结核杆菌检测方法、装置、终端设备和可存储介质与流程

1.本发明涉及计算机视觉与数字图像处理领域，特别涉及一种结核杆菌检测方法、装置、终端设备和可存储介质。


背景技术：

2.结核病是威胁人类生命健康的主要传染性疾病，由结核分枝杆菌引起，当患者通过咳嗽将细菌排入空气时，结核杆菌就会传播，感染者会出现低热、盗汗、乏力、消瘦等不适症状，重则导致死亡。结核病并非不可治，提前检测与预防是关键。
3.目前，显微镜检法是医院最常用的结核杆菌检测方法，但该方法操作繁琐，完成时间长，需要镜检人员注意力高度集中，检测过程中极易产生视觉疲劳，导致检测结果有所偏差。因此，显微镜检法是高度重复的工作，严重浪费人力资源。
4.随着计算机技术及人工智能的发展，显微镜检过程完全可以由计算机系统通过结核杆菌检测算法完成，自动进行结核杆菌的检测和计数，结核杆菌检测算法应具有高准确率、高召回率、低推理耗时的优点，可以满足正常使用所需。
5.但是，现有技术中，由于结核杆菌的检测是单一小目标的检测，小目标分辨率低，特征信息少，检测存在难度大的问题。目前有很多性能优异的目标检测模型，如faster r-cnn、yolo、ssd等，为了提高小目标检测精度，往往需要在这些框架中引入多尺度检测机制，如特征金字塔fpn，这种结构本身是为解决检测样本中多尺度的问题(即检测样本中既有大目标，也有小目标)。但结核杆菌的检测，本身是单一小目标的检测，若直接在通用的检测模型中加入fpn，虽然提高了检测精度，但同时也造成了网络模型结构的冗余。


技术实现要素：

6.本发明实施例的目的是提供一种结核杆菌检测方法、装置、终端设备和可存储介质，通过轻量化的神经网络实现对单一小目标的检测，并应用到结核杆菌显微图像的目标检测上，在检测准确率和检测速度上达到平衡，有利于具体的应用工程的实施。
7.为了实现前述发明目的，本发明实施例提供的技术方案如下：
8.第一方面，本发明实施例提供了一种结核杆菌检测方法，所述方法包括：
9.确定结核杆菌的2层结构的轻量化目标特征提取主干网络backbone，并根据所述目标特征提取网络对采集到的结核杆菌显微图像进行目标特征信息的提取，生成c1层和c2层目标特征图；
10.根据所述c2层目标特征图生成若干个锚框，并从所述若干个锚框中提取出若干个感兴趣区域；
11.根据所述感兴趣区域和提取到的所述目标特征信息，构建轻量化神经网络的结核杆菌检测模型；
12.将待检测的结核杆菌显微图像输入至所述轻量化神经网络的结核杆菌检测模型，输出对应的结核杆菌检测结果。
13.优选的，所述确定结核杆菌的2层结构的轻量化目标特征提取主干网络backbone具体包括：
14.根据所述结核杆菌显微图像的2层结构的轻量化目标特征提取主干网络，生成c1层和c2层目标特征图，其中，c1层下采样率为原图的1/2，c2层下采样率为原图的1/4。
15.优选的，所述在c2目标特征图生成若干个锚框，并从所述若干个锚框中提取出若干个感兴趣区域具体包括：
16.在c2目标特征图生成若干个锚框anchor，从所述锚框anchor中筛选出候选建议框proposal；
17.对所述候选建议框proposal进行尺寸固定，获得若干个相同尺寸的感兴趣区域roi。
18.优选的，所述在c2目标特征图生成若干个锚框anchor，从所述锚框anchor中筛选出候选建议框proposal具体包括：
19.根据预设参数的设定，在c2目标特征图上生成若干个锚框；
20.对每个锚框进行评分和位置修正，去除超过图像边界的锚框；
21.通过非极大值抑制算法从剩余的锚框中，选择置信度达到预设阈值的锚框，得到所述候选建议框。
22.优选的，所述根据所述感兴趣区域和提取到的所述目标特征信息，构建轻量化神经网络的结核杆菌检测模型具体包括：
23.基于分类回归网络classifier对所述感兴趣区域进行分类和位置回归，生成轻量化神经网络的结核杆菌检测模型。
24.第二方面，本发明实施例提供了一种结核杆菌检测装置，所述装置包括：
25.目标特征提取模块，用于确定结核杆菌的2层结构的目标特征提取主干网络backbone，并根据所述目标特征提取网络对采集到的结核杆菌显微图像进行目标特征信息的提取，生成c1层和c2层目标特征图；
