企业建设营销网站的基本步骤有哪些,有什么做图文长图的网站吗,如何获得企业邮箱,农业公司怎样建立网站摘要#xff1a;血细胞智能检测与计数软件应用深度学习技术智能检测血细胞图像中红细胞、镰状细胞等不同形态细胞并可视化计数#xff0c;以辅助医学细胞检测。本文详细介绍血细胞智能检测与计数软件#xff0c;在介绍算法原理的同时#xff0c;给出Python的实现代码以及Py…
摘要血细胞智能检测与计数软件应用深度学习技术智能检测血细胞图像中红细胞、镰状细胞等不同形态细胞并可视化计数以辅助医学细胞检测。本文详细介绍血细胞智能检测与计数软件在介绍算法原理的同时给出Python的实现代码以及PyQt的UI界面。在界面中可以选择各种图片、视频进行检测识别可对图像中存在的多目标进行识别分类检测速度快、识别精度高。博文提供了完整的Python代码和使用教程适合新入门的朋友参考完整代码资源文件请转至文末的下载链接。本博文目录如下 文章目录前言1. 效果演示2. 血细胞数据集和模型训练3. 血细胞检测识别下载链接结束语➷点击跳转至文末所有涉及的完整代码文件下载页☇ 血细胞智能检测与计数软件演示与介绍PythonYOLOv5深度学习模型清新界面版前言 目标检测主要通过人工智能技术识别并定位图像中的物体在实际生活中应用领域广泛数字摄像机智能火灾监控、医学影像肿瘤检测、数码相机人脸自动定位等等多个领域。传统目标检测算法因无法利用图像的深层特征而易受到物体遮挡、光照变化等因素的干扰导致漏检与误检。深度学习的出现可以很好地解决这一问题。深度学习算法可以从样本中学习通过对特征的加工组合进而提取图像的更深层特征。本文在深度学习理论的支持下研究目标检测在血液细胞中的应用。。 医疗图像的获取以及标注需要耗费巨大的人力成本而训练数据不足会导致模型出现过拟合的现象尤其是血液细胞中各类细胞的识别。并且血液细胞图像本身存在着对比度低和各类细胞数量、外形差异较大的特点,这些都影响着血液细胞检测的精度。本文在对深度学习目标检测算法研究的基础上对血液细胞中的各类细胞识别并使用算法得到较高的血液细胞的检测精度。 本系统采用登录注册进行用户管理对于图片、视频和摄像头捕获的实时画面可检测医疗图像系统支持结果记录、展示和保存每次检测的结果记录在表格中。对此这里给出博主设计的界面同款的简约风功能也可以满足图片、视频和摄像头的识别检测希望大家可以喜欢初始界面如下图 检测类别时的界面截图点击图片可放大如下图可识别画面中存在的多个类别也可开启摄像头或视频检测 详细的功能演示效果参见博主的B站视频或下一节的动图演示觉得不错的朋友敬请点赞、关注加收藏系统UI界面的设计工作量较大界面美化更需仔细雕琢大家有任何建议或意见和可在下方评论交流。 1. 效果演示 软件好不好用颜值很重要首先我们还是通过动图看一下识别的效果系统主要实现的功能是对图片、视频和摄像头画面中的血细胞进行识别识别的结果可视化显示在界面和图像中另外提供多个目标的显示选择功能演示效果如下。
一系统介绍 血细胞智能检测与计数软件主要用于显微镜下的血细胞检测与计数基于深度学习技术识别图像中常见的4种血细胞包括血小板、红细胞、白细胞、镰状细胞等输出细胞的标记框坐标和类别以辅助自动化细胞统计和医学研究软件提供登录注册功能可进行用户管理软件能够有效识别电子显微镜采集的细胞图片、视频等文件形式检测各种细胞形态并记录识别结果在界面表格中方便查看可开启摄像头实时监测和统计当前视野范围各种类型细胞数目支持结果记录、展示和保存。
二技术特点 1YoloV5目标检测算法检测血细胞模型支持更换 2摄像头实时检测血细胞展示、记录和保存结果 3检测图片、视频等图像中的血细胞个体 4支持用户登录、注册检测结果可视化功能
三用户注册登录界面 这里设计了一个登录界面可以注册账号和密码然后进行登录。界面还是参考了当前流行的UI设计左侧是一个动图右侧输入账号、密码、验证码等等。 四选择图片识别 系统允许选择图片文件进行识别点击图片选择按钮图标选择图片后显示所有识别的结果可通过下拉选框查看单个结果以便具体判断某一特定目标。本功能的界面展示如下图所示 五视频识别效果展示 很多时候我们需要识别一段视频中的血细胞这里设计了视频选择功能。点击视频按钮可选择待检测的视频系统会自动解析视频逐帧识别多个血细胞并将血细胞的分类和计数结果记录在右下角表格中效果如下图所示 六摄像头检测效果展示 在真实场景中我们往往利用摄像头获取实时画面同时需要对血细胞进行识别因此本文考虑到此项功能。如下图所示点击摄像头按钮后系统进入准备状态系统显示实时画面并开始检测画面中的血细胞识别结果展示如下图 2. 血细胞数据集和模型训练
一数据集制作 本文实验的血细胞数据集包含训练集2853张图片验证集219张图片测试集81张图片共计3153张图片选取部分数据部分样本数据集如图所示。 每张图像均提供了图像类标记信息图像中细胞的bounding box目标的属性信息数据集并解压后得到如下的图片 船舰数据集的类别信息如下包含血小板、红细胞、白细胞、镰状细胞等类别
