CN115063795A - 一种尿沉渣分类检测方法、装置、电子设备及存储介质 - Google Patents

一种尿沉渣分类检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115063795A
CN115063795A CN202210984911.7A CN202210984911A CN115063795A CN 115063795 A CN115063795 A CN 115063795A CN 202210984911 A CN202210984911 A CN 202210984911A CN 115063795 A CN115063795 A CN 115063795A
Authority
CN
China
Prior art keywords
feature vector
feature
spatial
urinary sediment
vector set
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
Application number
CN202210984911.7A
Other languages
English (en)
Other versions
CN115063795B (zh
Inventor
向伟
徐钒鑫
吕赫
周晨晨
郑思逸
曹扬
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.)
Southwest Minzu University
Original Assignee
Southwest Minzu University
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 Southwest Minzu University filed Critical Southwest Minzu University
Priority to CN202210984911.7A priority Critical patent/CN115063795B/zh
Publication of CN115063795A publication Critical patent/CN115063795A/zh
Application granted granted Critical
Publication of CN115063795B publication Critical patent/CN115063795B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/693—Acquisition
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种尿沉渣分类检测方法、装置、电子设备及存储介质，涉及目标检测技术领域。本申请中，获取目标对象在设定时刻的尿沉渣数据对应的原始特征向量集；接着，分别按照预设的两种通道特征采样方式，对原始特征向量集包含的各个原始特征向量进行特征压缩，获得第一特征向量集和第二特征向量集，从而基于第一特征向量集和第二特征向量集，获得相应的通道特征向量集；进一步地，按照预设的空间特征采样方式，分别对通道特征向量集包含的各个通道特征向量进行特征压缩，获得相应的空间特征向量集；最终，基于空间特征向量集包含的各个空间特征向量，确定尿沉渣数据的尿沉渣类别。采用这种方式，提高了尿沉渣分类检测的准确度。

Description

一种尿沉渣分类检测方法、装置、电子设备及存储介质
技术领域
本申请涉及目标检测技术领域，尤其涉及一种尿沉渣分类检测方法、装置、电子设备及存储介质。
背景技术
近年来，与肾脏和泌尿系统相关的各种疾病，不仅是一种常见的疾病类型，更是给人们带来了极大的困扰。
尿沉渣检测是肾脏疾病和泌尿系统疾病分析研究的主要内容，主要包括：物理、化学和显微镜检查三个步骤，其中，显微镜下的尿沉渣检查，在肾脏和泌尿系统相关疾病的诊断和评估中起着至关重要的作用。
然而，显微镜下的尿沉渣检查通常需要经验丰富的医务人员，才能准确地对尿沉渣图像进行检查分析，从而获得准确的尿沉渣检测结果。因此，利用智能医疗设备以及相关算法，对尿沉渣自动化分类检测具有很强的现实意义。
现有技术中，为了实现对尿沉渣的自动分类检测，基于预处理后的尿沉渣图像，获得相应的尿沉渣数据，再通过训练完成的卷积神经网络（Convolutional NeuralNetworks，CNN）模型，对尿沉渣数据进行特征提取，从而获得相应的尿沉渣特征信息，进而根据获得的尿沉渣特征信息，完成对尿沉渣数据的分类。
但是，采用上述的尿沉渣分类检测方法，通过尿沉渣特征信息，完成对尿沉渣数据的分类，会因卷积神经网络模型的特征提取能力不够，从而导致对尿沉渣数据的分类检测不准确。
因此，采用上述方式，尿沉渣分类检测的准确度较低。
发明内容
本申请实施例提供了一种尿沉渣分类检测方法、装置、电子设备及存储介质，用以提高尿沉渣数据分类检测的准确度。
第一方面，本申请实施例提供了一种尿沉渣分类检测方法，所述方法包括：
获取目标对象在设定时刻的尿沉渣数据，并对尿沉渣数据进行特征提取，获得相应的原始特征向量集；
分别按照预设的两种通道特征采样方式，对原始特征向量集包含的各个原始特征向量进行特征压缩，获得相应的第一特征向量集和第二特征向量集；
对原始特征向量集、第一特征向量集和第二特征向量集进行融合，获得相应的通道特征向量集；
按照预设的空间特征采样方式，分别对通道特征向量集包含的各个通道特征向量进行特征压缩，获得相应的空间特征向量集；
基于空间特征向量集包含的各个空间特征向量，确定尿沉渣数据的尿沉渣类别。
第二方面，本申请实施例还提供了一种尿沉渣分类检测装置，所述装置包括：
特征获取模块，用于获取目标对象在设定时刻的尿沉渣数据，并对尿沉渣数据进行特征提取，获得相应的原始特征向量集；
第一压缩模块，用于分别按照预设的两种通道特征采样方式，对原始特征向量集包含的各个原始特征向量进行特征压缩，获得相应的第一特征向量集和第二特征向量集；
特征融合模块，用于对原始特征向量集、第一特征向量集和第二特征向量集进行融合，获得相应的通道特征向量集；
第二压缩模块，用于按照预设的空间特征采样方式，分别对通道特征向量集包含的各个通道特征向量进行特征压缩，获得相应的空间特征向量集；
类别确定模块，用于基于空间特征向量集包含的各个空间特征向量，确定尿沉渣数据的尿沉渣类别。
在一种可能的实施例中，在分别按照预设的两种通道特征采样方式，对原始特征向量集包含的各个原始特征向量进行特征压缩，获得相应的第一特征向量集和第二特征向量集时，所述第一压缩模块具体用于：
基于两种通道特征采样方式，对各个原始特征向量进行全局平均池化，获得第一语义信息集，以及对各个原始特征向量进行全局最大池化，获得第二语义信息集；
