CN112288685A - 抗酸杆菌的检测方法、装置、终端设备及可读存储介质 - Google Patents

抗酸杆菌的检测方法、装置、终端设备及可读存储介质 Download PDF

Info

Publication number
CN112288685A
CN112288685A CN202010696790.7A CN202010696790A CN112288685A CN 112288685 A CN112288685 A CN 112288685A CN 202010696790 A CN202010696790 A CN 202010696790A CN 112288685 A CN112288685 A CN 112288685A
Authority
CN
China
Prior art keywords
dimensional detection
data
detection data
dimensional
acid
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
Application number
CN202010696790.7A
Other languages
English (en)
Inventor
柯晓文
刘旋
刘远明
郭琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Zhiying Medical Technology Co ltd
Original Assignee
Shenzhen Zhiying Medical Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Zhiying Medical Technology Co ltd filed Critical Shenzhen Zhiying Medical Technology Co ltd
Priority to CN202010696790.7A priority Critical patent/CN112288685A/zh
Publication of CN112288685A publication Critical patent/CN112288685A/zh
Pending legal-status Critical Current

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请适用于图像处理技术领域，提供了一种抗酸杆菌的检测方法，包括：获取二维检测数据，对二维检测数据进行预处理，获得预处理后的二维检测数据，将预处理后的二维检测数据转换成三维检测数据，将三维检测数据作为输入数据输入预训练的神经网络模型，获得输出数据，将输出数据转换为二维检测图像，并对二维检测图像进行图像处理，获得图像处理后的结果，根据图像处理后的结果生成抗酸杆菌的检测结果。本申请通过将二维检测数据转换为三维检测数据，基于神经网络模型对三维检测数据进行分析处理，并基于输出结果生成对应的抗酸杆菌的检测结果，节省了神经网络模型的计算资源，从而提高了深度神经网络模型运算速度，进而提高抗酸杆菌的检测效率。

Description

抗酸杆菌的检测方法、装置、终端设备及可读存储介质
技术领域
本申请属于图像处理技术领域，尤其涉及一种抗酸杆菌的检测方法、装置、终端设备及可读存储介质。
背景技术
日常生活中，通常选择通过显微镜检测样本中是否存在抗酸杆菌的方式作为第一位抗酸杆菌检测手段；然而，在实际应用中，人工检测的耗时较长，检测结果不太稳定，导致检测结果不够准确。因此，越来越多的技术人员使用计算机视觉自动化技术来进行抗酸杆菌的检测。
相关技术中，采用计算机辅助的抗酸杆菌检测方法大致分为以下三类：通过传统的图像处理方法进行抗酸杆菌检测的方法；通过深度学习的方式进行抗酸杆菌检测的方法；以及混合传统图像处理和深度学习的方式进行抗酸杆菌检测的方法。
其中，通过传统的图像处理方法进行抗酸杆菌检测的方法主要是通过图像处理方法(例如阈值分割，分水岭分割等方法)基于二维像素灰度值规律获得杆菌候选区域，然后对候选区域通过人工设计抗酸杆菌特征提取器，对候选区域进行分类，获得抗酸杆菌的检测结果。该方法的运算量小，运算速度快，但是由于抗酸杆菌形态复杂多样，人工特征提取难以全面覆盖所有特征，使得特征提取器设计极为困难，算法的鲁棒性差。
通过深度学习的方式进行抗酸杆菌检测的方法具有自动特征提取的优点，能够快速稳定的提取数据集中杆菌深浅层的特征，但是由于深度卷积神经网络模型参数量大、运算量大，导致该方法的检测速度较慢，影响检测效率。
发明内容
