肠镜影像目标检测跟踪系统技术方案

本发明专利技术提供了一种肠镜影像目标检测跟踪系统，包括：模块M1：获取肠镜图像数据集，并对获取的肠镜图像数据集进行标定，得到标定数据集；模块M2：构建改进YOLOV5深度学习网络，并利用标定数据集训练改进YOLOV5深度学习网络，得到训练后的改进YOLOV5深度学习网络；模块M3：利用训练后的改进YOLOV5深度学习网络进行目标检测，并采用Deepsort算法对于肠镜内的目标进行实时跟踪；所述改进YOLOV5深度学习网络是在YOLOV5检测网络的基础上加入一个微小目标检测头，提升检测器的尺度变化适应能力，并将卷积块注意力模型引入检测网络中，在肠镜影像中提升发现目标物的显著程度。中提升发现目标物的显著程度。中提升发现目标物的显著程度。

【技术实现步骤摘要】
肠镜影像目标检测跟踪系统


[0001]本专利技术涉及深度学习
，具体地，涉及肠镜影像目标检测跟踪系统。

技术介绍

[0002]当前针对肠镜影像目标检测首先是多特征融合的方法，包括对图像进行预处理，提取图像的颜色、纹理和形状等特征作为图像表示。例如，邹月娴等将特征融合方法用于无线胶囊内窥镜图像检索。为进一步提高特征的鉴别力，Cong等结合超像素分割方法提取图像特征，并且提出了一种深度特征选择模型用来筛选更有效的特征。Liaqat等将多特征融合和特征选择的方法用于WCE图像溃疡和出血的自动检测。除此之外，Bernal等基于息肉的外观模型，提出了一个称为“山谷堆积深度”的描述符，实现结肠镜视频图像的区域分割、区域描述以及图像分类的功能。但是基于传统特征提取的方法，需要人工进行特征设计与提取，具有较大的主观性，适用性不强。
[0003]相比基于手工提取特征的机器学习方法，深度学习模型的应用往往会取得更加稳定的效果，如Deep
‑
CNN和迁移学习。但随着模型深度的增加，需要更高的硬件配置和大量的数据集作为支撑，并且训练时间本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肠镜影像目标检测跟踪系统，其特征在于，包括：模块M1：获取肠镜图像数据集，并对获取的肠镜图像数据集进行标定，得到标定数据集；模块M2：构建改进YOLOV5深度学习网络，并利用标定数据集训练改进YOLOV5深度学习网络，得到训练后的改进YOLOV5深度学习网络；模块M3：利用训练后的改进YOLOV5深度学习网络进行目标检测，并采用Deep Sort算法对于肠镜内的目标进行实时跟踪；所述改进YOLOV5深度学习网络是在YOLOV5检测网络的基础上加入一个预设微小目标检测头，提升检测器的尺度变化适应能力，并将卷积块注意力模型引入检测网络中，在肠镜影像中提升发现目标物的显著程度。2.根据权利要求1所述的肠镜影像目标检测跟踪系统，其特征在于，在所述模块M2中，基于标定数据集多尺度训练改进YOLOV5深度学习网络。3.根据权利要求1所述的肠镜影像目标检测跟踪系统，其特征在于，在所述模块M2中，通过K
‑
means聚类和遗传算法重新生成适合当前数据集的锚框。4.根据权利要求1所述的肠镜影像目标检测跟踪系统，其特征在于，在所述模块M2中，利用余弦脱货策略实现学习率调整；其中，η
max
为最大学习率；η
min
为最小学习率；两者确定学习率的取值范围，T
cur
为当前周期表示已经完成训练的周期数，T
i
为总的训练周期数。5.根据权利要求1所述的肠镜影像目标检测跟踪系统，其特征在于，在所述模块M2中，在深度学习的参数更新过程中权重的取值为近n个周期值的平均。6.根据权利要求1所述的肠镜影像目标检测跟踪系统，其特征在于，在所述模块M2中，使用半精度浮点数存储权重和梯度参数。7.根据权利要求1所述的肠镜影像目标检测跟踪系统，其特征在于，在所述模块M2中，使用遗传算法完成超参数优化。8.根据权利要求1所述的肠镜影像目标检测跟踪系统，其特征在于，在所述模块M3中，模块M3.1：选定图像序列的初始...

【专利技术属性】
技术研发人员：范学顺，孙兵，任毅，杜囚鹏，吴慧卿，单珣，刘彦彤，郭军，顾永峰，杨东，付东梅，马树梅，
申请(专利权)人：上海宝象医疗科技有限公司上海火象医疗科技有限公司，
类型：发明
国别省市：