基于第一语义信息集，生成第一特征向量集，以及基于第二语义信息集，生成第二特征向量集。
在一种可能的实施例中，在按照预设的空间特征采样方式，分别对通道特征向量集包含的各个通道特征向量进行特征压缩，获得相应的空间特征向量集时，所述第二压缩模块具体用于：
基于空间特征采样方式，确定各个通道特征向量各自的空间特征权重；
从各个通道特征向量中，筛选出满足预设的空间特征权重条件的至少一个通道特征向量；
基于通道特征向量集和至少一个通道特征向量，获得相应的空间特征向量集。
在一种可能的实施例中，在基于空间特征向量集包含的各个空间特征向量，确定尿沉渣数据的尿沉渣类别时，所述类别确定模块具体用于：
分别确定各个空间特征向量各自对应的空间特征权重，各自归属的空间特征权重区间；
基于获得的各个空间特征权重区间，以及预设的空间特征权重区间与尿沉渣类别之间的对应关系，确定尿沉渣数据的尿沉渣类别。
在一种可能的实施例中，在基于空间特征向量集包含的各个空间特征向量，确定尿沉渣数据的尿沉渣类别的过程中，所述类别确定模块还用于：
获取对应各个空间特征向量设置在参考坐标系的预测向量框定范围，以及基于各个空间特征向量，各自在参考坐标系的向量坐标位置，确定各个空间特征向量的实际向量框定范围；
基于预测向量框定范围和实际向量框定范围之间的范围重合度，以及预设的重合度阈值条件，对预测向量框定范围进行修正。
第三方面，提出了一种电子设备，其包括处理器和存储器，其中，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行上述第一方面所述的尿沉渣分类检测方法的步骤。
第四方面，提出一种计算机可读存储介质，其包括程序代码，当所述程序代码在电子设备上运行时，所述程序代码用于使所述电子设备执行上述第一方面所述的尿沉渣分类检测方法的步骤。
第五方面，提供一种计算机程序产品，所述计算机程序产品在被计算机调用时，使得所述计算机执行如第一方面所述的尿沉渣分类检测方法的步骤。
本申请有益效果如下：
在本申请实施例所提供的尿沉渣分类检测方法中，获取目标对象在设定时刻的尿沉渣数据，并对尿沉渣数据进行特征提取，获得相应的原始特征向量集；接着，分别按照预设的两种通道特征采样方式，对原始特征向量集包含的各个原始特征向量进行特征压缩，获得相应的第一特征向量集和第二特征向量集；再者，对原始特征向量集、第一特征向量集和第二特征向量集进行融合，获得相应的通道特征向量集；进一步地，按照预设的空间特征采样方式，分别对通道特征向量集包含的各个通道特征向量进行特征压缩，获得相应的空间特征向量集；最终，基于空间特征向量集包含的各个空间特征向量，确定尿沉渣数据的尿沉渣类别。
采用这种方式，对原始特征向量集、第一特征向量集和第二特征向量集进行融合，获得相应的通道特征向量集，从而按照预设的空间特征采样方式，分别对通道特征向量集包含的各个通道特征向量进行特征压缩，获得相应的空间特征向量集，进而基于空间特征向量集包含的各个空间特征向量，确定尿沉渣数据的尿沉渣类别，避免了现有技术中，因卷积神经网络模型的特征提取能力不够，导致对尿沉渣数据的分类检测不准确的技术弊端，故而，提高了尿沉渣分类检测的准确度。
此外，本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者，通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1示例性示出了本申请实施例适用的一种可选的系统架构示意图；
图2示例性示出了本申请实施例提供的一种尿沉渣分类检测方法的方法实施流程图；
图3示例性示出了本申请实施例提供的一种YOLOX网络模型的结构示意图；
图4示例性示出了本申请实施例提供的一种获得第一特征向量集和第二特征向量集的逻辑示意图；
图5示例性示出了本申请实施例提供的一种获得通道特征向量集的逻辑示意图；
图6示例性示出了本申请实施例提供的一种获得空间特征向量集的逻辑示意图；
图7示例性示出了本申请实施例提供的一种确定尿沉渣数据的尿沉渣类别的逻辑示意图；
图8示例性示出了本申请实施例提供的一种YOLOX网络模型的工作原理示意图；
图9示例性示出了本申请实施例提供的一种基于图2的具体应用场景示意图；
图10示例性示出了本申请实施例提供的一种尿沉渣分类检测装置的结构示意图；
图11示例性示出了本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请技术方案的一部分实施例，而不是全部的实施例。基于本申请文件中记载的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请技术方案保护的范围。
需要说明的是，在本申请的描述中“多个”理解为“至少两个”。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。A与B连接，可以表示：A与B直接连接和A与B通过C连接这两种情况。另外，在本申请的描述中，“第一”、“第二”等词汇，仅用于区分描述的目的，而不能理解为指示或暗示相对重要性，也不能理解为指示或暗示顺序。
此外，本申请技术方案中，对数据的采集、传播、使用等，均符合国家相关法律法规要求。
首先，下面对本申请实施例的设计思想进行简要介绍：
肾脏作为人体的一部分，与人体的健康息息相关，现今，成千上万的人正遭受着与肾脏和泌尿系统相关的各种疾病困扰。
鉴于尿沉渣可以客观反映肾脏和泌尿疾病系统的生理状况和工作状态，故而，尿沉渣可以作为诊断肾脏和泌尿系统相关的各种疾病的重要手段和主要依据，然而，尿沉渣的分类检测仍然需要经验丰富的医务人员，才能准确的检测出尿沉渣的类别。但即使是经验丰富的医务人员，仍可能对尿沉渣做出错误检测或错误分类，并且，由于尿沉渣的数据量庞大，医务人员有限，由于不可避免的疲劳等因素，会进一步加剧对尿沉渣数据的错误检测或错误分类。
此外，为了减缓医务人员的工作压力，出现了各种各样的尿沉渣自动分类检测的相关技术，然而，现有的尿沉渣自动分类检测技术，对尿沉渣数据的特征提取能力不够；因此，亟需一种提高尿沉渣数据的特征提取能力的尿沉渣分类检测方法，从而提高尿沉渣数据分类检测的准确度。
有鉴于此，为了提高尿沉渣数据分类检测的准确度，本申请实施例中提供了一种尿沉渣分类检测方法，具体包括：获取目标对象在设定时刻的尿沉渣数据，并对尿沉渣数据进行特征提取，获得相应的原始特征向量集；接着，分别按照预设的两种通道特征采样方式，对原始特征向量集包含的各个原始特征向量进行特征压缩，获得相应的第一特征向量集和第二特征向量集；再者，对原始特征向量集、第一特征向量集和第二特征向量集进行融合，获得相应的通道特征向量集；进一步地，按照预设的空间特征采样方式，分别对通道特征向量集包含的各个通道特征向量进行特征压缩，获得相应的空间特征向量集；最终，基于空间特征向量集包含的各个空间特征向量，确定尿沉渣数据的尿沉渣类别。
