput的所對應的多個異常分數SCano。閾值決定區塊120接收這些異常分數SCano，以依據第二演算法決定閾值THsc。異常辨識區塊130接收閾值THsc，以基於閾值THsc檢測待測影像IMdet的異常區域，且提供辨識結果RUrec。
依據上述，影像異常檢測系統100利用影像辨識後所產生的異常分數（anomaly score），再依照異常分數的分佈特性，選擇合適的閾值。藉此，可優化異常偵測的效果，使準確度提高。並且，在本發明實施例中，影像異常檢測系統100可提供數種最好/最先進的（state-of-the-art，SOTA）演算法，並且所開發的閾值決定區塊120是利用少量資料（100張內）來訓練，因此不需進行編碼（Coding），更可執行非監督式學習。此外，由於影像異常檢測系統100是利用數值（例如異常分數SCano及F1分數）運算來判斷閾值，因此可以在中央處理器（CPU）上執行，而不需要圖形處理單元（GPU）。
在本實施例中，閾值決定區塊120執行第二演算法，以計算多個異常分數SCano所對應的多個F1分數且基於這些F1分數判斷各個異常分數SCano是否能夠完全區分這些輸入影像IMinput中的多個正常影像及多個異常影像。當這些異常分數SCano中的一者能夠完全區分這些正常影像及這些異常影像時，將這些異常分數SCano中的所述一者作為閾值THsc。當這些異常分數SCano中的一者無法完全區分這些正常影像及這些異常影像時，將這些異常分數SCano中具有最大F1分數的區間的兩個邊界值CT1及CT2的中間值作為閾值THsc。
在本實施例中，待測影像IMdet可經由影像前處理區塊110計算出各區域的異常分數SCano，而異常辨識區塊130藉由待測影像IMdet的異常分數SCano來判斷待測影像IMdet的異常區域。
在本實施例中，F1分數可參照相關技術領域的一般性定義來解釋。在一般性定義中，F1分數（F1 Score），又稱平衡F分數（balanced F Score），是統計學中用來衡量二分類模型精確度的一種指標。
圖2A及圖2B分別為依據本發明一實施例的多個輸入影像所對應的多個異常分數的分佈示意圖。圖2C為依據本發明一實施例的輸入影像的F1分數的分佈示意圖。請參照圖1及圖2A，在本實施例中，這些異常分數SCano中的一者能夠完全區分這些正常影像所對應的異常分數C1及這些異常影像所對應的異常分數C2。此時，閾值決定區塊120可將這些異常分數SCano中的所述一者作為閾值THsc1，其中閾值THsc1是基於這些正常影像所對應的這些異常分數C1的平均值及標準差的整數倍來選擇。在本發明實施中，THsc1可以是異常分數C1的平均值與標準差的整數倍的總和。
請參照圖1、圖2B及圖2C，在本實施例中，這些異常分數SCano中的一者無法完全區分這些正常影像所對應的異常分數C1及這些異常影像所對應的異常分數C2，例如正常影像所對應的異常分數C1x與法從異常影像所對應的異常分數C2區分開。此時，閾值決定區塊120計算多個異常分數SCano所對應的多個F1分數，將這些異常分數SCano中具有（或對應）最大F1分數SCFmax的區間INm的兩個邊界值（亦即左邊界值CT1及右邊界值CT2）的中間值（或者平均值）作為閾值THsc2。
圖2D為依據本發明一實施例的待測影像的檢測示意圖。請參照圖1及圖2D，在本實施例中，異常辨識區塊130可以在辨識出待測影像IMdet的異常區域Rano後，在待測影像IMdet上標記異常區域Rano作為辨識結果影像，而異常辨識區塊130輸出的辨識結果RUrec可以包括辨識結果影像。
並且，辨識結果RUrec可以提供至待測影像IMdet所拍攝的製程機台，以在辨識出異常區域Rano後，將結果回饋至製程機台，以達到機台回控的功能。
圖3為依據本發明一實施例的影像前處理區塊的系統示意圖。圖4為依據本發明一實施例的相似度進行正規化的示意圖。請參照圖1、圖3及圖4，在本實施例仲，影像前處理區塊110透過預訓練模型111擷取出各個輸入影像IMinput的多個深度特徵FEdeep，影像前處理區塊110的相似度計算區塊113可基於各個輸入影像IMinput的深度特徵FEdeep與正常影像的多個參照深度特徵RFEdeep進行相似度計算，以提供各個輸入影像IMinput的相似度（如相似度分佈Msim所示），其中相似度分佈Msim繪示各個輸入影像IMinput的多個區域的相似度，並且參照深度特徵RFEdeep同樣可由預訓練模型111擷取或由外部輸入。
接著，影像前處理區塊110將各個輸入影像IMinput的多個相似度（如相似度分佈Msim所示）進行正規化以提供多個正規化值（如正規化值分佈Mnor所示），並且基於各個輸入影像IMinput的正規化值決定各個輸入影像IMinput的對應異常分數SCano，其中正規化值分佈Mnor繪示各個輸入影像IMinput的多個區域的正規化值。
