[发明专利]一种基于人工智能的抗酸杆菌识别方法

权利要求书

1.一种基于人工智能的抗酸杆菌识别方法，其特征在于：包括以下步骤：

S1：制备抗酸杆菌识别模型，并将该抗酸杆菌识别模型部署到服务器中；

S2：制备待识别抗酸杆菌的病理玻片；

S3：通过扫描仪对S2步骤中所制备的待识别病理玻片进行扫描，并将扫描结果制成图片上传至服务器中；

S4：将S3步骤中所制成的图片预处理，然后用S1中训练好的抗酸杆菌识别模型进行识别，得到待识别抗酸杆菌相应的坐标信息；

S5：将S3步骤中所制成的图片以及S4步骤中待识别抗酸杆菌相应的坐标信息在网页端软件中展示出来，得到待识别抗酸杆菌的效果图。

2.根据权利要求1所述的基于人工智能的抗酸杆菌识别方法，其特征在于：所述S1中训练抗酸杆菌识别模型包括以下步骤：

S11：制备抗酸杆菌的病理玻片；

S12：通过计算机控制扫描仪对S11步骤中所述病理玻片进行扫描生成图片，并将图片传送至服务器；

S13：随机选取抗酸杆菌病理玻片图片，并将图片随机划分为训练集、验证集和测试集；

S14：将图片中含有抗酸杆菌的区域以及一些噪声区域进行标注；

S15：对S14步骤中图片的标注位置进行去噪、滤波处理；

S16：构建深度神经网络模型；

S17：将训练集放到深度神经网络模型中，调整参数进行识别并得到识别好的模型；

S18：将测试集放到识别好的模型中进行测试。

3.根据权利要求2所述的基于人工智能的抗酸杆菌识别方法，其特征在于：S13步骤中所述的随机选取已经扫描好的抗酸染色结核杆菌病理切片图片，并将该图片随机划分为训练集、验证集和测试集，具体实施步骤为：

S131：随机选取32张已经扫描好的抗酸染色结核杆菌病理切片图片；

S132：在每张抗酸杆菌病理切片图片随机选取3000张416*416像素大小的图片，形成96000张416*416像素的图片；

S133：将96000张416*416像素的图片以8：1：1为数据比基数随机划分为训练集、验证集和测试集。

4.根据权利要求2或3所述的基于人工智能的抗酸杆菌识别方法，其特征在于：S16中所述的构建深度神经网络模型其具体步骤为：

S161：创建一个19层的卷积神经网络，包括卷积层、激活函数以及池化层；

S162：创建一个区域用于检测神经网络层，并分为两个通道，一个通道是通过softmax对所述区域进行分类，另外一个通道是通过不同的卷积核来计算所述区域的偏移量来获得精准的区域；

S163：将卷积神经网络和所述区域检测神经网络的结果作为一个池化层的输入，将原始图片和所述区域结合起来，最后将上一个池化层的输入作为全连接层以及softmax的输入来进行检测分类并形成预处理好的深度神经网络模型；

S164：将S13步骤中所述的训练集作为S163步骤中深度神经网络模型的输入数据，通过每一层的卷积神经网络首先正向传播然后再反向传播，调整每一层网络的权重，最终使误差最小，重复上述过程直到设定次数或损误差失的平均值不再下降；

S165：使用验证集来对模型进行验证，记录结果，再把样本打乱，重新选择训练集和测试集，继续训练数据和检验模型，最后选择损失函数评估最优作为深度神经网络模型。

5.根据权利要求4所述的基于人工智能的抗酸杆菌识别方法，其特征在于：S18步骤中测试集测试时，首先将测试集作为S17步骤中模型的输入进行识别，然后，使用损失函数以及梯度下降算法进行优化和加速。

6.根据权利要求2、3或5任一所述的基于人工智能的抗酸杆菌识别方法，其特征在于：S18步骤中测试集测试时，如果测试数据准确率能够大于94％，并且查准率大于92％，则输出抗酸杆菌识别模型，若测试数据准确率小于94％或者查准率小于92％，则重复步骤S12－S17直至测试数据准确率大于94％，同时查准率大于92％然后输出识别模型。