一种优化的针对微生物识别的深度学习方法技术

本发明专利技术公开了一种优化的针对微生物识别的深度学习方法，包括以下模块：数据处理模块：将一部分数据样本用作训练集，另一部分数据样本作为测试集；锚框聚类模块：对数据集进行聚类，生成锚框；模型训练模块：利用数据集训练YOLOv5‑AC网络；微生物检测模块：将微生物图片放入训练好的YOLOv5‑AC网络中进行检测；本发明专利技术中采用CBAM注意力机制模块和AC‑FPN特征金字塔模块，更有效实现不同特征的融合、更加关注微生物细小特征；有效的解决了微生物检测领域中由微生物可利用特征少、类别不平衡、边界特征模糊和样本匮乏导致微生物难检测问题；本发明专利技术实现了微生物智能检测，可以在资源匮乏的条件下，实现较高的检测精度，一定程度上代替人工检测，作为微生物学家的辅助工具。

【技术实现步骤摘要】

本专利技术属于微生物检测，具体为一种优化的针对微生物识别的深度学习方法。

技术介绍

0、技术背景

1、利用深度学习模型对微生物检测，可以为微生物形态特征研究、研发影响微生物生长相关的抗生素药物问题等提供强有力的分析工具。目前已有较多研究对细胞图像处理工作做出了诸多探索，开发了基于不同技术的图像处理算法，并给出了相关结论与研究成果。如上世纪提出的基于图像基本特征信息的传统算法如门限法，主动轮廓模型算法等等。同时，随着图像采集设备技术水平的不断提升，从生物领域所采集到的图像质和量都有飞跃式发展，依靠人工手动对仪器获得的所有图像进行分类与识别变得不切实际。通过引入深度学习对图像进行处理，可以大幅减少科研人员的重复劳动，使图像数据能得到更完善的利用。通过图像处理和目标识别可以更好地统计微生物的变化以及分布情况，有助于科研人员更好地研究微生物的各项特性。

2、现有的目标检测方法主要分为双阶段检测(two stage)和单阶段检测(onestage)两种，双阶段检测中典型的算法如r-cnn，先进行感兴趣区域生成，再通过卷积神经网络进行样本分类，本文档来自技高网...

【技术保护点】

1.一种优化的针对微生物识别的深度学习方法，其特征是包括如下模块：

2.如权利要求1所述一种优化的针对微生物识别的深度学习方法，其特征是：

3.如权利要求1所述一种优化的针对微生物识别的深度学习方法，其特征是：

4.如权利要求1-4任一项所述一种优化的针对微生物识别的深度学习方法，其特征是：

5.如权利要求4所述一种优化的针对微生物识别的深度学习方法，其特征是：

6.如权利要求5所述一种优化的针对微生物识别的深度学习方法，其特征是：

7.如权利要求6所述一种优化的针对微生物识别的深度学习方法，其特征是：

【技术特征摘要】

1.一种优化的针对微生物识别的深度学习方法，其特征是包括如下模块：

2.如权利要求1所述一种优化的针对微生物识别的深度学习方法，其特征是：

3.如权利要求1所述一种优化的针对微生物识别的深度学习方法，其特征是：

4.如权利要求1-4任一项所述一种优化的针...

【专利技术属性】
技术研发人员：麦华东，樊军，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：