一种基于yolov3算法的粪便有形成分的检测方法技术

本发明专利技术提供一种基于yolov3算法的粪便有形成分的检测方法，包括以下步骤：获取原始镜检图像，并对其进行数据增强处理，构建镜检图像数据集；对构建的镜检图像数据集进行图像标注处理，构建对应的图像样本集，并统计红细胞、白细胞标注框的高度和宽度及面积；通过yolov3算法进行训练，获得粪便有形成分检测模型；将待识别的原始镜检图像经伽马增强后输入到粪便有形成分检测模型中，并输出置信得分>0.2的检测结果；步骤S4输出的检测结果中进行阈值筛选，将符合条件的检测结果认为检测正确的有形成分。本发明专利技术能够快速得到高精度的检测结果，操作步骤简单、用户体验好，且便于实际应用和推广。推广。推广。

【技术实现步骤摘要】
一种基于yolov3算法的粪便有形成分的检测方法


[0001]本专利技术属于粪便镜检检测
，尤其涉及一种基于yolov3算法的粪便有形成分的检测方法。

技术介绍

[0002]粪便镜检是医院三大常规检测之一，在临床检验中极其重要。它通过显微镜对粪便样本图片分析判断，以获得机体的病理状态。据统计，一个市级三甲医院平均每天粪便常规检测量有上百例之多。但是长期以来，传统的显微镜图像检测都是通过人工分类计数完成的。这种人工分类计数的方法存在很多不足：（1）检验工作量大，检验医生培养难度大，工作效率有限；（2）样本放置时间久了容易给检验带来干扰，造成错误的分类计数；（3）连续工作很容易疲劳，造成因主观因素导致错误的分类计数；（4）当遇到检验高峰，由于不能及时准确的得出检验结果，很容易延误患者病人及时就诊。
[0003]近几年，深度学习得到高速发展，基于深度学习的计算机视觉在粪便镜检方面代替人工成为了可能。粪便常规检测的主要目的是检测出粪便镜检图像中的有形成分，给出临床诊断。总体来说镜检图像主要有如下特点：（1）图像成分复杂；（2）图像中的有形成分大小不一，容易出现堆叠的情况；（3）粪便样本放置时间，采集环境都会影响到最终的图像结果。
[0004]由于图像的质量会直接影响到粪便有形成分的检测结果，因此镜检图像的获取非常重要。
[0005]到目前为止，粪便常规镜下检测经历的三个阶段分别为：(1)纯手工镜检：检验医生将粪便样本进行涂片处理，在显微镜下直接肉眼分类计数完成检验；（2）半自动镜检：检验医生无需进行涂片处理，直接在电脑显示器上的镜检图片进行分类计数，得到检验结果；（3）全自动镜检：利用电脑程序直接对镜检图片进行分析处理，医生直接在电脑显示器上得到检验结果。
[0006]但是目前对于全自动镜检的研究还不是很成熟，对粪便有形成分的识别速度和准确度还有待提升。

