[发明专利]疱疹图像识别方法、装置、计算机设备和存储介质

说明书

本申请涉及一种疱疹图像识别方法、装置、计算机设备和存储介质。所述方法包括：获取原始疱疹图像，对其进行模糊过滤、去噪声、预处理，得到训练样本；构建深度差分卷积神经网络，该网络是在YOLOV4网络的基础上将主干网络中卷积替换为差分卷积得到的；利用训练样本对该网络进行训练得到疱疹识别模型；采用该模型进行疱疹图像识别得到疱疹图像识别结果。疱疹真实图像不容易获得，样本量少，差分卷积网络能学习到有限图像中更多的细节信息，减少样本需求量；本方法只用单级网络就可一次性检测出多个物体类别，在提高检测召回率和准确率的基础上减少计算资源损耗。

技术领域

本申请涉及图像处理技术领域，特别是涉及一种疱疹图像识别方法、装置、计算机设备和存储介质。

背景技术

随着计算机视觉的相关理论与应用研究的快速发展，计算机视觉技术在日常生活中应用的优越性也日益突显出来。用计算机对图像进行识别是计算机从相关的视频或图像序列中提取出相应的特征，从而让计算机“理解”图像的内容，并能正确分类定位的技术。

Yolo(全称为You Only Look Once)是常用的深度学习方法，仅仅使用一个CNN网络直接预测不同目标的类别与位置，YOLO将物体检测作为回归问题求解，基于一个单独的end-to-end网络，完成从原始疱疹图像的输入到物体位置和类别的输出。YOLO的核心思想就是利用整张图作为网络的输入，直接在输出层回归bounding box的位置和bounding box所属的类别。

幼儿园晨检机器人在检测过程中，由于部署环境各不相同，背景复杂且孩童本身活泼好动等原因，摄像头采集到的用于疱疹图像识别的儿童手掌图像和口腔的图片时常会出现模糊失真的情况，背景图片的复杂多样性和检测图片的低质量，增加了目标检测的难度，严重影响了疱疹识别的效率和准确性。

现有的检测方法：一种是直接调用OPENCV的物体识别库，这种库识别率较低，误判率非常高。另一种是采用多个网络级联的模式来进行一步步筛选，一级一级的找到目标，再筛选出相似度高的检测结果，但是三级网络的结构都不简单，其网络搭建结构宠大，功能冗余，计算参数庞大，在精确度和速度上都不能给用户很好的体验。另外，传统的卷积神经网络需要大量的数据才能学习到更多的信息，但是在实际中疱疹真实数据不容易获得，样本量少。

发明内容

基于此，有必要针对上述技术问题，提供一种疱疹图像识别方法、装置、计算机设备和存储介质。

一种疱疹图像识别方法，所述方法包括：

获取图像采集设备采集的原始疱疹图像。

对所述原始疱疹图像进行模糊过滤，去噪声，并进行预处理，得到训练样本。

构建用于疱疹图像识别的深度差分卷积神经网络，通过多层差分卷积层提取预处理后图像的特征图，根据所述特征图进行疱疹图像识别；所述深度差分卷积神经网络是在YOLOV4网络结构的基础上将主干网络中的卷积操作替换为差分卷积得到的；所述差分卷积是指对前一层的特征用两个不同大小的卷积核过滤，将小卷积结果扩展成与大卷积结果同样大小的形状，并将扩展结果与大卷积结果做差分，然后将差分结果和本层产生的特征做堆叠，融合更多的信息。

构造损失函数，并设置优化器。

根据所述训练样本、损失函数以及优化器，采用DropOut前向传播的方式对所述深度差分卷积神经网络进行训练，得到基于深度差分卷积神经网络的疱疹图像识别模型。

获取待测原始疱疹图像，进行模糊过滤和去噪声处理，并进行预处理，得到待测图像。

将所述待测图像输入到所述疱疹图像识别模型，得到疱疹图像识别结果。

一种疱疹图像识别装置，所述装置包括：

训练样本确定模块，用于获取图像采集设备采集的原始疱疹图像；对所述原始疱疹图像进行模糊过滤，去噪声，并进行预处理，得到训练样本。