基于机器学习的血浆溶血判别方法技术

本发明专利技术涉及基于机器学习的血浆溶血判别方法

【技术实现步骤摘要】
基于机器学习的血浆溶血判别方法、电子设备及存储介质


[0001]本专利技术涉及图像识别
，特别涉及基于机器学习的血浆溶血判别方法
、
电子设备及存储介质
。

技术介绍

[0002]血浆是血液的组成部分，其与红细胞和血小板共同组成血液
。
血浆主要由水和血浆蛋白组成
。
血浆是血液制品的重要原料，血浆在医学上应用于疾病治疗和外科手术
。
溶血的发生会将血红蛋白等物质引入血浆中，血浆内血红蛋白含量超过规定值后可能会引起不良反应，因此在血浆制备过程中，需要对血浆内血红蛋白含量进行检测
。
目前，血液中心判断血浆合格与否的方式是工作人员将血浆袋与标准比色卡进行对比，判断血浆颜色与标准比色卡比较，处在合格区间还是不合格区间
。
这种判断方式会受到处理环境光照等因素的影响，同时人工判断也可能因不同工作人员的经验
、
主观感受不同及当时个人状态等因素产生差异
。
因此，急需一种血浆溶血判别方法，能够量化检测标准，避免人工检测时由于个体差异对血浆袋颜色产生不同判断
。

