一种用于尿沉渣检查的高效YOLO检测方法技术

本发明专利技术涉及一种用于尿沉渣检查的高效YOLO检测方法，包括以下步骤：步骤S1：采集尿液沉积物图像；步骤S2：将所述尿液沉积物图像输入至用于尿沉渣检测的YOLOv5s

【技术实现步骤摘要】
一种用于尿沉渣检查的高效YOLO检测方法


[0001]本专利技术涉及图像处理
，尤其涉及一种用于尿沉渣检查的高效YOLO检测方法。

技术介绍

[0002]肾脏疾病是人类健康的主要威胁，影响着全世界数百万人。尿沉渣检测作为分析肾脏疾病的重要方法，可以通过沉渣颗粒的变化反映患者肾脏的健康状况，是后续临床诊断的重要依据。传统的尿液沉淀物检测使用手动显微镜对离心尿液样本的沉淀物进行计数。然而，检测的准确性取决于细胞学专家的技能水平，同时需要较大的工作量。因此，它不能大规模应用。机器学习方法已广泛应用于尿沉渣图像分析，以提高标准化和检测精度。Ranzato等人开发了一种简单而通用的生物粒子识别系统。使用混合高斯分类器识别12个尿沉渣颗粒，准确率达到93％。Liu等人使用支持向量机分类器对各种尿液沉积物颗粒进行分类，包括红细胞、白细胞、石膏和晶体，准确率达到91％。Liang等人使用SVM和决策树构建分类过滤器，将检测准确率提高到93.72％。Shen等人基于AdaBoost学习算法和SVM构建了一个多类分类器，有效地利用了Harr小波特征来提高识别精度。Zhou等人使用人工神经网络模型对分割后的12类沉积物图像进行分类，红细胞的识别准确率达到96.19％。虽然传统的机器学习方法取得了优异的性能，但它们只能检测有限类型的尿沉渣颗粒。
[0003]最近，基于深度学习的尿沉渣检测被提出来解决上述问题。Zhang等人使用预先训练的FasterRCNN模型检测尿液沉积物图像中的血细胞，并获得91.4％的anF1分数。但是，这种方法只能检测到两类，红细胞和白细胞。Pan等人使用卷积神经网络识别了三类尿液沉积物颗粒，准确率达到98.07％。Jiet等人开发了一个基于AlexNet和areafeature算法(AF a)的粒子识别系统。该网络经过30万幅图像的训练，最终达到97％的准确率。Liang等人基于修剪的SSD、更快的R
‑
CNN、PVANet、vandMulti
‑
Scale更快的R
‑
CNN模型，以端到端的方式识别尿液沉积物颗粒。在7种尿沉渣颗粒中，mAP达到84.1％。Liang等人结合DenseNet提出了基于FPN的DFPN，可以有效消除尿沉渣图像中的类别混淆问题，实现86.9％的mAP。Yan等人将双向上下文传播网络BCPNet用于尿液沉积物颗粒检测，提高了模型的定位和分类能力。然而，尽管基于深度学习的方法有效地克服了复杂的分割和特征提取问题，但它需要大量的图像进行手动标注。此外，这些方法在实际应用中存在很多问题，如操作速度和端点部署等。
[0004]尿液沉积物图像检测的挑战在于：(1)在临床医学中，尿液中的有形成分往往存在着类别混淆的问题，即同一类别中的细胞特征差异较大，而不同类别中的细胞具有相同的特征，如图1所示，这使得模型难以区分各类别之间存在的细微差异，容易出现误判的现象，从而影响后续的病理分析；(2)严重的细胞粘附现象使得细胞与细胞之间的界限十分模糊，容易出现多种沉积物同时重叠于同一个区域的现象，这也为尿液沉积物检测带来了更大的困难；(3)背景噪声影响严重。尿液沉积物图像大都具有稀疏性，即沉积物有形成分仅占据图像中的较小部分区域，这使得背景噪声信息容易对模型的学习与检测造成极大的影响，
从而降低模型的鲁棒性和泛化性；(4)尿液沉积物之间存在着较大的尺度差异。有的沉积物具有较大的尺寸，通过肉眼也能清晰的观察到，而有的沉积物则仅有气泡大小难以检测。因此这就要求模型需要同时具备对大尺度沉积物目标和小尺度沉积物目标的敏感性。

