[發明專利]基于改進后的殘差網絡的骨齡自動化識別系統

在審

• 申請號: 201711274742.3
• 申請日: 2017-12-06
• 公開（公告）號: CN107944496A
• 公開（公告）日: 2018-04-20
• 發明（設計）人: 漆進;胡順達;史鵬
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;A61B8/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于改進后的殘差網絡的骨齡識別系統，所述方法包括

(1)將樣本庫的樣本分為訓練樣本和驗證樣本，樣本庫中圖片進行預處理，得到處理后的圖片；

(2)構建深度神經網絡，將(1)中處理后的圖片依批次輸入網絡，使用有動量的梯度下降法進行優化網絡，得到訓練完成的網絡；

(3)對測試樣本圖片進行如(1)中的預處理，得到處理后的測試圖片；

(4)將(3)中得到的處理后的測試圖片輸入訓練好的網絡中，得到骨齡結果。

2.根據權利要求1所述的方法，其特征在于，所述步驟(1)中具體包括：

(11)對樣本庫中樣本按照一定比例分為訓練樣本和驗證樣本，然后將訓練樣本和驗證樣本都進行數據增強，將每個樣本進行隨機改變對比度，飽和度，光照，得到數據增強后的訓練樣本和驗證樣本，樣本大小是224×224；

(12)用(11)中的數據增強后的訓練樣本和驗證樣本歸一化，將(11)中大批訓練樣本減去樣本本身的均值，實現歸一化，得到可訓練樣本和驗證樣本。

3.根據權利要求1所述的方法，其特征在于，所述步驟(2)中具體包括：

(13)(21)構建一個如圖1的深度神經網絡，神經網絡的特征提取由殘差網絡構成。網絡輸入是數據增強后的訓練樣本，輸出月份的分類，由于訓練樣本骨齡是在18歲以下，所以網絡輸出216類，該網絡的resblock(如圖1)所示，由卷積層，batch normalization層和修正線性單元層組成；

(22)將(12)中得到的可訓練樣本從網絡的圖像層輸入，進入第一個殘差模塊(圖中resblock1)，再通過2×2的下采樣(圖中pooling)，輸出大小是112×112×16的特征通道(feature channels)；

(23)(22)中得到的特征通道進入第二個殘差模塊(圖中resblock2)，再通過2×2的下采樣，輸出大小是56×56×32的特征通道；

(24)(23)中得到的特征通道進入第三個殘差模塊(圖中resblock3)，再通過2×2的下采樣，輸出大小是28×28×64的特征通道；

(25)(24)中得到的特征通道進入第四個殘差模塊(圖中resblock4)，再通過2×2的下采樣，輸出大小是14×14×128的特征通道；

(26)(25)中得到的特征通道進入第五個殘差模塊(圖中resblock4)，再通過2×2的下采樣，輸出大小是7×7×256的特征通道；

(27)(26)中得到的特征通過一個卷積層，batch normalization層，修正線性單元層和一個全連接層，得到216類輸出；

(28)(27)中輸出的特征，使用softmax函數將概率圖的值歸一化到0到1，softmax函數如下：

(29)使用交叉熵代價函數(cross-entropy loss)將(28)中得到的歸一化的概率圖與標簽圖對比，交叉熵代價函數如下：

為了防止過擬合，在代價函數后再加上一個L2正則項，得到的代價函數如下：

(210)得到(29)中代價函數值后，根據隨機梯度下降法，反向傳播，更新網絡中參數的值；

(212)將(211)中得到的驗證樣本的交叉熵代價函數的結果值，與(29)中訓練樣本的交叉熵代價函數的結果值進行對比，直到驗證樣本交叉熵代價函數的結果值不在下降，反而上升，而訓練樣本的交叉熵代價函數的結果值一直下降時，停止訓練，以驗證樣本的交叉熵代價函數的結果值最小的一代網絡為最終訓練好的網絡。

4.根據權利要求1所述的方法，其特征在于，所述步驟(3)中具體包括：

(31)將測試樣本進行滑窗為224×224的裁剪，一個測試樣本得到16個大小是224×224的樣本；

(32)將(31)中的測試樣本歸一化，將(31)中大批訓練樣本減去樣本本身的均值，實現歸一化，得到可訓練樣本。

5.根據權利要求1所述的方法，其特征在于，所述步驟(4)中具體包括：

(41)將(32)中得到的測試樣本輸入已經訓練好的網絡得到分類結果，由于每張測試圖片是有16次裁剪，則取16次分類結果頻率最高的分類結果。