基于PP-YOLOE的抗原检测试剂盒自动识别方法和系统技术方案

本申请提供一种基于PP

【技术实现步骤摘要】
基于PP
‑
YOLOE的抗原检测试剂盒自动识别方法和系统


[0001]本申请涉及计算机视觉应用
，尤其涉及一种基于PP
‑
YOLOE的抗原检测试剂盒自动识别方法和系统。

技术介绍

[0002]一阶段目标检测器由于其速度和精度的优势，在实时应用中很受欢迎。单级检测器中最突出的架构是YOLO系列。自YOLOv1以来，YOLO系列目标检测器在网络结构、标签分配等方面发生了巨大变化。目前，YOLOX在特斯拉V100上以68.9FPS的速度实现了50.1mAP的速度和精度的最佳平衡。YOLOX引入了配备动态标签分配的高级无锚方法，以提高检测器的性能，在精度方面显著优于YOLOv5。受到YOLOX的启发，PP
‑
YOLOv2是一种高性能单级探测器，在特斯拉V100上具有49.5mAP，速度为68.9FPS。基于PP
‑
YOLOv2，PP
‑
YOLOE避免使用可变形卷积和矩阵NMS等运算符，以在各种硬件上得到良好支持。此外，PPYOLOE可以轻松扩展到具有不同计算能力的各种硬件的一系列模型。这些特性进一步促进了PP
‑
YOLOE在更广泛的实际场景中的应用。
[0003]目前，尚没有将PP
‑
YOLOE用于抗原试剂盒检测的技术方案。

