發(fā)布時間：2022-12-06 02:03

　　手足口病是一種多發(fā)于兒童手足、口腔等部位的高隱性傳染率疾病,且具有發(fā)生并發(fā)癥甚至引發(fā)死亡的風險,早期的篩查和檢測是降低手足口病感染率和死亡率的有效手段。當前國內(nèi)外基于人工智能實現(xiàn)對手足口�。℉FMD）檢測識別,其研究多集中于用機器學習算法對手足口病電子病歷（EMR）中的臨床病例數(shù)據(jù)如病毒類型、峰值溫度等進行分類,以此來識別手足口病。近年來,越來越多的研究人員將深度學習應用到了醫(yī)學圖像目標識別和檢測上,且常常在大量診斷任務中達到了醫(yī)生級別的準確率。如果能夠通過手部、口腔等部位的皮膚病例特征,對手足口病進行對早期的篩查和檢測,就能夠及時的發(fā)現(xiàn)病情,防止病情進一步發(fā)展和傳播�；诖�,本論文提出了一種基于機器視覺和深度學習實現(xiàn)手足口病輔助檢測的方法。主要研究內(nèi)容包括:（1）通過參照手足口病的臨床診斷標準,提出用視覺算法對圖像中的手足口病皮膚病例特征進行檢測,從而實現(xiàn)對手足口病的輔助檢測和篩查。以及根據(jù)手足口病的不同癥狀特征建立數(shù)據(jù)集,并通過數(shù)據(jù)增強技術(shù)對數(shù)據(jù)樣本進行擴充。（2）分別以單階段檢測算法和雙階段檢測算法進行實驗測試,并根據(jù)不同算法的檢測結(jié)果,分析了單階段檢測算法應用于本論文研究所存在... 

【文章頁數(shù)】：75 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 論文研究背景
    1.2 論文研究現(xiàn)狀
        1.2.1 基于智能算法識別手足口病研究現(xiàn)狀
        1.2.2 目標識別與檢測研究現(xiàn)狀
    1.3 論文研究難點和主要創(chuàng)新
    1.4 論文結(jié)構(gòu)安排
2 研究方法基本理論和實驗數(shù)據(jù)
    2.1 神經(jīng)網(wǎng)絡基本結(jié)構(gòu)
    2.2 卷積神經(jīng)網(wǎng)絡及運算過程
        2.2.1 卷積運算及可視化
        2.2.2 局部感知域
        2.2.3 激活函數(shù)及可視化
        2.2.4 池化運算可視化
    2.3 數(shù)據(jù)制作與數(shù)據(jù)增強
    2.4 算法依賴的深度學習環(huán)境及搭建過程
    2.5 本章小結(jié)
3 基于不同算法的手足口病輔助檢測研究與實現(xiàn)
    3.1 研究思路與方法
    3.2 基于單階段檢測算法YOLOv3的檢測算法模型
        3.2.1 特征提取網(wǎng)絡和多尺度特征
        3.2.2 邊框預測及分類和回歸
        3.2.3 損失函數(shù)和NMS篩選檢測框
        3.2.4 參數(shù)設置及網(wǎng)絡訓練
        3.2.5 檢測結(jié)果與分析
    3.3 基于雙階段檢測算法Faster RCNN的檢測算法模型
        3.3.1 基礎特征提取網(wǎng)絡和RPN網(wǎng)絡
        3.3.2 感興趣區(qū)域池化
        3.3.3 損失函數(shù)及網(wǎng)絡訓練
        3.3.4 檢測結(jié)果與分析
    3.4 本章小結(jié)
4 檢測算法改進和優(yōu)化
    4.1 算法改進思路
    4.2 優(yōu)化特征提取網(wǎng)絡
    4.3 CBAM改進檢測算法
    4.4 實驗評價指標
    4.5 實驗結(jié)果分析
        4.5.1 實驗環(huán)境和實驗數(shù)據(jù)
        4.5.2 實驗方法和實驗結(jié)果對比
    4.6 本章小結(jié)
5 檢測機制改進和優(yōu)化
    5.1 檢測機制優(yōu)化思路
    5.2 膚色檢測判斷機制
        5.2.1 Ycb Cr+Otsu膚色檢測
        5.2.2 基于膚色檢測排除邏輯設計
        5.2.3 實驗結(jié)果及分析
    5.3 口腔檢測判斷機制
        5.3.1 HOG+SVM口腔檢測
        5.3.2 ERT算法實現(xiàn)關鍵點定位
        5.3.3 基于口腔檢測排除邏輯設計
        5.3.4 實驗結(jié)果及分析
    5.4 本章小結(jié)
6 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻
致謝
附錄


