【技术实现步骤摘要】
本专利技术涉及一种基于增强特征融合的改进yolov4疟原虫检测方法，属于图像处理。
技术介绍
1、疟疾是由雌性按蚊叮咬，导致人体血液感染疟原虫所引发的一种传染性疾病。人体内感染红细胞的疟原虫有间日疟、恶性疟、卵形疟、三日疟四种，其中恶性疟是最常见的疟原虫。疟疾检测即检测人体血液中疟原虫的存在情况，包括疟原虫的种类和数量，对于疟疾的预防与诊断具有重大意义。目前，人工显微镜检查依然是疟疾检测的金标准，通过显微镜检查判断疟原虫的种类与生长周期，统计血液中疟原虫的数量，具有易制得、效益高、操作简单等特点。然而培养一名熟练的镜检人员需要花费大量的时间成本，因此该方法在资源匮乏地区的推广受到了限制。快速诊断测试(rapid diagnostic tests,rdts)与pcr(polymerase chain reaction)检测也在近几年得到了广泛运用。rdts的原理是通过检测疟原虫产生的抗原，引发化学反应，使指示带发出荧光，其检测操作简单，检测时间快，但是无法提供量化指标如疟原虫的种类与个数。pcr通过外部合成寄生虫特异性dna片段，经电泳检测是否含有该目的条带，从而判断检测样品的阳性或阴性。pcr检测具有更高的准确率与特异性，但是需要昂贵的仪器设备和专业的医疗人员，所以无法在发展中国家广泛运用。
2、近些年来，由于人工智能的迅速发展，基于深度学习的图像处理技术在医学领域得到广泛应用，在辅助疾病诊断过程中扮演重要角色。深度学习技术也可以运用在疟疾诊断中，通过训练大量的显微细胞图像自动提取纹理、边缘、色彩等特征，迅速定位到被
3、yolo(you only look once)系列网络是一阶段目标检测算法的代表之一，具有检测速度快、准确率高等特点。一些学者已经将目标检测模型运用到疟原虫检测之中。samson等人开发了一个基于yolov3模型的疟疾诊断系统，使用深度可分离卷积与1×1卷积所构成的卷积瓶颈残差模块，减小参数量的同时实现了97.46％的平均准确率。fetulhak等人针对显微图像中疟原虫这种小目标检测精度不佳的问题，以yolov4为基础网络，加入小目标检测层，将浅层特征图的尺寸由52×52改为104×104，在公开数据集上得到了96.32％的平均准确率。
4、由于染色差异，光线变化，人工操作等影响，采集到的疟原虫图像背景较为复杂，细胞之间存在重叠问题，不同染色背景下疟原虫的可辨识性不同，同时一些染色杂质及血小板与疟原虫的颜色、大小、形状十分相似，这给检测带来了极大的挑战。上述研究虽然取得了较为理想的结果，但是并没有改进模型的特征提取与特征融合能力，网络本身特征提取与融合能力的不足加上疟原虫图像自身存在的检测难点，使得最终的检测结果依然存在较多的漏检与误检情况。
技术实现思路
1、为了解决目前基于深度学习的疟原虫图像检测存在的漏检与误检问题，本专利技术提出一种以yolov4为基线网络的eff-yolo(enhanced feature fusion yolo)模型，从增强模型的特征提取与特征融合能力的角度，设计了一种区别于现有疟原虫图像检测的检测方法，很好地解决了在复杂背景、图像边界、重叠细胞等场景中漏检与误检问题。
2、一种基于增强特征融合的改进yolov4疟原虫检测方法，包括：
3、步骤1：准备数据集，将标注后的疟原虫细胞图像数据集划分训练集、验证集与测试集；
4、步骤2：构建具有增强特征融合特点的改进yolov4网络，包括骨干特征提取网络backbone、特征融合网络neck、检测头head三部分，其中选取cspdarknet53作为骨干特征提取网络；
5、步骤3：在骨干特征提取网络之后设计一个多尺度特征聚合模块替代yolov4中的空间金字塔池化模块；
6、步骤4：在颈部网络中，设计注意力特征融合模块代替原来的拼接操作；所述注意力特征融合模块包括两个通道注意力模块cam和一个空间注意力模块sam；
7、步骤5：使用siou作为回归损失函数，通过考虑真实框与预测框之间的角度损失，重新构建距离惩罚函数；
8、步骤6：利用步骤1准备的训练集对改进yolov4网络进行训练，使用k-means算法生成新的anchor大小，并扩增样本；
9、步骤7：将测试集中的疟原虫细胞图像输入训练得到的最佳模型进行测试，获取疟原虫细胞图像的可视化检测结果；
10、步骤8：采用训练得到的最佳模型对待检测的人体血液细胞图像进行检测以确定对应的人体血液细胞样本中是否含有疟原虫以及统计疟原虫的数量。
11、可选的，所述步骤1包括：
12、1a)收集疟原虫细胞图像；
13、2a)对收集的疟原虫细胞图像进行标注；
14、3a)按照8：1：1的比例将所收集到的疟原虫细胞图像划分为训练集、验证集与测试集。
15、可选的，所述步骤3中的mfam模块用空洞卷积替换spp结构中的池化操作，增加感受野，使得网络也能够关注到疟原虫以外的细胞环境与外部特征，降低误检率；在获取不同扩张率的空洞卷积提取的含有不同语义信息与空间信息的特征图之后，使用ca注意力模块对不同的特征图赋予不同的权重，使网络更加关注对识别疟原虫有用的信息，增加特征提取的能力，提高检测的准确性。
