CN110458808A - 基于形态学与yolo算法的女性生殖道病原体识别方法 - Google Patents
基于形态学与yolo算法的女性生殖道病原体识别方法 Download PDFInfo
- Publication number
- CN110458808A CN110458808A CN201910620667.4A CN201910620667A CN110458808A CN 110458808 A CN110458808 A CN 110458808A CN 201910620667 A CN201910620667 A CN 201910620667A CN 110458808 A CN110458808 A CN 110458808A
- Authority
- CN
- China
- Prior art keywords
- region
- morphology
- spore
- yolo algorithm
- recognition methods
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 244000052769 pathogen Species 0.000 title claims abstract description 14
- 230000001717 pathogenic effect Effects 0.000 title claims abstract description 14
- 210000005002 female reproductive tract Anatomy 0.000 title claims abstract description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 230000001629 suppression Effects 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 9
- 238000003745 diagnosis Methods 0.000 abstract description 7
- 238000012216 screening Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract 1
- 241000193830 Bacillus <bacterium> Species 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 235000001674 Agaricus brunnescens Nutrition 0.000 description 3
- 244000052616 bacterial pathogen Species 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 241000894006 Bacteria Species 0.000 description 2
- 208000027244 Dysbiosis Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007140 dysbiosis Effects 0.000 description 2
- 206010061218 Inflammation Diseases 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 210000003103 bodily secretion Anatomy 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 244000000010 microbial pathogen Species 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000014639 sexual reproduction Effects 0.000 description 1
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及一种基于形态学与YOLO算法的女性生殖道病原体识别方法，该方法针对国内显微镜下致病菌种识别以及细胞活性检验等问题，提出以darknet‑53网络模型与YOLO算法取出疑似目标，再配以传统形态学算法进行筛选从而达到准确、快速、智能化的诊断方式。YOLO算法的检测速度比传统算法提高了上百倍，可满足医学诊断的高效需求，再加入形态学算法对目标做形状拟合，对色值、轮廓、大小等维度做判断，从而进一步提升检测准确率与检出率。
Description
技术领域
本发明涉及显微镜图像自动识别领域，特别涉及一种基于形态学与YOLO算法的女性生殖道病原体识别方法。
背景技术
微生态下的菌种检测是人体医疗学科的分支，研究发现人体内分泌物中存在超过200种微生物，其中不乏致病菌，或出现某种菌类数量失衡从而致病情况。对于医学检测，包括菌群密集度、多样性、优势菌、集体炎性反应、病原微生物、以及各种致病菌类辨别，需要更高的效率和更高的准确率。
对于微生态平衡问题，因其诊断方式目前为发现孢子菌丝等致病菌即可判断患者微生态失衡，少数致病菌根据单位区域内数量来判断微生态失衡。虽然菌类误检，漏检都可能导致诊断结果错误，但因患病者微生态下致病菌分布通常较为密集，因此，其准确率是第一要求。目前国内普遍采用医务人员肉眼进行显微镜下观察分析的方式诊断患者是否患病，此种方式效率低下，且时间长久后易因视觉疲劳，出现误诊，漏诊等现象。
