[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN118196790B - 一种低倍镜下染色体分裂相图像筛选方法、系统、设备及存储介质 - Google Patents

一种低倍镜下染色体分裂相图像筛选方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN118196790B
CN118196790B CN202410610271.2A CN202410610271A CN118196790B CN 118196790 B CN118196790 B CN 118196790B CN 202410610271 A CN202410610271 A CN 202410610271A CN 118196790 B CN118196790 B CN 118196790B
Authority
CN
China
Prior art keywords
detected
region
connected domain
information
area
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202410610271.2A
Other languages
English (en)
Other versions
CN118196790A (zh
Inventor
李娜
苏俊楷
胡敬栋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiaona Technology Suzhou Co ltd
Original Assignee
Xiaona Technology Suzhou Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiaona Technology Suzhou Co ltd filed Critical Xiaona Technology Suzhou Co ltd
Priority to CN202410610271.2A priority Critical patent/CN118196790B/zh
Publication of CN118196790A publication Critical patent/CN118196790A/zh
Application granted granted Critical
Publication of CN118196790B publication Critical patent/CN118196790B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695—Preprocessing, e.g. image segmentation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明提出了一种低倍镜下染色体分裂相图像筛选方法、系统、设备及存储介质，所述方法包括通过预训练的边界标注模型在原始的玻片图像上使用边界框标记出包含染色体分裂相的待检测区域，在遍历玻片图像的过程中，通过待检测区域的连通域离散度和连通域置信度对待检测区域进行评分，通过评分排序即可准确地识别和选择最佳的分裂相图像，降低了对操作人员的专业技能的要求，且本发明能够快速地从大量的低倍镜图像中筛选出具有符合要求的染色体分裂相图像，大大提高了工作效率，减少了人工筛选所需的时间和劳动。

