物件计数系统及物件计数方法与流程

1.本发明实施例涉及一种物件计数方法，特别涉及一种应用于计算微小物件的物件计数系统及物件计数方法。


背景技术：

2.登革热是一种由病媒蚊所传播的传染疾病，而为了抑制传染疾病的传播程度，可以通过喷洒药剂以控制病媒蚊的数量。通过观测统计一区域内病媒蚊数量，可以更有效率且精准的喷洒药剂，以消灭病媒蚊。因此，观测统计一区域内病媒蚊数量是一个重要的指标。
3.传统作法是通过在不同地点采样水质，例如将池塘、河川或其他积水处的水用水瓶装起来，再将水瓶拿回实验室中，接着，将瓶中的水倒在吸水布料以诱使病媒蚊在吸水布料上产卵，在一段时间之后再通过人工计数方式计算吸水布料上的虫卵数量。
4.然而，这种计数方式需仰赖大量人力以及工时，且通过人工数吸水布料上的虫卵数量需耗费相当多时间，使得计数虫卵数并非实时数据，当采样的样本较多时，计数所需的时间更长，故无法实时喷洒药剂，导致病媒蚊可能在这段时间内大量滋生。
5.由此可知，登革热虫卵计数对于登革热早期防治非常重要，尤其是东南亚国家，传统上只用人工计算，耗时耗力。因此，如何自动化的计算出吸水布料上的虫卵数，已成为重要的待解决问题之一。


技术实现要素：

6.本公开内容的一实施方式提供了一种物件计数系统，包含：一处理器以及一存储装置。处理器用以存取存储装置所存储的程序，以实现一影像切割模块、一影像物件检测模块、一缝合模块以及一结果分析模块，其中：影像切割模块用以接收一高分辨率影像，并将高分辨率影像切割成复数个拆分影像；该影像物件检测模块，用以将该些拆分影像输入一神经网络；该缝合模块，用以在该些拆分影像的一第一拆分影像中的一第一物件的位置的至少一边框与相邻的一第二拆分影像中的一第二物件的位置的至少一边框的间距小于一合并容忍值时，合并该第一拆分影像与该第二拆分影像为一合并影像，以使该第一物件与该第二物件合并为一合并物件，并重新标记一合并物件的位置；以及该结果分析模块，用以依据该些拆分影像中包含该物件与该合并影像中的该合并物件计算该物件的一预测数量。
7.本公开内容的一实施方式提供了一种物件计数方法，包含：接收一高分辨率影像，并将该高分辨率影像切割成复数个拆分影像；将该些拆分影像输入一神经网络(neural network，nn)；在该些拆分影像的一第一拆分影像中的一第一物件的位置的至少一边框与相邻的一第二拆分影像中的一第二物件的位置的至少一边框的间距小于一合并容忍值时，合并该第一拆分影像与该第二拆分影像为一合并影像，以使该第一物件与该第二物件合并为一合并物件，并重新标记一合并物件的位置；以及依据该些拆分影像中包含该物件与该合并影像中的该合并物件，计算该物件的一预测数量。
8.本发明实施例所示的物件计数系统及物件计数方法可以自动化的通过一张高分辨率影像，计算出吸水布料上的虫卵数，达到了提供了节省人力且兼具计数准确的技术效果。
附图说明
9.图1是依照本发明一实施例示出一种物件计数系统的方框图。
10.图2是根据本发明的一实施例示出一种物件计数方法的流程图。
11.图3是根据本发明的一实施例示出一种高分辨率影像及其拆分影像的示意图。
12.图4a～4d是根据本发明的一实施例示出一种拆分影像方法的示意图。
13.图5是根据本发明的一实施例示出一种多张拆分影像的示意图。
14.图6a～6b是根据本发明的一实施例示出一种多张拆分影像的示意图。
15.图7a～7c是根据本发明的一实施例示出一种判断是否合并框选位置的方法的示意图。
16.附图标记说明：
17.100：物件计数系统
18.10：处理器
19.20：存储装置
20.22：影像切割模块
21.24：影像物件检测模块
22.26：缝合模块
23.28：结果分析模块
24.lk：通信连接
