【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种基于液滴图像的分类计数方法、系统和存储介质。
技术介绍
1、液滴图像分析是一项重要的技术，用于对生物样本中的液滴进行分类和计数，以便进行疾病诊断、药物研发等。传统的液滴分类计数方法通常采用人工操作，通过视觉观察和手动计数来实现。然而，人工滴液分类方法需要专业人员进行操作，不仅费时费力，而且十分容易出现误差。
技术实现思路
1、本专利技术针对现有技术中的不足，公开了一种基于液滴图像的分类计数方法，包括如下步骤：
2、获取包含有液滴的测试乳浊液图像；使用经过初步训练的液滴分类神经网络模型对测试乳浊液图像进行特征提取；在测试乳浊液图像上对识别的各类型液滴标记对应的识别特征并获取各类型液滴数量，所述识别特征被配置为根据不同液滴类型的液滴所在区域绘制不同颜色标识；使用预设液滴校验规则对添加有识别特征的各类型液滴的识别特征进行校验，根据校验结果调整测量乳浊液图像的识别结果并生成修改的标注数据集，作为新训练数据集输入到完成初步训练的液滴分类神经网络模型中再次训练，直至获得达到预设准确率的液滴分类神经网络模型；将通过图像设备捕捉的待分析的包含有液滴的目标乳浊液图像输入训练好的液滴分类神经网络模型中形成所述目标乳浊液图像内的液滴分类计数结果。
3、优选的，所述液滴分类神经网络模型通过以下步骤进行初步训练：通过摄像设备或显微镜在多种不同光强环境和/或多种不同显微镜焦距下分别捕捉多组液滴训练图像；对所述液滴训练图像进行灰度化处理后，识别所述液滴
4、优选的，所述液滴分类神经网络模型采用卷积神经网络架构，对测试乳浊液图像进行特征提取是对液滴训练图像像素点矩阵数据进行卷积神经网络卷积计算的集合实现的提取，包括：由集合输出的五条线路卷积层或卷积层加池化层计算构成的对图像中液滴类型、边缘特征和纹理特征的提取，以及对图像中液滴边缘、纹理之间关联特征的提取；其中五条线路卷积层或卷积层加池化层计算输出的集合输出构成了对图像中液滴类型、边缘特征和纹理特征的提取。
5、优选的，所述使用预设液滴校验规则对添加有识别特征的各类型液滴的属性特征进行校验，具体包括：根据各类型液滴的识别特征获取对应液滴的液滴大小数据，所述液滴大小被配置为该液滴所占区域的面积，根据所述液滴类型从规则数据库中获取对应各液滴类型的液滴大小取值范围，若存在部分液滴大小位于所述液滴大小取值范围外则向其添加识别错误信息，所述识别错误信息包括但不限于错误液滴位置或错误类型。
6、优选的，所述使用预设液滴校验规则对添加有识别特征的各类型液滴的属性特征进行校验，还包括：获取测试乳浊液图像上的各液滴的识别特征重叠区域，所述识别特征为围绕整个液滴绘制的方形标识框，所述方形标识框根据所围绕的不同液滴类型配置对应的不同颜色；从规则数据库中获取液滴识别特征的重叠区域阈值，若各方形标识框中任一重叠区域面积占所在方形标识框面积的比例大于所述重叠区域阈值则添加识别错误信息，所述识别错误信息包括但不限于对应识别特征位置或错误类型。
7、本专利技术还公开了一种基于液滴图像的分类计数系统，包括：图像获取模块，用于获取包含有液滴的测试乳浊液图像；初步特征提取模块，用于使用经过初步训练的液滴分类神经网络模型对测试乳浊液图像进行特征提取；标记模块，用于在测试乳浊液图像上对识别的各类型液滴标记对应的识别特征并获取各类型液滴数量，所述识别特征被配置为根据不同液滴类型的液滴所在区域绘制不同颜色标识；校验模块，用于使用预设液滴校验规则对添加有识别特征的各类型液滴的识别特征进行校验，根据校验结果调整测量乳浊液图像的识别结果并生成修改的标注数据集，作为新训练数据集输入到完成初步训练的液滴分类神经网络模型中再次训练，直至获得达到预设准确率的液滴分类神经网络模型；执行模块，用于将通过图像设备捕捉的待分析的包含有液滴的目标乳浊液图像输入训练好的液滴分类神经网络模型中形成所述目标乳浊液图像内的液滴分类计数结果。
8、优选的，所述液滴分类神经网络模型包括：图像捕捉模块，用于通过摄像设备或显微镜在多种不同光强环境和/或多种不同显微镜焦距下分别捕捉多组液滴训练图像；图像标注模块，用于对所述液滴训练图像进行灰度化处理后，识别所述液滴训练图像上的各类型液滴、并根据液滴类型向各液滴添加对应框选标识特征后，形成标注训练数据集，所述框选标识特征被配置为围绕对应液滴位置区域布置且包含对应液滴类型属性信息。