Chinese_name {Platelets: 血小板, RBC: 红细胞, WBC: 白细胞, sickle cell: 镰状细胞}原数据格式是xml文件对目标细胞注释现在需要将这种注释转换为yolov5所需的格式。即每个图像对应一个txt文件文件中存储该图像中全部细胞的类别和坐标一行存储一个细胞的信息如下图 在本项目的同级目录下创建数据集存储路径路径内创建训练集测试集路径和配置文件dataset.yaml images内存储图像数据labels存储标注数据文件名称对应相同设置数据集配置文件如下
train: ./Haemocytes/images/train
val: ./Haemocytes/images/valid
test: ./Haemocytes/images/testnc: 4
names: [Platelets, RBC, WBC, sickle cell]1train 指定训练集图像路径 2val 指定验证集图像路径 3nc 指定目标类别数量 这里为血小板红细胞白细胞共3种 4目标对应类别名称 接下来需要配置项目路径内的train.py的相关参数指定预训练的模型权重和模型结构文件和数据集配置文件训练的轮数batch_size的大小和输入图像的分辨率。 parser argparse.ArgumentParser()parser.add_argument(--weights, typestr, defaultyolov5s.pt, helpinitial weights path)parser.add_argument(--cfg, typestr, defaultmodels/yolov5s.yaml, helpmodel.yaml path)parser.add_argument(--data, typestr, defaultdataset.yaml, helpdata.yaml path)parser.add_argument(--hyp, typestr, defaultdata/hyp.scratch.yaml, helphyperparameters path)parser.add_argument(--epochs, typeint, default300)parser.add_argument(--batch-size, typeint, default1, helptotal batch size for all GPUs)parser.add_argument(--img-size, nargs, typeint, default[640, 640], help[train, test] image sizes)在我们的训练过程中mAP50作为一种常用的目标检测评估指标很快达到了较高水平而mAP50:95也在训练的过程中不断提升说明我们模型从训练-验证的角度表现良好。读入一个测试文件夹进行预测通过训练得到的选取验证集上效果最好的权重best.pt进行实验得到PR曲线如下图所示。 在深度学习中我们通常通过损失函数下降的曲线来观察模型训练的情况。而YOLOv5训练时主要包含三个方面的损失矩形框损失(box_loss)、置信度损失obj_loss和分类损失(cls_loss)在训练结束后我们也可以在logs目录下找到生成对若干训练过程统计图。下图为博主训练血细胞识别的模型训练曲线图。 以PR-curve为例可以看到我们的模型在验证集上的均值平均准确率为0.794。
3. 血细胞检测识别 运行testVideo得到预测结果我们便可以将帧图像中的血细胞框出然后在图片上用opencv绘图操作输出血细胞的类别及血细胞的预测分数。以下是读取血细胞视频并进行检测的脚本首先将图片数据进行预处理后送predict进行检测然后计算标记框的位置并在图中标注出来。
while True:# 从视频文件中逐帧读取画面(grabbed, image) vs.read()# 若grabbed为空表示视频到达最后一帧退出if not grabbed:print([INFO] 运行结束...)output_video.release()vs.release()exit()# 获取画面长宽if W is None or H is None:(H, W) image.shape[:2]image cv2.resize(image, (850, 500))img0 image.copy()img letterbox(img0, new_shapeimgsz)[0]img np.stack(img, 0)img img[:, :, ::-1].transpose(2, 0, 1) # BGR to RGB, to 3x416x416img np.ascontiguousarray(img)pred, useTime