CN107358193A - 基于InceptionV3+全连接网络的皮肤真菌识别检测方法 - Google Patents
基于InceptionV3+全连接网络的皮肤真菌识别检测方法 Download PDFInfo
- Publication number
- CN107358193A CN107358193A CN201710551849.1A CN201710551849A CN107358193A CN 107358193 A CN107358193 A CN 107358193A CN 201710551849 A CN201710551849 A CN 201710551849A CN 107358193 A CN107358193 A CN 107358193A
- Authority
- CN
- China
- Prior art keywords
- image
- dermatophyte
- fully
- detection method
- networks
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 241001480043 Arthrodermataceae Species 0.000 title claims abstract description 58
- 230000037304 dermatophytes Effects 0.000 title claims abstract description 54
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 241000233866 Fungi Species 0.000 claims abstract description 19
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 16
- 238000003745 diagnosis Methods 0.000 description 9
- 241000894006 Bacteria Species 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004362 fungal culture Methods 0.000 description 4
- 238000000386 microscopy Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 241000221198 Basidiomycota Species 0.000 description 1
- 241000223229 Trichophyton rubrum Species 0.000 description 1
- 235000009754 Vitis X bourquina Nutrition 0.000 description 1
- 235000012333 Vitis X labruscana Nutrition 0.000 description 1
- 235000014787 Vitis vinifera Nutrition 0.000 description 1
- 240000006365 Vitis vinifera Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 210000000416 exudates and transudate Anatomy 0.000 description 1
- 230000002538 fungal effect Effects 0.000 description 1
- 238000011081 inoculation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于InceptionV3+全连接网络的皮肤真菌识别检测方法，包括如下步骤：一、获得皮肤真菌图像集，并对所述皮肤真菌图像集内的图像进行预处理；二、利用InceptionV3+卷积层提取所述皮肤真菌图像集内预处理后图像的图像特征；三、构建两层全连接网络，并利用提取图像特征训练所述两层全连接网络，从而形成基于皮肤真菌图像的预测模型；四、利用所述预测模型对新的皮肤真菌图像进行真菌类别预测。本发明的有益效果在于：所述基于InceptionV3+全连接网络的皮肤真菌识别检测方法采用深度学习框架对皮肤真菌图像类别进行识别，降低了人工识别成本。
Description
技术领域
本发明属于医疗图像处理技术领域，具体地涉及一种基于InceptionV3+全连接网络的皮肤真菌识别检测方法。
背景技术
随着卷积神经网络的出现和深度神经网络的完善，近些年来基于深度学习的人工智能计算机视觉飞速发展，斯坦福大学计算机系终身教授李飞飞曾表示如今人工智能的水平已经可以开始对医疗健康领域做出贡献。
