CN108596038B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN108596038B CN108596038B CN201810261889.7A CN201810261889A CN108596038B CN 108596038 B CN108596038 B CN 108596038B CN 201810261889 A CN201810261889 A CN 201810261889A CN 108596038 B CN108596038 B CN 108596038B
- Authority
- CN
- China
- Prior art keywords
- layer
- image
- activation function
- red blood
- convolution
- 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.)
- Expired - Fee Related
Links
- 210000003743 erythrocyte Anatomy 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 24
- 230000000877 morphologic effect Effects 0.000 title claims abstract description 19
- 230000011218 segmentation Effects 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 5
- 230000004913 activation Effects 0.000 claims description 54
- 238000012549 training Methods 0.000 claims description 43
- 238000011176 pooling Methods 0.000 claims description 36
- 238000012360 testing method Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000005859 cell recognition Effects 0.000 claims description 7
- 230000002550 fecal effect Effects 0.000 claims description 5
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 36
- 210000003608 fece Anatomy 0.000 description 5
- 239000012535 impurity Substances 0.000 description 4
- 210000000265 leukocyte Anatomy 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 238000001000 micrograph Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (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)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
Abstract
该发明公开了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，属于图像处理和机器学习技术领域，具体涉及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。本发明采用多焦距的方式获得初步的样本图像，再将初步样本图形进行灰度化，二值化，合并等处理，得到样本图像，最后根据获得样本的图像进行神经网络的训练，采用训练的神经网络对图像进行识别，从而本发明识别粪便中红细胞的方法具有高效、准确和成本低的有点。
Description
技术领域
本发明属于图像处理和机器学习技术领域，具体涉及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。
背景技术