Description

一种低倍镜下染色体分裂相图像筛选方法、系统、设备及存储 介质
技术领域
本发明涉及染色体筛选领域，尤其是一种低倍镜下染色体分裂相图像筛选方法、系统、设备及存储介质。
背景技术
染色体核型分析是一项复杂的过程，通常需要通过多个步骤来获取准确的结果。在核型分析流程中，通常先进行低倍镜下的全片扫描，这个阶段旨在快速筛查出具有合适分裂相的染色体图像，以便后续的高倍镜扫描和进一步分析。但在低倍镜下，染色体的分裂相图像呈现出面积较小且相对密集的特点，这样的特征使得染色体的识别可能存在一定的失误，导致错误地选取分裂相图像，进而导致后续通过高倍镜扫描得到的图像无效，从而浪费了时间和资源。
另外，在低倍镜下扫描得到的图像中，并不是所有的分裂相都适用于染色体核型分析。染色体的形态和结构可能因细胞周期的不同阶段而有所变化，分裂相目前最大的问题就是会有染色体之间相互重叠，染色体间距过于短的情况，这样的分裂相对于图像处理以及分析人员进行判断都是极大的困难，并且重叠位置过多，可做核型分析的实用性很低；这不仅对分析人员的专业水平和经验提出了高的要求，且分析过程自动化难度大，扫描流程繁琐，如果低倍镜下所拍的分裂相不满足分析人员的分析要求，那后期换成高倍镜拍摄会造成时间的浪费，增加了时间成本。
发明内容
为解决上述问题，本发明提出了一种低倍镜下染色体分裂相图像筛选方法、系统、设备及存储介质。
本发明的主要内容包括：
一种低倍镜下染色体分裂相图像筛选方法，包括如下步骤：
获取原始图像；所述原始图像为低倍镜拍摄的且包含若干染色体分裂相图像的玻片图像；
对原始图像进行标记，获得若干待检测区域；所述待检测区域包括标注的边界框以及围设在所述边界框内的染色体分裂相图像；
分别获取单个所述待检测区域内的连通域信息；单个所述连通域信息包括对应的连通域离散度以及连通域置信度；
根据单个所述待检测区域的连通域离散度和连通域置信度，计算得到所述待检测区域的评分值；计算公式如下：
其中，为待检测区域的评分值，为待检测区域的连通域置信度，为待 检测区域的连通域离散度，、为权重系数；
根据高倍镜拍摄所需的数量，按照待检测区域的评分值从高到低的顺序获取对应的待检测区域的染色体分裂相图像，由原始图像中分割后构成目标候选图像。
优选的，对原始图像进行标注，获得若干待检测区域，包括：
使用预先训练的边界标注模型，为原始图像上的染色体分裂相图像标注出对应的边界框。
优选的，分别获取单个所述待检测区域内的连通域信息，包括：
对待检测区域进行二值化处理，得到对应的若干连通域单元；
分别获取单个所述连通域单元的面积信息以及周长信息；
根据所有连通域单元的面积信息以及周长信息，计算所述待检测区域的第一信息；
根据所述待检测区域的第一信息以及方向信息，计算所述待检测区域的连通域离散度；
所述待检测区域的方向信息为所述待检测区域的二阶矩的值。
优选的，根据所有连通域单元的面积信息以及周长信息，计算所述待检测区域的第一信息；包括：
计算所述连通域单元的周长以及所述连通域单元的面积；
计算所有连通域单元的周长信息D，计算公式如下：，其中，为第i个 连通域单元的周长，n为所述待检测区域内连通域单元的数量；
计算所有连通域单元的面积信息S，计算公式如下：，其中，为第i个连 通域单元的面积，n为所述待检测区域内连通域单元的数量；
计算所述待检测区域的第一信息R，计算公式如下：。
优选的，所述待检测区域的方向信息由如下公式得到：
其中，指待检测区域的二阶矩的值，表示待检测区域中某个像素点的像素值，表示待检测区域中所有像素点的像素平均值，表示待检测区域中像素点的数量。
优选的，所述待检测区域的离散度由如下公式得到：
其中，为待检测区域的离散度；，为预先配置的权重系数。
本发明还提出了一种低倍镜下染色体分裂相图像筛选系统，包括：
获取模块，用于获取由低倍镜拍摄到的包含若干染色体分裂相图像的玻片图像；
标记模块，使用边界标注模型在玻片图像中标记出包含染色体分裂相图像的边界框，将玻片图像分成若干待检测区域；
计算模块，用于获取待检测区域内的连通域信息，并根据所述连通域信息，计算得到待检测区域相应的评分；
排序模块，用于根据高倍镜拍摄所需的数量，按照待检测区域的评分值从高到低的顺序输出对应的待检测区域的染色体分裂相图像；
分割模块，用于将选定的待检测区域由所述原始图像中分割出，以构成目标候选图像；
训练模块，用于对边界标注模型进行训练。
本发明还提出了一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述的一种低倍镜下染色体分裂相图像筛选方法。
本发明还提出了一种计算机可读存储介质，所述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实现上述的一种低倍镜下染色体分裂相图像筛选方法。
