欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022116385494
申请人: 湖南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于边界分布注意力的医药质量检测方法,其特征在于:包括以下步骤:S1:构造数据集:采集目标液体图像并对目标液体图像上可见异物的位置以及类别进行标定;

S2:构建特征提取网络、特征融合网络以及边界分布注意力检测头网络依次相连的神经网络模型;

其中,所述特征提取网络的输入为目标液体图像,所述特征提取网络的输出作为所述特征融合网络的输入,所述特征融合网络的输出作为所述边界分布注意力检测头网络的输入,所述边界分布注意力检测头网络的输出为每个像素点所属的类别以及以每个像素点为中心点的回归框的四条边界到中心点的距离,所述类别为可见异物类别或背景;

S3:利用所述数据集训练所述神经网络模型;

S4:将待检测的目标液体图像输入训练后的所述神经网络模型得到可见异物的检测结果。

2.根据权利要求1所述的医药质量检测方法,其特征在于:所述边界分布注意力检测头网络内设有用于预测回归框的边界到中心点距离的边界预测支路以及用于预测像素点所属类别的分类预测支路;

其中,针对以像素点为中心点的回归框的每个边界,所述边界预测支路预测出离散分布的N1个预测值,再综合所述N1个预测值得到边界到中心点的距离,N1为正整数;

针对每个像素点所属类别,所述分类预测支路在所述边界预测支路得到的预测值的指导下确定每个像素点所属的类别;

具体是利用同一像素点的回归框上各个边界的预测值得到总指导分数,再将所述总指导分数乘以所述分类预测支路预测出同一像素点的各类别概率初值得到各类别概率终值,其中,最大的类别概率终值所对应类别为所述像素点所属类别。

3.根据权利要求2所述的医药质量检测方法,其特征在于:所述总指导分数的获取过程如下:Score=sigmoid(K1*St+K2*Sb+K3*Sl+K4*Sr+K5*Sm)式中,Score为总指导分数,sigmoid是一种神经元的非线性作用函数,St、Sb、Sl、Sr分别为回归框的四个边界对应的指导分数,Sm为均值对应的指导分数,K1、K2、K3、K4、K5分别表示St、Sb、Sl、Sr和Sm在总指导分数中的占比值;

其中,所述边界预测支路分别预测出像素点所在回归框上每个边界对应的N1个预测值后,再分别从每个边界的N1个预测值中分别选取q个概率最大的预测值,进而计算出每个边界对应的均值Xm,再将每个边界对应的q个概率最大的预测值与均值Xm拼接,记为Xc,针对Xc依次使用卷积调整通道数以及一个sigmoid函数得到占比值K1、K2、K3、K4、K5;

将Xc按边界分为4份,依次记为Xt、Xb、Xl、Xr,然后使用共享权重的卷积调整Xt、Xb、Xl、Xr、Xm的通道数,以及再经过一个sigmoid函数得到四条边界对应的指导分数St、Sb、Sl、Sr、Sm。

4.根据权利要求1所述的医药质量检测方法,其特征在于:所述特征提取网络中设有conv1块、conv2块、conv3块、conv4块、conv5块;

其中,目标液体图像先输入所述conv1块,后进行maxpooling操作再输入所述conv2块,所述conv2块重复z1轮操作后输出特征图1;再将所述特征图1输入所述conv3块,所述conv3块重复z2轮操作后输出特征图2;将所述特征图2输入所述conv4块,所述conv4块重复z3轮操作后输出特征图3;将所述特征图3输入所述conv5块,所述conv5块重复z4轮操作后输出特征图4;

其中,所述conv2块、conv3块、conv4块、conv5块输入的特征图大小与输出特征图大小的比等于或近似等于2:1,且所述conv2块、conv3块、conv4块、conv5块输出的特征图对应的通道数以2倍依次递增,z1、z2、z3、z4均为正整数。

5.根据权利要求1所述的医药质量检测方法,其特征在于:所述特征融合网络的输入为所述特征提取网络输出的4个特征图,分别记为:C2、C3、C4、C5;

首先,特征图C2、C3、C4、C5分别通过所述特征融合网络中的卷积统一通道数,变为特征图D2、D3、D4、D5;

然后,特征图D5上采样后与特征图D4进行相加得到特征图E4;将特征图E4上采样以及特征图D5上采样后,与特征图D3三者相加得到特征图E3;特征图E3上采样后与特征图D2进行相加得到特征图P2;特征图P2下采样后与特征图E3相加得到特征图P3;将特征图P3下采样以及特征图P2下采样后,与特征图E4三者相加得到特征图P4;特征图P4下采样后与特征图D5相加得到特征图P5,最终将特征图P5经过maxpooling操作后得到特征图P6;

其中,两两叠加时的特征图的大小一致,通道数相匹配;所述特征融合网络输出特征图P2、P3、P4、P5、P6。

6.根据权利要求1所述的医药质量检测方法,其特征在于:步骤S1中构建所述数据集的过程如下:图像采集:采集目标液体图像,并处理成统一大小;

可见异物的标定以及裁剪:对所述目标液体图像上可见异物的位置以及类别进行标定,并在所述目标液体图像上裁剪出可见异物图像;

阈值处理:对裁剪后的可见异物图像进行阈值处理;其中,背景区域内像素点的RGB通道值设置为0或255,可见异物区域内像素点的RGB通道值不变;

变形:将阈值处理后的可见异物图像进行随机旋转、随机镜像;

数据增强:在目标体液图像上的液体区域随机添加随机旋转、随机镜像处理后的可见异物,进而构成数据集。

7.根据权利要求1所述的医药质量检测方法,其特征在于:步骤S3中利用数据集训练神经网络模型时采用随机梯度下降法进行网络优化;

其中,损失函数 为:

其中,Npos是正样本的个数,正样本为可见异物; 是GIoU损失, 是QFL损失, 是DFL损失,λ0和λ1是常系数,用于设定 和 的占比;f(z)是指示函数,即回归框中有可见异物时值为1,其他情况时值为0。

8.一种基于权利要求1‑7任一项所述医药质量检测方法的系统,其特征在于:包括:数据集构建模块,用于构造数据集,即采集目标液体图像,并对目标液体图像上可见异物的位置以及类别进行标定;

神经网络模型构建模块,用于构建特征提取网络、特征融合网络以及边界分布注意力检测头网络依次相连的神经网络模型;

其中,所述特征提取网络的输入为目标液体图像,所述特征提取网络的输出作为所述特征融合网络的输入,所述特征融合网络的输出作为所述边界分布注意力检测头网络的输入,所述边界分布注意力检测头网络的输出为每个像素点所属的类别以及以每个像素点作为中心点的回归框的四条边界到中心点的距离,所述类别为可见异物类别或背景;

训练模块,用于利用所述数据集训练神经网络模型;

检测模块,用于将待检测的目标液体图像输入训练后的所述神经网络模型得到可见异物的检测结果。

9.一种电子终端,其特征在于:包括:

一个或多个处理器;

存储了一个或多个计算机程序的存储器;

所述处理器调用所述计算机程序以实现:

权利要求1‑7任一项所述医药质量检测方法的步骤。

10.一种可读存储介质,其特征在于:存储了计算机程序,所述计算机程序被处理器调用以实现:权利要求1‑7任一项所述医药质量检测方法的步骤。