(19)中华人民共和国国家知识产权局
(12)发明专利说明书
(10)申请公布号 CN 113901865 A
(43)申请公布日 2022.01.07
(21)申请号 CN202110971686.9
(22)申请日 2021.08.24
(71)申请人 苏州深思考人工智能科技有限公司
    地址 215123 江苏省苏州市苏州工业园区金鸡湖大道88号人工智能产业园内G3-305单元
(72)发明人 杨志明
(74)专利代理机构 11018 北京德琦知识产权代理有限公司
    代理人 牛峥;王丽琴
(51)Int.CI
      G06K9/00(20060101)
      G06K9/62(20060101)
      G06N3/04(20060101)
      G06N3/08(20060101)
                                                                  权利要求说明书 说明书 幅图
(54)发明名称
神经网络中正则化是为了干什么
      一种基于宫颈细胞液基制片的霉菌识别方法及系统
(57)摘要
      本发明公开了一种基于宫颈细胞液基制片的霉菌识别方法及系统，本发明实施例基于Transformer神经网络进行训练，并测试通过后得到霉菌识别模型，将图像化处理的宫颈细胞液基制片后的图像输入到该模型中，输出得到该图像的霉菌识别结果。由于本发明实施例设置的霉菌识别模型并不采用常用的卷积神经网络构造，而是采用改进的变换器(Transformer)神经网络进行构造，其能够准确识别得到图像中的形态为长菌丝的以霉菌为主的微生物，从而可以准确识别基于宫颈细胞液基制片的图像中的霉菌。
法律状态
法律状态公告日
法律状态信息
法律状态
2022-01-25
实质审查的生效
实质审查的生效
2022-01-07
公开
公开

权 利 要 求 说 明 书


1.一种基于宫颈细胞液基制片的霉菌识别方法,其特征在于,所述方法包括:

设置霉菌识别模型,所述模型是基于变换器Transformer神经网络训练,并测试通过后得到的;

对宫颈细胞液基制片进行图像化处理,得到宫颈细胞液基染片的图像;

将得到的宫颈细胞液基染片的图像输入到该霉菌识别模型中,输出得到该图像的霉菌识别结果。



2.如权利要求1所述的识别方法,其特征在于,所述基于Transformer神经网络训练包括:

提供基于宫颈细胞液基染片的图像的正样本集合,以及基于宫颈细胞液基染片的图像的负样本集合;

对该正样本集合中的正样本及该负样本集合中的负样本,采用预设的数据增强方式进行数据增强处理;


采用处理后的该正样本集合及该负样本集合,对所述霉菌识别模型的结构进行训练。



3.如权利要求1所述的识别方法,其特征在于,所述基于Transformer神经网络进行测试通过的过程包括:

提供基于宫颈细胞液基染片的图像的测试样本集合;

对该测试样本集合,采用预设的数据增强方式进行数据增强处理;

采用处理后的测试样本集合,对训练后的所述霉菌识别模型进行测试,测试符合预设的霉菌识别概率值后,测试通过。




4.如权利要求1所述的识别方法,其特征在于,所述对宫颈细胞液基制片进行图像化处理包括:

获取得到宫颈细胞液基制片的图像;

对所获取得到的宫颈细胞液基制片的图像进行预设的数据增强方式的处理。



5.如权利要求2、3或4所述的识别方法,其特征在于,所述采用预设的数据增强方式进行数据增强处理包括:

对图像进行设置方式的旋转、对图像进行彩变化或/和进行模糊处理的数据增强方式;

或/和,对批量的图像选择一个作为数据增强子策略,基于搜索算法确定最佳策略获取图像的数据增强方;


或/和,对图像进行设定尺寸的剪裁处理的数据增强方式。



6.如权利要求1所述的识别方法,其特征在于,所述霉菌识别模型的结构为:卷积层、具有多个Transformer块的Transformer层及全连接层,其中,

该卷积层进行卷积处理;

该Transformer模型是由多个Transformer块之间串联,其中与该卷积层连接的Transformer块处理该卷积后的图像后,输出经过Transformer块处理的图像,其他的Transformer块处理所连接的前一Transformer块输出的经过Transformer块处理的图像,直到连接全连接层的Transformer块处理完成,输出该Transformer层处理的图像;

在每个Transformer块处理图像过程为:对图像依次进行线性正则化处理、卷积处理、自注意
力机制处理及残差处理;

该全连接层对该Transformer层处理的图像进行分类处理。



7.如权利要求6所述的识别方法,其特征在于,所述线性正则化处理包括:对图像进行两次线性正则化处理;

所述自注意力机制处理包括:分别计算横向自注意力以及纵向自注意力,得到横向自注意力机制特征及纵向自注意力特征后,将这两个注意力特征相加得到图像的注意力特征;

所述残差处理为经过两次的残差处理;

所述全连接层包括针对微生物识别任务的分类器及针对霉菌识别任务的分类器,分别对该Transformer层处理的图像进行分类后,将得到的针对微生物识别任务的分类结果,及得到的针
对霉菌识别任务的分类结果,采用设置的二进制交叉熵损失函数进行损失计算,得到霉菌识别结果。



8.一种基于宫颈细胞液基制片的霉菌识别系统,其特征在于,所述系统包括:训练模型单元、图像处理单元及模型处理单元,其中,

训练模型单元,用于设置霉菌识别模型,所述模型是基于Transformer网络训练,并测试通过后得到的;

图像处理单元,用于对宫颈细胞液基制片进行图像化处理,得到宫颈细胞液基染片的数字图像;

模型处理单元,用于将得到的宫颈细胞液基染片的图像输入到该霉菌识别模型中,输出得到该图像的霉菌识别结果。




9.如权利要求8所述的系统,其特征在于,所述训练模型单元,还用于提供基于宫颈细胞液基染片的图像的正样本集合,以及基于宫颈细胞液基染片的图像的负样本集合;对该正样本集合中的正样本及该负样本集合中的负样本,采用预设的数据增强方式进行数据增强处理;采用处理后的该正样本集合及该负样本集合,对所述霉菌识别模型的结构进行训练;

所述训练模型单元,还用于提供基于宫颈细胞液基染片的图像的测试样本集合;对该测试样本集合,采用预设的数据增强方式进行数据增强处理;采用处理后的测试样本集合,对训练后的所述霉菌识别模型进行测试,测试符合预设的霉菌识别概率值后,测试通过。



10.如权利要求8所述的系统,其特征在于,所述霉菌识别模型的结构为:卷积层、具有多个Transformer块的Transformer层及全连接层,其中,该卷积层进行卷积处理;


该Transformer模型是由多个Transformer块之间串联,其中与该卷积层连接的Transformer块处理该卷积后的图像后,输出经过Transformer块处理的图像,其他的Transformer块处理所连接的前一Transformer块输出的经过Transformer块处理的图像,直到连接全连接层的Transformer块处理完成,输出该Transformer层处理的图像;

在每个Transformer块处理图像过程为:对图像依次进行线性正则化处理、卷积处理、自注意力机制处理及残差处理;

该全连接层对该Transformer层处理的图像进行分类处理。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。