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！

摘要：本发明公开了一种基于改进YOLOv8的儿童肺炎病灶定位方法，涉及目标检测技术领域，包括以下步骤：构建儿童肺炎病灶定位模型并进行训练；利用训练好的儿童肺炎病灶定位模型实现儿童肺炎病灶定位；所述儿童肺炎病灶定位模型包括Backbone骨干特征提取网络、Neck特征融合网络和Head检测头；Backbone骨干特征提取网络对输入图像提取不同尺度的特征；Neck特征融合网络对不同尺度的特征进行特征融合，输出不同尺度的融合特征；Head检测头基于不同尺寸的融合特征图执行分类回归预测，定位儿童肺炎病灶。本发明不显著增加检测时间，对易丢失的病灶边界和轮廓细节特征进行精确提取，提高定位儿童肺炎病灶精度。

主权项：1.一种基于改进YOLOv8的儿童肺炎病灶定位方法，其特征在于，包括以下步骤：采集儿童肺炎CXR图像，获得数据集；构建儿童肺炎病灶定位模型，所述儿童肺炎病灶定位模型是基于基础YOLOv8模型进行改进的；基于数据集训练所述儿童肺炎病灶定位模型；利用训练好的所述儿童肺炎病灶定位模型实现儿童肺炎病灶定位；其中，所述儿童肺炎病灶定位模型包括依次连接的Backbone骨干特征提取网络、Neck特征融合网络和Head检测头；其中，Head检测头采用DecoupledHead检测头，通过三个检测头分别接收大、中、小三个尺寸的融合特征图并执行分类回归预测，获得儿童肺炎病灶定位；其中，所述Backbone骨干特征提取网络对输入图像进行不同尺度的特征提取；所述Backbone骨干特征提取网络是自上而下依次连接由Conv卷积模块、Conv卷积模块、C2f-AKConv模块、Conv卷积模块、C2f-AKConv模块、Conv卷积模块、C2f-AKConv模块、Conv卷积模块、C2f-AKConv模块、SPPF模块组成的第一到十层的层级结构；Conv卷积模块，对输入图像进行下采样，获得不同尺度的特征图；C2f-AKConv模块，采用AKConv对特征图进行特征提取，所述AKConv通过动态调整卷积核形状以适应图像的具体特征；所述AKConv提取特征的过程包括以下步骤：利用坐标生成算法为任意大小的卷积核定义初始位置；经过Conv2d对输入图像执行卷积操作，根据学习得到的Offset偏移量来调整初始采样形状；使用调整后的采样形状对特征图进行重采样；重采样后的特征图依次经过Reshape重塑、Conv卷积、Norm标准化和SiLU激活函数后，作为新的特征图输出；所述利用坐标生成算法为任意大小的卷积核定义初始位置，包括以下步骤：将采样网格生成为规则的采样网格；为初始位置以外的采样点创建不规则的网格；最后将它们拼接生成整体采样网格；其中，所述Neck特征融合网络对不同尺度的特征进行特征融合，输出不同尺度的融合特征；所述Neck特征融合网络采用BiFPN网络对不同层级间肺炎信息进行融合，表示为： 其中，O表示融合后的特征，Σ表示融合操作；Ii表示来自不同层级的特征，wi表示对应于特征Ii的可学习权重，每个wi之后应用Relu来确保wi≥0；∈是一个很小的正数，用以防止分母为零；∑jwj表示对所有权重进行求和；每个归一化权重的值居于0和1之间；以及，所述Neck特征融合网络进行融合操作之前，选择先采用添加静态范围因子的DySample上采样对输入特征图重构高分辨率特征图，或者选择先采用添加动态范围因子的DySample上采样对输入特征图重构高分辨率特征图；其中，所述Neck特征融合网络进行融合操作之前，先采用添加静态范围因子的DySample上采样对输入特征图重构高分辨率特征图，表示为：x′＝grid_samplex,s；s＝g+o；o＝0.25linearx；其中，x表示输入特征图，s表示上采样比例因子；grid_sample表示网格采样操作，x′表示重构的高分辨率特征图；o表示偏移，g表示原始采样网格；linear表示线性层操作；其中，所述Neck特征融合网络进行融合操作之前，先采用添加动态范围因子的DySample上采样对输入特征图重构高分辨率特征图，表示为：x′＝grid_samplex,s；s＝g+o；o＝0.5sigmoidlinear1x·linear2x；其中，x表示输入特征图，s表示上采样比例因子；grid-sample表示网格采样操作，x′表示重构的高分辨率特征图；o表示偏移，g表示原始采样网格；linear表示线性层操作；所述Neck特征融合网络中的左侧是自下而上依次连接由DySample上采样模块、Concat模块、C2f-AKConv模块、DySample上采样模块、Concat模块、C2f-AKConv模块组成的第一到六层的层级结构，接着连接所述Neck特征融合网络中的右侧部分，自上而下依次连接由Conv卷积模块、Concat模块、C2f-AKConv模块、Conv卷积模块、Concat模块、C2f-AKConv模块组成的第一到六层的层级结构来构成所述右侧部分；同时将所述Backbone骨干特征提取网络第十层的SPPF模块的输出分别输入到位于所述Neck特征融合网络中的左侧第一层的DySample上采样模块和位于所述Neck特征融合网络中的右侧第五层的Concat模块；以及，同时还将位于所述Backbone骨干特征提取网络第七层的C2f-AKConv模块的输出分别输入到位于所述Neck特征融合网络中的左侧第二层的Concat模块和位于所述Neck特征融合网络中的右侧第二层的Concat模块；以及，同时还将位于所述Backbone骨干特征提取网络第五层的C2f-AKConv模块的输出输入到位于所述Neck特征融合网络中的左侧第五层的Concat模块；以及，同时还将位于所述Neck特征融合网络中的左侧第三层的C2f-AKConv模块的输出输入到位于所述Neck特征融合网络中的右侧第二层的Concat模块；所述利用训练好的儿童肺炎病灶定位模型实现儿童肺炎病灶定位，包括以下步骤：对待检测的CXR图像进行尺寸重塑，获得输入图像；输入图像经过Backbone骨干特征提取网络进行肺炎特征的精准提取，输出三个不同尺寸的特征图；Neck特征融合网络将来自Backbone的三个不同阶段的特征图进行特征融合，输出三个不同尺寸的融合特征图；三个DecoupledHead检测头分别接收三个不同尺寸的融合特征图，对每个融合特征图分两个分支进行卷积操作；两个分支包括回归分支和分类分支，回归分支用于判断每一个特征点对应的预测框坐标的回归参数，回归参数经调整后可以获得病灶预测框；分类分支用于预测每一个特征点对应的CXR图像类型的概率。

全文数据：

权利要求：

百度查询： 华侨大学 一种基于改进YOLOv8的儿童肺炎病灶定位方法