基于深度学习和图像模式识别的藻类细胞统计方法及系统技术方案

本发明专利技术公开了一种基于深度学习和图像模式识别的藻类细胞统计方法及系统，包括以下步骤：获取藻类图像，构建藻类检测模型，将藻类图像输入藻类检测模型，得到藻类检测结果，通过藻类检测结果从藻类图像中截取得到盘星藻类图像；构建盘星藻类细胞深度学习检测模型；基于训练好的盘星藻类细胞深度学习检测模型和盘星藻类图像得到盘星藻类细胞检测结果；基于盘星藻类细胞检测结果和盘星藻类图像计算盘星藻类细胞完整性；基于盘星藻类细胞完整性，得到盘星藻类图像中的盘星藻细胞个数。本发明专利技术不仅对于正常形态的盘星藻类具有较好的细胞统计精度，对于残缺、破损或形态不规整的盘星藻类也可以精确地统计出它的细胞个数。藻类也可以精确地统计出它的细胞个数。藻类也可以精确地统计出它的细胞个数。

【技术实现步骤摘要】
基于深度学习和图像模式识别的藻类细胞统计方法及系统


[0001]本专利技术涉及水生态环境监测
，特别涉及一种基于深度学习和图像模式识别的藻类细胞统计方法及系统。

技术介绍

[0002]利用显微镜和高清工业相机来采集藻类图像，然后通过深度学习检测模型识别出盘星藻类和它的像素坐标，需要设计一种识别方法来统计图像中盘星藻类的细胞个数。
[0003]专利公开号CN111443028A中提出了基于深度学习模型对藻类进行识别和统计的方法，该方法在统计盘星藻类细胞个数时，只能按照典型细胞个数值进行估算，与实际情况存在较大的出入，导致了藻密度、生物量等性能指标产生了较大的偏差。
[0004]专利申请号202210113473.7中提出了基于显微镜图像的藻类细胞统计的方法。该方法通过凸包和凸缺陷特征，可以较精确的计算出盘星藻类的缘边细胞个数，然后由缘边细胞个数估算出缘边内细胞的个数。该方法对形态较完整的盘星藻类识别效果还不错，但对于残缺或形态不太规整的盘星藻类，算法识别的细胞个数与人工统计的结果存在较大的偏差。

