[发明专利]基于圆形特征的鲁棒血细胞检测方法

说明书

本发明涉及一种基于圆形特征的鲁棒血细胞检测方法。该方法，首先设置模型的相关配置，模型采用YOLO，骨干网络采用抗噪特征提取模块结合Darknet53；通过抗噪特征提取模块实现噪声鲁棒；模型共有三个输出，每个输出的尺度不同，并且分别负责检测不同大小的目标；锚框形状采用圆形；锚框直径通过数据集聚类获得，每个检测头分配3个相应大小的锚框；训练阶段开始后，每张输入图像通过分配器分配正负样本，进行预处理后输入模型，三个检测头得到不同的输出；预先分配好的正负样本根据损失函数分别进行损失计算；最后通过反向传播训练模型；直到模型损失趋于平缓，训练结束，保存参数文件。模型在YOLO的基础上增加了圆形锚框与IOU损失函数，以及抗噪特征提取模块，显著提高了模型对于圆形目标的检测精度和抗噪能力。

技术领域

本发明涉及计算机视觉技术领域，特别一种基于圆形特征的鲁棒血细胞检测方法。

背景技术

目标检测是指从图像信息中定位出人们感兴趣的目标，属于是计算机视觉里面一个基础的难题。目标检测广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域，通过计算机视觉减少对人力资本的消耗，具有重要的现实意义。早期的目标检测算法主要是通过传统的数学方法来进行检测，如Viola Jones检测器和HOG检测器等。后来出现了基于深度学习的目标检测算法，取得了较好的效果。目前主流的效果较好的目标检测算法都是基于深度学习。如YOLO系列，FasterRCNN等。针对各种不同类型的目标检测模型已经在公共数据集上达到了较高的精度，但是当落实到具体环境时精度往往不尽如人意。因为实际环境中图像质量会受到许多因素的影响，如噪声等。会在很大程度上影响模型的精度。

本发明主要针对血细胞目标。血细胞数据集包括三种类型的目标。大部分目标为血细胞，还有少量的白细胞和血小板。因为血细胞较为密集，且常出现重叠情况，所以每张图片都存在几个较难检测的血细胞目标。血小板目标相对较小，没有明显的边缘和颜色特征，因此检测难度较大。白细胞目标显著，检测相对容易。同时三种类型的细胞都存在明显的圆形的轮廓特征，可作为先验信息加入模型。

发明内容

本发明的目的在于提供一种基于圆形特征的鲁棒血细胞检测方法，显著提高了模型对于圆形目标的检测精度和抗噪能力。

为实现上述目的，本发明的技术方案是：一种基于圆形特征的鲁棒血细胞检测方法，按以下步骤实现：

步骤S1、对输入图像进行预处理；

步骤S2、设置YOLO模型信息：骨干网络Backbone采用Darknet53，Darknet53由卷积层，批量归一化层和激活函数层构成；YOLO模型整体由采用残差结构的残差单元构成，每个残差单元由一层卷积层，一层批量归一化层，一层激活函数层依次构成；当有数据输入时，将输入依次通过残差单元的三层网络得到输出，将相同尺度的输入和输出相加得到下一个残差单元的输入；每隔预定的残差单元设置一层步长为s的卷积层作为池化层，骨干网络共计有5层步长为s的池化层，每两层池化层之间的残差单元个数分别为m₁、m₂、m₃、m₄、m₅，Backbone输出特征图尺寸为(w/s⁵)×(h/s⁵)；

步骤S3、预训练抗噪特征提取模块：抗噪特征提取模块整体为残差结构，共有21层；第一层为3×3的卷积层，第二层为Relu激活函数层；后续的18层为相同的结构，每层都是卷积层、批量归一化层和Relu激活函数层；最后一层为3×3的卷积层；抗噪特征提取模块的输出为输入与上述21层的差；