1、皮肤真菌种类的识别现状
传统真菌种类识别方法多以形态学、细胞学、生理学和生态学的特征为依据，尤其以有性态的形态特征为主要依据。目前世界上使用广泛的Ainsworth真菌分类系统按照真菌孢子的类型和有性态的有无，将真菌分为鞭毛菌、接合菌、子囊菌、担子菌和半知菌五个亚门。基于形态特征对真菌进行分类，方法简单直观且不需要昂贵的仪器，但是，容易受到人为因素的干扰，且诊断周期长，无法满足日益增多且高精确的需求。
目前，真菌学检验的基本技术包括：(1)直接镜检：该方法是最简单也是最有用的实验室诊断方法；(2)真菌培养：通过从临床标本中对致病真菌进行培养。该方法的目的是为了进一步提高对病原体检出的阳性率，弥补直接镜检的不足，同时确定致病菌的种类；(3)培养检查：通过对接种的标本观察指标：生长速度、外观、大小、质地、颜色、菌落边缘、菌落高度和下沉现象、渗出物等进行判别。直接镜检方式误诊相对较高，真菌培养以及培养检查等方式诊断时间相对较长且诊断成本相对较高。而粗略估计，我国每年大约有180万例威胁生命的真菌病例，提高诊断效率以及诊断精确率则显得很有必要。
2、深度学习对皮肤真菌种类的识别
皮肤真菌有很多种，大多都有自己的特有形态，如：红色毛癣菌和须癣毛癣菌，红色毛癣菌形态可见分枝分隔菌丝，小分生孢子侧生于菌丝两侧，或在短分生孢子柄的末端，数目或多或少，梨形或棒状。间或可见少数大分生孢子，间生厚壁孢子，球拍菌丝及结节菌丝。或可见较大分生孢子，棒状或铅笔状，薄壁光滑有3-10隔。小分生孢子棒状或梨形，侧生，无柄或具短柄；须癣毛癣菌形态可见菌丝教细，小分生孢子圆形或梨形、无大分生孢子及螺旋菌丝，偶见球拍菌丝及结节菌丝。镜检可见较多的圆形或梨形小分生孢子，侧生或呈葡萄簇状排列，无螺旋菌丝及大分生孢子。深度学习如卷积神经网络能够对图像数据特征进行自动提取，其最终提取的结果中包含了图像中事物的形态等信息。深度学习通过从大数据中自动学习特征，在图像特征明显的情况下，能够极大提高识别性能。
发明内容
本发明的目的在于提供一种能够使用户置身于虚拟现实环境中从而提高实操培训的互动性和实训效果的基于InceptionV3+全连接网络的皮肤真菌识别检测方法及系统。
本发明的技术方案如下：一种基于InceptionV3+全连接网络的皮肤真菌识别检测方法包括如下步骤：
一、获得皮肤真菌图像集，并对所述皮肤真菌图像集内的图像进行预处理；
二、利用InceptionV3+卷积层提取所述皮肤真菌图像集内预处理后图像的图像特征；
三、构建两层全连接网络，并利用提取图像特征训练所述两层全连接网络，从而形成基于皮肤真菌图像的预测模型；
四、利用所述预测模型对新的皮肤真菌图像进行真菌类别预测。
优选地，步骤一具体包括如下步骤：将所述皮肤真菌图像集内图像的bmp格式转换为jpg格式；对格式转换后的图像进行去噪处理。
优选地，在步骤二中，具体包括如下步骤：读取InceptionV3+网络；将预处理后的皮肤真菌图像集输入所述InceptionV3+网络，其卷积层的输出即为自动提取的图像特征。
优选地，在步骤三中，具体包括如下步骤：构建第一层全连接网络，并采用relu激活，以设定的概率丢弃部分网络节点，以防止过拟合；构建第二层全连接网络，并采用softmax激活；利用Adam优化器训练两层全连接网络。
优选地，在利用Adam优化器训练两层全连接网络步骤中具体包括如下步骤：输入步骤二提取的图像特征，并使用交叉熵作为优化目标；利用Adam优化器进行优化，并进行若干次迭代后得到训练好的全连接网络，从而形成基于皮肤真菌图像的预测模型。
优选地，在步骤四中，具体包括如下步骤：对新的皮肤真菌图像根据步骤一进行数据预处理，并根据步骤二提取图像特征；利用所述预测模型根据所述新的皮肤真菌图像的图像特征进行真菌类别预测，并输出预测结果。
本发明的有益效果在于：
(1)本发明采用深度学习框架对皮肤真菌图像类别进行识别，降低了人工识别成本；而且本方法采用大数据分析的方法对真菌类别进行识别，只需要基于历史数据进行模型搭建，然后使用模型识别真菌图像类别，从一定程度上减轻了人工识别压力；
(2)本发明方法提高了真菌类别的识别效率；传统的识别方式是医生通过显微镜观察进行识别，或者通过真菌培养菌落进行鉴定等，识别时间长，本发发明则通过统计机器学习模型进行评估，不仅节约成本而且方便有效；
(3)本发明识别皮肤真菌种类性能优于传统方式；传统的识别方法是凭借医生的经验以及技术进行的，且很可能会因为人为因素发生误诊或者漏诊的问题；而采用基于机器学习的统计模型检测，能够进一步提升识别准确率，而且降低对识别人员的技术要求门槛。
附图说明
图1是本发明实施例提供的基于InceptionV3+全连接网络的皮肤真菌识别检测方法的流程框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
