[發(fā)明專利]基于深度學(xué)習(xí)的尿沉渣顯微圖像有形成分識別方法

有效

• 申請?zhí)枺?/td>: 201910164071.8
• 申請日: 2019-03-05
• 公開（公告）號: CN109740697B
• 公開（公告）日: 2023-04-14
• 發(fā)明（設(shè)計(jì)）人: 李偉紅;劉文倩;龔衛(wèi)國
• 申請（專利權(quán)）人: 重慶大學(xué)
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06N3/0464;G06N3/047;G06N3/048;G06N3/09;G06N3/096;G16H30/40
• 代理公司: 重慶華科專利事務(wù)所 50123
• 代理人: 康海燕

1.一種基于深度學(xué)習(xí)的尿沉渣顯微圖像有形成分識別方法，其特征在于包括以下步驟：

步驟1：改進(jìn)AlexNet模型為De-AlexNet模型，即是將AlexNet模型的FC7層去掉，添加兩個(gè)全連接層FCA1和FCA2層，其中FCA1的神經(jīng)元數(shù)目為2048，F(xiàn)CA2的神經(jīng)元數(shù)目為1024；

步驟2：在ImageNet數(shù)據(jù)集上預(yù)訓(xùn)練De-AlexNet模型、GoogLeNet模型和ResNet模型，并分別獲取三個(gè)模型的權(quán)重；

步驟3：將三個(gè)預(yù)訓(xùn)練模型遷移至尿沉渣顯微圖像數(shù)據(jù)集上繼續(xù)訓(xùn)練；

步驟4：可視化三個(gè)模型中的每一層卷積層提取的特征，按照提取特征的特性分別將每個(gè)模型的卷積層分為三個(gè)卷積塊；具體包括：

步驟4-1：分別提取三個(gè)模型每一個(gè)卷積層的特征圖，然后對特征圖進(jìn)行反卷積操作、反池化和反激活操作；

步驟4-2：將所述特征圖投影到屏幕上觀察特征圖響應(yīng)的特征特性；

步驟4-3：分別將每個(gè)模型的卷積層按照提取特征的特性分為三個(gè)卷積塊；

步驟5：將第一個(gè)卷積塊的學(xué)習(xí)率設(shè)為0，將第二個(gè)卷積塊的學(xué)習(xí)率設(shè)為0.001，將第三個(gè)卷積塊的學(xué)習(xí)率設(shè)為0.01進(jìn)行訓(xùn)練；

步驟6：將每個(gè)模型第二卷積塊的最后一個(gè)卷積層提取的特征和第三卷積塊最后兩個(gè)卷積層提取的特征級聯(lián)起來組成特征向量；

步驟7：將三個(gè)特征向量集成起來送入全連接神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行分類。

2.根據(jù)權(quán)利要求1所述基于深度學(xué)習(xí)的尿沉渣顯微圖像有形成分識別方法，其特征在于：步驟7中所述的全連接神經(jīng)網(wǎng)絡(luò)模型是由三個(gè)全連接層FC1、FC2和FC3組成，其中FC1的神經(jīng)元數(shù)目為4096，F(xiàn)C2的神經(jīng)元數(shù)目為4096，F(xiàn)C3的神經(jīng)元數(shù)目為7，分類的結(jié)果以概率的形式給出，具體的計(jì)算方式為：

其中，a_j表示FC3輸出的第j個(gè)值，T＝7表示尿沉渣顯微圖像有形成分的種類，e表示指數(shù)，p_j表示有形成分的分類結(jié)果概率。