CN114913361A - 应用于抗人球蛋白试验结果图像的分类方法及系统 - Google Patents
应用于抗人球蛋白试验结果图像的分类方法及系统 Download PDFInfo
- Publication number
- CN114913361A CN114913361A CN202110173906.3A CN202110173906A CN114913361A CN 114913361 A CN114913361 A CN 114913361A CN 202110173906 A CN202110173906 A CN 202110173906A CN 114913361 A CN114913361 A CN 114913361A
- Authority
- CN
- China
- Prior art keywords
- image
- classification
- training
- human globulin
- result
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 77
- 102000006395 Globulins Human genes 0.000 title claims abstract description 72
- 108010044091 Globulins Proteins 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000001514 detection method Methods 0.000 claims abstract description 118
- 238000006243 chemical reaction Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims description 96
- 230000009467 reduction Effects 0.000 claims description 46
- 238000000605 extraction Methods 0.000 claims description 21
- 230000003044 adaptive effect Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 239000008280 blood Substances 0.000 abstract description 7
- 210000004369 blood Anatomy 0.000 abstract description 7
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000001788 irregular Effects 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000002949 hemolytic effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000005406 washing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001363 autoimmune Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000002283 elective surgery Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 208000026278 immune system disease Diseases 0.000 description 1
- 238000003018 immunoassay Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000007791 liquid phase Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005191 phase separation Methods 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007790 solid phase Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本申请实施例属于血液免疫学检验领域，涉及一种应用于抗人球蛋白试验结果图像的分类方法，包括当进行抗人球蛋白试验检测后，接收摄像装置采集到的与抗人球蛋白试验检测结果相对应的待分类检测图像；将待分类检测图像输入至分类网络模型进行转换操作，得到自适应灰度图像；将自适应灰度图像输入至分类检测模型进行图像分类操作，得到图像分类结果；输出图像分类结果。本申请还提供一种应用于抗人球蛋白试验结果图像的分类系统、计算机设备及存储介质。本申请能够提高分类检测结果的准确率。
Description
技术领域
本申请涉及血液免疫学检验领域，尤其涉及一种应用于抗人球蛋白试验结果图像的分类方法及系统、计算机设备及存储介质。
背景技术
不规则抗体检测是多种血液免疫性疾病临床诊断的最重要依据之一，包括新生儿溶血性疾病、自身免疫性溶血性疾病以及药物免疫溶血性疾病等。并且通常在输血或择期手术前，具有输血史和妊娠史的患者均需进行不规则抗体的筛查和抗体鉴定。所以，进行高效且准确的不规则抗体检测对于血液检测及输血安全具有着重要的现实意义。