除非上下文另有特定清楚的描述，本发明中的元件和组件，数量既可以单个的形式存在，也可以多个的形式存在，本发明并不对此进行限定。本发明中的步骤虽然用标号进行了排列，但并不用于限定步骤的先后次序，除非明确说明了步骤的次序或者某步骤的执行需要其他步骤作为基础，否则步骤的相对次序是可以调整的。可以理解，本文中所使用的术语“和/或”涉及且涵盖相关联的所列项目中的一者或一者以上的任何和所有可能的组合。
请参阅图1，本发明实施例提供的基于InceptionV3+全连接网络的皮肤真菌识别检测方法包括如下步骤：
一、获得皮肤真菌图像集，并对所述皮肤真菌图像集内的图像进行预处理。
具体的，在步骤一中，具体包括如下步骤：
将所述皮肤真菌图像集内图像的bmp格式转换为jpg格式；
对格式转换后的图像进行去噪处理。
需要说明的是，在步骤一中具体采用opencv工具进行预处理。
二、利用InceptionV3+卷积层提取所述皮肤真菌图像集内预处理后图像的图像特征。
具体的，在步骤二中，具体包括如下步骤：
读取InceptionV3+网络；
将预处理后的皮肤真菌图像集输入所述InceptionV3+网络，其卷积层的输出即为自动提取的图像特征。
三、构建两层全连接网络，并利用提取图像特征训练所述两层全连接网络，从而形成基于皮肤真菌图像的预测模型。
具体的，在步骤三中，具体包括如下步骤：
构建第一层全连接网络，并采用relu激活，以设定的概率丢弃部分网络节点，以防止过拟合；
构建第二层全连接网络，并采用softmax激活；
利用Adam优化器训练两层全连接网络。
需要说明的是，在构建第一层全连接网络时，采用relu激活，并以30％的概率丢弃部分网络节点，以防止过拟合。
而且，进一步地，在利用Adam优化器训练两层全连接网络步骤中具体包括如下步骤：
输入步骤二提取的图像特征，并使用交叉熵作为优化目标；
利用Adam优化器进行优化，并进行若干次迭代后得到训练好的全连接网络，从而形成基于皮肤真菌图像的预测模型。
例如，在利用Adam优化器进行优化的过程中，进行120次迭代后得到训练好的全连接网络
四、利用所述预测模型对新的皮肤真菌图像进行真菌类别预测。
具体地，在步骤四中，具体包括如下步骤：
对新的皮肤真菌图像根据所述步骤一进行数据预处理，并根据所述步骤二提取图像特征；
利用所述预测模型根据所述新的皮肤真菌图像的图像特征进行真菌类别预测，并输出预测结果。
相较于现有技术，本发明具有如下有益效果：
(1)本发明采用深度学习框架对皮肤真菌图像类别进行识别，降低了人工识别成本；而且本方法采用大数据分析的方法对真菌类别进行识别，只需要基于历史数据进行模型搭建，然后使用模型识别真菌图像类别，从一定程度上减轻了人工识别压力；
(2)本发明方法提高了真菌类别的识别效率；传统的识别方式是医生通过显微镜观察进行识别，或者通过真菌培养菌落进行鉴定等，识别时间长，本发发明则通过统计机器学习模型进行评估，不仅节约成本而且方便有效；
(3)本发明识别皮肤真菌种类性能优于传统方式；传统的识别方法是凭借医生的经验以及技术进行的，且很可能会因为人为因素发生误诊或者漏诊的问题；而采用基于机器学习的统计模型检测，能够进一步提升识别准确率，而且降低对识别人员的技术要求门槛。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (6)
1.一种基于InceptionV3+全连接网络的皮肤真菌识别检测方法，其特征在于：包括如下步骤：
一、获得皮肤真菌图像集，并对所述皮肤真菌图像集内的图像进行预处理；
二、利用InceptionV3+卷积层提取所述皮肤真菌图像集内预处理后图像的图像特征；
三、构建两层全连接网络，并利用提取图像特征训练所述两层全连接网络，从而形成基于皮肤真菌图像的预测模型；
四、利用所述预测模型对新的皮肤真菌图像进行真菌类别预测。
2.根据权利要求1所述的基于InceptionV3+全连接网络的皮肤真菌识别检测方法，其特征在于：步骤一具体包括如下步骤：
将所述皮肤真菌图像集内图像的bmp格式转换为jpg格式；
对格式转换后的图像进行去噪处理。
3.根据权利要求1所述的基于InceptionV3+全连接网络的皮肤真菌识别检测方法，其特征在于：在步骤二中，具体包括如下步骤：
读取InceptionV3+网络；
将预处理后的皮肤真菌图像集输入所述InceptionV3+网络，其卷积层的输出即为自动提取的图像特征。
4.根据权利要求1所述的基于InceptionV3+全连接网络的皮肤真菌识别检测方法，其特征在于：在步骤三中，具体包括如下步骤：
构建第一层全连接网络，并采用relu激活，以设定的概率丢弃部分网络节点，以防止过拟合；
构建第二层全连接网络，并采用softmax激活；
利用Adam优化器训练两层全连接网络。
5.根据权利要求4所述的基于InceptionV3+全连接网络的皮肤真菌识别检测方法，其特征在于：在利用Adam优化器训练两层全连接网络步骤中具体包括如下步骤：
输入步骤二提取的图像特征，并使用交叉熵作为优化目标；
利用Adam优化器进行优化，并进行若干次迭代后得到训练好的全连接网络，从而形成基于皮肤真菌图像的预测模型。
