本发明专利技术公开了一种侵入性酿酒酵母的检测方法、装置以及存储介质，包括利用图像采集器采集多张酵母图像，利用标注软件对所述多张酵母图像中酵母细胞的位置与大小进行标注，得到训练数据集，利用特征提取网络模型GhostNet提取所述训练数据集中酵母图像的特征信息，得到特征图像训练集，利用FPN特征金字塔网络对所述特征图像训练集加强特征提取，得到加强特征图像训练集，利用所述加强特征图像训练集对YOLOv3模型训练，得到训练结束的酵母检测模型。实现了特征提取网络参数总数和计算复杂度的降低，在保证识别精度的同时，提高算法的识别速度；有利于提取出更好的图像特征值，有效的降低了现有技术中存在漏检、误检问题，提高了检测准确率。了检测准确率。了检测准确率。
【技术实现步骤摘要】
一种侵入性酿酒酵母检测方法、装置以及存储介质
[0001]本专利技术涉及细胞检测的
，特别是涉及一种侵入性酿酒酵母检测方法、装置以及计算机可读存储介质。
技术介绍
[0002]酿酒酵母通常被认为是一种安全的非致病性微生物，常定殖于皮肤、阴道粘膜、消化道和呼吸道。然而，在过去的二十年里，侵入性酿酒酵母感染疾病的病例却在不断地增加，特别是在老年人、危重患者等免疫功能低下的患者群体中。例如，服用酵母菌制剂后导致原因不明的发烧、肺炎、真菌血症、肝脓肿、腹膜炎、阴道炎、尿路感染或感染性休克等。因此，酿酒酵母又被认为是一种新兴的机会性病原体，与多种感染有关，如抗生素相关性腹泻、成人急性腹泻、HIV相关性腹泻、泌尿生殖系统感染、食管炎、肺炎、肝脓肿或腹膜炎感染。此外，中心静脉导管、抗生素使用、ICU入院和免疫抑制等易感因素也促进了酿酒酵母菌的侵入性感染。
[0003]临床上，要对酿酒酵母侵入性感染进行初步诊断和治疗，首先要对患者血液中的酿酒酵母菌进行检测和纯化。因为，酿酒酵母引起真菌感染的先决条件是摄入的酿酒酵母在免疫低下患者中穿过免疫屏障进入血液循环系统传播并侵入感染部位。近年来，随着人工智能领域的发展，在医疗影像中，目标检测逐渐用于检测图像中的酵母细胞、组织或器官等。由于现有YOLOv3检测算法的特征提取网络采用DarkNet53网络，使得提取的酿酒酵母图像特征准确率不高，精度较差，在复杂的医学图像处理中存在较大误差，因此需要设计一种侵入性酿酒酵母检测方法，已解决现有技术中存在漏检、误检以及检测准确率较低的问题。
技术实现思路
[0004]本专利技术的目的是提供一种侵入性酿酒酵母的检测方法、装置以及存储介质，以解决现有酿酒酵母细胞检测算法准确率不高，精度较差，且存在漏检与误检情况的问题。
[0005]为解决上述技术问题，本专利技术提供一种侵入性酿酒酵母检测方法、装置以及存储介质，包括：
[0006]基于YOLOv3网络构建侵入性酿酒酵母检测模型，所述酵母检测模型包括：特征提取网络GhostNet、FPN特征金字塔网络、预测网络；
[0007]利用图像采集器采集多张酵母图像；
[0008]利用标注软件对所述多张酵母图像中酵母细胞的位置与大小进行标注，得到标注图像数据集；
[0009]利用特征提取网络模型GhostNet提取所述标注图像数据集中酵母图像的特征信息，得到特征图像训练集；
[0010]利用FPN特征金字塔网络对所述特征图像训练集加强特征提取，得到加强特征图像训练集；
[0011]利用预测网络对所述加强特征图像进行预测，得到酵母预测图像；
[0012]对酵母检测模型进行训练，直至所述酵母预测图像与所述标注图像之间的损失函数收敛，得到训练结束的酵母检测模型；
[0013]利用所述酵母检测模型检测待检测酵母图像，输出待检测图像中酵母的位置与大小。
[0014]优选地，所述特征提取网络模型GhostNet的第一卷积层为扩张卷积。
[0015]优选地，所述FPN特征金字塔网络包括常规卷积和深度可分离卷积。
[0016]优选地，所述深度可分离卷积由逐通道卷积和逐点卷积两个部分构成。
[0017]优选地，所述FPN特征金字塔网络使用HardSwish激活函数，其公式如下
[0018][0019]其中，x为卷积神经网络的神经元变量。
[0020]优选地，所述酵母检测模型损失函数的计算公式为：
[0021]Loss
yolov3
＝∑(Coord
loss
+Conf
loss
+Class
loss
)
[0022]其中，Coord
loss
为位置损失函数，Conf
loss
为分类损失函数，Class
loss
为置信度损失函数。
[0023]优选地，所述位置损失函数采用CIoU函数作为酿酒酵母检测的损失函数，其计算公式为：
[0024][0025]其中，b,b
gt