技术实现思路

[0007]为了解决上述技术问题，本专利技术提供一种基于yolov3算法的粪便有形成分的检测方法，包括以下步骤：步骤S1：获取原始镜检图像，并对其进行数据增强处理，构建镜检图像数据集；
步骤S2：对构建的镜检图像数据集进行图像标注处理，构建对应的图像样本集，并统计红细胞、白细胞标注框的高度和宽度及面积；步骤S3：通过yolov3算法进行训练，获得粪便有形成分检测模型；步骤S4：将待识别的原始镜检图像经伽马增强后输入到粪便有形成分检测模型中，并输出置信得分>0.2的检测结果；步骤S5：对步骤S4输出的检测结果中进行阈值筛选，将符合条件的检测结果认为检测正确的有形成分。
[0008]优选的，所述步骤S1具体为：步骤S11：原始镜检图像为显微镜拍摄的粪便样本图像；步骤S12：对粪便样本图像进行数据增强处理；优选的，所述步骤S12中数据增强处理的方法包括对镜检图像进行对比度处理、对镜检图像进行水平翻转处理、对镜检图像进行垂直翻转处理和对镜检图像顺时针旋转90度处理。
[0009]优选的，所述步骤 S2具体为：步骤S21：图像标注处理：使用开源数据标注工具在可视化界面对镜检图像数据集中的有形成分位置进行画框及标签添加处理；步骤S22：将画框及标签添加后的镜检图像数据集划分出训练集、测试集和验证集，作为图像样本集；步骤S23：统计红细胞、白细胞标注框的高度（H）和宽度（W），分别计算红细胞和白细胞的高度和宽度的比率R=max(H,W)/min(H,W)，面积S=H*W，并进行排序，其中R1和S1为红细胞比率的中位值和面积中位值，R2和S2为白细胞比率的中位值和面积中位值。
[0010]优选的，所述步骤 S3具体为：步骤S31：通过yolov3算法进行训练，设置训练参数：设置learing rate为0.001，epoch为400，batchsize为64；步骤S32：训练：将训练集输入到训练算法中，采用GPU进行训练；步骤S33：参数调整：通过测试集和验证集对训练模型进行验证，并根据验证结果对训练参数进行调整；步骤S34：模型训练完成：当训练模型的loss值变化在10epoch内，完成yolov3算法的训练，获得粪便有形成分检测模型。
[0011]优选的，所述步骤 S4具体为：步骤S41：对原始镜检图像进行伽马增强；步骤S42：将增强后的图像输入粪便有形成分检测模型，得到检测结果，其中检测结果包括有形成分类别、置信得分、坐标位置三部分。
[0012]优选的，所述步骤 S5具体为：步骤S51：对步骤S4输出的检测结果进行筛选，对于置信得分>0.5,则认为检测结果正确；步骤S52：对置信得分<0.5且类别属于红细胞、白细胞的有形成分，依据R1、S1、R2、S2进行阈值筛选，符合阈值条件的检测结果认为正确。
[0013]优选的，所述步骤 S52中阈值筛选的参数为:r1_th_max>R1>r1_th_min、s1_th_
max>S1>s1_th_min,r2_th_max>R2>r2_th_min,s2_th_max>S2>s2_th_min,其中r1_th_max=R1*(1+0.2),r1_th_min=R1*0.8,s1_th_max=S1*(1+0.2)，s1_th_min=S1*0.8,r2_th_max=R2*(1+0.2),r2_th_min=R2*0.8,S2_th_max=S2*(1+0.2)，s2_th_min=S2*0.8。
[0014]优选的，所述有形成分的类型包括红细胞、白细胞、霉菌、结晶、脂肪球和虫卵。
[0015]与现有技术相比，本专利技术的有益效果为：本专利技术首先使用图像处理对粪便镜检图像进行增强；接着利用样本标注工具对样本进行标记，并对标注的有形成分进行长宽统计，统计有形成分的面积，再使用yolov3算法对镜检图像进行训练，生成粪便有形成分检测模型；对检测结果依据阈值和统计的长宽、面积进行筛选，最终快速得到高精度的检测结果，操作步骤简单、用户体验好，且便于实际应用和推广。
附图说明
[0016]图1是本专利技术的流程图。
具体实施方式
[0017]以下结合附图对本专利技术做进一步描述：实施例：如附图1所示：本专利技术提供一种基于yolov3算法的粪便有形成分的检测方法，包括以下步骤：（1）获取原始镜检图像，其中原始镜检图像为显微镜拍摄的粪便样本图像，并对粪便样本图像进行数据增强处理，所述数据增强处理包括镜检图像进行对比度处理、对镜检图像进行水平翻转处理、对镜检图像进行垂直翻转处理和对镜检图像顺时针旋转90度处理，构建镜检图像数据集；（2）对构建的镜检图像数据集进行图像标注处理，使用开源数据标注工具在可视化界面对镜检图像数据集中的有形成分位置进行画框及标签添加处理，将画框及标签添加后的镜检图像数据集划分出训练集、测试集和验证集，构建对应的图像样本集，统计红细胞、白细胞标注框的高度（H）和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于yolov3算法的粪便有形成分的检测方法，其特征在于，包括以下步骤：步骤S1：获取原始镜检图像，并对其进行数据增强处理，构建镜检图像数据集；步骤S2：对构建的镜检图像数据集进行图像标注处理，构建对应的图像样本集，并统计红细胞、白细胞标注框的高度和宽度及面积；步骤S3：通过yolov3算法进行训练，获得粪便有形成分检测模型；步骤S4：将待识别的原始镜检图像经伽马增强后输入到粪便有形成分检测模型中，并输出置信得分>0.2的检测结果；步骤S5：对步骤S4输出的检测结果中进行阈值筛选，将符合条件的检测结果认为检测正确的有形成分。2.如权利要求1所述的一种基于yolov3算法的粪便有形成分的检测方法，其特征在于，所述步骤S1具体为：步骤S11：原始镜检图像为显微镜拍摄的粪便样本图像；步骤S12：对粪便样本图像进行数据增强处理。3.如权利要求2所述的一种基于yolov3算法的粪便有形成分的检测方法，其特征在于，所述步骤S12中数据增强处理的方法包括对镜检图像进行对比度处理、对镜检图像进行水平翻转处理、对镜检图像进行垂直翻转处理和对镜检图像顺时针旋转90度处理。4.如权利要求1所述的一种基于yolov3算法的粪便有形成分的检测方法，其特征在于，所述步骤 S2具体为：步骤S21：使用开源数据标注工具在可视化界面对镜检图像数据集中的有形成分位置进行画框及标签添加处理；步骤S22：将画框及标签添加后的镜检图像数据集划分出训练集、测试集和验证集，作为图像样本集；步骤S23：统计红细胞、白细胞标注框的高度（H）和宽度（W），分别计算红细胞和白细胞的高度和宽度的比率R=max(H,W)/min(H,W)，面积S=H*W，并进行排序，其中R1和S1为红细胞比率的中位值和面积中位值，R2和S2为白细胞比率的中位值和面积中位值。5.如权利要求1所述的一种基于yolov3算法的粪便有形成分的检测方法，其特征在于，所述步骤 S3具体为：步骤S31：通过yolov3算法进行训练，设置训练参数：设置learing rate为0.001，epoch为400，batchsize为64；步骤S32...

【专利技术属性】
技术研发人员：赵国军，刘律文，吕超，周华明，李昂，陈健，李文倩，张帅，
申请(专利权)人：上海长为数据技术有限公司，
类型：发明
国别省市：