[发明专利]基于深度学习的基因图像处理估计方法、系统、介质及设备

权利要求书

1.一种基于深度学习的基因图像处理方法，其特征在于，所述方法包括：

获取原始图像，据以组建标注为样本集；

划分所述样本集为训练样本和测试样本，获取并提取预选模型，据以迁移学习所述训练样本得图像预测模型；

根据所述图像模型计算所述测试样本得预测计算结果；

获取实际监测结果，比较所述实际监测结果与所述预测计算结果得指标计算信息，据以计算性能指标数据。

2.根据权利要求1所述的方法，其特征在于，所述获取原始图像，据以组建标注为样本集，包括：

获取所述原始图像、标注信息；

获取阶段分类数据，据以分类所述原始图像为阶段图像；

排序所述标注信息得标注标签；

根据所述阶段图像和所述标注标签生成标签向量；

以所述阶段图像拼接获取样本数据，根据所述标签向量筛选所述样本数据得所述样本集。

3.根据权利要求1所述的方法，其特征在于，所述划分所述样本集为训练样本和测试样本，获取并提取预训练模型，据以迁移学习所述训练样本得图像预测模型，包括：

按照预设比例划分所述样本集为所述训练样本和所述测试样本；

获取一所述预训练模型；

将所述训练样本按照阶段分类数据输入所述预训练模型计算得损失关系数据；

以预设逻辑更新所述预训练模型的模型参数；

根据所述模型参数输出待筛模型数据；

以预设筛选逻辑筛选所述待筛模型数据得所述图像预测模型。

4.根据权利要求3所述的方法，其特征在于，所述获取一所述预训练模型，包括：

预训练得特征提取层；

初始处理得一卷积神经网络层；

预设一预测向量层，据以与所述特征提取层和所述卷积神经网络层构成所述预训练模型。

5.根据权利要求3所述的方法，其特征在于，所述以预设筛选逻辑筛选所述待筛模型数据得所述图像预测模型，包括：

获取损失关系数据；

迭代计算所述损失关系数据，以得到收敛数据；

根据所述所述收敛数据判断所述待筛模型数据是否稳定；

若是，则判定当前所述待筛模型数据对应的模型为图像预测模型；

若否，则判定当前所述待筛模型数据对应的模型非图像预测模型。

6.一种基于深度学习的基因图像处理系统，其特征在于，包括：图像采集模块、预测模型模块、预测结果模块和性能指标模块：

所述图像采集模块，用于获取原始图像，据以组建标注为样本集；

所述预测模型模块，用于划分所述样本集为训练样本和测试样本，获取并提取预选模型，据以迁移学习所述训练样本得图像预测模型；

所述预测结果模块，用于根据所述图像模型计算所述测试样本得预测计算结果；

所述性能指标模块，用于获取实际监测结果，比较所述实际监测结果与所述预测计算结果得指标计算信息，据以计算性能指标数据。

7.根据权利要求6所述的系统，其特征在于，所述图像采集模块，包括：标注获取模块、阶段分类模块、标签获取模块、标签向量模块和样本筛选模块；

所述标注获取模块，用于获取所述原始图像、标注信息；

所述阶段分类模块，用于获取阶段分类数据，据以分类所述原始图像为阶段图像；

所述标签获取模块，用于排序所述标注信息得标注标签；

所述标签向量模块，用于根据所述阶段图像和所述标注标签生成标签向量；

所述样本筛选模块，用于以所述阶段图像拼接获取样本数据，根据所述标签向量筛选所述样本数据得所述样本集。