9、优选的，所述液滴分类神经网络模型采用卷积神经网络架构，对测试乳浊液图像进行特征提取是对液滴训练图像像素点矩阵数据进行卷积神经网络卷积计算的集合实现的提取，包括：由集合输出的五条线路卷积层或卷积层加池化层计算构成的对图像中液滴类型、边缘特征和纹理特征的提取，以及对图像中液滴边缘、纹理之间关联特征的提取；其中五条线路卷积层或卷积层加池化层计算输出的集合输出构成了对图像中液滴类型、边缘特征和纹理特征的提取。
10、本专利技术还公开了一种基于液滴图像的分类计数装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如前述任一所述基于液滴图像的分类计数方法的步骤。
11、本专利技术还公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如前述任一所述基于液滴图像的分类计数方法的步骤。
12、本专利技术公开的基于液滴图像的分类计数方法、系统和存储介质，通过使用经过初步训练的液滴分类神经网络模型对测试乳浊液图像进行特征提取，进而在测试乳浊液图像上对识别的各类型液滴标记对应识别特征并获取各类型液滴数量，再使用预设液滴校验规则对各类型液滴的识别特征进行校验，并根据校验结果调整测量乳浊液图像的识别结果生成修改的标注数据集，将修改的标注数据集作为新训练数据集输入到神经网络模型中再次训练，直至获得达到预设准确率的液滴分类神经网络模型，最后将待分析的目标乳浊液图像输入训练好的液滴分类神经网络模型中形成所述目标乳浊液图像内的液滴分类计数结果，减少了液滴分类过程中的大量人工干预过程，提高了液滴实验的实验效率，增强了液滴分类计数的准确度。
13、本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种基于液滴图像的分类计数方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于液滴图像的分类计数方法，其特征在于，所述液滴分类神经网络模型通过以下步骤进行初步训练：
3.根据权利要求2所述的基于液滴图像的分类计数方法，其特征在于，所述液滴分类神经网络模型采用卷积神经网络架构，
4.根据权利要求3所述的基于液滴图像的分类计数方法，其特征在于，所述使用预设液滴校验规则对添加有识别特征的各类型液滴的属性特征进行校验，具体包括：
5.根据权利要求4所述的基于液滴图像的分类计数方法，其特征在于，所述使用预设液滴校验规则对添加有识别特征的各类型液滴的属性特征进行校验，还包括：
6.一种基于液滴图像的分类计数系统，包括：
7.根据权利要求6所述的基于液滴图像的分类计数系统，其特征在于，所述液滴分类神经网络模型包括：
8.根据权利要求7所述的基于液滴图像的分类计数系统，其特征在于，所述液滴分类神经网络模型采用卷积神经网络架构，
9.一种基于液滴图像的分类计数装置，包括存储器、处理器以及存
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-5任一所述方法的步骤。
...【技术特征摘要】
1.一种基于液滴图像的分类计数方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于液滴图像的分类计数方法，其特征在于，所述液滴分类神经网络模型通过以下步骤进行初步训练：
3.根据权利要求2所述的基于液滴图像的分类计数方法，其特征在于，所述液滴分类神经网络模型采用卷积神经网络架构，
4.根据权利要求3所述的基于液滴图像的分类计数方法，其特征在于，所述使用预设液滴校验规则对添加有识别特征的各类型液滴的属性特征进行校验，具体包括：
5.根据权利要求4所述的基于液滴图像的分类计数方法，其特征在于，所述使用预设液滴校验规则对添加有识别特征的各类型液滴的属性特征进行校验，还包括：
...
【专利技术属性】
技术研发人员：王亮，裴颢，汤王鋆，禹业亚，郑文山，
申请(专利权)人：墨卓生物科技浙江有限公司，
类型：发明
国别省市：
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。