CN113569866B - 一种基于深度学习识别hpv试纸的方法 - Google Patents

一种基于深度学习识别hpv试纸的方法 Download PDF

Info

Publication number
CN113569866B
CN113569866B CN202110802456.XA CN202110802456A CN113569866B CN 113569866 B CN113569866 B CN 113569866B CN 202110802456 A CN202110802456 A CN 202110802456A CN 113569866 B CN113569866 B CN 113569866B
Authority
CN
China
Prior art keywords
test paper
heat dissipation
deep learning
bag body
paper based
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.)
Active
Application number
CN202110802456.XA
Other languages
English (en)
Other versions
CN113569866A (zh
Inventor
王勇
钟美玲
颜靖柯
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.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
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 Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN202110802456.XA priority Critical patent/CN113569866B/zh
Publication of CN113569866A publication Critical patent/CN113569866A/zh
Application granted granted Critical
Publication of CN113569866B publication Critical patent/CN113569866B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/52—Testing for short-circuits, leakage current or ground faults
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/58—Testing of lines, cables or conductors
    • 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
    • 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
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K7/00—Constructional details common to different types of electric apparatus
    • H05K7/20—Modifications to facilitate cooling, ventilating, or heating

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Thermal Sciences (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

本发明公开了一种基于深度学习识别HPV试纸的方法，属于图像处理技术领域，可以实现在机体识别HPV试纸时，可先通过漏电传感器检测电源线是否发生漏电现象，若发生漏电现象，将信息反馈到警报灯上进行报警，保证工作的安全性，同时通过第一散热风扇和第二散热风扇的均压通风配合散热板的散热，使形变记忆囊体内的冷却水蒸发成水蒸气，进行吸热，同时形变记忆囊体在高温下发生膨胀至与具有防尘作用的防尘框和防尘网相接触，防尘框内的二氧化碳气体可以有效的起到吸热和隔热作用，故水蒸气则随着形变记忆囊体的膨胀向上运动，由于隔热作用，上方温度较低，故开始凝结成水珠滴落下来，实现循环利用，有效的增强了其散热效果。