在本發明實施例中，影像前處理區塊110可將各個輸入影像IMinput的正規化值中的最大值作為各個輸入影像IMinput的對應異常分數SCano，以正規化值分佈Mnor為例，輸入影像IMinput的異常分數SCano可以是0.8。
在本發明實施例中，第一演算法可以包括馬式距離或K-近鄰（KNN）演算法。此時，影像前處理區塊110的相似度計算區塊113可基於馬式距離或K-近鄰演算法計算各個輸入影像IMinput的多個區域與正常影像的中對應區域的相似度。
在本發明實施例中，預訓練模型111可以是類神經網路，並且影像前處理區塊110經由自動化機器學習115，調整調整預訓練模型111的結構、這些深度特徵FEdeep的一層數和相似度計算區塊113計算相似度的計算方式。
在本發明實施例中，各個輸入影像IMinput的這些區域的最大數目與影像前處理區塊110的處理能力相關。進一步來說，若影像前處理區塊110是由處理器所執行的軟體模組，則各個輸入影像IMinput的這些區域的最大數目與處理器的處理能力相關。同樣地，待測影像IMdet可分割為多個區域，以檢測待測影像IMdet的異常區域。
圖5為依據本發明一實施例的影像異常檢測方法的流程圖。請參照圖5，在本實施例中，影像異常檢測方法包括下列步驟。在步驟S110中，經由影像前處理區塊接收多個輸入影像。在步驟S120中，經由影像前處理區塊使用第一演算法提供這些輸入影像所對應的多個異常分數。在步驟S130中，經由閾值決定區塊接收這些異常分數，以依據第二演算法決定閾值。在步驟S140中，經由異常辨識區塊接收閾值，以基於閾值檢測待測影像的異常區域，且提供辨識結果。其中，上述步驟S110、S120、S130、S140的順序為用以說明，本發明實施例不以為限。並且，上述步驟S110、S120、S130、S140的細節可參照圖1、圖2A-2D、圖3及圖4實施例所示，在此則不再贅述。
綜上所述，本發明實施例的影像異常檢測系統及影像異常檢測方法，影像異常檢測系統利用影像辨識後所產生的異常分數，再依照異常分數的分佈特性，選擇合適的閾值。藉此，可優化異常偵測的效果，使準確度提高。
雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
100:影像異常檢測系統
110:影像前處理區塊
111:預訓練模型
113:相似度計算區塊
115:自動化機器學習
120:閾值決定區塊
130:異常辨識區塊
CT1:左邊界值
CT2:右邊界值
FEdeep:深度特徵
IMdet:待測影像
IMinput:輸入影像
INm:區間
Mnor:正規化值分佈
Msim:相似度分佈
Rano:異常區域
RFEdeep:參照深度特徵
RUrec:辨識結果
SCano、C1、C1x、C2:異常分數
THsc:閾值
S110、S120、S130、S140:步驟
圖1為依據本發明一實施例的影像異常檢測系統的系統示意圖。
圖2A及圖2B分別為依據本發明一實施例的多個輸入影像所對應的多個異常分數的分佈示意圖。
圖2C為依據本發明一實施例的輸入影像的F1分數的分佈示意圖。
圖2D為依據本發明一實施例的待測影像的檢測示意圖。
圖3為依據本發明一實施例的影像前處理區塊的系統示意圖。
圖4為依據本發明一實施例的相似度進行正規化的示意圖。
圖5為依據本發明一實施例的影像異常檢測方法的流程圖。
100:影像異常檢測系統
110:影像前處理區塊
120:閾值決定區塊
130:異常辨識區塊
IMdet:待測影像
IMinput:輸入影像
RUrec:辨識結果
SCano:異常分數
THsc:閾值
Claims (16)
- 一種影像異常檢測系統，包括：一影像前處理區塊，接收多個輸入影像，並且經由一第一演算法提供該些輸入影像所對應的多個異常分數；一閾值決定區塊，接收該些異常分數，以依據一第二演算法決定一閾值；以及一異常辨識區塊，接收該閾值，以基於該閾值檢測一待測影像中的一異常區域，且提供一辨識結果，其中該影像前處理區塊計算各該些輸入影像的多個區域與一正常影像的中一對應區域的一相似度，以決定各該些輸入影像的對應異常分數，其中該第一演算法包括一馬式距離或一K-近鄰(KNN)演算法，並且該影像前處理區塊基於該馬式距離或該K-近鄰演算法計算各該些輸入影像的多個區域與該正常影像的中該對應區域的該相似度，將各該些輸入影像的多個相似度進行正規化以提供多個正規化值，並且基於該些正規化值決定各該些輸入影像的對應異常分數。
- 如請求項1所述的影像異常檢測系統，其中該影像前處理區塊透過一預訓練模型擷取出各該些輸入影像的多個深度特徵，基於各該些輸入影像的該些深度特徵與該正常影像的多個參照深度特徵進行相似度計算，以提供各該些輸入影像的該些相似度。
