(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 202211135316.2 (22)申请日 2022.09.19 (71)申请人 常州大学 地址 213164 江苏省常州市武进区滆湖中 路21号 申请人 常州市农产品质量 安全中心 (72)发明人 朱轮　翟云忠　王洁琼　吴冬梅　 杨森　杨泽熙　林逸峰　王琼　 朱虹　翟羽佳　薛彩霞　 (74)专利代理 机构 常州市英 诺创信专利代理事 务所(普通 合伙) 32258 专利代理师 张秋月 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06T 7/66(2017.01) G06T 7/13(2017.01) G06T 7/00(2017.01) G06N 3/04(2006.01) (54)发明名称 一种基于目标检测的胶体金类别判 断的方 法 (57)摘要 本发明涉及胶体金识别技术领域， 尤其涉及 一种基于目标检测的胶体金类别判断的方法， 包 括人工拍摄采样胶体金检测板图像获取数据集； 通过目标检测算法定位胶体金检测板的轮廓位 置； 对胶体金检测板进行方位矫正； 对原始图像 数据进行提取， 截取出目标胶体金检测板区域； 通过目标检测算法对显示面板的显示类别进行 分类， 输出分类结果。 本发明通过对胶体金轮廓 的检测矫正、 定位到胶体金的显示面板， 并联合 卷积神经网络和目标检测算法实现胶体金检测 类别的识别， 可以对任意拍摄视角下的胶体金进 行检测， 减少了摆正胶体金的过程， 能够精准识 别到胶体金的显示面板， 胶体金显示类别预测准 确率高基 于目标检测的胶体金类别判断的方法。 权利要求书3页 说明书8页 附图4页 CN 115496942 A 2022.12.20 CN 115496942 A 1.一种基于目标检测的胶体金类别判断的方法， 其特 征在于， 包括以下步骤： 步骤一、 人工拍摄采样胶体金检测板图像获取 数据集； 步骤二、 通过目标检测算法定位胶体金检测板的轮廓位置； 步骤三、 对胶体金检测板进行 方位矫正； 步骤四、 对原 始图像数据进行提取， 截取 出目标胶体金检测板区域； 步骤五、 通过目标检测算法对显示 面板的显示类别进行分类， 输出分类结果。 2.根据权利要求1所述的基于目标检测的胶体金类别判断的方法， 其特征在于， 所述步 骤二中通过目标检测算法Yo lo检测胶体金， 显示 面板、 样品孔 位置并获取坐标信息， 包括： Yolo将输入的图像分为S ×S的网格， 待预测物体中心所处在的网格负责对预测物体的 检测， 每个网格会生成数量为B的检测框， 以及每个检测框对应的置信度， 每个网格产生结 果为五个元素(x,y,w,h,c)， 其中(x,y)表示预测框中心对于网格左上角坐标值的偏移量， (w,h)表示预测 框的宽度及高度， 置信分数c表示预测 框是否包含物体以及预测的准确性， 其中置信分数c为： 其中,Pr(Classi|Object)表示预测物体的类别， Pr(Object)表示当前网格中包含物体 的概率， IoU计算的是预测的边框和真实的边框的交集和并集的比值， truth表示真实值， pred表示预测值， 同时每个网络会同时预测K个条件分类概率Pk,k∈{1,2 …,K}， K为分类类 目数。 3.根据权利要求2所述的基于目标检测的胶体金类别判断的方法， 其特征在于： 所述 Yolo中具有CBAM模块， CBAM模块包括 通道注意力机制和空间注意力机制。 4.根据权利要求3所述的基于目标检测的胶体金类别判断的方法， 其特征在于： 所述通 道注意力机制首先对输入的特征层分别进 行全局平均池化和全局最大池化， 再利用共享全 连接层处理两次池化结果， 并进行相加， 然后利用sigmoid激活函数， 将输入特征层的每一 个通道权值压缩在(0 ‑1)之间， 用输入 特征层乘上通道权值得到通道注 意力输出结果， 通道 注意力机制输出 结果如下： 其中， σ 为sigmoid操作,MLP表示共享全连接层， AvgPool(F)表示对输入进行平均池化 操作， MaxPool(F)表示对输入进行最大池化操作， W1和W0表示共享全连接层的权重， 表 示平均池化的结果， 表示最大池化的结果； 所述空间注意力机制对输入特征层在每一个特征点的通道轴方向上取最大池化和平 均池化， 对两次池化结果进行堆叠， 再使用通道数为1的卷积调整通道数， 然后利用sigmoid 激活函数， 将输入 特征层的每一个通道权值压缩在(0 ‑1)之间， 用输入特征层乘上通道权值 即可得到空间注意力输出 结果， 空间注意力机制输出 结果如下： 权　利　要　求　书 1/3 页 2 CN 115496942 A 2其中， σ 为sigmoid操作， f7×7表示7×7的卷积操作， AvgPool(F)表示对输入进行平均池 化操作， MaxPo ol(F)表示对输入进行最大池化操作， 表示平均池化的结果， 表示最 大池化的结果。 5.根据权利要求2所述的基于目标检测的胶体金类别判断的方法， 其特征在于： 所述 Yolo的损失函数包括位置误差损失函数、 置信度误差损失函数以及网格分类误差损失函 数； 位置误差损失函数为： 其中， λcoord表示对坐标损失的权重， xi表示真实的横坐标， 表示预测的横坐标， yi表示 真实的纵坐标， 表示预测的纵坐标， wi表示真实的宽度， 表示预测的宽度， hi表示真实 的高度， 表示预测的高度， S2表示网格数量为s ×s， B表示每个网格产生 的预测框的数量 为B， 表示包含物体的i行j列的网格； 置信度误差损失函数为： 其中， Ci表示真实的置信度， 表示预测的置信度， λnoobj表示不包含物体时对类别损失 的权重。 S2表示网格数量为s ×s， B表示每个网格产生 的预测框的数量为B， ， 表示包含 物体的i行j列的网格， 表示不包含物体的i行j列的网格； 网格分类误差损失函数为： 其中， pi(c)表示真实的类别概率， 表示预测的类别概率， classes表示总类别， S2 表示网格数量 为s×s， 表示包含物体的i行j列的网格。 6.根据权利要求5所述的基于目标检测的胶体金类别判断的方法， 其特征在于： 所述 Yolo中当单一物体产生多个检测框重叠时， 使用非极大值抑制算法对 所有检测框按检测置 信度进行阈值筛 选得到最终的检测结果。 7.根据权利要求6所述的基于目标检测的胶体金类别判断的方法， 其特征在于， 所述非 极大值抑制算法包括： 选择具有最大检测置信度的检测框M， 将其从所有预测框集合B中移权　利　要　求　书 2/3 页 3 CN 115496942 A 3