技术实现思路

[0005]有鉴于此，本专利技术的目的是提供一种用于尿沉渣检查的高效YOLO检测方法，具有更为优越的性能和更好的鲁棒性，对于尿液沉积物的检测效果显著提升。
[0006]本专利技术采用以下方案实现：一种用于尿沉渣检查的高效YOLO检测方法，包括以下步骤：
[0007]步骤S1：采集尿液沉积物图像；
[0008]步骤S2：将所述尿液沉积物图像输入至用于尿沉渣检测的YOLOv5s
‑
CBL模型，通过YOLOv5s
‑
CBL模型进行图像检测，将尿液沉积物中的几类沉积物从图像中检测出来；
[0009]其中，基于尿液沉积物颗粒检测数据集对YOLOv5s模型进行优化得到所述YOLOv5s
‑
CBL模型，在YOLOv5s模型上集成了CBAM模块，用以过滤尿液沉积物图像中的噪声信息，找到感兴趣的区域来提取目标特征，同时扩展了原有的三尺度特征层，使用增加了64倍下采样作为第四个特征层用以检测尿液沉积物图像中的大尺度沉积物颗粒，并且采用BiFPN特征聚合结构，用以针对性地融合不同尺度的特征信息。
[0010]进一步地，所述CBAM模块包含CAM子模块和SAM子模块，用以分别在通道维度和空间维度进行操作；
[0011]其中，CAM子模块对输入图像在通道维度上进行压缩，用以使模型更关注图像中有意义的信息部分，通道注意力的计算如下所示：
[0012][0013]其中M
c
表示通道注意力模块输出，F表示输入特征图，σ表示sigmoid激活函数，MLP表示多层感知机，W0和W1分别表示MLP的两个权重，AvgPool表示平均池化操作，MaxPool表示最大池化操作，和分别表示两个不同的空间上下文描述符：平均池化特征和最大池化特征；
[0014]SAM子模块对输入图像在空间维度上进行压缩，用以获取目标的位置信息来帮助模型从整幅图像中找到感兴趣区域，空间注意力的计算如下：
[0015][0016]其中M
s
表示空间注意力模块输出，F表示输入特征图，σ表示sigmoid激活函数，f7×7表示卷积核大小为7x7，AvgPool表示平均池化操作，MaxPool表示最大池化操作，和分别表示平均池化特征和最大池化特征。
[0017]进一步地，所述BiFPN特征聚合结构是基于双向特征聚合路径结构，通过融合自底向上和自顶向下两条路径的特征增强骨干网络的表征能力；同时，所述BiFPN特征聚合结构对网络的每个输入都引入了一个额外的权重，删除仅有一条输入边的节点并在同一尺度的输入节点和输出节点之间增加了一个跳跃连接，用以有差异的学习不同的输入特征。
[0018]进一步地，所述步骤S2还包括采用损失函数得到预测框与真实值之间的误差，用以对目标检测模型性能进行评价；所述损失函数Loss由三个部分组成，包括边界损失函数loss
box
、置信度损失函数loss
obj
和分类损失函数loss
cls
；总体损失函数如下所示：
[0019]Loss＝λ
box
loss
box
+λ
obj
loss
obj
+λ
cls
loss
cls
[0020]式中，λ
...

【技术保护点】

【技术特征摘要】
1.一种用于尿沉渣检查的高效YOLO检测方法，其特征在于：包括以下步骤：步骤S1：采集尿液沉积物图像；步骤S2：将所述尿液沉积物图像输入至用于尿沉渣检测的YOLOv5s
‑
CBL模型，通过YOLOv5s
‑
CBL模型进行图像检测，将尿液沉积物中的几类沉积物从图像中检测出来；其中，基于尿液沉积物颗粒检测数据集对YOLOv5s模型进行优化得到所述YOLOv5s
‑
CBL模型，在YOLOv5s模型上集成了CBAM模块，用以过滤尿液沉积物图像中的噪声信息，找到感兴趣的区域来提取目标特征，同时扩展了原有的三尺度特征层，使用增加了64倍下采样作为第四个特征层用以检测尿液沉积物图像中的大尺度沉积物颗粒，并且采用BiFPN特征聚合结构，用以针对性地融合不同尺度的特征信息。2.根据权利要求1所述一种用于尿沉渣检查的高效YOLO检测方法，其特征在于：所述CBAM模块包含CAM子模块和SAM子模块，用以分别在通道维度和空间维度进行操作；其中，CAM子模块对输入图像在通道维度上进行压缩，用以使模型更关注图像中有意义的信息部分，通道注意力的计算如下所示：其中M
c
表示通道注意力模块输出，F表示输入特征图，σ表示sigmoid激活函数，MLP表示多层感知机，W0和W1分别表示MLP的两个权重，AvgPool表示平均池化操作，MaxPool表示最大池化操作，和分别表示两个不同的空间上下文描述符：平均池化特征和最大池化特征；SAM子模块对输入图像在空间维度上进行压缩，用以获取目标的位置信息来帮助模型从整幅图像中找到感兴趣区域，空间注意力的计算如下：其中M
s
表示空间注意力模块输出，F表示输入特征图，σ表示sigmoid激活函数，f7×7表示卷积核大小为7x7，AvgPool表示平均池化操作，MaxPool表示最大池化操作，和分别表示平均池化特征和最大池化特征。3.根据权利要求1所述一种用于尿沉渣检查的高效YOLO检测方法，其特征在于：所述BiFPN特征聚合结构是基于双向特征聚合路径结构，通过融合自底向上和自顶向下两条路径的特征增强骨干网络的表征能力；同时，所述BiFPN特征聚合结构对网络的每个输入都引入了一个额外的权重，删除仅有一条输入边的节点并在同一尺度的输入节点和输出节点之间增加了一个跳跃连接，用以有差异的学习不同的输入特征。4.根据权利要求1所述一种用于尿沉渣检查的高效YOLO检测方法，其特征在于：所述步骤S2还包括采用损失函数得到预测框与真实值之间的误差，用以对目标检测模型性能进行评价；所述损失函数Loss由三个部分组成，包括边界损失函数loss
box

【专利技术属性】
技术研发人员：林小明，李佐勇，陈泽健，邱国梁，严裴鑫，
申请(专利权)人：福州汉佰康生物科技有限公司，
类型：发明
国别省市：