发明内容
本发明的目的在于提供一种基于形态学与YOLO算法的女性生殖道病原体识别方法,用以解决目前国内检验人员采用肉眼观察显微镜所带来的效率低下问题，以及因视觉疲劳，所带来的误诊、漏诊问题。
实现本发明目的的具体技术方案是：
一种基于形态学与YOLO算法的女性生殖道病原体识别方法，该方法包括以下具体步骤：
步骤1：选取部分待测图像（如50000张），在待测图像中将识别目标做好标注；
步骤2：将步骤1标注好的图像组成训练集，放入网络训练得到模型；
步骤3：基于Darknet框架下YOLO模型的初筛。将要识别的图像放入测试程序，调用步骤2训练好的模型进行测试，得到模型初筛结果，并在原图中标出；
步骤4：基于图像形态学处理。对该疑似区域进行形态学的判断，最终通过取交集的方法得到较为准确的识别结果。
上述的步骤3具体如下：经过模型训练后，将待测图像导入进模型网络，此时，将每个网格预测的种类信息和预选框区域预测的置信度信息相乘，就得到每个预选框区域的class-specific confidence score（特定类型置信度）:
；
等式左边第一项是每个网格预测的类别信息，第二、三项是每个预选框预测的confidence（置信度），这个乘积即代表了预测的区域属于某一类的概率，也有该区域准确度的信息，得到每个区域的特定类型置信度以后，设置阈值，滤掉得分低的区域，对保留的区域进行 NMS（Non-Maximum Suppression，非极大值抑制）处理，得到YOLO的检测结果。
上述的步骤4具体如下：在得到清晰的YOLO算法筛选过的疑似区域之后，先对图像进行边缘增强及锐化，再根据孢子的色值做灰度化以及二值化分割，将孢子与浅色背景分割开来，再通过Canny算子对其进行轮廓提取，在得到清晰轮廓后，则在轮廓上随机取点进行椭圆拟合，若拟合椭圆区域与二值化后孢子所在拟合椭圆的区域重叠部分超过一定值（如95%）时，则可以大致判断此区域内的形状大致为椭圆，即该物体符合孢子的形状特点可将其判定为孢子。
本发明的有益效果：本发明提供了一种基于形态学与YOLO算法的女性生殖道病原体识别方法,以darknet-53网络模型与YOLO算法取出疑似目标，再配以传统形态学算法进行筛选从而达到准确，快速，智能化的诊断方式。YOLO算法检测速度较传统检测算法提高上百倍可满足医学诊断高效需求。再加入形态学算法，对目标做形状拟合，对色值、轮廓、大小等维度做判断，从而进一步提升检测准确率与检出率。经过自建样本数据训练以及大量实验表明，加入传统形态学处理后对孢子的识别算法准确率高达94%以上，检出率达82%以上。将此算法应用于实际检测中时，是专业医务人员检测速度的两倍以上。
附图说明
图1为本发明的实验流程图。
图2为本发明的形态学处理与识别流程图。
图3为本发明的孢子菌丝标注图a。
图4为本发明的孢子菌丝标注图b。
图5为本发明的杆菌椭圆拟合图。
图6为本发明的孢子椭圆拟合图。
具体实施方式
为了更加清楚地说明本发明的技术手段及有益效果，以下结合附图，以孢子识别为例，对本发明进行详细的说明。实验流程如图1所示。
实施例
选取部分待测图像（如50000张），在待测图像中将识别目标做好标注，标注好的图像如图3、4中所示。
将标注好的图像组成训练集，放入网络训练得到模型。
基于Darknet框架下YOLOv3模型的初筛：将要识别的图像放入测试程序，调用训练好的模型进行测试，得到模型初筛结果，并在原图中标出。该步骤具体为：经过模型训练后，将待测图像导入进模型网络，此时，将每个网格预测的种类信息和预选框区域预测的置信度信息相乘，就得到每个预选框区域的 class-specific confidence score（特定类型置信度）:
；
等式左边第一项是每个网格预测的类别信息，第二、三项是每个预选框预测的confidence（置信度），这个乘积即代表了预测的区域属于某一类的概率，也有该区域准确度的信息，得到每个区域的特定类型置信度以后，设置阈值，滤掉得分低的区域，对保留的区域进行 NMS（Non-Maximum Suppression，非极大值抑制）处理，得到YOLOv3的检测结果。
基于图像形态学处理，对该疑似区域进行形态学的判断（如图2所示），最终通过取交集的方法得到较为准确的识别结果。该步骤具体为：在得到清晰地YOLOv3算法筛选过的疑似区域之后，先对图像进行边缘增强及锐化，再根据孢子的色值做灰度化以及二值化分割，将孢子与浅色背景分割开来，再通过Canny算子对其进行轮廓提取，在得到清晰轮廓后，则在轮廓上随机取点进行椭圆拟合，若拟合椭圆区域与二值化后孢子所在拟合椭圆的区域重叠部分超过95%以上，则可以大致判断此区域内的形状大致为椭圆，即该物体符合孢子的形状特点可将其判定为孢子。图5中所示为杆菌做拟合情况，图6中所示为孢子做拟合情况，由图5、6中可以看到，杆菌其形状特征并不满足筛选条件，可以轻松被筛选掉，而细胞核较孢子大小要小，孢子在1600x1200大小的图片上时，一般最小为45x45，且其长宽比近似1：1，而细胞核大小一般最大为20x30，长宽比接近1:1.5，因此此时将大小阈值设为30x30，长宽比1:1.3时可以通过轮廓的旋转矩形大小有效筛选掉细胞核与杆菌。
