(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210465256.4 (22)申请日 2022.04.29 (71)申请人 内蒙古科技大学包头医学院 地址 014040 内蒙古自治区包头市东河区 建设路北31号 (72)发明人 高云飞　高冠睿　张帅　卢怀民　 张美英　刘彦宏　马兴星　王圆　 张倩　 (74)专利代理 机构 西安长和专利代理有限公司 61227 专利代理师 何畏 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06V 20/69(2022.01)G06F 8/38(2018.01) G06V 10/762(2022.01) G06V 10/774(2022.01) (54)发明名称 一种血细胞检测计数的GUI系统制作方法、 系统及终端 (57)摘要 本发明属于计算机辅助检测与诊断技术领 域， 公开了一种血细胞检测计数的GUI系统制作 方法， 通过使用K ‑means算法对锚框进行聚类， 获 得三种不同大小的潜在待识别目标的锚框； 在 YOLOv5基础网络中引入残差模块和特征金字塔 的多尺度模块， 通过跳层连接进行残差训练， 并 在网络架构中增加密集连接模块； 应用深度学习 神经网YOLOv5对血细胞数据集进行训练， 将得到 的YOLOv5权重模型应用到GUI系统中； 对新的血 细胞图片进行检测计数， 并自动保存检测结果。 本发明实现血细胞识别计数智能化， 可以快速高 效准确识别各类血细胞， 精准计算出各类血细胞 的数量并直观明了地显示在GUI窗口界面。 权利要求书3页 说明书14页 附图13页 CN 114997272 A 2022.09.02 CN 114997272 A 1.一种血细胞检测计数的GUI系 统制作方法， 其特征在于， 所述血细胞检测计数的GUI 系统制作方法包括： YOLOv5网络的输入、 骨干、 颈部和头部的四个模块以及GUI模块； 通过使 用K‑means算法对锚框进 行聚类， 获得三种不同大小的潜在 待识别目标的锚框； 在Y OLOv5基 础网络中引入残差模块和特征金字塔的多尺度模块， 通过跳层连接进行残差训练， 并在 网 络架构中增加密集连接模块； 修改推理方法， 改变预测框的形状为圆形， 并且将细胞类别和 数量显示在图例图片上； 将改进应用到GUI系统生成检测计数 结果。 2.如权利要求1所述的血细胞检测计数的GUI系统制作方法， 其特征在于， 所述血细胞 检测计数的GUI系统制作方法包括以下步骤： 步骤一， 制作用于血细胞检测计数的数据集； 步骤二， 下 载并优化YOLOv5 ‑PYTORCH网络框架； 步骤三， 将血细胞检测计数的数据集用YOLOv5 ‑PYTORCH网络进行训练； 步骤四， 将训练的新型YOLOv5模型用于血细胞检测计数中； 步骤五， 制作基于PyQt5实现血细胞检测计数的GUI检测计数界面； 步骤六， 将训练的新型YOLOv5模型用于GUI检测计数界面中。 3.如权利要求2所述的血细胞检测计数的GUI系统制作方法， 其特征在于， 所述步骤一 中的制作用于血细胞检测计数的数据集包括： (1)拍摄搜集显微镜下 血细胞的原 始照片， 构成原 始数据集； (2)对原始数据集进行数据清洗， 利用旋转、 裁剪的数据增强方法对原始数据集进行增 强， 将数据集进行扩展； (3)利用labelimg对扩展后的图片 标注为VOC数据集， 类别分别为Platelets、 RBC和WBC 三类， 并利用转换程序将VOC数据集 转换为YOLO数据集。 4.如权利要求2所述的血细胞检测计数的GUI系统制作方法， 其特征在于， 所述步骤二 中的下载并优化YOLOv5 ‑PYTORCH网络框架包括： (1)下载官方最新版v6.0的YOLOv5开源代码， 配置参数并安装运行的软件环境； (2)YOLOv5采用CIOU_L oss做Boundi ngbox的回归损失函数， 定义 为： 其中， ciou_loss考虑到覆盖面积、 中心点距离和长宽比； IOU为预测框和真实框的叫并 比， 其中c表示目标最小外接矩形的对角线距离。 v是衡量长宽比一致性的参数表示检测框 和真实框的长 宽比的距离， 表示 为： 其中， gt表示类别是血细胞的预测框的中心点， ρ 表示欧氏距离， wgt和hgt为真实框的宽 和高， w和h为预测框的宽和高。 (3)新型YOLOv5的非极大值抑制方法采用diou_loss， 所述diou_loss通过分析iou和两 个中心点之间的距离， 当两个框的中心点距离比较大时， 则两个物体的框而不会因遮挡而 被过滤。 5.如权利要求2所述的血细胞检测计数的GUI系统制作方法， 其特征在于， 所述步骤三权　利　要　求　书 1/3 页 2 CN 114997272 A 2中的将血细胞检测计数的数据集用YOLOv5 ‑PYTORCH网络进行训练包括： (1)对步骤一所标注的数据 集采用k‑means++算法对数据 集的目标框的高宽进行 聚类， 进而确定模型中的anc hor参数的最优值； (2)将标注的数据集按照9： 1划 分成训练集和测试集， 将步骤(1)计算得到的anchor参 数输入到 YOLOv5网络模型anc hor参数中； (3)修改配置参数文件myvoc.yaml， 包括训练集、 测试集、 验证集路径、 类别数和类别名 称； (4)设置网络训练参数： 迭代批量设置为128、 衰减系数为0.0005、 总迭代次数为500次、 初始学习率 为0.001， 迭代40 0次学习率降低至 0.0001、 迭代45 0次学习率降至 0.00001； 优选的， 在步骤四中对步骤三训练好的新型YOLOv5模型进行推理测试； 更改YOLOv5原来 图形绘制方法， 计算全部检测图像种预测出的各种细胞数量， 根据检 测结果在原图上绘制标注框且打印计数信息保存到输出路径； 将预测框改为圆形， 在预测 框上绘制类别 信息， 在输出的图像上绘制计数信息 。 6.如权利要求2所述的血细胞检测计数的GUI系统制作方法， 其特征在于， 所述步骤五 中的制作基于PyQt5实现血细胞检测计数的GUI检测计数界面包括： (1)安装GUI界面制作程序pyqt5， 按内容设计布局、 选项卡及功能按钮； 分别设计图片 检测计数、 视频检测 技术和联系方式三个选项卡， 并对每个选项卡设计打开文件或摄像头 和开始检测技 术按钮； (2)编写GUI界面代码并调整各参数， 美化窗口界面； 所述步骤六中的将训练的新型YOLOv5模型用于GUI检测计数界面中包括： (1)将训练好的YOLOv5模型应用到GUI 程序中进行推理测试； (2)根据测试 结果反复调整代码和参数， 以达 到理想预期。 7.一种应用如权利要求1～6任意一项所述的血细胞检测计数的GUI系统制作 方法的血 细胞检测 计数的GUI系统制作系统， 其特征在于， 所述血细胞检测 计数的GUI系统制作系统 包括： 数据集构建模块， 用于制作用于血细胞检测计数的数据集； 网络框架优化模块， 用于下 载并优化YOLOv5 ‑PYTORCH网络框架； 网络训练模块， 用于将血细胞检测计数的数据集用YOLOv5 ‑PYTORCH网络进行训练； 检测计数模块， 用于将训练的新型YOLOv5模型用于血细胞检测计数中； GUI检测计数模块， 用于制作基于P yQt5实现血细胞检测计数的GUI检测计数界面， 并将 训练的新型YOLOv5模型用于GUI检测计数界面中。 8.一种计算机设备， 其特征在于， 所述计算机设备包括存储器和处理器， 所述存储器存 储有计算机程序， 所述计算机程序被所述处 理器执行时， 使得 所述处理器执行如下步骤： 通过使用K ‑means算法对锚框进行 聚类， 获得三种不同大小的潜在待识别目标的锚框； 在YOLOv5基础网络中引入残差模块和特征金字塔的多尺度模块， 通过跳层连接进 行残差训 练， 并在网络架构中增加密集连接模块； 应用深度学习神经网YOLOv5对血细胞数据集进行 训练， 将得到的YOLOv5权重模型应用到GUI系统中； 对新的血细胞图片进行检测计数， 并自 动保存检测结果。 9.一种计算机可读存储介质， 存储有计算机程序， 所述计算机程序被处理器执行时， 使权　利　要　求　书 2/3 页 3 CN 114997272 A 3