本发明的有益效果在于：本发明提出了一种低倍镜下染色体分裂相图像筛选方法、系统、设备及存储介质，通过预训练的边界标注模型在原始的玻片图像上使用边界框标记出包含染色体分裂相的待检测区域，在遍历玻片图像的过程中，对待检测区域进行评分，通过评分排序即可准确地识别和选择最佳的分裂相图像，降低了对操作人员的专业技能的要求，且本发明能够快速地从大量的低倍镜图像中筛选出具有符合要求的染色体分裂相图像，大大提高了工作效率，减少了人工筛选所需的时间和劳动。
附图说明
图1是本发明的功能框图。
具体实施方式
以下结合附图将对本发明所保护的技术方案做具体说明。
请参阅图1，本发明提出了一种低倍镜下染色体分裂相图像筛选系统，具体地，包括获取模块、标记模块、计算模块、排序模块以及分割模块，其中，所述获取模块用于获取由低倍镜拍摄到的包含若干染色体分裂相图像的玻片图像；即每张低倍镜拍摄的玻片上具有很多数量的染色体分裂相图像，为了描述方便，将一整张玻片图像称为原始图像；本发明无需首先将所有的分裂相图像由玻片中分割后再进行筛选，而是通过标记模块使用边界标注模型在玻片图像中标记出包含染色体分裂相图像的边界框，以将玻片图像分成若干待检测区域；所述边界标注模型预先训练，即本系统还包括由训练模块，用于对使用的网络模型进行训练，如对于边界标注模型的训练，可以通过收集带有目标的图像数据集，进行标注，即标注包括目标的边界框信息；通过对图像进行预处理，包括大小归一化、数据增强等，以提高模型的泛化能力和鲁棒性，然后使用准备好的数据集对选定的模型进行训练，以使模型学习如何从图像中准确地检测出目标的位置和边界框。
而所述计算模块能够获取待检测区域内的连通域信息，并根据所述连通域信息，计算得到待检测区域相应的评分；接着通过所述排序模块，根据高倍镜拍摄所需的数量，按照待检测区域的评分值从高到低的顺序输出对应的待检测区域的染色体分裂相图像；最后通过分割模块，将选定的待检测区域由所述原始图像中分割出，以构成目标候选图像。
具体地，本发明提出了一种低倍镜下染色体分裂相图像筛选方法，包括如下步骤：
首先，使用预先训练的边界标注模型，为原始图像上的染色体分裂相图像标注出对应的边界框，即将玻片图像内的染色体分裂相图像划分为若干待检测区域；所述待检测区域包括标注的边界框以及围设在所述边界框内的染色体分裂相图像；在其他实施例中，还可以对边界标注模型进行训练，使其能够对染色体分裂相图像进行初步的质量筛选，如识别相应待检测区域内的染色体数量，对于染色体数量明显小于设定值的染色体分裂相图像，不进行后续的计算分析，所述边界标注模型无需具有复杂的分类识别功能，目的为快速的划分出待分析和计算的区域。
接着，分别获取单个所述待检测区域内的连通域信息；即分别获取所有待检测区域的连通域离散度以及其连通域置信度。
具体地，本发明根据待检测区域内包含的多个连通域对应的周长信息以及面积信息，计算所述待检测区域的第一信息；再通过与所述待检测区域的二阶矩的结合，从而计算得出相应待检测区域的连通域离散度，最后再结合该待检测区域的连通域置信度，对其进行评分。评分计算公式为：
其中，为待检测区域的评分值，为待检测区域的连通域置信度，为待 检测区域的连通域离散度，、为权重系数，更具体地，、为超参数，在初始阶段，可 经归一化后将、均设定为0.5，即连通域置信度和连通域离散度在最终的评分中的重 要程度是相同的。随后还可以根据评分结果，通过人工调整的方式对、进行调整，如当 想要增大连通域离散度的影响，则可相应调高，而降低。
其中，所述待检测区域的连通域置信度可以通过yolov8网络计算得出。而所 述待检测区域的连通域离散度的计算则是根据所述待检测区域的第一信息以及方向信息 得到，所述待检测区域的方向信息为所述待检测区域的二阶矩的值，由如下公式得到：
其中，指待检测区域的二阶矩的值，表示待检测区域中某个像素点的像素值，表示待检测区域中所有像素点的像素平均值，表示待检测区域中像素点的数量。
而分别获取单个所述待检测区域内的连通域信息的具体步骤为：首先对待检测区 域进行二值化处理，得到对应的若干连通域单元；然后分别获取单个所述连通域单元的面 积信息以及周长信息；接着根据所有连通域单元的面积信息以及周长信息，计算所述待检 测区域的第一信息；在本实施例中，先计算所述连通域单元的周长以及所述连通域单元 的面积；然后将所有的连通域单元的面积相加，得到所述待检测区域的面积信息S，即，同时，将所有的连通域单元的周长相加，得到所述待检测区域的周长信息D，即；其中，为第i个连通域单元的周长，为第i个连通域单元的面积，n为所述待 检测区域内连通域单元的数量；然后使用，即可得到所述待检测区域的第一信息R。
所述待检测区域的离散度由如下公式得到：
其中，为待检测区域的离散度；，为预先配置的权重系数，具体地，、也 为超参数，如在初始阶段，可经归一化后将、设定为相同值，如均为0.5，再根据最终的 评分情况，通过人工调整的方式对、进行调整，如通过调大来增大待检测区域的形 状信息对离散度的影响，调小来减少方向信息对离散度的影响。
最后，根据高倍镜拍摄所需的数量，按照待检测区域的评分值从高到低的顺序获取对应的待检测区域的染色体分裂相图像，由原始图像中分割后构成目标候选图像。