25.cam：摄像机
26.200：物件计数方法
27.210～240：步骤
28.ori：高分辨率影像
29.si0,si1,si2,a1～an,b1～bn：拆分影像
30.bk：原始区域
31.l0,l1,fl1,fl2：长度
32.w0,w1,fw1,fw2：宽度
33.p1,p2：顶点坐标
34.f1,f2：框选位置
35.d：间隙
36.xa1,xa2,xb1,xb2：x轴坐标
37.ya1,ya2,yb1,yb2：y轴坐标
具体实施方式
38.以下说明为完成发明的优选实现方式，其目的在于描述本发明的基本构思，但并不用以限定本发明。实际的发明内容必须参考之后的权利要求。
39.必须了解的是，使用于本说明书中的“包含”、“包括”等词，是用以表示存在特定的技术特征、数值、方法步骤、作业处理、元件以及/或组件，但并不排除可加上更多的技术特征、数值、方法步骤、作业处理、元件、组件，或以上的任意组合。
40.于申请专利中使用如“第一”、“第二”、“第三”等词是用来修饰申请专利中的元件，并非用来表示之间具有优先权顺序，先行关系，或者是一个元件先于另一个元件，或者是执行方法步骤时的时间先后顺序，仅用来区别具有相同名字的元件。
41.请一并参照图1～3，图1是依照本发明一实施例示出一种物件计数系统100的方框图。图2是根据本发明的一实施例示出一种物件计数方法200的流程图。物件计数方法200可以由物件计数系统100实施的。图3是根据本发明的一实施例示出一种高分辨率影像ori及其拆分影像si0的示意图。
42.于一实施例中，如图1所示，物件计数系统100包含一处理器10及一存储装置20。于一实施例中，物件计数系统100可以应用于计算微小物件，例如虫卵、米粒、幼虫、卵鞘
…
等等物件。
43.于一实施例中，处理器10耦接于存储装置20，处理器10用以存取存储装置20所存储的程序，以实现一影像切割模块22、一影像物件检测模块24、一缝合模块26以及一结果分析模块28的功能。
44.于一实施例中，处理器10可由集成电路如微控制单元(micro controller)、微处理器(microprocessor)、数字信号处理器(digital signal processor，dsp)、现场可程序化逻辑门阵列(field programmable gate array，fpga)、特殊应用集成电路(application specific integrated circuit，asic)或一逻辑电路来实施。
45.于一实施例中，存储装置20存储装置可被实作为只读存储器、快闪存储器、软碟、硬盘、光盘、u盘、磁带、可由网络存取的数据库或熟悉此技艺者可轻易思及具有相同功能的存储媒体。
46.于一实施例中，影像切割模块22、影像物件检测模块24、缝合模块以26及结果分析模块28可以由软件实现的。
47.于一实施例中，影像切割模块22、影像物件检测模块24、缝合模块以26及结果分析模块28可以由各自独立于存储装置20之外的硬件电路或具有特定功能的芯片以实现之。
48.于一实施例中，摄像机cam为一高分辨率摄像机，用以拍摄吸水布料，以获得高分辨率影像ori，如图3所示，高分辨率影像ori中可能包含多个虫卵(小黑点即为虫卵)，通过高分辨率影像可以清楚的看到吸水布料上的虫卵。
49.于一实施例中，摄像机cam与物件计数系统100之间以有线或无线的方式建立通信连接lk。物件计数系统100可通过通信连接lk接收来自摄像机cam的高分辨率影像ori。于一实施例中，物件计数系统100将高分辨率影像ori存储于存储装置20中。
50.以下叙述物件计数方法200的实施步骤。于一实施例中，物件计数方法200可以应用于计算微小物件，例如虫卵、米粒、幼虫、卵鞘
…