26.感兴趣区域提取模块，用于在c2层目标特征图生成若干个锚框，并从所述若干个锚框中提取出若干个感兴趣区域；
27.构建模块，用于根据所述感兴趣区域和提取到的所述目标特征信息，构建轻量化神经网络的结核杆菌检测模型；
28.检测模块，用于将待检测的结核杆菌显微图像输入至所述轻量化神经网络的结核杆菌检测模型，输出对应的结核杆菌检测结果。
29.优选的，所述感兴趣区域提取模块具体包括：
30.候选框生成单元，用于在c2层目标特征图生成若干个锚框anchor，从所述锚框anchor中筛选出候选建议框proposal；
31.感兴趣区域获取单元，用于对所述候选建议框proposal进行尺寸固定，获得若干个相同尺寸的感兴趣区域roi。
32.优选的，所述候选框生成单元具体包括：
33.第一生成子单元，用于根据预设参数的设定，在c2层目标特征图上生成若干个锚框；
34.第二处理子单元，用于对每个锚框进行评分和位置修正，去除超过图像边界的锚
框；
35.第三选择子单元，用于通过非极大值抑制算法从剩余的锚框中，选择置信度达到预设阈值的锚框，得到所述候选建议框。
36.优选的，所述服务端还包括鉴真服务模块，所述鉴真服务模块用于：
37.利用读码器读取产品包装上的二维码；
38.采用高清相机采集产品包装上所述指定区域的用于防伪的图案，并获取所述用于防伪的图案的图纹特征数据；
39.建立二维码和图纹特征数据的对应关系并存储，生成防伪的图纹数据库。
40.第三方面，本发明实施例还提供了一种终端设备，所述终端设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如前所述的结核杆菌检测方法。
41.第三方面，本发明实施例还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如前所述的结核杆菌检测方法。
42.本发明实施例基于轻量化神经网络的结核杆菌检测方法、装置，终端设备和计算机可读存储介质，通过构建轻量型的神经网络模型，实现对单一小目标的检测，其检测结果不仅具有较高的检测性能，而且检测算法模型小，推理速度快，能快速部署在结核杆菌镜检系统中，从而实现结核杆菌显微图像的全自动检测。
附图说明
43.下面将以明确易懂的方式，结合附图说明优选实施方式，本发明实施例的结核杆菌检测方法、装置、终端设备和可存储介质的上述特性、技术特征、优点及其实现方式予以进一步说明。
44.图1为本发明实施例提供的一种结核杆菌检测方法的流程图；
45.图2为本发明实施例提供的resnet101网络结构中的bottleneck结构示意图；
46.图3为本发明实施例提供的结核杆菌检测所涉的轻量化神经网络模型图；
47.图4为本发明实施例提供的一种用于结核杆菌检测的神经网络模型的推理示意图；
48.图5为本发明实施例提供的一种结核杆菌检测装置的示意图；
49.图6为本发明实施例提供的一种结核杆菌检测装置中感兴趣区域提取模块的组成示意图；
50.图7为本发明实施例提供的一种用于结核杆菌检测的终端设备的示意图。
具体实施方式
51.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
52.为使图面简洁，各图中只示意性地表示出了与本发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘制了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
53.为了实现前述发明目的，本发明实施例提供的技术方案如下：
54.如图1所示，本发明实施例提供了一种结核杆菌检测方法，所述方法包括：
55.s1.确定结核杆菌的2层结构的轻量化目标特征提取主干网络backbone，并根据所述目标特征提取网络对采集到的结核杆菌显微图像进行目标特征信息的提取，生成c1层和c2层目标特征图；
56.s2.在c2层目标特征图生成若干个锚框，并从所述若干个锚框中提取出若干个感兴趣区域；
57.s3.根据所述感兴趣区域和提取到的所述目标特征信息，构建轻量化神经网络的结核杆菌检测模型；
58.s4.将待检测的结核杆菌显微图像输入至所述轻量化神经网络的结核杆菌检测模型，输出对应的结核杆菌检测结果。
59.本发明实施例中，首先，对结核杆菌显微图像进行特征提取并输出目标特征图；
60.具体的，通过三目显微镜和安装于显微镜上的摄像机拍摄结核杆菌的显微镜图像，从而获得结核杆菌显微图像，具体方式为将常规方法制成的结核杆菌涂片置于三目显微镜下观察，摄像机将显微镜下的结核杆菌涂片进行拍摄，得到结核杆菌显微图像。
61.其中，这里的结核杆菌显微图像可以是使用安装在显微镜上的彩色数字摄像机拍摄得到的彩色的结核杆菌显微图像，也可以是彩色数字摄像机拍摄得到的黑白的结核杆菌显微图像。
62.电脑、服务器等终端设备从摄像机处接收获取多幅结核杆菌显微图像。当然，也可以从摄像机处接收获取少量的结核杆菌显微图像，对结核杆菌显微图像进行数据增强处理得到大量的结核杆菌显微图像。具体的，数据增强处理包括但是不限于几何变换增强(包括但是不限于翻转，旋转)，颜色变换增强(噪声、模糊、颜色变换、擦除、填充)以及通过gan对抗网络实现数据增强。
63.然后，在c2层目标特征图生成若干个锚框anchor，并从所述锚框anchor中提取出若干个相同尺寸的感兴趣区域roi；
64.并根据所述感兴趣区域roi和目标特征信息，构建轻量化的结核杆菌检测模型；
65.最后，将待检测结核杆菌显微图像输入至所述轻量化的结核杆菌检测模型，输出对应的结核杆菌检测结果。
66.本发明实施例基于多幅结核杆菌显微图像及对应的特征信息，建立轻量化结核杆菌检测模型，可对结核杆菌显微图像实时进行分析检测，通过从结核杆菌显微图像进行提取目标特征图，生成锚框anchor并确定感兴趣区域roi，然后，终端设备根据感兴趣区域roi和特征信息，构建轻量化的结核杆菌检测模型。这样，终端设备将待检测结核杆菌显微图像直接输入至轻量化的结核杆菌检测模型，即可准确地确定待检测结核杆菌显微图像中的待测结核杆菌的特征信息，具有检测精度高，而且检测模型精简的特点，为模型的工程化应用提供便利。
67.其中，确定结核杆菌的2层结构的轻量化目标特征提取主干网络backbone具体如下：
68.根据所述结核杆菌显微图像的目标检测，有单一小目标检测的特点，因此其目标特征提取主干网络backbone设定为2层结构，分别获得c1层和c2层目标特征图，c1层下采样率为原图的1/2，c2层下采样率为原图的1/4。
69.优选的，在一个具体的实施例中：
70.终端设备搭建特征提取网络backbone，所述特征提取网络backbone包括由多个卷积层、批归一化层和池化层搭成的网络，用于对结核杆菌显微图像进行特征提取；
71.用于图像特征提取的特征提取网络backbone的网络模型可以有多种选择，例如vggnet、resnet系列等。
72.然而，这些特征提取网络模型中的特征提取网络backbone一般都是针对多样本，并解决多尺度的问题，所以一般还要在特征提取网络backbone后加上fpn，从而进行特征融合，从而导致整体网络结构比较复杂繁琐。
73.由于结核杆菌的检测是小目标且为单一小目标的检测，发明人经过无数次的实验验证发现，当使用较高复杂度的网络结构对结核杆菌进行检测时，出现目标特征信息丢失甚至检测不到目标的情况，使得结核杆菌的检测目的无法达到，因此，发明人通过数次的实验，对现有的特征提取网络backbone进行了改进。
74.发明人在对结核杆菌的显微图像进行目标检测的实验过程中，以resnet101为例，resnet101网络结构分5个目标阶段，每个目标阶段都经过一次下采样，并完成卷积、池化等一系列操作，其bottleneck结构如图2所示。
75.选取resnet101中每个目标阶段的最后一层，即c2、c3、c4、c5层，构建了自下到上的bottom-up网络，其中，c2、c3、c4、c5的下采样率分别为1/4，1/8，1/16，1/32。而由于结核杆菌的尺寸小，在c3、c4、c5上的特征几乎消失，所以需要对特征提取神经网络backbone进行优化，例如只保留resnet101结构中特征提取神经网络backbone的c1层(下采样率1/2)和c2层(下采样率1/4)。
76.优选的，在一个实施例中，其中s2.所述在c2层目标特征图生成若干个锚框，并从所述若干个锚框中提取出若干个感兴趣区域具体包括：
77.s210.根据所述在c2层目标特征图生成若干个锚框anchor，从所述锚框anchor中筛选出候选建议框proposal；
78.s220.对所述候选建议框proposal进行尺寸固定，获得若干个相同尺寸的感兴趣区域roi。
79.其中，s210根据所述在c2层目标特征图生成若干个锚框anchor，从所述锚框anchor中筛选出候选建议框proposal的具体实施方式如下：
80.具体的，终端设备根据锚框anchor机制，可通过构建rpn网络，在目标特征图上生成若干锚框anchor，并筛选出候选建议框proposal，具体rpn网络的构建流程为基于各目标特征图及对应的锚框anchor训练rpn网络得到训练后的rpn网络。rpn网络的作用是在图像上提取出可能存在物体的矩形区域并给出关于存在目标可能性的打分，给定后的区域将用于后续的分类与回归。rpn网络的输入可以为任意尺寸的图片，经过网络的计算后，将输出5个变量，其中四个是预测目标所在位置矩形的坐标，包括中心点坐标和矩形的长宽，第五个
变量是对输出矩形框的打分，打分越高矩形框的置信度越高。
81.以特征提取网络backbone保留2层，即c1和c2层的resnet101为例，在下采样率为1/4的c2层上，生成若干个锚框anchor。在锚框anchor上，定义预设参数。
82.例如在一个实施例中，定义base_anchor为基本锚框anchor的大小，anchor_scales为基本锚框anchor的缩放比例，anchor_ratios为不同大小锚框anchor的宽高比：
83.即base_anchor＝[16]；
[0084]
anchor_scales＝[1,2,4]；
[0085]
anchor_ratios＝[0.5,1,2]，；
[0086]
首先生成16、32、64的初始锚框anchor大小，再进一步生成8x16，16x16，16x32，16x32，32x32，32x64，32x64，64x64，64x128共9种锚框anchor。
[0087]
由于大部分的单个结核杆菌尺寸在25x16左右，因此，将数据集中多个重叠的结核杆菌也标注为一个，从而小部分目标尺寸较大，这种方式设计的锚框anchor基本可以涵盖所有结核杆菌目标。
[0088]
将这些锚框anchor输入rpn网络，会得到这些锚框anchor的置信度。根据置信度从大到小排序，取出前12000(top_k_nms)个，再通过非极大值抑制(non-non-maximum suppression)去掉重复的、冗余的锚框anchor，最后保留2000(proposal_num)个anchor作为候选建议框proposal，这2000个候选建议框proposal中大部分又都是背景框，设置分类的预设阈值为0.5，根据候选建议框proposal与标准数据ground truth进一步区分正样本和负样本，最终选出256个并保持正负样本比例保持在1:3，作为最终的roi输出。
[0089]
其中，s220对所述候选建议框proposal进行尺寸固定，获得若干个相同尺寸的感兴趣区域roi的具体实施方式如下；
[0090]
具体的，对所述候选建议框proposal进行尺寸固定处理得到相同尺寸的感兴趣区域roi，在一个具体的实施例中，可采用roi align算法，其具体步骤为：
[0091]
遍历每一个候选框proposal，将当前候选框proposal映射到目标特征图上，例如讲尺寸为h
×
w的候选框proposal均分为k
×
k个单元，若h除以k，或w除以k无法整除时，不进行取整操作。
[0092]
根据采样系数s，每个单元将采样s
×
s个点，具体的将每个单元均分为s
×
s个部分，每一部分的中心点作为采样点，每个采样点通过双线性差值计算得到，取s
×
s个采样点中的最大值作为该单元的池化结果，最终得到k
×
k大小的感兴趣区域roi。
[0093]
由于上述步骤得到的候选建议框proposal尺寸大小不同，而后续构建结核杆菌检测模型需要输入尺寸固定的感兴趣区域roi，因此，将不同大小的候选建议框proposal通过roi align算法固定为大小一致的感兴趣区域roi，进而获得若干个相同尺寸的感兴趣区域roi。
[0094]
至此，对所有的感兴趣区域roi对应的候选建议框proposal，去除超出边界的候选建议框proposal，并经过nms(即非极大值抑制算法)处理后得到最终的目标检测结果，即最后所有的感兴趣区域roi。
