深度学习训练方法、目标物识别方法、系统和存储介质技术方案

本发明专利技术提供的深度学习训练方法、目标物识别方法、系统和存储介质，将训练图片输入到深度学习神经网络模型中；深度学习神经网络模型从训练图片中提取第一特征区域图像；从第一特征区域图像中提取一个或多个第一特征指标；根据一个或多个第一特征指标和训练图片上标注的各种所述目标物的类型训练得到特征指标与目标物的类型之间的对应关系的模型函数，则深度学习神经网络模型被训练好。深度学习神经网络模型可用于识别图片中的目标物，采用深度学习的方式识别图片中的目标物，相较于人工检测效率高，相较于传统的图像识别方式，准确性高。

【技术实现步骤摘要】
深度学习训练方法、目标物识别方法、系统和存储介质
本专利技术涉及医疗器械领域，具体涉及深度学习训练方法、目标物识别方法、系统和存储介质。
技术介绍
现有的医学领域的细胞检测技术，通常采用人工的方式进行检测，称之为镜检。例如，检验科的医生将包含有生物样本的玻片放置在显微镜下，人工观察生物样本中是否有目标物以及目标物（细胞）的类型等。当然，随着技术的发展，例如推片染色机的出现，能自动将血液样本制作成玻片，并通过显微镜自动拍摄各种倍率的样本图片，进而采用人工检测或者图像识别的方式得到样本中目标物的类型。然而，人工检测虽然准确，但需要耗费人力和大量的时间，效率非常低；而传统的图像识别方式准确性不高。因此，从图片中识别细胞类型的准确性还有待提高。
技术实现思路
本专利技术提供一种深度学习训练方法、目标物识别方法、系统和存储介质，以提高目标物识别的准确性。一实施例提供一种深度学习神经网络模型的训练方法,包括：获取多个训练图片，所述训练图片上标注有各种目标物的位置、尺寸和类型；将所述训练图片输入到深度学习神本文档来自技高网...

【技术保护点】
1.一种深度学习神经网络模型的训练方法,其特征在于，包括：/n获取多个训练图片，所述训练图片上标注有各种目标物的位置、尺寸和类型；/n将所述训练图片输入到深度学习神经网络模型中；/n所述深度学习神经网络模型从所述训练图片中提取第一特征区域图像；/n所述深度学习神经网络模型从所述第一特征区域图像中提取一个或多个第一特征指标；/n根据所述一个或多个第一特征指标和所述训练图片上标注的各种所述目标物的类型训练得到所述第一特征指标与目标物的类型之间的对应关系的模型函数，则所述深度学习神经网络模型被训练好。/n

【技术特征摘要】
1.一种深度学习神经网络模型的训练方法,其特征在于，包括：
获取多个训练图片，所述训练图片上标注有各种目标物的位置、尺寸和类型；
将所述训练图片输入到深度学习神经网络模型中；
所述深度学习神经网络模型从所述训练图片中提取第一特征区域图像；
所述深度学习神经网络模型从所述第一特征区域图像中提取一个或多个第一特征指标；
根据所述一个或多个第一特征指标和所述训练图片上标注的各种所述目标物的类型训练得到所述第一特征指标与目标物的类型之间的对应关系的模型函数，则所述深度学习神经网络模型被训练好。


2.如权利要求1所述的方法，其特征在于，所述深度学习神经网络模型从所述第一特征区域图像中提取一个或多个第一特征指标包括：
通过所述深度学习神经网络模型对所述第一特征区域图像进行卷积计算，得到多个不同卷积阶段的计算结果，从而得到所述第一特征区域图像的多个第一尺度信息矩阵；
所述深度学习神经网络模型采用多个第二边框在预设个数的所述第一尺度信息矩阵中提取不同的第一目标特征区域，所述第一目标特征区域即为所述第一特征指标。


3.如权利要求2所述的方法，其特征在于，所述深度学习神经网络模型采用多个第二边框在预设个数的所述第一尺度信息矩阵中提取不同的第一目标特征区域，包括：
对所有所述训练图片的所有目标物的尺寸进行聚类得到多个聚类中心，以所述聚类中心的尺寸作为所述第二边框的尺寸；
采用多个第二边框在预设个数的所述第一尺度信息矩阵中提取不同的第一目标特征区域。


4.如权利要求3所述的方法，其特征在于，对所有所述训练图片的所有目标物的尺寸进行聚类得到多个聚类中心之后，还包括：
从所述多个聚类中心中选出最小聚类中心，获取所述最小聚类中心的宽度Wmin和高度Hmin；
遍历所有所述训练图片，获取所述训练图片的宽度Wraw和高度Hraw，获取所述训练图片上每一个所述目标物的宽度W和高度H；
计算比值scale=min（W/Wmin，H/Hmin）；
判断所述比值scale是否小于1，若所述比值scale不小于1，则判断下一张所述训练图片；
若所述比值scale小于1，则将当前所述训练图片的宽度Wraw放大到Wraw/scale，...

【专利技术属性】
技术研发人员：许德鹏，刘晓康，王雪锋，陈齐文，
申请(专利权)人：深圳市瑞图生物技术有限公司，
类型：发明
国别省市：广东;44