16、可选的，对于输入为的特征图，经过扩张率为6、12、18的三个空洞卷积处理之后，得到三个特征图f1、f2与f3，将这三个特征图拼接得到新的特征图其中表示张量的拼接操作，
17、可选的，将f123与ca注意力获取的注意力权重点乘得到新的特征图f′，并与输入fin进行拼接得到特征图，然后再通过1×1卷积调整通道数，得到最终的输出fout，其表达式为：
18、
19、式中，表示拼接操作，f1×1表示1×1卷积操作。
20、可选的，所述步骤4中的affm模块借助通道注意力与空间注意力，对当前特征图与上采样或下采样得到的特征图进行融合。其核心部分由两个通道注意力模块(channelattention module,cam)与一个空间注意力模块(spatial attention module,sam)组成，cam更关注目标的深层语义信息而sam更关注目标的浅层位置信息。cam首先对输入进来的单个特征层进行全局平均池化与全局最大池化，然后将池化后的两个特征层送入共享全连接层进行处理，并进行相加操作，最后经过sigmoid激活函数的处理，获得输入特征层每一个通道的权值。sam对输入特征层在通道上进行最大池化与平均池化，并将两个特征图进行拼接，然后通过卷积操作将特征图的通道数调整为1，最后通过sigmoid激活函数取得输入特征层每个特征点的权值。
21、可选的本文档来自技高网...
【技术保护点】
1.一种基于增强特征融合的改进YOLOv4疟原虫检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述步骤2构建得到的改进YOLOv4网络中，Backbone部分使用CSPDarknet53进行特征提取，引入CSPNet结构将浅层信息与深层信息相结合；Neck部分引入空间池化金字塔SPP结构，使用不同尺度的池化操作以增强特征提取能力，使用PANet结构，在FPN的基础上增加了一条自底而上的特征融合路径以实现不同尺寸特征图之间的充分融合；Head部分用于完成回归与分类任务，分别在13×13，26×26，52×52三种不同大小的尺寸图上，对大目标、中等目标、小目标进行检测。
3.根据权利要求2所述的方法，其特征在于，所述步骤3包括：
4.根据权利要求3所述的方法，其特征在于，所述步骤4包括：
5.根据权利要求4所述的方法，其特征在于，所述步骤5中SIoU作为回归损失函数由距离损失Lossdis，长宽比损失Lossshape与重叠面积损失Lossiou三部分组成；其中距离损失中引入了角度损失，SIoU的表达式
6.根据权利要求5所述的方法，其特征在于，所述Lossiou表示真实框与预测框重叠面积的交并比，其表达式为：式中B为真实框的面积，BGT为预测框的面积。
7.根据权利要求5所述的方法，其特征在于，所述Lossshape表示长宽比损失，其表达式为：式中的超参数θ用于控制Lossshape在总损失函数中的重要程度；h与w为预测框的长和宽，hgt与wgt为真实框的长和宽。
8.根据权利要求5所述的方法，其特征在于，所述Lossdis为距离损失函数，综合考虑了距离损失与角度损失，其表达式为：式中γ＝2-Λ，Λ为新定义两个边界框的角度损失函数，其表达式为：式中其中与分别是预测框与真实框中心点坐标，α与β分别表示真实框与预测框中心点与水平方向和垂直方向的夹角，两者之间的关系为：
9.根据权利要求1所述的方法，其特征在于，所述步骤6中使用Mosaic数据增强与Mixup数据增强扩增样本。
10.一种目标检测方法，其特征在于，所述方法采用权利要求1-9任一项所述的方法对待检测图像进行检测，所述待检测图像为医学检测领域内的图像。
...【技术特征摘要】
1.一种基于增强特征融合的改进yolov4疟原虫检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述步骤2构建得到的改进yolov4网络中，backbone部分使用cspdarknet53进行特征提取，引入cspnet结构将浅层信息与深层信息相结合；neck部分引入空间池化金字塔spp结构，使用不同尺度的池化操作以增强特征提取能力，使用panet结构，在fpn的基础上增加了一条自底而上的特征融合路径以实现不同尺寸特征图之间的充分融合；head部分用于完成回归与分类任务，分别在13×13，26×26，52×52三种不同大小的尺寸图上，对大目标、中等目标、小目标进行检测。
3.根据权利要求2所述的方法，其特征在于，所述步骤3包括：
4.根据权利要求3所述的方法，其特征在于，所述步骤4包括：
5.根据权利要求4所述的方法，其特征在于，所述步骤5中siou作为回归损失函数由距离损失lossdis，长宽比损失lossshape与重叠面积损失lossiou三部分组成；其中距离损失中引入了角度损失，siou的表达...
【专利技术属性】
技术研发人员：谢莉，耿俊杰，舒卫平，贺魏，李健，杨海麟，王琼，
申请(专利权)人：江南大学，
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。