[0095]
优选的，本发明实施例中，s3.根据所述感兴趣区域和提取到的所述目标特征信息，构建轻量化神经网络的结核杆菌检测模型具体包括：
[0096]
s310.基于分类回归网络classifier对所述感兴趣区域roi进行分类和位置回归，
生成轻量化神经网络的结核杆菌检测模型；
[0097]
具体的，分类回归网络classifier将得到的感兴趣区域roi分别输入到两个全连接层分支，分别进行分类和边框位置的回归，从而得到对当前感兴趣区域roi所表示的目标的分类和置信度，以及该目标在图像中的精确位置。
[0098]
利用分类回归网络classifier对感兴趣区域roi进行具体的分类和位置的回归，该步骤具体为：将经过尺寸固定的感兴趣区域roi分别送入到两个全连接层分支用来进行分类和位置的精确修正，具体的，对每一个感兴趣区域roi，用于分类的全连接层输出一个类别数 1的向量，回归层则输出4
×
1的结果向量，分别对结果向量进行softmax打分，以及坐标解码得到该感兴趣区域roi对应的类别和精确的位置信息。
[0099]
基于所述感兴趣区域roi对应的类别和位置信息，确定所述轻量化神经网络的结核杆菌检测模型。
[0100]
结核杆菌的检测属于单一小目标的检测，最后的分类回归classifier模块两层节点数为4096的全连接层太过冗余，且全连接层占据了大部分参数，使最后产生的模型文件非常大，发明人经过多次实验验证，发现将其两层节点数分别为4096的全连接层压缩为一层节点数为256的全连接层，可大大减少模型尺寸，至此轻量化神经网络结核杆菌检测模型构建完成，其网络模型结构见图3。
[0101]
大量实验数据表明，本发明实施例所构建的轻量化神经网络结核杆菌检测模型在17056张萋尼氏结核杆菌的图像数据集上训练，其中14000用于训练，3056张用于测试，最终的神经网络结核杆菌检测模型在测试集上的准确率可达89％，召回率可达95％，其推理示例如图4所示，图中第一行的图像是人为标注的图像，第二行是模型给出的推理结果，可以看到，模型完全推理正确。模型单张图像在gtx1080台式机上推理耗时为17ms，模型大小为17.9mb。
[0102]
如图5所示，本发明实施例提供了一种结核杆菌检测装置1，所述装置1包括：
[0103]
目标特征提取模块11，用于确定结核杆菌的目标特征提取主干网络backbone，并根据所述目标特征提取网络对采集到的结核杆菌显微图像进行目标特征信息的提取，生成目标特征图；
[0104]
感兴趣区域提取模块12，用于根据所述目标特征图生成若干个锚框，并从所述若干个锚框中提取出若干个感兴趣区域；
[0105]
构建模块13，用于根据所述感兴趣区域和提取到的所述目标特征信息，构建轻量化神经网络的结核杆菌检测模型；
[0106]
检测模块14，用于将待检测的结核杆菌显微图像输入至所述轻量化神经网络的结核杆菌检测模型，输出对应的结核杆菌检测结果。
[0107]
首先，目标特征提取模块11对结核杆菌显微图像进行特征提取并输出目标特征图；
[0108]
具体的，通过三目显微镜和安装于显微镜上的摄像机拍摄结核杆菌的显微镜图像，从而获得结核杆菌显微图像，具体方式为将常规方法制成的结核杆菌涂片置于三目显微镜下观察，摄像机将显微镜下的结核杆菌涂片进行拍摄，得到结核杆菌显微图像。
[0109]
其中，这里的结核杆菌显微图像可以是使用安装在显微镜上的彩色数字摄像机拍摄得到的彩色的结核杆菌显微图像，也可以是彩色数字摄像机拍摄得到的黑白的结核杆菌
显微图像。
[0110]
电脑、服务器等终端设备从摄像机处接收获取多幅结核杆菌显微图像。当然，也可以从摄像机处接收获取少量的结核杆菌显微图像，对结核杆菌显微图像进行数据增强处理得到大量的结核杆菌显微图像。具体的，数据增强处理包括但是不限于几何变换增强(包括但是不限于翻转，旋转)，颜色变换增强(噪声、模糊、颜色变换、擦除、填充)以及通过gan对抗网络实现数据增强。
[0111]
然后，感兴趣区域提取模块12根据所述在c2层目标特征图生成若干个锚框anchor，并从所述锚框anchor中提取出若干个相同尺寸的感兴趣区域roi；
[0112]
