[发明专利]基于Tiny-YOLOv3的肺炎图像目标检测方法

说明书

本发明的技术解决方案是，提供了一种基于Tiny‑YOLOv3的肺炎图像目标检测方法，包括以下步骤：1)将原始XML文件解析为TXT，对于该TXT文件的每一行，具体包括图像绝对路径，肺炎病灶左上角以及右下角坐标值，存在病灶的概率；2)用目标检测模型Tiny‑YOLOv3对训练数据进行训练，最终得到预测值；3)将得到的预测值中的位置信息和概率信息与训练集中真实值相应的位置信息和概率信息作差通过损失函数处理，最终根据所述损失函数的处理结果调整所述特征提取网络中卷积操作的卷积核参数；4)输入待检测肺炎图像至训练好的目标检测模型，所述目标检测模型输出检测结果，具体包括坐标值与概率值。本发明提高了模型训练精度，使得预测结果更准确。

技术领域

本发明属于图像信息技术领域，具体涉及一种基于Tiny-YOLOv3的肺炎图像目标检测方法。

背景技术

肺炎目标检测是计算机辅助诊断中的重要环节。研究肺炎目标检测对医学图像处理以及医生诊断肺炎具有长远意义。

肺炎目标检测算法具体描述为：一张肺炎X光图像通过训练得到的模型之后得到一个定位肺炎病灶的矩形框。由采用下采样的技术提取肺炎图像较大的感受野。且基于Tiny-YOLOv3的肺炎目标检测实时性较高。

现今目基于深度学习的目标检测方法都包括特征提取与预测结果阶段，可以用于检测肺炎的具体举例为RetinaNet、Faster R-CNN、R-FCN等。Tiny-YOLOv3也可以用于肺炎目标检测，但是其还是存在如下的问题：

(1)Tiny-YOLOv3具有很好的实时性，但是其精度较低。

(2)在Tiny-YOLOv3算法的特征提取阶段时，采用Leaky ReLU不能很好传递负输入的信息。

(3)在Tiny-YOLOv3算法的特征提取阶段时，采用下采样虽有利于增大感受野，但是坐标信息丢失过多。

发明内容

有鉴于此，为了解决上述现有技术问题，本发明提出了一种提高模型训练精度基于 Tiny-YOLOv3的肺炎图像目标检测方法，提高了检测精确度。

本发明的技术解决方案是，提供了一种基于Tiny-YOLOv3的肺炎图像目标检测方法，包括以下步骤：

1)将原始XML文件解析为TXT，对于该TXT文件的每一行，具体包括图像绝对路径，肺炎病灶左上角以及右下角坐标值，存在病灶的概率；

2)使用Tiny-YOLOv3对训练数据进行训练，所述Tiny-YOLOv3包括特征提取网络和预测网络，所述的特征提取网络以卷积操作为主，所述的预测网络包括不同分辨率大小特征网络(所述卷积操作已在深度学习代码框架Pytorch中被实现)。

3)首先将肺炎图像图像分辨率调整为416×416×3,接着将其依次送入如下的卷积操作中：卷积核大小为3×3，步长为1，输出通道为16的卷积操作，卷积核大小为3×3，步长为2，空洞卷积率为2的空洞卷积操作，卷积核大小为3×3，步长为1，输出通道为 32的卷积操作中，卷积核大小为3×3，步长为2，空洞卷积率为2的空洞卷积操作，卷积核大小为3×3，步长为1，输出通道为64的卷积操作，卷积核大小为3×3，步长为2，空洞卷积率为2的空洞卷积操作，卷积核大小为3×3，步长为1，输出通道为128的卷积操作，卷积核大小为3×3，步长为2，空洞卷积率为2的空洞卷积操作，卷积核大小为3×3，步长为1，输出通道为256的卷积操作中，得到26×26×256的特征图F1。

4)将得到的F1特征图依次送入如下的卷积操作中：卷积核大小为3×3，步长为2，空洞卷积率为2的空洞卷积操作，卷积核大小为3×3，步长为1，输出通道为512的卷积操作，卷积核大小为3×3，步长为1，输出通道为1024的卷积操作，卷积核大小为3 ×3，步长为1，输出通道为256的卷积操作，此时得到特征图F2。