買(mǎi)專(zhuān)利賣(mài)專(zhuān)利找龍圖騰，真高效！ 查專(zhuān)利查商標(biāo)用IPTOP,全免費(fèi)！專(zhuān)利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉安徽大學(xué)申請(qǐng)的專(zhuān)利基于結(jié)構(gòu)熵采樣的多目標(biāo)架構(gòu)搜索骨質(zhì)疏松圖像識(shí)別方法獲國(guó)家發(fā)明授權(quán)專(zhuān)利權(quán)，本發(fā)明授權(quán)專(zhuān)利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN114241267B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-08-12發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專(zhuān)利申請(qǐng)?zhí)?專(zhuān)利號(hào)為：202111570819.8，技術(shù)領(lǐng)域涉及：G06V10/774；該發(fā)明授權(quán)基于結(jié)構(gòu)熵采樣的多目標(biāo)架構(gòu)搜索骨質(zhì)疏松圖像識(shí)別方法是由邱劍鋒;俞曉山;張興義;王啟軍設(shè)計(jì)研發(fā)完成，并于2021-12-21向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專(zhuān)利申請(qǐng)。

本基于結(jié)構(gòu)熵采樣的多目標(biāo)架構(gòu)搜索骨質(zhì)疏松圖像識(shí)別方法在說(shuō)明書(shū)摘要公布了：本發(fā)明公開(kāi)了一種基于結(jié)構(gòu)熵采樣的多目標(biāo)架構(gòu)搜索骨質(zhì)疏松圖像識(shí)別方法，包括：1收集含骨密度信息的腰椎X光圖像數(shù)據(jù)并進(jìn)行預(yù)處理，劃分為訓(xùn)練集和驗(yàn)證集；2初始化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)種群；3將種群中所有個(gè)體解碼成對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)架構(gòu)，并使用X光圖片訓(xùn)練集對(duì)每個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將不同類(lèi)別識(shí)別的準(zhǔn)確率和神經(jīng)網(wǎng)絡(luò)的參數(shù)量作為適應(yīng)度值；4根據(jù)個(gè)體的適應(yīng)度值進(jìn)行交配池選擇、基于結(jié)構(gòu)熵采樣的交叉變異和環(huán)境選擇；5重復(fù)上述過(guò)程進(jìn)行啟發(fā)式網(wǎng)絡(luò)結(jié)構(gòu)搜索，達(dá)到預(yù)設(shè)定條件結(jié)束進(jìn)化，并輸出最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)；6利用訓(xùn)練集重新訓(xùn)練所獲得的最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)。本發(fā)明能自動(dòng)搜索適應(yīng)腰椎X光圖像數(shù)據(jù)集的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，實(shí)現(xiàn)對(duì)腰椎X光圖像的分類(lèi)。

本發(fā)明授權(quán)基于結(jié)構(gòu)熵采樣的多目標(biāo)架構(gòu)搜索骨質(zhì)疏松圖像識(shí)別方法在權(quán)利要求書(shū)中公布了：1.一種基于結(jié)構(gòu)熵采樣的多目標(biāo)架構(gòu)搜索骨質(zhì)疏松圖像識(shí)別方法，其特征是按以下步驟進(jìn)行： 步驟0、采集n張含有骨密度標(biāo)簽的腰椎X光圖像并進(jìn)行預(yù)處理，得到數(shù)據(jù)集Dall，并劃分為訓(xùn)練集Dtra和驗(yàn)證集Dvall，且腰椎X光圖像共有I種類(lèi)別； 步驟1、構(gòu)建由NC個(gè)卷積塊和RC個(gè)下采樣塊組成的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)A；每個(gè)卷積塊和下采樣塊的節(jié)點(diǎn)個(gè)數(shù)相同，并由m個(gè)節(jié)點(diǎn)構(gòu)成，每個(gè)節(jié)點(diǎn)表示一種操作，所述操作的類(lèi)型包括卷積操作、下采樣操作、全連接操作以及通道注意力操作，節(jié)點(diǎn)之間存在連接用“1”表示，否則用“0”表示；所述卷積塊中的所有操作的步長(zhǎng)均為1，所述下采樣塊中所有操作的步長(zhǎng)均為2；所述神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)A由NC個(gè)卷積塊和RC個(gè)下采樣塊依次堆疊而成；所述神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)A的稠密度由所有節(jié)點(diǎn)連接關(guān)系中“1”的個(gè)數(shù)表示； 