[发明专利]基于DETR模型的显微图像中白细胞检测方法

权利要求书

1.一种基于DETR模型的显微图像中白细胞检测方法，其特征在于，包括：

1)采集包含白细胞的显微图像，人工标注出显微图像中的白细胞，构建成数据集，然后将数据集划分为训练集和验证集；

2)使用colorjitter算法对数据集亮度和对比度的增强，将亮度和对比度的作为超参数进行调节，由验证集的检测精度确定最佳超参数；

3)使用迁移学习算法通过训练集对DETR模型进行训练，达到设定的精度后，得到训练好的DETR模型；

4)将待检测的显微图像输入训练好的DETR模型中，得到显微图像中的白细胞检测结果。

2.根据权利要求1所述的基于DETR模型的显微图像中白细胞检测方法，其特征在于，所述步骤1)中，将数据集的图片和标注信息做成MSCOCO数据集的格式后再进行划分。

3.根据权利要求2所述的基于DETR模型的显微图像中白细胞检测方法，其特征在于，所述步骤1)中，将按照训练集：验证集＝8:2的比例对数据集进行划分。

4.根据权利要求3所述的基于DETR模型的显微图像中白细胞检测方法，其特征在于，所述步骤2)具体包括：

2-1)调用pytorch框架中的ColorJitter类，加入到DETR数据增强方法中，用于对图片亮度和对比度进行增强；

2-2)首先给定特定亮度值a和对比度值b，通过将该值下增强的图片与其他图片对比，定性确定是否在数据集图片的预设亮度和对比度范围内，以此为基准进行训练；

2-3)将亮度值a和对比度值b作为模型训练的超参数，根据训练得到的模型检测精度进行调参，调节为分别包含a和b的区间范围，以达到最优检测精度，作为最终的超参数。

5.根据权利要求4所述的基于DETR模型的显微图像中白细胞检测方法，其特征在于，所述步骤3)具体包括：获取MSCOCO数据集上的DETR预训练权重，导入到DETR模型中，通过步骤2)得到的训练集对DETR模型进行训练，达到设定的精度后，得到训练好的DETR模型。

6.根据权利要求5所述的基于DETR模型的显微图像中白细胞检测方法，其特征在于，所述步骤3)中，将DETR预训练权重文件中的类别层中的class_embed相关类别参数更新为6，以适应迁移学习的任务。

7.根据权利要求6所述的基于DETR模型的显微图像中白细胞检测方法，其特征在于，所述步骤3)中，将DETR模型主体中定义的类别参数num_classes改成6，以适应迁移学习的任务。

8.根据权利要求7所述的基于DETR模型的显微图像中白细胞检测方法，其特征在于，所述DETR模型包括输入层、colorjitter数据增强模块、CNN骨干网络、图像特征集合模块、基于Transformer的编码器与解码器以及输出层。

9.一种存储介质，其上存储有计算机程序，其特征在于，该程序被执行时用于实现如权利要求1-8中任意一项所述的方法。

10.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在处理器上运行的计算机程序，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1-8中任意一项所述的方法。