[發明專利]一種基于卷積神經網絡的圖像識別方法

有效

• 申請號: 201811557964.0
• 申請日: 2018-12-19
• 公開（公告）號: CN109657719B
• 公開（公告）日: 2022-09-30
• 發明（設計）人: 張恒瑜;包勇;文耀鋒
• 申請（專利權）人: 浙江大學常州工業技術研究院
• 主分類號: G06V10/82
• 分類號: G06V10/82;G06V10/774;G06N3/04;G06N3/08;G06T7/00;G06T7/70
• 代理公司: 常州市權航專利代理有限公司 32280
• 代理人: 朱鑫樂

1.一種基于卷積神經網絡的圖像識別方法，其特征在于，包括以下步驟：

S100、標注：為斷面圖的每個分區賦唯一值Label_j，為斷面圖中的異物區賦唯一值Label_m，其中j為1~n，n為目標物具有的分區數量，所述分區內每個像素的灰度值為Label_j，所述異物區內每個像素的灰度值為Label_m；

S200，獲取訓練集：選取同一目標物的M個標注后的斷面圖依序排列并層疊得到目標物的立體圖集，將立體圖集作為一個訓練樣本，收集若干個訓練樣本組成訓練集；

S300、構建卷積神經網絡；

S400、將所述訓練集輸入所述卷積神經網絡中進行訓練，得到卷積神經網絡分類模型。

2.如權利要求1所述的一種基于卷積神經網絡的圖像識別方法，其特征在于，還包括步驟，DICOM格式的CT斷面圖轉換成維度為512*512*1并且格式為PNG的所述斷面圖。

3.如權利要求2所述的一種基于卷積神經網絡的圖像識別方法，其特征在于：在所述步驟S200中，以某一張斷面圖為中心上下各取10張斷片圖層疊得到維度為512*512*21的立體圖集，通過reshape函數調整立體圖集的維度成128*128*21。

4.如權利要求3所述的一種基于卷積神經網絡的圖像識別方法，其特征在于：所述卷積神經網絡依次包括輸入層、第一卷積層、第一ReLU層、第一池化層、第二卷積層、第二ReLU層、第二池化層、第三卷積層、第三ReLU層、第三池化層、第一全連接層、第二全連接層和輸出層；

在所述步驟S400中包括以下步驟：

S401、在第一卷積層中，維度為128*128*21的立體圖集通過64個3*3*21的卷積核進行卷積，步數為1，補零之后得到128*128*64的三維特征圖；

S402、第一ReLU層中，通過函數ReLU對三維特征圖進行非線性映射；

S403、重復一次步驟S401和一次步驟S402；

S404、在第一池化層中，128*128*64的三維特征圖經過2*2的最大池化，步數為2，得到64*64*64的三維特征圖；

S405、在第二卷積層中，64*64*64的三維特征圖通過128個3*3*64的卷積核進行卷積，步數為1，補零之后得到64*64*128的三維特征圖；

S406、第二ReLU層中，通過函數ReLU對三維特征圖進行非線性映射；

S407、重復兩次步驟S405和兩次步驟S406；

S408、在第二池化層中，64*64*128的三維特征圖經過2*2的最大池化，步數為2，得到32*32*128的三維特征圖；

S409、第三卷積層中，32*32*128的三維特征圖通過256個3*3*128的卷積核進行卷積，步數為1，補零之后得到32*32*256的三維特征圖；；

S410、第三ReLU層中，通過函數ReLU對三維特征圖進行非線性映射；

S411、重復兩次步驟S409和兩次步驟S410；

S412、在第三池化層中，32*32*256的三維特征圖經過2*2的最大池化，得到16*16*256的三維特征圖；

S413、在第一全連接層中，將16*16*256的三維特征圖轉換為1000維的特征向量V1；

S414、在第二全連接層中，將1000維的特征向量V1轉換為18維的特征向量V2；

S415、在輸出層，利用Softmax函數歸一化所述特征向量V2，得到特征向量S；

S416、將特征向量S作為預測值與真實值Y輸入交叉熵中計算殘差Loss，根據殘差Loss反向傳播，更新卷積核的權值。