本发明还提出了一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述的一种低倍镜下染色体分裂相图像筛选方法。
本发明还提出了一种计算机可读存储介质，所述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实现上述的一种低倍镜下染色体分裂相图像筛选方法。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种低倍镜下染色体分裂相图像筛选方法，其特征在于，包括如下步骤：
获取原始图像；所述原始图像为低倍镜拍摄的且包含若干染色体分裂相图像的玻片图像；
对原始图像进行标记，获得若干待检测区域；所述待检测区域包括标注的边界框以及围设在所述边界框内的染色体分裂相图像；
分别获取单个所述待检测区域内的连通域信息；单个所述连通域信息包括对应的连通域离散度以及连通域置信度；
根据单个所述待检测区域的连通域离散度和连通域置信度，计算得到所述待检测区域的评分值；计算公式如下：
，
其中，为待检测区域的评分值，为待检测区域的连通域置信度，为待检测区域的连通域离散度，、为权重系数；
根据高倍镜拍摄所需的数量，按照待检测区域的评分值从高到低的顺序获取对应的待检测区域的染色体分裂相图像，由原始图像中分割后构成目标候选图像；
分别获取单个所述待检测区域内的连通域信息，包括：
对待检测区域进行二值化处理，得到对应的若干连通域单元；
分别获取单个所述连通域单元的面积信息以及周长信息；
根据所有连通域单元的面积信息以及周长信息，计算所述待检测区域的第一信息；
根据所述待检测区域的第一信息以及方向信息，计算所述待检测区域的连通域离散度；
所述待检测区域的方向信息为所述待检测区域的二阶矩的值；
根据所有连通域单元的面积信息以及周长信息，计算所述待检测区域的第一信息；包括：
计算所述连通域单元的周长以及所述连通域单元的面积；
计算所有连通域单元的周长信息D，计算公式如下：，其中，，为第i个连通域单元的周长，n为所述待检测区域内连通域单元的数量；
计算所有连通域单元的面积信息S，计算公式如下：，其中，为第i个连通域单元的面积，n为所述待检测区域内连通域单元的数量；
计算所述待检测区域的第一信息R，计算公式如下：。
2.根据权利要求1所述的一种低倍镜下染色体分裂相图像筛选方法，其特征在于，对原始图像进行标记，获得若干待检测区域，包括：
使用预先训练的边界标注模型，为原始图像上的染色体分裂相图像标注出对应的边界框。
3.根据权利要求1所述的一种低倍镜下染色体分裂相图像筛选方法，其特征在于，所述待检测区域的方向信息由如下公式得到：
，
其中，指待检测区域的二阶矩的值，表示待检测区域中某个像素点的像素值，表示待检测区域中所有像素点的像素平均值，表示待检测区域中像素点的数量。
4.根据权利要求1所述的一种低倍镜下染色体分裂相图像筛选方法，其特征在于，所述待检测区域的连通域离散度由如下公式得到：
，
其中，为待检测区域的连通域离散度；，为预先配置的权重系数。
5.使用如权利要求1至4任一所述的一种低倍镜下染色体分裂相图像筛选方法的系统，其特征在于，包括：
获取模块，用于获取由低倍镜拍摄到的包含若干染色体分裂相图像的玻片图像；
标记模块，使用边界标注模型在玻片图像中标记出包含染色体分裂相图像的边界框，将玻片图像分成若干待检测区域；
计算模块，用于获取待检测区域内的连通域信息，并根据所述连通域信息，计算得到待检测区域相应的评分；
排序模块，用于根据高倍镜拍摄所需的数量，按照待检测区域的评分值从高到低的顺序输出对应的待检测区域的染色体分裂相图像；
分割模块，用于将选定的待检测区域由所述原始图像中分割出，以构成目标候选图像；
训练模块，用于对边界标注模型进行训练。
6.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现如权利要求1至4任一所述的一种低倍镜下染色体分裂相图像筛选方法。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的一种低倍镜下染色体分裂相图像筛选方法。
CN202410610271.2A 2024-05-16 2024-05-16 一种低倍镜下染色体分裂相图像筛选方法、系统、设备及存储介质 Active CN118196790B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410610271.2A CN118196790B (zh) 2024-05-16 2024-05-16 一种低倍镜下染色体分裂相图像筛选方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410610271.2A CN118196790B (zh) 2024-05-16 2024-05-16 一种低倍镜下染色体分裂相图像筛选方法、系统、设备及存储介质