等等物件。
51.于步骤210中，影像切割模块22用以接收高分辨率影像ori，并将高分辨率影像ori切割成复数个拆分影像。
52.举例而言，请参阅图3，高分辨率影像ori为长度l0为6000像素，宽度w0为8000像素(即6000*8000pixel)的影像，影像切割模块22将高分辨率影像ori切割成多个拆分影像。
53.例如，影像切割模块22将高分辨率影像ori中的原始区域bk切割出来做为拆分影像si0，拆分影像si0为长度l1为256像素，宽度w1为256像素(即256*256pixel)的影像。
54.于一实施例中，拆分影像si0可以被放大，使拆分影像si0中的虫卵被看得更清楚。于此例中，可以看到放大后的拆分影像si0中有三个黑点，代表三个虫卵。
55.此处先以一个拆分影像si0作代表作为说明，于实际例子中，6000*8000像素的高分辨率影像ori可以被拆分成713张256*256像素的拆分影像。
56.于一实施例中，影像切割模块22可以从高分辨率影像ori的左上角往右上角方向(视为第一列，即水平方向)切出多个张256*256像素的拆分影像。
57.接着，影像切割模块22再从左上角往下数256像素处往右上角往下数256像素处(视为第二列，即水平方向)切出多个张256*256像素的拆分影像。
58.再接着，影像切割模块22从左上角往下数512像素处往右上角往下数512像素处(视为第三列，即水平方向)切出多个张256*256像素的拆分影像
…
直到拆分完整张高分辨率影像ori。
59.依此规则(即z字型裁切顺序)影像切割模块22将高分辨率影像ori拆分成713张256*256像素的拆分影像。
60.于一实施例中，影像切割模块22可以依据一预设数量(例如为5)，在高分辨率影像ori中随机裁切出5张256*256像素的拆分影像。
61.于一实施例中，高分辨率影像ori的像素尺寸不限于6000*8000像素，此处仅为一举例，例如高分辨率影像ori的像素尺寸也可以是8000*10000像素、6000*10000像素
…
等等。
62.于一实施例中，拆分影像(例如为拆分影像si0)的像素尺寸不限于256*256像素，此处仅为一举例，例如拆分影像的像素尺寸也可以是512*512像素及/或128*128像素
…
等等。
63.于一实施例中，影像切割模块22将已经通过人工标注虫卵位置的高分辨率影像ori切割成多个拆分影像后，用以训练一神经模型，训练完的神经模型可用于后续步骤220做应用，关于神经模型的训练与一般的训练方式相似，故不多作赘述。
64.请参阅图4a～4d，图4a～4d是根据本发明的一实施例示出一种拆分影像方法的示意图。
65.于一实施例中，影像切割模块22平移高分辨率影像ori的一裁切范围。
66.于一实施例中，影像切割模块22忽略高分辨率影像ori中的多个x轴像素值，并忽略高分辨率影像ori中的多个y轴像素值，以平移高分辨率影像ori的裁切范围，影像切割模块22再裁切平移后的高分辨率影像ori的裁切范围为此些拆分影像。
67.例如，影像切割模块22针对一张高分辨率影像ori进行平移4次，每平移一次都进行一次影像拆分，使得用相同的拆分影像的像素尺寸(例如256*256像素)，在4次的影像拆分都会得到不同的裁切结果。
68.于一实施例中，影像切割模块22将未平移的高分辨率影像ori裁切为n*n像素大小的多个初始拆分影像，初始拆分影像为多个拆分影像的一部分(也可以是裁切高分辨率影像ori的一种方法)，结果分析模块28计算此些初始拆分影像中的物件(下述的物件皆指待计算的物件)的预测数量。其中，结果分析模块28将预测数量视为一初始预测数量。其中，n
为一正整数。