Description

一种基于深度学习识别HPV试纸的方法
技术领域
本发明涉及图像处理技术领域，更具体地说，涉及一种基于深度学习识别HPV试纸的方法。
背景技术
HPV病毒叫做人乳头瘤病毒，它是属于乳多空病毒科的乳头瘤空泡病毒A属。HPV病毒感染常存在80％有性生活的育龄期女性中，通常可以在8-10个月内通过免疫能力自然清除，持续高危HPV病毒感染与宫颈癌关系较为密切。宫颈癌患者会出现阴道分泌物增多，还会出现接触性的出血、盆腔炎贫血以及阴道炎疾病。患有宫颈癌的病人一般采取子宫切除手术或者化疗的方式治疗。如何防治宫颈癌已经成为当今社会发展的一个重要课题。
HPV病毒的检测主要通过染色镜检法、HPV的DNA检测法或血清学试验。HPV病毒检测呈阴性，可遵循医生适当延长检测，然而HPV病毒检测层阳性则需要进行细胞检测，细胞检测为异常，医生需要进行进一步治疗和检测。在细胞检测中，若标本中有待异核酸，试纸条的测试线赫尔控制线均可见一条色带，检测出试纸条的色带常常人的眼睛不能观察出来，需要借助深度学习的方法辅佐进行检测。现有的通过软件识别PV试纸时，其运行的安全性不能得到有效的保证，缺乏相应的漏电检测，保证运行的安全性，同时工作时会产生的大量的热量，导致温度升高，影响工作，故需要对其进行有效的散热处理，为此，我们提出一种基于深度学习识别HPV试纸的方法。
发明内容
1.要解决的技术问题
针对现有技术中存在的问题，本发明的目的在于提供一种基于深度学习识别HPV试纸的方法，它可以实现在机体识别HPV试纸时，可先通过漏电传感器检测电源线是否发生漏电现象，若发生漏电现象，将信息反馈到警报灯上进行报警，保证工作的安全性，同时通过第一散热风扇和第二散热风扇的均压通风配合散热板的散热，使形变记忆囊体内的冷却水蒸发成水蒸气，进行吸热，同时形变记忆囊体在高温下发生膨胀至与具有防尘作用的防尘框和防尘网相接触，防尘框内的二氧化碳气体可以有效的起到吸热和隔热作用，故水蒸气则随着形变记忆囊体的膨胀向上运动，由于隔热作用，上方温度较低，故开始凝结成水珠滴落下来，实现循环利用，有效的增强了其散热效果。
2.技术方案
为解决上述问题，本发明采用如下的技术方案。
一种基于深度学习识别HPV试纸的方法，包括以下步骤：
S1、图片处理：首先运行opencv工具读取图片，并将图片转换为二值化图片；
S2、数据增强：每次读取4张图片，对图片做出翻转、缩放、旋转变化相同的变换，并且按照四个方向位置摆好，进行图片的组合和框的组合，合成一张图片，在一个batch计算时计算4张图片的数据；
S3、模型训练：将数据增强的图片传入目标检测网络中，采用CBEAM注意力模块、SRFB结构、Soft-NMS算法进行训练；
S4、实现对试纸色带识别：最终保存的训练loss值最低的模型权重，进行模型权重加载，对操作，利用验证集检测网络的识别准确度，平均误差mse，在进行多次的训练后，使准确率和平均误差都达到最优，能够得到训练好的预设权重，加载出预设权重，对试纸色带进行识别。
进一步的，所述S3还包括以下步骤：
S31、运行前，先通过辅助装置进行漏电检测，保证运行环境的安全，接着将图片输入大小固定为416×416，优化器设置为Adam，学习率的衰减策略选择为余弦退火的衰减策略调整学习率，设置余弦退火的衰减策略的初始学习率为0.001，最高学习率为0.01，最低学习率为0.0001；
S32、网络训练迭代次数为500次，本次训练前400次，先冻结网络前170层的卷积层，对剩下的卷积层训练，最后100次开启所有卷积层，对所有卷积层进行训练；
S33、在网络中，CBEAM注意力模块该模块分别从通道和空间两个维度顺序提供注意力特征图，在CBEAM注意力模块中采用一种无降维的局部跨通道交互策略,给卷积神经网络带来明显的性能识别增益。
进一步的，所述S31中的辅助装置包括安装框，所述安装框内安装有机体，且机体的前壁靠近底部处安装有电源线，所述电源线上安装有漏电传感器，所述电源线上套设有安装套，且安装套上安装有警报灯，所述安装框的左侧靠近顶部处安装有第一散热风扇，所述安装框的右侧靠近底部处安装有第二散热风扇，所述机体的前壁安装有若干个散热板，且若干个散热板均沿竖直方向呈线性分布，所述散热板上开设有若干个散热孔，且若干个散热孔内均安装有形变记忆囊体，所述形变记忆囊体的内部为空心设置，所述形变记忆囊体内填充有冷却水，且冷却水的填充度为50％-60％，所述散热孔内靠近顶部处固定连接有防尘框，所述防尘框内固定连接有防尘网，可以实现在机体识别HPV试纸时，先通过漏电传感器检测电源线是否发生漏电现象，若发生漏电现象，将信息反馈到警报灯上进行报警，保证工作的安全性，同时在其工作时，第二散热风扇将气流吹到机体内，使机体内部的气压升高，而第一散热风扇抽取机体内空气向外部导出，令机体内部的气压降低，通过相互抵消，保证均压通风，避免机体部分区域发生热量淤积，影响其工作，且散热板将机体上产生的热量引导过来，散热孔内的形变记忆囊体受热发生膨胀至与防尘框和防尘网相接触，同时形变记忆囊体内的冷却水受热汽化变成水蒸气进行吸热，并随着形变记忆囊体的受热膨胀，体积变大，向上流动，而防尘框和防尘网具有隔热作用，故上方温度较低，水蒸气开始凝结成水珠，而随着水珠的凝结聚集开始滴落下来，实现循环利用，有效的增强了其散热效果。
