本發(fā)明屬于深度學習圖像處理，具體涉及一種基于深度學習的魚類細胞檢測的方法及系統(tǒng)。

背景技術(shù)：

1、在水生動物研究中，魚類細胞研究占據(jù)了重要的地位，尤其是在疾病模型的建立、環(huán)境監(jiān)測以及基因工程等領(lǐng)域中。然而，傳統(tǒng)的魚類細胞檢測方法主要依賴于顯微鏡下的人工觀察與分析，這些方法不僅效率低、耗時長，而且還需依賴高度專業(yè)化的操作技能。

2、隨著生物學研究的發(fā)展，尤其是在高通量分析和精準生物醫(yī)學的應(yīng)用場景中，對自動化和精確度的要求日益增高。目前的技術(shù)中，雖然有利用自動成像系統(tǒng)和初級圖像識別軟件來進行細胞檢測的嘗試，但這些方法往往受限于圖像處理算法的精確度和泛化能力，難以有效應(yīng)對復雜和多變的細胞圖像特征。此外，傳統(tǒng)方法中的圖像處理通常只關(guān)注于基本形態(tài)學特征，如細胞的大小和形狀，忽略了細胞內(nèi)部結(jié)構(gòu)或染色特異性等更微妙的差異，這限制了細胞分類的準確性和應(yīng)用的廣泛性?，F(xiàn)有技術(shù)在處理圖像的噪聲、光照變化以及細胞間遮擋等實際問題時也顯得力不從心。

3、因此，急需一種更為高效、智能化的技術(shù)方案來克服上述問題，提升魚類細胞的檢測與分類的準確性和自動化水平?；谏疃葘W習的方法，尤其是利用卷積神經(jīng)網(wǎng)絡(luò)的強大圖像識別能力，為解決這些問題提供了新的可能性。深度學習能夠從大量的數(shù)據(jù)中自動學習到復雜的特征，這對于提高魚類細胞檢測和分類的準確性和效率具有極大的潛力。

4、譚鑫平等人利用改進的yolov5網(wǎng)絡(luò)對熒光圖像細胞檢測，其檢測結(jié)果較于yolov5網(wǎng)絡(luò)效果有所提升，但對于多形態(tài)的細胞檢測效果仍有限，且對于重疊或緊依靠的細胞識別效果有限。王鑫玉等人利用yolov5s進行植物細胞識別，但是對于圖像視野中有多個目標細胞的識別準確率仍然不足。劉瓊等人結(jié)合u-net采樣方法和faster?r-cnn目標檢測方式，對膀胱癌細胞進行識別，但是訓練時間長，同時推理速度不高，同時需更高配置。

5、現(xiàn)有的對于圖像中物體識別的研究基本都存在識別速度慢，對變形的細胞識別準確率不高以及魯棒性不強的問題。鑒此，設(shè)計一種識別速度和識別精度均較高，魯棒性較強的基于深度學習的細胞識別方法具有重要意義。

技術(shù)實現(xiàn)思路

1、本發(fā)明旨在解決現(xiàn)有技術(shù)的不足，提出一種基于深度學習的魚類細胞檢測的方法及系統(tǒng)，推理速度快且精度高。

2、為實現(xiàn)上述目的，本發(fā)明提供了如下方案：一種基于深度學習的魚類細胞檢測的方法，包括以下步驟：

3、s1：獲取魚類細胞的圖像，并對圖像進行人工標注，得到訓練數(shù)據(jù)集和驗證數(shù)據(jù)集；

4、s2：構(gòu)建細胞檢測模型，采用所述訓練數(shù)據(jù)集對所述細胞檢測模型進行訓練，并采用所述驗證數(shù)據(jù)集對所述細胞檢測模型進行驗證，采用經(jīng)過訓練、驗證后的所述細胞檢測模型對待檢測圖像進行分類識別，得到識別結(jié)果。

5、進一步優(yōu)選地，所述細胞檢測模型包括：第一檢測模塊以及第二檢測模塊；

6、所述第一檢測模塊用于獲取輸入的待檢測圖像的待檢測區(qū)域；

7、所述第二檢測模塊用于對所述第一檢測模塊得到的所述待檢測區(qū)域進行分類識別，得到所述識別結(jié)果。

8、進一步優(yōu)選地，所述第一檢測模塊包括：若干瓶頸層、特征圖獲取單元以及區(qū)域確定單元；

9、若干所述瓶頸層均包括：升維卷積層、深度卷積層、senet網(wǎng)絡(luò)、殘差連接層和最大池化層；

10、所述升維卷積層采用1×1卷積核；所述深度卷積層采用3×3卷積核；所述senet網(wǎng)絡(luò)包括：全局平均池化層、激活函數(shù)為relu的第一全連接層、激活函數(shù)為hard-swish的第二全連接層和senet輸出層；