69.例如，图4a是未被平移的高分辨率影像ori，在拆分影像b1与b2之间有一虫卵，在拆分影像an与bn之间有一虫卵。于一实施例中，影像切割模块22会拆分完所有在高分辨率影像ori中的像素。
70.于一实施例中，影像切割模块22忽略高分辨率影像x轴往右平移的像素，并忽略y轴往下平移的像素后，取得一第一裁切范围，裁切第一裁切范围为n*n像素大小的多个第一平移拆分影像，第一平移拆分影像为多个拆分影像的一部分(也可以是裁切高分辨率影像ori的一种方法)，结果分析模块28计算此些第一平移影像中的物件的第一预测数量。
71.于一实施例中，处理器20将初始预测数量与第一预测数量加总并算平均数，以得到物件的预测数量。
72.例如，图4b是x轴与y轴都被平移256的1/4像素(等于64)的高分辨率影像ori，在拆分影像b1中有一虫卵，在拆分影像an有一虫卵。于一实施例中，影像切割模块22会拆分完所有在第一裁切范围中的像素。
73.于一实施例中，影像切割模块22忽略高分辨率影像x轴往右平移的像素，并忽略y轴往下平移的像素后，取得一第二裁切范围，裁切第二裁切范围为n*n像素大小的复数个第二平移拆分影像，第二平移拆分影像为多个拆分影像的一部分(也可以是裁切高分辨率影像ori的一种方法)，结果分析模块28计算此些第二平移影像中的物件的第二预测数量。
74.于一实施例中，处理器20将初始预测数量、第一预测数量与第二预测数量加总并算平均数，以得到物件的预测数量。
75.图4c是x轴与y轴都被平移256的1/2像素(等于128)的高分辨率影像ori，在拆分影像a1中有一虫卵，在拆分影像an中有一虫卵。于一实施例中，影像切割模块22会拆分完所有在第二裁切范围中的像素。
76.于一实施例中，影像切割模块22忽略该高分辨率影像x轴往右平移的像素，并忽略y轴往下平移的像素后，取得一第三裁切范围，裁切第三裁切范围为n*n像素大小的多个第三平移拆分影像，第三平移拆分影像为多个拆分影像的一部分(也可以是裁切高分辨率影像ori的一种方法)，结果分析模块28计算此些第三平移影像中的物件的第三预测数量。
77.于一实施例中，处理器20将初始预测数量、第一预测数量、第二预测数量与第三预测数量加总并算平均数，以得到物件的预测数量。
78.图4d是x轴与y轴都被平移256的3/4像素(等于184)的高分辨率影像ori，在拆分影像a1中有一虫卵，在拆分影像an中有一虫卵。于一实施例中，影像切割模块22会拆分完所有在第三裁切范围中的像素。
79.由此可知，同一张高分辨率影像ori经过不同的平移程度，每张拆分影像中可能具
有的虫卵数会不同。由于高分辨率影像ori的像素很多(例如6000*8000像素)，故稍作平移不会影响到太大的虫卵计数。
80.于一实施例中，结果分析模块28将初始预测数量、第一预测数量、第二预测数量及第三预测数量加总并算平均数，以得到物件的预测数量。
81.于一实施例中，假设最后算出图4a中的高分辨率影像ori有100个(初始预测数量)虫卵，图4b中的高分辨率影像ori有100个(第一预测数量)虫卵，图4c中的高分辨率影像ori有200个(第二预测数量)虫卵，图4d中的高分辨率影像ori有200个(第三预测数量)虫卵，则结果分析模块28将此些数值加总后除以四(即计算加总后的平均数(100 100 200 200)/4＝150)，借此预测高分辨率影像ori中有150个虫卵。
82.另一方面，若采用两种拆分影像的像素尺寸(例如256*256像素及512*512像素)，各自进行4种高分辨率影像ori平移后影像拆分(如第4a～4d图所示)，则会得到8种裁切结果，使得后续能够输入到神经网络的拆分影像更多，能够使神经网络的预测更为准确。
83.请参阅图5，图5是根据本发明的一实施例示出一种多张拆分影像的示意图。