而抗人球蛋白试验方法(The Antiglobulin Test or Coombs Test)因成本较低而广泛应用在不规则抗体的检测中，但是为了克服假阴性结果通常需要多次洗涤以使得未结合的球蛋白不会与抗人球蛋白进行中和，导致操作繁琐复杂，且灵敏度较低。
故目前采用的微柱凝胶免疫试验方法(MGIA-Coombs T)虽然提高了灵敏度，减少了多次洗涤过程，但是价格昂贵，导致该方法在临床上的应用受到一定限制；或者采用的固相免疫吸附技术具有较高的敏感性，同时利用液相分离介质的分离作用，同样可以避免繁琐的洗涤过程，同时也可用于批量样本检测，但是目前，对于抗人球蛋白试验检测不规则抗体还处于人工检测阶段，而人工检测方法，就是医务工作者及科研人员凭借自身以往对抗人球蛋白试验的资料学习和工作经验，对试验后的U型微孔板或凝胶卡进行人眼观察，得到检测结果，然后人工分类判断，从而得到不规则抗体的检测结果。
由于人工检测的结果判读受主观因素影响较大，且耗费人力资源，劳动强度大以及检测速度慢，时间长。并且，随着检测者的作业持续时间不断增加，工作量密度增大，检测者疲劳作业导致检测的准确率降低。同时，由于从业时间的不同以及相关知识储备量因人而异，导致人为凭借经验知识而得到的主观判断可能不同，从而使得检测分类结果不同，从而影响被检测者即患者的治疗方案选择不同，导致治疗效果不甚理想。
发明内容
本申请实施例的目的在于提出一种应用于抗人球蛋白试验结果图像的分类方法及系统，以解决传统人工检测结果的准确率低的问题。
为了解决上述技术问题，本申请实施例提供一种应用于抗人球蛋白试验结果图像的分类方法，采用了如下所述的技术方案：
当进行抗人球蛋白试验检测后，接收摄像装置采集到的与抗人球蛋白试验检测结果相对应的待分类检测图像；
将待分类检测图像输入至分类网络模型进行转换操作，得到自适应灰度图像；
将自适应灰度图像输入至分类检测模型进行图像分类操作，得到图像分类结果；
输出图像分类结果。
进一步的，将自适应灰度图像输入至分类检测模型进行图像分类操作，得到图像分类结果的步骤，具体包括下述步骤：
基于卷积操作对自适应灰度图像进行特征提取操作，得到图像特征数据；
基于池化操作对图像特征数据进行降维化简操作，得到降维化简矩阵；
基于非线性激活函数对降维化简矩阵进行分析提取操作，得到降维化简特征；
将降维化简特征输入至多类别回归分类器进行特征分类操作，得到图像分类结果。
进一步地，图像分类结果表示为：
其中，A表示样本图像；z表示类别标签，z∈{1，2，...，C}；p(z＝c|A)表示样本图片A取得它所属类别c的概率得分；其中
进一步地，该方法还包括下述步骤：
读取抗人球蛋白试验结果数据库，在抗人球蛋白试验结果数据库中获取预训练图片；
基于预设比例对预训练图片进行划分操作，得到训练图像集合以及验证图像集合；
对预训练图片的类别信息进行文本转化操作，得到符合卷积神经网络模型预训练使用的预训练图片类别；
将预训练图片类别、训练图像集合以及验证图像集合作为原始分类检测模型的训练数据进行模型训练，得到分类检测模型。
进一步地，分类网络模型包括：
生成判别模块，用于在进行模型训练过程中，将预训练图片输入至分类网络模型中，基于灰度概率分布获取预训练图片的灰度分布最大相似度，并基于最小化分布距离获取预训练图片相对应的新生成的自适应灰度图像。
进一步地，该方法还包括下述步骤：
基于生成判别模块中的卷积层对分类检测模型中的分类判别模块进行并行卷积操作以及直连操作，以优化分类判别模块的特征参数。
为了解决上述技术问题，本申请实施例还提供一种应用于抗人球蛋白试验结果图像的分类系统，采用了如下所述的技术方案：
图像获取模块，用于当进行抗人球蛋白试验检测后，接收摄像装置采集到的与抗人球蛋白试验检测结果相对应的待分类检测图像；
转换模块，用于将待分类检测图像输入至分类网络模型进行转换操作，得到自适应灰度图像；
图像分类模块，用于将自适应灰度图像输入至分类检测模型进行图像分类操作，得到图像分类结果；
输出模块，用于输出图像分类结果。
进一步的，图像分类模块包括：
特征提取子模块，用于基于卷积操作对自适应灰度图像进行特征提取操作，得到图像特征数据；
降维化简子模块，用于基于池化操作对图像特征数据进行降维化简操作，得到降维化简矩阵；
分析提取子模块，用于基于非线性激活函数对降维化简矩阵进行分析提取操作，得到降维化简特征；
特征分类子模块，用于将降维化简特征输入至多类别回归分类器进行特征分类操作，得到图像分类结果。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
包括存储器和处理器，存储器中存储有计算机可读指令，处理器执行计算机可读指令时实现如上所述的应用于抗人球蛋白试验结果图像的分类方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