综上所述，本发明提出了一种基于形态学与YOLO算法的女性生殖道病原体识别方法，YOLO算法的检测速度比传统检测算法提高了上百倍可满足医学诊断高效需求，再加入形态学算法，对目标做形状拟合，对色值、轮廓、大小等维度做判断，从而进一步提升检测准确率与检出率。经过自建样本数据训练以及大量实验表明，加入传统形态学处理后对孢子的识别算法准确率高达94%以上，检出率达82%以上。将此算法应用于实际检测中时，是专业医务人员检测速度的两倍以上。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.基于形态学与YOLO算法的女性生殖道病原体识别方法，其特征在于，该方法包括以下具体步骤：
步骤1：选取部分待测图像，在待测图像中将识别目标做好标注；
步骤2：将步骤1标注好的图像组成训练集，放入网络训练得到模型；
步骤3：基于Darknet框架下YOLO模型的初筛：将要识别的图像放入测试程序，调用步骤2训练好的模型进行测试，得到模型初筛结果，并在原图中标出；
步骤4：基于图像形态学处理：对该疑似区域进行形态学的判断，最终通过取交集的方法得到较为准确的识别结果。
2.根据权利要求1所述基于形态学与YOLO算法的女性生殖道病原体识别方法，其特征在于：步骤3中，具体是：经过模型训练后，将要识别的图像导入进模型网络，此时，将每个网格预测的种类信息和预选框区域预测的置信度信息相乘，就得到每个预选框区域的特定类型置信度:
；
等式左边第一项是每个网格预测的类别信息，第二、三项是每个预选框预测的置信度，这个乘积即代表了预测的区域属于某一类的概率，也有该区域准确度的信息，得到每个区域的特定类型置信度以后，设置阈值，滤掉得分低的区域，对保留的区域进行非极大值抑制处理，得到YOLO算法的检测结果。
3.根据权利要求1所述基于形态学与YOLO算法的女性生殖道病原体识别方法，其特征在于：步骤4中，具体是：在得到清晰的YOLO算法筛选过的疑似区域之后，先对图像进行边缘增强及锐化，再根据孢子的色值做灰度化以及二值化分割，将孢子与浅色背景分割开来，再通过Canny算子对其进行轮廓提取，在得到清晰轮廓后，则在轮廓上随机取点进行椭圆拟合，若拟合椭圆区域与二值化后孢子所在拟合椭圆的区域重叠部分超过一定值时，则可以判断此区域内的形状大致为椭圆，即该物体符合孢子的形状特点可将其判定为孢子。
4.根据权利要求3所述基于形态学与YOLO算法的女性生殖道病原体识别方法，其特征在于：若拟合椭圆区域与二值化后孢子所在拟合椭圆的区域重叠部分超过95%以上，则可以判断此区域内的形状大致为椭圆，即该物体符合孢子的形状特点可将其判定为孢子。
5.根据权利要求3所述基于形态学与YOLO算法的女性生殖道病原体识别方法，其特征在于：在步骤4中，还设置大小阈值和长宽比阈值并通过轮廓的旋转矩形大小有效筛选掉细胞核。
6.根据权利要求5所述基于形态学与YOLO算法的女性生殖道病原体识别方法，其特征在于：在1600x1200大小的图片上，将大小阈值设为30x30，长宽比阈值设为：1:1.3，并通过轮廓的旋转矩形大小有效筛选掉细胞核。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910620667.4A CN110458808B (zh) | 2019-07-10 | 2019-07-10 | 基于形态学与yolo算法的女性生殖道病原体识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910620667.4A CN110458808B (zh) | 2019-07-10 | 2019-07-10 | 基于形态学与yolo算法的女性生殖道病原体识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110458808A true CN110458808A (zh) | 2019-11-15 |
| CN110458808B CN110458808B (zh) | 2021-06-15 |
Family
ID=68482632
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910620667.4A Active CN110458808B (zh) | 2019-07-10 | 2019-07-10 | 基于形态学与yolo算法的女性生殖道病原体识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110458808B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112950636A (zh) * | 2021-04-29 | 2021-06-11 | 山东仕达思生物产业有限公司 | 基于R3Det的女性阴道病原体的旋转框目标检测方法 |
| CN113033417A (zh) * | 2021-03-29 | 2021-06-25 | 山东仕达思生物产业有限公司 | 一种妇科微生态中孢子的检测识别方法、设备及存储介质 |
| CN113111796A (zh) * | 2021-04-19 | 2021-07-13 | 山东仕达思生物产业有限公司 | 一种芽生孢子的自动细化标注类别的检测识别方法 |
| CN113450317A (zh) * | 2021-06-10 | 2021-09-28 | 西安交通大学 | 一种针对妇科临床微生物感染的免疫荧光图像检测方法 |