技术实现思路

[0004]有鉴于此，本专利技术针对抗原检测试剂盒图像的特点，本着“宁可错检阴性样本，也绝不放过任何一个阳性样本”的原则，提出一种基于PP
‑
YOLOE的抗原检测试剂盒自动识别方法和系统，本申请能够针对性的解决现有的问题。
[0005]基于上述目的，本申请提出了一种基于PP
‑
YOLOE的抗原检测试剂盒自动识别方法，包括：
[0006]1)收集大量抗原检测试剂盒图像数据，构成已知数据集；
[0007]2)建立阴性/阳性样本的特征向量数据库；
[0008]3)使用在所述已知数据集上训练的PP
‑
YOLOE模型对目标抗原检测试剂盒图像进行目标检测，获得目标抗原检测试剂盒上的ROI区域，并同时预测出检测结果P1；
[0009]4)如果P1位于阴性阈值和阳性阈值之间，使用训练好的分类模型对所述ROI区域进行特征提取，之后在已经构建的特征向量数据库中进行搜索，找到相似度最高的特征向量，将该ROI区域应被赋予的标签称为样本标签，将所找到的相似度最高的特征向量的标签称为数据库中样本标签，即认为所述样本标签与数据库中样本标签一致，得到识别结果。
[0010]进一步地，所述的步骤1)中，收集的抗原检测试剂盒图像数据中，单张包含若干个试剂盒。
[0011]进一步地，所述的步骤2)中，建立特征向量数据库包括以下步骤：
[0012]使用SIFT算法提取原图像的特征点集；使用MeanShift算法对所述特征点集进行聚类；
[0013]存储到数据库。
[0014]进一步地，所述SIFT算法实现细节为：
[0015]L(x，y，σ)＝G(x，y，σ)*I(x，y)
[0016][0017]其中，L(x，y，σ)定义为原始图像I(x，y)与一个可变尺度的2维高斯函数G(x，y，σ)卷积运算；
[0018]G(x，y，σ)是尺度可变高斯函数，(x，y)是空间坐标，σ表示图像的平滑程度；
[0019]寻找高斯差分尺度空间的极值点，如果一个点在高斯差分尺度空间本层以及上下两层的26个邻域中是最大或最小值时，则认为该点是图像在该高斯差分尺度下的一个特征点。
[0020]进一步地，所述的步骤3)中，利用PP
‑
YOLOE在所述已知数据集上训练，然后在输入图像上导出ROI区域及ROI区域的识别结果P1。
[0021]进一步地，所述的步骤4)中，具体包含以下步骤：
[0022]对高斯差分尺度空间DOG函数进行曲线拟合，生成两个特征点的描述子，将两个特征点中各个阶的描述子进行匹配，匹配上128维即表示两个特征点匹配。
[0023]进一步地，所述的步骤4)中，
[0024]如果预测结果不在阴性阈值和阳性阈值之间，则直接判定阴性或阳性结果。
[0025]基于上述目的，本申请还提出了一种基于PP
‑
YOLOE的抗原检测试剂盒自动识别系统，包括：
[0026]数据收集模块，用于收集大量抗原检测试剂盒图像数据，构成已知数据集；
[0027]数据库建立模块，用于建立阴性/阳性样本的特征向量数据库；
[0028]目标检测模块，用于使用在所述已知数据集上训练的PP
‑
YOLOE模型对目标抗原检测试剂盒图像进行目标检测，获得目标抗原检测试剂盒上的ROI区域，并同时预测出检测结果P1；
[0029]识别模块，如果P1位于阴性阈值和阳性阈值之间，使用训练好的分类模型对所述ROI区域进行特征提取，之后在已经构建的特征向量数据库中进行搜索，找到相似度最高的特征向量，即认为所述目标抗原检测试剂盒的样本标签与数据库中样本标签一致，得到识别结果。
[0030]总的来说，本申请的优势及给用户带来的体验在于：
[0031]一、结合先进计算机视觉技术，包括目标检测，特征匹配等，相较于人工判重效率提升巨大；
[0032]二、本专利技术模型有更好的泛化性，适应各种光照不均环境；
[0033]三、本专利技术可快速筛查抗原结果，在很大程度上杜绝了抗原检测结果瞒报、误报、造假等现象。
附图说明
[0034]在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本申请公开的一些实施方式，而不应将其视为是对本申请范围的限制。
[0035]图1为本专利技术方法的计算流程图。
[0036]图2为本专利技术方法的网络结构图。
[0037]图3为本专利技术方法的检测样例图。
[0038]图4示出根据本申请实施例的基于PP
‑
YOLOE的抗原检测试剂盒自动识别系统的构成图。
[0039]图5示出了本申请一实施例所提供的一种电子设备的结构示意图。
[0040]图6示出了本申请一实施例所提供的一种存储介质的示意图。
具体实施方式
[0041]下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关专利技术，而非对该专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术相关的部分。
[0042]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0043]步骤1：从社区和学校疫情管理部门收集大量抗原检测试剂盒图像数据，构成已知数据集Z，存储在OPENML本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于PP
‑
YOLOE的抗原检测试剂盒自动识别方法，其特征在于，包括：1)收集大量抗原检测试剂盒图像数据，构成已知数据集；2)建立阴性/阳性样本的特征向量数据库；3)使用在所述已知数据集上训练的PP
‑
YOLOE模型对目标抗原检测试剂盒图像进行目标检测，获得目标抗原检测试剂盒上的ROI区域，并同时预测出检测结果P1；4)如果P1位于阴性阈值和阳性阈值之间，使用训练好的分类模型对所述ROI区域进行特征提取，之后在已经构建的特征向量数据库中进行搜索，找到相似度最高的特征向量，将该ROI区域应被赋予的标签称为样本标签，将所找到的相似度最高的特征向量的标签称为数据库中样本标签，即认为所述样本标签与数据库中样本标签一致，得到识别结果。2.根据权利要求1所述的方法，其特征在于，所述的步骤1)中，收集的抗原检测试剂盒图像数据中，单张包含若干个试剂盒。3.根据权利要求1所述的方法，其特征在于，所述的步骤2)中，建立特征向量数据库包括以下步骤：使用SIFT算法提取原图像的特征点集；使用MeanShift算法对所述特征点集进行聚类；存储到数据库。4.根据权利要求3所述的方法，其特征在于，所述SIFT算法实现细节为：L(x，y，σ)＝G(x，y，σ)*I(x，y)其中，L(x，y，σ)定义为原始图像I(x，y)与一个可变尺度的2维高斯函数G(x，y，σ)卷积运算；G(x，y，σ)是尺度可变高斯函数，(x，y)是空间坐标，σ表示图像的平滑程度；寻找高斯差分尺度空间的极值点，如果一个点在高斯差分尺度空间本层以及上下两层的26个邻域中是最大或最小值时，则认为该点是图像在该高斯差分尺度下的一个特征点。5.根据权利要求1所述的方法，其特征在于，所述的步骤3)中，...

【专利技术属性】
技术研发人员：邓若愚，胡尚薇，涂楚雨，
申请(专利权)人：同济人工智能研究院苏州有限公司，
类型：发明
国别省市：