1.一种基于卷积神经网络的新冠肺炎X射线图像识别方法,其特征在于,包括:获取若干带标识的X‑Ray图像;若干所述X‑Ray图像中包括含COVID‑19放射学特征的图像、含普通肺炎放射学特征的图像和正常图像;
对X‑Ray图像进行预处理,并将预处理后的X‑Ray图像分成训练集和测试集;
利用训练集对预先构建的基于卷积神经网络的图像识别模型进行训练,利用测试集对训练后的图像识别模型进行测试;所述图像识别模型包括:输入层,用于对输入的X‑Ray图像进行初步特征提取,所述输入层包括1个卷积层和1个最大池化层;
特征提取子网络,包括4个短连接模块和3个通道特征权重提取模块,所述短连接模块和通道特征权重提取模块交替连接;所述短连接模块包括若干串连的短连接层;
输出层,用于根据最后1个短连接输出的特征图进行图像识别,输出图像类别;所述输出层包括分类器和Softmax层;
所述通道特征权重提取模块依次包括:
短连接层,包含多种尺寸的卷积核,用于减少图像识别模型的参数量;所述短连接层的输入端和输出端进行短连接,用于预防X‑Ray图像信息丢失;
全局平均池化层,用于将通道上的特征图压缩成一个全局特征;所述池化层的输入为短连接层的输出特征图与输入特征图进行对应特征值的相加后的特征图;
第一全连接层,用于降低特征维度;
第二全连接层,用于恢复特征维度,输出获得每个通道的权重系数;
输出层,用于将每个通道与对应的权重系数相乘,放大权重靠前的通道特征、抑制权重靠后的通道特征;
利用测试后的图像识别模型对待识别的X‑Ray图像进行识别,获得X‑Ray图像的类别。
2.如权利要求1所述的基于卷积神经网络的新冠肺炎X射线图像识别方法,其特征在于,对X‑Ray图像进行预处理,包括:对X‑Ray图像进行缩放处理以便于输入至图像识别模型中;
对X‑Ray图像进行旋转、放大、亮度调整、对比度调整和倾斜,以扩充X‑Ray图像数量。
3.如权利要求2所述的基于卷积神经网络的新冠肺炎X射线图像识别方法,其特征在于,所述短连接层依次包括1×1的卷积层、3×3的卷积层和1×1的卷积层;
第一个1×1的卷积层用于降低特征图维度,第二个1×1的卷积层用于升高特征图维度。
4.如权利要求3所述的基于卷积神经网络的新冠肺炎X射线图像识别方法,其特征在于,所述分类器为GFC分类器,包括1个全局平均池化层和1个全连接层;
所述全局平均池化层用于将输入分类器的特征图的尺寸降为1×1;
所述全连接层用于根据降尺寸后的特征图进行图像识别。
5.如权利要求3所述的基于卷积神经网络的新冠肺炎X射线图像识别方法,其特征在于,所述分类器为CGAP分类器,包括1个1×1的点卷积层和1个全局平均池化层;
所述点卷积层用于对输入分类器的特征图进行降维处理;
所述全局平均池化层用于根据降维后的特征图进行图像识别。
6.一种基于卷积神经网络的新冠肺炎X射线图像识别系统,其特征在于,包括:图像获取模块,用于获取若干带标识的X‑Ray图像;若干所述X‑Ray图像中包括含COVID‑19放射学特征的图像、含普通肺炎放射学特征的图像和正常图像;
预处理模块,用于对X‑Ray图像进行预处理,并将预处理后的X‑Ray图像分成训练集和测试集;
模型训练模块,用于利用训练集对预先构建的基于卷积神经网络的图像识别模型进行训练,利用测试集对训练后的图像识别模型进行测试;所述图像识别模型包括:输入层,用于对输入的X‑Ray图像进行初步特征提取,所述输入层包括1个卷积层和1个最大池化层;
特征提取子网络,包括4个短连接模块和3个通道特征权重提取模块,所述短连接模块和通道特征权重提取模块交替连接;所述短连接模块包括若干串连的短连接层;
输出层,用于根据最后1个短连接输出的特征图进行图像识别,输出图像类别;所述输出层包括分类器和Softmax层;
所述通道特征权重提取模块依次包括:
短连接层,包含多种尺寸的卷积核,用于减少图像识别模型的参数量;所述短连接层的输入端和输出端进行短连接,用于预防X‑Ray图像信息丢失;
全局平均池化层,用于将通道上的特征图压缩成一个全局特征;所述池化层的输入为短连接层的输出特征图与输入特征图进行对应特征值的相加后的特征图;
第一全连接层,用于降低特征维度;
第二全连接层,用于恢复特征维度,输出获得每个通道的权重系数;
输出层,用于将每个通道与对应的权重系数相乘,放大权重靠前的通道特征、抑制权重靠后的通道特征;
图像识别模块,用于利用测试后的图像识别模型对待识别的X‑Ray图像进行识别,获得X‑Ray图像的类别。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1~5中任一项所述方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1~5中任一项所述的方法的步骤。