粪便中红细胞检测在常规粪便检查中起着重要作用，在粪便的常规检测中，通常需要一名检测人员来进行粪便样本的预处理以及生物显微镜下的观察。该过程不仅耗时较长，而且检测人员的专业知识将极大地影响粪便中红细胞的准确性。近年来，深度卷积神经网络由于大型公共图像库和高性能计算系统的出现，在图像分类与图像识别方面取得了一系列突破。为了提高粪便中红细胞识别的准确率和效率，本发明提出了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。首先利用形态学分割获得候选红细胞样本图像，制成训练神经网络所需数据集，然后将数据集中的样本送入设计好的深度卷积神经网络中进行红细胞识别模型的训练。最后，我们使用这个模型进行粪便显微图像中的红细胞识别。
本申请人之前就“一种粪便中红细胞自动辨识方法”申请过专利(申请号为：201410337904.3)，该专利从粪便中识别红细胞，单纯采用图像处理的方式识别红细胞，在后期实时检测中计算量较大。
发明内容
本发明针对粪便中红细胞检测人工成本高和辨别效率低的缺点，设计了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，从而达到高效、准确和成本低的识别粪便中红细胞的目的。
本发明技术方案是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，该方法包括以下步骤：
步骤1：人工获得粪便样本不同焦距的n张显微图像；
步骤2：将步骤1的粪便样本图像转为灰度图；
步骤3：利用Sobel算子对步骤2的n张灰度图像提取图像边缘特征；
步骤4：利用局部二值化方法对步骤3提取的n张特征图像进行二值化；
步骤5：合并步骤4二值化后的图像；
步骤5.1：将步骤4.2中的N张二值化图像记为S1，S2，......，Sn；
步骤5.2：将步骤5.1中的标记的五张二值图像进行相加运算，计算公式如下所示：
H(x，y)＝S1(x，y)+S2(x，y)+.......+Sn(x，y)
其中，H(x，y)为输出图像。
步骤5.3：对步骤5.2的输出图像进行二值化，计算公式如下所示：
其中，h(x，y)为输出图像，H(x，y)为步骤5.2的输出图像，t为常数阈值。
进一步的，所述步骤5中的常数阈值t为2。
步骤6：对步骤5的图像进行连通域标记；
步骤7：在步骤6标记后的图像中寻找面积Area在100到4000之间和最小外接矩形宽度 Width和高度Height在20到100之间的连通域，记录其最小外接矩形位置信息；
步骤8：根据步骤7的位置信息，裁剪粪便样本图像相应位置图像，获得候选红细胞图像；
步骤9：对步骤8获得的候选红细胞图像进行正样本和负样本分类，赋予样本真实标签，完成数据集的制作；
步骤10：将步骤9制作好的数据集随机分为训练集和测试集，训练集样本数量大于测试集样本数量；
进一步的，所述步骤10中按4∶1的比例将数据集随机分为训练集和测试集。
步骤11：建立深度卷积神经网络；
步骤12：将步骤10的训练集和测试集经过归一化处理后输入到步骤11建立的深度卷积神经网络进行粪便中红细胞识别模型的训练，训练完成后保存模型参数；
步骤13：待测粪便样本图像经过形态学分割后，将候选红细胞图像输入到步骤12中训练好的红细胞识别模型中，得到红细胞识别结果。
所述步骤3的具体步骤为：
步骤3.1：利用4个Sobel算子分别对步骤2的各图像进行卷积运算，所用的4个Sobel算子如下所示：
步骤3.2：选取4个Sobel算子卷积后最大输出响应作为输出图像的像素值。
所述步骤4的具体步骤为：
步骤4.1：计算局部二值化阈值，计算公式如下所示：
其中，T(x，y)是输入(x，y)的局部阈值，N是邻域大小，ratio是可调参数。
步骤4.2：利用步骤4.1的局部阈值度步骤3.2的输出图像进行二值化，二值化公式如下所示：
其中，g(x，y)为输出图像，f(x，y)为输入图像，T(x，y)为步骤4.1的局部阈值。
进一步的，所述步骤4.1中N为11，ratio为0.8。
所述步骤9的具体步骤为：
步骤9.1：将步骤8中正样本赋予样本标签1；
步骤9.2：将步骤8中负样本赋予样本标签0；
步骤9.3：将步骤9.1和9.2中的正样本和负样本以1∶1的比例合并在一起，制成数据集。
所述步骤11的具体步骤为：
步骤11.1：搭建深度神经网络，其结构包括8层，其中第一层为输入层、第二层至第七层为隐藏层，第八层为输出层，各层结构如下：
第一层：输入层：以二进制数据格式输入训练集的图像数据和每张图像的真实标签；
第二层：隐藏层：包含两个卷积层，两个激活函数层和一个池化层
第三层：隐藏层：包含两个卷积层，两个激活函数层和一个池化层；
第四层：隐藏层：包含三个卷积层，三个激活函数层和一个池化层；
第五层：隐藏层：包含两个卷积层，两个激活函数层和一个池化层；
第六层：隐藏层：包含一个全连接层，一个激活函数层和一个dropout层；
第七层：隐藏层：包含一个全连接层，一个激活函数层和一个dropout层；
第八层：输出层：包含一个全连接层；
步骤11.2：设置深度神经网络参数：
