买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉河南科技大学申请的专利一种基于自监督学习的皮损图像智能分类装置获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115760707B 。

龙图腾网通过国家知识产权局官网在2026-03-03发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211319887.1，技术领域涉及：G06T7/00；该发明授权一种基于自监督学习的皮损图像智能分类装置是由张明川;孔繁鹏;朱军龙;吴庆涛;刘牧华;赵旭辉设计研发完成，并于2022-10-26向国家知识产权局提交的专利申请。

本一种基于自监督学习的皮损图像智能分类装置在说明书摘要公布了：本发明涉及一种基于自监督学习的皮损图像智能分类装置，属于图像处理技术领域，装置中包含基础模块、图像采集模块、图像处理模块、神经网络训练模块、神经网络分类模块、输出显示模块；在神经网络训练模块中应用多通道自监督学习的训练方法，得到适用于皮肤特征提取的神经网络，用以解决现有技术因皮肤皮损图像数量不足而导致的神经网络过拟合问题，最终得到适用于临床环境下快速检测的皮损图像分类方法及装置，为皮肤科医生减轻负担，提高服务效率。

本发明授权一种基于自监督学习的皮损图像智能分类装置在权利要求书中公布了：1.一种基于自监督学习的皮损图像智能分类装置，其特征在于：包括基础模块、图像采集模块、图像处理模块、神经网络训练模块、神经网络分类模块和输出显示模块； 所述基础模块包括供电装置、处理器、存储器和交互总线； 所述图像采集模块，用于采集开放环境下的皮损图像； 所述图像处理模块，对采集的皮损图像进行处理，并将处理后的图像分别输入到神经网络训练模块和神经网络分类模块； 所述神经网络分类模块采用皮肤图像分类神经网络对图像进行分类运算得到分类预测结果，并将所述分类预测结果通过所述输出显示模块进行输出显示； 所述神经网络训练模块在输出显示后对皮肤图像分类神经网络进行更新并同步到神经网络分类模块； 所述图像处理模块包含图像处理程序G0、G1、G2、G3、G4，其中G0、G1、G2、G3输出结果被神经网络训练模块使用，处理程序G4的结果为神经网络分类模块使用； 图像处理程序G0对存储器中图片进行随机水平翻转、随机垂直翻转、随机裁剪大小、图片尺寸调整为224*224像素，得到图像I0；图像处理程序G0将存储器中的训练图片进行增强从而加大数据量防止神经网络训练过拟合； 图像处理程序G1对图像I0中的随机区域进行丢弃，将图像丢弃区域填充为255，将丢弃后图像记为I1，丢弃区域的图像记为I`1，并将I1和I`1进行归一化处理； 图像处理程序G2对图像I0进行两次随机颜色抖动、灰度变换、高斯模糊操作，得到图像I21、I22，由于两次操作都随机进行，故I21、I22不一定完全相等，最后对I21和I22进行归一化处理；图像处理程序G对图像I进行一次随机翻转，角度限定为0°,90°,180°,270°并保留反转后的图像I和I`及其对应标签y0,1,2,3，最终对图像I和I`进行归一化处理； 图像处理程序G对存储器中的刚拍摄的图片进行尺寸调整，让图片大小保持为224*224像素，然后对图片进行归一化和标准化处理，从而确保拍摄图像不受光线造成干扰； 所述神经网络训练模块包含自监督学习预训练神经网络方法和微调预训练神经网络方法；通过自监督学习预训练神经网络方法构建自监督学习神经网络，通过对自监督学习神经网络的训练得到预训练神经网络，然后通过微调预训练神经网络方法，最终得到皮肤图像分类神经网络，并将皮肤图像分类神经网络应用到神经网络分类模块； 所述神经网络训练模块，皮肤图像分类神经网络的训练方法，具体包括以下步骤： A.在装置的存储器中构建由无标签的皮肤图像、有标签的皮损图像组成的数据集； B.将数据集两个部分按照K折交叉验证划分为训练集、测试集、验证集； C.建立自监督学习预训练神经网络方法的主干网络，将ResNet50的池化层和分类器进行丢弃，保留剩余的卷积层作为特征提取层，将修改后的网络设为自监督学习预训练神经网络方法的主干网络； D.建立自监督学习的抠图辅助任务分支网络，设置一个具有五次上卷积模块的分支网络，每个上卷积模块输出的采样是输入的两倍，并将最后输出与原图进行插值运算从而计算损失； E.建立自监督学习的对比学习辅助任务分支网络，设置一个具有一个预测头的对比学习分支网络，预测头由两个多层感知机和多层感知机之间的ReLu激活函数组成，每个多层感知机由全连接层和BN层组成，该网络计算输入图像之间的相似度，使增强图像之间相似度越大，与其他图像相似度越小； F.建立自监督学习的判别辅助任务分支网络，设置一个拼接层、池化层和预测层，预测层由ReLu激活函数和全连接层组成，该分支网络判断两幅图像之间的旋转关系并通过交叉熵损失函数计算损失； G.将主干网络、抠图辅助任务分支网络、对比学习辅助任务分支网络、判别辅助任务分支网络结合起来构成自监督学习神经网络； H.对步骤A中的训练集通过图像处理模块的G0、G1、G2、G3程序，然后得到图像I1、I`1、I21、I22、I3、I`3； I.将图像I1，I`1输入主干网络和抠图辅助任务分支网络并计算损失，L21、I22输入主干网络和对比学习辅助任务分支网络并计算损失，I3、I`3输入主干网络和判别辅助任务分支网络并计算损失； J.将三种辅助任务的损失按照比例进行损失联合并通过梯度下降法更新自监督学习神经网络； K.将训练好的自监督学习神经网络进行修改，将主干网络接上池化层和全连接层，得到预训练神经网络； L.使用数据集中有标签图像的训练集部分对预训练神经网络进行训练，修改预训练神经网络学习率，对特征提取层的学习率设置为0.001～0.0001，对全连接层的学习率设置为0.1～0.01； M.将预训练神经网络的分类损失函数设置为平衡交叉熵函数用以解决样本不平衡，并使用梯度下降法进行网络更新； N.挑选在有标签的皮损图像的验证集上准确率最高的预训练神经网络作为最终训练好的神经网络，并将其用于神经网络分类模块。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人河南科技大学，其通讯地址为：471000 河南省洛阳市洛龙区开元大道263号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。