[发明专利]一种基于DeepLabV3Plus的斑马鱼形态学评分方法在审

专利信息
申请号: 202110589367.1 申请日: 2021-05-28
公开(公告)号: CN113361353A 公开(公告)日: 2021-09-07
发明(设计)人: 梁靖雨;姜越;董公卿;王楠;林思劼 申请(专利权)人: 同济大学
主分类号: G06K9/00 分类号: G06K9/00;G06K9/34;G06K9/62;G06N3/04
代理公司: 上海科盛知识产权代理有限公司 31225 代理人: 顾艳哲
地址: 200092 *** 国省代码: 上海;31
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 deeplabv3plus 斑马 鱼形 评分 方法
【权利要求书】:

1.一种基于DeepLabV3Plus的斑马鱼形态学评分方法,其特征在于,包括以下步骤:

S1、获取斑马鱼幼鱼畸形表型图像数据,并建立图像数据集;

S2、使用OpenCV对数量少的斑马鱼幼鱼畸形表型图像做数据增强,对获取的图像数据进行预处理,并将数据集划分为训练数据集、验证数据集和测试数据集;

S3、搭建DeepLabV3Plus语义分割网络,将斑马鱼幼鱼畸形表型图像数据作为输入进行网络训练,使用改进后的Xception作为骨干网络,结合空洞空间金字塔池化模块作为编码器,对图像进行下采样特征提取,使用含有特征融合的上采样过程作为解码器产生语义分割图;

S4、对模型进行整体指标评估;

S5、使用训练好的模型对斑马鱼幼鱼畸形图像进行类型识别和分割,对每张预测图进行评分并逐一输出。

2.根据权利要求1所述的一种基于DeepLabV3Plus的斑马鱼形态学评分方法,其特征在于,步骤S1中,所述斑马鱼幼鱼畸形表型图像数据包括含有尾部畸形、心包水肿、背部畸形、卵黄水肿、鱼鳔发育不完全五类常见畸形类型的斑马鱼幼鱼畸形表型图像数据。

3.根据权利要求2所述的一种基于DeepLabV3Plus的斑马鱼形态学评分方法,其特征在于,步骤S1具体方法为,将斑马鱼幼鱼置于显微镜下,拍摄并收集包括含有尾部畸形、心包水肿、背部畸形、卵黄水肿、鱼鳔发育不完全五类常见畸形类型的斑马鱼幼鱼畸形表型图像数据,同时也包括无畸形表现的正常斑马鱼幼鱼畸形表型图像数据,建立斑马鱼幼鱼畸形表型的图像数据集。

4.根据权利要求1所述的一种基于DeepLabV3Plus的斑马鱼形态学评分方法,其特征在于,步骤S2具体方法为,对数量较少的含有心包水肿和背部畸形类型的图像做数据增强,数据增强以图像几何变换的方式实现,包括随机旋转、水平镜像变换、垂直镜像变换;

使用Labelme标注工具对所获得的图像数据进行标注,并将标签文件转换为灰度图;制作指引文件,将数据集划分为训练数据集、验证数据集和测试数据集,将所有图像数据转化为TFRecord文件。

5.根据权利要求1所述的一种基于DeepLabV3Plus的斑马鱼形态学评分方法,其特征在于,步骤S3的网络结构主要基于编码器和解码器结构,

所述编码器部分利用下采样进行特征提取,其结构由骨干网络Xception和ASPP模块组成,骨干网络用于提取图像信息生成不同尺度的语义特征图,ASPP模块对骨干网络提取到的高级语义特征图进行处理,生成多尺度的语义特征图,在编码器尾部将多尺度的语义特征图进行融合,通过一个1×1卷积进行通道降维,再经过4倍双线性差值上采样输入到解码器中,与低层网络中具有相同分辨率的语义特征图连接。

6.根据权利要求5所述的一种基于DeepLabV3Plus的斑马鱼形态学评分方法,其特征在于,所述解码器部分利用上采样还原特征图尺寸,用一个1×1卷积处理低级语义特征,进行通道降维,再将其与经过4倍双线性差值上采样得到的高级语义特征图进行Concat融合,通过一个3×3卷积提取特征,在解码器尾部经4倍双线性差值上采样后恢复至原图分辨率,最终完成图像的语义分割。

7.根据权利要求6所述的一种基于DeepLabV3Plus的斑马鱼形态学评分方法,其特征在于,步骤S3网络训练基于TensorFlow深度学习框架,使用NVIDIAGeForce RTX2080Ti GPU进行计算,cuDnn10.0库进行加速,训练过程基于迁移学习的方式进行。

8.根据权利要求1所述的一种基于DeepLabV3Plus的斑马鱼形态学评分方法,其特征在于,步骤S4对所述训练后的模型进行评估,得出模型的精度指标,包括模型的平均交并比及各畸形类型的交并比。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于同济大学,未经同济大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202110589367.1/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code