CN111798414A - 显微图像的清晰度确定方法、装置、设备及存储介质 - Google Patents
显微图像的清晰度确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111798414A CN111798414A CN202010534470.1A CN202010534470A CN111798414A CN 111798414 A CN111798414 A CN 111798414A CN 202010534470 A CN202010534470 A CN 202010534470A CN 111798414 A CN111798414 A CN 111798414A
- Authority
- CN
- China
- Prior art keywords
- sample
- training
- neural network
- convolutional neural
- microscopic image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 190
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 135
- 230000006870 function Effects 0.000 claims description 53
- 238000004590 computer program Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000001000 micrograph Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供了一种显微图像的清晰度确定方法、装置、设备及存储介质。该显微图像的清晰度确定方法，包括：获取待清晰度确定的显微图像；将显微图像输入预设的卷积神经网络模型中，输出显微图像的清晰度预测值；其中，卷积神经网络模型是利用训练样本集对卷积神经网络进行模型训练得到的，训练样本集包括多个训练样本，每个训练样本包括样本显微图像及样本显微图像的样本标签，样本标签表征样本显微图像的清晰度期望值，样本标签包括样本正标签和样本负标签。根据本发明实施例的显微图像的清晰度确定方法、装置、设备及计算机存储介质，能够高效且低成本地确定显微图像的清晰度。
Description
技术领域
本发明属于显微图像的清晰度确定技术领域，尤其涉及一种显微图像的清晰度确定方法、装置、设备及计算机存储介质。
背景技术
目前，相关技术中的显微图像的清晰度确定方法，需要将待清晰度确定的显微图像经过大量计算得到5维清晰度评价函数，作为BP神经网络的输入，输出该显微图像的清晰度预测值。
由于需要经过大量计算得到5维清晰度评价函数，不仅计算成本较高且清晰度确定的效率低下。
因此，如何高效且低成本地确定显微图像的清晰度是本领域技术人员亟需解决的技术问题。
发明内容
本发明实施例提供一种显微图像的清晰度确定方法、装置、设备及计算机存储介质，能够高效且低成本地确定显微图像的清晰度。
第一方面，本发明实施例提供一种显微图像的清晰度确定方法，包括：
获取待清晰度确定的显微图像；
将显微图像输入预设的卷积神经网络模型中，输出显微图像的清晰度预测值；
其中，卷积神经网络模型是利用训练样本集对卷积神经网络进行模型训练得到的，训练样本集包括多个训练样本，每个训练样本包括样本显微图像及样本显微图像的样本标签，样本标签表征样本显微图像的清晰度期望值，样本标签包括样本正标签和样本负标签。
可选的，当每个训练样本包括一张样本显微图像及样本显微图像的样本标签时，则在将显微图像输入预设的卷积神经网络模型中，输出显微图像的清晰度预测值之前，方法还包括：
将训练样本输入卷积神经网络，得到样本显微图像的清晰度预测值；
基于清晰度预测值及样本标签，确定卷积神经网络的第一损失函数值；
判断第一损失函数值是否满足第一预设训练停止条件；
若不满足，调整卷积神经网络的模型参数，并利用训练样本集训练调整后的卷积神经网络，直至满足第一预设训练停止条件，得到卷积神经网络模型。
可选的，当每个训练样本包括一个样本正标签及一个样本正标签对应的一张样本显微图像，和k个样本负标签及k个样本负标签对应的k张样本显微图像，且k为正整数时，则在将显微图像输入预设的卷积神经网络模型中，输出显微图像的清晰度预测值之前，方法还包括：
将训练样本输入卷积神经网络，得到k+1张样本显微图像对应的k+1维清晰度预测值；
基于k+1维清晰度预测值和k+1维样本标签，确定交叉熵损失函数值；
判断交叉熵损失函数值是否满足第二预设训练停止条件；
若不满足，调整卷积神经网络的模型参数，并利用训练样本集训练调整后的卷积神经网络，直至满足第二预设训练停止条件，得到卷积神经网络模型。
可选的，当每个训练样本包括两个样本正标签及两个样本正标签对应的两张样本显微图像，和一个样本负标签及一个样本负标签对应的一张样本显微图像时，则在将显微图像输入预设的卷积神经网络模型中，输出显微图像的清晰度预测值之前，方法还包括：
将训练样本输入卷积神经网络，得到L2距离函数值；
判断L2距离函数值是否满足第三预设训练停止条件；