本申请实施例提供了一种抗酸杆菌的检测方法、装置、终端设备及可读存储介质，可以基于深度卷积神经网络模型，在不损失图像分辨率和减少模型参数的情况下提升模型运算速度，进而提高抗酸杆菌的检测效率。
第一方面，本申请实施例提供了一种抗酸杆菌的检测方法，包括：
获取二维检测数据；
对所述二维检测数据进行预处理，获得预处理后的二维检测数据；
将所述预处理后的二维检测数据转换成三维检测数据；
将所述三维检测数据输入预训练的神经网络模型进行分析处理，获得输出数据；
将所述输出数据转换为二维检测图像，并对所述二维检测图像进行图像处理，获得图像处理后的结果；
根据所述图像处理后的结果生成抗酸杆菌的检测结果。
第二方面，本申请实施例提供了一种抗酸杆菌的检测装置，包括：
获取模块，用于获取二维检测数据；
预处理模块，用于对所述二维检测数据进行预处理，获得预处理后的二维检测数据；
数据转换模块，用于将所述预处理后的二维检测数据转换成三维检测数据；
输入模块，用于将所述三维检测数据输入预训练的神经网络模型进行分析处理，获得输出数据；
图像处理模块，用于将所述输出数据转换为二维检测图像，并对所述二维检测图像进行图像处理，获得图像处理后的结果；
生成模块，用于根据所述图像处理后的结果生成抗酸杆菌的检测结果。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面中所述的抗酸杆菌的检测方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中所述的抗酸杆菌的检测方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中所述的抗酸杆菌的检测方法。
本申请实施例与现有技术相比存在的有益效果是：本申请通过将二维检测数据进行预处理并转换为三维检测数据，将三维检测数据输入神经网络模型中进行处理，并将模型输出结果进行转换获得二维检测图像，并对二维检测图像进行图像处理，根据图像处理后的结果生成抗酸杆菌的检测结果，减小了神经网络模型的计算资源，提高了深度神经网络模型运算速度，进而提高抗酸杆菌的检测效率。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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是本申请一实施例提供的抗酸杆菌的检测方法的流程示意图；
图2是本申请一实施例提供的抗酸杆菌的二维检测数据的示意图；
图3是本申请一实施例提供的基于抗酸杆菌的检测方法将二维检测数据拆分成N个子图像数据的应用场景示意图；
图4是本申请一实施例提供的基于抗酸杆菌的检测方法将输出数据转换成二维检测图像的示意图；
图5是本申请另一实施例提供的抗酸杆菌的检测方法的流程示意图；
图6是本申请一实施例提供的抗酸杆菌的检测装置的结构示意图；
图7是本申请另一实施例提供的抗酸杆菌的检测装置的结构示意图；
图8是本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请实施例提供的抗酸杆菌的检测方法可以应用于手机、平板电脑、车载设备、笔记本电脑等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
图1示出了本申请提供的抗酸杆菌的检测方法的示意性流程图，作为示例而非限定，该方法可以应用于上述笔记本电脑中。
S101、获取二维检测数据；
在具体应用中，由于后续需要对二维检测数据进行一系列处理，因此，此处可预先设定二维检测数据为第一预设大小。若获取到其他大小的二维检测数据，则将该二维检测数据的大小转换为上述第一预设大小。第一预设大小的值根据图像处理的需求进行具体的设定。
其中，二维检测数据具体为通过病理显微镜对检测样本进行扫描获得的图像数据。在本实施例中，设定二维检测数据的大小为1920*1200px。
需要说明的是，通过病理显微镜对检测样本进行多个不同视野下的扫描时，可对应生成多个单视野下的二维检测数据。
如图2所示，提供了一种抗酸杆菌的二维检测数据的示意图；
根据图2可以看出，由于抗酸杆菌呈条状且多为聚集状态，因此，可以选择矩形像素区域可作为抗酸杆菌区域。
S102、对所述二维检测数据进行预处理，获得预处理后的二维检测数据；
在具体应用中，对二维检测数据进行预处理的目的是便于对二维检测数据中的抗酸杆菌区域进行标记获得数据标签，预处理方法包括但不限于归一化处理。
在本实施例中，首先对二维检测数据进行归一化处理，获得归一化处理后的二维检测数据，并根据像素值对归一化处理后的二维检测数据中满足标记条件的像素区域作为抗酸杆菌区域，并对应生成二值化的数据标记。其中，标记条件是指判定归一化处理后的二维检测数据中像素区域是否可标记为抗酸杆菌区域的条件，可根据实际情况进行具体设定。