84.于步骤220中，影像物件检测模块24用以将此些拆分影像输入一神经网络，以从此些拆分影像中识别出一物件。
85.于一实施例中，影像物件检测模块24用以将此些拆分影像中的一第一拆分影像(例如拆分影像si1)输入一神经网络(neural network，nn)，使得神经网络识别第一拆分影像(例如拆分影像si1)中是否有物件。
86.此外，影像物件检测模块24也将此些拆分影像中的一第二拆分影像(例如拆分影像si2)输入神经网络，使得神经网络识别第二拆分影像(例如拆分影像si2)中是否有物件。
87.于一实施例中，回应于神经网络判断第一拆分影像(例如拆分影像si1)中有物件，则神经网络从第一拆分影像(例如拆分影像si1)上框选出物件的位置，以产生一第一框选图。
88.于一实施例中，回应于神经网络判断第二拆分影像(例如拆分影像si2)中有物件，则神经网络从第二拆分影像(例如拆分影像si2)上框选出物件的位置，以产生一第二框选图。
89.于一实施例中，回应于神经网络判断第一拆分影像(例如拆分影像si1)中有物件，则神经网络输出物件于第一拆分影像上的一顶点坐标、一框选长度及一框选宽度的信息。
90.于一实施例中，回应于神经网络判断第二拆分影像(例如拆分影像si2)中有物件，则神经网络输出物件于第二拆分影像上的一顶点坐标、一框选长度及一框选宽度的信息。
91.其中，当神经网络判断第一拆分影像si1中包含一物件(例如为虫卵)，则输出的第一框选图中包含物件的一第一框选位置f1，当神经网络判断该第二拆分影像si2中包含物件，则输出的第二框选图中包含物件的一第二框选位置f2。
92.如图4所示，第一框选位置f1是依据虫卵(黑点)的形状进行框选，第二框选位置f2是依据虫卵(黑点)的形状进行框选。
93.于一实施例中，第一框选图包含一第一框选位置f1的顶点坐标(例如左上角顶点p1坐标)、一第一框选位置f1的框选长度(例如为长度fl1)及一第一框选位置的框选宽度(例如为宽度fw1)。在某些实施例中，神经网络只要输出此三个参数，即可得知第一框选位置f1在第一拆分影像si1的位置，无须输出整张框选图。
94.于一实施例中，第二框选图包含一第二框选位置的顶点坐标(例如左上角顶点p2坐标)、一第二框选位置的框选长度(例如为长度fl2)及一第二框选位置的框选宽度(例如为宽度fw2)。在某些实施例中，神经网络只要输出此三个参数，即可得知第二框选位置f2在第二拆分影像si2的位置，无须输出整张框选图。
95.于一实施例中，神经网络的功能是物件识别，例如可以由yolo(you only look once)、更快速区域卷积神经网络(fast r-cnn)、ssd(single shot multibox detector)等方式实现之。
96.于步骤230中，缝合模块26在此些拆分影像的一第一拆分影像中的一第一物件的位置的至少一边框与相邻的一第二拆分影像中的一第二物件的位置的至少一边框的间距小于一合并容忍值时，合并第一拆分影像与第二拆分影像为一合并影像，以使第一物件与第二物件合并为一合并物件，并重新标记一合并物件的位置。
97.于一实施例中，缝合模块26用以在第一框选位置f1(第一物件的位置)的至少一边框与第二框选位置f2(第二物件的位置)的至少一边框之间的距离小于一合并容忍值t(例如为6像素)时，合并第一框选位置f1与第二框选位置f2为一合并影像，使第一物件(第一框选位置f1内的物件)与第二物件(第二框选位置f2内的物件)合并为一合并物件，并重新标记一合并物件的位置。
98.请参阅图6a～6b，图6a～6b是根据本发明的一实施例示出一种多张拆分影像的示意图。