若不满足，调整卷积神经网络的模型参数，并利用训练样本集训练调整后的卷积神经网络，直至满足第三预设训练停止条件，得到卷积神经网络模型。
第二方面，本发明实施例提供了一种显微图像的清晰度确定装置，包括：
获取模块，用于获取待清晰度确定的显微图像；
输出模块，用于将显微图像输入预设的卷积神经网络模型中，输出显微图像的清晰度预测值；
其中，卷积神经网络模型是利用训练样本集对卷积神经网络进行模型训练得到的，训练样本集包括多个训练样本，每个训练样本包括样本显微图像及样本显微图像的样本标签，样本标签表征样本显微图像的清晰度期望值，样本标签包括样本正标签和样本负标签。
可选的，当每个训练样本包括一张样本显微图像及样本显微图像的样本标签时，则装置还包括：
第一模型训练模块，用于将训练样本输入卷积神经网络，得到样本显微图像的清晰度预测值；基于清晰度预测值及样本标签，确定卷积神经网络的第一损失函数值；判断第一损失函数值是否满足第一预设训练停止条件；若不满足，调整卷积神经网络的模型参数，并利用训练样本集训练调整后的卷积神经网络，直至满足第一预设训练停止条件，得到卷积神经网络模型。
可选的，当每个训练样本包括一个样本正标签及一个样本正标签对应的一张样本显微图像，和k个样本负标签及k个样本负标签对应的k张样本显微图像，且k为正整数时，则装置还包括：
第二模型训练模块，用于将训练样本输入卷积神经网络，得到k+1张样本显微图像对应的k+1维清晰度预测值；基于k+1维清晰度预测值和k+1维样本标签，确定交叉熵损失函数值；判断交叉熵损失函数值是否满足第二预设训练停止条件；若不满足，调整卷积神经网络的模型参数，并利用训练样本集训练调整后的卷积神经网络，直至满足第二预设训练停止条件，得到卷积神经网络模型。
可选的，当每个训练样本包括两个样本正标签及两个样本正标签对应的两张样本显微图像，和一个样本负标签及一个样本负标签对应的一张样本显微图像时，则装置还包括：第三模型训练模块，用于将训练样本输入卷积神经网络，得到L2距离函数值；判断L2距离函数值是否满足第三预设训练停止条件；若不满足，调整卷积神经网络的模型参数，并利用训练样本集训练调整后的卷积神经网络，直至满足第三预设训练停止条件，得到卷积神经网络模型。
第三方面，本发明实施例提供了一种电子设备，电子设备包括：处理器，以及存储有计算机程序指令的存储器；
处理器读取并执行计算机程序指令，以实现第一方面或者第一方面任一可选的实现方式中的显微图像的清晰度确定方法。
第四方面，本发明实施例提供了一种计算机存储介质，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现第一方面或者第一方面任一可选的实现方式中的显微图像的清晰度确定方法。
本发明实施例的显微图像的清晰度确定方法、装置、设备及计算机存储介质，能够高效且低成本地确定显微图像的清晰度。该显微图像的清晰度确定方法，将获取到的待清晰度确定的显微图像输入预设的卷积神经网络模型中，由于该卷积神经网络模型是利用训练样本集对卷积神经网络进行模型训练得到的，训练样本集包括多个训练样本，每个训练样本包括样本显微图像及样本显微图像的样本标签，样本标签表征样本显微图像的清晰度期望值，样本标签包括样本正标签和样本负标签，故能够高效且低成本地输出该显微图像的清晰度预测值。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单的介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种显微图像的清晰度确定方法的流程示意图；
图2是本发明实施例提供的一种二分类任务的训练方式的示意图；
图3是本发明实施例提供的一种多分类任务的训练方式的示意图；
图4是本发明实施例提供的一种构建三元组的训练方式的示意图；
图5是本发明实施例提供的一种显微图像的清晰度确定装置的结构示意图；
图6是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
基于背景技术可知，相关技术中的显微图像的清晰度确定方法，需要将待清晰度确定的显微图像经过大量计算得到5维清晰度评价函数，作为BP神经网络的输入，输出该显微图像的清晰度预测值。由于需要经过大量计算得到5维清晰度评价函数，不仅计算成本较高且清晰度确定的效率低下。
为了解决现有技术问题，本发明实施例提供了一种显微图像的清晰度确定方法、装置、设备及计算机存储介质。下面首先对本发明实施例所提供的显微图像的清晰度确定方法进行介绍。
图1示出了本发明实施例提供的一种显微图像的清晰度确定方法的流程示意图。如图1所示，该显微图像的清晰度确定方法可以包括以下步骤：
S101、获取待清晰度确定的显微图像。
S102、将显微图像输入预设的卷积神经网络模型中，输出显微图像的清晰度预测值；其中，卷积神经网络模型是利用训练样本集对卷积神经网络进行模型训练得到的，训练样本集包括多个训练样本，每个训练样本包括样本显微图像及样本显微图像的样本标签，样本标签表征样本显微图像的清晰度期望值，样本标签包括样本正标签和样本负标签。