进一步的，所述安装套由绝缘材质制成，且安装套上涂刷有隔热层，安装套采用绝缘材质制成配合隔热层，可起到绝缘隔热的作用，避免对警报灯造成影响。
进一步的，所述漏电传感器和警报灯之间通过信号连接，通过信号连接，可实现将漏电传感器监测的信息反馈到警报灯上，若出现漏电信息，及时报警提醒。
进一步的，所述散热板由金属铜材质制成，且散热板的表面涂刷有防锈漆，金属铜具有良好的导热性，便于其导出热量进行散热，防锈漆起到防锈的作用。
进一步的，所述形变记忆囊体由高分子形状记忆材料材质制成，且形变记忆囊体在常温下为收缩状态，高分子形状记忆材料材质制成的形变记忆囊体在高温和低温都有相应的相形状。
进一步的，所述形变记忆囊体上涂刷有耐腐蚀漆，耐腐蚀漆可以起到防腐蚀的作用，避免形变记忆囊体损坏，使冷却水溢出。
进一步的，所述防尘框内部为空心设置，所述防尘框内填充有二氧化碳气体，所述防尘网由隔热材质制成，二氧化碳气体可以吸取热量并进行隔热配合隔热材质的防尘网可以起到良好的隔热作用。
进一步的，所述第一散热风扇为负压风扇，且第二散热风扇为正压风扇，通过第一散热风扇和第二散热风扇的正负压通风，使机体保证均压通风，避免部分区域热量淤积。
3.有益效果
相比于现有技术，本发明的优点在于：
本方案可以实现在机体识别HPV试纸时，可先通过漏电传感器检测电源线是否发生漏电现象，若发生漏电现象，将信息反馈到警报灯上进行报警，保证工作的安全性，同时通过第一散热风扇和第二散热风扇的均压通风配合散热板的散热，使形变记忆囊体内的冷却水蒸发成水蒸气，进行吸热，同时形变记忆囊体在高温下发生膨胀至与具有防尘作用的防尘框和防尘网相接触，防尘框内的二氧化碳气体可以有效的起到吸热和隔热作用，故水蒸气则随着形变记忆囊体的膨胀向上运动，由于隔热作用，上方温度较低，故开始凝结成水珠滴落下来，实现循环利用，有效的增强了其散热效果。
附图说明
图1为本发明的方法流程示意图；
图2为本发明中辅助装置的后视结构示意图；
图3为CBEAM模块中通道注意力模块流程示意图；
图4为CBEAM模块模块流程示意图；
图5为CMEAM的通道注意力模块和空间注意力模块的结构示意图；
图6为SRFB结构的结构示意图；
图7为图2中A处放大的结构示意图；
图8为图2中B处放大的结构示意图。
图中标号说明：
1、安装框；2、机体；3、电源线；4、安装套；5、警报灯；6、隔热层；7、漏电传感器；8、第一散热风扇；9、第二散热风扇；10、散热孔；11、形变记忆囊体；12、防尘框；13、防尘网；14、散热板。
具体实施方式
下面将结合本发明实施例中的附图；对本发明实施例中的技术方案进行清楚、完整地描述；显然；所描述的实施例仅仅是本发明一部分实施例；而不是全部的实施例，基于本发明中的实施例；本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例；都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”、“顶/底端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“套设/接”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例：
请参阅图1，一种基于深度学习识别HPV试纸的方法，包括以下步骤：
S1、图片处理：首先运行opencv工具读取图片，并将图片转换为二值化图片；
S2、数据增强：每次读取4张图片，对图片做出翻转、缩放、旋转变化相同的变换，并且按照四个方向位置摆好，进行图片的组合和框的组合，合成一张图片，在一个batch计算时计算4张图片的数据；
S3、模型训练：将数据增强的图片传入目标检测网络中，采用CBEAM注意力模块、SRFB结构、Soft-NMS算法进行训练；