步驟2、初始化所述神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的種群Pt并進(jìn)行迭代進(jìn)化，獲得最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)Abest； 步驟2.0、參數(shù)定義，包括：初始種群大小為N，候選子代種群大小為M，總的進(jìn)化迭代次數(shù)為T(mén)，當(dāng)前迭代次數(shù)為t，每個(gè)結(jié)構(gòu)訓(xùn)練的最大次數(shù)為Emax，交叉概率為a，變異概率為b，種群所有個(gè)體稠密度的劃分間隔為α； 步驟2.1、初始化t＝1；隨機(jī)初始化卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的第t代種群Pt，所述第t代種群Pt由N個(gè)卷積網(wǎng)絡(luò)結(jié)構(gòu)的編碼組成，其中任意一個(gè)卷積網(wǎng)絡(luò)結(jié)構(gòu)A所對(duì)應(yīng)的編碼記為E，所述編碼E是位的二進(jìn)制編碼，其中，m表示所述卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)A中卷積塊和下采樣塊中的節(jié)點(diǎn)個(gè)數(shù)；所述二進(jìn)制編碼包含卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中層與層之間的連接關(guān)系以及節(jié)點(diǎn)的操作類(lèi)型； 步驟2.2、將所述第t代種群Pt中的N個(gè)編碼映射成卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)信息，從而完成解碼操作，構(gòu)建完整的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)； 步驟2.3、訓(xùn)練所述完整的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，獲取個(gè)體適應(yīng)度值： 將所述訓(xùn)練集Dtra和驗(yàn)證集Dval分別進(jìn)行水平翻轉(zhuǎn)、角度旋轉(zhuǎn)、高斯加噪的增廣處理及像素歸一化操作后，將處理后的訓(xùn)練集D’tra輸入到所述完整的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中進(jìn)行前向傳播處理，并在反向傳播處理中利用隨機(jī)梯度下降算法對(duì)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)所對(duì)應(yīng)的第t代種群Pt中每個(gè)解碼后的神經(jīng)結(jié)構(gòu)進(jìn)行迭代訓(xùn)練，同時(shí)使用交叉熵?fù)p失函數(shù)來(lái)更新迭代訓(xùn)練過(guò)程中卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的權(quán)重參數(shù)，直至達(dá)到最大訓(xùn)練次數(shù)Emax為止，從而得到N個(gè)訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)； 將處理后的驗(yàn)證集D’val分別輸入N個(gè)訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，得到驗(yàn)證集D’val的N個(gè)準(zhǔn)確率并將其作為N個(gè)個(gè)體的適應(yīng)度值F1，將訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的參數(shù)量作為適應(yīng)度值F2； 步驟2.4、交配池選擇： 在第t代種群Pt中每次有放回的隨機(jī)抽取兩個(gè)父代個(gè)體，并使用二進(jìn)制錦標(biāo)賽選擇法將所述適應(yīng)度值F1更大的個(gè)體保留，從而得到種群規(guī)模為N的第t代交配池Pt’； 步驟2.5、基于結(jié)構(gòu)熵采樣的個(gè)體交叉變異： 步驟2.5.1、依次從所述第t代交配池Pt’中隨機(jī)抽取兩個(gè)父代個(gè)體p1和p2，以交叉率a和變異率b分別進(jìn)行編碼的交叉操作和變異操作，從而得到兩個(gè)子代個(gè)體o1和o2； 