predict(img)det pred[0]p, s, im0 None, , img0if det is not None and len(det): # 如果有检测信息则进入det[:, :4] scale_coords(img.shape[1:], det[:, :4], im0.shape).round() # 把图像缩放至im0的尺寸number_i 0 # 类别预编号detInfo []for *xyxy, conf, cls in reversed(det): # 遍历检测信息c1, c2 (int(xyxy[0]), int(xyxy[1])), (int(xyxy[2]), int(xyxy[3]))# 将检测信息添加到字典中detInfo.append([names[int(cls)], [c1[0], c1[1], c2[0], c2[1]], %.2f % conf])number_i 1 # 编号数1label %s %.2f % (names[int(cls)], conf)# 画出检测到的目标物plot_one_box(image, xyxy, labellabel, colorcolors[int(cls)])# 实时显示检测画面cv2.imshow(Stream, image)image cv2.resize(image, (vw, vh))output_video.write(image) # 保存标记后的视频if cv2.waitKey(1) 0xFF ord(q):break# print(FPS:{}.format(int(0.6/(end-start))))frameIndex 1执行得到的结果如下图所示图中血细胞的种类和置信度值都标注出来了预测速度较快。基于此模型我们可以将其设计成一个带有界面的系统在界面上选择图片、视频或摄像头然后调用模型进行检测。 博主对整个系统进行了详细测试最终开发出一版流畅得到清新界面就是博文演示部分的展示完整的UI界面、测试图片视频、代码文件以及Python离线依赖包方便安装运行也可自行配置环境均已打包上传感兴趣的朋友可以通过下载链接获取。 下载链接 若您想获得博文中涉及的实现完整全部程序文件包括测试图片、视频py, UI文件等如下图这里已打包上传至博主的面包多平台见可参考博客与视频已将所有涉及的文件同时打包到里面点击即可运行完整文件截图如下 在文件夹下的资源显示如下下面的链接中也给出了Python的离线依赖包读者可在正确安装Anaconda和Pycharm软件后复制离线依赖包至项目目录下进行安装离线依赖的使用详细演示也可见本人B站视频win11从头安装软件和配置环境运行深度学习项目、Win10中使用pycharm和anaconda进行python环境配置教程。 注意该代码采用PycharmPython3.8开发经过测试能成功运行运行界面的主程序为runMain.py和LoginUI.py测试图片脚本可运行testPicture.py测试视频脚本可运行testVideo.py。为确保程序顺利运行请按照requirements.txt配置Python依赖包的版本。Python版本3.8请勿使用其他版本详见requirements.txt文件
完整资源中包含数据集及训练代码环境配置与界面中文字、图片、logo等的修改方法请见视频项目完整文件下载请见参考博客文章里面或参考视频的简介处给出➷➷➷
参考博客文章https://zhuanlan.zhihu.com/p/615303348
参考视频演示https://www.bilibili.com/video/BV1p84y1A7Yj/
离线依赖库下载链接https://pan.baidu.com/s/1hW9z9ofV1FRSezTSj59JSg?pwdoy4n 提取码oy4n 界面中文字、图标和背景图修改方法 在Qt Designer中可以彻底修改界面的各个控件及设置然后将ui文件转换为py文件即可调用和显示界面。如果只需要修改界面中的文字、图标和背景图的可以直接在ConfigUI.config文件中修改步骤如下 1打开UI_rec/tools/ConfigUI.config文件若乱码请选择GBK编码打开。 2如需修改界面文字只要选中要改的字符替换成自己的就好。 3如需修改背景、图标等只需修改图片的路径。例如原文件中的背景图设置如下
mainWindow :/images/icons/back-image.png可修改为自己的名为background2.png图片位置在UI_rec/icons/文件夹中可将该项设置如下即可修改背景图
mainWindow ./icons/background2.png结束语 由于博主能力有限博文中提及的方法即使经过试验也难免会有疏漏之处。希望您能热心指出其中的错误以便下次修改时能以一个更完美更严谨的样子呈现在大家面前。同时如果有更好的实现方法也请您不吝赐教。