计算机可读存储介质上存储有计算机可读指令，计算机可读指令被处理器执行时实现如上所述的应用于抗人球蛋白试验结果图像的分类方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请提供了一种应用于抗人球蛋白试验结果图像的分类方法及系统，包括：当进行抗人球蛋白试验检测后，接收摄像装置采集到的与抗人球蛋白试验检测结果相对应的待分类检测图像；将待分类检测图像输入至分类网络模型进行转换操作，得到自适应灰度图像；将自适应灰度图像输入至分类检测模型进行图像分类操作，得到图像分类结果；输出图像分类结果。基于分类网络模型对待检测图像进行灰度自适应转换，以获取自适应灰度图像达到图像增强的效果；进而基于分类检测模型对自适应灰度图像进行特征提取以及分类操作，得到分类结果，以保证分类结果的准确率以及效率。能够提高图像质量，以及提高分类检测结果的准确率。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图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是本申请可以应用于其中的示例性原理框图；
图2是本申请实施例一提供的应用于抗人球蛋白试验结果图像的分类方法的实现流程图；
图3是本申请可以应用于其中的示例性分类检测模型结构示意图；
图4是图2中步骤S3的一种具体实施方式的流程图；
图5是本申请实施例一提供的训练分类检测模型的一个实施例的实现流程图；
图6是本申请实施例二提供的应用于抗人球蛋白试验结果图像的分类系统的结构示意图；
图7是图6中图像分类模块的结构示意图；
图8根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
实施例一
参阅图1-2，示出了本申请实施例一提供的应用于抗人球蛋白试验结果图像的分类方法的实现流程图，为了便于说明，仅示出与本申请相关的部分。
上述的应用于抗人球蛋白试验结果图像的分类方法，包括以下步骤：
在步骤S1中，当进行抗人球蛋白试验检测后，接收摄像装置采集到的与抗人球蛋白试验检测结果相对应的待分类检测图像。
在本申请实施例中，待分类检测图像是U型微孔板图像数据，具体可以是通过摄像装置采集与抗人球蛋白试验检测结果相对应的U型微孔板图像数据，并依次输入数据库之中，以保证后续对获取到待检测图像进行转换、分类和检测。
在步骤S2中，将待分类检测图像输入至分类网络模型进行转换操作，得到自适应灰度图像。
在本申请实施例中，分类网络模型包括数据预处理模块以及转换模块，将待分类检测图像输入至分类网络模型进行转换操作，具体可以是通过将拍摄所获取的照片{x1，x2，x3，...，xn}放入分类网络模型中进行图像转换，根据真实的图像分布Pdata(x)得到自适应灰度图像数据集{y1，y2，y3，...，yn}，以使后续能够根据转换处理过后的自适应灰度图像直接输入进分类检测模型中进行分类检测，从而保证分类的准确率。
在步骤S3中，将自适应灰度图像输入至分类检测模型进行图像分类操作，得到图像分类结果。
在本申请实施例中，如图3所示，分类检测模型包括分类判别模块，用于对自适应灰度图像进行分类检测，具体可以是通过提取该自适应灰度图像的特征，然后利用多类别回归分类器对提取到的图像的特征进行分类操作，以获取准确的分类结果。
在步骤S4中，输出图像分类结果。
在本申请实施例中，通过将自适应灰度图像输入至分类检测模型进行图像分类操作后，能够得到该图像的类别，并输出该图像的类别，将分类记录放入数据库中进行存储，而后可以计算下一编号的待测图像。
本申请提供了一种应用于抗人球蛋白试验结果图像的分类方法，包括：当进行抗人球蛋白试验检测后，接收摄像装置采集到的与抗人球蛋白试验检测结果相对应的待分类检测图像；将待分类检测图像输入至分类网络模型进行转换操作，得到自适应灰度图像；将自适应灰度图像输入至分类检测模型进行图像分类操作，得到图像分类结果；输出图像分类结果。基于分类网络模型对待检测图像进行灰度自适应转换，以获取自适应灰度图像达到图像增强的效果；进而基于分类检测模型对自适应灰度图像进行特征提取以及分类操作，得到分类结果，以保证分类结果的准确率以及效率。能够提高图像质量，以及提高分类检测结果的准确率。
继续参阅图4，示出了图2中步骤S3的一种具体实施方式的流程图，为了便于说明，仅示出与本申请相关的部分。
作为本申请实施例一的一些可选实现方式中，上述步骤S3具体包括：步骤S301、步骤S302、步骤S303以及步骤S304。
在步骤S301中，基于卷积操作对自适应灰度图像进行特征提取操作，得到图像特征数据；
在步骤S302中，基于池化操作对图像特征数据进行降维化简操作，得到降维化简矩阵；
在步骤S303中，基于非线性激活函数对降维化简矩阵进行分析提取操作，得到降维化简特征；
在步骤S304中，将降维化简特征输入至多类别回归分类器进行特征分类操作，得到图像分类结果。
在本申请实施例中，将基于真实的图像分布Pdata(x)转换处理过后得到的自适应灰度图像数据集{y1，y2，y3，...，yn}直接输入进分类检测模型中，利用卷积操作提取该自适应灰度图像数据集的特征，图像特征数据；然后利用池化操作对提取到的图像特征数据进行降维和化简，以获取高度抽象化的降维化简矩阵；然后通过利用非线性激活函数对高度抽象化的降维化简矩阵进行分析提取信息，以获取降维化简特征；然后，通过利用多类别回归分类器进行该降维化简特征的分类操作，得到图像分类结果，不仅能够降低对有噪图片识别的困难，同时还提高了对图像分类检测的速度，从而获取较为稳定的分类结果，以保证长时间持续作业的分类检测，并且操作简单。
作为本申请实施例一的一些可选实现方式中，上述图像分类结果表示为：
其中，A表示样本图像；z表示类别标签，z∈{1，2，...，C}；p(z＝c|A)表示样本图片A取得它所属类别c的概率得分；其中
在本申请实施例中，通过将提取完成的降维化简特征输入至多类别回归分类器中进行抗人球蛋白试验结果的多类别图像分类，将类别标签表示为z，z∈{1，2，...，C}，对于样本图片A取得它所属类别c的概率得分，其中
