[发明专利]基于迁移学习的白细胞图像检测识别模型构建方法及应用

权利要求书

1.一种基于迁移学习的白细胞图像检测识别模型构建方法，其特征在于，包括：

构建基于迁移学习的白细胞检测识别模型识别白细胞的类别和位置坐标；

以coco数据集为第一数据库；获取若干白细胞图片，进行白细胞的轮廓及类别标注后形成第二数据库；

在所述第一数据库选取样本对所述白细胞检测识别模型进行第一阶段训练，满足第一阶段完成条件后，在所述第二数据库选取样本对所述白细胞检测识别模型进行第二阶段训练，直至满足第二阶段完成条件；

对完成训练的模型进行封装打包。

2.根据权利要求1所述的一种基于迁移学习的白细胞图像检测识别模型构建方法，其特征在于：

第一数据库采用coco数据集作为样本，进行随机排序后，划分为训练集，验证集和测试集，分别进行扩充，用于所述白细胞检测识别模型第一阶段训练、验证和测试；

将第二数据库终得样本进行随机排序后，划分为训练集，验证集和测试集，分别进行扩充，用于所述白细胞检测识别模型第二阶段训练、验证和测试。

3.根据权利要求1或2所述的一种基于迁移学习的白细胞图像检测识别模型构建方法，其特征在于：所述白细胞检测识别模型包括预处理模块、特征金字塔生成模块、定位及分类模块、检测结果后处理模块以及结果融合模块；

所述预处理模块将输入图像处理为设定大小，并进行归一化；

所述特征金字塔生成模块包括四级下采样残差块以及三级上采样残差块；四级下采样残差块依次串联，对归一化后的图像进行下采样提取特征图；第一级上采样残差块对第四级下采样残差块输出的特征图进行上采样后与第三级下采样残差块输出的特征图进行融合；第二级上采样残差块对第一级上采样残差块输出的特征图进行上采样后与第二级下采样残差块输出的特征图进行融合；第三级上采样残差块对第二级上采样残差块输出的特征图进行上采样后与第一级下采样残差块输出的特征图进行融合；三级上采样残差块输出的融合后的特征图构成特征金字塔；

所述定位及分类模块对每级上采样残差块输出的融合后的特征图设置先验轮廓框识别出白细胞轮廓，分别通过对应的卷积层输出所述白细胞轮廓属于每一个类别的概率和细胞的位置坐标；

所述检测结果后处理模块采用非最大值抑制法对所述定位及分类模块输出的每一个类别的概率和细胞的位置坐标进行后处理；

所述结果融合模块将三张特征图的检测和识别结果进行融合，得到初步融合的结果进行非最大值抑制后，通过投票方式输出融合后的白细胞的类别和位置坐标。

4.根据权利要求3所述的一种基于迁移学习的白细胞图像检测识别模型构建方法，其特征在于：第一级上采样残差块输出的特征图设置第一、第二先验轮廓框；第二级上采样残差块输出的特征图设置第三、第四先验轮廓框；第三级上采样残差块输出的特征图设置第五、第六先验轮廓框；

第一至第六先验轮廓框的尺寸依次递减。

5.根据权利要求4所述的一种基于迁移学习的白细胞图像检测识别模型构建方法，其特征在于：

所述第一至第六先验轮廓框的尺寸通过对白细胞轮廓进行聚类分析获得。

6.根据权利要求3所述的一种基于迁移学习的白细胞图像检测识别模型构建方法，其特征在于：采用非最大值抑制法进行后处理包括：按照识别的类别概率分布取最大值所对应索引，然后计算具有与最大值所对应的索引相同的白细胞的位置坐标的交并比，将交并比大于设定阈值的检测框去除，得到后处理的检测结果。

7.根据权利要求3所述的一种基于迁移学习的白细胞图像检测识别模型构建方法，其特征在于：将三张特征图的检测和识别结果进行融合包括计算三张特征图中所有索引值的检测框的交并比，当交并比大于设定阈值时，通过投票方式得出融合后的白细胞的类别和位置坐标；对融合后的白细胞的类别和位置坐标进行非最大值抑制后输出白细胞的类别和位置坐标。

8.根据权利要求1或2所述的一种基于迁移学习的白细胞图像检测识别模型构建方法，其特征在于：所述第一阶段训练为25轮，初始学习率为0.001；所述第一阶段训练为50轮，初始化学习率为0.001。