第二层：卷积层的卷积核大小为3×3，步长stride为1，卷积核数量为64，偏置项采用固定常数初始化，激活函数为Relu激活函数，池化层为最大池化层，大小为2×2，步长stride 为2，填充模式padding设置为SAME；
第三层：卷积层的卷积核大小为3×3，步长stride为1，卷积核数量为128，偏置项采用固定常数初始化，激活函数为Relu激活函数，池化层为最大池化层，大小为2×2，步长stride 为2，填充模式padding设置为SAME；
第四层：卷积层的卷积核大小为3×3，步长stride为1，卷积核数量为256，偏置项采用固定常数初始化，激活函数为Relu激活函数，池化层为最大池化层，大小为2×2，步长stride 为2，填充模式padding设置为SAME；
第五层：卷积层的卷积核大小为3×3，步长stride为1，卷积核数量为512，偏置项采用固定常数初始化，激活函数为Relu激活函数，池化层为最大池化层，大小为2×2，步长stride 为2，填充模式padding设置为SAME；
第六层：全连接层的神经元个数为4096，激活函数为Relu激活函数，dropout层的keep_prob (元素保留率)设置为0.4；
第七层：全连接层的神经元个数为4096，激活函数为Relu激活函数，dropout层的keep_prob 设置为0.4；
第八层：全连接层的神经元个数为2；
所述步骤12的具体步骤为：
步骤12.1：将步骤10中的训练集和测试集样本缩放至64×64；
步骤12.2：将步骤12.1中的样本图像减去RGB三通道均值，计算公式如下所示：
Ik(x，y)＝Ik(x，y)-meank
其中，meank表示k通道均值，M，N分别表示样本图像高度和宽度，Ik(x，y)表示样本图像 k通道在点(x，y)处的像素值大小；
步骤12.3：将步骤12.2得到的训练集样本图像输入到步骤11建立的深度卷积神经网络中，计算训练集交叉熵损失train-loss；
步骤12.4：使用MomentumOptimizer优化器对步骤12.3的交叉熵损失train-loss进行优化；
步骤12.5：每隔100训练步长，便将经过预处理后的测试集样本图像输入也到步骤4建立的卷积神经网络中，同时计算训练集交叉熵损失train-loss和测试集交叉熵损失test-loss；
步骤12.6：重复步骤12.3、12.4和12.5，当步骤12.3的train-loss小于0.0001和步骤12.5 的test-loss小于0.01时，训练停止，保存训练完成后的模型参数。
本发明采用多焦距的方式获得初步的样本图像，再将初步样本图形进行灰度化，二值化，合并等处理，得到样本图像，最后根据获得样本的图像进行神经网络的训练，采用训练的神经网络对图像进行识别，从而本发明识别粪便中红细胞的方法具有高效、准确和成本低的有点。
附图说明
图1为粪便显微图像；
图2为步骤5合并后的图像；
图3为裁剪后的候选红细胞图像；图3中(a)红细胞，(b)红细胞，(c)白细胞，(d)杂质；
图4为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的流程图；
图5为形态学分割的具体流程。
具体实施方式
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，该方法包括以下步骤：
步骤1：人工获得粪便样本不同焦距的多张显微图像；
其中，所述步骤1的具体步骤为：
步骤1.1：利用显微镜获得同一视野下不同焦距的五张粪便样本图像；
步骤1.2：将步骤1.1获得的五张粪便图像依次赋予标号1，2，3，4，5；
步骤2：将步骤1的粪便样本图像转为灰度图；
所述步骤2的具体步骤为将步骤1.2的五张粪便图像转为灰度图像；
步骤3：利用Sobel算子对步骤2的灰度图像提取图像边缘特征；
所述步骤3的具体步骤为：
步骤3.1：利用4个Sobel算子分别对步骤2的五张图像进行卷积运算，本发明所用的4 个Sobel算子如下所示：
步骤3.2：选取4个Sobel算子卷积后最大输出响应作为输出图像的像素值；
步骤4：利用局部二值化方法对步骤3提取的特征图像进行二值化；
所述步骤4的具体步骤为：
步骤4.1：计算局部二值化阈值，计算公式如下所示：
其中，T(x，y)是输入(x，y)的局部阈值，N是邻域大小，ratio是可调参数。本发明中，N为 11，ratio为0.8；
步骤4.2：利用步骤4.1的局部阈值度步骤3.2的输出图像进行二值化，二值化公式如下所示：
其中，g(x，y)为输出图像，f(x，y)为输入图像，T(x，y)为步骤4.1的局部阈值。
步骤5：合并步骤4二值化后的图像；
步骤5.1：将步骤4.2中的五张二值化图像记为S1，S2，S3，S4，S5；
