本發(fā)明涉及目標(biāo)檢測(cè)，特別涉及一種用于血細(xì)胞圖像的目標(biāo)檢測(cè)方法、裝置、介質(zhì)和設(shè)備。

背景技術(shù)：

1、基于計(jì)算機(jī)視覺(jué)技術(shù)對(duì)血細(xì)胞圖像進(jìn)行目標(biāo)檢測(cè)是一項(xiàng)能夠自動(dòng)識(shí)別和定位血細(xì)胞的技術(shù)，可以在醫(yī)學(xué)診斷中輔助醫(yī)生更準(zhǔn)確地評(píng)估血液樣本的狀態(tài)，監(jiān)測(cè)治療效果，并及時(shí)發(fā)現(xiàn)潛在的健康問(wèn)題。

2、當(dāng)前，yolov7(you?only?look?once?version?7)是目標(biāo)檢測(cè)領(lǐng)域中最先進(jìn)的深度學(xué)習(xí)模型之一，它代表了yolo系列模型的最新研究成果。yolov7的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，主要包括三部分：主干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)和頭部網(wǎng)絡(luò)。主干網(wǎng)絡(luò)負(fù)責(zé)特征提取，頸部網(wǎng)絡(luò)進(jìn)行特征融合和多尺度特征生成，而頭部網(wǎng)絡(luò)則進(jìn)行目標(biāo)分類和定位。

3、但是血細(xì)胞圖像通常包含多種類型的細(xì)胞，且這些細(xì)胞在形態(tài)、大小和顏色上存在顯著差異，這一特點(diǎn)要求訓(xùn)練完的yolov7需要具有泛化能力，能夠面對(duì)訓(xùn)練集中未曾見(jiàn)過(guò)的血細(xì)胞樣本，然而泛化能力的增強(qiáng)可能會(huì)以犧牲yolov7對(duì)血細(xì)胞的識(shí)別準(zhǔn)確率為代價(jià)，造成泛化能力和檢測(cè)準(zhǔn)確率之間難以平衡。

技術(shù)實(shí)現(xiàn)思路

1、基于此，為了解決現(xiàn)有技術(shù)中，使用yolov7對(duì)血細(xì)胞圖像中的目標(biāo)檢測(cè)不準(zhǔn)確的技術(shù)問(wèn)題，本發(fā)明提供一種用于血細(xì)胞圖像的目標(biāo)檢測(cè)方法、裝置、介質(zhì)和設(shè)備。

2、本發(fā)明提供了一種用于血細(xì)胞圖像的目標(biāo)檢測(cè)方法，包括：

3、將原始yolov7網(wǎng)絡(luò)中主干網(wǎng)絡(luò)的elan模塊替換為elan-gsconv模塊，所述elan-gsconv模塊，是將elan模塊中的cbs模塊替換為gsconv模塊；并在elan-gsconv模塊的輸出端添加注意力機(jī)制模塊，以形成改進(jìn)主干網(wǎng)絡(luò)；將原始yolov7網(wǎng)絡(luò)中頭部網(wǎng)絡(luò)輸出端的nms模塊替換為diou-nms模塊，以形成改進(jìn)頭部網(wǎng)絡(luò)；構(gòu)建包括改進(jìn)主干網(wǎng)絡(luò)、原始yolov7網(wǎng)絡(luò)中頸部網(wǎng)絡(luò)和改進(jìn)頭部網(wǎng)絡(luò)的改進(jìn)yolov7網(wǎng)絡(luò)；

4、采集血細(xì)胞圖像以構(gòu)建數(shù)據(jù)集，使用數(shù)據(jù)集對(duì)改進(jìn)yolov7網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得目標(biāo)檢測(cè)模型；

