检索历史 清除

摘要结核病由结核杆菌引起，当前对结核杆菌的筛查手段主要是通过显微镜相机对痰涂片等样本所拍摄的医学图像进行识别。然而，结核杆菌显微图像存在背景复杂、目标形态小等特性，导致现有主流深度学习目标检测算法在结核杆菌检测任务中普遍存在识别率偏低、鲁棒性不足的问题。针对以上难点，本文设计并提出了 TBC-YOLOv5 结核杆菌目标检测改进型算法，有效提升了对结核杆菌的检测精度与检测速度。并且本研究在此算法的基础之上搭建一套可实用的检测系统，从而提高了 TBC-YOLOv5 检测算法的实际应用价值。主要研究内容为以下四点：<br>　　（1）数据集构建与优化：为实现模型训练效果的最大化，本文对数据集进行了精细化标注和归一化处理，并引入 Mosaic 数据增强算法以丰富数据集特征多样性，确保模型能够充分学习到不同尺度下的结核杆菌目标特征。<br>　　（2）模型评估与选择：通过对YOLO系列各版本主流算法在结核杆菌专用数据集上的详尽实验验证，结果显示 YOLOv5 模型在综合考虑检测速度和精度方面表现出相对优势。因此，本研究选择YOLOv5作为基础模型，并在此基础上创新设计了检测性能更为优越的TBC-YOLOv5模型。<br>　　（3）模型改进与创新：本文提出了一种基于 Transformer 和注意力机制的改进YOLOv5算法，称之为TBC-YOLOv5算法。具体而言，本研究在YOLOv5主干网络中添加了Bottleneck Transformers 模块，使得 YOLOv5 具备了上下文语义沟通能力，避免复杂背景的干扰。并且，本研究在YOLOv5的C3模块中嵌入了坐标注意力模块（CA），并且在Bottleneck Transformers 模块后引入了卷积块注意力模块（CBAM），以提高结核杆菌的特征提取能力。实验结果显示TBC-YOLOv5算法的mAP为82%，检测速度达到了106帧，相较于YOLOv5提升2.7%，检测速度快4帧。并且，本算法在结核杆菌检测任务中优于现有主流的 YOLO 算法系列，更符合结核杆菌检测任务的实时性与准确性。<br>　　（4）系统开发与应用：借助PyQt5开发技术，本文将TBC-YOLOv5算法封装成用户友好的可视化操作程序，极大地简化了算法的应用流程，方便医护人员快速便捷地使用，有效提升了算法在实际场景下的可用性及易用性。