[发明专利]基于神经网络的血清质量识别方法、装置、设备及介质

权利要求书

1.一种基于神经网络的血清质量识别方法，其特征在于，所述基于神经网络的血清质量识别方法包括：

对盛装血清样本的试管进行图像采集得到试管图像；

将所述试管图像输入预设的神经网络模型中，以供所述神经网络模型输出针对所述血清样本的血清质量识别结果，其中，所述神经网络模型通过试管图像进行卷积神经网络模型训练得到。

2.如权利要求1所述的基于神经网络的血清质量识别方法，其特征在于，所述方法通过多曝光的试管图像进行卷积神经网络模型训练；

所述基于神经网络的血清质量识别方法还包括：

获取多曝光的试管图像，从所述多曝光的试管图像中提取属于所述试管非标签区域的矩阵区域；

将所述矩阵区域输入预设的第一卷积模块进行第一卷积神经网络模型训练，并获取所述第一卷积模块针对所述矩阵区域进行第一卷积神经网络模型训练后输出的特征图；

将所述特征图进行堆叠后输入预设的第二卷积模块进行第二卷积神经网络模型训练，以得到用于针对血清样本进行血清质量识别的神经网络模型。

3.如权利要求2所述的基于神经网络的血清质量识别方法，其特征在于，所述第一卷积模块和所述第二卷积模块包括：卷积层和池化层，所述第一卷积模块和所述第二卷积模块除末尾的两个卷积层之外，每两个卷积层之后连接一个池化层；

所述第一卷积模块中的卷积层包括多个步长为1的第一卷积层和多个步长为2的第二卷积层，每两个第一卷积层中，输出端未连接所述池化层的第一卷积层与一个所述第二卷积层相连接；

所述第一卷积模块末尾的两个第一卷积层的卷积核数量小于其它第一卷积层和所述第二卷积层的卷积核数量。

4.如权利要求2或者3任一项所述的基于神经网络的血清质量识别方法，其特征在于，所述第二卷积模块的末尾连接全连接层和逻辑回归层，所述将所述特征图进行堆叠后输入预设的第二卷积模块进行第二卷积神经网络模型训练的步骤，包括：

将所述特征图进行堆叠后输入预设的第二卷积模块，并获取所述第二卷积模块基于多个所述卷积层和所述池化层对所述特征图进行处理后输出的新的特征图；

将所述新的特征图输入所述全连接层进行特征分类得到血清的质量类别，其中，所述质量类别包括：正常、溶血、脂血和黄疸；

将所述新的特征图输入所述逻辑回归层计算各所述质量类别的概率值，以用于确定所述质量类别为所述溶血、所述脂血和所述黄疸时对应的质量等级。

5.如权利要求2或者3任一项所述的基于神经网络的血清质量识别方法，其特征在于，所述基于神经网络的血清质量识别方法还包括：

为所述特征图分配权重，并将所述特征图与分配得到的权重相乘之后，执行所述将所述特征图进行堆叠后输入预设的第二卷积模块的步骤。

6.如权利要求2所述的基于神经网络的血清质量识别方法，其特征在于，所述从所述多曝光的试管图像中提取属于所述试管非标签区域的矩阵区域的步骤，包括：

对所述多曝光的试管图像进行血清样本分析，以计算所述多曝光的试管图像中，所述试管盛装的血清样本的血清液面最高位位置和血清液面最低位位置；

根据所述血清液面最高位位置和所述血清液面最低位位置，从所述试管非标签区域提取预设尺寸的矩阵区域。

7.如权利要求6所述的基于神经网络的血清质量识别方法，其特征在于，所述根据所述血清液面最高位位置和所述血清液面最低位位置，从所述试管非标签区域提取预设尺寸的矩阵区域的步骤，包括：

根据所述血清液面最高位位置和所述血清液面最低位位置，从所述试管非标签区域中确定血清图像区域；

按照所述预设尺寸从所述血清图像区域中截取所述矩阵区域，其中，所述预设尺寸小于所述血清图像区域的尺寸。