[发明专利]一种基于显微镜图像的级联藻类细胞统计方法

说明书

本发明公开了一种基于显微镜图像的级联藻类细胞统计方法，包括：采集并标注藻类图像样本数据，构建深度学习模型；对深度学习模型进行训练，获得深度学习检测模型；基于深度学习检测模型对标注后的图像样本数据进行识别，获得识别结果；基于图像模式识别技术对识别结果进行细胞个数统计，获得统计结果。本发明将深度学习技术与图像模式识别技术相结合，深度学习检测模型只对藻类的种属和坐标进行识别，不需要关注群体性藻类内部的细胞，大大减少了数据标注的工作量，提高了模型训练和模型优化的效率。同时本发明适用范围广，既提高了浮游藻类的识别精度，也并且具有良好的扩展性和可维护性。

技术领域

本发明属于水生态环境监测技术领域，特别是涉及一种基于显微镜图像的级联藻类细胞统计方法。

背景技术

利用显微镜和高清工业相机获得的藻类图像之后，为了计算出藻密度、生物量等相关指标，需要识别出图像中藻类的种属和它的细胞个数。专利公开号CN109949284A和CN111443028A中都提出了基于深度学习模型对藻类进行识别和统计的方法，该方法对单细胞藻类的识别和统计效果较好。针对群体藻类，多采用两步标记法，既对群体藻类进行标注，同时也对群体内部的细胞进行标注，让深度学习模型具备识别和统计群体藻类的能力。该方法主要存在以下几个问题：

⑴有些群体性藻类的细胞分布比较密集，以微囊藻和空星藻为例，密集重叠在一起的细胞基本上很难进行人工标注；

⑵在群体内部标记细胞工作量较大，无论是需要调整标记样本，还是新增样本，对应的工作量都非常大。另外，任何一次样本的调整或修改，都需要重新训练深度学习模型，这导致了它的扩展性也较差；

⑶对于某些群体性藻类，没办法标记它的内部细胞，以盘星藻为例，单角盘星藻、双角盘星藻，具孔和非具孔盘星藻，很难找到一个统一的标准来对它进行准确地标记；

⑷群体内部的细胞比较密集时，深度学习检测模型会存在较多的漏检，影响最终的统计结果。

发明内容

为了克服现有技术存在的不足，本发明提供了一种基于显微镜图像的级联藻类细胞统计方法，先通过深度学习模型识别出藻类的种属和位置坐标，然后截取出该藻类的图像数据，根据它的种属，采取不同的图像模式识别技术来统计出细胞个数。

为实现上述目的，本发明提供了如下方案：一种基于显微镜图像的级联藻类细胞统计方法，包括：

采集并标注藻类图像样本数据，构建深度学习模型；

对所述深度学习模型进行训练，获得深度学习检测模型；

基于所述深度学习检测模型对标注后的图像样本数据进行识别，获得识别结果；

基于图像模式识别技术对所述识别结果进行细胞个数统计，获得统计结果。

优选地，对所述藻类图像样本数据进行标注包括单细胞藻类标注和群体性藻类标注；

所述单细胞藻类标注为单独标注，所述单细胞藻类存在多个特征面时，将所述特征面都进行标注；

所述群体性藻类标注为整体标注，对于易散落的群体性藻类，将散落的单细胞藻类进行单独标注。

优选地，基于所述深度学习检测模型对标注后的图像样本数据进行识别包括识别藻类的种属和位置坐标。

优选地，基于图像模式识别技术对所述识别结果进行细胞个数统计包括，根据藻类的种属调用对于的级联统计算法，根据藻类的位置坐标，截取藻类图像数据，基于所述级联统计算法对所述藻类图像数据进行细胞个数统计。

优选地，基于图像模式识别技术对所述识别结果进行细胞个数统计还包括，判断藻类的种属是单细胞藻类还是群体性藻类；针对单细胞藻类，直接统计所述深度学习检测模型统计的同种类细胞个数；针对群体性藻类，调用对应的图像统计子模块获取细胞个数。