[发明专利]图像识别方法及相关产品

权利要求书

1.一种图像识别方法，其特征在于，包括：

获取待识别皮肤病理图像；

对所述待识别皮肤病理图像进行预处理，以得到目标皮肤病理图像；

将所述目标皮肤病理图像输入至预先训练完成的目标神经网络模型执行多层正向运算，以得到所述目标皮肤病理图像中各个子图像对应的病变概率图，并将所述病变概率图中病变概率大于目标阈值的子图像作为所述目标皮肤病理图像中的病变图像。

2.根据权利要求1所述的方法，其特征在于，所述对所述待识别皮肤病理图像进行预处理，以得到目标皮肤病理图像，包括：

对所述待识别皮肤病理图像的无效识别区域进行裁剪，以得到已去除无效识别区域的第一皮肤病理图像；

对所述第一皮肤病理图像进行尺寸处理，以得到第二皮肤病理图像，所述第二皮肤病理图像的图像大小等于所述目标神经网络模型的基本图像大小；

对所述第二皮肤病理图像进行数据加强操作，以得到所述目标皮肤病理图像。

3.根据权利要求2所述的方法，其特征在于，所述对所述第二皮肤病理图像进行数据加强操作，以得到所述目标皮肤病理图像，包括：

按照第一角度，对所第二皮肤病理图像对应的掩膜进行旋转，以得到第三皮肤病理图像；

对所述第三皮肤病理图像进行减去平均值处理，以得到第四皮肤病理图像；

按照第一倍数，对所述第四皮肤病理图像对应的掩膜的宽度进行尺寸处理，以得到第五皮肤病理图像；

按照第二倍数，对所述第五皮肤病理图像对应的掩膜的长度进行尺寸处理，以得到第六皮肤病理图像；

按照第三倍数，对所述第六皮肤病理图像进行尺寸处理，以得到第七皮肤病理图像；

按照第二角度，对所述第七皮肤病理图像的掩膜进行镜像翻转，以得到所述目标皮肤病理图像。

4.根据权利要求1～3任一项所述的方法，其特征在于，所述目标神经网络模型包括：2个第一卷积层、第一最大池化层、2个第二卷积层、第二最大池化层、3个第三卷积层、第三最大池化层、3个第四卷积层、第四最大池化层、3个第五卷积层、第一上采样层、2个第六卷积层、第二上采样层、2个第七卷积层、第三上采样层、2个第八卷积层、第四上采样层、2个第九卷积层、第五上采样层、2个第十卷积层和损失函数层。

5.根据权利要求4所述的方法，其特征在于，所述第一卷积层的步长为1，卷积核尺寸为[3*3]，卷积核的个数为64；所述第一最大池化层的步长为2，卷积核尺寸为[2*2]；所述第二卷积层的步长为1，卷积核尺寸为[3*3]，卷积核个数为128；所述第二最大池化层的步长为2，卷积核尺寸为[2*2]；所述第三卷积层的步长为1，卷积核尺寸为[3*3]，卷积核个数为256；第三最大池化层的步长为2，卷积核尺寸为[2*2]；所述第四卷积层的步长为1，卷积核尺寸为[3*3]，卷积核个数为512；所述第四最大池化层的步长为2，卷积核尺寸为[2*2]；所述第五卷积层的步长为1，卷积核尺寸为[3*3]，卷积核个数为512；所述第一上采样层的卷积核尺寸为[2*2]；所述第六卷积层的步长为1，卷积核尺寸为[3*3]，卷积核个数为256；所述第二上采样层的卷积核尺寸为[2*2]；所述第七卷积层的步长为1，卷积核尺寸为[3*3]，卷积核个数为128；所述第三上采样层的卷积核尺寸为[2*2]；第八卷积层的步长为1，卷积核尺寸为[3*3]，卷积核的个数为64；所述第四上采样层的卷积核尺寸为[2*2]；所述第九卷积层的步长为1，卷积核尺寸为[3*3]，卷积核的个数为64；所述第五上采样层的卷积核尺寸为[2*2]；所述第十卷积层的步长为1，卷积核尺寸为[1*1]，卷积核的个数为5。

6.根据权利要求4或5所述的方法，其特征在于，所述目标神经网络模型还包括丢弃层，所述目标神经网络模型的激活函数为线性整流函数。