然后，通过决策函数
将图像A归属于最大概率得分的类别c之中，并利用交叉熵损失函数对其进行参数优化，其中
继续参阅图5，示出了本申请实施例一提供的训练分类检测模型的一个实施例的实现流程图，为了便于说明，仅示出与本申请相关的部分。
作为本申请实施例一的一些可选实现方式中，上述训练分类检测模型具体包括：
在步骤S501中，读取抗人球蛋白试验结果数据库，在抗人球蛋白试验结果数据库中获取预训练图片；
在步骤S502中，基于预设比例对预训练图片进行划分操作，得到训练图像集合以及验证图像集合；
在步骤S503中，对预训练图片的类别信息进行文本转化操作，得到符合卷积神经网络模型预训练使用的预训练图片类别；
在步骤S504中，将预训练图片类别、训练图像集合以及验证图像集合作为原始分类检测模型的训练数据进行模型训练，得到分类检测模型。
在本申请实施例中，通过提前获取到多个经过测试后的U型微孔板图像，经过简单的图像处理选取能够检测分类抗人球蛋白试验结果的图片，并为其编号{x1，xx，x3，...，xn}，即预训练图片，将该预训练图片存储至数据库中；然后，可以通过读取抗人球蛋白试验结果数据库，在抗人球蛋白试验结果数据库中获取预训练图片；进而按照金标准对其进行分类并按照7：3的比例随机划分训练集和验证集，得到训练图像集合以及验证图像集合；同时，将预训练图片的类别信息转化为卷积神经网络模型预训练能够使用的txt文本文件，即预训练图片类别；然后，将转化完成的预训练图片类别、训练图像集合以及验证图像集合作为训练数据对原始分类检测模型进行模型训练，以获取分类精度高的分类检测模型，以保证待检测图像的分类检测结果的准确率。
作为本申请实施例一的一些可选实现方式中，上述分类网络模型包括：
生成判别模块，用于在进行模型训练过程中，将预训练图片输入至分类网络模型中，基于灰度概率分布获取预训练图片的灰度分布最大相似度，并基于最小化分布距离获取预训练图片相对应的新生成的自适应灰度图像。
在本申请实施例中，通过在预训练过程中，将直接采样得到的预训练图片的集合{x1，x2，x3，...，xn}输入分类网络模型中，设生成器G自适应灰度参数为θ，PG(xi，θ)表示生成图像的灰度概率分布，再利用判别器D通过对图像灰度级概率pi(xi)计算得到直方图分布PD，利用PD来近似真实的最优灰度分布；然后，根据生成图像和样例图像的灰度分布相似度L来衡量图像的灰度差异性并生成图像；进而通过判别器利用KL散度计算分布PD和分布PG间的相对熵来对新生成的图片进行差异性判断，并通过不断改变自适应灰度参数θ的值，找到最优解θ*来获取灰度分布最大相似度Lmax，其中
进一步地，通过利用最小化分布距离div(PG，Pdata)div(PD，PG)训练得到最优结果G*，D*，即
D*＝arg maxD div(PD，PG)；
然后，生成判别模块通过反向传播进行参数的优化操作，设δ(n)是第n层的梯度，f′n(x(n))是通过第n层的输出x(n)的激活函数的导数，W(n+1)是要优化的特征参数，即
δ(n)＝f′n(x(n))(W(n+1))Tδ(n+1)；
同时，由于生成样本难以判断真伪，本实施例将与原输入图像集合{x1，x2，x3，...，xn}相对应的新生成的图像集合{y1，y2，y3，...，yn}放入分类判别模块进行分类检测，以保证分类检测结果的准确率。
作为本申请实施例一的一些可选实现方式中，该方法还包括下述步骤：
基于生成判别模块中的卷积层对分类检测模型中的分类判别模块进行并行卷积操作以及直连操作，以优化分类判别模块的特征参数。
在本申请实施例中，通过在分类判别模块中使用在生成判别模块中已经训练完成的卷积层进行并行操作，进而在训练阶段大大缩短训练时间，将输入X与每一个卷积层的卷积核W进行矢量运算，并将所有得到的特征图输出s1进行连接，得到多尺度特征融合图S，其中
S＝∑ls(i，j) l；
同时，在分类网络模型中添加直连操作，能够在参数优化过程中，将某一层误差梯度反向传播输出x(n)作为额外损失，直接输入到前k层处，从而与后一层梯度输出共同作为该层输入进行运算，其中，设δ(n-k)是第n-k层的梯度，δ(n)是第n层的梯度，f′n(x(n))是通过第n层的输出x(n)的激活函数的导数，W(n+1)是要优化的特征参数，即
δ(n)+δ(n-k)＝f′n(x(n))(W(n+1))Tδ(n+1)。
综上，本申请提供了一种应用于抗人球蛋白试验结果图像的分类方法，包括：当进行抗人球蛋白试验检测后，接收摄像装置采集到的与抗人球蛋白试验检测结果相对应的待分类检测图像；将待分类检测图像输入至分类网络模型进行转换操作，得到自适应灰度图像；将自适应灰度图像输入至分类检测模型进行图像分类操作，得到图像分类结果；输出图像分类结果。基于分类网络模型对拍摄获取到待检测图像采用真实的图像分布Pdata(x)进行灰度自适应转换，得到自适应灰度图像数据集{y1，y2，y3，...，yn}，以使后续能够根据转换处理过后的自适应灰度图像直接输入进分类检测模型中进行分类检测从而保证分类的准确率；进而基于分类检测模型提取该自适应灰度图像的特征，然后利用多类别回归分类器对提取到的图像的特征进行分类操作，得到分类结果，以保证分类结果的准确率以及效率。不仅能够降低对有噪图片识别的困难，同时还提高了对图像分类检测的速度，从而获取较为稳定的分类结果，保证分类检测结果的准确率，以及保证长时间持续作业的分类检测，并且操作简单。
需要说明的是，本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
