改进YOLOv5框架的血细胞检测算法
对于血液中红细胞、白细胞、血小板等成分的观察和计数是临床医学诊断的重要依据.血细胞的异常意味着可能存在凝血异常、感染、炎症等与血液相关的问题.人工检测血细胞不仅耗费人力,且容易出现误检、漏检的情况.因此,针对上述情况,提出一种新颖的血细胞检测算法—YOLOv5-CBF.该算法在YOLOv5框架的基础上,通过在主干网络中加入坐标注意力(coordinate attention,CA)机制,提高检测精度;将颈部网络中的FPN+PAN结构中改为结合了跨尺度特征融合方法(bidirectional feature pyramid network,BiFPN)思想的特征融合结构,使目标多尺度特征有效融合;在三尺度检测的基础上增加了一个小目标检测层,提高对数据集中小目标血小板的识别精度.通过在数据集BCCD上进行的大量的实验结果表明:与传统的YOLOv5算法相比较,该算法在3类血细胞检测的平均精度提升2.7%,试验效果良好,该算法对血细胞检测具有很高的实用性.
深度学习、血细胞检测、YOLOv5、多尺度特征融合、注意力机制
32
TP391;TP183;H313
辽宁省教育厅服务地方项目JDL2020004
2023-05-15(万方平台首次上网日期,不代表论文的发表时间)
共9页
123-131