Publications (2)

Publication Number Publication Date
CN118196790A CN118196790A (zh) 2024-06-14
CN118196790B true CN118196790B (zh) 2024-09-06

Family

ID=91403010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410610271.2A Active CN118196790B (zh) 2024-05-16 2024-05-16 一种低倍镜下染色体分裂相图像筛选方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN118196790B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112037185A (zh) * 2020-08-21 2020-12-04 湖南自兴智慧医疗科技有限公司 染色体分裂相图像筛选方法、装置及终端设备

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110838113B (zh) * 2019-11-08 2022-03-04 南京大学金陵学院 一种对复丝合成中单丝计数和单丝粗细一致性的检测方法
CN111325711A (zh) * 2020-01-16 2020-06-23 杭州德适生物科技有限公司 一种基于深度学习的染色体分裂相图像质量评价方法
CN111914818B (zh) * 2020-09-21 2024-05-24 北京林业大学 一种基于多帧离散置信度森林火灾烟雾根节点检测方法
KR102630183B1 (ko) * 2021-12-21 2024-01-25 동아대학교 산학협력단 화재 검출 훈련용 이미지 데이터 생성 장치 및 방법과 이를 이용한 학습 장치 및 방법
KR102430071B1 (ko) * 2022-02-08 2022-08-05 국방과학연구소 레이블링 바운딩 박스에 기초한 영상 전처리 방법 및 장치
CN114862877B (zh) * 2022-05-27 2024-03-22 四川大学华西医院 基于置信度评分的细胞粘连分割方法和装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112037185A (zh) * 2020-08-21 2020-12-04 湖南自兴智慧医疗科技有限公司 染色体分裂相图像筛选方法、装置及终端设备

Also Published As

Publication number Publication date
CN118196790A (zh) 2024-06-14

Similar Documents

Publication Publication Date Title
CN106875381B (zh) 一种基于深度学习的手机外壳缺陷检测方法
CN109583483B (zh) 一种基于卷积神经网络的目标检测方法和系统
CN108921057B (zh) 基于卷积神经网络的对虾形态测量方法、介质、终端设备及装置
CN107909081B (zh) 一种深度学习中图像数据集的快速获取和快速标定方法
CN109598681B (zh) 一种对称唐卡修复后图像的无参考质量评价方法
CN107305691A (zh) 基于图像匹配的前景分割方法及装置
CN112036384B (zh) 精子头部形态识别方法、装置及设备
CN110827312A (zh) 一种基于协同视觉注意力神经网络的学习方法
CN116503622A (zh) 基于计算机视觉图像的数据采集读取方法
CN107301421A (zh) 车辆颜色的识别方法及装置
CN117850032B (zh) 一种光学透镜的调校方法及系统
CN118196790B (zh) 一种低倍镜下染色体分裂相图像筛选方法、系统、设备及存储介质
CN110276260B (zh) 一种基于深度摄像头的商品检测方法
CN112784894A (zh) 一种岩石薄片显微图像自动标注方法
CN117496532A (zh) 基于0cr的智慧识别工具
CN111260625B (zh) 胶印大张图像检测区域的自动提取方法
CN113505784A (zh) 甲片自动标注解析方法及装置、电子设备及存储介质
CN118411365B (zh) 一种高倍镜下的染色体分裂相质量评估方法、系统、电子设备及存储介质
CN112116598A (zh) 一种花卉种类识别方法及系统
CN116737982B (zh) 一种基于数据分析的图片搜索结果智能筛选管理系统
CN117437654B (zh) 一种基于语义识别的栅格地图解析方法、设备和介质
CN112307908B (zh) 一种视频语义提取方法及装置
CN117911409B (zh) 一种基于机器视觉的手机屏坏线缺陷诊断方法
CN118429780B (zh) 基于深度学习的图像处理方法、装置、计算机设备
CN117975142A (zh) 一种改进Mask R-CNN的花卉识别和检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant