基于深度学习的真菌图像分类算法研究

发布时间：2020-07-08 04:52

【摘要】：我国医疗水平逐年提高,然而真菌检测手段相对薄弱,主要还是依靠人工进行形态辨识,难以满足临床需求。随着计算机运算速度的提升和人工智能技术的不断发展,深度学习应运而生,不仅能够有效表达图像的深度特征,且效果优于传统手工设计的特征,因此论文基于深度学习技术对丝状真菌图像自动分类展开研究。对于丝状真菌图像类别识别问题,论文采用目标检测和图像分类两种方案。首先建立基于深度学习的YOLO目标检测模型,对目标分生孢子位置及其类别进行检测,结果表明YOLO网络对小目标或邻近目标检测效果较差,容易受到图像复杂背景干扰,产生目标框定位不准确问题。此外,基于人工提取的HOG特征,建立SVM模型对真菌图像进行分类,其方法虽然可以有效分类6种常见真菌图像,但其数据标记需要人工标记,准备时间较长,难以达到实时分类要求。针对YOLO算法和SVM分类的缺点,本文建立基于深度学习的CNN网络模型对真菌图像进行自动分类。考虑到原始真菌图像内包含多个分生孢子,且存在背景复杂、光照多变、气泡干扰等因素,论文提出了真菌图像分生孢子检测预处理方法,有效提取图像中的目标分生孢子;进而为满足深度学习对大量训练样本的要求,提出翻转、缩放和随机角度旋转的数据增强方法,将样本扩充近30倍;为避免网络过拟合,对CNN网络增加Dropout设计,实验结果表明数据增强和Dropout技术可有效提升模型分类效果。最后,针对图像分类过拟合问题,建立基于网络微调的真菌图像分类模型,先将CNN在ImageNet数据集上预训练,得到网络模型参数,确保网络的特征提取能力,再在真菌图像数据集上再训练,微调网络其他参数,并使用softmax分类器对真菌图像进行分类。实验结果表明建立的网络微调策略能有效避免过拟合,提高算法准确性,使网络具有良好的鲁棒性。为方便数据管理,本文进行了真菌自动分类管理信息系统设计,主要设计数据库E-R图、数据字典和可视化界面,为医院真菌检测、提高医生工作质量和工作效率提供参考。
【学位授予单位】：西安理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP181
【图文】：

模型图,目标检测,模型,图像

图 2-3 YOLO 网络目标检测模型Fig. 2-3 YOLO network target detection model从图 2-3 中 YOLO 网络目标检测模型运行过程中，可以看到，输入图像为 RGB 图像，经过训练，输出图像中的所有目标位置及其类别概率信息。在模型训练过程中，将输入图像统一尺寸大小、特征提取训练、非极大值抑制方法去除交叉重叠区域的过程，都在深度

丝状真菌,研究对象,杂色曲霉,微生物检验

（e）构巢曲霉（f）杂色曲霉图 3-1 研究对象：6 种较常见的丝状真菌Fig.3-1 Study object: 6 more common filamentous fungi真菌检测水平相对薄弱，临床真菌感染病原学诊断的现状远远不能满医院微生物检验人员主要还是依靠形态学来辨识。目前丝状真菌的传

示意图,算法,示意图

YOLO算法示意图

【相似文献】