一种基于改进YOLOv7的宫颈细胞病理图像目标检测方法技术

本发明专利技术属于深度学习和目标检测技术的技术领域，更具体地，涉及一种基于改进YOLOv7的宫颈细胞病理图像目标检测方法。所述方法包括：S1.搜集宫颈细胞病理图像构建数据集；S2.改进YOLOv7网络结构；S3.定义损失函数；S4.训练宫颈细胞病理图像数据集；S5.运用改进的YOLOv7网络模型对宫颈细胞进行检测。S6.利用平均精度、平均均值精度与参数量3个参数进行评价。本发明专利技术在提高识别准确率和特征提取性能的基础之上，能够实现宫颈图像目标的快速、准确检测。确检测。确检测。

【技术实现步骤摘要】
一种基于改进YOLOv7的宫颈细胞病理图像目标检测方法


[0001]本专利技术属于深度学习和目标检测
，具体涉及一种基于改进YOLOv7的宫颈细胞病理图像目标检测方法。

技术介绍

[0002]宫颈癌又称子宫颈癌，在女性生殖系统肿瘤发病率中高居首位，严重威胁妇女病患的生命安全。计算机辅助诊断系统可以大幅提升工作效率，但宫颈细胞病理图像存在背景复杂、小目标密集分布、类间相似性大的难点。随着深度学习在解决图像处理上表现出的高效实用性，利用深度学习实现宫颈病理图像细胞的检测可有效避免传统方法的缺陷。
[0003]当前，随着深度神经网络的发展，目标检测领域的研究基本上分为两个方向，一个是基于候选区域的双阶段目标检测算法，如Faster
‑
RCNN；另外一个是基于回归计算的单阶段目标检测方法，如YOLOv7。基于候选区域的双阶段的目标检测算法虽然精度很高，但是检测效率不高。而单阶段目标检测方法如2022年提出的YOLOv7，其在5FPS到160FPS范围内，速度和精度都超过了所有已知的目标检测器，并在GPU V100上，30本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLOv7的宫颈细胞病理图像目标检测方法，其特征在于：包括以下检测步骤：S1.搜集宫颈细胞病理图像构建数据集；S2.改进YOLOv7网络结构；S3.定义损失函数；S4.训练宫颈细胞病理图像数据集；S5.运用改进的YOLOv7网络模型对宫颈细胞进行检测。S6.利用平均精度、平均均值精度与参数量3个参数进行评价。2.根据权利要求1所述的基于改进YOLOv7的宫颈细胞病理图像目标检测方法，其特征在于：步骤S1中，搜集宫颈细胞病理图像构建数据集的步骤如下：搜集宫颈细胞病理图像，分成训练集、测试集、验证集。3.根据权利要求2所述的基于改进YOLOv7的宫颈细胞病理图像目标检测方法，其特征在于：步骤S2中，改进YOLOv7网络结构的具体步骤如下：S2
‑
1、在特征提取网络中嵌入自注意力机制ACmix；S2
‑
2、在...

【专利技术属性】
技术研发人员：许红梅，黄浩然，郑越，王作斌，宋正勋，刘兰娇，曲英敏，董莉彤，田立国，
申请(专利权)人：长春理工大学，
类型：发明
国别省市：