申请/专利权人：江南大学;无锡市人民医院

申请日：2024-01-15

公开（公告）日：2024-04-09

公开（公告）号：CN117854111A

主分类号：G06V40/10

分类号：G06V40/10;G06V10/80;G06V10/44;G06V10/52;G06V10/82;G06V10/25;G06V10/764;G06V10/766;G06N3/0464;G06N3/045;G06N3/0985;G06N3/126

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.26#实质审查的生效;2024.04.09#公开

摘要：本发明公开了一种基于增强特征融合的改进YOLOv4疟原虫检测方法，属于图像处理与医学的交叉领域。所述方法从增强模型特征提取与特征融合能力的角度对YOLOv4模型进行改进，设计MAFM模块代替SPP模块，使用空洞卷积增强多尺度特征提取能力，引入坐标注意力模块获取更有利于分类与回归任务的特征；设计AFFM模块替代拼接操作，结合通道注意力与空间注意力增强不同层级特征图的融合能力，减少特征损失与冗余；使用SIoU作为回归损失函数，通过考虑真实框与预测框的角度损失，加快模型的收敛速度。所提出的疟原虫检测方法在背景复杂、细胞重叠等场景及图片边缘处的疟原虫检测具有更好的效果，mAP可以达到98.42％。

主权项：1.一种基于增强特征融合的改进YOLOv4疟原虫检测方法，其特征在于，所述方法包括：步骤1：准备数据集，将标注后的疟原虫细胞图像数据集划分训练集、验证集与测试集；步骤2：构建具有增强特征融合特点的改进YOLOv4网络，包括骨干特征提取网络Backbone、特征融合网络Neck、检测头Head三部分，其中选取CSPDarkNet53作为骨干特征提取网络；步骤3：在骨干特征提取网络之后设计一个多尺度特征聚合模块替代YOLOv4中的空间金字塔池化模块；步骤4：在颈部网络中，设计注意力特征融合模块代替原来的拼接操作；所述注意力特征融合模块包括两个通道注意力模块CAM和一个空间注意力模块SAM；步骤5：使用SIoU作为回归损失函数，通过考虑真实框与预测框之间的角度损失，重新构建距离惩罚函数；步骤6：利用步骤1准备的训练集对改进YOLOv4网络进行训练，使用k-means算法生成新的anchor大小，并扩增样本；步骤7：将测试集中的疟原虫细胞图像输入训练得到的最佳模型进行测试，获取疟原虫细胞图像的可视化检测结果；步骤8：采用训练得到的最佳模型对待检测的人体血液细胞图像进行检测以确定对应的人体血液细胞样本中是否含有疟原虫以及统计疟原虫的数量。

全文数据：

权利要求：

百度查询： 江南大学;无锡市人民医院 基于增强特征融合的改进YOLOv4疟原虫检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD