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】
本申请涉及图像分析,特别是涉及一种基于轻量化卷积神经网络的图像质控方法、装置以及介质。
技术介绍
1、随着图像深度学习技术的发展,基于图像的分析、检测、判读和筛查在各个领域的应用日益显著,例如在医疗领域中基于图像进行疾病筛查。本技术服务的自动化流水线药敏分析平台需要连续拍摄多种抗生素在不同浓度梯度下与菌种的图像。为了确保准确率和效率,需要对每张图像进行质量判断,并仅在通过质量检测后才进行下一个浓度梯度下的图像拍摄。图像质控分析在这个过程中起到关键作用,需要能够快速而准确地对图像进行评估,判断其质量是否合格,这样可以避免拍摄低质量图像,提高整个流水线的效率和准确性。同时在应用中对图像质控分析的要求较高,主要有两个方面,一是需要高准确率,二是需要高识别速度。
2、基于传统的机器视觉检测技术只能适用于类型单一的情况,且受图像视角变化、噪声、光照变化等干扰,导致识别准确率低。经典的卷积神经网络resnet18,vgg等网络的识别准确率高但是识别时间长。经典的轻量化网络mobilenet_v2,shufflenet虽然识别时间满足要求但是识别准确率较低。
3、由此可见,如何同时保证图像质量识别的准确性和速度,是本领域技术人员亟待解决的问题。
技术实现思路
1、本申请的目的是提供一种基于轻量化卷积神经网络的图像质控方法、装置以及介质,以解决目前图像质量识别技术无法同时满足速度和准确性要求的问题。
2、为解决上述技术问题,本申请提供一种基于轻量化卷积神经网络的
3、获取待检测的药敏全息图像;
4、将所述药敏全息图像输入药敏全息图像质量判定模型;其中,所述药敏全息图像质量判定模型将所述药敏全息图像的特征图输入至多层依次连接的主干特征提取模块;各层的所述主干特征提取模块提取所接收的特征图的特征后形成新的特征图并输出至下一层;且各所述主干特征提取模块输出的特征图尺寸逐层减小;所述药敏全息图像质量判定模型将不同尺度的各特征图进行融合得到最终的目标特征图,并根据所述目标特征图确定输出结果;
5、根据所述药敏全息图像质量判定模型的输出结果确定所述药敏全息图像的质量。
6、优选地,所述药敏全息图像质量判定模型包括多个所述主干特征提取模块和与各所述主干特征提取模块连接的多个分支特征提取模块;
7、各所述主干特征提取模块用于逐层提取到深层次的语义特征图,各所述分支特征提取模块用于获取各所述主干特征提取模块输出的不同尺度的特征图;
8、所述药敏全息图像质量判定模型将不同尺度的各特征图进行融合得到最终的所述目标特征图包括:
9、将各所述主干特征提取模块最终提取的语义特征图以及各所述分支特征提取模块获取的不同尺度的特征图进行融合得到最终的所述目标特征图。
10、优选地,所述药敏全息图像质量判定模型将不同尺度的各特征图进行融合得到最终的所述目标特征图包括:
11、将各特征图中对应位置的特征值相加得到最终的所述目标特征图。
12、优选地,所述药敏全息图像质量判定模型通过卷积层和最大池化层对所述药敏全息图像进行预处理操作以获取初始的特征图。
13、优选地,所述主干特征提取模块为rescspblock特征提取模块;
14、各所述主干特征提取模块通过最大池化操作以输出尺寸减小的特征图。
15、优选地,所述药敏全息图像质量判定模型的各卷积操作后采用silu激活函数处理输出的特征图。
16、优选地,训练所述药敏全息图像质量判定模型包括:
17、采用梯度下降算法逐步更新所述药敏全息图像质量判定模型以最小化模型的交叉熵损失函数。
18、为解决上述技术问题,本申请还提供一种基于轻量化卷积神经网络的图像质控装置,包括:
19、获取模块,用于获取待检测的药敏全息图像;
20、输入模块,用于将所述药敏全息图像输入药敏全息图像质量判定模型;其中,所述药敏全息图像质量判定模型将所述药敏全息图像的特征图输入至多层依次连接的主干特征提取模块;各层的所述主干特征提取模块提取所接收的特征图的特征后形成新的特征图并输出至下一层;且各所述主干特征提取模块输出的特征图尺寸逐层减小;所述药敏全息图像质量判定模型将不同尺度的各特征图进行融合得到最终的目标特征图,并根据所述目标特征图确定输出结果;
