[发明专利]多源藻类图像目标检测方法、系统、电子设备及存储介质

权利要求书

1.一种多源藻类图像目标检测方法，其特征在于，包括：

编写藻类自动化爬取工具；

按照选定种类的藻类名称，利用所述藻类自动化爬取工具爬取多源的藻类图像；

使用yolo v3模型目标检测算法框定每个藻类图像中出现的藻类细胞的具体像素范围，并赋予爬虫索引的标签，构成源域数据集；

获取由无标签藻类图像构成的目标域数据集；

根据源域数据集和目标域数据集，采用FasterRCNN进行迁移学习，获得多源藻类图像目标检测模型；

将待检测的藻类图像输入所述多源藻类图像目标检测模型，输出藻类图像中每个藻细胞的分类。

2.根据权利要求1所述的多源藻类图像目标检测方法，其特征在于，所述藻类自动化爬取工具包括：URL管理器、调度器、网页下载器和网页解析器；

调度器用于从URL管理器中获取需要爬取的URL地址，将需要爬取的URL地址传入网页下载器；

网页下载器用于根据所述需要爬取的URL地址下载网页，并转换成网页字符串后通过调度器传入网页解析器；

网页解析器用于解析网页字符串，利用正则表达式获得所有藻类图像的下载地址，并根据下载地址通过半自动化的形式从开源的中英文网站中爬取藻类图像；

调度器还用于接收爬取的藻类图像。

3.根据权利要求1所述的多源藻类图像目标检测方法，其特征在于，按照选定种类的藻类名称，利用所述藻类自动化爬取工具爬取多源的藻类图像，之后还包括：

将每张藻类图像输入预先训练好的二分类器中判断是否为细胞图片，获得第一输出结果；

若所述第一输出结果表示否，则删除藻类图像；

若所述第一输出结果表示是，则保留清晰度大于清晰度阈值，且藻类细胞在整张图像中所占的比例大于比例阈值的藻类图像；

使用目标检测算法判断保留的藻类图像中是否存在异物，获得第二输出结果；

若所述第二输出结果表示否，则保留藻类图像；

若所述第二输出结果表示是，则将通过消融实验判断异物会对后续网络学习造成干扰的藻类图像删除；

从保留的藻类图像中选取预设数量的藻类图像，并通过裁剪、旋转和缩放对预设数量的藻类图像进行数据增强。

4.根据权利要求1所述的多源藻类图像目标检测方法，其特征在于，所述采用FasterRCNN进行迁移学习，具体包括：

冻结FasterRCNN中Backbone模块的初始预设层数的卷积层和池化层，并利用Backbone模块提取特征图；

根据源域数据集和目标域数据集中的不同，调节网络参数；

采用深度适应网络中的多核MMD自适应FasterRCNN中RCNN network模块的多层全连接网络层，通过多核MMD减少源域与目标域之间的差异。

5.根据权利要求1所述的多源藻类图像目标检测方法，其特征在于，所述待检测的藻类图像是在光学显微镜下观察到藻细胞的藻类图像。

6.一种多源藻类图像目标检测系统，其特征在于，包括：

编写模块，用于编写藻类自动化爬取工具；

爬模块，用于按照选定种类的藻类名称，利用所述藻类自动化爬取工具爬取多源的藻类图像；

分类标注模块，用于使用yolo v3模型目标检测算法框定每个藻类图像中出现的藻类细胞的具体像素范围，并赋予爬虫索引的标签，构成源域数据集；

目标域数据集获取模块，用于获取由无标签藻类图像构成的目标域数据集；

迁移学习模块，用于根据源域数据集和目标域数据集，采用Faster RCNN进行迁移学习，获得多源藻类图像目标检测模型；

分类检测模块，用于将待检测的藻类图像输入所述多源藻类图像目标检测模型，输出藻类图像中每个藻细胞的分类。

7.一种电子设备，其特征在于，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的多源藻类图像目标检测方法。

8.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被执行时实现如权利要求1至5中任一项所述的多源藻类图像目标检测方法。