在本实施例中，具体可将归一化处理后的二维检测数据中像素值为1的像素连通区域作为抗酸杆菌区域，并进行标记，获得对应的数据标签；其中，数据标签用于记录需要进行特征提取的抗酸杆菌区域。
S103、将所述预处理后的二维检测数据转换成三维检测数据；
在具体应用中，将预处理后的二维检测数据进行拆分，获得对应的N个具有像素重叠区域的、大小为第二预设大小的子图像数据，并将N个子图像数据重组为一个三维检测数据。其中，N大于等于2且N为正整数；三维检测数据具体是由N个大小相同的子图像数据组成的三维数组。
需要说明的是，第二预设大小可根据第一预设大小和N的数值进行计算获得；三维检测数据的大小可根据第二预设大小和N的数值进行计算获得。
如图3所示，示例性的示出了一种将二维检测数据拆分成N个子图像数据的应用场景示意图。
在本实施例中，设定第一预设大小为1920*1200时，通过深度卷积神经网络模型对输入数据进行处理时，语义分割网络需要进行4次下采样，因此子图像数据的宽w_patch和高h_patch应满足可以被2的4次方整除；为避免抗酸杆菌区域被两个子图像数据分开的情况，设定每两个以上的子图像数据之间都会有重叠区域，且重叠区域的大小(宽为gapx，高为gapy)应大于抗酸杆菌区域的最大尺寸70像素。因此，子图像数据的参数需要满足以下公式：
1920＝(3-1)*sx+w_patch；
1200＝(3-1)*sy+h_patch；
w_patch–sx>70；
h_patch–sy>70。
对应设定子图像数据的宽w_patch为704px，子图像数据的高h_patch为480px；子图像数据中重叠区域的宽gapx为96px，高gapy为120px，因此子图像数据中非重叠区域的宽sx为608px，高sy为360px。
S104、将所述三维检测数据输入预训练的神经网络模型进行分析处理，获得输出数据；
在具体应用中，将三维检测数据作为输入数据，输入预训练的神经网络模型，通过神经网络模型对三维检测数据进行语义分割处理，获得对应的输出数据。其中，神经网络模型可以包括但不限于深度卷积神经网络模型。
可以理解的是，由于预训练的神经网络模型的输入数据为三维检测数据，因此对应的输出数据也是三维的数据。
S105、将所述输出数据转换为二维检测图像，并对所述二维检测图像进行图像处理，获得图像处理后的结果；
在具体应用中，由于神经网络模型的输入数据是三维检测数据，对应的该神经网络模型的输出结果也是三维的数据；因此，需将输出结果转换为二维检测图像，并对二维检测图像进行进一步的图像处理，获得图像处理后的结果；其中，图像处理包括但不限于二值化处理。
需要说明的是，在对二维检测图像进行二值化处理时，需要设定一个转换阈值，转换阈值可通过OSTU算法进行计算。
在实施例中，转换阈值设定为127，即在对二维检测图像进行二值化处理时，将大于127的像素值转换为255，将小于127的像素值转换为0，获得对应的二值化处理后的结果。
可以理解的是，将三维检测数据转换为二维检测图像并进行图像处理的目的是便于基于图像处理后的结果检测识别抗酸杆菌区域。
S106、根据所述图像处理后的结果生成抗酸杆菌的检测结果。
在具体应用中，基于像素值对根据图像处理后的结果进行分析，获得满足预设条件的像素连通区域并保留，删除图像处理后的结果中不满足预设条件的像素连通区域，获得抗酸杆菌的检测结果。
可以理解的是，由于对二维检测图像进行了二值化处理，所以二值化处理后的结果中的像素值为0或255；在本实施例中，默认像素值为255的区域为抗酸杆菌区域，像素值为0的区域为背景区域；因此，删除图像处理后的结果中不满足预设条件的像素连通区域可以视为将图像处理后的结果中不满足预设条件的像素连通区域的像素值转换为0，变成图像处理后的结果中的背景区域。
其中，预设条件可根据实际情况进行具体设定，例如，可根据抗酸杆菌的实际大小设定对应的像素连通区域的面积阈值，对应设定预设条件为像素值为255的像素连通区域的面积大于或等于面积阈值；也即，可判定图像处理后的结果中像素值为255的面积大于或等于面积阈值的像素连通区域满足预设条件，并判定为抗酸杆菌区域。其中，面积阈值的大小可根据实际情况进行具体设定。
在本实施例中，根据在大量样本数据集中计算获得的抗酸杆菌区域的最小面积值为400，因此，在本实施例中，可设定面积阈值为400。则对应设定预设条件为像素值为255的面积大于等于400的像素连通区域。
在一个实施例中，所述步骤S102，包括：
对所述二维检测数据进行归一化处理，获得归一化处理后的二维检测数据；
对所述归一化处理后的二维检测数据进行标记，获得预处理后的二维检测数据。
