【摘要】：我國醫(yī)療水平逐年提高,然而真菌檢測手段相對薄弱,主要還是依靠人工進行形態(tài)辨識,難以滿足臨床需求。隨著計算機運算速度的提升和人工智能技術(shù)的不斷發(fā)展,深度學習應運而生,不僅能夠有效表達圖像的深度特征,且效果優(yōu)于傳統(tǒng)手工設計的特征,因此論文基于深度學習技術(shù)對絲狀真菌圖像自動分類展開研究。對于絲狀真菌圖像類別識別問題,論文采用目標檢測和圖像分類兩種方案。首先建立基于深度學習的YOLO目標檢測模型,對目標分生孢子位置及其類別進行檢測,結(jié)果表明YOLO網(wǎng)絡對小目標或鄰近目標檢測效果較差,容易受到圖像復雜背景干擾,產(chǎn)生目標框定位不準確問題。此外,基于人工提取的HOG特征,建立SVM模型對真菌圖像進行分類,其方法雖然可以有效分類6種常見真菌圖像,但其數(shù)據(jù)標記需要人工標記,準備時間較長,難以達到實時分類要求。針對YOLO算法和SVM分類的缺點,本文建立基于深度學習的CNN網(wǎng)絡模型對真菌圖像進行自動分類。考慮到原始真菌圖像內(nèi)包含多個分生孢子,且存在背景復雜、光照多變、氣泡干擾等因素,論文提出了真菌圖像分生孢子檢測預處理方法,有效提取圖像中的目標分生孢子;進而為滿足深度學習對大量訓練樣本的要求,提出翻轉(zhuǎn)、縮放和隨機角度旋轉(zhuǎn)的數(shù)據(jù)增強方法,將樣本擴充近30倍;為避免網(wǎng)絡過擬合,對CNN網(wǎng)絡增加Dropout設計,實驗結(jié)果表明數(shù)據(jù)增強和Dropout技術(shù)可有效提升模型分類效果。最后,針對圖像分類過擬合問題,建立基于網(wǎng)絡微調(diào)的真菌圖像分類模型,先將CNN在ImageNet數(shù)據(jù)集上預訓練,得到網(wǎng)絡模型參數(shù),確保網(wǎng)絡的特征提取能力,再在真菌圖像數(shù)據(jù)集上再訓練,微調(diào)網(wǎng)絡其他參數(shù),并使用softmax分類器對真菌圖像進行分類。實驗結(jié)果表明建立的網(wǎng)絡微調(diào)策略能有效避免過擬合,提高算法準確性,使網(wǎng)絡具有良好的魯棒性。為方便數(shù)據(jù)管理,本文進行了真菌自動分類管理信息系統(tǒng)設計,主要設計數(shù)據(jù)庫E-R圖、數(shù)據(jù)字典和可視化界面,為醫(yī)院真菌檢測、提高醫(yī)生工作質(zhì)量和工作效率提供參考。
【學位授予單位】：西安理工大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.41;TP181
【圖文】：

圖 2-3 YOLO 網(wǎng)絡目標檢測模型Fig. 2-3 YOLO network target detection model從圖 2-3 中 YOLO 網(wǎng)絡目標檢測模型運行過程中，可以看到，輸入圖像為 RGB 圖像，經(jīng)過訓練，輸出圖像中的所有目標位置及其類別概率信息。在模型訓練過程中，將輸入圖像統(tǒng)一尺寸大小、特征提取訓練、非極大值抑制方法去除交叉重疊區(qū)域的過程，都在深度

（e）構(gòu)巢曲霉 （f）雜色曲霉圖 3-1 研究對象：6 種較常見的絲狀真菌Fig.3-1 Study object: 6 more common filamentous fungi真菌檢測水平相對薄弱，臨床真菌感染病原學診斷的現(xiàn)狀遠遠不能滿醫(yī)院微生物檢驗人員主要還是依靠形態(tài)學來辨識。目前絲狀真菌的傳

