[发明专利]一种基于CNN网络的DPCR液滴荧光检测方法

权利要求书

1.一种基于CNN网络的DPCR液滴荧光检测方法，其特征在于，包括如下步骤：

采用光学设备采集液滴图像和液滴荧光图像；

收集液滴图像数据，并将收集到的液滴图像数据按照一定的比例划分成训练集、测试集；

搭建及训练ResUnet++网络模型，并将训练好的ResUnet++网络模型对液滴图像进行分割；

对分割出来的Mask图像进行形态学处理去除小对像的干扰，生成液滴轮廓图像；

搭建及训练荧光液滴辨识网络模型，并将训练好的荧光液滴辨识网络模型对液滴荧光图像进行阳性、阴性的识别；

训练ResUnet++网络模型包括：

将训练集的液滴图像转换成Mask图像；

将液滴图像的RGB值和Mask图像作为ResUnet++网络模型的输入数据；

采用分批次的方法对ResUnet+++网络模型使用训练集数据进行训练；

所述训练所用的损失函数为交叉熵损失函数；

在训练之前设定基础学习率和权重衰减值；

计算训练过程中Mask图像中真实值和预测值的交叉商值，并采用自适应矩估计梯度下降法进行优化及反向传播更新参数；

采用收集好的测试集图像数据对ResUnet++网络模型进行效果测试，当相似度IOU0.97时，将该训练好的ResUnet++网络模型用于分割液滴图像；

所述ResUnet++网络模型包括：

在Unet网络模型向下采样和向上采样进行特征提取的过程中，将卷积层加Relu层的特征提取模块替换成残差模块，在残差模块的每一个卷积层后面加入一个BN层，BN层后面再加入一个Scale层；

下采样层和上采样层的数量都有5个加深到7个，7个下采样层输出的特征数据分别与7个上采样层输出的特征数据进行拼接融合；

所述对分割出来的Mask图像进行形态学处理去除干扰，生成液滴轮廓图像包括：

使用Opencv中的getStructuringElement()函数，选择开运算模式创建一个10*10算子，并返回指定变量；

使用Opencv中的erode()函数通过返回的指定变量来实现对Mask图像的侵蚀，从而达到去除干扰的目的；

使用Opencv中的dilate()函数，创建一个11*11的算子进行形态学膨胀，使Mask图像恢复原来大小；

使用Opencv中的Robert算子提取Mask图像的边缘图像，并通过二值化算法对形成的边缘图像进行增强，从而形成完整的液滴轮廓图像。

2.根据权利要求1所述的基于CNN网络的DPCR液滴荧光检测方法，其特征在于，每个所述下采样层都包括4个卷积层、1个池化层、2个BN层及2个Scale层，每个所述卷积层的卷积核大小为5*5，所述池化层的卷积核大小为2*2，每个所述卷积层的卷积核的数量分别为32、64、128、128、128、128、128；

每个所述上采样层都包括1个上采样反卷积层、4个卷积层、4个BN层及4个Scale层，所述上采样反卷积层的卷积核大小为2*2，每个所述卷积层的卷积核的大小为5*5，每个所述上采样反卷积层的卷积核的数量分别为128、128、128、128、128、64、32。

3.根据权利要求2所述的基于CNN网络的DPCR液滴荧光检测方法，其特征在于，所述Unet网络模型在上采样进行反卷积操作之前，还有4个卷积核大小均为5*5的卷积层；

所述Unet网络模型在下采样进行至最后一个池化层之前加入一个Dropout层；

所述Unet网络模型在首次进行上采样之前加入一个Dropout层；

Relu层使用的激活函数为Relu函数。