特别地，以下结合说明书附图对本申请的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本申请，并不用于限定本申请，并且在不冲突的情况下，本申请实施例及实施例中的特征可以相互组合。
参阅图1所示，其为本申请实施例提供的一种系统架构示意图，该系统架构包括：服务器101、终端设备102和数据采集设备103。服务器101和终端设备102之间可通过通信网络进行信息交互，其中，通信网络采用的通信方式可包括：无线通信方式和有线通信方式；终端设备102与数据采集设备103连接，数据采集设备103采集到的尿沉渣数据发送给终端设备102。
示例性的，服务器101可通过蜂窝移动通信技术接入网络，与终端设备102进行通信，其中，所述蜂窝移动通信技术，比如，包括第五代移动通信（5th Generation MobileNetworks，5G）技术。
可选的，服务器101可通过短距离无线通信方式接入网络，与终端设备102进行通信，其中，所述短距离无线通信方式，比如，包括无线保真（Wireless Fidelity，Wi-Fi）技术。
本申请实施例对上述设备的数量不做任何限制，如图1所示，仅以服务器101、终端设备102和数据采集设备103为例进行描述，下面对上述各设备及其各自的功能进行简要介绍。
服务器101可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络（Content Delivery Network，CDN）、以及大数据和人工智能平台等基础云计算服务的云服务器。
值得提出的是，在本申请实施例中，服务器101用于获取目标对象在设定时刻的尿沉渣数据，并对尿沉渣数据进行特征提取，获得相应的原始特征向量集；接着，分别按照预设的两种通道特征采样方式，对原始特征向量集包含的各个原始特征向量进行特征压缩，获得相应的第一特征向量集和第二特征向量集；再者，对原始特征向量集、第一特征向量集和第二特征向量集进行融合，获得相应的通道特征向量集；进一步地，按照预设的空间特征采样方式，分别对通道特征向量集包含的各个通道特征向量进行特征压缩，获得相应的空间特征向量集；最终，基于空间特征向量集包含的各个空间特征向量，确定尿沉渣数据的尿沉渣类别。
示例性的，服务器可基于改进的YoloX网络模型，即引入卷积块注意力模块（Convolutional Block Attention Module，CBAM）和变焦损失函数，以极大地提升尿沉渣分类检测的检测精度，为实际临床检测提供了快捷可靠的方法。
终端设备102是一种可以向用户提供语音和/或数据连通性的设备，包括：具有无线连接功能的手持式终端设备、车载终端设备等。
示例性的，终端设备102包括但不限于：手机、平板电脑、笔记本电脑、掌上电脑、移动互联网设备（Mobile Internet Device，MID）、可穿戴设备，虚拟现实（Virtual Reality，VR）设备、增强现实（Augmented Reality，AR）设备、工业控制中的无线终端设备、无人驾驶中的无线终端设备、智能电网中的无线终端设备、运输安全中的无线终端设备、智慧城市中的无线终端设备，或智慧家庭中的无线终端设备等。
此外，终端设备102上可以安装有相关的客户端，该客户端可以是软件（例如，应用程序、 浏览器、短视频软件等），也可以是网页、小程序等。在本申请实施例中，尿沉渣数据可由终端设备102发送至服务器101。
数据采集设备103用于获取数据和记录信息，通过相应的传感器可以将采集的信号转换成模拟的电信号，进而转换为数字信号存储起来，进行预处理的设备。包括具有无线连接功能的手持式数据采集设备、头戴式数据采集设备以及固定式数据采集设备等。
示例性的，数据采集设备103可以是：批处理数据采集器、工业数据采集器、射频识别（Radio Frequency Identification，RFID）数据采集器，以及其他带有数据采集功能的数据采集设备（手机、平板电脑等），数据采集卡等。
需要说明的是，本申请实施例中，数据采集设备103以尿沉渣图像采集设备作为例子进行描述，其中，尿沉渣图像采集设备能够实时采集目标对象的尿沉渣数据，并将采集到的尿沉渣数据上传给终端设备102。
下面结合上述的系统架构，以及参考附图来描述本申请示例性实施方式提供的心律数据分类方法，需要注意的是，上述系统架构仅是为了便于理解本申请的精神和原理而示出，本申请的实施方式在此方面不受任何限制。
参阅图2所示，其为本申请实施例提供的一种尿沉渣分类检测方法的方法实施流程图，执行主体以服务器为例，该方法的具体实施流程如下：
S201：获取目标对象在设定时刻的尿沉渣数据，并对尿沉渣数据进行特征提取，获得相应的原始特征向量集。
具体的，在执行步骤S201时，服务器在获取到数据采集设备在设定时间范围内，采集到目标对象的尿沉渣数据之后，便可基于改进的YoLoX网络模型，对尿沉渣数据包含的各尿沉渣原始目标进行特征提取，从而获得相应的原始特征向量集。
在一种可能的实现方式中，参阅图3所示，改进的YoLoX网络模型主要包括：骨干网络模块、路径聚合特征金字塔网络（Path Aggregation Feature Pyramid Network，PAFPN）模块、解耦头模块，骨干网络模块主要负责对尿沉渣数据对应的原始图像进行特征提取，PAFPN模块主要负责多阶段特征的融合，解耦头模块用于输出最终的预测。
需要说明的是，CBAM主要引入在骨干网络模块部分阶段的输出与FAPFN模块之间，以及PAFPN模块中。
故而，服务器在获取到尿沉渣数据之后，便可基于改进的YoLoX网络模型中的骨干网络模块，对尿沉渣数据包含的各尿沉渣原始目标进行特征提取，从而获得相应的原始特征数据集。
S202：分别按照预设的两种通道特征采样方式，对原始特征向量集包含的各个原始特征向量进行特征压缩，获得相应的第一特征向量集和第二特征向量集。
具体的，参阅图4所示，在执行步骤S202时，服务器在获取到原始特征向量集之后，基于上述两种通道特征采用方式，对原始特征向量集包含的各个原始特征向量进行全局平均池化，获得第一语义信息集，以及对各个原始特征向量进行全局最大池化，获得第二语义信息集，从而基于获得的第一语义信息集，生成第一特征向量集，以及基于获得的第二语义信息集，生成第二特征向量集。
示例性的，服务器可通过上述改进的YoLoX网络模型中的CBAM，对输入的原始特征向量集（比如，原始特征图），多次分别使用沿通道轴向的全局平均池化和全局最大池化，从而产生两种不同的通道语义信息集，即第一语义信息集和第二语义信息集，可选的，将第一语义信息集和第二语义信息集，分别送入多层感知机Shared MLP中，生成第一通道特征图（第一特征向量集）和第二通道特征图（第二特征向量集）。