5、將待處理血細(xì)胞圖像輸入到目標(biāo)檢測(cè)模型中，通過(guò)改進(jìn)主干網(wǎng)絡(luò)中的elan-gsconv模塊對(duì)待處理血細(xì)胞圖像進(jìn)行初始特征提取，獲得初始血細(xì)胞特征圖；獲得初始血細(xì)胞特征圖的過(guò)程中，通過(guò)gsconv模塊對(duì)初始特征提取過(guò)程中所生成的特征圖進(jìn)行變換操作，以增強(qiáng)初始血細(xì)胞特征圖的泛化能力；通過(guò)改進(jìn)主干網(wǎng)絡(luò)中的注意力機(jī)制模塊對(duì)初始血細(xì)胞特征圖中的血細(xì)胞區(qū)域進(jìn)行加權(quán)，獲得血細(xì)胞加權(quán)特征圖；通過(guò)頸部網(wǎng)絡(luò)對(duì)血細(xì)胞加權(quán)特征圖進(jìn)行增強(qiáng)，獲得血細(xì)胞增強(qiáng)特征圖；通過(guò)改進(jìn)頭部網(wǎng)絡(luò)對(duì)血細(xì)胞增強(qiáng)特征圖進(jìn)行目標(biāo)檢測(cè)，獲得若干個(gè)血細(xì)胞邊界框；通過(guò)diou-nms模塊分析邊界框之間的距離和重疊程度，以對(duì)若干個(gè)血細(xì)胞邊界框進(jìn)行篩選，輸出包含待處理血細(xì)胞圖像中血細(xì)胞位置和血細(xì)胞類別的血細(xì)胞邊界框。

6、進(jìn)一步地，所述通過(guò)gsconv模塊對(duì)初始特征提取過(guò)程中所生成的特征圖進(jìn)行變換操作，具體包括：

7、通過(guò)gsconv模塊中的第一標(biāo)準(zhǔn)卷積層對(duì)輸入gsconv模塊的特征圖進(jìn)行標(biāo)準(zhǔn)卷積操作；

8、通過(guò)gsconv模塊中的幽靈特征圖層對(duì)第一標(biāo)準(zhǔn)卷積層的輸出應(yīng)用線性操作如線性變換，以生成幽靈特征圖；

9、通過(guò)gsconv模塊中的特征拼接層將幽靈特征圖與第一標(biāo)準(zhǔn)卷積層的輸出進(jìn)行拼接，獲得拼接特征圖；

10、通過(guò)gsconv模塊中的shuffle層重新排列拼接特征圖中的通道，以增強(qiáng)不同通道的特征圖之間的信息交流。

11、進(jìn)一步地，所述注意力機(jī)制模塊為無(wú)參數(shù)注意力機(jī)制模塊；所述無(wú)參數(shù)注意力機(jī)制模塊通過(guò)無(wú)參數(shù)的方式自動(dòng)學(xué)習(xí)初始血細(xì)胞特征圖中的感興趣區(qū)域，以增強(qiáng)對(duì)血細(xì)胞的表征能力。

12、本發(fā)明提供了一種用于血細(xì)胞圖像的目標(biāo)檢測(cè)裝置，包括：

13、模型構(gòu)建模塊，用于將原始yolov7網(wǎng)絡(luò)中主干網(wǎng)絡(luò)的elan模塊替換為elan-gsconv模塊，并在elan-gsconv模塊的輸出端添加無(wú)參數(shù)注意力機(jī)制模塊，以形成改進(jìn)主干網(wǎng)絡(luò)；構(gòu)建包括改進(jìn)主干網(wǎng)絡(luò)、原始yolov7網(wǎng)絡(luò)中頸部網(wǎng)絡(luò)和原始yolov7網(wǎng)絡(luò)中頭部網(wǎng)絡(luò)的改進(jìn)yolov7網(wǎng)絡(luò)；

14、模型訓(xùn)練模塊，用于采集血細(xì)胞圖像以構(gòu)建數(shù)據(jù)集，使用數(shù)據(jù)集對(duì)改進(jìn)yolov7網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得目標(biāo)檢測(cè)模型；

15、目標(biāo)檢測(cè)模塊，用于將待處理血細(xì)胞圖像輸入到目標(biāo)檢測(cè)模型中，通過(guò)改進(jìn)主干網(wǎng)絡(luò)中的elan-gsconv模塊對(duì)待處理血細(xì)胞圖像進(jìn)行特征提取，獲得第一特征圖；通過(guò)改進(jìn)主干網(wǎng)絡(luò)中的無(wú)參數(shù)注意力機(jī)制模塊對(duì)第一特征中的感興趣區(qū)域進(jìn)行加權(quán)，獲得第二特征圖；通過(guò)頸部網(wǎng)絡(luò)對(duì)第二特征圖進(jìn)行增強(qiáng)，獲得第三特征圖；通過(guò)頭部網(wǎng)絡(luò)對(duì)第三特征圖進(jìn)行目標(biāo)檢測(cè)，輸出待處理血細(xì)胞圖像中的血細(xì)胞位置和血細(xì)胞類別。

16、本發(fā)明提供了一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)上述用于血細(xì)胞圖像的目標(biāo)檢測(cè)方法。