- 如請求項2所述的影像異常檢測系統，其中該預訓練模型為一類神經網路，並且該影像前處理區塊經由一自動化機器學習，調整該預訓練模型的結構、該些深度特徵的一層數和該些相似度的一計算方式。
- 如請求項1所述的影像異常檢測系統，其中各該些輸入影像的該些區域的最大數目與該影像前處理區塊的一處理能力相關。
- 如請求項1所述的影像異常檢測系統，其中該閾值決定區塊執行該第二演算法，以計算多個異常分數所對應的多個F1分數且基於該些F1分數判斷各該些異常分數是否能夠區分該些輸入影像中的多個正常影像及多個異常影像，當該些異常分數中的一者能夠區分該些正常影像及該些異常影像時，將該些異常分數中的所述一者作為該閾值，當該些異常分數中的一者無法區分該些正常影像及該些異常影像時，將該些異常分數中具有最大F1分數的區間的兩個邊界值的中間值作為該閾值。
- 如請求項5所述的影像異常檢測系統，其中該些異常分數中的所述一者是基於該些正常影像所對應的該些異常分數的一平均值及一標準差的一整數倍來選擇。
- 如請求項1所述的影像異常檢測系統，其中該辨識結果包括一辨識結果影像。
- 如請求項1所述的影像異常檢測系統，其中該辨識結果提供至該待測影像所拍攝的一製程機台。
- 一種影像異常檢測方法，包括：經由一影像前處理區塊接收多個輸入影像；經由該影像前處理區塊使用一第一演算法提供該些輸入影像所對應的多個異常分數；經由一閾值決定區塊接收該些異常分數，以依據一第二演算法決定一閾值；以及經由一異常辨識區塊接收該閾值，以基於該閾值檢測一待測影像的一異常區域，且提供一辨識結果，其中該第一演算法包括一馬式距離或一K-近鄰演算法，並且經由該影像前處理區塊使用該第一演算法提供該些輸入影像所對應的該些異常分數包括：經由該影像前處理區塊基於該馬式距離或該K-近鄰演算法計算各該些輸入影像的多個區域與一正常影像中一對應區域的一相似度；經由該影像前處理區塊將各該些輸入影像的多個相似度進行正規化以提供多個正規化值；以及經由該影像前處理區塊基於各該些輸入影像的該些正規化值決定各該些輸入影像的對應異常分數。
- 如請求項9所述的影像異常檢測方法，更包括：經由該影像前處理區塊透過一預訓練模型擷取出各該些輸入 影像的多個深度特徵；以及經由該影像前處理區塊基於各該些輸入影像的該些深度特徵與該正常影像的多個參照深度特徵進行相似度計算，以提供各該些輸入影像的的該些相似度。
- 如請求項10所述的影像異常檢測方法，其中該預訓練模型為一類神經網路，並且該影像異常檢測方法更包括：經由該影像前處理區塊經由一自動化機器學習，調整該預訓練模型的結構、該些深度特徵的一層數和該些相似度的一計算方式。
- 如請求項9所述的影像異常檢測方法，其中各該些輸入影像的該些區域的最大數目與該影像前處理區塊的一處理能力相關。
- 如請求項9所述的影像異常檢測方法，更包括：經由該閾值決定區塊透過執行該第二演算法，計算多個異常分數所對應的多個F1分數且基於該些F1分數判斷各該些異常分數是否能夠區分該些輸入影像中的多個正常影像及多個異常影像；當該些異常分數中的一者能夠區分該些正常影像及該些異常影像時，經由該閾值決定區塊將該些異常分數中的所述一者作為該閾值；以及 當該些異常分數中的一者無法區分該些正常影像及該些異常影像時，經由該閾值決定區塊將該些異常分數中具有最大F1分數的區間的兩個邊界值的中間值作為該閾值。
- 如請求項13所述的影像異常檢測方法，其中該些異常分數中的所述一者是基於該些正常影像所對應的該些異常分數的一平均值及一標準差的一整數倍來選擇。
- 如請求項9所述的影像異常檢測方法，其中該辨識結果包括一辨識結果影像。
- 如請求項9所述的影像異常檢測方法，其中該辨識結果提供至該待測影像所拍攝的一製程機台。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111134102A TWI834284B (zh) | 2022-09-08 | 2022-09-08 | 影像異常檢測系統及影像異常檢測方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111134102A TWI834284B (zh) | 2022-09-08 | 2022-09-08 | 影像異常檢測系統及影像異常檢測方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI834284B true TWI834284B (zh) | 2024-03-01 |
| TW202411631A TW202411631A (zh) | 2024-03-16 |
Family
ID=91228035