该显微图像的清晰度确定方法，将获取到的待清晰度确定的显微图像输入预设的卷积神经网络模型中，由于该卷积神经网络模型是利用训练样本集对卷积神经网络进行模型训练得到的，训练样本集包括多个训练样本，每个训练样本包括样本显微图像及样本显微图像的样本标签，样本标签表征样本显微图像的清晰度期望值，样本标签包括样本正标签和样本负标签，故能够高效且低成本地输出该显微图像的清晰度预测值。
为了得到更加精确的卷积神经网络模型，在一个实施例中，当每个训练样本包括一张样本显微图像及样本显微图像的样本标签时，则在将显微图像输入预设的卷积神经网络模型中，输出显微图像的清晰度预测值之前，该方法还包括：
将训练样本输入卷积神经网络，得到样本显微图像的清晰度预测值；
基于清晰度预测值及样本标签，确定卷积神经网络的第一损失函数值；
判断第一损失函数值是否满足第一预设训练停止条件；
若不满足，调整卷积神经网络的模型参数，并利用训练样本集训练调整后的卷积神经网络，直至满足第一预设训练停止条件，得到卷积神经网络模型。
为了得到更加精确的卷积神经网络模型，在一个实施例中，当每个训练样本包括一个样本正标签及一个样本正标签对应的一张样本显微图像，和k个样本负标签及k个样本负标签对应的k张样本显微图像，且k为正整数时，则在将显微图像输入预设的卷积神经网络模型中，输出显微图像的清晰度预测值之前，该方法还包括：
将训练样本输入卷积神经网络，得到k+1张样本显微图像对应的k+1维清晰度预测值；
基于k+1维清晰度预测值和k+1维样本标签，确定交叉熵损失函数值；
判断交叉熵损失函数值是否满足第二预设训练停止条件；
若不满足，调整卷积神经网络的模型参数，并利用训练样本集训练调整后的卷积神经网络，直至满足第二预设训练停止条件，得到卷积神经网络模型。
为了得到更加精确的卷积神经网络模型，在一个实施例中，当每个训练样本包括两个样本正标签及两个样本正标签对应的两张样本显微图像，和一个样本负标签及一个样本负标签对应的一张样本显微图像时，则在将显微图像输入预设的卷积神经网络模型中，输出显微图像的清晰度预测值之前，该方法还包括：
将训练样本输入卷积神经网络，得到L2距离函数值；
判断L2距离函数值是否满足第三预设训练停止条件；
若不满足，调整卷积神经网络的模型参数，并利用训练样本集训练调整后的卷积神经网络，直至满足第三预设训练停止条件，得到卷积神经网络模型。
下面以一个实施例对上述内容进行具体说明。
显微图像大多是通过人工观察显微镜的目镜后确定位置和焦距后采集得到，也可以借助于摄像软件通过密集采点和拍摄得到。会遇到图像模糊的情况，模糊原因包括失焦、观察对象的层次较多产生堆叠结构等，为清晰图像的筛选带来了极大的挑战。因此，自动化的、快速且较为准确的清晰度判别方法将减少大量的人工和时间成本。
具体方案为：整个过程包括三个阶段，数据准备、卷积神经网络的训练和预测。
数据准备：从显微图像数据
中随机采样，得到部分待标注的图像
人工标注出图像的清晰或者模糊的标签：
这些有标签的图像构成训练集
可以对训练集中的原始显微图像做数据增广，包括镜像变换、旋转图像、尺度变换、改变图像的对比度和亮度、改变图像的颜色、改变光照条件等等，达到增加图像数目和增强图像多样性的目的，从而增强卷积神经网络对于图像各种变化的鲁棒性。
卷积神经网络的训练：可以采取多种训练方式，下面对二分类任务的训练方式、多分类任务的训练方式及构建三元组的训练方式进行说明。
(1)二分类任务的训练方式：
基本流程如图2所示，先对卷积神经网络(CNN)f的参数进行初始化操作，然后图像Ij输入网络得到f(Ij)，再经激活函数σ(·)激活得到最终输出(预测值)：
predj＝σ(f(Ij))
根据损失函数计算出预测值predj与目标输出(标签)labelj之间的损失(差异)L(predj,labelj)，训练的优化目标为：
min∑jL(predj,labelj)
如图2所示，从显微图像数据
中随机采样，得到部分待标注的图像
并对这些图像进行人工标注得到标签集
这些有标签的图像构成训练集
训练图像Ij经CNN网络和激活函数后，得到predj＝yj，其中激活函数为sigmoid函数：
目标输出
预测值yj与标签
之间的损失(差异)为：
根据预测值yj与标签
之间的损失，对CNN网络的权重系数进行调整。
(2)多分类任务的训练方式：
如图3所示，按照一张清晰图像配k张模糊图像组合{IAj,IB1,IB2,…IBk}，将k+1张图像批量输入到卷积神经网络(CNN)中，将网络的k+1个输出{f(IAj),f(IB1),(IB2),…f(IBk)}视作一张图像的k+1个类别的分类任务对应的k+1维向量输出，在图像数目的维度上做softmax激活：
希望增加清晰图像对应的维度的数值，减小所有模糊图像对应维度的数值。计算预测值pred与label＝{1,0,0…0}的交叉熵损失，即
L(pred,label)＝-label·log(pred)
(3)构建三元组的训练方式：
为了减少“清晰-清晰”图像对之间的差异，同时增加“清晰-模糊”图像对之间的差异。如图4所示，为方便描述，“清晰-清晰-模糊”图像三元组表示为(IAi,IAj,IBk)，激活函数不限定，利用L2等距离函数dis(·,·)衡量特征的差异性，希望(IAi,IAj)特征之间的距离近、(IAi,IBk)特征之间的距离远，即优化的目标函数为：
mindis(σ(f(IAi)),σ(f(IAj)))-dis(σ(f(IAi)),σ(f(IBk)))