S4、实现对试纸色带识别：最终保存的训练loss值最低的模型权重，进行模型权重加载，对操作，利用验证集检测网络的识别准确度，平均误差mse，在进行多次的训练后，使准确率和平均误差都达到最优，能够得到训练好的预设权重，加载出预设权重，对试纸色带进行识别。
请参阅图1，S3还包括以下步骤：
S31、运行前，先通过辅助装置进行漏电检测，保证运行环境的安全，接着将图片输入大小固定为416×416，优化器设置为Adam，学习率的衰减策略选择为余弦退火的衰减策略调整学习率，设置余弦退火的衰减策略的初始学习率为0.001，最高学习率为0.01，最低学习率为0.0001；
S32、网络训练迭代次数为500次，本次训练前400次，先冻结网络前170层的卷积层，对剩下的卷积层训练，最后100次开启所有卷积层，对所有卷积层进行训练；
S33、在网络中，CBEAM注意力模块该模块分别从通道和空间两个维度顺序提供注意力特征图，在CBEAM注意力模块中采用一种无降维的局部跨通道交互策略,给卷积神经网络带来明显的性能识别增益。
请参阅图3，S3中的CBEAM结构结合了CBAM注意力模块的优点，在通道注意力模块上衔接了一个空间注意力模块，同时考虑到了通道内信息交互和空间内信息交互，在CBEAM注意力模块中利用一维的稀疏卷积，优化通道注意力模块，使通道和权值直接对应，相比于CBAM注意力模块，避免降维对注意力特征图产生的负面影响，同时采用一维稀疏卷积，压缩注意力模块的参数量，提高计算效率，在CBEAM注意力模块中的通道注意力模块中，首先将输入进通道意力模块的特征图经过Global average pooling操作，然后将输出的结果进行一维卷积操作，最后经过Sigmoid激活操作，生成最终的通道注意力特征图(Channelattention feature map)，在CBEAM注意力模块中通道注意力模块是利用全局平均池化(Global average pooling)在空间维度上进行压缩，利用一维卷积获得每个通道的权重值，CBEAM注意力模块中通道注意力模块是在空间维度上的压缩，使特征图上的每一个像素点都有反馈，它利用一维卷积，让特征图在没有降维情况下，考虑到了每个通道的重要性，利用每个通道的重要性进行梯度的反向传播，在进行梯度的反向传播时，网络模型只与特征图相关的通道进行梯度的反馈，通道注意力模块的表达式为：
CBEAM注意力模块中空间注意力模块首先对输入的通道注意力特征图进行全局平均池化和全局最大池化(Global Maxpooling)聚合特征映射空间信息，然后把它们两个结果相加在一起，利用一个二维卷积，让特征图的通道数变为1，最后经过Sigmoid激活操作，生成最终的空间注意力特征图(Spation attention feature map)，空间注意力模块的表达式为：
其中σ为Sigmoid操作，f1 3×3表示3×3卷积核大小的一维卷积层，f2 7×7表示7×7卷积核大小的二维卷积层。
请参阅图6，S3中的SRFB结构利用了并行卷积的数量，进一步扩大提取特征时候卷积层的感受野，加强网络的特征提取能力，提高了模型的识别性能，在SRFB结构使用3×3卷积核的卷积层代替5×5卷积核的卷积层，使用1×n和n×1卷积核的卷积层去代替n×n卷积核的卷积层，利用这些操作让SRFB减少计算参数数量并且加深非线性层，在Soft-NMS中，它不会直接删掉得分比较低的预测框，首先它会进一步降低得分比较低的预测框的得分，然后它会设定一个阈值，删掉得分比较低的预测框，Soft-NMS算法使用一个高斯权重函数，如公式所示，将当前预测框得分乘以一个权重函数，该函数会衰减与最高得分预测框M有重叠的相邻预测框分数，越是与最高得分预测框M高度重叠的预测框，其得分衰减越严重，
本实施例中，在训练图片的时候，对图片大小进行等比例缩放或者利用填充，把图片大小变为416*416，传入目标检测网络里面，在预测会获得3个特征层的结果，推断出三个特征层的预测结果可以用矩阵表示，其矩阵的大小分别为(N,13,13,3×p),(N,26,26,3×p),(N,52,52,3×p)，网络把原图上划分为13×13、26×26、52×52的像素点，每个像素点有3个预测框的坐标偏移、置信度、分类结果，网络的预测框的坐标偏移还需要进行解码操作才能得到真实的坐标偏移，在解码时，获得的特征层预测的矩阵需要进行矩阵维度变换，变换后的矩阵大小为(N,13,13,3,p),(N,26,26,3,p)，(N,52,52,3,p)每一个像素点预测一个向量p，向量p组成为：
tx，ty，tw，th分别表示预测框的左上角x轴坐标偏移量、左上角y轴坐标偏移量、预测框高的偏移量、预测框宽的偏移量，
