(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211123794.1 (22)申请日 2022.09.15 (71)申请人 北京思灵 机器人科技有限责任公司 地址 100192 北京市海淀区永 泰庄北路1号 天地邻枫2号楼 2层215 (72)发明人 陶世文　陈兆芃　黎田　周佳　 王在进　刘菲　周天航　李锋　 别东洋　 (74)专利代理 机构 北京荟英捷创知识产权代理 事务所(普通 合伙) 11726 专利代理师 左文 (51)Int.Cl. G06V 40/10(2022.01) G06V 10/80(2022.01) G06V 10/774(2022.01)G06V 10/44(2022.01) G06V 10/82(2022.01) (54)发明名称 一种穴位识别方法及穴位识别网络 (57)摘要 本发明提供了一种穴位识别方法及穴位识 别网络， 涉及图像识别技术领域， 包括： 将待识别 图像输入预先训练得到的特征提取网络中， 得到 特征提取网络输出的多个特征图； 其中， 特征提 取网络包括多个串联的特征图提取模 型； 将各特 征图进行融合相加得到融合特征图； 将融合特征 图输入预先训练得到的预测网络中进行穴位预 测， 得到待识别图像中的各穴位坐标和穴位类 别。 本发明能够自动识别出待识别图像中的各个 穴位坐标及对应的穴位类型， 提升了穴位识别速 度及识别准确率。 权利要求书2页 说明书8页 附图1页 CN 115457598 A 2022.12.09 CN 115457598 A 1.一种穴位识别方法， 其特 征在于， 包括： 将待识别图像输入预先训练得到的特征提取网络中， 得到所述特征提取网络输出的多 个特征图； 其中， 所述特 征提取网络包括多个串联的特 征图提取模型； 将各所述特征图进行融合相加得到融合特 征图； 将所述融合特征图输入预先训练得到的预测网络中进行穴位预测， 得到所述待识别图 像中的各穴位 坐标和穴位类别。 2.根据权利要求1所述的方法， 其特征在于， 所述将待识别图像输入预先训练得到的特 征提取网络中， 得到所述特 征提取网络 输出的多个特 征图的步骤， 包括： 将所述待识别图像输入第 一个特征图提取模型中， 以使第 一个特征图提取模型输出第 一特征图和第二特 征图； 将前一个特征图提取模型输出的第 一特征图输入后 一个特征图提取模型中， 以使后一 个特征图提取模型输出第一特征图和 第二特征图， 直至得到所有 特征图提取模型输出的第 二特征图， 将所述第二特 征图作为所述特 征提取网络 输出的多个特 征图。 3.根据权利要求2所述的方法， 其特征在于， 所述特征图提取模型包括多个提取模块、 残差模块、 多个残差采样模块及多个上采样模块； 多个所述提取模块依次串联， 所述提取模块的输出端与所述残差模块的输入端连接， 所述残差模块的输出端与所述残差采样模块连接， 多个所述残差采样模块依 次串联， 所述 残差采样模块的输出端用于 输出所述第一特 征图； 所述上采样模块的输入端连接于所述残差采样模块之间， 所述上采样模块的输出端用 于输出所述第二特 征图。 4.根据权利要求3所述的方法， 其特征在于， 所述多个提取模块包括第 一提取模块～第 四提取模块， 所述多个残差采样模块包括第一残差采样模块～第四残差采样模块； 所述第一提取模块的输入端用于输入所述待识别图像或所述第 一特征图， 所述第 一提 取模块的输入端还与所述第四残差采样模块的输出端连接； 所述第一提取模块的输出端分别与第二提取模块的输入端及第三残差采样模块的输 出端连接； 所述第二提取模块的输出端分别与第三提取模块的输入端及第二残差采样模块的输 出端连接； 所述第三提取模块的输出端分别与第四提取模块的输入端及所述第一残差采样模块 的输出端连接 。 5.根据权利要求4所述的方法， 其特征在于， 所述多个上采样模块包括第 一上采样模块 ～第三上采样模块， 所述第一上采样模块和所述第二上采样模块用于对所述第二残差采样 模块输出的特征图进 行两次上采样， 所述第三上采样模块用于对所述第三残差采样模块输 出的特征图进行 上采样； 所述第二特征图由所述第 二上采样模块输出的特征图、 所述第 三上采样模块输出的特 征图及所述第四残差采样模块输出的特 征图相加得到 。 6.根据权利要求3所述的方法， 其特征在于， 所述提取模块包括依次连接的残差模块、 池化层和残差模块。 7.根据权利要求3所述的方法， 其特征在于， 所述残差采样模块包括残差模块和上采样权　利　要　求　书 1/2 页 2 CN 115457598 A 2模块。 8.根据权利要求3或权利要求6～7任一项所述的方法， 其特征在于， 所述残差模块包括 依次连接的ReLU层、 batc hNormal层和卷积层。 9.根据权利要求1 ‑7任一项所述的方法， 其特征在于， 所述预测网络包括卷积层、 batchNormal层、 ReLU层和l inear层。 10.一种穴位识别网络， 其特征在于， 包括： 依次串联的特征提取网络、 特征图融合网络 及预测网络； 所述特征提取网络包括多个串联的特征图提取模型； 所述特征图提取模型包 括多个提取模块、 残差模块、 多个残差采样模块及多个上采样模块； 所述特征提取网络用于从所述待识别图像中提取多个特征图并输出至所述特征图融 合网络中； 所述特征图融合模型用于将各 所述特征图进行融合相加得到融合特 征图； 所述预测网络用于基于所述融合特 征图进行穴位预测得到各穴位 坐标和穴位类别。权　利　要　求　书 2/2 页 3 CN 115457598 A 3