! 7 ,     江苏省市场监督管理局 发　布 中 国 标 准 出 版 社 出　版电镜扫描硅藻图像自动化检验 技术规范 Technical specification for automatic recognition of digital scan ning electron microscopy images of diatoms 2023 ⁃09⁃22发布 2023 ⁃10⁃22实施CCS A 92 DB32/T 4546—2023ICS 13.31 DB32/T 4546—2023 前言…………………………………………………………………………………………………………… Ⅲ 1 范围………………………………………………………………………………………………………… 1 2 规范性引用文件 …………………………………………………………………………………………… 1 3 术语和定义 ………………………………………………………………………………………………… 1 4 方法原理 …………………………………………………………………………………………………… 2 5 设备要求 …………………………………………………………………………………………………… 2 6 自动化检验系统模型构建 ………………………………………………………………………………… 3 6.1 图像输入模块 ………………………………………………………………………………………… 3 6.2 识别模块 ……………………………………………………………………………………………… 3 6.3 统计输出模块 ………………………………………………………………………………………… 4 7 实施步骤 …………………………………………………………………………………………………… 4 7.1 图像采集 ……………………………………………………………………………………………… 4 7.2 图像输入与识别 ……………………………………………………………………………………… 4 7.3 统计输出 ……………………………………………………………………………………………… 5 7.4 结果判读 ……………………………………………………………………………………………… 5 8 测试及性能要求 …………………………………………………………………………………………… 5 8.1 测试要求 ……………………………………………………………………………………………… 5 8.2 识别查准率的计算 …………………………………………………………………………………… 5 8.3 识别查全率的计算 …………………………………………………………………………………… 5 8.4 不完整硅藻检出率的计算 …………………………………………………………………………… 6 8.5 识别速度的计算 ……………………………………………………………………………………… 6 8.6 漏检率的计算 ………………………………………………………………………………………… 6 8.7 性能要求 ……………………………………………………………………………………………… 6 参考文献 ………………………………………………………………………………………………………… 7目　　次 Ⅰ DB32/T 4546—2023 前 言 本文件按照 GB/T 1.1—2020《标准化工作导则　第 1部分：标准化文件的结构和起草规则 》的规定 起草。 请注意本文件的某些内容可能涉及专利 。本文件的发布机构不承担识别专利的责任 。 本文件由江苏省司法厅提出并归口 。 本文件起草单位 ：南京医科大学司法鉴定所 、南京市公安局水上分局 。 本文件主要起草人 ：陈峰、刘晓荣、陈鹏、陈冶秋、李开、俞尤嘉、王增良、李荣、冀强、周世一、张志威、 唐伟、陈吉、黄帅楠。 Ⅲ DB32/T 4546—2023 电镜扫描硅藻图像自动化检验 技术规范 1 范围 本文件规定了电镜扫描硅藻图像自动化检验的设备要求 、自动化检验系统模型构建 、实施步骤 、测试 及性能要求 。 本文件适用于电镜扫描硅藻图像自动化检验系统的构建 、测试与使用 。 2 规范性引用文件 下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款 。其中，注日期的引用文 件，仅该日期对应的版本适用于本文件 ；不注日期的引用文件 ，其最新版本 （包括所有的修改单 ）适用于本 文件。 GA/T 1662 —2019 法庭科学 硅藻检验技术规范 微波消解 ⁃真空抽滤 ⁃显微镜法 T/CESA 1036 —2019 信息技术 人工智能 机器学习模型及系统的质量要素和测试方法 T/CESA 1040 —2019 信息技术 人工智能 面向机器学习的数据标注规程 3 术语和定义 GA/T 1662 —2019和T/CESA 1036 —2019界定的以及下列术语和定义适用于本文件 。 3.1 电镜扫描硅藻图像 digital scanning electron microscopy images of diatoms 通过微波消解 ⁃真空抽滤 ⁃电子显微镜法检验脏器样本或水体样本中的硅藻时 ，电子显微镜扫描富集 膜所得的数字化图像 。 3.2 电镜扫描硅藻图像自动识别系统 automatic recognition system of digital scanning electron mi ⁃ croscopy images of diatoms 基于计算机技术 ，对电镜扫描硅藻图像进行获取 、分析识别并输出图像中硅藻识别结果的系统 。 3.3 深度学习模型 deep learning model 采用深度学习方法建立的输入与目标输出联系的计算模型 。 注： 主要包含算法 、超参数、参数、模型输入规范 、模型输出规范五大要素 。 3.4 训练 training 对于给定的数据集 ，生成和优化深度学习模型参数设置的过程 。 3.5 验证 validation 对于给定的数据集 ，采用训练后的模型进行预测 ，由此进行选择并优化训练模型结构和超参数的 过程。 1 DB32/T 4546—2023 3.6 测试 testing 对于给定的数据集 ，采用训练后的深度学习模型进行预测 ，由此评估训练模型性能的过程 。 3.7 查准率 precision 正确识别为硅藻的数量占识别为硅藻数量的比率 。 3.8 查全率 recall 正确识别为硅藻的数量占样本中所有硅藻数量的比率 。 3.9 漏检率 miss rate 未被识别为硅藻的真实硅藻数量与样本中所有硅藻数量的比值 。 3.10 完整硅藻 complete diatom 在电镜图像中呈现边线连续 、内部无缺损 、形态完整的硅藻体 。 3.11 不完整硅藻 incomplete diatom 在电镜图像中呈现边线不连续 、内部有缺损 、形态不完整的硅藻体 。 注： 不完整硅藻产生的主要原因有 ：水体中本身存在碎片化不完整硅藻 ；样本在消解过程中产生部分碎片化不完整硅 藻；图像分割造成硅藻图像不完整 。 3.12 碎片硅藻 fragmented diatom 在电镜图像中呈现缺损面积大于 50%的不完整硅藻体 。 3.13 识别速度 recognition speed 对于输入的电镜扫描硅藻图像 ，系统识别每张图像平均所用的时间 。 3.14 边界框 bounding box 经过识别模型分析后 ，在图像中框出的系统认为是硅藻的区域 。 3.15 置信度 confidence coefficient 识别图像中的硅藻时返回的该边界框内区域是硅藻的概率数值 。 4 方法原理 本方法基于人工智能图像识别技术 ，构建电镜扫描硅藻图像自动识别系统 （以下简称系统 ） ，对电镜 扫描硅藻图像中的硅藻进行自动化定位 、定量分析 。 5 设备要求 电镜扫描硅藻图像自动化检验过程中使用的设备应符合如下要求 。 a）硅藻检验基本设备和耗材 ：符合 GA/T 1662 —2019中5.1和5.2规定的要求 。 b）扫描电子显微镜 ：符合 GA/T 1662 —2019中5.2.1.5.2规定的要求 。 2 DB32/T 4546—2023 c）计算机： ——处理器（CPU） ：英特尔（intel）i7⁃9700或以上； ——内存（RAM） ：DDR 4 2666 16GB或以上； ——硬盘：500GB SSD 或以上； ——显卡：RTX 2080 8G或以上； ——电源：功率 750 W或以上。 6 自动化检验系统模型构建 6.1 图像输入模块 6.1.1 模块要求 图像输入模块应能够批量导入电镜扫描硅藻图像 ，并输送至识别模块 。 6.1.2 输入图像要求 待识别图像按照 GA/T 1662 —2019规定的方法进行硅藻检验和扫描电镜图像采集所得 。推荐滤膜 扫描区域直径 16 mm，扫描放大倍数 1 500×。 6.2 识别模块 6.2.1 模块要求 识别模块应能够利用训练好的自动识别模型识别输入的硅藻电镜图像 ，用边界框框出系统认为是硅 藻的区域并返回系统认为是硅藻的置信度 。识别模块的组成和构建流程见图 1。 图1　识别模块组成和构建流程 3 DB32/T 4546—2023 6.2.2 数据集的建立 用于自动识别模型构建的数据集的建立应符合如下要求 。 a）建立数据集所使用的电镜扫描硅藻图像可来自于本实验室仪器平台以及其他来源 （如