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: 2024117017802
申请人: 昆明理工大学
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:

1.一种基于改进血细胞提取和多尺度注意的实时血细胞检测方法,其特征在于,包括以下步骤:S1、模型构建:构建实时血细胞检测模型,所述模型包括多尺度特征提取模块、多尺度特征融合模块、多尺度特征增强模块和检测模块;

S2、图像获取和处理:从公开的血细胞图像数据库中获取包含血细胞的高分辨率图像数据进行预处理,并将处理后的图像数据集划分为训练集、验证集和测试集;

S3、特征提取与融合:将S2中训练集和验证集的血细胞图像数据输入至S1模型中采用SPD-Conv层进行多尺度特征提取,然后将得到的特征图进行融合处理,在每个尺度上运用简化的c2f模块进行特征融合,随后采用Swin Transformer构建多尺度特征表示,使模型能够关注图像中的关键区域得到融合特征图;

S4、多尺度检测:将S3步骤中得到的融合特征图输入检测模块,采用多尺度检测策略,利用调整并融合的特征图,通过三个不同尺度的检测头分别对应图像中的大、中、小目标进行检测,最终获得血细胞的检测框;

S5、迭代训练:设置血细胞检测模型的损失函数,并对模型进行迭代训练;

S6、重复S3-S5,直至得到训练完成的基于多尺度特征的实时血细胞检测模型;

S7、后处理与输出:使用S2步骤中测试集的血细胞图像数据输入至训练完成的模型进行检测,通过非最大抑制技术过滤掉冗余的边界框,保留最高置信度的检测结果并进行输出,以此评估血细胞检测的效果。

2.根据权利要求1所述的基于改进血细胞提取和多尺度注意的实时血细胞检测方法,其特征在于,所述血细胞检测模型的特征提取模块由一个常规卷积层和多个SPD-Conv卷积层组成,负责提取图像特征供网络后续使用;在S3步骤中,SPD-Conv层提取图像特征过程见公式1;

FSPD=SPD-Conv(I)    公式1

其中I为输入图像,FSPD为SPD-Conv层获取的特征图;

公式2-公式4将SPD-Conv层的计算流程可视化:

fx,y=X[{i|(i+x)modγ=0},{j|(j+y)modγ=0}]    公式2X”=Conv(X',C',stride=1)    公式4

其中X、X'、X”分别是输入、SPD和Conv阶段的特征映射,γ是下采样因子,fx,y是已被切片和切块的子特征映射,C'是所需输出通道的计数;假设输入特征映射X的大小为H×W×C,其中H和W分别为高度和宽度,C为通道数,经过SPD层后,特征图X'的大小变为然后通过非跨步卷积层对X'进行卷积运算,减少通道数,进一步细化特征,输出特征图X”的大小可以调整为

3.根据权利要求1所述的基于改进血细胞提取和多尺度注意的实时血细胞检测方法,其特征在于,在S3步骤中,使用简化的c2f模块进行特征融合,以最小化计算负荷并简化模型架构,同时保持出色的检测性能;

如公式5所示,简化后的c2f模块可以表示为:

c2fSSW(X1,X2,...,Xn)=concat(UpSample(Conv(X1)),X2,...,Xn)    公式5式中,X1为原c2f模块1024通道的特征映射,X2,...,Xn是剩余的具有少量通道的特征映射,化简后,剔除X1,对剩余的特征图进行上采样、卷积、拼接等操作,形成最终的融合特征图;

然后使用Swin Transformer构建多尺度特征表示,允许模型专注于图像中的关键区域,公式6描述了特征融合过程,公式7描述了特征增强过程:Fmulti=c2fsimplified(F1,F2,...,Fn)    公式6Fswin=SwinTransformer(Fmulti)    公式7其中F1,F2,...,Fn代表不同层次的特征,Fmulti是融合的多尺度特征,Fswin是通过多尺度特征处理进行细化和增强的特征。

