[发明专利]一种基于yolov3算法的粪便有形成分的检测方法

说明书

本发明提供一种基于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。

技术领域

本发明属于粪便镜检检测技术领域，尤其涉及一种基于yolov3算法的粪便有形成分的检测方法。

背景技术

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。

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。

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。

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。

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。

发明内容

为了解决上述技术问题，本发明提供一种基于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。

优选的，所述步骤S1具体为：