其中，全局平均池化：若输入特征图大小为H1×W1×C1，对所有通道上的特征进行平均池化，池化层的尺寸大小设为特征图输入大小H1×W1，通过下采样输出整个特征图的平均元素，输出大小为1×1×C1；全局最大池化：输入特征图大小为H2×W2×C2，对所有通道上的特征进行最大池化，池化层的尺寸大小设为特征图输入大小H1×W1，通过下采样输出整个特征图的最大元素，输出大小为1×1×C2。
S203：对原始特征向量集、第一特征向量集和第二特征向量集进行融合，获得相应的通道特征向量集。
具体的，服务器在获得第一特征向量集合和第二特征向量集之后，基于预设的特征向量融合方法，将原始特征向量集、第一特征向量集和第二特征向量集进行融合，从而获得相应的通道特征向量集，以便后续的空间特征采样，对通道特征向量集包含的各个通道特征向量进行特征提取。
示例性的，参阅图5所示，服务器基于上述改进的YoLoX网络模型中的CBAM，将第一特征向量集对应的第一语义信息集和第二特征向量集对应的第二语义信息集相加，获得第三特征向量集，并对其应用Sigmoid激活函数进行归一化，进而将归一化后的第三特征向量集通过点乘操作，与原始特征向量集融合，获得相应的通道特征向量集。
S204：按照预设的空间特征采样方式，分别对通道特征向量集包含的各个通道特征向量进行特征压缩，获得相应的空间特征向量集。
具体的，在执行步骤S204时，服务器在获得通道特征向量集之后，便可基于预设的空间特征采样方式，确定各个通道特征向量各自的空间特征权重；接着，从各个通道特征向量中，筛选出满足预设的空间特征权重条件的至少一个通道特征向量；最终，基于通道特征向量集和至少一个通道特征向量，获得相应的空间特征向量集。
示例性的，参阅图6所示，服务器可基于上述改进的YoLoX网络模型中的CBAM，对通道特征向量集，进行全局平均池化和全局最大池化的融合处理，进而将融合处理后的应用Sigmoid激活函数进行归一化，进而将归一化后的通道特征向量集和最初的通道特征向量集进行点乘操作，从而获得相应的空间特征向量集。
S205：基于空间特征向量集包含的各个空间特征向量，确定尿沉渣数据的尿沉渣类别。
具体的，参阅图7所示，在执行步骤S205时，服务器在确定各个空间特征向量各自的空间特征权重之后，便可根据预设的空间特征权重区间，分别确定各个空间特征向量各自对应的空间特征权重，各自归属的空间特征权重区间；接着，基于获得的各个空间特征权重区间，以及预设的空间特征权重区间与尿沉渣类别之间的对应关系，确定尿沉渣数据的尿沉渣类别。
示例性的，以两个空间特征向量为例，则两个空间特征向量各自对应的空间特征权重区间，及其各自的尿沉渣类别如表1所示：
表1
Figure 679165DEST_PATH_IMAGE002
需要说明的是，上述表格中，空间特征向量Spa.Feat.V1可根据预设的空间特征权重区间划分规则，可被划分为两个空间特征权重区间，空间特征向量Spa.Feat.V2可根据预设的空间特征权重区间划分规则，也可被划分为两个空间特征权重区间；进一步地，服务器在确定空间特征向量Spa.Feat.V1和空间特征向量Spa.Feat.V2各自对应的空间特征权重，各自归属的空间特征权重区间之后，便可确定相应尿沉渣数据的尿沉渣类别。
示例性的，以尿沉渣数据对应的空间特征向量Spa.Feat.V1的空间特征权重，属于空间特征向量区间1，以及空间特征向量Spa.Feat.V2的空间特征权重，属于空间特征向量区间4为例，则基于上述预设的空间特征权重区间与尿沉渣类别之间的对应关系可知，尿沉渣数据属于B类尿沉渣。
在一种可能的实现方式中，基于上述的尿沉渣分类检测方法，参阅图8所示，改进的YoLoX网络模型输入是RGB格式的图像（即尿沉渣数据），在输入端首先将其固定为640×640×3的大小；接着，由骨干网络模块提取输入图像的信息，形成固定大小的输出，主要通过五个阶段依次提取，可以看到，在每个阶段对前一个输入进行特征提取后，阶段输出中的通道数将增加一倍，特征图的长度和宽度将减少一半；再者，PAFPN模块充分融合多个阶段的特征图，并分别输出三个解耦头的特征图，从而可以用于不同大小的对象预测，其中，UP1和UP2是指对输出结果进行上采样的操作，使其与上一阶段的输出大小相一致，然后就可以进行串联操作，该模块的输出为PAFPN1、PAFPN2和PAFPN3，它们作为不同大小的对象预测的特征图；最终，经过后续的非极大值抑制（Non-Maximum Suppression，NMS）操作，得到尿沉渣数据的分类检测结果。
可选的，为了进一步提高尿沉渣数据分类检测的准确度，本申请实施例，通过获取对应各个空间特征向量设置在参考坐标系的预测向量框定范围，以及基于各个空间特征向量，各自在参考坐标系的向量坐标位置，确定各个空间特征向量的实际向量框定范围；进一步地，基于预测向量框定范围和实际向量框定范围之间的范围重合度，以及预设的重合度阈值条件，对预测向量框定范围进行修正，即提出了一种改用变焦损失后的损失函数，用于解决在真实场景下，正负样本不平衡的问题。
具体来说，变焦损失是在类别预测上引入的，本申请从Focal loss中借鉴了样本加权思想来解决类不平衡问题，但与Focal loss同等对待正负样本的损失不同，本申请选择不对称地对待它们。变焦损失定义为：
Figure 919654DEST_PATH_IMAGE003
其中，p是预测交并比感知分类评分（Intersection over Union Aware Classification Score，IACS），q是目标IACS，需要说明的是，对于正样本，q是预测包围框 和真实框之间的IoU，对于负样本，q为0，
Figure 339134DEST_PATH_IMAGE004
主要用来调节简单样本权重降低的速率，起到了 平滑作用。
从式子中可以看到，VFL只对负样本进行了衰减，这是由于正样本太少了，需要充 分利用正样本的监督信号。另一方面，为了对正样本使用
Figure 956060DEST_PATH_IMAGE005
进行了加权，如果正样本具有很 高的实际IoU，那么，loss的贡献就要大一些，这样使得训练可以聚焦在那些质量高的样本 上，为了平衡总体的正负样本，同样使用了
Figure 980648DEST_PATH_IMAGE006
进行了负样本的加权。
Figure 188775DEST_PATH_IMAGE007
其中，
Figure 829972DEST_PATH_IMAGE008
和
Figure 719431DEST_PATH_IMAGE009
分别表示FPN各层特征图上
Figure 457580DEST_PATH_IMAGE010
位置上的
Figure 39871DEST_PATH_IMAGE011
类的预测IACS和目标IACS。
Figure 168364DEST_PATH_IMAGE012
是GIoU损失，
