[发明专利]基于圆形特征的鲁棒血细胞检测方法

权利要求书

1.一种基于圆形特征的鲁棒血细胞检测方法，其特征在于，按以下步骤实现：

步骤S1、对输入图像进行预处理；

步骤S2、设置YOLO模型信息：骨干网络Backbone采用Darknet53，Darknet53由卷积层，批量归一化层和激活函数层构成；YOLO模型整体由采用残差结构的残差单元构成，每个残差单元由一层卷积层，一层批量归一化层，一层激活函数层依次构成；当有数据输入时，将输入依次通过残差单元的三层网络得到输出，将相同尺度的输入和输出相加得到下一个残差单元的输入；每隔预定的残差单元设置一层步长为s的卷积层作为池化层，骨干网络共计有5层步长为s的池化层，每两层池化层之间的残差单元个数分别为m₁、m₂、m₃、m₄、m₅，Backbone输出特征图尺寸为(w/s⁵×h/s⁵)；

步骤S3、预训练抗噪特征提取模块：抗噪特征提取模块整体为残差结构，共有21层；第一层为3×3的卷积层，第二层为Relu激活函数层；后续的18层为相同的结构，每层都是卷积层、批量归一化层和Relu激活函数层；最后一层为3×3的卷积层；抗噪特征提取模块的输出为输入与上述21层的差；

步骤S4、设置模型的Neck部分：Neck部分有三层输入，分别是骨干网络第三个池化层的输出，第四个池化层的输出和第五个池化层的输出，尺度分别为(w/s³×h/s³)，(w/s⁴×h/s⁴)，(w/s⁵×h/s⁵)；第五层池化层输出不与其他特征图融合，直接输入检测头进行检测；第五层池化层在输出之前进行一次反卷积，特征图大小从(w/s⁵×h/s⁵)到(w/s⁴×h/s⁴)；反卷积后的特征图与骨干网络第四个池化层的输出相加后的特征图作为第二个检测头的输入，尺度为(w/s⁴×h/s⁴)；反卷积之后的特征图再次进行反卷积，得到的特征图和骨干网络第三个池化层的输出作为第三个检测头的输入，尺度为(w/s³×h/s³)；

步骤S5、设置圆形锚框的直径，直径采用K-means算法计算；将数据集中目标的直径作为K-means算法的输入，聚类得到最常见的9个目标直径；根据锚框的面积大小，分为3组，分别分配给三个尺度的检测头；将最大的三个锚框分配给(w/s⁵×h/s⁵)的检测头，最小的三个锚框分配给(w/s³×h/s³)的检测头；剩余的锚框分配给(w/s⁴×h/s⁴)的检测头；

步骤S6、设置模型Head部分：Head部分只有一层卷积层，根据每个检测头被分配到的锚框数量A和类别数量C可以确定检测头的卷积层数；检测头的层数为A(C+5)；每个锚框有C+5个卷积层，其中C层卷积用于检测类别，5层卷积用于对目标进行微调；

步骤S7、开始训练阶段：将输入图像的目标框与锚框进行iou计算，即计算锚框和目标框的交集面积S_i，计算锚框和目标框的并集面积S_u，S_i/S_u即iou的数值；iou超过阈值0.5则判定为正样本，低于0.5则判定为负样本；

步骤S8、将图像输入模型，三个检测头得到不同的输出；正负样本分别根据损失函数计算损失；正样本损失函数由三部分构成，分别是前后景判别损失，分类损失和边界框回归损失，前后景判别损失和分类损失均为平方差损失；边界框回归损失采用DIOU损失函数其中d为最小闭包圆形区域的直径、_ρ²为标签框与检测框之间的距离的平方；

步骤S9、通过反向传播训练网络，使得网络损失不断下降，直到网络损失趋于稳定，训练阶段结束，保存网络模型的参数；

步骤S10、开始测试阶段，将保存的模型参数导入模型，将输入图像经过预处理后输入模型，根据得到的模型输出绘制检测出的目标，首先根据前后景分类分数判定前后景，前景为目标，然后根据边界框调整参数对锚框进行微调，最后根据分类分数得到目标类别。