- · 《自动化与仪器仪表》栏[05/29]
- · 《自动化与仪器仪表》数[05/29]
- · 《自动化与仪器仪表》收[05/29]
- · 《自动化与仪器仪表》投[05/29]
- · 《自动化与仪器仪表》征[05/29]
- · 《自动化与仪器仪表》刊[05/29]
来稿应自觉遵守国家有关著作权法律法规，不得侵犯他人版权或其他权利，如果出现问题作者文责自负，而且本刊将依法追究侵权行为给本刊造成的损失责任。本刊对录用稿有修改、删节权。经本刊通知进行修改的稿件或被采用的稿件，作者必须保证本刊的独立发表权。 一、投稿方式： 1、 请从 我刊官网 直接投稿 。 2、 请 从我编辑部编辑的推广链接进入我刊投审稿系统进行投稿。 二、稿件著作权： 1、 投稿人保证其向我刊所投之作品是其本人或与他人合作创作之成果，或对所投作品拥有合法的著作权，无第三人对其作品提出可成立之权利主张。 2、 投稿人保证向我刊所投之稿件，尚未在任何媒体上发表。 3、 投稿人保证其作品不含有违反宪法、法律及损害社会公共利益之内容。 4、 投稿人向我刊所投之作品不得同时向第三方投送，即不允许一稿多投。 5、 投稿人授予我刊享有作品专有使用权的方式包括但不限于：通过网络向公众传播、复制、摘编、表演、播放、展览、发行、摄制电影、电视、录像制品、录制录音制品、制作数字化制品、改编、翻译、注释、编辑，以及出版、许可其他媒体、网站及单位转载、摘编、播放、录制、翻译、注释、编辑、改编、摄制。 6、 第5条所述之网络是指通过我刊官网。 7、 投稿人委托我刊声明，未经我方许可，任何网站、媒体、组织不得转载、摘编其作品。
基于的宫颈细胞识别系统(2)
作者:网站采编关键词:
摘要：执行排出动作时，通过采样针将得到的样本排出，主要指令为： 2.2.3 自动采样模块 该功能由一个智能一体化57 步进电机和一个无源单向阻尼电机来组合实
执行排出动作时，通过采样针将得到的样本排出，主要指令为：
2.2.3 自动采样模块
该功能由一个智能一体化57 步进电机和一个无源单向阻尼电机来组合实现，采样针在垂直方向上的运动由无源单向阻尼电机控制，并且当采样针在Y轴方向上的采样过程中时，该电机只在沿Y轴向下时有阻尼，运动方向向上时处于正常状态即无阻尼。这样采样模组在突然断电的环境下不会因下坠而导致损坏。同时根据采样针尺寸的不同，可以通过改变相应的参数大小，来控制阻尼的大小变化,其可调范围为在400 mN·m 以内。
采样针在水平方向上的运动由智能一体化电机控制，该电机采用RS485 通信方式，通过上位机软件发送string sampling=(comboBox4_);给电机驱动从而达到控制的目的。
2.2.4 图像采集模块
系统的显微成像模块采用Mshot MF52 倒置荧光显微镜作为获取载玻片上的宫颈细胞的工具，并使用QHY163M/C 高灵敏度CMOS 工业相机将显微镜和电脑连接起来，QHY163M/C 可以提供专门的图像采集接口来实现对图像数据的采集并传输到电脑中。这样就可以在电脑上获取到宫颈细胞样本的图片，从而达到自动化采集的目的。
2.3 基于YOLOv3的图像处理的实现
图像处理方面，使用的是目前较为流行的YOLOv3 算法[7]，在取得宫颈细胞图像之后，利用该算法可以识别细胞是否发生了病变，从而达到细胞识别的目的。YOLOv3 算法是一种既具备检测速度也能保证一定检测准确度的算法模型，具有一定的泛用性[8]。YOLOv3 的算法框架如图4 所示。
图4 YOLOv3算法框架
YOLOv3 整个框架结构采用的是416×416 像素的图片作为输入，并采用darknet53 网络来得到后三层输出特征图，其尺寸分别为52×52 像素、26×26 像素、13×13 像素如图4，在第79 层之后，经过几个卷积层后，获得了1/32（13×13）的预测结果，然后将得到的这个结果通过上采样之后再和第61 层的结果进行张量拼接，在拼接完成之后，将获得的结果再通过若干个卷积层得到了相对于输入图像的1/16（26×26）的结果；最后将之前得到的结果进行向上采样，并与36 层的结果进行张量拼接。经过几个卷积层后，得到相对于输入图像的1/8（52×52）的结果[9]。
模型的训练是在 框架上的Keras版本的YOLOv3 进行的,计算机的配置如表1 所示。
利用YOLOv3 识别宫颈细胞的实现流程如图5所示。
进行图像识别的具体实验步骤如下：
1）预处理。图像数据方面，选用由丹麦技术大学和Herlev 大学医院联合开发的smear2005[10-11]的公开数据集来作为图片数据集并手动进行标记，该数据集是由专业的医师通过对子宫颈内脱落的上皮细胞进行采集，并将收集到的细胞以涂片的方式固定在载玻片上，最后通过巴氏染色来处理固定好的样本，待制成样片后，通过相机和显微镜来进行采集得到最终的细胞图片数据集[12]。将图像分为pathology（存在病变风险）类和normal（正常宫颈细胞）类，最后将标记好的影像数据分为训练集和测试集。
表1 计算机配置
图5 YOLOv3神经网络训练流程
2）训练。将发生了病变的和未发生病变的训练影像数据作为输入，并对 文件进行修改[13]，由于宫颈细胞检测分为pathology 类和normal类，因此将网络中的classes 设置为2，对应的输出维度filters=3*（5+2）=21，同时对Keras 版本的train.py进行修改，其中在两阶段训练的部分，均设置为batch size=4，epoch=1 000。最后训练出检测模型[14]。
3）识别效果检验。利用之前分选出的测试集在模型上进行检测，并输出相应的结果。
4）评估。对宫颈细胞的预测分类结果进行识别准确率分析。
3 系统结果展示及分析
标记的smear2005 宫颈细胞影像数据共887张。训练数据687 张，测试数据200 张（正常细胞100张，病变细胞100 张）。由train.py 得到运行一个epoch 所需要的时间为240 ms，随着迭代次数与训练时间的增加，loss 值缓慢下降并最终在2.7 附近波动，最后将测试集通过yolo_test.py 对细胞分类模型进行检测，得到检测结果。并对宫颈细胞分类检测结果进行统计如表2 所示。
表2 实验结果
识别率的计算如式（1）所示。
其中，NP（Number of Correct Predictions）表示模型预测和实际结果相同的个数即代表预测结果准确，TP（Total Number of Predictions）表示宫颈细胞模型预测的总数[15-16]，图6 为部分测试数据集的检测结果，图中细胞种类均已被识别框选出，左侧为模型正确识别的正常宫颈细胞，其细胞核占整体细胞比例较小。右侧是被模型正确识别为发生了病变的宫颈细胞，其细胞核占总体比例较大。
文章来源：《自动化与仪器仪表》 网址: http://www.zdhyyqybzz.cn/qikandaodu/2021/0718/847.html