【參考文獻】：
期刊論文
[1]改進的Faster R-CNN在車輛識別中的應用[J]. 王寶珠,史龍云,郭志濤,雷瑤.  現(xiàn)代電子技術(shù). 2019(23)
[2]深度學習在影像醫(yī)學應用中的初步研究進展[J]. 高翾,王小林.  復旦學報(醫(yī)學版). 2019(03)
[3]基于Faster R-CNN的田間西蘭花幼苗圖像檢測方法[J]. 孫哲,張春龍,葛魯鎮(zhèn),張銘,李偉,譚豫之.  農(nóng)業(yè)機械學報. 2019(07)
[4]基于深度學習的目標檢測框架進展研究[J]. 寇大磊,權(quán)冀川,張仲偉.  計算機工程與應用. 2019(11)
[5]基于改進YOLOv3的快速車輛檢測方法[J]. 張富凱,楊峰,李策.  計算機工程與應用. 2019(02)
[6]遙感圖像中飛機的改進YOLOv3實時檢測算法[J]. 戴偉聰,金龍旭,李國寧,鄭志強.  光電工程. 2018(12)
[7]嵌入SENet結(jié)構(gòu)的改進YOLOV3目標識別算法[J]. 劉學平,李玙乾,劉勵,王哲,劉宇.  計算機工程. 2019(11)
[8]手足口病診療指南（2018年版）[J]. National Health Commission of the People′s Republic of China;.  中國病毒病雜志. 2018(05)
[9]基于HOG特征與SVM的膠體氣泡識別方法研究[J]. 潘琪,尹雄,秦襄培,武勝超,王洪嬌,李俊林.  智能計算機與應用. 2018(05)
[10]閾值分解下的冷軋極薄帶鋼表面缺陷分割[J]. 化春鍵,周海英.  機械科學與技術(shù). 2017(02)

碩士論文
[1]基于深度學習的霧霾能見度檢測算法研究[D]. 呂泓君.南京郵電大學 2019
[2]基于深度卷積神經(jīng)網(wǎng)絡的人臉圖像分類應用研究[D]. 曹戈.吉林大學 2019
[3]基于深度學習的手勢識別技術(shù)研究[D]. 王蘇振.浙江大學 2019
[4]基于深度學習的油菜典型害蟲快速檢測研究[D]. 曾鴻.浙江大學 2019
[5]基于Faster R-CNN目標檢測的機器人抓取系統(tǒng)研究[D]. 張亞輝.中國科學院大學(中國科學院深圳先進技術(shù)研究院) 2019
[6]基于自適應特征聚類網(wǎng)的行人重識別[D]. 陳軍如.西安電子科技大學 2019
[7]基于深度學習的車內(nèi)人手檢測技術(shù)的研究[D]. 陳佳.華中科技大學 2019
[8]基于深度學習的視頻目標檢測研究[D]. 劉榮.華南理工大學 2019
[9]基于深度學習的目標檢測與識別[D]. 楊家啟.哈爾濱工程大學 2019
[10]基于深度學習的微博文本情感分析研究[D]. 宋夢姣.南京大學 2018



本文編號：3710826