| CN114445408A (zh) * | 2022-04-11 | 2022-05-06 | 山东仕达思生物产业有限公司 | 一种基于改进的循环导向滤波算法的提升病原体检测方法、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN105069421A (zh) * | 2015-07-29 | 2015-11-18 | 杭州晨安视讯数字技术有限公司 | 一种基于图像的人体站立行为自动检测方法和装置 |
| CN105931226A (zh) * | 2016-04-14 | 2016-09-07 | 南京信息工程大学 | 基于深度学习的自适应椭圆拟合细胞自动检测分割方法 |
| CN107179272A (zh) * | 2017-05-10 | 2017-09-19 | 中南民族大学 | 一种显微镜下急性分离神经细胞捕捉系统及方法 |
| CN108052886A (zh) * | 2017-12-05 | 2018-05-18 | 西北农林科技大学 | 一种小麦条锈病菌夏孢子自动统计计数方法 |
| US10013760B2 (en) * | 2013-03-15 | 2018-07-03 | Board Of Trustees Of The University Of Illinois | Stain-free histopathology by chemical imaging |
-
2019
- 2019-07-10 CN CN201910620667.4A patent/CN110458808B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10013760B2 (en) * | 2013-03-15 | 2018-07-03 | Board Of Trustees Of The University Of Illinois | Stain-free histopathology by chemical imaging |
| 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 |
| CN105069421A (zh) * | 2015-07-29 | 2015-11-18 | 杭州晨安视讯数字技术有限公司 | 一种基于图像的人体站立行为自动检测方法和装置 |
| CN105931226A (zh) * | 2016-04-14 | 2016-09-07 | 南京信息工程大学 | 基于深度学习的自适应椭圆拟合细胞自动检测分割方法 |
| CN107179272A (zh) * | 2017-05-10 | 2017-09-19 | 中南民族大学 | 一种显微镜下急性分离神经细胞捕捉系统及方法 |
| CN108052886A (zh) * | 2017-12-05 | 2018-05-18 | 西北农林科技大学 | 一种小麦条锈病菌夏孢子自动统计计数方法 |
Non-Patent Citations (4)
| Title |
|---|
| 张赞超等: "基于细胞神经网络的尿沉渣图像分割", 《浙江大学学报(工学版)》 * |
| 杨力铭著: "《时空域脉搏信号检测方法研究》", 31 December 2017, 西南交通大学出版社 * |
| 杨露菁等: "《智能图像处理及应用》", 31 March 2019, 中国铁道出版社 * |
| 郑欣等: "基于YOLO模型的宫颈细胞簇团智能识别方法", 《液晶与显示》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113033417A (zh) * | 2021-03-29 | 2021-06-25 | 山东仕达思生物产业有限公司 | 一种妇科微生态中孢子的检测识别方法、设备及存储介质 |
| CN113111796A (zh) * | 2021-04-19 | 2021-07-13 | 山东仕达思生物产业有限公司 | 一种芽生孢子的自动细化标注类别的检测识别方法 |
| CN113111796B (zh) * | 2021-04-19 | 2022-06-24 | 山东仕达思生物产业有限公司 | 一种芽生孢子的自动细化标注类别的检测识别方法 |
| CN112950636A (zh) * | 2021-04-29 | 2021-06-11 | 山东仕达思生物产业有限公司 | 基于R3Det的女性阴道病原体的旋转框目标检测方法 |
| CN113450317A (zh) * | 2021-06-10 | 2021-09-28 | 西安交通大学 | 一种针对妇科临床微生物感染的免疫荧光图像检测方法 |
| CN114445408A (zh) * | 2022-04-11 | 2022-05-06 | 山东仕达思生物产业有限公司 | 一种基于改进的循环导向滤波算法的提升病原体检测方法、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110458808B (zh) | 2021-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110458808A (zh) | 基于形态学与yolo算法的女性生殖道病原体识别方法 | |
| US8605981B2 (en) | Centromere detector and method for determining radiation exposure from chromosome abnormalities | |
| Veluchamy et al. | Feature extraction and classification of blood cells using artificial neural network | |