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111134102A TWI834284B (zh) | 2022-09-08 | 2022-09-08 | 影像異常檢測系統及影像異常檢測方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI834284B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201514472A (zh) * | 2013-10-08 | 2015-04-16 | Nat Univ Tsing Hua | 整合影像分析與資料挖礦之自動光學檢測缺陷影像分類方法 |
| US20190019291A1 (en) * | 2017-07-11 | 2019-01-17 | MESC Health Ltd | Method and System for Image Analysis to Detect Cancer |
| CN114170184A (zh) * | 2021-12-08 | 2022-03-11 | 四川启睿克科技有限公司 | 一种基于嵌入特征向量的产品图像异常检测方法及装置 |
| TWI769661B (zh) * | 2021-01-12 | 2022-07-01 | 鴻海精密工業股份有限公司 | 圖像異常檢測方法、裝置、電腦裝置及儲存介質 |
| CN114723708A (zh) * | 2022-04-07 | 2022-07-08 | 浙大城市学院 | 一种基于无监督图像分割的工艺品外观缺陷检测方法 |
-
2022
- 2022-09-08 TW TW111134102A patent/TWI834284B/zh active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201514472A (zh) * | 2013-10-08 | 2015-04-16 | Nat Univ Tsing Hua | 整合影像分析與資料挖礦之自動光學檢測缺陷影像分類方法 |
| US20190019291A1 (en) * | 2017-07-11 | 2019-01-17 | MESC Health Ltd | Method and System for Image Analysis to Detect Cancer |
| TWI769661B (zh) * | 2021-01-12 | 2022-07-01 | 鴻海精密工業股份有限公司 | 圖像異常檢測方法、裝置、電腦裝置及儲存介質 |
| CN114170184A (zh) * | 2021-12-08 | 2022-03-11 | 四川启睿克科技有限公司 | 一种基于嵌入特征向量的产品图像异常检测方法及装置 |
| CN114723708A (zh) * | 2022-04-07 | 2022-07-08 | 浙大城市学院 | 一种基于无监督图像分割的工艺品外观缺陷检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202411631A (zh) | 2024-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Automatic detection of diabetic retinopathy in retinal fundus photographs based on deep learning algorithm | |
| Khodabakhsh et al. | Fake face detection methods: Can they be generalized? | |
| Jebaseeli et al. | Retinal blood vessel segmentation from diabetic retinopathy images using tandem PCNN model and deep learning based SVM | |
| Chen et al. | Glaucoma detection based on deep convolutional neural network | |
| Acharya et al. | Automated diagnosis of glaucoma using texture and higher order spectra features | |
| Aigrain et al. | Detecting adversarial examples and other misclassifications in neural networks by introspection | |
| Xingguang et al. | Deep neural network for melanoma classification in dermoscopic images | |