实施例二
进一步参考图6，作为对上述图2所示方法的实现，本申请提供了一种应用于抗人球蛋白试验结果图像的分类系统的一个实施例，该系统实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例所述的应用于抗人球蛋白试验结果图像的分类系统100包括：图像获取模块601、转换模块602、图像分类模块603以及输出模块604。其中：
图像获取模块601，用于当进行抗人球蛋白试验检测后，接收摄像装置采集到的与抗人球蛋白试验检测结果相对应的待分类检测图像；
在本申请实施例中，待分类检测图像是U型微孔板图像数据，具体可以是通过摄像装置采集与抗人球蛋白试验检测结果相对应的U型微孔板图像数据，并依次输入数据库之中，以保证后续对获取到待检测图像进行转换、分类和检测。
转换模块602，用于将待分类检测图像输入至分类网络模型进行转换操作，得到自适应灰度图像；
在本申请实施例中，分类网络模型包括数据预处理模块以及转换模块，将待分类检测图像输入至分类网络模型进行转换操作，具体可以是通过将拍摄所获取的照片{x1，x2，x3，...，xn}放入分类网络模型中进行图像转换，根据真实的图像分布Pdata(x)得到自适应灰度图像数据集{y1，y2，y3，...，yn}，以使后续能够根据转换处理过后的自适应灰度图像直接输入进分类检测模型中进行分类检测，从而保证分类的准确率。
图像分类模块603，用于将自适应灰度图像输入至分类检测模型进行图像分类操作，得到图像分类结果；
在本申请实施例中，分类检测模型包括分类判别模块，用于对自适应灰度图像进行分类检测，具体可以是通过提取该自适应灰度图像的特征，然后利用多类别回归分类器对提取到的图像的特征进行分类操作，以获取准确的分类结果。
输出模块604，用于输出图像分类结果。
在本申请实施例中，通过将自适应灰度图像输入至分类检测模型进行图像分类操作后，能够得到该图像的类别，并输出该图像的类别，将分类记录放入数据库中进行存储，而后可以计算下一编号的待测图像。
本申请提供了一种应用于抗人球蛋白试验结果图像的分类系统，包括：基于分类网络模型对待检测图像进行灰度自适应转换，以获取自适应灰度图像达到图像增强的效果；进而基于分类检测模型对自适应灰度图像进行特征提取以及分类操作，得到分类结果，以保证分类结果的准确率以及效率。能够提高图像质量，以及提高分类检测结果的准确率。
继续参阅图7，示出了本申请实施例二提供的图像分类模块603的结构示意图，为了便于说明，仅示出与本申请相关的部分。
在本申请实施例二的一些可选的实现方式中，如图7所示，上述图像分类模块603包括：特征提取子模块701、降维化简子模块702、分析提取子模块703以及特征分类子模块704。
特征提取子模块701，用于基于卷积操作对自适应灰度图像进行特征提取操作，得到图像特征数据；
降维化简子模块702，用于基于池化操作对图像特征数据进行降维化简操作，得到降维化简矩阵；
分析提取子模块703，用于基于非线性激活函数对降维化简矩阵进行分析提取操作，得到降维化简特征；
特征分类子模块704，用于将降维化简特征输入至多类别回归分类器进行特征分类操作，得到图像分类结果。
在本申请实施例中，将基于真实的图像分布P_data(x)转换处理过后得到的自适应灰度图像数据集{y1，y2，y3，...，yn}直接输入进分类检测模型中，利用卷积操作提取该自适应灰度图像数据集的特征，图像特征数据；然后利用池化操作对提取到的图像特征数据进行降维和化简，以获取高度抽象化的降维化简矩阵；然后通过利用非线性激活函数对高度抽象化的降维化简矩阵进行分析提取信息，以获取降维化简特征；然后，通过利用多类别回归分类器进行该降维化简特征的分类操作，得到图像分类结果，不仅能够降低对有噪图片识别的困难，同时还提高了对图像分类检测的速度，从而获取较为稳定的分类结果，以保证长时间持续作业的分类检测，并且操作简单。
作为本申请实施例二的一些可选实现方式中，上述图像分类结果表示为：
其中，A表示样本图像；z表示类别标签，z∈{1，2，...，C}；p(z＝c|A)表示样本图片A取得它所属类别c的概率得分；其中
在本申请实施例中，通过将提取完成的降维化简特征输入至多类别回归分类器中进行抗人球蛋白试验结果的多类别图像分类，将类别标签表示为z，z∈{1，2，...，C}，对于样本图片A取得它所属类别c的概率得分，其中
然后，通过决策函数
将图像A归属于最大概率得分的类别c之中，并利用交叉熵损失函数对其进行参数优化，其中
作为本申请实施例二的一些可选实现方式中，上述训练分类检测模型具体包括：预训练图片获取模块、图片划分模块、文本转化模块以及模型训练模块。
预训练图片获取模块，用于读取抗人球蛋白试验结果数据库，在抗人球蛋白试验结果数据库中获取预训练图片；
图片划分模块，用于基于预设比例对预训练图片进行划分操作，得到训练图像集合以及验证图像集合；
文本转化模块，用于对预训练图片的类别信息进行文本转化操作，得到符合卷积神经网络模型预训练使用的预训练图片类别；
模型训练模块，用于将预训练图片类别、训练图像集合以及验证图像集合作为原始分类检测模型的训练数据进行模型训练，得到分类检测模型。
