一种抗原检测试剂盒智能识别方法、装置、设备及介质制造方法及图纸

本申请公开了一种抗原检测试剂盒智能识别方法、装置、设备及存储介质，涉及目标检测识别技术领域。该方法包括：获取包含抗原检测试剂盒的图像，并对所述图像中试剂盒区域进行类别标注，得到训练集；以YOLOV5网络模型为基础，通过添加注意力机制模块和可变形卷积模块得到待训练模型；利用所述训练集对所述待训练模型进行训练，以得到训练后模型，并利用所述训练后模型对包含待检测抗原检测试剂盒的图像进行识别。可以高效准确地识别抗原检测试剂盒的检测结果，减少浪费大量的人力资源，以及避免人工识别时发生错误，提高检测效率。提高检测效率。提高检测效率。

【技术实现步骤摘要】
一种抗原检测试剂盒智能识别方法、装置、设备及介质


[0001]本专利技术涉及目标检测识别
，特别涉及一种抗原检测试剂盒智能识别方法、装置、设备及存储介质。

技术介绍

[0002]目前，抗原检测试剂盒检测方法广泛应用于新型冠状病毒等检测，抗原检测试剂盒检测方法，应用于社区、基层医院、机场、海关甚至家庭等几层的早期初步筛查，是由待检测人群自主操作，判定检测结果，并上传至抗原检测结果平台，并由管理部门一一人工核对筛查检测结果。对于待检测人群来说，由于新冠抗原检测试剂盒的厂商不同，试剂盒型号多样，会存在无法判定试剂盒检测结果的阴性、阳性和无效情况，对于管理部门来说，人工检查图片，核对抗原检测结果需要耗费大量的人力资源，同时还需要警惕部分人群上传的抗原检测试剂盒图片与填写结果不一致的情况。因此需要高效准确的智能识别方法来帮助使用新冠抗原检测试剂盒的人群以及抗疫管理部门。
[0003]现有的识别方法主要是人工审核，通过管理部门人眼接受信息，对比各类新冠抗原检测试剂盒的标准阴性、阳性及无效的结果以达到识别的目的。这种方法存在缺陷，人工成本高，在疫情严重的地区，每日需要识别的抗原检测试剂盒图片基本上是达到千万数量级的，使用人工审核的方式，无法帮助管理部门快速区分抗原阴性与抗原阳性人群，大大降低了抗疫工作的效率。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种抗原检测试剂盒智能识别方法、装置、设备及介质，能够高效准确地识别抗原检测试剂盒的检测结果。其具体方案如下：
[0005]第一方面，本申请公开了一种抗原检测试剂盒智能识别方法，包括：
[0006]获取包含抗原检测试剂盒的图像，并对所述图像中试剂盒区域进行类别标注，得到训练集；
[0007]以YOLOV5网络模型为基础，通过添加注意力机制模块和可变形卷积模块得到待训练模型；
[0008]利用所述训练集对所述待训练模型进行训练，以得到训练后模型，并利用所述训练后模型对包含待检测抗原检测试剂盒的图像进行识别。
[0009]可选的，所述获取包含抗原检测试剂盒的图像之后，还包括：
[0010]对所述包含抗原检测试剂盒的图像进行边缘检测、轮廓检测以确定最大面积的轮廓，然后确定所述轮廓的矩形角点，并对所述矩形角点坐标投影变换，以实现对所述图像的透视变换；
[0011]将所述包含抗原检测试剂盒的图像中的抗原检测试剂盒进行旋转，得到垂直状态的抗原检测试剂盒的图像，以实现对所述图像的垂直矫正。
[0012]可选的，所述对所述图像中试剂盒区域进行类别标注之后，还包括：
[0013]利用k
‑
means聚类算法，针对包含所述标注的图像中的目标框的宽和高进行聚类，生成预设数量类别的初始预测框。
[0014]可选的，所述对所述图像中试剂盒区域进行类别标注之后，还包括：
[0015]通过对所述包含抗原检测试剂盒的图像进行不同预设角度的旋转，对图像数据进行数据增强。
[0016]可选的，所述利用所述训练集对所述待训练模型进行训练的过程中，包括：
[0017]利用聚类法和非极大值抑制法对模型输出的目标进行误差矫正。
[0018]可选的，所述注意力机制模块的添加过程，包括：
[0019]在所述YOLOV5网络模型的Backbone模块内添加注意力机制模块；所述注意力机制模块分别与所述Backbone模块的Backbone C3层和Neck模块的卷积层相连。
[0020]可选的，所述可变形卷积模块的添加过程，包括：
[0021]通过对所述YOLOV5网络模型内卷积核中每个采样位置添加偏移量，实现向所述YOLOV5网络模型中添加所述可变形卷积模块。
[0022]第二方面，本申请公开了一种抗原检测试剂盒智能识别装置，包括：
[0023]图像获取模块，用于获取包含抗原检测试剂盒的图像，并对所述图像中试剂盒区域进行类别标注，得到训练集；