按照链式法则和反向传播算法，计算出损失关于网络参数的梯度，利用随机梯度下降等优化算法迭代更新网络的参数，以减小卷积神经网络在训练集上的损失。同时，网络的特征提取能力和清晰度的评估能力得到了增强，图像清晰度的预测会更加准确。网络参数迭代更新的次数和学习率可以预先定义好，也可以根据网络预测的准确性动态地调整。
卷积神经网络的预测：将无标签的显微图像直接输入到训练好的卷积神经网络中，网络会输出对应的清晰度预测值，值越高，越清晰。
实际上，利用半监督学习方法，无标签的数据也可以参与训练过程。例如：用训练好的网络预测无标签图像的清晰度，通过卡低阈值和高阈值，给模型认为比较清晰和比较模糊的图像伪标签，按照前述三种方式继续训练网络可进一步提升准确性；也可以用多个模型同时学习，除了计算有标签数据的损失函数，还要通过KL散度等函数衡量多个模型预测结果的一致性。实验表明该方案具有较强的可行性，可较为快速、准确地给出显微图像的清晰度评估结果。
该发明实施例有助于显微图像采集以及图像质量评估的工作，有效地解决了显微图像的清晰度评估问题，节约人工选择清晰图像的成本，节省时间，还可加速自动对焦流程。
如图5所示，本发明实施例还提供一种显微图像的清晰度确定装置，包括：
获取模块501，用于获取待清晰度确定的显微图像；
输出模块502，用于将显微图像输入预设的卷积神经网络模型中，输出显微图像的清晰度预测值；
其中，卷积神经网络模型是利用训练样本集对卷积神经网络进行模型训练得到的，训练样本集包括多个训练样本，每个训练样本包括样本显微图像及样本显微图像的样本标签，样本标签表征样本显微图像的清晰度期望值，样本标签包括样本正标签和样本负标签。
可选的，在一个实施例中，当每个训练样本包括一张样本显微图像及样本显微图像的样本标签时，则装置还包括：
第一模型训练模块，用于将训练样本输入卷积神经网络，得到样本显微图像的清晰度预测值；基于清晰度预测值及样本标签，确定卷积神经网络的第一损失函数值；判断第一损失函数值是否满足第一预设训练停止条件；若不满足，调整卷积神经网络的模型参数，并利用训练样本集训练调整后的卷积神经网络，直至满足第一预设训练停止条件，得到卷积神经网络模型。
可选的，在一个实施例中，当每个训练样本包括一个样本正标签及一个样本正标签对应的一张样本显微图像，和k个样本负标签及k个样本负标签对应的k张样本显微图像，且k为正整数时，则装置还包括：
第二模型训练模块，用于将训练样本输入卷积神经网络，得到k+1张样本显微图像对应的k+1维清晰度预测值；基于k+1维清晰度预测值和k+1维样本标签，确定交叉熵损失函数值；判断交叉熵损失函数值是否满足第二预设训练停止条件；若不满足，调整卷积神经网络的模型参数，并利用训练样本集训练调整后的卷积神经网络，直至满足第二预设训练停止条件，得到卷积神经网络模型。
可选的，在一个实施例中，当每个训练样本包括两个样本正标签及两个样本正标签对应的两张样本显微图像，和一个样本负标签及一个样本负标签对应的一张样本显微图像时，则装置还包括：第三模型训练模块，用于将训练样本输入卷积神经网络，得到L2距离函数值；判断L2距离函数值是否满足第三预设训练停止条件；若不满足，调整卷积神经网络的模型参数，并利用训练样本集训练调整后的卷积神经网络，直至满足第三预设训练停止条件，得到卷积神经网络模型。
图5所示装置中的各个模块具有实现图1中各个步骤的功能，并能达到其相应的技术效果，为简洁描述，在此不再赘述。
图6示出了本发明实施例提供的一种电子设备的结构示意图。
电子设备可以包括处理器601以及存储有计算机程序指令的存储器602。
具体地，上述处理器601可以包括中央处理器(Central Processing Unit，CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器602可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器602可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在一个实例中，存储器602可以包括可移除或不可移除(或固定)的介质，或者存储器602是非易失性固态存储器。存储器602可在电子设备的内部或外部。
在一个实例中，存储器602可以是只读存储器(Read Only Memory，ROM)。在一个实例中，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器601通过读取并执行存储器602中存储的计算机程序指令，以实现图1所示实施例中的方法，并达到图1所示实例执行其方法/步骤达到的相应技术效果，为简洁描述在此不再赘述。
在一个示例中，电子设备还可包括通信接口603和总线610。其中，如图6所示，处理器601、存储器602、通信接口603通过总线610连接并完成相互间的通信。