在本申请实施例中，通过提前获取到多个经过测试后的U型微孔板图像，经过简单的图像处理选取能够检测分类抗人球蛋白试验结果的图片，并为其编号{x1，x2，x3，...，xn}，即预训练图片，将该预训练图片存储至数据库中；然后，可以通过读取抗人球蛋白试验结果数据库，在抗人球蛋白试验结果数据库中获取预训练图片；进而按照金标准对其进行分类并按照7：3的比例随机划分训练集和验证集，得到训练图像集合以及验证图像集合；同时，将预训练图片的类别信息转化为卷积神经网络模型预训练能够使用的txt文本文件，即预训练图片类别；然后，将转化完成的预训练图片类别、训练图像集合以及验证图像集合作为训练数据对原始分类检测模型进行模型训练，以获取分类精度高的分类检测模型，以保证待检测图像的分类检测结果的准确率。
作为本申请实施例二的一些可选实现方式中，上述分类网络模型包括：
生成判别模块，用于在进行模型训练过程中，将预训练图片输入至分类网络模型中，基于灰度概率分布获取预训练图片的灰度分布最大相似度，并基于最小化分布距离获取预训练图片相对应的新生成的自适应灰度图像。
在本申请实施例中，通过在预训练过程中，将直接采样得到的预训练图片的集合{x1，x2，x3，...，xn}输入分类网络模型中，设生成器G自适应灰度参数为θ，PG(xi，θ)表示生成图像的灰度概率分布，再利用判别器D通过对图像灰度级概率pi(xi)计算得到直方图分布PD，利用PD来近似真实的最优灰度分布；然后，根据生成图像和样例图像的灰度分布相似度L来衡量图像的灰度差异性并生成图像；进而通过判别器利用KL散度计算分布PD和分布PG间的相对熵来对新生成的图片进行差异性判断，并通过不断改变自适应灰度参数θ的值，找到最优解θ*来获取灰度分布最大相似度Lmax，其中
进一步地，通过利用最小化分布距离div(PG，Pdata)div(PD，PG)训练得到最优结果G*，D*，即
D*＝arg maxD div(PD，PG)；
然后，生成判别模块通过反向传播进行参数的优化操作，设δ(n)是第n层的梯度，f′n(x(n))是通过第n层的输出x(n)的激活函数的导数，W(n+1)是要优化的特征参数，即
δ(n)＝f′n(x(n))(W(n+1))Tδ(n+1)；
同时，由于生成样本难以判断真伪，本实施例将与原输入图像集合{x1，x2，x3，...，xn}相对应的新生成的图像集合{y1，y2，y3，...，yn}放入分类判别模块进行分类检测，以保证分类检测结果的准确率。
作为本申请实施例二的一些可选实现方式中，该方法还包括下述步骤：
基于生成判别模块中的卷积层对分类检测模型中的分类判别模块进行并行卷积操作以及直连操作，以优化分类判别模块的特征参数。
在本申请实施例中，通过在分类判别模块中使用在生成判别模块中已经训练完成的卷积层进行并行操作，进而在训练阶段大大缩短训练时间，将输入X与每一个卷积层的卷积核W进行矢量运算，并将所有得到的特征图输出s1进行连接，得到多尺度特征融合图S，其中
S＝∑ls(i，j) l；
同时，在分类网络模型中添加直连操作，能够在参数优化过程中，将某一层误差梯度反向传播输出x(n)作为额外损失，直接输入到前k层处，从而与后一层梯度输出共同作为该层输入进行运算，其中，设δ(n-k)是第n-k层的梯度，δ(n)是第n层的梯度，f′n(x(n))是通过第n层的输出x(n)的激活函数的导数，W(n+1)是要优化的特征参数，即
δ(n)+δ(n-k)＝f′n(x(n))(W(n+1))Tδ(n+1)。
综上，本申请提供了一种应用于抗人球蛋白试验结果图像的分类系统，包括：图像获取模块，用于当进行抗人球蛋白试验检测后，接收摄像装置采集到的与抗人球蛋白试验检测结果相对应的待分类检测图像；转换模块，用将待分类检测图像输入至分类网络模型进行转换操作，得到自适应灰度图像；图像分类模块，用将自适应灰度图像输入至分类检测模型进行图像分类操作，得到图像分类结果；输出模块，用输出图像分类结果。基于分类网络模型对拍摄获取到待检测图像采用真实的图像分布P_data(x)进行灰度自适应转换，得到自适应灰度图像数据集{y1，y2，y3，...，yn}，以使后续能够根据转换处理过后的自适应灰度图像直接输入进分类检测模型中进行分类检测，从而保证分类的准确率；进而基于分类检测模型提取该自适应灰度图像的特征，然后利用多类别回归分类器对提取到的图像的特征进行分类操作，得到分类结果，以保证分类结果的准确率以及效率。不仅能够降低对有噪图片识别的困难，同时还提高了对图像分类检测的速度，从而获取较为稳定的分类结果，保证分类检测结果的准确率，以及保证长时间持续作业的分类检测，并且操作简单。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图8，图8为本实施例计算机设备基本结构框图。
所述计算机设备200包括通过系统总线相互通信连接存储器210、处理器220、网络接口230。需要指出的是，图中仅示出了具有组件210-230的计算机设备200，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备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。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器210至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器210可以是所述计算机设备200的内部存储单元，例如该计算机设备200的硬盘或内存。在另一些实施例中，所述存储器210也可以是所述计算机设备200的外部存储设备，例如该计算机设备200上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器210还可以既包括所述计算机设备200的内部存储单元也包括其外部存储设备。本实施例中，所述存储器210通常用于存储安装于所述计算机设备200的操作系统和各类应用软件，例如应用于抗人球蛋白试验结果图像的分类方法的计算机可读指令等。此外，所述存储器210还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器220在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器220通常用于控制所述计算机设备200的总体操作。本实施例中，所述处理器220用于运行所述存储器210中存储的计算机可读指令或者处理数据，例如运行所述应用于抗人球蛋白试验结果图像的分类方法的计算机可读指令。
