一種基于人工智能的黃疸實時識別系統技術方案

本發明專利技術公開一種基于人工智能的實時識別黃疸的系統。本發明專利技術通過將圖片轉換成三維向量值，并通過ResNet

【技術實現步驟摘要】
一種基于人工智能的黃疸實時識別系統


[0001]本專利技術涉及人工智能
，尤其涉及一種基于人工智能的黃疸實時識別系統。

技術介紹

[0002]黃疸的主要表征為：由于體內膽紅素沉積在皮膚表面而表現出的皮膚、鞏膜等組織的黃染，癥狀加深時，尿、痰、淚液以及汗液也被黃染，糞便的顏色可變淺，甚至呈陶白色樣。目前在醫院的診療過程中，黃疸體征的識別一般是以人工識別為主，圖像識別為輔，圖像識別需要時間等待，無法做到實時識別，主要靠醫生的經驗判斷。然而，因為不同醫院、不同醫生的經驗不一，導致識別能力參差不齊，存在著較大的誤差。如果采用現有黃疸圖像識別技術，需要使用標準物品進行合照，保存到程序上面，再提交上傳，然后返回識別結果，在這種情況下，由于重復識別需要重復拍攝，即需要用戶多次重復拍攝需要識別到圖像，因此針對連續拍照的場景產生了增加重復建設和重復調用圖像獲取模塊資源的缺點。
[0003]因此，現有技術存在缺陷，需要改進。