通信接口603，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线610包括硬件、软件或两者，将电子设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(Accelerated Graphics Port，AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture，EISA)总线、前端总线(Front Side Bus，FSB)、超传输(Hyper Transport，HT)互连、工业标准架构(IndustryStandard Architecture，ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线610可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。
另外，本发明实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现图1所示的显微图像的清晰度确定方法。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RadioFrequency，RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种显微图像的清晰度确定方法，其特征在于，包括：
获取待清晰度确定的显微图像；
将所述显微图像输入预设的卷积神经网络模型中，输出所述显微图像的清晰度预测值；
其中，所述卷积神经网络模型是利用训练样本集对卷积神经网络进行模型训练得到的，所述训练样本集包括多个训练样本，每个所述训练样本包括样本显微图像及所述样本显微图像的样本标签，所述样本标签表征所述样本显微图像的清晰度期望值，所述样本标签包括样本正标签和样本负标签。
2.根据权利要求1所述的显微图像的清晰度确定方法，其特征在于，当每个所述训练样本包括一张所述样本显微图像及所述样本显微图像的所述样本标签时，则在所述将所述显微图像输入预设的卷积神经网络模型中，输出所述显微图像的清晰度预测值之前，所述方法还包括：
将所述训练样本输入卷积神经网络，得到所述样本显微图像的清晰度预测值；
基于所述清晰度预测值及所述样本标签，确定所述卷积神经网络的第一损失函数值；
判断所述第一损失函数值是否满足第一预设训练停止条件；
若不满足，调整所述卷积神经网络的模型参数，并利用所述训练样本集训练调整后的卷积神经网络，直至满足所述第一预设训练停止条件，得到所述卷积神经网络模型。
3.根据权利要求1所述的显微图像的清晰度确定方法，其特征在于，当每个所述训练样本包括一个所述样本正标签及一个所述样本正标签对应的一张所述样本显微图像，和k个所述样本负标签及k个所述样本负标签对应的k张所述样本显微图像，且k为正整数时，则在所述将所述显微图像输入预设的卷积神经网络模型中，输出所述显微图像的清晰度预测值之前，所述方法还包括：
将所述训练样本输入卷积神经网络，得到k+1张所述样本显微图像对应的k+1维清晰度预测值；
基于所述k+1维清晰度预测值和k+1维所述样本标签，确定交叉熵损失函数值；
判断所述交叉熵损失函数值是否满足第二预设训练停止条件；
若不满足，调整所述卷积神经网络的模型参数，并利用所述训练样本集训练调整后的卷积神经网络，直至满足所述第二预设训练停止条件，得到所述卷积神经网络模型。
4.根据权利要求1所述的显微图像的清晰度确定方法，其特征在于，当每个所述训练样本包括两个所述样本正标签及两个所述样本正标签对应的两张所述样本显微图像，和一个所述样本负标签及一个所述样本负标签对应的一张所述样本显微图像时，则在所述将所述显微图像输入预设的卷积神经网络模型中，输出所述显微图像的清晰度预测值之前，所述方法还包括：
将所述训练样本输入卷积神经网络，得到L2距离函数值；
判断所述L2距离函数值是否满足第三预设训练停止条件；
若不满足，调整所述卷积神经网络的模型参数，并利用所述训练样本集训练调整后的卷积神经网络，直至满足所述第三预设训练停止条件，得到所述卷积神经网络模型。
5.一种显微图像的清晰度确定装置，其特征在于，包括：
获取模块，用于获取待清晰度确定的显微图像；
输出模块，用于将所述显微图像输入预设的卷积神经网络模型中，输出所述显微图像的清晰度预测值；
其中，所述卷积神经网络模型是利用训练样本集对卷积神经网络进行模型训练得到的，所述训练样本集包括多个训练样本，每个所述训练样本包括样本显微图像及所述样本显微图像的样本标签，所述样本标签表征所述样本显微图像的清晰度期望值，所述样本标签包括样本正标签和样本负标签。
6.根据权利要求5所述的显微图像的清晰度确定装置，其特征在于，当每个所述训练样本包括一张所述样本显微图像及所述样本显微图像的所述样本标签时，则所述装置还包括：
第一模型训练模块，用于将所述训练样本输入卷积神经网络，得到所述样本显微图像的清晰度预测值；基于所述清晰度预测值及所述样本标签，确定所述卷积神经网络的第一损失函数值；判断所述第一损失函数值是否满足第一预设训练停止条件；若不满足，调整所述卷积神经网络的模型参数，并利用所述训练样本集训练调整后的卷积神经网络，直至满足所述第一预设训练停止条件，得到所述卷积神经网络模型。
7.根据权利要求5所述的显微图像的清晰度确定装置，其特征在于，当每个所述训练样本包括一个所述样本正标签及一个所述样本正标签对应的一张所述样本显微图像，和k个所述样本负标签及k个所述样本负标签对应的k张所述样本显微图像，且k为正整数时，则所述装置还包括：