99.在图6a的例子中，在第一拆分影像si1的第一框选位置f1与在第二拆分影像si2的第二框选位置f2中的虫卵为同一个，只是在拆分影像时，虫卵被切割成左右两半，针对这种情况，要进行框选影像的缝合，例如将第一框选位置f1与第二框选位置f2合并(视为合并影像)，使第一框选位置f1中的虫卵与第二框选位置f2中的虫卵合并为一颗虫卵(视为合并物件)，才不会计数错误。
100.在图6b的例子中，在第一拆分影像si1的第一框选位置f1与在第二拆分影像si2的第二框选位置f2中的虫卵为同一个，只是在拆分影像时，虫卵被切割成左右两半，且框选位置有些失准，没有把虫卵框选完整，使得第一框选位置f1与第二框选位置f2最相邻的边框之间有间隙d(即距离)。
101.针对这种情况，若间隙d(例如为5像素)小于合并容忍值t(例如为6像素)，则要进行框选影像的缝合，例如将第一框选位置f1与第二框选位置f2合并(第一框选位置f1与第二框选位置f2合并后视为合并影像)，使第一框选位置f1中的虫卵与第二框选位置f2中的虫卵合并为一颗虫卵(第一框选位置f1中的虫卵与第二框选位置f2中的虫卵合并后视为合并物件)，因此，合并后的虫卵的计数值为1。
102.相反地，若间隙d(例如为8像素)大于等于合并容忍值t(例如为6像素)，则缝合模块26会将第一框选位置f1与第二框选位置f2中的虫卵判断为不同虫卵，此处虫卵的计数值为2。
103.请参阅图7a～7c，图7a～7c是根据本发明的一实施例示出一种判断是否合并框选位置的方法的示意图。图7a～7c中的虚线方框代表拆分影像。
104.图7a～7c中的多个坐标、第一框选位置f1、第二框选位置f2等信息，可以由步骤220中神经网络的输出数据以得知。
105.如图7a所示，当第一框选位置f1在第二框选位置f2的左侧时，若第一框选位置f1的右上顶点的x轴坐标xa1与第二框选位置f2的左上顶点的x轴坐标xb1相减取绝对值小于合并容忍值t、第一框选位置f1的右上顶点的y轴坐标ya1与第二框选位置f2的左上顶点的y轴坐标yb1相减取绝对值小于合并容忍值t、第一框选位置f1的右下顶点的x轴坐标xa2与第二框选位置f2的左下顶点的x轴坐标yb2相减取绝对值小于合并容忍值t，且第一框选位置f1的右下顶点的y轴坐标ya2与第二框选位置f2的左下顶点的y轴坐标yb2相减取绝对值小于合并容忍值t，则缝合模块26将第一框选位置f1与第二框选位置f2合并为合并框选位置。此代表第一框选位置f1与第二框选位置f2中的虫卵为同一个虫卵，只是被拆分到两个框选位置，并不是两个虫卵。因此，合并第一框选位置f1与第二框选位置f2为合并框选位置，并将合并框选位置中的虫卵数视为1。
106.如图7b所示，当第一框选位置f1在第二框选位置f2的上侧时，若第一框选位置f1的左下顶点的x轴坐标xa1与第二框选位置f2的左上顶点的x轴坐标xb1相减取绝对值小于合并容忍值t、第一框选位置f1的左下顶点的y轴坐标ya1与第二框选位置的左上顶点yb1的y轴坐标相减取绝对值小于合并容忍值t、第一框选位置f1的右下顶点的x轴坐标xa2与第二框选位置f2的右上顶点的x轴坐标xb2相减取绝对值小于合并容忍值t，且第一框选位置f1的右下顶点的y轴坐标ya2与第二框选位置f2的右上顶点的y轴坐标yb2相减取绝对值小于合并容忍值t，则缝合模块26将第一框选位置f1与第二框选位置f2合并为合并框选位置。此代表第一框选位置f1与第二框选位置f2中的虫卵为同一个虫卵，只是被拆分到两个框选位置，并不是两个虫卵。因此，合并第一框选位置f1与第二框选位置f2为合并框选位置，并将合并框选位置中的虫卵数视为1。