技术实现思路

[0003]为了实现本专利技术的上述目的和其他优点，本专利技术的第一目的是提供基于机器学习的血浆溶血判别方法，包括以下步骤：
[0004]将血浆原始图像输入至改进
U
型语义分割网络结构，得到语义分割图像；
[0005]将所述语义分割图像由
RGBr/>颜色空间映射至
HSV
颜色空间；
[0006]通过区域差异计算
HSV
颜色空间的通道阈值范围，将所获得的
HSV
颜色空间阈值锁定，得到血浆变色油墨
HSV
空间；
[0007]依据图像饱和度计算出标准方差，实现血浆定性判别
。
[0008]进一步地，所述改进
U
型语义分割网络结构的构建包括以下步骤：
[0009]在原
U
‑
Net
网络的卷积操作后加入优化的注意力机制模块；其中，所述优化的注意力机制模块将池化结构锁定最大池化，用于将区位信息嵌入到映射信息通道；
[0010]在原
U
‑
Net
网络的激活函数后加入批量归一化模块；其中，所述批量归一化模块用于非线性
/
线性转换；
[0011]在原
U
‑
Net
网络的解码器侧加入填充模块；其中，所述填充模块用于保持所述改进
U
型语义分割网络结构两侧的特征尺寸一致及保持特征矩阵的边界信息
。
[0012]进一步地，所述优化的注意力机制模块为最大池化坐标注意力机制模块，所述最大池化坐标注意力机制模块采用最大池化与协调注意力模块相结合的方式；
[0013]所述最大池化坐标注意力机制模块用于将全域池化分解为特征图
X
轴方向和
Y
轴方向分别进行最大池化操作，获取坐标中的区位信息
。
[0014]进一步地，所述将所述语义分割图像由
RGB
颜色空间映射至
HSV
颜色空间包括以下步骤：
[0015]将
R、G、B
三个通道进行归一化；
[0016]通过
R、G、B
三个通道归一化结果计算
H、S、V
值
。
[0017]进一步地，所述通过区域差异计算
HSV
颜色空间的通道阈值范围包括以下步骤：
[0018]将
HSV
颜色空间的
H
通道
、S
通道
、V
通道几何模型归一化三维成像；
[0019]对
H
通道
、S
通道
、V
通道像素点幅值进行统计学分析；
[0020]通过直方图计算出通道取值范围
。
[0021]进一步地，所述通过直方图计算出通道取值范围包括以下步骤：
[0022]获取血浆
HSV
颜色空间像素点
H
值统计分布直方图
、S
值统计分布直方图
、V
值统计分布直方图对应的极值；
[0023]通过获取的极值计算
H
通道
、S
通道
、V
通道的血浆取值范围
。
[0024]进一步地，所述将
HSV
颜色空间的
H
通道
、S
通道
、V
通道几何模型归一化三维成像具体为将
HSV
颜色空间的
H
通道
、S
通道
、V
通道转换取值为0至
180、0
至
255、0
至
255。
[0025]本专利技术的第二目的是提供一种电子设备，包括：存储器，其上存储有程序代码；处理器，其与所述存储器联接，并且当所述程序代码被所述处理器执行时，实现基于机器学习的血浆溶血判别方法
。
[0026]本专利技术的第三目的是提供一种计算机可读存储介质，其上存储有程序指令，所述程序指令被执行时实现基于机器学习的血浆溶血判别方法
。
[0027]与现有技术相比，本专利技术的有益效果是：
[0028]本专利技术提供基于机器学习的血浆溶血判别方法
、
电子设备及存储介质，量化了检测标准，避免了人工检测时由于个体差异对血浆袋颜色产生不同判断；本专利技术在通过颜色判别血浆溶血的迅速高效基础上，提升了判别结果的准确性和一致性，为自动化判别血浆溶血提供了技术支撑
。
[0029]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，并可依照说明书的内容予以实施，以下以本专利技术的较佳实施例并配合附图详细说明如后
。
本专利技术的具体实施方式由以下实施例及其附图详细给出
。
附图说明
[0030]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定
。
在附图中：
[0031]图1为实施例1的基于机器学习的血浆溶血判别方法流程图一；
[0032]图2为实施例1的基于机器学习的血浆溶血判别方法流程图二；
[0033]图3为实施例1的改进
U
型语义分割网络结构的构建流程图；
[0034]图4为实施例1的最大池化坐标注意力机制模块示意图；
[0035]图5为实施例1的神经元的运算过程示意图；
[0036]图6为实施例1的梯度变换本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于机器学习的血浆溶血判别方法，其特征在于，包括以下步骤：将血浆原始图像输入至改进
U
型语义分割网络结构，得到语义分割图像；将所述语义分割图像由
RGB
颜色空间映射至
HSV
颜色空间；通过区域差异计算
HSV
颜色空间的通道阈值范围，将所获得的
HSV
颜色空间阈值锁定，得到血浆变色油墨
HSV
空间；依据图像饱和度计算出标准方差，实现血浆定性判别
。2.
如权利要求1所述的基于机器学习的血浆溶血判别方法，其特征在于：所述改进
U
型语义分割网络结构的构建包括以下步骤：在原
U
‑
Net
网络的卷积操作后加入优化的注意力机制模块；其中，所述优化的注意力机制模块将池化结构锁定最大池化，用于将区位信息嵌入到映射信息通道；在原
U
‑
Net
网络的激活函数后加入批量归一化模块；其中，所述批量归一化模块用于非线性
/
线性转换；在原
U
‑
Net
网络的解码器侧加入填充模块；其中，所述填充模块用于保持所述改进
U
型语义分割网络结构两侧的特征尺寸一致及保持特征矩阵的边界信息
。3.
如权利要求2所述的基于机器学习的血浆溶血判别方法，其特征在于：所述优化的注意力机制模块为最大池化坐标注意力机制模块，所述最大池化坐标注意力机制模块采用最大池化与协调注意力模块相结合的方式；所述最大池化坐标注意力机制模块用于将全域池化分解为特征图
X
轴方向和
Y
轴方向分别进行最大池化操作，获取坐标中的区位信息
。4.
如权利要求1所述的基于机器学习的血浆溶血判别方法，其特征在于：所述将所述语义分割图像由
RGB
颜色空间映射至
HSV
颜色空间包括以下步骤：将
R、G、B
三个通道进行归一化；通过
R、G、B

【专利技术属性】
技术研发人员：张瀚文，曹维娟，史蓉蓉，许杰，罗刚银，王弼陡，
申请(专利权)人：苏州市中心血站，
类型：发明
国别省市：