17、本發(fā)明采用的上述至少一個(gè)技術(shù)方案能夠達(dá)到以下有益效果：

18、在本發(fā)明提供的用于血細(xì)胞圖像的目標(biāo)檢測(cè)方法中，將elan模塊中的cbs模塊替換為gsconv模塊，提高yolov7網(wǎng)絡(luò)的泛化能力。具體而言，gsconv通過(guò)特征圖進(jìn)行變換操作，幫助yolov7網(wǎng)絡(luò)更好地應(yīng)對(duì)訓(xùn)練過(guò)程中未見(jiàn)過(guò)的細(xì)胞樣本，增強(qiáng)了初始血細(xì)胞特征圖的泛化能力；即使面對(duì)新的血細(xì)胞圖像樣本時(shí)，也能夠保持較高魯棒性。并且在elan-gsconv模塊的輸出端添加注意力機(jī)制模塊以及將nms模塊替換為diou-nms模塊，提高了對(duì)血細(xì)胞檢測(cè)的準(zhǔn)確性。注意力機(jī)制模塊的引入為網(wǎng)絡(luò)增加了更強(qiáng)的選擇性關(guān)注能力，對(duì)由于特征變化造成的誤差進(jìn)行了補(bǔ)充，使得yolov7網(wǎng)絡(luò)聚焦于輸入特征圖中的重要區(qū)域，從而提升關(guān)鍵細(xì)胞特征的權(quán)重；而diou-nms通過(guò)考慮邊界框之間的距離和重疊程度，剔除掉冗余的血細(xì)胞邊界框，并保留最優(yōu)的框，在泛化的情況下保證了對(duì)血細(xì)胞的識(shí)別精度。

技術(shù)特征：

1.一種用于血細(xì)胞圖像的目標(biāo)檢測(cè)方法，其特征在于，包括：

2.如權(quán)利要求1所述的用于血細(xì)胞圖像的目標(biāo)檢測(cè)方法，其特征在于，所述通過(guò)gsconv模塊對(duì)初始特征提取過(guò)程中所生成的特征圖進(jìn)行變換操作，具體包括：

3.如權(quán)利要求1所述的用于血細(xì)胞圖像的目標(biāo)檢測(cè)方法，其特征在于，所述注意力機(jī)制模塊為無(wú)參數(shù)注意力機(jī)制模塊；所述無(wú)參數(shù)注意力機(jī)制模塊通過(guò)無(wú)參數(shù)的方式自動(dòng)學(xué)習(xí)初始血細(xì)胞特征圖中的感興趣區(qū)域，以增強(qiáng)對(duì)血細(xì)胞的表征能力。

4.一種用于血細(xì)胞圖像的目標(biāo)檢測(cè)裝置，其特征在于，包括：

5.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，所述存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述權(quán)利要求1～3任一項(xiàng)所述的方法。

6.一種計(jì)算機(jī)設(shè)備，其特征在于，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)上述權(quán)利要求1～3任一所述的方法。

技術(shù)總結(jié)
本發(fā)明公開(kāi)了一種用于血細(xì)胞圖像的目標(biāo)檢測(cè)方法、裝置、介質(zhì)和設(shè)備，涉及目標(biāo)檢測(cè)技術(shù)領(lǐng)域。包括：將原始YOLOv7網(wǎng)絡(luò)中主干網(wǎng)絡(luò)的ELAN模塊替換為ELAN?GSConv模塊；并在ELAN?GSConv模塊的輸出端添加注意力機(jī)制模塊，以構(gòu)建改進(jìn)YOLOv7網(wǎng)絡(luò)。GSConv通過(guò)特征圖進(jìn)行變換操作，幫助網(wǎng)絡(luò)應(yīng)對(duì)訓(xùn)練過(guò)程中未見(jiàn)過(guò)的細(xì)胞樣本，增強(qiáng)了泛化能力。注意力機(jī)制模塊的引入為網(wǎng)絡(luò)增加了更強(qiáng)的選擇性關(guān)注能力，對(duì)由于特征變化造成的誤差進(jìn)行了補(bǔ)充，使得網(wǎng)絡(luò)聚焦于輸入特征圖中的重要區(qū)域。而DIoU?NMS通過(guò)考慮邊界框之間的距離和重疊程度，剔除冗余的血細(xì)胞邊界框，并保留最優(yōu)的框，提高對(duì)血細(xì)胞的檢測(cè)準(zhǔn)確性。

技術(shù)研發(fā)人員：張騫,梅亞楠,孟金葆,齊平,陳聰,李景麗
受保護(hù)的技術(shù)使用者：銅陵學(xué)院
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/30