在解码过程中，需要利用预测框的偏移量，求出预测框的左上角的x轴坐标、左上角的y轴坐标、预测框的高、预测框的宽，其中tx，ty，tw，th与bx、by、bh、bw的关系表达式为：
bx＝Sigmid(tx)+Cx
by＝Sigmid(ty)+Cy
其中Cx，Cy表示先验框距离图片左上角x轴和y轴的偏移量，pw和ph表示先验框的长和宽，bx、by、bh、bw分别表示预测框的左上角的x轴坐标、左上角的y轴坐标、预测框的高、预测框的宽，
p0由下式得出：
Prob(object)表示的是物体处于预测框中的概率，表示的是预测框和真实框的交并比，表示需要预测的类别的概率，得到的预测框不断通过损失函数的优化。
请参阅图2和图7-8，S31中的辅助装置包括安装框1，安装框1内安装有机体2，且机体2的前壁靠近底部处安装有电源线3，电源线3上安装有漏电传感器7，电源线3上套设有安装套4，且安装套4上安装有警报灯5，漏电传感器7和警报灯5之间通过信号连接，安装套4由绝缘材质制成，且安装套4上涂刷有隔热层6，安装框1的左侧靠近顶部处安装有第一散热风扇8，安装框1的右侧靠近底部处安装有第二散热风扇9，第一散热风扇8为负压风扇，且第二散热风扇9为正压风扇，机体2的前壁安装有若干个散热板14，且若干个散热板14均沿竖直方向呈线性分布，散热板14由金属铜材质制成，且散热板14的表面涂刷有防锈漆，散热板14上开设有若干个散热孔10，且若干个散热孔10内均安装有形变记忆囊体11，形变记忆囊体11的内部为空心设置，形变记忆囊体11内填充有冷却水，且冷却水的填充度为50％-60％，散热孔10内靠近顶部处固定连接有防尘框12，防尘框12内固定连接有防尘网13，防尘框12内部为空心设置，防尘框12内填充有二氧化碳气体，防尘网13由隔热材质制成，可以实现在机体2识别HPV试纸时，先通过漏电传感器7检测电源线3是否发生漏电现象，若发生漏电现象，通过信号连接将信息反馈到警报灯5上进行报警，安装套4采用绝缘材质制成配合隔热层6，可起到绝缘隔热的作用，避免对警报灯5造成影响，保证工作的安全性，同时在其工作时，第二散热风扇9为正压风扇，实现将气流吹到机体2内，使机体2内部的气压升高，而第一散热风扇8为负压风扇，实现抽取机体2内空气向外部导出，令机体2内部的气压降低，通过相互抵消，保证均压通风，避免机体2部分区域发生热量淤积，影响其工作，且金属铜材质的散热板14的具有良好的导热性，实现将机体2上产生的热量引导过来，并且防锈漆起到防锈的作用，避免散热板14生锈影响其散热功能，使得散热孔10内的形变记忆囊体14受热发生膨胀至与具有防尘作用的防尘框12和防尘网12相接触，同时形变记忆囊体14内的冷却水受热汽化变成水蒸气进行吸热，并随着形变记忆囊体14的受热膨胀，体积变大，向上流动，而防尘框12内的二氧化碳气体可以吸取热量并进行隔热配合隔热材质的防尘网13可以起到良好的隔热作用，故上方温度较低，水蒸气开始凝结成水珠，而随着水珠的凝结聚集开始滴落下来，实现循环利用，有效的增强了其散热效果。
请参阅图8，形变记忆囊体11由高分子形状记忆材料材质制成，且形变记忆囊体11在常温下为收缩状态，形变记忆囊体11上涂刷有耐腐蚀漆，高分子形状记忆材料材质制成的形变记忆囊体11在高温和低温都有相应的相形状，耐腐蚀漆可以起到防腐蚀的作用，避免形变记忆囊体11损坏，使冷却水溢出。
本发明在使用时，首先在机体2识别HPV试纸时，先通过漏电传感器7检测电源线3是否发生漏电现象，若发生漏电现象，通过信号连接将信息反馈到警报灯5上进行报警，保证工作的安全性，同时在其工作时，第二散热风扇9为正压风扇，实现将气流吹到机体2内，使机体2内部的气压升高，而第一散热风扇8为负压风扇，实现抽取机体2内空气向外部导出，令机体2内部的气压降低，通过相互抵消，保证均压通风，避免机体2部分区域发生热量淤积，影响其工作，且散热板14实现将机体2上产生的热量引导过来，使得散热孔10内的形变记忆囊体14受热发生膨胀至与具有防尘作用的防尘框12和防尘网12相接触，同时形变记忆囊体14内的冷却水受热汽化变成水蒸气进行吸热，并随着形变记忆囊体14的受热膨胀，体积变大，向上流动，而防尘框12内的二氧化碳气体可以吸取热量并进行隔热配合隔热材质的防尘网13可以起到良好的隔热作用，故上方温度较低，水蒸气开始凝结成水珠，而随着水珠的凝结聚集开始滴落下来，实现循环利用，有效的增强了其散热效果。
以上所述；仅为本发明较佳的具体实施方式；但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；根据本发明的技术方案及其改进构思加以等同替换或改变；都应涵盖在本发明的保护范围内。