构建模块13根据所述感兴趣区域roi和目标特征信息，构建轻量化的结核杆菌检测模型；
[0113]
最后，检测模块14将待检测结核杆菌显微图像输入至所述轻量化的结核杆菌检测模型，输出对应的结核杆菌检测结果。
[0114]
本发明实施例基于多幅结核杆菌显微图像及对应的特征信息，建立轻量化结核杆菌检测模型，可对结核杆菌显微图像实时进行分析检测，通过从结核杆菌显微图像进行提取目标特征图，生成锚框anchor并确定感兴趣区域roi，然后，终端设备根据感兴趣区域roi和特征信息，构建轻量化的结核杆菌检测模型。这样，终端设备将待检测结核杆菌显微图像直接输入至轻量化的结核杆菌检测模型，即可准确地确定待检测结核杆菌显微图像中的待测结核杆菌的特征信息，具有检测精度高，而且检测模型精简的特点，为模型的工程化应用提供便利。
[0115]
优选的，如图6所示，所述感兴趣区域提取模块12具体包括：
[0116]
候选框生成单元121，用于根据所述在c2层目标特征图生成若干个锚框anchor，从所述锚框anchor中筛选出候选建议框proposal；
[0117]
感兴趣区域获取单元122，用于对所述候选建议框proposal进行尺寸固定，获得若干个相同尺寸的感兴趣区域roi。
[0118]
优选的，所述候选框生成单元121具体包括：
[0119]
第一生成子单元1211，用于根据预设参数的设定，在每个目标特征图上生成若干个锚框；
[0120]
第二处理子单元1212，用于对每个锚框进行评分和位置修正，去除超过图像边界的锚框；
[0121]
第三选择子单元1213，用于通过非极大值抑制算法从剩余的锚框中，选择置信度达到预设阈值的锚框，得到所述候选建议框。
[0122]
这里，候选框生成单元121和感兴趣区域获取单元122的具体实施方式与前面实施例结核杆菌检测方法中的步骤s210和s220的实施方式相同，不再一一赘述。
[0123]
第三方面，本发明实施例还提供了一种终端设备，所述终端设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如前述的结核杆菌检测方法。
[0124]
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程
序、所述代码集或指令集由处理器加载并执行以实现如前所述的结核杆菌检测方法。
[0125]
请参考图7，其示出了本技术一个实施例提供的终端设备1500的结构示意图。该终端设备1500可用于实施上述实施例中提供的结核杆菌显微图像中的结核杆菌自动检测方法。
[0126]
具体来讲：
[0127]
所述终端设备1500包括中央处理单元(cpu)1501、包括随机存取存储器(ram)1502和只读存储器(rom)1503的系统存储器1504，以及连接系统存储器1504和中央处理单元1501的系统总线1505。所述终端设备1500还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(i/o系统)1506，和用于存储操作系统1513、应用程序1514和其他程序模块1515的大容量存储设备1507。
[0128]
所述基本输入/输出系统1506包括有用于显示信息的显示器1508和用于用户输入信息的诸如鼠标、键盘之类的输入设备1509。其中，所述显示器1508和输入设备1509都通过连接到系统总线1505的输入输出控制器1510连接到中央处理单元1501。所述基本输入/输出系统1506还可以包括输入输出控制器1510以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器1510还提供输出到显示屏、打印机或其他类型的输出设备。
[0129]
所述大容量存储设备1507通过连接到系统总线1505的大容量存储控制器(未示出)连接到中央处理单元1501。所述大容量存储设备1507及其相关联的计算机可读介质为终端设备1500提供非易失性存储。也就是说，所述大容量存储设备1507可以包括诸如硬盘或者cd-rom驱动器之类的计算机可读介质(未示出)。不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括ram、rom、eprom、eeprom、闪存或其他固态存储其技术，cd-rom、dvd或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。