第二模型训练模块，用于将所述训练样本输入卷积神经网络，得到k+1张所述样本显微图像对应的k+1维清晰度预测值；基于所述k+1维清晰度预测值和k+1维所述样本标签，确定交叉熵损失函数值；判断所述交叉熵损失函数值是否满足第二预设训练停止条件；若不满足，调整所述卷积神经网络的模型参数，并利用所述训练样本集训练调整后的卷积神经网络，直至满足所述第二预设训练停止条件，得到所述卷积神经网络模型。
8.根据权利要求5所述的显微图像的清晰度确定装置，其特征在于，当每个所述训练样本包括两个所述样本正标签及两个所述样本正标签对应的两张所述样本显微图像，和一个所述样本负标签及一个所述样本负标签对应的一张所述样本显微图像时，则所述装置还包括：第三模型训练模块，用于将所述训练样本输入卷积神经网络，得到L2距离函数值；判断所述L2距离函数值是否满足第三预设训练停止条件；若不满足，调整所述卷积神经网络的模型参数，并利用所述训练样本集训练调整后的卷积神经网络，直至满足所述第三预设训练停止条件，得到所述卷积神经网络模型。
9.一种电子设备，其特征在于，所述电子设备包括：处理器，以及存储有计算机程序指令的存储器；
所述处理器读取并执行所述计算机程序指令，以实现如权利要求1-4任意一项所述的显微图像的清晰度确定方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-4任意一项所述的显微图像的清晰度确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010534470.1A CN111798414A (zh) | 2020-06-12 | 2020-06-12 | 显微图像的清晰度确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010534470.1A CN111798414A (zh) | 2020-06-12 | 2020-06-12 | 显微图像的清晰度确定方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111798414A true CN111798414A (zh) | 2020-10-20 |
Family
ID=72804283
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010534470.1A Pending CN111798414A (zh) | 2020-06-12 | 2020-06-12 | 显微图像的清晰度确定方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111798414A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112288699A (zh) * | 2020-10-23 | 2021-01-29 | 北京百度网讯科技有限公司 | 图像相对清晰度的评估方法、装置、设备和介质 |
| CN112330666A (zh) * | 2020-11-26 | 2021-02-05 | 成都数之联科技有限公司 | 基于改进孪生网络的图像处理方法及系统及装置及介质 |
| CN112819761A (zh) * | 2021-01-21 | 2021-05-18 | 百度在线网络技术（北京）有限公司 | 模型训练方法、分数确定方法、装置、设备、介质和产品 |
| CN114697548A (zh) * | 2022-03-21 | 2022-07-01 | 迈克医疗电子有限公司 | 显微图像拍摄对焦方法及装置 |
| CN114760419A (zh) * | 2022-06-15 | 2022-07-15 | 深圳深知未来智能有限公司 | 一种基于深度学习的自动对焦方法及系统 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110138889A (ko) * | 2010-06-22 | 2011-12-28 | 한국과학기술원 | 이미지 블록 분류 장치 및 방법과 이를 이용한 장면 분류 장치 및 방법 |
| CN106355195A (zh) * | 2016-08-22 | 2017-01-25 | 中国科学院深圳先进技术研究院 | 用于测量图像清晰度值的系统及其方法 |
| CN108364017A (zh) * | 2018-01-24 | 2018-08-03 | 华讯方舟科技有限公司 | 一种图像质量分类方法、系统及终端设备 |
| CN108898579A (zh) * | 2018-05-30 | 2018-11-27 | 腾讯科技（深圳）有限公司 | 一种图像清晰度识别方法、装置和存储介质 |
| CN109493319A (zh) * | 2018-10-10 | 2019-03-19 | 武汉联影医疗科技有限公司 | 融合图像效果量化方法、装置、计算机设备和存储介质 |
| CN109934249A (zh) * | 2018-12-14 | 2019-06-25 | 网易（杭州）网络有限公司 | 数据处理方法、装置、介质和计算设备 |
