一种密集小目标的新冠试剂检测方法技术

本发明专利技术涉及图像处理技术领域，公开了一种密集小目标的新冠试剂检测方法，通过在YOLO网络中引入Fusion Factor融合因子增强网络提取特征信息的能力和定位目标的能力，并且能够进一步提高网络的运算效率，使得模型具有较高的小目标和多目标的识别能力，进一步地，本发明专利技术对损失函数进行改进，在原有NMS损失函数的基础上增加CIoU Loss损失函数，更精准的计算网络模型最终损失，以此来提高网络模型的性能。以此来提高网络模型的性能。以此来提高网络模型的性能。

【技术实现步骤摘要】
一种密集小目标的新冠试剂检测方法


[0001]本专利技术涉及图像处理
，特别是涉及一种密集小目标的新冠试剂检测方法。

技术介绍

[0002][0003]计算机视觉技术的蓬勃发展，使目标检测成为该领域重点研究内容之一，也是其他视觉任务的基石。随着深度学习的深入研究，基于卷积神经网络的目标检测算法也得到了长足进展，特别是面向大、中目标的检测算法，基本上满足多种场景下的需求。但是，由于抗原试剂图片中会存在密集的小目标物体，对目标检测的定位任务和分类任务是个不小的挑战。
[0004]现有技术公开了一种新冠肺炎抗原检测结果判别方法及装置、设备、存储介质，该专利技术属于图像处理
，通过根据用户在用户操作界面上输入的拍摄指令，调用摄像装置获取检测图像进行图像识别完成抗原检测结果采集，从而能够快速对检测结果进行判读，同时通过对检测图像进行合格校验，在校验合格后才进一步检测抗原卡区域，及对抗原卡区域进行仿射变换后获得校正放缩图，才进行视窗检测，最后对检测到的视窗区域进行分类，可以避免拍摄不合格的图像影响后续识别结果，减少错检的概率，实现从粗到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种密集小目标的新冠试剂检测方法，其特征在于，包括：S1、获取数据集，所述数据集包括试剂结果的图像，对数据集进行关键区域的标注，获得标注后的数据集；S2、将标注后的数据集划分为训练集、验证集和测试集，将训练集进行预处理获得预处理后的训练集；S3、构建新冠试剂检测模型，新冠试剂检测模型采用改进的YOLO网络，包括依次连接的主干网络模型、SPPCSPC网络模型、Fusion Factor融合因子和检测网络模型，所述主干网络模型采用E
‑
ELAN网络，所述预处理后的训练集、验证集和测试集输入到主干网络模型中输出原始多尺度特征图，将原始多尺度特征图输入到SPPCSPC网络模型中，SPPCSPC网络模型中同时使用不同大小的池化层进行池化，再经过Fusion Factor融合因子进行不同尺寸特征的进一步融合输出特征图，最后将特征图送入到检测网络模型中进行检测，输出试剂的抗原检测结果，利用预处理后的训练集对新冠试剂检测模型进行训练，利用验证集对训练过程中的新冠试剂检测模型进行评估，利用测试集测试新冠试剂检测模型的有效性，得到训练好的新冠试剂检测模型；S4、获取待检测的试剂结果的图像，将待检测的试剂结果的图像输入训练好的新冠试剂检测模型中，输出待检测的试剂结果的图像的检测结果。2.根据权利要求1所述的一种密集小目标的新冠试剂检测方法，其特征在于，在步骤S1中，所述试剂结果的图像采集通过手机拍摄采集，包括单试剂图、多试剂图、单结果图和多结果图。3.根据权利要求2所述的一种密集小目标的新冠试剂检测方法，其特征在于，所述试剂结果的图像的像素大小为600*600像素到5000*5000像素之间。4.根据权利要求1所述的一种密集小目标的新冠试剂检测方法，其特征在于，在步骤S1中，所述对数据集进行关键区域的标注包括对每张图片的物体边界框的标注以及类别的分类标注，所述类别的分类标注包括试剂本身、试剂检测区域和试剂有效性判别线的标注。5.根据权利要求1所述的一种密集小目标的新冠试剂检测方法，其特征在于，在步骤S2中，将标注后的数据集按8：1：1的比例随机分为训练集、验证集和测试集。6.根据权利要求1所述的一种密集小目标的新冠试剂检测方法，其特征在于，在步骤S3中，所述主干网络模型在利用预处理后的训练集对新冠试剂检测模型进行训练前已经载入了经过ImageNet数据集预训练的权重和参数。7.根据权利要求1所述的一种密集小目标的新冠试剂检测方法，其特征在于，在步骤S3中，所述检测网络模型通过预定义锚框标注的形式进行自动标注，所述预定义锚框标注为自适应锚框标注，所述自适应锚框为在原有的初始固定长宽的基础上，采用了可学习的方法，能够在最终与真实框进行比对后，进行反向更新锚框的长宽。8.根据权利要求1所述的一种密集小目标的新冠试剂检测方法，其特征在于，在步骤S3中，所述Fusion...

【专利技术属性】
技术研发人员：王遥，费伦科，何志豪，张琪，杨嘉诚，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：