在具体应用中，对单视野下的二维检测数据进行归一化处理，获得二维检测数据的三通道值；分别计算每个通道中所有像素的灰度值平均值和灰度值标准差，并将每个通道中各个像素点的灰度值分别减去该通道的灰度值平均值，获得对应的差值；分别将每个差值除以灰度值标准差获得对应的商，然后将三通道中所有的像素值从0到255归一化至0到1，获得对应的RGB数组；根据像素值对每个单视野下的二维检测数据进行标记，选中满足标记条件的像素连通区域作为抗酸杆菌区域，并对应生成二值化的数据标签。
在一个实施例中，所述步骤S103，包括：
将预处理后的二维检测数据分割成N个子图像数据；其中，所述N大于等于2；
将所述N个子图像数据重组，获得三维检测数据。
在具体应用中，将预处理后的二维检测数据分割成N个子图像数据，其中，N个子图像数据均为第二预设大小；其中，第二预设大小可根据第一预设大小和N的数值进行计算获得；三维检测数据的大小可根据第二预设大小和N的数据进行计算获得。
在本实施例中，在预先设定二维检测数据的大小为1920*1200、N的数值为9时，对应计算获得第二预设大小为704*480；即，将大小为1920*1200的二维检测数据拆分为9个有重叠区域的、大小为704*480的子图像数据，对应的，将9个子图像数据重组获得的三维数组为[704，480，9]。
需要说明的是，神经网络模型中一般含有大量的参数，神经网络模型在计算机中运行时会占用大量的内存参数，参数量巨大会消耗更多的计算机资源，增加运算量，从而降低运算速度。其中，深度卷积神经网络模型往往由很多层卷积层组成，深度卷积神经网络模型在运算过程中占用内存的大小取决于输入数据在每一层的输出大小，通过将二维检测数据转换成三维检测数据输入深度卷积神经网络模型后，相当于将第一预设大小的矩阵拆分成N个第二预设大小矩阵；因此，实际上在深度卷积神经网络模型里面，第一层占用的内存比输入数据是第一预设大小的二维检测数据时要大，其余层所占用得内存均比输入数据是第一预设大小的二维检测数据时降低，从而节省了计算资源，提升了计算速度。
在一个实施例中，所述步骤S104，包括：
将所述三维检测数据作为输入数据输入预训练的神经网络模型；其中，所述预训练的神经网络模型包括深度卷积神经网络模型；
根据所述预训练的神经网络模型对所述三维数据进行语义分割处理，获得输出数据。
在一个实施例中，所述步骤S105，包括：
将所述输出数据分割成N个二维输出数据；
将所述N个二维输出数据拼接成一个二维检测图像；其中，所述二维检测图像的大小与所述二维检测数据的大小相同；
对所述二维检测图像进行图像处理，获得图像处理后的结果；其中，图像处理包括二值化处理。
在具体应用中，将神经网络模型输出的三维数组分割成拆N个二维输出数据，并将N个二维输出数据拼接成一个二维检测图像，使上述二维检测图像的格式与二维检测数据的格式相同，并对二维检测图像进行图像处理，便于识别其中的抗酸杆菌区域；其中，图像处理包括但不限于二值化处理。
如图4所示，提供了一种将输出数据转换成二维检测数据的示意图；
图4中，2x方框表示该区域为两个二维输出数据拼接产生的重叠区域，4x方框表示该区域为四个二维输出数据拼接产生的重叠区域。
在第一预设大小为[1920，1200]时，可首先根据二维检测数据构建一个大小为[1920，1200]的全零矩阵；并根据步骤S103对二维检测数据进行拆分的时候，计算获得每个二维输出数据在1920x1200的原二维检测数据上的相应的坐标信息，根据上述坐标信息将二维输出数据与新建的全零矩阵中相应的坐标范围内的像素值进行相加，获得如图4所示的二维检测图像；要说明的是，二维检测图像对应的[1920，1200]矩阵中会出现像素重叠的区域，且只包括两种重叠区域，分别是两个二维输出数据拼接产生的重叠区域和四个二维输出数据拼接产生的重叠区域，故需要对重叠部分的像素值进行平均处理；对应的，可将两个二维输出数据拼接产生的重叠区域中的所有像素值除以2；四个二维输出数据拼接产生的重叠区域中所有像素值除以4，完成像素值平均处理，最终获得的图像即为二维检测图像。
在一个实施例中，所述步骤S106，包括：
根据预设函数计算所述图像处理后的结果中所有像素连通区域的坐标；
根据所述像素连通区域的坐标计算获得图像处理后的结果中满足预设条件的像素连通区域；
根据所述满足预设条件的像素连通区域生成对应的抗酸杆菌的检测结果。
在具体应用中，识别图像处理后的结果中每一个像素连通区域，并通过预设函数对图像处理后的结果进行计算，获得每一个像素连通区域的外部轮廓的坐标；根据每个像素连通区域的外部轮廓的坐标值，计算每个像素连通区域的面积，并根据像素连通区域的面积大小识别图像处理后的结果中满足预设条件的像素连通区域，判定满足预设条件的像素连通区域为抗酸杆菌区域并进行保留，删除图像处理后的结果中不满足预设条件的像素连通区域，获得对应的抗酸杆菌的检测结果。其中，预设函数用于对图像处理后的结果进行计算，获得每个像素联通区域的轮廓的坐标，其可以包括但不限于OpenCV库中的轮廓跟踪(FindContours)函数。