Figure 658251DEST_PATH_IMAGE013
、
Figure 923010DEST_PATH_IMAGE014
和
Figure 676202DEST_PATH_IMAGE015
分别代表初始、细化和真实的边界框，将
Figure 354308DEST_PATH_IMAGE012
与训练 目标
Figure 585570DEST_PATH_IMAGE016
进行加权，它是前景点的实际IoU值，否则为0，遵循FCOS。
Figure 32731DEST_PATH_IMAGE017
和
Figure 425667DEST_PATH_IMAGE018
是
Figure 794331DEST_PATH_IMAGE012
的平衡权 值，
Figure 626021DEST_PATH_IMAGE019
是前景点的数量，用于标准化总损失。
基于上述的尿沉渣分类检测方法，参阅图9所示，其为本申请实施例提供的一种尿沉渣分类检测方法的具体应用场景示意图，服务器获取目标对象（比如，人员A）在设定时间范围内（2022.07.26 14:23:27~2022.07.26 14:23:47）内的尿沉渣数据Uri.Sed.Data，并对尿沉渣数据进行特征提取，获得相应的原始特征向量集Orig.Eigen.Set；接着，分别按照预设的两种通道特征采样方式（Sampling.Meth1和Sampling.Meth2），对原始特征向量集Orig.Eig.Set包含的各个原始特征向量进行特征压缩，获得相应的第一特征向量集Fri.Eig.Set和第二特征向量集Sec.Eig.Set；再者，对原始特征向量集Orig.Eig.Set、第一特征向量集Fri.Eig.Set和第二特征向量集Sec.Eig.Set进行融合，获得相应的通道特征向量集Cha.Eig.Set；进一步地，按照预设的空间特征采样方式（Sampling.Meth3），分别对通道特征向量集Cha.Eig.Set包含的各个通道特征向量进行特征压缩，获得相应的空间特征向量集Spa.Eig.Set；最终，基于空间特征向量集Spa.Eig.Set包含的各个空间特征向量，确定尿沉渣数据的尿沉渣类别为B类尿沉渣。
综上所述，在本申请实施例所提供的尿沉渣分类检测方法中，获取目标对象在设定时刻的尿沉渣数据，并对尿沉渣数据进行特征提取，获得相应的原始特征向量集；接着，分别按照预设的两种通道特征采样方式，对原始特征向量集包含的各个原始特征向量进行特征压缩，获得相应的第一特征向量集和第二特征向量集；再者，对原始特征向量集、第一特征向量集和第二特征向量集进行融合，获得相应的通道特征向量集；进一步地，按照预设的空间特征采样方式，分别对通道特征向量集包含的各个通道特征向量进行特征压缩，获得相应的空间特征向量集；最终，基于空间特征向量集包含的各个空间特征向量，确定尿沉渣数据的尿沉渣类别。
采用这种方式，对原始特征向量集、第一特征向量集和第二特征向量集进行融合，获得相应的通道特征向量集，从而按照预设的空间特征采样方式，分别对通道特征向量集包含的各个通道特征向量进行特征压缩，获得相应的空间特征向量集，进而基于空间特征向量集包含的各个空间特征向量，确定尿沉渣数据的尿沉渣类别，避免了现有技术中，因卷积神经网络模型的特征提取能力不够，导致对尿沉渣数据的分类检测不准确的技术弊端，故而，提高了尿沉渣分类检测的准确度。
进一步地，基于相同的技术构思，本申请实施例还提供了一种尿沉渣分类检测装置，该尿沉渣分类检测装置用以实现本申请实施例的上述的尿沉渣分类检测方法流程。参阅图10所示，该尿沉渣分类检测装置包括：特征获取模块1001、第一压缩模块1002、特征融合模块1003、第二压缩模块1004以及类别确认模块1005，其中：
特征获取模块1001，用于获取目标对象在设定时刻的尿沉渣数据，并对尿沉渣数据进行特征提取，获得相应的原始特征向量集；
第一压缩模块1002，用于分别按照预设的两种通道特征采样方式，对原始特征向量集包含的各个原始特征向量进行特征压缩，获得相应的第一特征向量集和第二特征向量集；
特征融合模块1003，用于对原始特征向量集、第一特征向量集和第二特征向量集进行融合，获得相应的通道特征向量集；
第二压缩模块1004，用于按照预设的空间特征采样方式，分别对通道特征向量集包含的各个通道特征向量进行特征压缩，获得相应的空间特征向量集；
类别确定模块1005，用于基于空间特征向量集包含的各个空间特征向量，确定尿沉渣数据的尿沉渣类别。
在一种可能的实施例中，在分别按照预设的两种通道特征采样方式，对原始特征向量集包含的各个原始特征向量进行特征压缩，获得相应的第一特征向量集和第二特征向量集时，所述第一压缩模块1002具体用于：
基于两种通道特征采样方式，对各个原始特征向量进行全局平均池化，获得第一语义信息集，以及对各个原始特征向量进行全局最大池化，获得第二语义信息集；
基于第一语义信息集，生成第一特征向量集，以及基于第二语义信息集，生成第二特征向量集。
在一种可能的实施例中，在按照预设的空间特征采样方式，分别对通道特征向量集包含的各个通道特征向量进行特征压缩，获得相应的空间特征向量集时，所述第二压缩模块1004具体用于：
基于空间特征采样方式，确定各个通道特征向量各自的空间特征权重；
从各个通道特征向量中，筛选出满足预设的空间特征权重条件的至少一个通道特征向量；
基于通道特征向量集和至少一个通道特征向量，获得相应的空间特征向量集。
在一种可能的实施例中，在基于空间特征向量集包含的各个空间特征向量，确定尿沉渣数据的尿沉渣类别时，所述类别确定模块1005具体用于：
分别确定各个空间特征向量各自对应的空间特征权重，各自归属的空间特征权重区间；
基于获得的各个空间特征权重区间，以及预设的空间特征权重区间与尿沉渣类别之间的对应关系，确定尿沉渣数据的尿沉渣类别。
在一种可能的实施例中，在基于空间特征向量集包含的各个空间特征向量，确定尿沉渣数据的尿沉渣类别的过程中，所述类别确定模块1005还用于：
获取对应各个空间特征向量设置在参考坐标系的预测向量框定范围，以及基于各个空间特征向量，各自在参考坐标系的向量坐标位置，确定各个空间特征向量的实际向量框定范围；
基于预测向量框定范围和实际向量框定范围之间的范围重合度，以及预设的重合度阈值条件，对预测向量框定范围进行修正。
基于相同的技术构思，本申请实施例还提供了一种电子设备，该电子设备可实现本申请上述实施例提供的心律数据分类方法流程。在一种实施例中，该电子设备可以是服务器，也可以是终端设备或其他电子设备。如图11所示，该电子设备可包括：
至少一个处理器1101，以及与至少一个处理器1101连接的存储器1102，本申请实施例中不限定处理器1101与存储器1102之间的具体连接介质，图11中是以处理器1101和存储器1102之间通过总线1100连接为例。总线1100在图11中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。总线1100可以分为地址总线、数据总线、控制总线等，为便于表示，图11中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。或者，处理器1101也可以称为控制器，对于名称不做限制。
在本申请实施例中，存储器1102存储有可被至少一个处理器1101执行的指令，至少一个处理器1101通过执行存储器1102存储的指令，可以执行前文论述的一种心律数据分类方法。处理器1101可以实现图10所示的装置中各个模块的功能。
其中，处理器1101是该装置的控制中心，可以利用各种接口和线路连接整个该控制设备的各个部分，通过运行或执行存储在存储器1102内的指令以及调用存储在存储器1102内的数据，该装置的各种功能和处理数据，从而对该装置进行整体监控。
在一种可能的设计中，处理器1101可包括一个或多个处理单元，处理器1101可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1101中。在一些实施例中，处理器1101和存储器1102可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。
处理器1101可以是通用处理器，例如CPU、数字信号处理器、专用集成电路、现场可编程门阵列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，可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的一种心律数据分类方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器1102作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器1102可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器（Random AccessMemory，RAM）、静态随机访问存储器（Static Random Access Memory，SRAM）、可编程只读存储器（Programmable Read Only Memory，PROM）、只读存储器（Read Only Memory，ROM）、带电可擦除可编程只读存储器（Electrically Erasable Programmable Read-Only Memory，EEPROM）、磁性存储器、磁盘、光盘等等。存储器1102是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器1102还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。
通过对处理器1101进行设计编程，可以将前述实施例中介绍的一种尿沉渣分类检测方法所对应的代码固化到芯片内，从而使芯片在运行时能够执行图2所示的实施例的一种尿沉渣分类检测方法的步骤。如何对处理器1101进行设计编程为本领域技术人员所公知的技术，这里不再赘述。
基于同一发明构思，本申请实施例还提供一种存储介质，该存储介质存储有计算机指令，当该计算机指令在计算机上运行时，使得计算机执行前文论述的一种尿沉渣分类检测方法。
在一些可能的实施方式中，本申请提供一种尿沉渣分类检测方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在装置上运行时，程序代码用于使该控制设备执行本说明书上述描述的根据本申请各种示例性实施方式的一种尿沉渣分类检测方法中的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (12)

1.一种尿沉渣分类检测方法，其特征在于，包括：
获取目标对象在设定时刻的尿沉渣数据，并对所述尿沉渣数据进行特征提取，获得相应的原始特征向量集；
分别按照预设的两种通道特征采样方式，对所述原始特征向量集包含的各个原始特征向量进行特征压缩，获得相应的第一特征向量集和第二特征向量集；
对所述原始特征向量集、所述第一特征向量集和所述第二特征向量集进行融合，获得相应的通道特征向量集；
按照预设的空间特征采样方式，分别对所述通道特征向量集包含的各个通道特征向量进行特征压缩，获得相应的空间特征向量集；
基于所述空间特征向量集包含的各个空间特征向量，确定所述尿沉渣数据的尿沉渣类别。
2.如权利要求1所述的方法，其特征在于，所述分别按照预设的两种通道特征采样方式，对所述原始特征向量集包含的各个原始特征向量进行特征压缩，获得相应的第一特征向量集和第二特征向量集，包括：
基于所述两种通道特征采样方式，对所述各个原始特征向量进行全局平均池化，获得第一语义信息集，以及对所述各个原始特征向量进行全局最大池化，获得第二语义信息集；
基于所述第一语义信息集，生成所述第一特征向量集，以及基于所述第二语义信息集，生成所述第二特征向量集。
3.如权利要求1所述的方法，其特征在于，所述按照预设的空间特征采样方式，分别对所述通道特征向量集包含的各个通道特征向量进行特征压缩，获得相应的空间特征向量集，包括：
基于所述空间特征采样方式，确定所述各个通道特征向量各自的空间特征权重；
从所述各个通道特征向量中，筛选出满足预设的空间特征权重条件的至少一个通道特征向量；
基于所述通道特征向量集和所述至少一个通道特征向量，获得相应的空间特征向量集。
4.如权利要求3所述的方法，其特征在于，所述基于所述空间特征向量集包含的各个空间特征向量，确定所述尿沉渣数据的尿沉渣类别，包括：
分别确定所述各个空间特征向量各自对应的空间特征权重，各自归属的空间特征权重区间；
基于获得的各个空间特征权重区间，以及预设的空间特征权重区间与尿沉渣类别之间的对应关系，确定所述尿沉渣数据的尿沉渣类别。
5.如权利要求1-4中任一项所述的方法，其特征在于，所述基于所述空间特征向量集包含的各个空间特征向量，确定所述尿沉渣数据的尿沉渣类别的过程中，还包括：
获取对应所述各个空间特征向量设置在参考坐标系的预测向量框定范围，以及基于所述各个空间特征向量，各自在所述参考坐标系的向量坐标位置，确定所述各个空间特征向量的实际向量框定范围；
基于所述预测向量框定范围和所述实际向量框定范围之间的范围重合度，以及预设的重合度阈值条件，对所述预测向量框定范围进行修正。
6.一种尿沉渣分类检测装置，其特征在于，包括：
特征获取模块，用于获取目标对象在设定时刻的尿沉渣数据，并对所述尿沉渣数据进行特征提取，获得相应的原始特征向量集；
第一压缩模块，用于分别按照预设的两种通道特征采样方式，对所述原始特征向量集包含的各个原始特征向量进行特征压缩，获得相应的第一特征向量集和第二特征向量集；
