[发明专利]一种仪器识别模型训练方法和装置及仪器识别方法和装置

权利要求书

1.一种仪器识别模型训练方法，其特征在于，包括：

获取多张带有类别标签和名称标签的仪器样本图像；所述类别标签是对多种仪器按照视觉相似性属性划分成多个类别后，根据划分成的多个类别为每种仪器的仪器样本图像所添加的标签；

基于多张所述仪器样本图像，以及与每张所述仪器样本图像对应的类别标签，对深度卷积神经网络模型进行多轮训练，得到训练好的深度卷积神经网络模型；

基于训练好的所述深度卷积神经网络模型，获取所述仪器样本图像的特征向量；

针对每个类别标签，基于具有该类别标签的仪器样本图像的特征向量，构成与该类别标签对应的特征数据库；每个特征向量均对应有名称标签；

将训练好的所述深度卷积神经网络模型和各个所述类别标签分别对应的所述特征数据库作为仪器识别模型；

所述深度卷积神经网络模型包括特征提取网络和分类器；

基于多张所述仪器样本图像，以及与每张所述仪器样本图像对应的类别标签，对深度卷积神经网络模型进行多轮训练，具体包括：

针对每张仪器样本图像，将所述仪器样本图像输入所述特征提取网络，获取所述仪器样本图像的中间特征向量；

将所述中间特征向量输入至分类器，获得所述仪器样本图像的分类结果；

根据所述仪器样本图像的分类结果以及所述仪器样本图像的类别标签，对所述特征提取网络以及所述分类器进行本轮训练；

使用多张所述仪器样本图像，对所述特征提取网络以及所述分类器进行多轮训练；

所述根据所述仪器样本图像的分类结果以及所述仪器样本图像的类别标签，对所述特征提取网络以及所述分类器进行本轮训练，包括：

将所述仪器样本图像的分类结果与所述仪器样本图像的类别标签进行比对；

针对所述仪器样本图像的分类结果与所述仪器样本图像的类别标签不一致的情况，调整所述特征提取网络以及所述分类器的参数；

使用调整参数后的特征提取网络重新提取仪器样本图像的新的中间特征向量，并将新的中间特征向量输入至调整参数后的分类器，获得仪器样本图像的新的分类结果；并再次执行比对操作，直至所述仪器样本图像的分类结果与所述仪器样本图像的类别标签一致，结束对所述特征提取网络以及分类器的本轮训练。

2.根据权利要求1所述的方法，其特征在于，所述基于所述训练好的深度卷积神经网络模型，获取所述仪器样本图像的特征向量，具体包括：

将所述仪器样本图像输入至所述训练好的深度卷积神经网络模型中的特征提取网络，获取所述仪器样本图像的特征向量。

3.根据权利要求2所述的方法，其特征在于，所述将所述仪器样本图像输入至所述训练好的深度卷积神经网络模型中的特征提取网络，获取所述仪器样本图像的特征向量，具体包括：

将所述仪器样本图像输入至所述训练好的深度卷积神经网络模型中的特征提取网络中；

从所述特征提取网络中的最后一个卷积层中获取多个特征矩阵；

对每个所述特征矩阵进行池化处理，得到每个所述特征矩阵的一个特征值；

使用所有所述特征值构成所述仪器样本图像的特征向量。

4.一种仪器识别方法，其特征在于，包括：

获取待识别仪器的目标图像；

将所述目标图像输入如权利要求1-3任意一项所述的仪器识别模型训练方法所得到的仪器识别模型中，获取所述待识别仪器的识别结果；

所述仪器识别模型包括深度卷积神经网络模型和各个类别标签分别对应的所述特征数据库；

所述获取所述待识别仪器的识别结果，具体包括：

使用所述深度卷积神经网络模型获取所述目标图像的目标特征向量和分类结果；

根据所述分类结果，以及各个类别标签分别对应的所述特征数据库，确定与所述目标图像对应的特征数据库；

基于所述目标图像的目标特征向量，从确定的与所述目标图像对应的特征数据库中，确定与所述目标特征向量对应的特征向量；

基于确定的与所述目标特征向量对应的特征向量的名称标签，确定所述目标图像的名称，作为所述待识别仪器的识别结果。