在一个实施例中，通过预设函数计算获得每一个像素连通区域的外部轮廓的坐标之后，还可通过第二预设函数根据所述外部轮廓的坐标拟合每个像素连通区域的矩形边界，便于根据矩形边界的坐标计算每个像素连通区域的面积。第二预设函数可以包括但不限于OpenCV库的矩形边界(boundingRect)函数。
如图5所示，在一个实施例中，所述步骤S101之前，还包括：
获取训练数据，并对所述训练数据进行标记，获得标记后的训练数据；
根据所述标记后的训练数据对神经网络模型进行预训练，获得预训练的神经网络模型。
在具体应用中，通过病理显微镜对大量的检测样本进行扫描，获得对应的多个单视野下的二维检测数据，将上述二维检测数据作为训练数据，并对训练数据进行预处理，然后对预处理后的训练数据中的抗酸杆菌区域进行标记，获得标记后的训练数据。通过标记后的训练数据对神经网络模型进行预训练，获得预训练的神经网络模型。可以理解的是对训练数据进行预处理和对预处理后的训练数据中的抗酸杆菌区域进行标记的方式与步骤S102中描述的方式相同，在此不再赘述。
具体的，通过深度卷积神经网络模型根据输出结果与标记构造损失函数，通过梯度下降算法训练深度卷积神经网络模型，通过迭代处理计算输出结果和标记的差别作为损失值，并将损失值反向传播以更新优化模型的参数，使得损失函数逐步收敛，不断缩小深度卷积神经网络模型的输出结果与标记之间的差别，从而实现特征提取，进而实现对输入数据的语义分割处理。
本实施例通过将二维检测数据进行预处理并转换为三维检测数据，将三维检测数据输入神经网络模型中进行处理，并将模型输出结果进行转换获得二维检测图像，并对二维检测图像进行图像处理，根据图像处理后的结果生成抗酸杆菌的检测结果，减小了神经网络模型的计算资源，提高了深度神经网络模型运算速度，进而提高抗酸杆菌的检测效率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的抗酸杆菌的检测方法，图6示出了本申请实施例提供的抗酸杆菌的检测装置100的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图6，该抗酸杆菌的检测装置100包括：
获取模块101，用于获取二维检测数据；
预处理模块102，用于对所述二维检测数据进行预处理，获得预处理后的二维检测数据；
数据转换模块103，用于将所述预处理后的二维检测数据转换成三维检测数据；
输入模块104，用于将所述三维检测数据输入预训练的神经网络模型进行分析处理，获得输出数据；
图像处理模块105，用于将所述输出数据转换为二维检测图像，并对所述二维检测图像进行图像处理，获得图像处理后的结果；
生成模块106，用于根据所述图像处理后的结果生成抗酸杆菌的检测结果。
在一个实施例中，所述预处理模块102，包括：
归一化处理单元，用于对所述二维检测数据进行归一化处理，获得归一化处理后的二维检测数据；
第一标记单元，用于对所述归一化处理后的二维检测数据进行标记，获得预处理后的二维检测数据。
在一个实施例中，所述数据转换模块103，包括：
第一数据分割单元，用于将预处理后的二维检测数据分割成N个子图像数据；其中，所述N大于等于2；
第二标记单元，用于将所述N个子图像数据重组，获得三维检测数据。
在一个实施例中，所述输入模块104，包括：
输入单元，用于将所述三维检测数据作为输入数据输入预训练的神经网络模型；其中，所述预训练的神经网络模型包括深度卷积神经网络模型；
语义分割处理单元，用于根据所述预训练的神经网络模型对所述三维数据进行语义分割处理，获得输出数据。
在一个实施例中，所述图像处理模块105，包括：
第二数据分割单元，用于将所述输出数据分割成N个二维输出数据；
数据拼接单元，用于将所述N个二维输出数据拼接成一个二维检测图像；其中，所述二维检测图像的大小与所述二维检测数据的大小相同；
图像处理单元，用于对所述二维检测图像进行图像处理，获得图像处理后的结果；其中，图像处理包括二值化处理。
在一个实施例中，所述生成模块106，包括：
第一计算单元，用于根据预设函数计算所述图像处理后的结果中所有像素连通区域的坐标；
第二计算单元，用于根据所述像素连通区域的坐标计算获得图像处理后的结果中满足预设条件的像素连通区域；
生成单元，用于根据所述满足预设条件的像素连通区域生成对应的抗酸杆菌的检测结果。
如图7所示，在一个实施例中，所述装置100，还包括：
标记模块201，用于获取训练数据，并对所述训练数据进行标记，获得标记后的训练数据；
预训练模块202，用于根据所述标记后的训练数据对神经网络模型进行预训练，获得预训练的神经网络模型。