特征融合模块，用于对所述原始特征向量集、所述第一特征向量集和所述第二特征向量集进行融合，获得相应的通道特征向量集；
第二压缩模块，用于按照预设的空间特征采样方式，分别对所述通道特征向量集包含的各个通道特征向量进行特征压缩，获得相应的空间特征向量集；
类别确定模块，用于基于所述空间特征向量集包含的各个空间特征向量，确定所述尿沉渣数据的尿沉渣类别。
7.如权利要求6所述的装置，其特征在于，在所述分别按照预设的两种通道特征采样方式，对所述原始特征向量集包含的各个原始特征向量进行特征压缩，获得相应的第一特征向量集和第二特征向量集时，所述第一压缩模块具体用于：
基于所述两种通道特征采样方式，对所述各个原始特征向量进行全局平均池化，获得第一语义信息集，以及对所述各个原始特征向量进行全局最大池化，获得第二语义信息集；
基于所述第一语义信息集，生成所述第一特征向量集，以及基于所述第二语义信息集，生成所述第二特征向量集。
8.如权利要求6所述的装置，其特征在于，在所述按照预设的空间特征采样方式，分别对所述通道特征向量集包含的各个通道特征向量进行特征压缩，获得相应的空间特征向量集时，所述第二压缩模块具体用于：
基于所述空间特征采样方式，确定所述各个通道特征向量各自的空间特征权重；
从所述各个通道特征向量中，筛选出满足预设的空间特征权重条件的至少一个通道特征向量；
基于所述通道特征向量集和所述至少一个通道特征向量，获得相应的空间特征向量集。
9.如权利要求8所述的装置，其特征在于，在所述基于所述空间特征向量集包含的各个空间特征向量，确定所述尿沉渣数据的尿沉渣类别时，所述类别确定模块具体用于：
分别确定所述各个空间特征向量各自对应的空间特征权重，各自归属的空间特征权重区间；
基于获得的各个空间特征权重区间，以及预设的空间特征权重区间与尿沉渣类别之间的对应关系，确定所述尿沉渣数据的尿沉渣类别。
10.如权利要求6-9中任一项所述的装置，其特征在于，在所述基于所述空间特征向量集包含的各个空间特征向量，确定所述尿沉渣数据的尿沉渣类别的过程中，所述类别确定模块还用于：
获取对应所述各个空间特征向量设置在参考坐标系的预测向量框定范围，以及基于所述各个空间特征向量，各自在所述参考坐标系的向量坐标位置，确定所述各个空间特征向量的实际向量框定范围；
基于所述预测向量框定范围和所述实际向量框定范围之间的范围重合度，以及预设的重合度阈值条件，对所述预测向量框定范围进行修正。
11.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，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1-5中任一项所述的方法。
12.一种计算机可读存储介质，其上存储有计算机程序，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1-5中任一所述方法的步骤。
CN202210984911.7A 2022-08-17 2022-08-17 一种尿沉渣分类检测方法、装置、电子设备及存储介质 Active CN115063795B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210984911.7A CN115063795B (zh) 2022-08-17 2022-08-17 一种尿沉渣分类检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210984911.7A CN115063795B (zh) 2022-08-17 2022-08-17 一种尿沉渣分类检测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN115063795A true CN115063795A (zh) 2022-09-16
CN115063795B CN115063795B (zh) 2023-01-24

Family

ID=83208602

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210984911.7A Active CN115063795B (zh) 2022-08-17 2022-08-17 一种尿沉渣分类检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115063795B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180350144A1 (en) * 2018-07-27 2018-12-06 Yogesh Rathod Generating, recording, simulating, displaying and sharing user related real world activities, actions, events, participations, transactions, status, experience, expressions, scenes, sharing, interactions with entities and associated plurality types of data in virtual world
CN110599462A (zh) * 2019-08-23 2019-12-20 东南大学 一种基于不平衡Fisher判别分析的尿沉渣检测方法
CN112215117A (zh) * 2020-09-30 2021-01-12 北京博雅智康科技有限公司 一种基于宫颈细胞学图像的异常细胞识别方法及系统
CN112598620A (zh) * 2020-11-25 2021-04-02 哈尔滨工程大学 尿沉渣中透明管型、病理管型以及粘液丝的识别方法
CN113011499A (zh) * 2021-03-22 2021-06-22 安徽大学 一种基于双注意力机制的高光谱遥感图像分类方法
CN114037678A (zh) * 2021-11-05 2022-02-11 浙江工业大学 一种基于深度学习的尿液有形成分检测方法及装置
CN114140665A (zh) * 2021-12-06 2022-03-04 广西师范大学 一种基于改进YOLOv5的密集小目标检测方法
CN114445339A (zh) * 2021-12-24 2022-05-06 河北大学 基于改进Faster RCNN算法的泌尿系结石检测分类方法
CN114764778A (zh) * 2021-01-14 2022-07-19 北京图森智途科技有限公司 一种目标检测方法、目标检测模型训练方法及相关设备
CN114821665A (zh) * 2022-05-24 2022-07-29 浙江工业大学 一种基于卷积神经网络的城市人流小目标检测方法