技术实现思路

[0005]为了克服现有技术存在的不足，本专利技术提供的一种基于深度学习和图像模式识别的藻类细胞统计方法及系统，本专利技术先通过深度学习模型识别出盘星藻类和它的位置坐标，然后截取出该藻类的图像数据，最后通过深度学习模型与图像模式识别技术相结合的方式来统计出它的细胞个数。
[0006]为了达到上述目的，本专利技术提供的一种基于深度学习和图像模式识别的藻类细胞统计方法及系统。
[0007]其中，基于深度学习和图像模式识别的藻类细胞统计方法，包括以下步骤：
[0008]获取藻类图像，构建藻类检测模型，将所述藻类图像输入所述藻类识别模型，得到藻类检测结果；
[0009]基于所述藻类检测结果，从所述藻类图像中截取得到盘星藻类图像；
[0010]构建盘星藻类细胞深度学习检测模型；
[0011]基于所述盘星藻类图像进行模型训练，得到训练好的盘星藻类细胞深度学习检测模型；
[0012]基于所述训练好的盘星藻类细胞深度学习检测模型和盘星藻类图像得到盘星藻类细胞检测结果；
[0013]基于所述盘星藻类细胞检测结果和所述盘星藻类图像计算盘星藻类细胞完整性；
[0014]基于所述盘星藻类细胞完整性，得到盘星藻类图像中的盘星藻细胞个数。
[0015]优选地，基于PP
‑
PicoDet模型构建盘星藻类细胞深度学习检测模型。
[0016]优选地，基于所述训练好的盘星藻类细胞深度学习检测模型和所述盘星藻类图像
得到盘星藻类细胞检测结果的过程包括：
[0017]对所述盘星藻类图像进行中值滤波去噪得到预处理图像；
[0018]将所述预处理图像输入所述训练好的盘星藻类细胞深度学习检测模型得到盘星藻类细胞的位置和置信度；
[0019]设置固定置信度阈值和固定重叠度阈值；
[0020]删除低于所述固定置信度阈值的盘星藻类细胞检测数据，得到过滤后的盘星藻类细胞检测数据；
[0021]计算任意两个不重复的所述过滤后的盘星藻类细胞检测数据的重叠度；
[0022]将所述重叠度大于所述固定重叠度阈值的两个盘星藻类图像的细胞检测数据进行合并，得到盘星藻类细胞检测结果。
[0023]优选地，基于所述检测结果和所述盘星藻类图像计算盘星藻类细胞完整性的过程包括；
[0024]基于所述盘星藻类图像得到盘星藻类图像的二值图像；
[0025]基于所述盘星藻类细胞深度学习检测模型的检测结果和所述盘星藻类图像的二值图像得到盘星藻类图像中残余的盘星藻类细胞区域；
[0026]基于所述残余的盘星藻类细胞区域和所述盘星藻类图像的二值图像得到比值。
[0027]优选地，对所述盘星藻类图像计算盘星藻类图像的二值图像的过程包括：
[0028]对所述盘星藻类图像依次进行缩放处理、灰度变换、中值滤波去噪、对比度拉伸和高斯模糊化降噪处理，得到增强后的盘星藻类灰度图像；
[0029]计算所述增强后的盘星藻类灰度图像的大律阈值；
[0030]基于所述大律阈值，采用Canny边缘检测方法检测盘星藻类的边缘特征，得到边缘图像；
[0031]对所述边缘图像进行形态学膨胀操作连接断开的边缘，增强盘星藻类外轮廓特征；
[0032]基于所述盘星藻类边缘图像填充外轮廓内部区域得到二值图像。
[0033]优选地，通过设置第一完整性阈值和第二完整性阈值得到盘星藻类细胞完整性；
[0034]其中，基于所述盘星藻类细胞完整性得到盘星藻类图像的细胞个数的过程包括：
[0035]当所述盘星藻类细胞完整性小于第一完整性阈值时，直接统计盘星藻类细胞深度学习检测模型检测的矩形个数，基于矩形个数得到盘星藻类图像中的盘星藻细胞个数；
[0036]当所述盘星藻类细胞完整性大于第一完整性阈值且小于第二完整性阈值时，获取盘星藻类细胞深度学习检测模型的检测结果，计算盘星藻类细胞的平均尺寸，基于所述盘星藻类细胞的平均尺寸计算残余盘星藻类细胞区域中漏检的盘星藻类细胞个数，基于所述检测结果和所述漏检的盘星藻类细胞个数得到盘星藻类图像中的盘星藻细胞个数；
[0037]当所述盘星藻类细胞完整性大于第二完整性阈值时，舍弃所述盘星藻类细胞深度学习检测模型的检测结果，采用图像模式识别技术重新计算得到盘星藻类图像中的盘星藻细胞个数。
[0038]优选地，基于所述图像模式识别技术得到藻类图像细胞个数的过程包括：
[0039]计算所述盘星藻类边缘图像的最大轮廓；