步骤5.2：将步骤5.1中的标记的五张二值图像进行相加运算，计算公式如下所示：
H(x，y)＝S1(x，y)+S2(x，y)+S3(x，y)+S4(x，y)+S5(x，y)
其中，H(x，y)为输出图像。
步骤5.3：对步骤5.2的输出图像进行二值化，计算公式如下所示：
其中，h(x，y)为输出图像，H(x，y)为步骤5.2的输出图像，t为常数阈值。本发明中，t为2。
步骤6：对步骤5的图像进行连通域标记；
步骤7：在步骤6标记后的图像中寻找符合要求的连通区域，记录其最小外接矩形位置信息；
所述步骤7的具体步骤为在步骤6标记后的图像中寻找面积Area在100到4000之间和最小外接矩形宽度Width和高度Height在20到100之间的连通域，记录其最小外接矩形位置信息；
步骤8：根据步骤7的位置信息，裁剪粪便样本图像相应位置图像，获得候选红细胞图像；
所述步骤8的具体步骤为根据步骤7的记录的位置信息，在标记为3的样本图像的相应位置进行裁剪，获得候选红细胞图像，本发明利用形态学分割获得获选红细胞图像包括粪便中红细胞、白细胞、霉菌和杂质，并从中随机抽取了红细胞10000张，白细胞5000张，霉菌和杂质各2500张；
步骤9：对步骤8获得的候选红细胞图像进行分类，赋予样本真实标签，完成数据集的制作；
所述步骤9的具体步骤为：
步骤9.1：将步骤8中的粪便中红细胞分为正样本，并赋予样本标签1；
步骤9.2：将步骤8中的粪便中白细胞、霉菌和杂质分为负样本，并赋予样本标签0；
步骤9.3：将步骤9.1和9.2中的正样本和负样本以1∶1的比例合并在一起，制成数据集。本发明中正样本10000个，负样本10000个，比例为1∶1。
步骤10：将步骤9制作好的数据集按4∶1的比例随机分为训练集和测试集；
所述步骤10从步骤9中的总量为20000个样本的数据集总随机抽取16000个样本作为训练集，余下的4000个样本作为测试集，比例为4∶1。
步骤11：建立深度卷积神经网络；
所述步骤11的具体步骤为：
步骤11.1：搭建深度神经网络，其结构包括8层，其中第一层为输入层、第二层至第七层为隐藏层，第八层为输出层，各层结构如下：
第一层：输入层：以二进制数据格式输入训练集的图像数据和每张图像的真实标签；
第二层：隐藏层：包含两个卷积层，两个激活函数层和一个池化层
第三层：隐藏层：包含两个卷积层，两个激活函数层和一个池化层；
第四层：隐藏层：包含三个卷积层，三个激活函数层和一个池化层；
第五层：隐藏层：包含两个卷积层，两个激活函数层和一个池化层；
第六层：隐藏层：包含一个全连接层，一个激活函数层和一个dropout层；
第七层：隐藏层：包含一个全连接层，一个激活函数层和一个dropout层；
第八层：输出层：包含一个全连接层
步骤11.2：设置深度神经网络参数：
第二层：卷积层的卷积核大小为3×3，步长stride为1，卷积核数量为64，偏置项采用固定常数初始化，激活函数为Relu激活函数，池化层为最大池化层，大小为2×2，步长stride 为2，填充模式padding设置为SAME；
第三层：卷积层的卷积核大小为3×3，步长stride为1，卷积核数量为128，偏置项采用固定常数初始化，激活函数为Relu激活函数，池化层为最大池化层，大小为2×2，步长stride 为2，填充模式padding设置为SAME；
第四层：卷积层的卷积核大小为3×3，步长stride为1，卷积核数量为256，偏置项采用固定常数初始化，激活函数为Relu激活函数，池化层为最大池化层，大小为2×2，步长stride 为2，填充模式padding设置为SAME；
第五层：卷积层的卷积核大小为3×3，步长stride为1，卷积核数量为512，偏置项采用固定常数初始化，激活函数为Relu激活函数，池化层为最大池化层，大小为2×2，步长stride 为2，填充模式padding设置为SAME；
第六层：全连接层的神经元个数为4096，激活函数为Relu激活函数，dropout层的keep_prob (元素保留率)设置为0.4；
第七层：全连接层的神经元个数为4096，激活函数为Relu激活函数，dropout层的keep_prob 设置为0.4；
第八层：全连接层的神经元个数为2；
步骤12：将步骤10的训练集和测试集经过归一化处理后输入到步骤11建立的深度卷积神经网络进行粪便中红细胞识别模型的训练，训练完成后保存模型参数；
所述步骤12的具体步骤为：
步骤12.1：将步骤10中的训练集和测试集样本缩放至64×64；
步骤12.2：将步骤12.1中的样本图像减去RGB三通道均值，计算公式如下所示：
Ik(x，y)＝Ik(x，y)-meank
其中，meank表示k通道均值，M，N分别表示样本图像高度和宽度，Ik(x，y)表示样本图像k 通道在点(x，y)处的像素值大小。本发明中k＝R，G，B，M和N等于64。
