一种基于人工智能算法的抗酸分支杆菌标识方法和装置与流程

1.本发明涉及人工智能技术领域，具体涉及一种基于人工智能算法的抗酸分支杆菌标识方法及装置。


背景技术：

2.抗酸分支杆菌的诊断方式目前有四种。第一种是抗酸染色法，单张样片检测时间需要约30分钟，检测效率低，检出率不足5％，检出率相对较低，需要人工逐张判读检测结果，人工消耗大，诊断效率低；第二种是荧光染色法，单张样片检测时间需要约20分钟，检测效率比抗酸染色发有所假阳率较高，需要人工用荧光显微镜进行结果判读，检测效率低；第三种是传统集菌方法，与抗酸染色法和荧光染色法相比，操作相对简单，检出率可以满足要求，但气溶胶风险较大，容易造成大量假阳性。
3.因此，亟需一种可以解决上述至少一种问题的诊断方式，提高抗酸分支杆菌的诊断效率。


技术实现要素：

4.因此，本发明要解决的技术问题在于克服现有技术中抗酸分枝杆菌检测效率低的缺陷，从而提供一种基于人工智能算法的抗酸分支杆菌标识方法，可有效提高样片中抗酸分支杆菌的检测效率。
5.为此，第一方面，本发明一种基于人工智能算法的抗酸分支杆菌标识方法，包括如下步骤：
6.获取抗酸分支杆菌荧光染色图片，通过荧光暗场检测设备拍摄免疫纯化后的抗酸分支杆菌，获得抗酸分支杆菌荧光染色图片；
7.人工智能标识抗酸分支杆菌荧光染色图片，将所述抗酸分支杆菌荧光染色图片输入至抗酸分支杆菌标识神经网络模型对所述抗酸分支杆菌荧光染色图片进行抗酸分支杆菌标识处理得到具有矩形框标识的抗酸分支杆菌图片；其中，所述抗酸分支杆菌标识神经网络模型为采用人工标注抗酸分支杆菌的荧光染色图片作为输入数据，基于深度学习目标检测算法训练得到，其中，所述矩形框标识包括矩形框坐标信息和矩形框标识的抗酸分支杆菌的阳性概率数据。
8.进一步地，所述深度学习目标检测算法为保留图片8倍缩放的yolov5 算法。
9.进一步地：所述抗酸分支杆菌标识神经网络模型的网络损失函数为其中，坐标损失函数的计算公式为：其中，n
loc
为特征图元素个数，是giou loss函数，是人工标记的矩形框标识坐标信息，而代表抗酸分支杆菌标识神经网络模型输出的矩形框标识坐标信息，代表矩形框标识位置是结核分支杆菌；
10.分类损失函数用于判断矩形框标识位置是否为阳性抗酸分支杆菌，以此老区分抗酸分支杆菌的假阳性，其计算公式为：其中，ρ
ij
表示矩形框标识的抗酸分支杆菌的为阳性的概率值，数值在0～1.0之间，na为特征图高度，no为特征图宽度。
11.第二方面，本发明提供一种基于人工智能算法的抗酸分支杆菌标识方法，包括如下步骤：
12.获取抗酸分支杆菌荧光染色图片，通过荧光暗场检测设备拍摄免疫纯化后的抗酸分支杆菌，获得抗酸分支杆菌荧光染色图片；
13.分切抗酸分支杆菌荧光染色图片，将抗酸分支杆菌荧光染色图片分切成n个子图片，并对子图片进行编号，同时记录每张所述子图片预定方位的坐标信息，作为子图片第一坐标信息；
14.人工智能标识子图片，将所述子图片输入至抗酸分支杆菌标识神经网络模型对所述子图片进行抗酸分支杆菌标识处理得到具有矩形框标识的抗酸分支杆菌的第一子图片；其中，所述抗酸分支杆菌标识神经网络模型为采用人工标注抗酸分支杆菌的荧光染色图片作为输入数据，基于深度学习目标检测算法训练得到，其中，所述矩形框标识包括矩形框坐标信息和矩形框标识的抗酸分支杆菌的阳性概率数据；
15.拼合子图片，将所述第一子图片中的所述矩形框标识的坐标信息与第一坐标信息结合，计算出第一子图片中矩形框标识的抗酸分支杆菌在抗酸荧光染色图片中的坐标信息，实现第一子图片的拼合。
16.进一步地，所述深度学习目标检测算法为保留图片8倍缩放的yolov5 算法。
17.进一步地，所述抗酸分支杆菌标识神经网络模型的网络损失函数为其中，坐标损失函数的计算公式为：其中，n
loc
为特征图的元素个数，是giou loss函数，是人工标记的矩形框标识坐标信息，而代表抗酸分支杆菌标识神经网络模型输出的矩形框标识坐标信息，代表矩形框标识位置是结核分支杆菌；
18.分类损失函数用于判断矩形框标识位置是否为阳性抗酸分支杆菌，以此老区分抗酸分支杆菌的假阳性，其计算公式为：其中，ρ
ij
表示矩形框标识的抗酸分支杆菌的为阳性的概率值，数值在0～1.0之间；na为特征图高度，no为特征图宽度。
19.优选的，所述n的值不小于4，更优选的，所述n的值等于4。
20.优选的，所述预定方位为所述子图片的左上角。
21.第三方面，本发明提供一种基于人工智能算法的抗酸分支杆菌标识装置，包括：
