一种血细胞检测计数的GUI系统制作方法、系统及终端技术方案

本发明专利技术属于计算机辅助检测与诊断技术领域，公开了一种血细胞检测计数的GUI系统制作方法，通过使用K

【技术实现步骤摘要】
一种血细胞检测计数的GUI系统制作方法、系统及终端


[0001]本专利技术属于计算机辅助检测与诊断
，尤其涉及一种血细胞检测计数的GUI系统 制作方法、系统及终端。

技术介绍

[0002]血细胞检测和计数作为医院血液检验中的一项重要内容，也是医学院校检验专业学生的 一项重要的实验项目。血细胞显微图像形态多样、目标较小且背景复杂，模型可用的分辨率 和上下文信息有限，检测图像中的小物体具有挑战性，许多实现目标检测的系统都以实时速 度执行此操作，从而对计算资源提出了特定要求，尤其是在处理要在捕获图像的同一设备上 进行时。由于目标检测器的性质，较小对象的细节在其卷积主干的每一层处理时失去了意义。
[0003]目前业内常见的血细胞检测分析计数的方法主要包括电学法和光学法；而很多医院和医 学院校依然通过传统的人工方式进行血细胞计数；也有人使用imageJ等软件利用二值法实现 对微小颗粒目标进行计数。由于血细胞图像的复杂性，以上方法都存在着不同的缺点，如检 测精度低，计数不准确等。
[0004]通过上述分析，现有技术存在的问题及缺陷为：
[0005](1)电学法不能完全将血小板与其他类似大小的物质,如红细胞或白细胞碎片、灰尘等 区分开,致使血小板计数误差大。
[0006](2)流式细胞术缺点：细胞或者细胞样颗粒物是流式细胞仪的检测分析对象。样品为单 细胞悬液是基本的要求。最终结果的准确性与样品的制备息息相关。然而在将组织解离为单 细胞的过程中，可能会影响到细胞，例如会损坏细胞膜等
[0007](3)由于细胞微粒较密集，传统的人工方式的计数时间长；人为识别计数不准确，误差 较大；人为手动计数不直观，不易统计。
[0008](4)现有利用二值法实现对微小颗粒目标进行计数的方法中，存在检测精度低，计数不 准确等缺点。
[0009](5)由于模型可用的分辨率和上下文信息有限，检测图像中的小物体具有挑战性；由于 目标检测器的性质，较小对象的细节在卷积主干的每一层处理时失去意义。