本实施例通过将二维检测数据进行预处理并转换为三维检测数据，将三维检测数据输入神经网络模型中进行处理，并将模型输出结果进行转换获得二维检测图像，并对二维检测图像进行图像处理，根据图像处理后的结果生成抗酸杆菌的检测结果，减小了神经网络模型的计算资源，提高了深度神经网络模型运算速度，进而提高抗酸杆菌的检测效率。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图8为本申请一实施例提供的终端设备的结构示意图。如图8所示，该实施例的终端设备8包括：至少一个处理器80(图8中仅示出一个)处理器、存储器81以及存储在所述存储器81中并可在所述至少一个处理器80上运行的计算机程序82，所述处理器80执行所述计算机程序82时实现上述任意各个抗酸杆菌的检测方法实施例中的步骤。
所述终端设备8可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器80、存储器81。本领域技术人员可以理解，图8仅仅是终端设备8的举例，并不构成对终端设备8的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器80可以是中央处理单元(Central Processing Unit，CPU)，该处理器80还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器81在一些实施例中可以是所述终端设备8的内部存储单元，例如终端设备8的硬盘或内存。所述存储器81在另一些实施例中也可以是所述终端设备8的外部存储设备，例如所述终端设备8上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字卡(Secure Digital，SD)，闪存卡(Flash Card)等。进一步地，所述存储器81还可以既包括所述终端设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
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，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种抗酸杆菌的检测方法，其特征在于，包括：
获取二维检测数据；
对所述二维检测数据进行预处理，获得预处理后的二维检测数据；
将所述预处理后的二维检测数据转换成三维检测数据；
将所述三维检测数据输入预训练的神经网络模型进行分析处理，获得输出数据；
将所述输出数据转换为二维检测图像，并对所述二维检测图像进行图像处理，获得图像处理后的结果；
根据所述图像处理后的结果生成抗酸杆菌的检测结果。
2.如权利要求1所述的抗酸杆菌的检测方法，其特征在于，所述对所述二维检测数据进行预处理，获得预处理后的二维检测数据，包括：
对所述二维检测数据进行归一化处理，获得归一化处理后的二维检测数据；
对所述归一化处理后的二维检测数据进行标记，获得预处理后的二维检测数据。
3.如权利要求1所述的抗酸杆菌的检测方法，其特征在于，所述将所述预处理后的二维检测数据转换成三维检测数据，包括：
将预处理后的二维检测数据分割成N个子图像数据；其中，所述N大于等于2；
将所述N个子图像数据重组，获得三维检测数据。
4.如权利要求1所述的抗酸杆菌的检测方法，其特征在于，所述将所述三维检测数据输入预训练的神经网络模型进行分析处理，获得输出数据，包括：
将所述三维检测数据作为输入数据输入预训练的神经网络模型；其中，所述预训练的神经网络模型包括深度卷积神经网络模型；
根据所述预训练的神经网络模型对所述三维数据进行语义分割处理，获得输出数据。
5.如权利要求1所述的抗酸杆菌的检测方法，其特征在于，所述将所述输出数据转换为二维检测图像，并对所述二维检测图像进行图像处理，获得图像处理后的结果，包括：
将所述输出数据分割成N个二维输出数据；
将所述N个二维输出数据拼接成一个二维检测图像；其中，所述二维检测图像的大小与所述二维检测数据的大小相同；
对所述二维检测图像进行图像处理，获得图像处理后的结果；其中，图像处理包括二值化处理。
6.如权利要求1所述的抗酸杆菌的检测方法，其特征在于，所述根据所述图像处理后的结果生成抗酸杆菌的检测结果，包括：
根据预设函数计算所述图像处理后的结果中所有像素连通区域的坐标；
根据所述像素连通区域的坐标计算获得图像处理后的结果中满足预设条件的像素连通区域；
根据所述满足预设条件的像素连通区域生成对应的抗酸杆菌的检测结果。
7.如权利要求1至6任一项所述的抗酸杆菌的检测方法，其特征在于，所述获取二维检测数据之前，还包括：