Claims (8)

1.一种基于深度学习识别HPV试纸的方法，其特征在于：包括以下步骤：
S1、图片处理：首先运行opencv工具读取图片，并将图片转换为二值化图片；
S2、数据增强：每次读取4张图片，对图片做出翻转、缩放、旋转变化相同的变换，并且按照四个方向位置摆好，进行图片的组合和框的组合，合成一张图片，在一个batch计算时计算4张图片的数据；
S3、模型训练：将数据增强的图片传入目标检测网络中，采用CBEAM注意力模块、SRFB结构、Soft-NMS算法进行训练；
S31、运行前，先通过辅助装置进行漏电检测，保证运行环境的安全，接着将图片输入大小固定为416×416，优化器设置为Adam，学习率的衰减策略选择为余弦退火的衰减策略调整学习率，设置余弦退火的衰减策略的初始学习率为0.001，最高学习率为0.01，最低学习率为0.0001；
辅助装置包括安装框(1)，所述安装框(1)内安装有机体(2)，且机体(2)的前壁靠近底部处安装有电源线(3)，所述电源线(3)上安装有漏电传感器(7)，所述电源线(3)上套设有安装套(4)，且安装套(4)上安装有警报灯(5)，所述安装框(1)的左侧靠近顶部处安装有第一散热风扇(8)，所述安装框(1)的右侧靠近底部处安装有第二散热风扇(9)，所述机体(2)的前壁安装有若干个散热板(14)，且若干个散热板(14)均沿竖直方向呈线性分布，所述散热板(14)上开设有若干个散热孔(10)，且若干个散热孔(10)内均安装有形变记忆囊体(11)，所述形变记忆囊体(11)的内部为空心设置，所述形变记忆囊体(11)内填充有冷却水，且冷却水的填充度为50％-60％，所述散热孔(10)内靠近顶部处固定连接有防尘框(12)，所述防尘框(12)内固定连接有防尘网(13)；
S32、网络训练迭代次数为500次，本次训练前400次，先冻结网络前170层的卷积层，对剩下的卷积层训练，最后100次开启所有卷积层，对所有卷积层进行训练；
S33、在网络中，CBEAM注意力模块该模块分别从通道和空间两个维度顺序提供注意力特征图，在CBEAM注意力模块中采用一种无降维的局部跨通道交互策略,给卷积神经网络带来明显的性能识别增益；
S4、实现对试纸色带识别：最终保存的训练loss值最低的模型权重，进行模型权重加载，对操作，利用验证集检测网络的识别准确度，平均误差mse，在进行多次的训练后，使准确率和平均误差都达到最优，能够得到训练好的预设权重，加载出预设权重，对试纸色带进行识别。
2.根据权利要求1所述的一种基于深度学习识别HPV试纸的方法，其特征在于：所述安装套(4)由绝缘材质制成，且安装套(4)上涂刷有隔热层(6)。
3.根据权利要求1所述的一种基于深度学习识别HPV试纸的方法，其特征在于：所述漏电传感器(7)和警报灯(5)之间通过信号连接。
4.根据权利要求1所述的一种基于深度学习识别HPV试纸的方法，其特征在于：所述散热板(14)由金属铜材质制成，且散热板(14)的表面涂刷有防锈漆。
5.根据权利要求2所述的一种基于深度学习识别HPV试纸的方法，其特征在于：所述形变记忆囊体(11)由高分子形状记忆材料材质制成，且形变记忆囊体(11)在常温下为收缩状态。
6.根据权利要求5所述的一种基于深度学习识别HPV试纸的方法，其特征在于：所述形变记忆囊体(11)上涂刷有耐腐蚀漆。
7.根据权利要求2所述的一种基于深度学习识别HPV试纸的方法，其特征在于：所述防尘框(12)内部为空心设置，所述防尘框(12)内填充有二氧化碳气体，所述防尘网(13)由隔热材质制成。
8.根据权利要求2所述的一种基于深度学习识别HPV试纸的方法，其特征在于：所述第一散热风扇(8)为负压风扇，且第二散热风扇(9)为正压风扇。
CN202110802456.XA 2021-07-15 2021-07-15 一种基于深度学习识别hpv试纸的方法 Active CN113569866B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110802456.XA CN113569866B (zh) 2021-07-15 2021-07-15 一种基于深度学习识别hpv试纸的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110802456.XA CN113569866B (zh) 2021-07-15 2021-07-15 一种基于深度学习识别hpv试纸的方法