步骤12.3：将步骤12.2的经过预处理后的训练集样本图像输入到步骤11建立的深度卷积神经网络中，计算训练集交叉熵损失train-loss.
步骤12.4：使用MomentumOptimizer优化器对步骤12.3的交叉熵损失train-loss进行优化；
步骤12.5：每隔100训练步长，便将经过预处理后的测试集样本图像输入也到步骤4建立的卷积神经网络中，同时计算训练集交叉熵损失train-loss和测试集交叉熵损失test-loss；
步骤12.6：重复步骤12.3、12.4和12.5，当步骤12.3的train-loss小于0.0001和步骤12.5 的test-loss小于0.01时，训练停止，保存训练完成后的模型参数。
步骤13：待测粪便样本图像经过形态学分割后，将候选红细胞图像输入到步骤12中训练好的红细胞识别模型中，得到红细胞识别结果。
Claims (9)
1.一种结合形态学分割和神经网络的粪便中红细胞识别方法，该方法包括以下步骤：
步骤1：人工获得粪便样本不同焦距的n张显微图像；
步骤2：将步骤1的粪便样本图像转为灰度图；
步骤3：利用Sobel算子对步骤2的n张灰度图像提取图像边缘特征；
步骤4：利用局部二值化方法对步骤3提取的n张特征图像进行二值化；
步骤5：合并步骤4二值化后的图像；
步骤5.1：将步骤4得到的n张二值化图像记为S1,S2,……,Sn；
步骤5.2：将步骤5.1中的标记的n张二值图像进行相加运算，计算公式如下所示：
H(x,y)＝S1(x,y)+S2(x,y)+.......+Sn(x,y)
其中，H(x,y)为输出图像；
步骤5.3：对步骤5.2的输出图像进行二值化，计算公式如下所示：
其中，h(x,y)为输出图像，H(x,y)为步骤5.2的输出图像,t为常数阈值；
步骤6：对步骤5的图像进行连通域标记；
步骤7：在步骤6标记后的图像中寻找面积Area在100到4000之间和最小外接矩形宽度Width和高度Height在20到100之间的连通域，记录其最小外接矩形位置信息；
步骤8：根据步骤7的位置信息，裁剪粪便样本图像相应位置图像，获得候选红细胞图像；
步骤9：对步骤8获得的候选红细胞图像进行正样本和负样本分类，赋予样本真实标签，完成数据集的制作；
步骤10：将步骤9制作好的数据集随机分为训练集和测试集，训练集样本数量大于测试集样本数量；
步骤11：建立深度卷积神经网络；
步骤12：将步骤10的训练集和测试集经过归一化处理后输入到步骤11建立的深度卷积神经网络进行粪便中红细胞识别模型的训练，训练完成后保存模型参数；
步骤13：待测粪便样本图像经过形态学分割后，将候选红细胞图像输入到步骤12中训练好的红细胞识别模型中，得到红细胞识别结果。
2.如权利要求1所述的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，其特征在于所述步骤3的具体步骤为：
步骤3.1：利用4个Sobel算子分别对步骤2的各图像进行卷积运算，所用的4个Sobel算子如下所示：
步骤3.2：选取4个Sobel算子卷积后最大输出响应作为输出图像的像素值。
3.如权利要求1所述的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，其特征在于所述步骤9的具体步骤为：
步骤9.1：将步骤8中正样本赋予样本标签1；
步骤9.2：将步骤8中负样本赋予样本标签0；
步骤9.3：将步骤9.1和9.2中的正样本和负样本以1:1的比例合并在一起，制成数据集。
4.如权利要求1所述的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，其特征在于所述步骤11的具体步骤为：
步骤11.1：搭建深度神经网络，其结构包括8层，其中第一层为输入层、第二层至第七层为隐藏层，第八层为输出层，各层结构如下：
第一层：输入层：以二进制数据格式输入训练集的图像数据和每张图像的真实标签；
第二层：隐藏层：包含两个卷积层，两个激活函数层和一个池化层
第三层：隐藏层：包含两个卷积层，两个激活函数层和一个池化层；
第四层：隐藏层：包含三个卷积层，三个激活函数层和一个池化层；
第五层：隐藏层：包含两个卷积层，两个激活函数层和一个池化层；
第六层：隐藏层：包含一个全连接层，一个激活函数层和一个dropout层；
第七层：隐藏层：包含一个全连接层，一个激活函数层和一个dropout层；
第八层：输出层：包含一个全连接层；
步骤11.2：设置深度神经网络参数：
第二层：卷积层的卷积核大小为3×3，步长stride为1，卷积核数量为64，偏置项采用固定常数初始化，激活函数为Relu激活函数，池化层为最大池化层，大小为2×2，步长stride为2,填充模式padding设置为SAME；