获取训练数据，并对所述训练数据进行标记，获得标记后的训练数据；
根据所述标记后的训练数据对神经网络模型进行预训练，获得预训练的神经网络模型。
8.一种抗酸杆菌的检测装置，其特征在于，包括：
获取模块，用于获取二维检测数据；
预处理模块，用于对所述二维检测数据进行预处理，获得预处理后的二维检测数据；
数据转换模块，用于将所述预处理后的二维检测数据转换成三维检测数据；
输入模块，用于将所述三维检测数据输入预训练的神经网络模型进行分析处理，获得输出数据；
图像处理模块，用于将所述输出数据转换为二维检测图像，并对所述二维检测图像进行图像处理，获得图像处理后的结果；
生成模块，用于根据所述图像处理后的结果生成抗酸杆菌的检测结果。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
CN202010696790.7A 2020-07-20 2020-07-20 抗酸杆菌的检测方法、装置、终端设备及可读存储介质 Pending CN112288685A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010696790.7A CN112288685A (zh) 2020-07-20 2020-07-20 抗酸杆菌的检测方法、装置、终端设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010696790.7A CN112288685A (zh) 2020-07-20 2020-07-20 抗酸杆菌的检测方法、装置、终端设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN112288685A true CN112288685A (zh) 2021-01-29

Family

ID=74419681

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010696790.7A Pending CN112288685A (zh) 2020-07-20 2020-07-20 抗酸杆菌的检测方法、装置、终端设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN112288685A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
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
JP2016001851A (ja) * 2014-06-12 2016-01-07 キヤノン株式会社 画像処理装置および画像処理方法
WO2017200524A1 (en) * 2016-05-16 2017-11-23 United Technologies Corporation Deep convolutional neural networks for crack detection from image data
US20180173971A1 (en) * 2016-12-19 2018-06-21 Waymo Llc Pedestrian detection neural networks
CN109325943A (zh) * 2018-09-10 2019-02-12 深圳开立生物医疗科技股份有限公司 一种三维体积测量方法及装置
CN110287805A (zh) * 2019-05-31 2019-09-27 东南大学 基于三流卷积神经网络的微表情识别方法及系统
CN110390679A (zh) * 2019-07-03 2019-10-29 上海联影智能医疗科技有限公司 图像处理方法、计算机设备和可读存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016001851A (ja) * 2014-06-12 2016-01-07 キヤノン株式会社 画像処理装置および画像処理方法
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
WO2017200524A1 (en) * 2016-05-16 2017-11-23 United Technologies Corporation Deep convolutional neural networks for crack detection from image data
US20180173971A1 (en) * 2016-12-19 2018-06-21 Waymo Llc Pedestrian detection neural networks
