买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安理工大学申请的专利一种密集型分布的粘连细胞深度学习识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115359264B 。

龙图腾网通过国家知识产权局官网在2025-12-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210961993.3，技术领域涉及：G06V10/44；该发明授权一种密集型分布的粘连细胞深度学习识别方法是由刘芸;刘雨萌;吴晓强;焦明星;邢俊红设计研发完成，并于2022-08-11向国家知识产权局提交的专利申请。

本一种密集型分布的粘连细胞深度学习识别方法在说明书摘要公布了：本发明公开了一种密集型分布的粘连细胞深度学习识别方法，包括以下步骤：S1，收集红细胞医学图像数据集并进行预处理；S2，对数据集进行样本扩增；S3，对数据集进行样本标注；S4，对红细胞图像进行特征提取；S5，对预处理后的样本经过平衡金字塔BFP进行特征提取；S6，搭建金字塔拆分注意力机制EPSA，再送入区域生成网络RPN；S7，用感兴趣区域校准ROIAlign获得更准确的定位信息；S8，搭建FastR‑CNN网络；S9，对S1采集到的测试数据进行S2、S3操作；S10，将经过S9处理的样本送入S4至S8构建的模型中求得测试结果，再经过FastR‑CNN输出分类与回归的结果。深度学习方法同时识别单个细胞和粘连细胞，并给出两类细胞的判别结果，有效地提高了细胞的平均识别精度。

本发明授权一种密集型分布的粘连细胞深度学习识别方法在权利要求书中公布了：1.一种密集型分布的粘连细胞深度学习识别方法，其特征在于，包括以下步骤： S1，收集红细胞医学图像数据集，并对红细胞样本进行预处理，形成数据集样本； S2，对经过S1所提取的数据集样本进行数据扩增； S3，对经过S2所处理的数据集进行样本标注； S4，对红细胞图像进行特征提取，添加可变形卷积DCN结构； S5，对预处理后的数据集样本经过平衡金字塔BFP网络进行特征提取； S6，搭建金字塔拆分注意力机制EPSA，再送入区域生成网络RPN网络； S7，用感兴趣区域校准ROIAlign获得更准确的细胞定位信息； S8，搭建FastR-CNN网络； S9，对由S1采集到的测试数据进行训练阶段的步骤S2、S3预处理操作； S10，将经过S9处理的样本送入S4、S5、S6、S7和S8构建的模型中求得测试结果，即最后经过FastR-CNN输出分类与回归的结果； 所述步骤S4具体包括：首先替换VGG16为ResNet50残差网络，选择其最后4个残差模块最后一层的特征图构建自下而上的网络；然后通过横向连接和自上而下的上采样得到4层特征图，定为C2、C3、C4、C5，形成自上而下的网络；在C3、C4层引入了DCN模块，即在传统卷积的基础上，增加了调整卷积核的方向向量； 所述步骤S5具体包括：在步骤4的基础上，给C5层后建立横向连接和自上而下生成的新特征层P2、P3、P4、P5，对于自上而下的网络，输入自下而上网络对应层的特征图，输出1×1卷积和相邻上层上采样结果，经过C5层建立的横向连接，最终由P2、P3、P4、P5四层的结果同时作为特征提取网络的输出； 特征金字塔FPN与非局部注意力机制non-local发挥各自优势，将不同层级的特征图通过自适应最大池化或者降采样的方法统一到C4层，分别使用插值和最大池化处理，对于小尺寸的特征图进行池化处理，而对于大尺度的特征图进行双线性插值处理；得到的L个特征层逐元素相加并除以L，即平衡语义特征为： 式1中：Cl为预测特征层为l的层级、L为预测特征层总层级数、lmax为最高层级，lmin为低层级； 所述步骤S6具体包括： S601，搭建金字塔拆分注意力机制EPSA，利用其中SPC模块对通道进行切分；首先设置输入特征图X，先将其拆分为S部分[X0,X1,...,XS-1]，然后对不同部分提取不同尺度特征，最后将所提取的多尺度特征进行拼接，其过程为： [X0,X1,...,XS-1]＝SplitX Fi＝ConvKi×Ki,GiXi,i＝0,1,...,S-1； F＝Cat[F0,F1,...,FS-1] S602，在S601基础上，再对不同部分特征提取注意力权值，如下所示： Zi＝SEWeightFi,i＝0,1,…,S-1 S603，为更好地实现注意力信息交互并融合跨纬度信息，将注意力向量进行拼接，即然后对所得注意力权值进行归一化： att＝SoftmaxZ S604，得到校正后的特征：Y＝F⊙att； S605，对重新校正的权重和相应的特征图按元素进行点乘操作，输出一个多尺度特征信息注意力加权之后的特征图，每个特征图的每个特征点将生成的锚点后续送入区域生成网络RPN，生成区域候选框； 所述步骤S7具体包括：选择用ROIAlign代替感兴趣区域池化ROIPooling，其原理是取消量化操作，使用双线性内插的方法获得坐标为浮点数的像素点上的图像数值，从而将整个特征聚集过程转化为一个连续的操作，当特征信息输入到金字塔中预测输出时，采用后4层数据输入到ROIAlign层，从而增加了网络特征提取能力； 所述步骤S8具体包括： S801，对每个候选区域的特征图，拉平成为一维向量，经过线性整流函数ReLU后，分别经过两个全连接层，一个经过归一化指数函数Softmax对候选区域进行分类，另一个进行检测框坐标的更精确的回归； S802，初始化上述模型中所有待训练的权重及偏置，设置训练参数、学习率、批大小batch_size、RPN和FastR-CNN网络各自正负样本的阈值，开启模型训练。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安理工大学，其通讯地址为：710048 陕西省西安市金花南路5号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。