| CN110163234A (zh) * | 2018-10-10 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 一种模型训练方法、装置和存储介质 |
| CN110210432A (zh) * | 2019-06-06 | 2019-09-06 | 湖南大学 | 一种基于智能安防机器人非受限条件下的人脸识别方法 |
| CN110276253A (zh) * | 2019-05-15 | 2019-09-24 | 中国科学院信息工程研究所 | 一种基于深度学习的模糊文字检测识别方法 |
| US20190370383A1 (en) * | 2018-05-30 | 2019-12-05 | International Business Machines Corporation | Automatic Processing of Ambiguously Labeled Data |
| CN110569721A (zh) * | 2019-08-01 | 2019-12-13 | 平安科技（深圳）有限公司 | 识别模型训练方法、图像识别方法、装置、设备及介质 |
| CN110647992A (zh) * | 2019-09-19 | 2020-01-03 | 腾讯云计算（北京）有限责任公司 | 卷积神经网络的训练方法、图像识别方法及其对应的装置 |
| CN110929806A (zh) * | 2019-12-06 | 2020-03-27 | 腾讯科技（北京）有限公司 | 基于人工智能的图片处理方法、装置及电子设备 |
| CN111242205A (zh) * | 2020-01-07 | 2020-06-05 | 北京小米移动软件有限公司 | 图像清晰度检测方法、装置及存储介质 |
-
2020
- 2020-06-12 CN CN202010534470.1A patent/CN111798414A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110138889A (ko) * | 2010-06-22 | 2011-12-28 | 한국과학기술원 | 이미지 블록 분류 장치 및 방법과 이를 이용한 장면 분류 장치 및 방법 |
| CN106355195A (zh) * | 2016-08-22 | 2017-01-25 | 中国科学院深圳先进技术研究院 | 用于测量图像清晰度值的系统及其方法 |
| CN108364017A (zh) * | 2018-01-24 | 2018-08-03 | 华讯方舟科技有限公司 | 一种图像质量分类方法、系统及终端设备 |
| US20190370383A1 (en) * | 2018-05-30 | 2019-12-05 | International Business Machines Corporation | Automatic Processing of Ambiguously Labeled Data |
| CN108898579A (zh) * | 2018-05-30 | 2018-11-27 | 腾讯科技（深圳）有限公司 | 一种图像清晰度识别方法、装置和存储介质 |
| CN109493319A (zh) * | 2018-10-10 | 2019-03-19 | 武汉联影医疗科技有限公司 | 融合图像效果量化方法、装置、计算机设备和存储介质 |
| CN110163234A (zh) * | 2018-10-10 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 一种模型训练方法、装置和存储介质 |
| CN109934249A (zh) * | 2018-12-14 | 2019-06-25 | 网易（杭州）网络有限公司 | 数据处理方法、装置、介质和计算设备 |
| CN110276253A (zh) * | 2019-05-15 | 2019-09-24 | 中国科学院信息工程研究所 | 一种基于深度学习的模糊文字检测识别方法 |
| CN110210432A (zh) * | 2019-06-06 | 2019-09-06 | 湖南大学 | 一种基于智能安防机器人非受限条件下的人脸识别方法 |
| CN110569721A (zh) * | 2019-08-01 | 2019-12-13 | 平安科技（深圳）有限公司 | 识别模型训练方法、图像识别方法、装置、设备及介质 |
| CN110647992A (zh) * | 2019-09-19 | 2020-01-03 | 腾讯云计算（北京）有限责任公司 | 卷积神经网络的训练方法、图像识别方法及其对应的装置 |
| CN110929806A (zh) * | 2019-12-06 | 2020-03-27 | 腾讯科技（北京）有限公司 | 基于人工智能的图片处理方法、装置及电子设备 |