分别代表预测边界框和目标真实框的中心点，ρ表示欧几里得距离，c代表覆盖两个边界框最小框的对角线长度；
[0026]α为用于平衡比例的参数，其计算公式为：
[0027][0028]v为用来衡量预测边界框和目标真实框之间宽高比例的一致性，其计算公式为：
[0029][0030]其中，和分别表示目标真实框和预测边界框的宽高比。
[0031]本专利技术还提供了一种侵入性酿酒酵母检测方法的装置，包括：
[0032]标注模块，用于对所述酵母图像中酵母细胞的位置与大小进行标注；
[0033]特征提取模块，利用特征提取网络模型GhostNet提取所述标注图像数据集中酵母图像的特征信息；
[0034]加强特征提取模块，利用FPN特征金字塔网络对所述特征图像数据集加强特征提取，得到加强特征图像数据集；
[0035]预测模块，对所述加强特征图像进行预测，得到酵母预测图像；
[0036]训练模块，对酵母检测模型进行训练，直至所述酵母预测图像与所述标注图像之间的损失函数收敛，得到训练结束的酵母检测模型；
[0037]酵母检测模块，用于检测待检测酵母图像，输出待检测图像中酵母的位置与大小。
[0038]本专利技术还提供了一种侵入性酿酒酵母检测方法的设备，包括：
[0039]图像采集器，用于采集酵母图像；
[0040]存储器，用于存储计算机程序；
[0041]处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述一种侵入性酿酒酵母检测方法的步骤。
[0042]本专利技术还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种侵入性酿酒酵母检测方法的步骤。
[0043]本专利技术所提供的侵入性酿酒酵母检测方法，利用特征提取网络模型GhostNet提取所述训练数据集中酵母图像的特征信息，使用Ghost模块，可以使用更少的参数来生成更多特征图，实现了特征提取网络参数总数和计算复杂度的降低，在保证识别精度的同时，提高算法的识别速度；利用FPN特征金字塔网络对所述特征图像训练集加强特征提取，利用FPN特征金字塔网络，有利于提取出更好的图像特征值，有效的降低了现有技术中存在漏检、误检问题，提高了检测准确率。
附图说明
[0044]为了更清楚的说明本专利技术实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0045]图1为本专利技术所提供的侵入性酿酒酵母检测方法的第一种具体实施例的流程图；
[0046]图2为GhostNet网络结构图；
[0047本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种侵入性酿酒酵母检测方法，其特征在于，包括：基于YOLOv3网络构建侵入性酿酒酵母检测模型，所述酵母检测模型包括：特征提取网络GhostNet、FPN特征金字塔网络、预测网络；利用图像采集器采集多张酵母图像；利用标注软件对所述多张酵母图像中酵母细胞的位置与大小进行标注，得到标注图像数据集；利用特征提取网络模型GhostNet提取所述标注图像数据集中酵母图像的特征信息，得到特征图像训练集；利用FPN特征金字塔网络对所述特征图像训练集加强特征提取，得到加强特征图像训练集；利用预测网络对所述加强特征图像进行预测，得到酵母预测图像；对酵母检测模型进行训练，直至所述酵母预测图像与所述标注图像之间的损失函数收敛，得到训练结束的酵母检测模型；利用所述酵母检测模型检测待检测酵母图像，输出待检测图像中酵母的位置与大小。2.如权利要求1所述的侵入性酿酒酵母检测方法，其特征在于，所述特征提取网络模型GhostNet的第一卷积层为扩张卷积。3.如权利要求1所述的侵入性酿酒酵母检测方法，其特征在于，所述FPN特征金字塔网络包括常规卷积和深度可分离卷积。4.如权利要求3所述的侵入性酿酒酵母检测方法，其特征在于，所述深度可分离卷积由逐通道卷积和逐点卷积两个部分构成。5.如权利要求1所述的侵入性酿酒酵母检测方法，其特征在于，所述FPN特征金字塔网络使用HardSwish激活函数，其公式如下其中，x为卷积神经网络的神经元变量。6.如权利要求1所述的侵入性酿酒酵母检测方法，其特征在于，所述酵母检测模型损失函数的计算公式为：Loss
yolov3
＝∑(Coord
loss
+Conf
loss
+Class
loss
)其中，Coord
loss<...
【专利技术属性】
技术研发人员：李恭新，李帅，刘飞，栾小丽，
申请(专利权)人：江南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。