Publications (2)

Publication Number Publication Date
CN113569866A CN113569866A (zh) 2021-10-29
CN113569866B true CN113569866B (zh) 2024-09-10

Family

ID=78165015

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110802456.XA Active CN113569866B (zh) 2021-07-15 2021-07-15 一种基于深度学习识别hpv试纸的方法

Country Status (1)

Country Link
CN (1) CN113569866B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113884844A (zh) * 2021-11-18 2022-01-04 国网山东省电力公司电力科学研究院 一种变压器局部放电类型识别方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109800777A (zh) * 2018-09-21 2019-05-24 上海营阅企业管理服务中心(有限合伙) 一种尿检试纸生理指标自动识别方法
CN111918144A (zh) * 2020-08-12 2020-11-10 桂林电子科技大学 一种基于深度学习的去除视频水印的方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN211252244U (zh) * 2019-04-10 2020-08-14 郑霖玲 一种新能源汽车用散热型充电桩
CN110232406B (zh) * 2019-05-28 2021-07-06 厦门大学 一种基于统计学习的液晶面板cf图片识别方法
CN110504027A (zh) * 2019-08-20 2019-11-26 东北大学 一种基于深度学习的X-Ray胸片肺炎智能诊断系统与方法
CN210015901U (zh) * 2019-08-27 2020-02-04 郑伟琴 一种新能源汽车的电池组固定装置
CN110705457B (zh) * 2019-09-29 2024-01-19 核工业北京地质研究院 一种遥感影像建筑物变化检测方法
CN111212516A (zh) * 2020-01-07 2020-05-29 杨俊� 一种电源芯片封装结构
CN111339858B (zh) * 2020-02-17 2022-07-29 电子科技大学 一种基于神经网络的油气管道标志物识别方法
CN111914938B (zh) * 2020-08-06 2024-01-30 上海金桥信息股份有限公司 一种基于全卷积二分支网络的图像属性分类识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109800777A (zh) * 2018-09-21 2019-05-24 上海营阅企业管理服务中心(有限合伙) 一种尿检试纸生理指标自动识别方法
CN111918144A (zh) * 2020-08-12 2020-11-10 桂林电子科技大学 一种基于深度学习的去除视频水印的方法

Also Published As

Publication number Publication date
CN113569866A (zh) 2021-10-29

Similar Documents

Publication Publication Date Title
CN113569866B (zh) 一种基于深度学习识别hpv试纸的方法
CN206162355U (zh) 一种服务器机箱温度控制装置
CN114821450B (zh) 太阳能电池板加工用层压机及其控制方法
CN213519178U (zh) 一种方便散热的投影灯
CN116109146A (zh) 一种大型电池储能电站安全性分析评价方法
CN206365724U (zh) 一种带有制冷冷却收集蒸馏水煲汤的汤煲
CN114153297B (zh) 一种计算机节能循环散热设备
CN110234205A (zh) 智能散热称重控制柜
CN115131735A (zh) 五金工具热处理后冷却媒介温度控制系统及温度控制方法
CN211931130U (zh) 一种通信用散热防尘机箱
CN209894837U (zh) 一种可有效散热的电源适配器技术研发用的成品检测装置
CN201286211Y (zh) 快速均温传热装置
CN221449006U (zh) 一种应用于无人机侦打一体设备的散热结构
CN218917888U (zh) 一种3d结构光机的散热装置及3d结构光机
CN107943251A (zh) 一种工作温度恒定的计算机
CN108803841A (zh) 用于机箱的水冷板机构
CN217848092U (zh) 一种用于新能源电池的保护盒
CN213904268U (zh) 一种新型数据库服务器用散热装置
CN216161689U (zh) 一种具有散热结构的等离子体处理装置
CN219416242U (zh) 环境监测仪壳体
CN219919587U (zh) 一种工业数据采集转发设备
CN220728303U (zh) 一种电炉热回收结构
CN215222844U (zh) 一种旅游导航装置
CN108415541A (zh) 用于机箱的水冷板机构
CN211860825U (zh) 一种工业数据采集设备

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
GR01 Patent grant
GR01 Patent grant