| CN111242205A (zh) * | 2020-01-07 | 2020-06-05 | 北京小米移动软件有限公司 | 图像清晰度检测方法、装置及存储介质 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112288699A (zh) * | 2020-10-23 | 2021-01-29 | 北京百度网讯科技有限公司 | 图像相对清晰度的评估方法、装置、设备和介质 |
| CN112288699B (zh) * | 2020-10-23 | 2024-02-09 | 北京百度网讯科技有限公司 | 图像相对清晰度的评估方法、装置、设备和介质 |
| CN112330666A (zh) * | 2020-11-26 | 2021-02-05 | 成都数之联科技有限公司 | 基于改进孪生网络的图像处理方法及系统及装置及介质 |
| CN112330666B (zh) * | 2020-11-26 | 2022-04-29 | 成都数之联科技股份有限公司 | 基于改进孪生网络的图像处理方法及系统及装置及介质 |
| CN112819761A (zh) * | 2021-01-21 | 2021-05-18 | 百度在线网络技术（北京）有限公司 | 模型训练方法、分数确定方法、装置、设备、介质和产品 |
| CN112819761B (zh) * | 2021-01-21 | 2023-09-01 | 百度在线网络技术（北京）有限公司 | 模型训练方法、分数确定方法、装置、设备、介质和产品 |
| CN114697548A (zh) * | 2022-03-21 | 2022-07-01 | 迈克医疗电子有限公司 | 显微图像拍摄对焦方法及装置 |
| CN114697548B (zh) * | 2022-03-21 | 2023-09-29 | 迈克医疗电子有限公司 | 显微图像拍摄对焦方法及装置 |
| CN114760419A (zh) * | 2022-06-15 | 2022-07-15 | 深圳深知未来智能有限公司 | 一种基于深度学习的自动对焦方法及系统 |
| CN114760419B (zh) * | 2022-06-15 | 2022-09-20 | 深圳深知未来智能有限公司 | 一种基于深度学习的自动对焦方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111798414A (zh) | 显微图像的清晰度确定方法、装置、设备及存储介质 | |
| CN110084150B (zh) | 一种基于深度学习的白细胞自动分类方法及系统 | |
| CN108269254B (zh) | 图像质量评估方法和装置 | |
| CN113205176B (zh) | 训练缺陷分级检测模型的方法、装置、设备及存储介质 | |
| JP7074460B2 (ja) | 画像検査装置および方法 | |
| CN110263920B (zh) | 卷积神经网络模型及其训练方法和装置、巡检方法和装置 | |
| KR102122068B1 (ko) | 이미지 분석 시스템 및 분석 방법 | |
| CN117893817A (zh) | 晶圆缺陷分类方法及其装置、系统、电子设备和存储介质 | |
| CN113505820B (zh) | 图像识别模型训练方法、装置、设备及介质 | |
| CN111818318B (zh) | 图像处理器的白平衡调谐方法、装置、设备及存储介质 | |
| KR102308437B1 (ko) | 대상체의 외부의 검사를 최적화하기 위한 장치 및 그 방법 | |
| CN110706224B (zh) | 基于暗场图像的光学元件弱划痕检测方法、系统和装置 | |
| TWI699816B (zh) | 自動化顯微鏡系統之控制方法、顯微鏡系統及電腦可讀取記錄媒體 | |
| CN111340041A (zh) | 一种基于深度学习的车牌识别方法及装置 | |
| CN113706472B (zh) | 公路路面病害检测方法、装置、设备及存储介质 | |
| CN106682604B (zh) | 一种基于深度学习的模糊图像检测方法 | |
| CN113689383A (zh) | 一种图像处理方法、装置、设备及存储介质 | |
| CN112200862A (zh) | 目标检测模型的训练方法、目标检测方法及装置 | |
| CN113223614A (zh) | 一种染色体核型分析方法、系统、终端设备和存储介质 | |
| CN115953652B (zh) | 目标检测网络批归一化层剪枝方法、装置、设备及介质 | |
| CN114170484B (zh) | 图片属性预测方法、装置、电子设备和存储介质 | |
| CN115690101A (zh) | 缺陷检测方法、装置、电子设备、存储介质和程序产品 | |
| CN114820558A (zh) | 汽车零件检测方法、装置、电子设备和计算机可读介质 | |
| CN112907541B (zh) | 一种手掌图像质量评估模型构建方法及装置 | |
| CN113780492A (zh) | 一种二维码二值化方法、装置、设备及可读存储介质 |
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 |