步驟2.5.2、重復(fù)M2次步驟2.5.1，從而得到種群規(guī)模為M的第t代候選子代種群Qt’； 步驟2.5.3、根據(jù)式1所示的結(jié)構(gòu)熵公式計(jì)算第t代父代種群Pt的初始結(jié)構(gòu)熵AEPt： 式1中，F(xiàn)′max和F′min表示當(dāng)前種群所有個(gè)體中最大的稠密度值和最小的稠密度值，α表示當(dāng)前種群所有個(gè)體稠密度值等分的間隔，Q表示根據(jù)所述個(gè)體稠密度等分間隔劃分的區(qū)間數(shù)量，N表示種群的規(guī)模，表示第t代種群的第j個(gè)區(qū)間，表示第t代種群中的第j個(gè)區(qū)間中的個(gè)體數(shù)量占種群數(shù)量的比例； 步驟2.5.4、將所述第t代候選子代種群Qt’中的第k個(gè)個(gè)體qk加入第t代父代種群Pt構(gòu)成混合種群P′t，再根據(jù)式1計(jì)算所述混合種群P′t的結(jié)構(gòu)熵AEP′t； 步驟2.5.5、計(jì)算所述初始結(jié)構(gòu)熵AEPt和混合種群P′t的結(jié)構(gòu)熵AEP′t的差值，從而得到所述第k個(gè)個(gè)體qk的個(gè)體熵IEqk，用于表示個(gè)體多樣性的優(yōu)劣； 步驟2.5.6、按照步驟2.5.3-步驟2.5.5計(jì)算候選子代種群Qt’中每個(gè)個(gè)體的個(gè)體熵并進(jìn)行降序排序，選取前N個(gè)個(gè)體作為第t代子代種群Qt； 步驟2.6、環(huán)境選擇： 將第t代父代種群Pt和第t代子代種群Qt進(jìn)行混合，得到種群規(guī)模為2N的第t代混合種群Mt；對(duì)第t代混合種群Mt中所有的個(gè)體基于雙目標(biāo)適應(yīng)度值F1和F2進(jìn)行非支配排序，得到第t代第j個(gè)個(gè)體在目標(biāo)空間中對(duì)應(yīng)的帕累托前沿面層索引Kj以及在對(duì)應(yīng)前沿面上的擁擠度距離Dj；選擇帕累托前沿面層索引更小且擁擠度距離更大的N個(gè)個(gè)體作為第t+1代種群Pt+1； 步驟2.7、令t+1賦值給t后，判斷t≤T是否成立，若成立，則重復(fù)步驟2.2到步驟2.7，否則執(zhí)行步驟3； 步驟3、獲取最佳神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)個(gè)體： 基于N個(gè)個(gè)體的適應(yīng)度值對(duì)第T代種群PT進(jìn)行降序排序，并將適應(yīng)度值F1最大的個(gè)體作為最優(yōu)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Abest輸出； 步驟4、對(duì)所述最優(yōu)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Abest進(jìn)行訓(xùn)練： 分別將所述處理后的訓(xùn)練集D’tra和驗(yàn)證集D’val輸入到最優(yōu)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Abest中，并利用隨機(jī)梯度下降算法對(duì)所述最優(yōu)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Abest進(jìn)行訓(xùn)練，同時(shí)使用如式2所示的帶權(quán)重的交叉熵?fù)p失函數(shù)對(duì)訓(xùn)練迭代中最優(yōu)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Abest的權(quán)重參數(shù)進(jìn)行更新，直至達(dá)到總訓(xùn)練次數(shù)Emax為止，從而得到訓(xùn)練后的最佳卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)A’best并作為骨密度分類(lèi)預(yù)測(cè)模型，用于實(shí)現(xiàn)X光圖像的分類(lèi)預(yù)測(cè)； 式2中，y表示輸入樣本的真實(shí)標(biāo)簽，表示網(wǎng)絡(luò)模型預(yù)測(cè)的標(biāo)簽，表示網(wǎng)絡(luò)結(jié)構(gòu)預(yù)測(cè)的標(biāo)簽概率，Nc表示第c種類(lèi)別圖片的數(shù)量，Nsum表示所有圖片的總數(shù)量。

如需購(gòu)買(mǎi)、轉(zhuǎn)讓、實(shí)施、許可或投資類(lèi)似專(zhuān)利技術(shù)，可聯(lián)系本專(zhuān)利的申請(qǐng)人或?qū)＠麢?quán)人安徽大學(xué)，其通訊地址為：230601 安徽省合肥市經(jīng)開(kāi)區(qū)九龍路111號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。