技术实现思路

[0010]针对现有技术存在的问题，本专利技术提供了一种血细胞检测计数的GUI系统制作方法、系 统及终端，尤其涉及一种基于深度学习YOLOv5的血细胞检测计数的GUI系统制作方法、系 统、介质、设备及终端。
[0011]本专利技术是这样实现的，一种血细胞检测计数的GUI系统制作方法，所述血细胞检测计数 的GUI系统制作方法包括：YOLOv5网络的输入、骨干、颈部和头部的四个模块以及GUI 模块；通过使用K
‑
means算法对锚框进行聚类，获得三种不同大小的潜在待识别目标的锚框； 在YOLOv5基础网络中引入残差模块和特征金字塔的多尺度模块，通过跳层连接进行残
差训 练，并在网络架构中增加密集连接模块；修改推理方法，改变预测框的形状为圆形，并且将 细胞类别和数量显示在图例图片上；将上述改进应用到GUI系统生成检测计数结果。
[0012]进一步，所述血细胞检测计数的GUI系统制作方法包括以下步骤：
[0013]步骤一，制作用于血细胞检测计数的数据集；
[0014]作用：数据集分成将训练数据集(Training Set)和测试数据集(Test Set)，训练数据集用 于训练权重模型参数，测试数据集用于选择模型，最终的训练权重模型根据训练数据集和测 试数据集共同训练得到。
[0015]步骤二，下载并优化YOLOv5
‑
PYTORCH网络框架；
[0016]作用：
[0017]1、代替numpy(numpy能实现数值计算)使用GPU对Tensor进行操作，实现神经网络 的操作，
[0018]2提供自动求导/求微分/求梯度的机制，让神经网络实现变得容易
[0019]3内置许多基本网络组件，比如全连接网络，卷积网络，RNN/LSTM等，简化代码工作， 让大家可以专注于模型设计等其他步骤，而不是编程
[0020]步骤三，将血细胞检测计数的数据集用YOLOv5
‑
PYTORCH网络进行训练；
[0021]作用：得到最终用于推理的权重模型文件
[0022]步骤四，将训练的新型YOLOv5模型用于血细胞检测计数中；
[0023]作用：应用最终的权重模型文件，在DOS命令符或IDE状态下实现血细胞检测。
[0024]步骤五，制作基于PyQt5实现血细胞检测计数的GUI检测计数界面；
[0025]作用：将血细胞检测计数代码写入到GUI检测计数界面中，实现血细胞检测计数的GUI 检测计数功能。
[0026]步骤六，将训练的新型YOLOv5模型用于GUI检测计数界面中。
[0027]作用：验证GUI检测计数的功能效果，根据检验效果修改系统参数，以便达到最优化。
[0028]进一步，所述步骤一中的制作用于血细胞检测计数的数据集包括：
[0029](1)拍摄搜集显微镜下血细胞的原始照片，构成原始数据集；
[0030](2)对原始数据集进行数据清洗，利用旋转、裁剪的数据增强方法对原始数据集进行增 强，将数据集进行扩展；
[0031](3)利用labelimg对扩展后的图片标注为VOC数据集，类别分别为Platelets、RBC和 WBC三类，并利用转换程序将VOC数据集转换为YOLO数据集。
[0032]进一步，所述步骤二中的下载并优化YOLOv5
‑
PYTORCH网络框架包括：
[0033](1)下载官方最新版v6.0的YOLOv5开源代码，配置参数并安装运行的软件环境；
[0034](2)YOLOv5采用CIOU_Loss做Bounding box的回归损失函数，定义为：
[0035][0036]其中，ciou_loss考虑到覆盖面积、中心点距离和长宽比；IOU为预测框和真实框的叫并 比，其中c表示目标最小外接矩形的对角线距离。v是衡量长宽比一致性的参数表示检测框 和真实框的长宽比的距离，表示为：
[0037][0038]其中，gt表示类别是血细胞的预测框的中心点，ρ表示欧氏距离，w
gt
和h
gt
为真实框的 宽和高，w和h为预测框的宽和高。
[0039](3)新型YOLOv5的非极大值抑制方法采用diou_loss，所述diou_loss通过分析iou和 两个中心点之间的距离，当两个框的中心点距离比较大时，则两个物体的框而不会因遮挡而 被过滤。
[0040]进一步，所述步骤三中的将血细胞检测计数的数据集用YOLOv5
‑
PYTORCH网络进行训 练包括：
[0041](1)对步骤一所标注的数据集采用k
‑
means++算法对数据集的目标框的高宽进行聚类， 进而确定模型中的anchor参数的最优值；
[0042](2)将标注的数据集按照9：1划分成训练集和测试集，将本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种血细胞检测计数的GUI系统制作方法，其特征在于，所述血细胞检测计数的GUI系统制作方法包括：YOLOv5网络的输入、骨干、颈部和头部的四个模块以及GUI模块；通过使用K
‑
means算法对锚框进行聚类，获得三种不同大小的潜在待识别目标的锚框；在YOLOv5基础网络中引入残差模块和特征金字塔的多尺度模块，通过跳层连接进行残差训练，并在网络架构中增加密集连接模块；修改推理方法，改变预测框的形状为圆形，并且将细胞类别和数量显示在图例图片上；将改进应用到GUI系统生成检测计数结果。2.如权利要求1所述的血细胞检测计数的GUI系统制作方法，其特征在于，所述血细胞检测计数的GUI系统制作方法包括以下步骤：步骤一，制作用于血细胞检测计数的数据集；步骤二，下载并优化YOLOv5
‑
PYTORCH网络框架；步骤三，将血细胞检测计数的数据集用YOLOv5
‑
PYTORCH网络进行训练；步骤四，将训练的新型YOLOv5模型用于血细胞检测计数中；步骤五，制作基于PyQt5实现血细胞检测计数的GUI检测计数界面；步骤六，将训练的新型YOLOv5模型用于GUI检测计数界面中。3.如权利要求2所述的血细胞检测计数的GUI系统制作方法，其特征在于，所述步骤一中的制作用于血细胞检测计数的数据集包括：(1)拍摄搜集显微镜下血细胞的原始照片，构成原始数据集；(2)对原始数据集进行数据清洗，利用旋转、裁剪的数据增强方法对原始数据集进行增强，将数据集进行扩展；(3)利用labelimg对扩展后的图片标注为VOC数据集，类别分别为Platelets、RBC和WBC三类，并利用转换程序将VOC数据集转换为YOLO数据集。4.如权利要求2所述的血细胞检测计数的GUI系统制作方法，其特征在于，所述步骤二中的下载并优化YOLOv5
‑
PYTORCH网络框架包括：(1)下载官方最新版v6.0的YOLOv5开源代码，配置参数并安装运行的软件环境；(2)YOLOv5采用CIOU_Loss做Boundingbox的回归损失函数，定义为：其中，ciou_loss考虑到覆盖面积、中心点距离和长宽比；IOU为预测框和真实框的叫并比，其中c表示目标最小外接矩形的对角线距离。v是衡量长宽比一致性的参数表示检测框和真实框的长宽比的距离，表示为：其中，gt表示类别是血细胞的预测框的中心点，ρ表示欧氏距离，w
gt
和h
gt
为真实框的宽和高，w和h为预测框的宽和高。(3)新型YOLOv5的非极大值抑制方法采用diou_loss，所述diou_loss通过分析iou和两个中心点之间的距离，当两个框的中心点距离比较大时，则两个物体的框而不会因遮挡而被过滤。5.如权利要求2所述的血细胞检测计数的GUI系统制作方法，其特征在于，所述步骤三
中的将血细胞检测计数的数据集用YOLOv5
‑
PYTORCH网络进行训练包括：(1)对步骤一所标注的数据集采用k
‑
means++算法对数据集的目标框的高宽进行聚类，进而确定模型中的anchor参数的最优值；(2)将标注的数据集按照9：1划分成训练集和测试集，将步骤(1)计算得到的anchor参数输入到YOLOv5网络模型anchor参数中；(3)修改配置参数文件myvoc.y...

【专利技术属性】
技术研发人员：高云飞，高冠睿，张帅，卢怀民，张美英，刘彦宏，马兴星，王圆，张倩，
申请(专利权)人：内蒙古科技大学包头医学院，
类型：发明
国别省市：