[0024]模型确定模块，用于以YOLOV5网络模型为基础，通过添加注意力机制模块和可变形卷积模块得到待训练模型；
[0025]训练模块，用于利用所述训练集对所述待训练模型进行训练，以得到训练后模型，并利用所述训练后模型对包含待检测抗原检测试剂盒的图像进行识别。
[0026]第三方面，本申请公开了一种电子设备，包括：
[0027]存储器，用于保存计算机程序；
[0028]处理器，用于执行所述计算机程序，以实现前述的抗原检测试剂盒智能识别方法。
[0029]第四方面，本申请公开了一种计算机可读存储介质，用于存储计算机程序；其中计算机程序被处理器执行时实现前述的抗原检测试剂盒智能识别方法。
[0030]本申请中，获取包含抗原检测试剂盒的图像，并对所述图像中试剂盒区域进行类别标注，得到训练集；以YOLOV5网络模型为基础，通过添加注意力机制模块和可变形卷积模块得到待训练模型；利用所述训练集对所述待训练模型进行训练，以得到训练后模型，并利用所述训练后模型对包含待检测抗原检测试剂盒的图像进行识别。可见，在YOLOV5网络模型基础上添加注意力机制模块和可变形卷积模块，通过在原始YOLOv5网络结构中加入注意力机制单元，改进YOLOv5特征图提取结构，提升有用特征值并抑制当前任务贡献不大的特征值，同时使低层网络拥有全局的感受野，从而让其也能利用全局信息；通过可变形卷积模块可以实现在当前位置附近随意采样而不局限于常规卷积的规则采样点，能够对尺度或者感受野大小进行自适应学习，精确定位目标，提高模型对形变目标的建模能力，由此可以高效准确地识别抗原检测试剂盒的检测结果，减少浪费大量的人力资源，以及避免人工识别时发生错误，提高检测效率。
附图说明
[0031]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，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，还可以根据提供的附图获得其他的附图。
[0032]图1为本申请提供的一种抗原检测试剂盒智能识别方法流程图；
[0033]图2为本申请提供的一种具体的透视投影变换示意图；
[0034]图3为本申请提供的一种具体的待训练模型结构示意图；
[0035]图4为本申请提供的一种具体的可变形卷积计算流程图；
[0036]图5为本申请提供的一种具体的抗原检测试剂盒智能识别方法流程图；
[0037]图6为本申请提供的一种具体的新冠抗原检测试剂盒的检测结构示意图；
[0038]图7为本申请提供的一种抗原检测试剂盒智能识别装置结构示意图；
[0039]图8为本申请提供的一种电子设备结构图。
具体实施方式
[0040]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种抗原检测试剂盒智能识别方法，其特征在于，包括：获取包含抗原检测试剂盒的图像，并对所述图像中试剂盒区域进行类别标注，得到训练集；以YOLOV5网络模型为基础，通过添加注意力机制模块和可变形卷积模块得到待训练模型；利用所述训练集对所述待训练模型进行训练，以得到训练后模型，并利用所述训练后模型对包含待检测抗原检测试剂盒的图像进行识别。2.根据权利要求1所述的抗原检测试剂盒智能识别方法，其特征在于，所述获取包含抗原检测试剂盒的图像之后，还包括：对所述包含抗原检测试剂盒的图像进行边缘检测、轮廓检测以确定最大面积的轮廓，然后确定所述轮廓的矩形角点，并对所述矩形角点坐标投影变换，以实现对所述图像的透视变换；将所述包含抗原检测试剂盒的图像中的抗原检测试剂盒进行旋转，得到垂直状态的抗原检测试剂盒的图像，以实现对所述图像的垂直矫正。3.根据权利要求1所述的抗原检测试剂盒智能识别方法，其特征在于，所述对所述图像中试剂盒区域进行类别标注之后，还包括：利用k
‑
means聚类算法，针对包含所述标注的图像中的目标框的宽和高进行聚类，生成预设数量类别的初始预测框。4.根据权利要求1所述的抗原检测试剂盒智能识别方法，其特征在于，所述对所述图像中试剂盒区域进行类别标注之后，还包括：通过对所述包含抗原检测试剂盒的图像进行不同预设角度的旋转，对图像数据进行数据增强。5.根据权利要求1所述的抗原检测试剂盒智能识别方法，其特征在于，所述利用所述训练集对所述待训练模型进行训练的过程...

【专利技术属性】
技术研发人员：方金武，陶佳莹，蒋璐伊，郑忠斌，曾昭沛，王伟炳，
申请(专利权)人：复旦大学东华大学，
类型：发明
国别省市：