| Kande et al. | Segmentation of exudates and optic disk in retinal images | |
| CN108257124B (zh) | 一种基于图像的白细胞计数方法和系统 | |
| Harini et al. | Feature extraction and classification of retinal images for automated detection of Diabetic Retinopathy | |
| CN111079620B (zh) | 基于迁移学习的白细胞图像检测识别模型构建方法及应用 | |
| CN105224921A (zh) | 一种人脸图像择优系统和处理方法 | |
| CN104794502A (zh) | 一种基于图像处理和模式识别技术的稻瘟病孢子显微图像识别方法 | |
| Punnolil | A novel approach for diagnosis and severity grading of diabetic maculopathy | |
| Gao et al. | Automatic grading of cortical and PSC cataracts using retroillumination lens images | |
| CN110148126B (zh) | 基于颜色分量组合和轮廓拟合的血液白细胞分割方法 | |
| CN110120056A (zh) | 基于自适应直方图阈值和轮廓检测的血液白细胞分割方法 | |
| CN106886991A (zh) | 一种基于彩色眼底图的模糊度自动分级方法 | |
| Athira et al. | Automatic detection of diabetic retinopathy using R-CNN | |
| Akram et al. | An automated system for the grading of diabetic maculopathy in fundus images | |
| CN107545565A (zh) | 一种太阳能网版检测方法 | |
| Waseem et al. | Drusen detection from colored fundus images for diagnosis of age related Macular degeneration | |
| CN106570848A (zh) | 基于局部二值模式和支持向量机的乳腺癌钙化点计算机辅助检测方法 | |
| Taher et al. | Extraction of sputum cells using thresholding techniques for lung cancer detection | |
| CN112966645B (zh) | 一种妇科微生态中多种类型杆菌的智能检测和分类计数方法 | |
| Palantei et al. | Breast cancer detection in mammogram images exploiting GLCM, GA features and SVM algorithms | |
| Chitra et al. | Detection of aml in blood microscopic images using local binary pattern and supervised classifier | |
| Asadi et al. | Implementation of backpropagation neural network and blood cells imagery extraction for acute leukemia classification | |
| Bhaisare et al. | Diabetic retinopathy diagnosis using image mining |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Method for Identifying Female Genital Tract Pathogens Based on Morphology and YOLO Algorithm Effective date of registration: 20230329 Granted publication date: 20210615 Pledgee: Overpass Branch of Jinan Rural Commercial Bank Co.,Ltd. Pledgor: SHANDONG STARS BIOINDUSTRY CO.,LTD. Registration number: Y2023370000061 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Granted publication date: 20210615 Pledgee: Overpass Branch of Jinan Rural Commercial Bank Co.,Ltd. Pledgor: SHANDONG STARS BIOINDUSTRY CO.,LTD. Registration number: Y2023370000061 |