CN109325943A (zh) * 2018-09-10 2019-02-12 深圳开立生物医疗科技股份有限公司 一种三维体积测量方法及装置
CN110287805A (zh) * 2019-05-31 2019-09-27 东南大学 基于三流卷积神经网络的微表情识别方法及系统
CN110390679A (zh) * 2019-07-03 2019-10-29 上海联影智能医疗科技有限公司 图像处理方法、计算机设备和可读存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
C. M. SHEMELYA 等: "Multi-layer off-axis patch antennas fabricated using polymer extrusion 3D printing", 《2016 10TH EUROPEAN CONFERENCE ON ANTENNAS AND PROPAGATION (EUCAP)》, pages 1 - 5 *
GAIPING ZHANG 等: "Three-Dimensional Broadband Metamaterial Absorber Array", 《2019 CROSS STRAIT QUAD-REGIONAL RADIO SCIENCE AND WIRELESS TECHNOLOGY CONFERENCE (CSQRWC)》, pages 1 - 3 *
杨慧炯;: "面向自然图像的自适应主色提取方法研究", 微电子学与计算机, no. 09, pages 99 - 107 *
禹素萍 等: "基于Kinect的三维人体分块点云数据的拼接与模型重建", 《 计算机应用与软件》, vol. 33, no. 1, pages 219 - 221 *
胡涵: "基于最大类间方差的医学显微图像分割研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 2016, pages 138 - 1750 *

Similar Documents

Publication Publication Date Title
CN108304835B (zh) 文字检测方法和装置
CN109886928B (zh) 一种目标细胞标记方法、装置、存储介质及终端设备
WO2021143059A1 (zh) 地图区域的确定方法、装置、设备及存储介质
CN110706206A (zh) 荧光细胞计数方法、装置、终端设备及存储介质
US20170076448A1 (en) Identification of inflammation in tissue images
CN111080660A (zh) 一种图像分割方法、装置、终端设备及存储介质
CN108960412B (zh) 图像识别方法、装置及计算机可读存储介质
CN112348765A (zh) 数据增强方法、装置、计算机可读存储介质及终端设备
CN111932577B (zh) 文本检测方法、电子设备及计算机可读介质
CN114169381A (zh) 图像标注方法、装置、终端设备及存储介质
CN113569840A (zh) 基于自注意力机制的表单识别方法、装置及存储介质
CN114724133B (zh) 文字检测和模型训练方法、装置、设备及存储介质
CN110008949B (zh) 一种图像目标检测方法、系统、装置和存储介质
CN114359048A (zh) 图像的数据增强方法、装置、终端设备及存储介质
CN116868226A (zh) 图像中注释的感兴趣区域的检测
CN114511862B (zh) 表格识别方法、装置及电子设备
CN113139617B (zh) 一种输电线路自主定位方法、装置及终端设备
CN115908363A (zh) 肿瘤细胞统计方法、装置、设备和存储介质
CN112750124B (zh) 模型生成、图像分割方法、装置、电子设备及存储介质
CN112288685A (zh) 抗酸杆菌的检测方法、装置、终端设备及可读存储介质
CN115273123A (zh) 一种票据识别方法、装置、设备及计算机存储介质
CN113963004A (zh) 一种采样方法、装置及电子设备
CN112861843A (zh) 基于特征图像识别的选择框解析方法及装置
CN112989924A (zh) 目标检测方法、目标检测装置及终端设备
CN112801960A (zh) 图像处理方法及装置、存储介质、电子设备

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