YOLO算法示意圖

【相似文獻】

相關(guān)期刊論文 前10條

1 丁宏慶;數(shù)字圖像旋轉(zhuǎn)的硬件實現(xiàn)[J];電子技術(shù);1998年12期

2 李小蘭;用Visual Basic語言在Windows中實現(xiàn)圖像旋轉(zhuǎn)[J];電視字幕(特技與動畫);1996年01期

3 李少芳;陳德禮;;數(shù)字圖像旋轉(zhuǎn)實現(xiàn)的探討[J];計算機與現(xiàn)代化;2007年09期

4 董育寧;一種高效執(zhí)行并行圖像旋轉(zhuǎn)的新方法[J];電子學報;2001年12期

5 徐錦林,梁軍,李侃;圖像旋轉(zhuǎn)的改進算法[J];西北建筑工程學院學報(自然科學版);1998年04期

6 李偉青;圖像旋轉(zhuǎn)的快速顯示技術(shù)[J];計算機應用研究;1994年03期

7 張可黛,李智,曾巒;圖像旋轉(zhuǎn)的快速實現(xiàn)方法研究[J];指揮技術(shù)學院學報;1999年02期

8 張軼;;國際圖像互操作框架及其應用分析[J];數(shù)字圖書館論壇;2019年05期

9 陶德元,李舒平,周激流;消除圖像旋轉(zhuǎn)失真的方法[J];數(shù)據(jù)采集與處理;1991年04期

10 曲在濱;用VB4.0實現(xiàn)圖像旋轉(zhuǎn)的演示程序[J];電腦學習;1999年01期

相關(guān)會議論文 前3條

1 王彥錕;劉方;;一種快速穩(wěn)健的圖像旋轉(zhuǎn)角度估計算法[A];計算機技術(shù)與應用進展·2007——全國第18屆計算機技術(shù)與應用（CACIS）學術(shù)會議論文集[C];2007年

2 魯傳運;黃言平;季托;;圖像旋轉(zhuǎn)不變特征特性研究[A];第九屆全國光電技術(shù)學術(shù)交流會論文集（下冊）[C];2010年

3 王壽旭;馬沁巍;馬少鵬;;基于大視場滑坡變形的攝像測量方法研究[A];北京力學會第二十四屆學術(shù)年會會議論文集[C];2018年

相關(guān)重要報紙文章 前1條

1 王■;３Ｓ技術(shù)讓小靈通改變低端形象[N];中國經(jīng)濟時報;2004年

相關(guān)博士學位論文 前4條

1 李臘全;基于變分法的PET/CT腫瘤分割算法研究[D];華中科技大學;2018年

2 鄭曉菊;圖像協(xié)同顯著性檢測方法研究[D];中國科學技術(shù)大學;2019年

3 李長松;空間太陽望遠鏡穩(wěn)像系統(tǒng)中圖像相關(guān)器的研究[D];中國科學院研究生院（國家天文臺）;2008年

4 李冬平;基于單幅圖像的三維建模技術(shù)及其應用[D];浙江大學;2017年

相關(guān)碩士學位論文 前10條

1 周院;基于深度學習的真菌圖像分類算法研究[D];西安理工大學;2019年

2 王琳;基于深度極限學習機圖像檢索算法[D];河北大學;2019年

3 曹婷;作物圖像遠程采集與控制系統(tǒng)的設計與實現(xiàn)[D];西北農(nóng)林科技大學;2019年

4 沈麒;面向拷貝檢測與篡改檢測的圖像哈希算法研究[D];上海電力大學;2019年

5 鐘春琳;基于標簽語義的圖像檢索算法研究[D];中國科學技術(shù)大學;2018年

6 遲明偉;基于主成分分析算法與多核支持向量機人臉識別方法研究[D];哈爾濱理工大學;2018年

7 孫杰;基于深度學習的圖像主方向估計與特征學習[D];中國科學技術(shù)大學;2018年

8 周戎龍;圖像并行加密算法設計及其移動終端設備應用研究[D];廣西師范大學;2018年

9 喬君;基于圖像內(nèi)容安全的感知哈希方法研究[D];上海應用技術(shù)大學;2018年

10 張磊;密文域圖像處理及其應用[D];西安電子科技大學;2018年

本文編號：2746121