11、輸入的待檢測圖像經(jīng)過若干所述瓶頸層后，得到若干瓶頸特征圖；

12、所述特征圖獲取單元對所述瓶頸特征圖進行處理，得到若干fpn特征圖；

13、所述區(qū)域確定單元用于對所述fpn特征圖進行處理，得到所述待檢測區(qū)域。

14、進一步優(yōu)選地，所述第二檢測模塊包括：提議框運算單元、卷積單元以及分類單元；

15、所述提議框運算單元用于對所述待檢測區(qū)域進行roialign運算，生成第三十六特征圖；

16、所述卷積單元采用大小為3×3，擴張率為2的空洞卷積核對所述第三十六特征圖進行處理，得到第三十七特征圖；

17、所述分類單元采用全連接層，對所述第三十七特征圖進行分類與回歸，得到所述識別結(jié)果。

18、本發(fā)明還提供一種基于深度學習的魚類細胞檢測的系統(tǒng)，包括：標注系統(tǒng)以及識別系統(tǒng)；

19、所述標注系統(tǒng)用于獲取魚類細胞的圖像，并對圖像進行人工標注，得到訓練數(shù)據(jù)集和驗證數(shù)據(jù)集；

20、所述識別系統(tǒng)用于構(gòu)建細胞檢測模型，采用所述訓練數(shù)據(jù)集對所述細胞檢測模型進行訓練，并采用所述驗證數(shù)據(jù)集對所述細胞檢測模型進行驗證，采用經(jīng)過訓練、驗證后的所述細胞檢測模型對待檢測圖像進行分類識別，得到識別結(jié)果。

21、進一步優(yōu)選地，所述識別系統(tǒng)包括：模型構(gòu)建子系統(tǒng)以及訓練子系統(tǒng)；

22、所述模型構(gòu)建子系統(tǒng)用于構(gòu)建所述細胞檢測模型；

23、所述訓練子系統(tǒng)與所述模型構(gòu)建子系統(tǒng)以及所述標注系統(tǒng)連接，用于采用所述訓練數(shù)據(jù)集對所述細胞檢測模型進行訓練，并采用所述驗證數(shù)據(jù)集對所述細胞檢測模型進行驗證，采用經(jīng)過訓練、驗證后的所述細胞檢測模型對待檢測圖像進行分類識別，得到所述識別結(jié)果。

24、進一步優(yōu)選地，所述細胞檢測模型包括：第一檢測模塊以及第二檢測模塊；

25、所述第一檢測模塊用于獲取輸入的待檢測圖像的待檢測區(qū)域；

26、所述第二檢測模塊用于對所述第一檢測模塊得到的所述待檢測區(qū)域進行分類識別，得到所述識別結(jié)果。

27、進一步優(yōu)選地，所述第一檢測模塊包括：若干瓶頸層、特征圖獲取單元以及區(qū)域確定單元；

28、若干所述瓶頸層均包括：升維卷積層、深度卷積層、senet網(wǎng)絡(luò)、殘差連接層和最大池化層；

29、所述升維卷積層采用1×1卷積核；所述深度卷積層采用3×3卷積核；所述senet網(wǎng)絡(luò)包括：全局平均池化層、激活函數(shù)為relu的第一全連接層、激活函數(shù)為hard-swish的第二全連接層和senet輸出層；

30、輸入的待檢測圖像經(jīng)過若干所述瓶頸層后，得到若干瓶頸特征圖；

31、所述特征圖獲取單元對所述瓶頸特征圖進行處理，得到若干fpn特征圖；

32、所述區(qū)域確定單元用于對所述fpn特征圖進行處理，得到所述待檢測區(qū)域；

33、所述第二檢測模塊包括：提議框運算單元、卷積單元以及分類單元；

34、所述提議框運算單元用于對所述待檢測區(qū)域進行roialign運算，生成第三十六特征圖；

35、所述卷積單元采用大小為3×3，擴張率為2的空洞卷積核對所述第三十六特征圖進行處理，得到第三十七特征圖；

36、所述分類單元采用全連接層，對所述第三十七特征圖進行分類與回歸，得到所述識別結(jié)果。

37、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

38、本發(fā)明通過改進mask?r-cnn，使得生成的特征圖中具有所要識別的區(qū)域較多的包括尺度等的信息，識別精度較高，且魯棒性較強，同時其使得mask?r-cnn網(wǎng)絡(luò)有更準確的識別精度。此外結(jié)合mobilenetv3的分組卷積和點卷積處理方式，能大大減小計算量，提升識別的速度。