6.根据权利要求1所述的基于InceptionV3+全连接网络的皮肤真菌识别检测方法，其特征在于：在步骤四中，具体包括如下步骤：
对新的皮肤真菌图像根据步骤一进行数据预处理，并根据步骤二提取图像特征；
利用所述预测模型根据所述新的皮肤真菌图像的图像特征进行真菌类别预测，并输出预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710551849.1A CN107358193A (zh) | 2017-07-07 | 2017-07-07 | 基于InceptionV3+全连接网络的皮肤真菌识别检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710551849.1A CN107358193A (zh) | 2017-07-07 | 2017-07-07 | 基于InceptionV3+全连接网络的皮肤真菌识别检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107358193A true CN107358193A (zh) | 2017-11-17 |
Family
ID=60292443
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710551849.1A Pending CN107358193A (zh) | 2017-07-07 | 2017-07-07 | 基于InceptionV3+全连接网络的皮肤真菌识别检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107358193A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214990A (zh) * | 2018-07-02 | 2019-01-15 | 广东工业大学 | 一种基于Inception模型的深度卷积神经网络图像去噪方法 |
| CN110205399A (zh) * | 2019-06-17 | 2019-09-06 | 颐保医疗科技(上海)有限公司 | 一种基于科玛嘉培养的真菌的数据采集方法 |
| CN110232360A (zh) * | 2019-06-17 | 2019-09-13 | 颐保医疗科技(上海)有限公司 | 一种利用神经网络对荧光镜检真菌阴阳性的判别方法 |
| CN111860601A (zh) * | 2020-06-22 | 2020-10-30 | 北京林业大学 | 预测大型真菌种类的方法及装置 |
| CN112528948A (zh) * | 2020-12-24 | 2021-03-19 | 山东仕达思生物产业有限公司 | 一种快速标注且基于区域细分类的加德纳菌的检测方法、设备及存储介质 |
| CN112633370A (zh) * | 2020-12-22 | 2021-04-09 | 中国医学科学院北京协和医院 | 一种针对丝状真菌形态的检测方法、装置、设备及介质 |
| CN113205055A (zh) * | 2021-05-11 | 2021-08-03 | 北京知见生命科技有限公司 | 基于多尺度注意力机制的真菌显微图像分类方法及系统 |
| US11397868B2 (en) | 2020-03-26 | 2022-07-26 | The University Of Hong Kong | Fungal identification by pattern recognition |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103224880A (zh) * | 2013-05-14 | 2013-07-31 | 山东出入境检验检疫局检验检疫技术中心 | 一种基于人工神经网络的细菌生化鉴定系统及鉴定方法 |
| CN104237235A (zh) * | 2014-09-15 | 2014-12-24 | 江苏大学 | 基于近红外成像技术的食源性致病菌的快速检测方法 |
| CN105160401A (zh) * | 2015-08-27 | 2015-12-16 | 电子科技大学 | 一种基于忆阻器阵列的wta神经网络及其应用 |
| CN105469100A (zh) * | 2015-11-30 | 2016-04-06 | 广东工业大学 | 基于深度学习的皮肤活检图像病理特性识别方法 |
| US20170147905A1 (en) * | 2015-11-25 | 2017-05-25 | Baidu Usa Llc | Systems and methods for end-to-end object detection |
| CN106777011A (zh) * | 2016-12-07 | 2017-05-31 | 中山大学 | 一种基于深度多任务学习的文本分类方法 |
| CN106874688A (zh) * | 2017-03-01 | 2017-06-20 | 中国药科大学 | 基于卷积神经网络的智能化先导化合物发现方法 |
-
2017
- 2017-07-07 CN CN201710551849.1A patent/CN107358193A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103224880A (zh) * | 2013-05-14 | 2013-07-31 | 山东出入境检验检疫局检验检疫技术中心 | 一种基于人工神经网络的细菌生化鉴定系统及鉴定方法 |
| CN104237235A (zh) * | 2014-09-15 | 2014-12-24 | 江苏大学 | 基于近红外成像技术的食源性致病菌的快速检测方法 |
| CN105160401A (zh) * | 2015-08-27 | 2015-12-16 | 电子科技大学 | 一种基于忆阻器阵列的wta神经网络及其应用 |
| US20170147905A1 (en) * | 2015-11-25 | 2017-05-25 | Baidu Usa Llc | Systems and methods for end-to-end object detection |
| CN105469100A (zh) * | 2015-11-30 | 2016-04-06 | 广东工业大学 | 基于深度学习的皮肤活检图像病理特性识别方法 |
| CN106777011A (zh) * | 2016-12-07 | 2017-05-31 | 中山大学 | 一种基于深度多任务学习的文本分类方法 |
| CN106874688A (zh) * | 2017-03-01 | 2017-06-20 | 中国药科大学 | 基于卷积神经网络的智能化先导化合物发现方法 |
Non-Patent Citations (2)
| Title |
|---|
| C. SZEGEDY等: "Rethinking the inception architecture for computer vision", 《THE 2016 IEEE CONFERENCE ON COMPUTERVISION AND PATTERN RECOGNITION》 * |
| GUAN WANG等: "Automatic Image-Based Plant Disease Severity Estimation Using Deep Learning", 《COMPUTATIONAL INTELLIGENCE AND NEUROSCIENCE》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214990A (zh) * | 2018-07-02 | 2019-01-15 | 广东工业大学 | 一种基于Inception模型的深度卷积神经网络图像去噪方法 |
| CN110205399A (zh) * | 2019-06-17 | 2019-09-06 | 颐保医疗科技(上海)有限公司 | 一种基于科玛嘉培养的真菌的数据采集方法 |
| CN110232360A (zh) * | 2019-06-17 | 2019-09-13 | 颐保医疗科技(上海)有限公司 | 一种利用神经网络对荧光镜检真菌阴阳性的判别方法 |
| CN110232360B (zh) * | 2019-06-17 | 2023-04-18 | 颐保医疗科技(上海)有限公司 | 一种利用神经网络对荧光镜检真菌阴阳性的判别方法 |
| US11397868B2 (en) | 2020-03-26 | 2022-07-26 | The University Of Hong Kong | Fungal identification by pattern recognition |
| CN111860601A (zh) * | 2020-06-22 | 2020-10-30 | 北京林业大学 | 预测大型真菌种类的方法及装置 |
| CN111860601B (zh) * | 2020-06-22 | 2023-10-17 | 北京林业大学 | 预测大型真菌种类的方法及装置 |
| CN112633370A (zh) * | 2020-12-22 | 2021-04-09 | 中国医学科学院北京协和医院 | 一种针对丝状真菌形态的检测方法、装置、设备及介质 |
| CN112528948A (zh) * | 2020-12-24 | 2021-03-19 | 山东仕达思生物产业有限公司 | 一种快速标注且基于区域细分类的加德纳菌的检测方法、设备及存储介质 |
| CN113205055A (zh) * | 2021-05-11 | 2021-08-03 | 北京知见生命科技有限公司 | 基于多尺度注意力机制的真菌显微图像分类方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107358193A (zh) | 基于InceptionV3+全连接网络的皮肤真菌识别检测方法 | |
