[发明专利]一种基于深度学习的图像识别方法

权利要求书

1.一种基于深度学习的图像识别方法，其特征在于，包括如下步骤：

步骤1，采集和扩充图像数据集：对有限的图像进行预处理，对图像的样本进行扩充；

步骤2，设计卷积神经网络：所述卷积神经网络模型是在现有的VGG-16模型的基础上利用卷积层代替全连接层构建；

步骤3，训练卷积神经网络：采用反向传播算法和随机梯度下降方法，根据前向传播的loss值的大小，来进行反向传播迭代更新每一层的权重，直到模型的loss值趋向于收敛时，停止训练模型，得到深度学习模型；

步骤4，提取图像的特征：将数据集中的每一幅图像输入到步骤3所述的深度学习模型中，针对输入的图像，在图像的倒数第二层全卷积层提取深度学习特征；

步骤5，识别图像：对于给定任意一幅待识别的图像，输入到训练好的深度学习模型中，提取样本的深度学习特征，通过两次训练的方法来有效的判别该图像属于哪个类别。

2.根据权利要求1所述的一种基于深度学习的图像识别方法，其特征在于，所述步骤1中数据集的采集和扩充的方法包括以下方法中的至少一种：

镜像翻转：将原始图像进行左右反转，将数据扩充2倍；

添加椒盐噪声：将原始像中添加一些椒盐噪声，将数据扩充2倍；

分割图：将原图中的目标区域分割出来，其他区域用0代替，将数据扩充2倍。

添加光照：对图像进行旋转90度，180度，270度，将数据扩充3倍。

3.根据权利要求1所述的一种基于深度学习的图像识别方法，其特征在于，所述步骤2的卷积神经网络模型由输入层，隐藏层，输出层组成：

所述输入层为步骤1所提出的图像通过扩充后得到的数据集，将数据集转化为lmdb格式作为该模型的输入；

所述隐藏层包括卷积层和池化层；所述卷积层的第一层中卷积核的大小设为1*1，在倒数第二层采用全卷积代替全连接，将特征维度降低至全连接的一半。所述池化层采用2*2的卷积核，在所述模型的前五层和卷积层组合使用；

所述输出层与最后一个全卷积层相连接，输出的维数与待识别的图像的类别数相等。

4.根据权利要求1所述的一种基于深度学习的图像识别方法，其特征在于，步骤3训练卷积神经网络的过程中使用迁移学习的方法，将预先训练好的VGG模型的权重迁移至所述卷积神经网络模型上。

5.根据权利要求1所述的一种基于深度学习的图像识别方法，其特征在于，所述步骤3所述的训练卷积神经网络还包括：在Ubuntu系统的caffe框架下，将图像数据分成训练集，训练集标签，测试集，测试集标签。

6.根据权利要求1所述的一种基于深度学习的图像识别方法，其特征在于，所述步骤4还包括：将数据集中的每一个样本对应一行向量，并且贴上对应的标签，构建成一个深度学习特征的数据库。

7.根据权利要求1所述的一种基于深度学习的图像识别方法，其特征在于，所述深度学习特征的维度为2048维度。

8.根据权利要求1所述的一种基于深度学习的图像识别方法，其特征在于，所述步骤5中所述的两次训练分别是：第一次训练是通过深度学习的方法，提取一个有效的深度学习特征；第二次训练是将步骤4中的已经构建好的深度学习数据库，利用SVM方法将数据库中的数据以及标签作为SVM的训练集，再根据任意样本得到的深度学习特征，作为SVM的测试集。

9.根据权利要求1-8任一项所述的一种基于深度学习的图像识别方法，其特征在于，所述图像识别方法应用于医学图像识别。