技術實現思路

[0004]本專利技術的目的是克服現有技術的不足，提供一種基于人工智能的實時識別黃疸的系統。
[0005]本專利技術的技術方案如下：提供一種基于人工智能的實時識別黃疸的系統，包括：相互連接的算法模型平臺、顯示界面以及圖像獲取模塊；所述圖像獲取模塊用以獲取患者部位的圖像信息，并將獲取的畫面數據傳送到算法模型平臺；所述算法模型平臺用以將接收到的圖像進行預處理，并基于ResNet
?
50算法模型計算出黃疸體征的識別數據，將數據保存；所述顯示界面用以將ResNet
?
50算法所計算出的識別結果進行實時顯示反饋。
[0006]進一步地，所述算法模型平臺對圖像獲取模塊所獲取的畫面進行的預處理，先用Python第三方庫scikit
?
image的random_noise添加噪聲，將生成的噪聲與原圖像進行加和得到噪聲圖像，然后對圖像中的每個像素的像素值進行重新計算，假設窗口大小ksize=3，則將像素點在3x3的領域窗口內進行計算，計算3x3窗口內的平均值或中值進行填充，從而一步步實現圖像的去噪。
[0007]進一步地，所述ResNet
?
50算法模型計算黃疸體征的識別數據以及模型訓練的步驟為：將黃疸體征樣本的圖片與非黃疸體征樣本圖片作為二分類，輸入到模型中進行訓練，通過數據處理模塊將圖片轉換成三維向量值，模型通過對轉換后的數據和結果進行擬合，從而達到區分效果。
[0008]進一步地，所述ResNet
?
50算法模型可以分成七個部分，第一部分不包含殘差塊，主要對輸入進行卷積、正則化、激活函數、最大池化的計算；第二、三、四、五部分結構都包含
了殘差塊；在ResNet
?
50網絡結構中，殘差塊有三層卷積，因此ResNet
?
50網絡共有1+3
×
(3+4+6+3)=49個卷積層；網絡的輸入為224
×
224
×
3，經過前五個部分的卷積計算，輸出為7
×7×
2048，池化層會將其轉化成一個特征向量，最后分類器會對這個特征向量進行計算并輸出類別概率。
[0009]采用上述方案，本專利技術通過將圖片轉換成三維向量值，并通過ResNet
?
50算法對拍攝后上傳的圖片所轉換的三維向量值進行分析比對，從而在不需要重復輸入對比圖片的情況下，自動分析比對，以此判斷拍攝的圖片中的患部是否為黃疸體征，從而提高患部的識別效率，并減少識別過程中的人為參與度，提高判斷的準確性，滿足診療分析的需求。
附圖說明
[0010]圖1為本專利技術的流程示意圖。
[0011]圖2為ResNet
?
50算法的算法流程圖。
[0012]圖3為函數f與函數g的對應關系示意圖。
具體實施方式
[0013]以下結合附圖和具體實施例，對本專利技術進行詳細說明。
[0014]請參閱圖1，本專利技術提供一種基于人工智能的實時識別黃疸的系統，包括：相互連接的算法模型平臺、顯示界面以及圖像獲取模塊；所述圖像獲取模塊用以獲取患者部位的圖像信息，并將獲取的畫面數據傳送到算法模型平臺；所述算法模型平臺用以將接收到的圖像進行預處理，并基于ResNet
?
50算法模型計算出黃疸體征的識別數據，將數據保存；所述顯示界面用以將ResNet
?
50算法所計算出的識別結果進行實時顯示反饋。
[0015]具體流程步驟為：步驟1：打開程序，喚醒圖像獲取模塊，系統接收到圖像獲取模塊喚醒信號后，啟動算法模型平臺。采用相機作為圖像獲取模塊，可以實時獲取清晰的患者患部的圖像，以便于將圖像上傳至算法模型平臺進行處理與分析。
[0016]步驟2：用戶將圖像獲取模塊定位到需要識別的患者部位，程序開始捕捉畫面，并將數據傳送回算法模型平臺。
[0017]步驟3：根據步驟2中圖像獲取模塊所捕捉的畫面實時傳送給算法模型平臺，算法模型平臺接收到圖像數據，對圖像進行預處理。
[0018]圖像預處理，即對圖像進行去噪，是指減少圖像中噪聲的過程?，F實中的圖像會受到各種因素的影響而含有一定的噪聲，噪聲主要有以下幾類：椒鹽噪聲（脈沖噪聲）、加性噪聲、乘性噪聲、以及高斯噪聲。圖像去噪的方法有很多種，其中均值濾波、中值濾波等方法比較基礎且成熟，還有一些基于數學中偏微分方程的去噪方法，此外，還有基于頻域的小波去噪方法。
[0019]在進行降噪時，先用Python第三方庫scikit
?
image的random_noise添加噪聲，將生成的噪聲與原圖像進行加和得到噪聲圖像，然后對圖像中的每個像素的像素值進行重新計算，假設窗口大小ksize=3，則將像素點在3x3的領域窗口內進行計算，計算3x3窗口內的
平均值或中值進行填充，從而一步步實現圖像的去噪。
[0020]步驟4：完成預處理后，基于ResNet
?
50算法計算出黃疸體征的識別數據，將數據保存。
[0021]所述ResNet
?
50算法模型計算黃疸體征的識別數據以及模型訓練的步驟為：將黃疸體征樣本的圖片與非黃疸體征樣本圖片作為二分類，輸入到模型中進行訓練，通過數據處理模塊將圖片轉換成三維向量值，size為（224,224），模型通過對轉換后的數據和結果進行擬合（卷積和最大池化層），從而達到區分效果。擬合輸出層為softmax以及sigmoid。
[0022]請參閱圖2，ResNet
?
50算法模型中包含了49個卷積層以及1個全連接層。ResNet
?
50算法模型可以分成七個部分，第一部分不包含殘差塊，主要對輸入進行卷積、正則化、激活函數、最大池化的計算。第二、三、四、五部分結構都包含了殘差塊。在ResNet
?
50網絡結構中，殘差塊有三層卷積，因此ResNet
?本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于人工智能的實時識別黃疸的系統，其特征在于，包括：相互連接的算法模型平臺、顯示界面以及圖像獲取模塊；所述圖像獲取模塊用以獲取患者部位的圖像信息，并將獲取的畫面數據傳送到算法模型平臺；所述算法模型平臺用以將接收到的圖像進行預處理，并基于ResNet
?
50算法模型計算出黃疸體征的識別數據，將數據保存；所述顯示界面用以將ResNet
?
50算法所計算出的識別結果進行實時顯示反饋。2.根據權利要求1所述的基于人工智能的實時識別黃疸的系統，其特征在于，所述算法模型平臺對圖像獲取模塊所獲取的畫面進行的預處理，先用Python第三方庫scikit
?
image的random_noise添加噪聲，將生成的噪聲與原圖像進行加和得到噪聲圖像，然后對圖像中的每個像素的像素值進行重新計算，假設窗口大小ksize=3，則將像素點在3x3的領域窗口內進行計算，計算3x3窗口內的平均值或中值進行填充，從而一步步實現圖像的去噪。3.根據權利要求1所述的基于人工智能的實時識別黃疸的系統，其特征在于，所述ResNet
?
50算法模型計算黃疸...

【專利技術屬性】
技術研發人員：宋夏，郭學威，胡聯粵，
申請(專利權)人：騰云悅智科技長沙有限責任公司，
類型：發明
國別省市：