107.如图7c所示，当第一框选位置f1在第二框选位置f2的左上侧时，若第一框选位置的右下顶点的x轴坐标xa1与第二框选位置的左上顶点的x轴坐标xb1相减取绝对值小于合并容忍值t，且第一框选位置f1的右下顶点的y轴坐标ya1与第二框选位置f2的左上顶点的y轴坐标yb1相减取绝对值小于合并容忍值，则将第一框选位置与第二框选位置合并为合并框选位置。此代表第一框选位置f1与第二框选位置f2中的虫卵为同一个虫卵，只是被拆分到两个框选位置，并不是两个虫卵。因此，合并第一框选位置f1与第二框选位置f2为合并框选位置，并将合并框选位置中的虫卵数视为1。
108.由上述可知，判断是否需要合并第一框选位置f1、第二框选位置f2的公式为：
109.|xa1
–
xb1|《t and|ya1
–
yb1|《t
110.|xa2
–
xb2|《t and|ya2
–
yb2|《t
111.在图7a～7b所示的两种情形中，当上述公式都满足，则将第一框选位置f1与第二框选位置f2进行合并。在图7c所示的情形中，只要满足上述第一条公式，则将第一框选位置f1与第二框选位置f2进行合并。
112.在一些情形中，同一个虫卵可能被拆分到3个或4个框选位置，亦可以通过上述方式判断是否需要合并此3个或4个框选位置。若需要合并此3个或4个框选位置，以生成合并框选位置，并将合并框选位置中的虫卵数视为1。
113.于步骤240中，结果分析模块28依据此些拆分影像中包含物件与合并影像中的合并物件，计算物件的一预测数量。
114.举例而言，高分辨率影像ori可以被拆分成713张256*256像素的拆分影像，若所有
拆分影像a1～a10中，各自有2个虫卵，每张合并影像(假设有40张)中，各自有1个虫卵，而其他拆分影像没有虫卵，可计算出2*10 40＝60，因此在高分辨率影像ori中，虫卵的预测数量为60。
115.又例如，6000*8000像素的高分辨率影像ori可以被拆分成713张256*256像素的拆分影像，将此713张各自输入神经网络后，神经网络会输出713笔框选位置数(于此例中，每输入一张拆分影像至神经网络，神经网络输出一框选位置数，每个框选位置数代表1个虫卵)，将这些框选位置数中的虫卵加总起来(例如框选总数为71300，虫卵就有71300)，再减去合并框选位置总数(假设在此例中，所有合并框选位置的情形都是同一颗虫卵被拆分到两个拆分影像，例如有300个合并框选位置总数，被重复计算的虫卵就有300个)，则可得到虫卵的预测数量为71000颗。
116.于一例子中，结果分析模块28通过两种尺寸(拆分影像尺寸256*256像素及512*512像素)的拆分影像，得到的八种预测虫卵数的效果如下述表一。其中，mape是平均绝对百分误差(mean absolute percentage error)，此值越小代表误差越小，结果越正确。mape是依据步骤240所产生的预测数量与人工标记的数量(将人工标记的数量视为正确结果，ground truth)进行计算：
[0117][0118]
表一
[0119]
由上述表一可知，使用合并的准确率的平均结果的mape为2.85％。
[0120]
由于mape是经常被拿来使用的数值评估指标，一般来说，mape《10％的模型为可接受的。
[0121]
因此，物件计数系统及物件计数方法达到了自动化，且能精确的计算出微小物件数量的技术效果。
[0122]
另外，本公开的微小物件除了虫卵以外，也可以应用在其它的微小物件上，例如米粒、幼虫、卵鞘
…
等等物件。
[0123]
综上，物件计数系统及物件计数方法可以自动化的通过一张高分辨率影像，计算出吸水布料上的虫卵数，达到了提供了节省人力且兼具计数准确的技术效果。
[0124]
虽然本发明以前述的实施例公开如上，然其并非用以限定本发明。在不脱离本发
明的构思和范围内，所为的变动与润饰，均属于本发明的专利保护范围。关于本发明所界定的保护范围请参考权利要求。