所述网络接口230可包括无线网络接口或有线网络接口，该网络接口230通常用于在所述计算机设备200与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式，即提供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可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的应用于抗人球蛋白试验结果图像的分类方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (10)
1.一种应用于抗人球蛋白试验结果图像的分类方法，其特征在于，所述方法包括下述步骤：
当进行抗人球蛋白试验检测后，接收摄像装置采集到的与所述抗人球蛋白试验检测结果相对应的待分类检测图像；
将所述待分类检测图像输入至分类网络模型进行转换操作，得到自适应灰度图像；
将所述自适应灰度图像输入至分类检测模型进行图像分类操作，得到图像分类结果；
输出所述图像分类结果。
2.根据权利要求1所述的应用于抗人球蛋白试验结果图像的分类方法，其特征在于，所述将所述自适应灰度图像输入至分类检测模型进行图像分类操作，得到图像分类结果的步骤，具体包括下述步骤：
基于卷积操作对所述自适应灰度图像进行特征提取操作，得到图像特征数据；
基于池化操作对所述图像特征数据进行降维化简操作，得到降维化简矩阵；
基于非线性激活函数对所述降维化简矩阵进行分析提取操作，得到降维化简特征；
将所述降维化简特征输入至多类别回归分类器进行特征分类操作，得到所述图像分类结果。
3.根据权利要求2所述的应用于抗人球蛋白试验结果图像的分类方法，其特征在于，所述图像分类结果表示为：
其中，A表示样本图像；z表示类别标签，z∈{1,2,…,C}；p(z＝c|A)表示样本图片A取得它所属类别c的概率得分；其中
4.根据权利要求1所述的应用于抗人球蛋白试验结果图像的分类方法，其特征在于，在所述将所述自适应灰度图像输入至分类检测模型进行图像分类操作，得到图像分类结果的步骤之前，所述方法还包括下述步骤：
读取抗人球蛋白试验结果数据库，在所述抗人球蛋白试验结果数据库中获取预训练图片；
基于预设比例对所述预训练图片进行划分操作，得到训练图像集合以及验证图像集合；
对所述预训练图片的类别信息进行文本转化操作，得到符合卷积神经网络模型预训练使用的预训练图片类别；
将所述预训练图片类别、所述训练图像集合以及验证图像集合作为原始分类检测模型的训练数据进行模型训练，得到所述分类检测模型。
5.根据权利要求1所述的应用于抗人球蛋白试验结果图像的分类方法，其特征在于，所述分类网络模型包括：
生成判别模块，用于在进行模型训练过程中，将所述预训练图片输入至所述分类网络模型中，基于灰度概率分布获取所述预训练图片的灰度分布最大相似度，并基于最小化分布距离获取所述预训练图片相对应的新生成的自适应灰度图像。
6.根据权利要求5所述的应用于抗人球蛋白试验结果图像的分类方法，其特征在于，在所述将所述自适应灰度图像输入至分类检测模型进行图像分类操作，得到图像分类结果的步骤之前，所述方法还包括下述步骤：
基于所述生成判别模块中的卷积层对所述分类检测模型中的分类判别模块进行并行卷积操作以及直连操作，以优化所述分类判别模块的特征参数。
7.一种应用于抗人球蛋白试验结果图像的分类系统，其特征在于，包括：
图像获取模块，用于当进行抗人球蛋白试验检测后，接收摄像装置采集到的与所述抗人球蛋白试验检测结果相对应的待分类检测图像；
转换模块，用于将所述待分类检测图像输入至分类网络模型进行转换操作，得到自适应灰度图像；
图像分类模块，用于将所述自适应灰度图像输入至分类检测模型进行图像分类操作，得到图像分类结果；
输出模块，用于输出所述图像分类结果。
8.根据权利要求7所述的应用于抗人球蛋白试验结果图像的分类系统，其特征在于，所述图像分类模块包括：
特征提取子模块，用于基于卷积操作对所述自适应灰度图像进行特征提取操作，得到图像特征数据；
降维化简子模块，用于基于池化操作对所述图像特征数据进行降维化简操作，得到降维化简矩阵；
分析提取子模块，用于基于非线性激活函数对所述降维化简矩阵进行分析提取操作，得到降维化简特征；