| Yadav et al. | Computer‐aided diagnosis of cataract severity using retinal fundus images and deep learning | |
| Deepa et al. | Automated grading of diabetic retinopathy using CNN with hierarchical clustering of image patches by siamese network | |
| Barges et al. | GLDM and Tamura features based KNN and particle swarm optimization for automatic diabetic retinopathy recognition system | |
| Agustin et al. | Implementation of data augmentation to improve performance CNN method for detecting diabetic retinopathy | |
| Jemima Jebaseeli et al. | Retinal blood vessel segmentation from depigmented diabetic retinopathy images | |
| Haghpanah et al. | Real-time hand rubbing quality estimation using deep learning enhanced by separation index and feature-based confidence metric | |
| Khan et al. | Ddnet: Diabetic retinopathy detection system using skip connection-based upgraded feature block | |
| TWI834284B (zh) | 影像異常檢測系統及影像異常檢測方法 | |
| Nugraha et al. | Glaucoma detection based on texture feature of neuro retinal rim area in retinal fundus image | |
| Prabhakar et al. | Automatic detection of diabetic retinopathy in retinal images: a study of recent advances | |
| Sengar et al. | An efficient artificial intelligence-based approach for diagnosis of media haze disease | |
| Nimitha et al. | Supervised chromosomal anomaly detection using VGG-16 CNN model | |
| Ponnaiah et al. | Automatic optic disc detection and removal of false exudates for improving retinopathy classification accuracy | |
| Chakravarthy et al. | DR-NET: A Stacked Convolutional Classifier Framework for Detection of Diabetic Retinopathy | |
| CN115861625A (zh) | 一种处理噪声标签的自标签修改方法 | |
| CN111374632B (zh) | 视网膜病变检测方法、装置及计算机可读存储介质 | |
| Hartono et al. | Combining feature selection and hybrid approach redefinition in handling class imbalance and overlapping for multi-class imbalanced | |
| Basha et al. | Algorithmic analysis of distance-based monarch butterfly oriented deep belief network for diabetic retinopathy |