第三层：卷积层的卷积核大小为3×3，步长stride为1，卷积核数量为128，偏置项采用固定常数初始化，激活函数为Relu激活函数，池化层为最大池化层，大小为2×2，步长stride为2,填充模式padding设置为SAME；
第四层：卷积层的卷积核大小为3×3，步长stride为1，卷积核数量为256，偏置项采用固定常数初始化，激活函数为Relu激活函数，池化层为最大池化层，大小为2×2，步长stride为2,填充模式padding设置为SAME；
第五层：卷积层的卷积核大小为3×3，步长stride为1，卷积核数量为512，偏置项采用固定常数初始化，激活函数为Relu激活函数，池化层为最大池化层，大小为2×2，步长stride为2,填充模式padding设置为SAME；
第六层：全连接层的神经元个数为4096，激活函数为Relu激活函数，dropout层的keep_prob(元素保留率)设置为0.4；
第七层：全连接层的神经元个数为4096，激活函数为Relu激活函数，dropout层的keep_prob设置为0.4；
第八层：全连接层的神经元个数为2。
5.如权利要求1所述的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，其特征在于所述步骤12的具体步骤为：
步骤12.1：将步骤10中的训练集和测试集样本缩放至64×64；
步骤12.2：将步骤12.1中的样本图像减去RGB三通道均值，计算公式如下所示：
Ik(x,y)＝Ik(x,y)-meank
其中，meank表示k通道均值，M,N分别表示样本图像高度和宽度，Ik(x,y)表示样本图像k通道在点(x,y)处的像素值大小；
步骤12.3：将步骤12.2得到的训练集样本图像输入到步骤11建立的深度卷积神经网络中，计算训练集交叉熵损失train-loss；
步骤12.4：使用MomentumOptimizer优化器对步骤12.3的交叉熵损失train-loss进行优化；
步骤12.5：每隔100训练步长，便将经过预处理后的测试集样本图像输入也到步骤4建立的卷积神经网络中，同时计算训练集交叉熵损失train-loss和测试集交叉熵损失test-loss；
步骤12.6：重复步骤12.3、12.4和12.5，当步骤12.3的train-loss小于0.0001和步骤12.5的test-loss小于0.01时，训练停止，保存训练完成后的模型参数。
6.如权利要求1所述的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，其特征在于所述步骤5中的常数阈值t为2。
7.如权利要求1所述的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，其特征在于所述步骤10中按4:1的比例将数据集随机分为训练集和测试集。
8.如权利要求2所述的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，其特征在于所述步骤4的具体步骤为：
步骤4.1：计算局部二值化阈值，计算公式如下所示：
其中，T(x,y)是输入(x,y)的局部阈值，N是邻域大小，ratio是可调参数；
步骤4.2：利用步骤4.1的局部阈值度步骤3.2的输出图像进行二值化，二值化公式如下所示：
其中，g(x,y)为输出图像，f(x,y)为输入图像，T(x,y)为步骤4.1的局部阈值。
9.如权利要求8所述的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，其特征在于所述步骤4.1中N为11，ratio为0.8。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810261889.7A CN108596038B (zh) | 2018-03-28 | 2018-03-28 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810261889.7A CN108596038B (zh) | 2018-03-28 | 2018-03-28 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108596038A CN108596038A (zh) | 2018-09-28 |
| CN108596038B true CN108596038B (zh) | 2022-03-15 |
Family
ID=63624727