CN114863196A (zh) * 2022-05-19 2022-08-05 中国科学院深圳先进技术研究院 基于特征融合的小目标检测方法、装置、设备及存储介质
CN114863298A (zh) * 2022-04-27 2022-08-05 南京航空航天大学 一种针对无人机端的轻量级目标检测方法
CN114886404A (zh) * 2022-07-13 2022-08-12 西南民族大学 一种心律数据分类方法、装置、电子设备及存储介质

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180350144A1 (en) * 2018-07-27 2018-12-06 Yogesh Rathod Generating, recording, simulating, displaying and sharing user related real world activities, actions, events, participations, transactions, status, experience, expressions, scenes, sharing, interactions with entities and associated plurality types of data in virtual world
CN110599462A (zh) * 2019-08-23 2019-12-20 东南大学 一种基于不平衡Fisher判别分析的尿沉渣检测方法
CN112215117A (zh) * 2020-09-30 2021-01-12 北京博雅智康科技有限公司 一种基于宫颈细胞学图像的异常细胞识别方法及系统
CN112598620A (zh) * 2020-11-25 2021-04-02 哈尔滨工程大学 尿沉渣中透明管型、病理管型以及粘液丝的识别方法
CN114764778A (zh) * 2021-01-14 2022-07-19 北京图森智途科技有限公司 一种目标检测方法、目标检测模型训练方法及相关设备
CN113011499A (zh) * 2021-03-22 2021-06-22 安徽大学 一种基于双注意力机制的高光谱遥感图像分类方法
CN114037678A (zh) * 2021-11-05 2022-02-11 浙江工业大学 一种基于深度学习的尿液有形成分检测方法及装置
CN114140665A (zh) * 2021-12-06 2022-03-04 广西师范大学 一种基于改进YOLOv5的密集小目标检测方法
CN114445339A (zh) * 2021-12-24 2022-05-06 河北大学 基于改进Faster RCNN算法的泌尿系结石检测分类方法
CN114863298A (zh) * 2022-04-27 2022-08-05 南京航空航天大学 一种针对无人机端的轻量级目标检测方法
CN114863196A (zh) * 2022-05-19 2022-08-05 中国科学院深圳先进技术研究院 基于特征融合的小目标检测方法、装置、设备及存储介质
CN114821665A (zh) * 2022-05-24 2022-07-29 浙江工业大学 一种基于卷积神经网络的城市人流小目标检测方法
CN114886404A (zh) * 2022-07-13 2022-08-12 西南民族大学 一种心律数据分类方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN115063795B (zh) 2023-01-24

Similar Documents

Publication Publication Date Title
EP3779774B1 (en) Training method for image semantic segmentation model and server
WO2021248733A1 (zh) 应用双分支三维卷积模型的人脸活体检测系统、终端及存储介质
CN113688855A (zh) 数据处理方法、联邦学习的训练方法及相关装置、设备
WO2021103731A1 (zh) 一种语义分割方法、模型训练方法及装置
WO2017045157A1 (en) Facial expression recognition using relations determined by class-to-class comparisons
WO2023284182A1 (en) Training method for recognizing moving target, method and device for recognizing moving target
CN112183166A (zh) 确定训练样本的方法、装置和电子设备
CN107358209A (zh) 人脸检测模型的训练方法、装置及人脸检测方法、装置
CN112966574A (zh) 人体三维关键点预测方法、装置及电子设备
CN114886404B (zh) 一种电子设备、装置及存储介质
CN113642466B (zh) 活体检测和模型训练方法、设备及介质
CN113379045B (zh) 数据增强方法和装置
CN110163151B (zh) 人脸模型的训练方法、装置、计算机设备和存储介质
CN116311370A (zh) 一种基于多角度特征的牛脸识别方法及其相关设备
CN113128526B (zh) 图像识别方法、装置、电子设备和计算机可读存储介质
CN115063795B (zh) 一种尿沉渣分类检测方法、装置、电子设备及存储介质
CN108596068B (zh) 一种动作识别的方法和装置
CN116630768A (zh) 目标检测方法和装置、电子设备及存储介质
CN112329735B (zh) 人脸识别模型的训练方法及在线教育系统
CN117011566A (zh) 一种目标检测方法、检测模型训练方法、装置及电子设备
CN113822871A (zh) 基于动态检测头的目标检测方法、装置、存储介质及设备
KR102435035B1 (ko) 가짜 뉴스 동영상 탐지 시스템 및 그의 방법
CN116778534B (zh) 图像处理方法、装置、设备和介质
CN112861586B (zh) 活体检测、图像分类和模型训练方法、装置、设备及介质
CN116977782A (zh) 一种小样本检测模型的训练方法及相关装置

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
GR01 Patent grant
GR01 Patent grant