【技术实现步骤摘要】
面向微纳操作的两阶段视觉检测方法、系统、装置和设备
[0001]本专利技术涉及微纳操作视觉检测
，特别涉及一种面向微纳操作的两阶段视觉检测方法、系统、装置和设备。
技术介绍
[0002]与宏观尺度的机器人操作不同，微操作在很大程度上依赖视觉，而视觉通常是检测微观物体，并为后续任务提供反馈信息的唯一有效措施，例如，光学捕获、微流体细胞选择和处理等任务。在这些任务中，微物体的准确定位是实现微操作的成功的关键。
[0003]由于微物体处于动态复杂的微操作环境，即微物体位于不同深度的三维空间中，多个物体可能会相互重叠和遮挡，并且微操作环境通常是高度动态的，有多个微物体进入或离开视场，存在显著且频繁的流动，布朗力的随机扰动等。因此，在如此动态复杂的微操作环境，现有的方法难以获得准确、鲁棒的检测结果。
技术实现思路
[0004]鉴于上述问题，本专利技术实施例提供了一种面向微纳操作的两阶段视觉检测方法、系统、装置和设备，以便克服上述问题或者至少部分地解决上述问题。
[0005]本专利技术实施例的第一方...
【技术保护点】
【技术特征摘要】
1.一种面向微纳操作的两阶段视觉检测方法，其特征在于，所述方法包括：将待检测图片输入到第一阶段对象检测网络进行位置检测，得到微物体的初始位置；第二阶段位置修正网络基于卡尔曼滤波算法，利用微物体的位置偏移对所述微物体的初始位置进行修正，得到所述微物体的实时位置，其中，所述微物体的位置偏移是根据预先训练的卡尔曼增益矩阵而确定。2.根据权利要求1所述的方法，其特征在于，所述第一阶段对象检测网络通过以下方式构建：所述第一阶段对象检测网络使用与YOLOX模型相同的CSP特征提取框架为主干网络而设计；利用EIoU损失函数替换所述YOLOX模型中的CIoU损失，利用焦点损失函数替换所述YOLOX模型中的BCE损失函数。3.根据权利要求1所述的方法，其特征在于，所述第二阶段位置修正网络基于卡尔曼滤波算法，利用微物体的位置偏移对所述微物体的初始位置进行修正，得到所述微物体的实时位置，包括：基于卡尔曼滤波算法构建状态空间方程；利用所述状态空间方程和所述微物体的位置偏移对所述微物体的初始位置进行修正，得到所述微物体的实时位置。4.根据权利要求3所述的方法，其特征在于，所述基于卡尔曼滤波算法构建状态空间方程，包括：确定先验协方差，所述先验协方差为所述微物体的初始位置对应的协方差；确定后验协方差，所述后验协方差为所述微物体的实时位置对应的协方差；确定实时位置预测方程，所述实时位置预测方程用于根据所述微物体的初始位置和卡尔曼增益矩阵，预测微物体的实时位置，所述卡尔曼增益矩阵表征所述微物体的位置偏移。5.根据权利要求1所述的方法，其特征在于，所述第一阶段对象检测网络和所述第二阶段位置修正网络构成完整的对象检测网络，所述对象检测网络通过以下方式进行训练：获取训练数据集，所述训练数据集中的训练数据包括不同介质和不同光照条件下的显微镜图像；将所述训练数据集输入到所述对象检测网络进行学习；针对每个所述训练数据，所述第一阶段对象检测网络对所述训练数据进行位置检测，得到初始预测位置，所述第二阶段位置修正网络对所述初始预测位置进行修正，得到预测位置；根据所述初始预测位置和所述预测位置计算状态更新差值和信息差值，通过EIoU损失函数和所述焦点损失函数计算损失函数值，并通过平方误差损失函数计算卡尔曼增益损失；基于所述状态更新差值、所述信息差值和所述损失函数值对所述第一阶段对象检测网络的网络参数进行更新，并基于所述卡尔曼增益损失对所述第二阶段位置修正网络的卡尔曼增益矩阵的系数进行更新；满足训练结束条件后，得到训练好的对象检测网络和卡尔曼增益矩阵。6.根据权利要求5所述的方法，其特征在于，所述根据所述初始预测位置和所述预测位
置计算状态更新差值和信息差值，包括：将所述预测位置减去所述初始预测位置，得到所述状态更新差值，所述状态更新差值表示为：其中，表示...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。