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810261889.7A Expired - Fee Related CN108596038B (zh) | 2018-03-28 | 2018-03-28 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108596038B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109359569B (zh) * | 2018-09-30 | 2022-05-13 | 桂林优利特医疗电子有限公司 | 一种基于cnn的红细胞图像亚分类方法 |
| CN109410208A (zh) * | 2018-11-14 | 2019-03-01 | 成都极致智造科技有限公司 | 砂带磨损的机器学习识别与工艺参数优化方法 |
| CN110245562A (zh) * | 2019-05-13 | 2019-09-17 | 中国水产科学研究院东海水产研究所 | 基于深度学习的海洋产毒微藻种类自动识别方法 |
| CN110505020B (zh) * | 2019-07-15 | 2022-03-15 | 电子科技大学 | 基于迁移学习的光非线性均衡方法 |
| CN110910372B (zh) * | 2019-11-23 | 2021-06-18 | 郑州智利信信息技术有限公司 | 基于深度卷积神经网络的匀光板缺陷检测方法 |
| CN111077150A (zh) * | 2019-12-30 | 2020-04-28 | 重庆医科大学附属第一医院 | 一种基于计算机视觉和神经网络的大便智能分析方法 |
| CN112329537A (zh) * | 2020-10-10 | 2021-02-05 | 上海宏勃生物科技发展有限公司 | 一种基于yolov3算法的粪便有形成分的检测方法 |
| CN113205052A (zh) * | 2021-05-10 | 2021-08-03 | 江苏硕世生物科技股份有限公司 | 基于残差深度网络的孢子芽孢识别方法、系统及介质 |
| CN113537165B (zh) * | 2021-09-15 | 2021-12-07 | 湖南信达通信息技术有限公司 | 一种行人打闹的检测方法和系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104198355A (zh) * | 2014-07-16 | 2014-12-10 | 电子科技大学 | 一种粪便中红细胞自动检测方法 |
| CN104881679A (zh) * | 2015-05-22 | 2015-09-02 | 电子科技大学 | 一种基于改进模糊识别的白带中红细胞自动检测方法 |
| CN106682633A (zh) * | 2016-12-30 | 2017-05-17 | 四川沃文特生物技术有限公司 | 基于机器视觉的粪便镜检图像有形成分的分类识别方法 |
| CN106897682A (zh) * | 2017-02-15 | 2017-06-27 | 电子科技大学 | 一种基于卷积神经网络的白带中白细胞自动识别方法 |
| WO2017201540A1 (en) * | 2016-05-20 | 2017-11-23 | Techcyte, Inc. | Machine learning classification of particles or substances in digital microscopy images |
-
2018
- 2018-03-28 CN CN201810261889.7A patent/CN108596038B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104198355A (zh) * | 2014-07-16 | 2014-12-10 | 电子科技大学 | 一种粪便中红细胞自动检测方法 |
| CN104881679A (zh) * | 2015-05-22 | 2015-09-02 | 电子科技大学 | 一种基于改进模糊识别的白带中红细胞自动检测方法 |
| WO2017201540A1 (en) * | 2016-05-20 | 2017-11-23 | Techcyte, Inc. | Machine learning classification of particles or substances in digital microscopy images |
| CN106682633A (zh) * | 2016-12-30 | 2017-05-17 | 四川沃文特生物技术有限公司 | 基于机器视觉的粪便镜检图像有形成分的分类识别方法 |