21、判读模块,用于根据所述药敏全息图像质量判定模型的输出结果确定所述药敏全息图像的质量。
22、为解决上述技术问题,本申请还提供一种基于轻量化卷积神经网络的图像质控装置,包括:存储器,用于存储计算机程序;
23、处理器,用于执行计算机程序时实现上述基于轻量化卷积神经网络的图像质控方法的步骤。
24、为解决上述技术问题,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述基于轻量化卷积神经网络的图像质控方法的步骤。
25、本申请所提供的一种基于轻量化卷积神经网络的图像质控方法,先获取待检测的药敏全息图像;然后将药敏全息图像输入药敏全息图像质量判定模型。其中,药敏全息图像质量判定模型将药敏全息图像的特征图输入至多层依次连接的主干特征提取模块;各层的主干特征提取模块提取所接收的特征图的特征后形成新的特征图并输出至下一层;且各主干特征提取模块输出的特征图尺寸逐层减小;药敏全息图像质量判定模型将不同尺度的各特征图进行融合得到最终的目标特征图,并根据目标特征图确定输出结果。最后根据药敏全息图像质量判定模型的输出结果确定药敏全息图像的质量。因为本申请所提的药敏全息图像质量判定模型会将不同尺度的各特征图进行融合得到最终的目标特征图,能够在较浅的神经网络层数下得到较高的识别准确率,而由于神经网络层数少,减少了计算时间,因此图像质量识别时间也更快。相较于传统的方案,本技术方案同时保证了图像质量识别的准确性和速度。
26、本申请还提供了一种基于轻量化卷积神经网络的图像质控装置和计算机可读存储介质,与上述方法对应,故具有与上述方法相同的有益效果。
本文档来自技高网...【技术保护点】
1.一种基于轻量化卷积神经网络的图像质控方法,其特征在于,包括:
2.根据权利要求1所述的基于轻量化卷积神经网络的图像质控方法,其特征在于,所述药敏全息图像质量判定模型包括多个所述主干特征提取模块和与各所述主干特征提取模块连接的多个分支特征提取模块;
3.根据权利要求1或2所述的基于轻量化卷积神经网络的图像质控方法,其特征在于,所述药敏全息图像质量判定模型将不同尺度的各特征图进行融合得到最终的所述目标特征图包括:
4.根据权利要求3所述的基于轻量化卷积神经网络的图像质控方法,其特征在于,所述药敏全息图像质量判定模型通过卷积层和最大池化层对所述药敏全息图像进行预处理操作以获取初始的特征图。
5.根据权利要求4所述的基于轻量化卷积神经网络的图像质控方法,其特征在于,所述主干特征提取模块为ResCSPBlock特征提取模块;
6.根据权利要求5所述的基于轻量化卷积神经网络的图像质控方法,其特征在于,所述药敏全息图像质量判定模型的各卷积操作后采用SiLu激活函数处理输出的特征图。
7.根据权利要求6所述的基于轻量化卷
8.一种基于轻量化卷积神经网络的图像质控装置,其特征在于,包括:
9.一种基于轻量化卷积神经网络的图像质控装置,其特征在于,包括存储器,用于存储计算机程序;
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于轻量化卷积神经网络的图像质控方法的步骤。
...【技术特征摘要】
1.一种基于轻量化卷积神经网络的图像质控方法,其特征在于,包括:
2.根据权利要求1所述的基于轻量化卷积神经网络的图像质控方法,其特征在于,所述药敏全息图像质量判定模型包括多个所述主干特征提取模块和与各所述主干特征提取模块连接的多个分支特征提取模块;
3.根据权利要求1或2所述的基于轻量化卷积神经网络的图像质控方法,其特征在于,所述药敏全息图像质量判定模型将不同尺度的各特征图进行融合得到最终的所述目标特征图包括:
4.根据权利要求3所述的基于轻量化卷积神经网络的图像质控方法,其特征在于,所述药敏全息图像质量判定模型通过卷积层和最大池化层对所述药敏全息图像进行预处理操作以获取初始的特征图。
5.根据权利要求4所述的基于轻量化卷积神经网络的图像质控方法,其特征在于,所述主干特...
【专利技术属性】
技术研发人员:侯剑平,赵万里,张欠欠,孙千鹏,王驰,王超,刘聪,
申请(专利权)人:安图实验仪器郑州有限公司,
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。