[0130]
当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器1504和大容量存储设备1507可以统称为存储器。
[0131]
根据本技术的各种实施例，所述终端设备1500还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即终端设备1500可以通过连接在所述系统总线1505上的网络接口单元1511连接到网络1512，或者说，也可以使用网络接口单元1511来连接到其他类型的网络或远程计算机系统(未示出)。
[0132]
所述存储器还包括一个或者一个以上的程序，所述一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行。上述一个或者一个以上程序包含用于实现上述图像中的结核杆菌检测方法。
[0133]
在示例性实施例中，还提供了一种终端设备，所述终端设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集。所述至少一条指令、至少一段程序、代码集或指令集经配置以由所述处理器执行，以实现上述图像中的结核杆菌检测方法。
[0134]
在示例性实施例中，还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所
述代码集或所述指令集在被终端的处理器执行时实现上述图像中的结核杆菌检测方法。可选地，上述计算机可读存储介质可以是rom(read-onlymemory，只读存储器)、ram(randomaccessmemory，随机存取存储器)、cd-rom(compactdiscread-onlymemory，只读光盘)、磁带、软盘和光数据存储设备等。
[0135]
在示例性实施例中，还提供了一种计算机程序产品，当该计算机程序产品被执行时，其用于实现上述图像中的结核杆菌检测方法。
[0136]
应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/
[0137]
或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
[0138]
另外，本文中描述的步骤编号，仅示例性示出了步骤间的一种可能的执行先后顺序，在一些其它实施例中，上述步骤也可以不按照编号顺序来执行，如两个不同编号的步骤同时执行，或者两个不同编号的步骤按照与图示相反的顺序执行，本技术实施例对此不作限定。
[0139]
另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本技术提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线
[0140]
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本技术可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用cpu、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本技术而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、u盘、移动硬盘、rom、ram、磁碟或者光盘等，包括若干指令用以使得一台终端设备(可以是个人计算机，或者网络设备等)执行本技术各个实施例所述的方法。
[0141]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘(solid state disk，ssd))等。
[0142]
应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选
实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。