特征分类子模块，用于将所述降维化简特征输入至多类别回归分类器进行特征分类操作，得到所述图像分类结果。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至6中任一项所述的应用于抗人球蛋白试验结果图像的分类方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至6中任一项所述的应用于抗人球蛋白试验结果图像的分类方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110173906.3A CN114913361A (zh) | 2021-02-06 | 2021-02-06 | 应用于抗人球蛋白试验结果图像的分类方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110173906.3A CN114913361A (zh) | 2021-02-06 | 2021-02-06 | 应用于抗人球蛋白试验结果图像的分类方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114913361A true CN114913361A (zh) | 2022-08-16 |
Family
ID=82761620
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110173906.3A Pending CN114913361A (zh) | 2021-02-06 | 2021-02-06 | 应用于抗人球蛋白试验结果图像的分类方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114913361A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115272325A (zh) * | 2022-09-28 | 2022-11-01 | 广州知力医学诊断技术有限公司 | 一种血小板抗体检测结果判读装置及方法 |
-
2021
- 2021-02-06 CN CN202110173906.3A patent/CN114913361A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115272325A (zh) * | 2022-09-28 | 2022-11-01 | 广州知力医学诊断技术有限公司 | 一种血小板抗体检测结果判读装置及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109086756B (zh) | 一种基于深度神经网络的文本检测分析方法、装置及设备 | |
| CN111797893B (zh) | 一种神经网络的训练方法、图像分类系统及相关设备 | |
| CN111401516B (zh) | 一种神经网络通道参数的搜索方法及相关设备 | |
| CN109002766B (zh) | 一种表情识别方法及装置 | |
| CN109583332B (zh) | 人脸识别方法、人脸识别系统、介质及电子设备 | |
| WO2019085329A1 (zh) | 基于循环神经网络的人物性格分析方法、装置及存储介质 | |
| CN110866471A (zh) | 人脸图像质量评价方法及装置、计算机可读介质、通信终端 | |
| CN107967461B (zh) | Svm差分模型训练及人脸验证方法、装置、终端及存储介质 | |
| CN110827236B (zh) | 基于神经网络的脑组织分层方法、装置、计算机设备 | |
| CN111401339B (zh) | 识别人脸图像中的人的年龄的方法、装置及电子设备 | |
| US20230137337A1 (en) | Enhanced machine learning model for joint detection and multi person pose estimation | |
| CN111144372A (zh) | 车辆检测方法、装置、计算机设备和存储介质 | |
| CN113627422A (zh) | 一种图像分类方法及其相关设备 | |
| CN110717407A (zh) | 基于唇语密码的人脸识别方法、装置及存储介质 | |
| CN114913361A (zh) | 应用于抗人球蛋白试验结果图像的分类方法及系统 | |
| CN114090792A (zh) | 基于对比学习的文档关系抽取方法及其相关设备 | |
| CN103268494A (zh) | 基于稀疏表示的寄生虫虫卵识别方法 | |
| CN117152625A (zh) | 一种基于CoordConv和YOLOv5的遥感小目标识别方法、系统、设备及介质 | |
| US11715204B2 (en) | Adaptive machine learning system for image-based biological sample constituent analysis | |
| CN115691793A (zh) | 一种舌象数据处理方法、装置及相关设备 | |
| CN112651397B (zh) | 检查单分类方法、装置、计算机设备和存储介质 | |
| CN113643283A (zh) | 一种人体衰老状况的检测方法、装置、设备及存储介质 | |
| CN114913360A (zh) | 应用于抗人球蛋白试验图像的自动分类方法、系统 | |
| CN113704623A (zh) | 一种数据推荐方法、装置、设备及存储介质 | |
| CN112070060A (zh) | 识别年龄的方法、年龄识别模型的训练方法和装置 |
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 |