4.根据权利要求3所述的基于改进血细胞提取和多尺度注意的实时血细胞检测方法,其特征在于,所述Swin Transformer中基于窗口的多重自关注计算复杂度如公式8所示:Ω(W-MSA)=4hwR2+2M2hwR    公式8

其中,h、w为图像块数,hw为总块数,R为通道数,M为每个窗口内的块数,当M一定时,复杂度随图像大小呈线性增长;

Swin Transformer中自关注模块的工作过程如公式9所示:其中,Q、K和V分别表示查询矩阵、键矩阵和值矩阵,d表示键向量的维数,另外,B表示相对位置偏置矩阵;

在特定的Swin Transformer层中,自关注模块在移位窗口配置下运行,允许模型跨不同窗口捕获信息并增强全局感知能力;Swin Transformer通过将相对位置信息整合到注意权值的计算中,提高模型对血细胞的检测精度。

5.根据权利要求1所述的基于改进血细胞提取和多尺度注意的实时血细胞检测方法,其特征在于,在S4步骤中,采用多尺度检测策略,利用调整融合的特征图,采用三种不同尺度的检测头分别对应图像中的大、中、小尺度信息进行目标检测,检测过程如公式10所示:B,C,S=DetectionHead(Fswin)    公式10式中,B为边界框预测,C为类别预测得分,S为置信度得分;

在S4步骤中,检测到目标后进行锚盒回归和分类概率计算,利用YOLOv8中的锚盒回归方法,根据预测头输出的回归参数,调整预测框的位置和大小;利用Sigmoid函数计算每个边界框的类似然,确保输出符合血细胞分类规范,如公式11、12、13所示:Pclass=σ(C)    公式13

其中ΔxB和ΔyB为宽度和高度的回归参数,wpred和hpred分别表示预测边界框的宽度和高度,wtrue和htrue分别表示实际边界框的宽度和高度,σ为Sigmoid函数,C为类别预测分数。

6.根据权利要求1所述的基于改进血细胞提取和多尺度注意的实时血细胞检测方法,其特征在于,在步骤S5中,血细胞检测模型使用WDLoss函数和Distribution Focal loss(DFL)函数计算回归损失,而使用Varifocal loss(VFL)函数确定分类损失,计算公式如下:Ltotal=LWDLoss+λLDFL    公式14

其中Ltotal为总回归损失,LWDLoss为WDLoss,LDFL为DFL,λ为平衡因子;

WDLoss函数计算如下:

特征提取:首先,输入图像x通过该血细胞检测模型网络进行特征提取,生成特征图f(x);

生成边界框:根据提取的特征图f(x)生成边界框;

WDLoss函数的计算:WDLoss函数计算预测框与地面真值框b之间的Wasserstein距离,该距离由相应的二维高斯分布和N(b)决定,计算公式如公式15所示:其中,NWD表示归一化Wasserstein距离,为预测框对应的高斯分布模型,N(b)为真实框b对应的高斯分布模型。

7.根据权利要求1所述的基于改进血细胞提取和多尺度注意的实时血细胞检测方法,其特征在于,在步骤S6中,每次迭代训练完成后,均使用血细胞数据集中的验证集来评估基于改进血细胞提取和多尺度注意的实时血细胞检测模型的性能,以防止模型出现过拟合现象。

8.根据权利要求1所述的基于改进血细胞提取和多尺度注意的实时血细胞检测方法,其特征在于,在步骤S7中,利用非最大抑制(NMS)过滤掉多余的边界框,保留置信度最高的检测结果,该过程展示在公式17中:NMS({bi})={bi'}    公式17

其中{bi}为所有检测到的边界框的集合,{bi'}为非极大值抑制(NMS)后的边界框的集合;

经过训练,基于改进血细胞提取和多尺度注意的实时血细胞检测模型将能够精确识别和计数各种血细胞类型,输出过程如公式18所示:Output={bi'|Pclass>θ}    公式18

其中θ是置信阈值,Output是包含位置信息和类别的边界框的最终输出集。