System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及寄生虫卵分类检测方法领域,具体是一种基于深度学习的寄生虫卵偏振分类方法。
技术介绍
1、在医学、兽医学和环境监测等领域,寄生虫卵分类具有重要的应用价值。传统的寄生虫卵分类方法主要依靠人工眼睛观察和识别,不仅费时费力,而且存在主观性和误差率高的问题。
2、近年来,随着深度学习技术的迅猛发展,基于深度学习的自动化寄生虫卵分类方法得到了广泛关注。然而,由于明场相机下的图像仅仅局限于强度信息并且对比度差,在不同寄生虫卵图片上并没有十分明显的区别,这导致传统的寄生虫卵分类方法在分类识别上存在一定局限性,识别率和稳定性都不理想。
3、与此同时,偏振检测系统作为一种新兴的成像技术,在图像分类任务中已经取得了显著的成果。穆勒矩阵是一个4×4的矩阵包含了样品的全部偏振信息,是目前使用最为广泛的偏振特性表征方法。它通过检测光线的偏振状态,包含了大量光学信息,包括样品的光强、散射退偏、二向色性、相位延迟等等一系列特性。提供了额外的信息来支持分类和识别。
4、因此,将基于深度学习算法的寄生虫卵分类方法与偏振检测技术结合起来,可以有效地提高分类识别率,实现更准确的自动化寄生虫卵分类。
技术实现思路
1、本专利技术提供了一种基于深度学习的寄生虫卵偏振分类方法,以解决现有技术基于深度学习的自动化寄生虫卵分类方法依赖明场相机拍摄普通图片,存在的对寄生虫卵的区分度不大、识别率低、错误率高的问题。
2、为了达到上述目的,本专利技术所采用的技术方案为:
>3、一种基于深度学习的寄生虫卵偏振分类方法,包括以下步骤:
4、步骤1、选择种类已知的多种寄生虫卵,获取每种寄生虫卵的穆勒矩阵图像;
5、步骤2、对步骤1得到的每种寄生虫卵的穆勒矩阵图像进行分解得到散射退偏图像,以多种寄生虫卵的散射退偏图像构建数据集;
6、步骤3、生成深度学习网络模型resnet-34,将步骤2得到的数据集划分为训练集、验证集和测试集,采用训练集对所述深度学习网络模型resnet-34进行训练以拟合深度学习网络模型resnet-34,并采用验证集优化调整深度学习网络模型resnet-34的超参数,由此得到多种训练好的深度学习网络模型resnet-34,然后采用测试集评估得到多种训练好的深度学习网络模型resnet-34的泛化性能,得到泛化性能最佳的模型作为分类检测模型;
7、步骤4、获取待测寄生虫卵的穆勒矩阵图像并进行分解,得到待测寄生虫卵的散射退偏图像,将待测寄生虫卵的散射退偏图像输入至步骤3得到的分类检测模型,由所述分类检测模型得到寄生虫卵分类检测结果。
8、进一步的步骤1中,首先获取每种寄生虫卵的不同偏振态组合图,然后基于不同偏振态组合图得到所述穆勒矩阵图像。
9、进一步的步骤2中,对多种寄生虫卵的散射退偏图像进行归一化后,利用归一化后的散射退偏图像构建所述数据集。
10、进一步的步骤2中,对归一化后的散射退偏图像进行数据增强后,以数据增强后的图像构建所述数据集。
11、进一步的步骤3中,所述深度学习网络模型resnet-34包括输入层、18个残差块、全局平均池化层、全连接层,其中:
12、所述输入层为卷积层,构成输入层的卷积层包括64个卷积核,每个卷积核的大小为7×7,步长为2,填充为3;
13、18个残差块中,每个残差块由两个卷积层和一个跨层连接组成,最后一个残差块之后加入所述全局平均池化层,所述全局平均池化层之后加入所述全连接层。
14、进一步的步骤3中,所述深度学习网络模型resnet-34训练时的优化器采用rmsprop。
15、进一步的步骤3中,所述深度学习网络模型resnet-34训练时的损失函数为交叉熵损失。
16、本专利技术提出了一种基于深度学习的寄生虫卵偏振分类方法及系统。该方法通过利用基于寄生虫卵的偏振图像得到的穆勒矩阵图像提供的信息,结合深度学习算法对寄生虫卵图像进行分类识别,相较于传统的明场相机下的分类方法,具有更高的分类识别率和更好的实用性。
17、本专利技术解决了现有技术在明场相机下对寄生虫卵分类识别率低的问题,实现了在偏振成像下对寄生虫卵分类有着明显提升的识别率,能够快速且准确的实现寄生虫卵分类识别,为医学、兽医学和环境监测等领域提供了技术支持。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的寄生虫卵偏振分类方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于深度学习的寄生虫卵偏振分类方法,其特征在于,步骤1中,首先获取每种寄生虫卵的不同偏振态组合图,然后基于不同偏振态组合图得到所述穆勒矩阵图像。
3.根据权利要求1所述的一种基于深度学习的寄生虫卵偏振分类方法,其特征在于,步骤2中,对多种寄生虫卵的散射退偏图像进行归一化后,利用归一化后的散射退偏图像构建所述数据集。
4.根据权利要求3所述的一种基于深度学习的寄生虫卵偏振分类方法,其特征在于,步骤2中,对归一化后的散射退偏图像进行数据增强后,以数据增强后的图像构建所述数据集。
5.根据权利要求1所述的一种基于深度学习的寄生虫卵偏振分类方法,其特征在于,步骤3中,所述深度学习网络模型ResNet-34包括输入层、18个残差块、全局平均池化层、全连接层,其中:
6.根据权利要求1所述的一种基于深度学习的寄生虫卵偏振分类方法,其特征在于,步骤3中,所述深度学习网络模型ResNet-34训练时的优化器采用RMSprop。
...【技术特征摘要】
1.一种基于深度学习的寄生虫卵偏振分类方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于深度学习的寄生虫卵偏振分类方法,其特征在于,步骤1中,首先获取每种寄生虫卵的不同偏振态组合图,然后基于不同偏振态组合图得到所述穆勒矩阵图像。
3.根据权利要求1所述的一种基于深度学习的寄生虫卵偏振分类方法,其特征在于,步骤2中,对多种寄生虫卵的散射退偏图像进行归一化后,利用归一化后的散射退偏图像构建所述数据集。
4.根据权利要求3所述的一种基于深度学习的寄生虫卵偏振分类方法,其特征在于,步骤2中,对归一化后的散射退偏图像进行数据增强...
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。