| CN106897682A (zh) * | 2017-02-15 | 2017-06-27 | 电子科技大学 | 一种基于卷积神经网络的白带中白细胞自动识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| Automatic identification of fungi in microscopic leucorrhea images;zhang Jing等;《Journal of the optical society of America A-optical Image science and Vision》;20170901;第34卷(第9期);摘要 * |
| Automatic Identification of Human Erythrocytes in microscopic fecal specimens;Liu L等;《Journal of Medical Systems》;20151130;第39卷(第11期);摘要 * |
| 人体粪便中的生物细胞自动识别技术的研究;雷皓婷;《中国优秀博硕士学位论文全文数据库（硕士）》;20170215(第02期);摘要 * |
| 数字图像处理技术在寄生虫学中的应用;王栋等;《中国病原生物学杂志》;20080930(第09期);摘要 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108596038A (zh) | 2018-09-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN104992223B (zh) | 基于深度学习的密集人数估计方法 | |
| US8600143B1 (en) | Method and system for hierarchical tissue analysis and classification | |
| CN109684906B (zh) | 基于深度学习的检测红脂大小蠹的方法 | |
| CN111985536A (zh) | 一种基于弱监督学习的胃镜病理图像分类方法 | |
| CN111680706A (zh) | 一种基于编码和解码结构的双通道输出轮廓检测方法 | |
| CN106570505A (zh) | 对组织病理图像进行分析的方法和系统 | |
| Tamilselvi et al. | Unsupervised machine learning for clustering the infected leaves based on the leaf-colours | |
| CN114170511B (zh) | 基于Cascade RCNN的路面裂缝病害识别方法 | |
| CN112102257B (zh) | 一种基于卷积神经网络的人体粪便自动识别方法 | |
| CN112633382A (zh) | 一种基于互近邻的少样本图像分类方法及系统 | |
| CN109117703A (zh) | 一种基于细粒度识别的混杂细胞种类鉴定方法 | |
| US20210214765A1 (en) | Methods and systems for automated counting and classifying microorganisms | |
| CN112036384B (zh) | 精子头部形态识别方法、装置及设备 | |
| CN112464983A (zh) | 一种用于苹果树叶病害图像分类的小样本学习方法 | |
| CN113658174A (zh) | 基于深度学习和图像处理算法的微核组学图像检测方法 | |
| CN103177266A (zh) | 储藏物害虫智能识别系统 | |
| CN113313149B (zh) | 一种基于注意力机制和度量学习的菜品识别方法 | |
| CN114140665A (zh) | 一种基于改进YOLOv5的密集小目标检测方法 | |
| CN115147380A (zh) | 一种基于YOLOv5的小型透明塑料制品缺陷检测方法 | |
| CN104573701B (zh) | 一种玉米雄穗性状的自动检测方法 | |
| CN111898677A (zh) | 一种基于深度学习的浮游生物自动检测方法 | |
| CN116563205A (zh) | 基于小目标检测和改进YOLOv5的麦穗计数检测方法 | |
| CN108073940A (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
| CN115311689A (zh) | 牛脸身份识别特征提取模型构建方法及牛脸身份识别方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220315 |