| CN102426583B (zh) | 基于图像内容分析的中医舌象检索方法 | |
| CN108596038B (zh) | 一种结合形态学分割和神经网络的粪便中红细胞识别方法 | |
| CN110334565A (zh) | 一种显微镜病理照片的宫颈癌病变细胞分类系统 | |
| WO2021051875A1 (zh) | 细胞分类方法、装置、介质及电子设备 | |
| CN108108674A (zh) | 一种基于关节点分析的行人再识别方法 | |
| CN107679110A (zh) | 结合文本分类与图片属性提取完善知识图谱的方法及装置 | |
| CN107832801B (zh) | 一种细胞图像分类用模型构建方法 | |
| CN112949517B (zh) | 基于深度迁移学习的植物气孔密度和开度识别方法及系统 | |
| CN106250925B (zh) | 一种基于改进的典型相关分析的零样本视频分类方法 | |
| CN114627411A (zh) | 基于计算机视觉下并行检测的农作物生育期识别方法 | |
| CN117892091B (zh) | 基于人工智能的数据智能分析方法及系统 | |
| CN118981541A (zh) | 基于视觉语言模型的青瓷跨模态知识图谱构建方法 | |
| CN117475299A (zh) | 一种基于YOLOv8的玉米叶片虫害区域检测方法 | |
| CN115294044A (zh) | 一种食用菌菌丝表型获取方法 | |
| CN109919196A (zh) | 一种基于特征选择和分类模型的体质识别方法 | |
| Ojha et al. | Image classification of ornamental plants leaf using machine learning algorithms | |
| CN110136113B (zh) | 一种基于卷积神经网络的阴道病理图像分类方法 | |
| Crespo-Michel et al. | Developing a microscope image dataset for fungal spore classification in grapevine using deep learning | |
| CN112149630A (zh) | 一种木材显微鉴定系统 | |
| CN108229565A (zh) | 一种基于认知的图像理解方法 | |
| CN105303028A (zh) | 基于有监督等度规映射的智能医学诊断分类方法 | |
| CN103116646B (zh) | 一种基于云基因表达式编程的音乐情感识别方法 | |
| CN109214440A (zh) | 一种基于聚类算法的多特征数据分类识别方法 | |
| Prommakhot et al. | Exploiting convolutional neural network for automatic fungus detection in microscope images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 210000 306, 3 floor, 7 building, 180 software Avenue, Yuhuatai District, Nanjing, Jiangsu. Applicant after: Nanjing Tian Zhi Zhi Technology Co., Ltd. Address before: 210000 306, 3 floor, 7 building, 180 software Avenue, Yuhuatai District, Nanjing, Jiangsu. Applicant before: Nanjing days Mdt InfoTech Ltd |
|
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 201100 no.1628, sushao Road, Minhang District, Shanghai Applicant after: Shanghai Tiantian smart core semiconductor Co., Ltd Address before: 210000, building 180, room 3, 7, 306 software Avenue, Yuhuatai District, Jiangsu, Nanjing Applicant before: ILUVATAR COREX Inc. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171117 |