[0040]基于所述最大轮廓得到凸包点和凸缺陷点；
[0041]对所述凸包点和所述凸缺陷点进行校验，删除无效特征点，得到校验后特征点；
[0042]基于所述校验后特征点得到盘星藻类图像中的细胞个数。
[0043]本专利技术还提供了一种基于深度学习和图像模式识别的藻类细胞统计系统,包括：离线建模模块、深度学习盘星藻类细胞检测模块、盘星藻类细胞检测完整性计算模块、第一盘星藻类细胞统计模块、第二盘星藻类细胞统计模块和第三盘星藻类细胞统计模块；
[0044]其中，所述离线建模模块用于构建盘星藻类细胞深度学习检测模型，并进行模型训练；
[0045]所述深度学习盘星藻类细胞检测模块与所述离线建模模块连接，用于对盘星藻类图像进行盘星藻类细胞检测；
[0046]盘星藻类细胞检测完整性计算模块用于计算盘星藻类细胞检测的完整性；
[0047]所述第一盘星藻类细胞统计模块、第二盘星藻类细胞统计模块和第三盘星藻类细胞统计模块分别与所述盘星藻类细胞检测完整性计算模块连接，用于统计盘星藻类的细胞个数。
[0048]优选地，所述盘星藻类细胞检测完整性计算模块包括二值图像计算单元；
[0049]所述二值图像计算单元用于计算盘星藻类图像的二值图像；
[0050]其中，所述二值图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习和图像模式识别的藻类细胞统计方法，其特征在于，包括以下步骤：获取藻类图像，构建藻类检测模型，将所述藻类图像输入所述藻类检测模型，得到藻类检测结果；基于所述藻类检测结果，从所述藻类图像中截取得到盘星藻类图像；构建盘星藻类细胞深度学习检测模型；基于所述盘星藻类图像进行模型训练，得到训练好的盘星藻类细胞深度学习检测模型；基于所述训练好的盘星藻类细胞深度学习检测模型和盘星藻类图像得到盘星藻类细胞检测结果；基于所述盘星藻类细胞检测结果和所述盘星藻类图像计算盘星藻类细胞完整性；基于所述盘星藻类细胞完整性，得到盘星藻类图像中的细胞个数。2.根据权利要求1所述的基于深度学习和图像模式识别的藻类细胞统计方法，其特征在于，基于PP
‑
PicoDet模型构建盘星藻类细胞深度学习检测模型。3.根据权利要求1所述的基于深度学习和图像模式识别的藻类细胞统计方法，其特征在于，基于所述训练好的盘星藻类细胞深度学习检测模型和所述盘星藻类图像得到盘星藻类细胞检测结果的过程包括：对所述盘星藻类图像进行中值滤波去噪得到预处理图像；将所述预处理图像输入所述训练好的盘星藻类细胞深度学习检测模型得到盘星藻类细胞的位置和置信度；设置固定置信度阈值和固定重叠度阈值；删除低于所述固定置信度阈值的盘星藻类细胞检测数据，得到过滤后的盘星藻类细胞检测数据；计算任意两个不重复的所述过滤后的盘星藻类细胞检测数据的重叠度；将所述重叠度大于所述固定重叠度阈值的两个盘星藻类图像的细胞检测数据进行合并，得到盘星藻类细胞检测结果。4.根据权利要求3所述的基于深度学习和图像模式识别的藻类细胞统计方法，其特征在于，基于所述盘星藻类细胞检测结果和所述盘星藻类图像计算盘星藻类细胞完整性的过程包括；基于所述盘星藻类图像得到盘星藻类图像的二值图像；基于所述盘星藻类细胞深度学习检测模型的检测结果和所述盘星藻类图像的二值图像得到盘星藻类图像中残余的盘星藻类细胞区域；基于所述残余的盘星藻类细胞区域和所述盘星藻类图像的二值图像得到比值。5.根据权利要求4所述的基于深度学习和图像模式识别的藻类细胞统计方法，其特征在于，对所述盘星藻类图像计算盘星藻类图像的二值图像的过程包括：对所述盘星藻类图像依次进行缩放处理、灰度变换、中值滤波去噪、对比度拉伸和高斯模糊化降噪处理，得到增强后的盘星藻类灰度图像；计算所述增强后的盘星藻类灰度图像的大律阈值；基于所述大律阈值，采用Canny边缘检测方法检测盘星藻类的边缘特征，得到边缘图
像；对所述边缘图像进行形态学膨胀操作连接断开的边缘，增强盘星藻类外轮廓特征得到盘星藻类边缘增强图像；对...

【专利技术属性】
技术研发人员：彭玉，李斌，尚子涵，王英才，胡圣，张晶，江鹏，李书印，方标，熊丹妮，陈丽雯，
申请(专利权)人：武汉大江锐视生态科技有限公司武汉润江生态科技有限公司，
类型：发明
国别省市：