22.获取模块，获取抗酸分支杆菌荧光染色图片，通过荧光暗场检测设备拍摄免疫纯
化后的抗酸分支杆菌，获得抗酸分支杆菌荧光染色图片；
23.标识模块，人工智能标识抗酸分支杆菌荧光染色图片，将所述抗酸分支杆菌荧光染色图片输入至抗酸分支杆菌标识神经网络模型对所述抗酸分支杆菌荧光染色图片进行抗酸分支杆菌标识处理得到具有矩形框标识的抗酸分支杆菌图片；其中，所述抗酸分支杆菌标识神经网络模型为采用人工标注抗酸分支杆菌的荧光染色图片作为输入数据，基于深度学习目标检测算法训练得到，其中，所述矩形框标识包括矩形框坐标信息和矩形框标识的抗酸分支杆菌的阳性概率数据。
24.第四方面，本发明还提供一种基于人工智能算法的抗酸分支杆菌标识装置，包括：
25.获取模块，获取抗酸分支杆菌荧光染色图片，通过荧光暗场检测设备拍摄免疫纯化后的抗酸分支杆菌，获得抗酸分支杆菌荧光染色图片；
26.分切模块，分切抗酸分支杆菌荧光染色图片，将抗酸分支杆菌荧光染色图片分切成n*n的子图片，并对子图片进行编号，同时记录每张所述子图片预定方位的坐标信息，作为子图片第一坐标信息；
27.标识模块，人工智能标识子图片，将所述子图片输入至抗酸分支杆菌标识神经网络模型对所述子图片进行抗酸分支杆菌标识处理得到具有矩形框标识的抗酸分支杆菌的第一子图片；其中，所述抗酸分支杆菌标识神经网络模型为采用人工标注抗酸分支杆菌的荧光染色图片作为输入数据，基于深度学习目标检测算法训练得到，其中，所述矩形框标识包括矩形框坐标信息和矩形框标识的抗酸分支杆菌的阳性概率数据；
28.拼合模块，将所述第一子图片中的所述矩形框标识的坐标信息与第一坐标信息结合，计算出第一子图片中矩形框标识的抗酸分支杆菌在抗酸荧光染色图片中的坐标信息，实现第一子图片的拼合。
29.第五方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述对基于人工智能算法抗酸分支杆菌标识的方法。
30.第六方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述基于人工智能算法抗酸分支杆菌标识的方法。
31.本发明技术方案，具有如下优点：
32.1.本发明提供的基于人工智能算法的抗酸分支杆菌标识方法，通过抗酸分支杆菌标识神经网络模型实现对抗酸分支杆菌荧光染色图片上的抗酸分支杆菌的快速标识，大幅提高了抗酸分支杆菌的标识效率，提高了抗酸分子杆菌的诊断效率；同时，由于本方法基于人工智能网络模型实现抗酸分支杆菌标注，便于实现自动化操作，有效降低抗酸分枝杆菌的人力诊断成本。
33.2.本发明提供的基于人工智能算法的抗酸分支杆菌标识方法，通过对抗酸分支杆菌荧光图片进行分切处理后再输入抗酸分支杆菌标识神经网络模型进行计算机处理，可有效降低硬件要求，节省处理器成本。
34.3.本发明提供的基于人工智能算法的抗酸分支杆菌标识方法，经过抗酸分支杆菌神经网络模型处理后的图片，可直接对抗酸分支杆进行矩形框标注并显示抗酸分支杆菌的阳性概率，方便病人和检测医生等用户判读图片。
35.6.本发明提供的基于人工智能算法的抗酸分支杆菌标识装置，通过标识模块实现
对抗酸分支杆荧光染色图片中抗酸分枝杆菌的快速标识，大幅提高了抗酸分支杆荧光染色图片中抗酸分支杆菌标识效率；提高了抗酸分子杆菌的诊断效率；同时，由于本方法基于人工智能网络模型实现抗酸分支杆菌标注，便于实现自动化操作，有效降低抗酸分枝杆菌的人力诊断成本；经过抗酸分支杆菌神经网络模型处理后的图片，可直接对抗酸分支杆进行矩形框标注并显示抗酸分支杆菌的阳性概率，方便病人和检测医生等用户判读图片。
36.7.本发明提供的基于人工智能算法的抗酸分支杆菌标识装置，通过增加分切模块和拼合模块，有效降低了抗酸分支杆菌标识装置对计算机处理器的硬件要求，节省处理器成本。
37.8.本发明提供的电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述电子设备执行基于人工智能算法的抗酸分支杆菌标识方法时，实现对抗酸分支杆菌荧光染色图片中抗酸分支杆菌的快速识别，有效提高了抗酸分支杆菌的识别效率。
38.9.本发明提供的非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被执行基于人工智能算法的抗酸分支杆菌标识方法时，实现对抗酸分支杆菌荧光染色图片中抗酸分支杆菌的快速识别，有效提高了抗酸分支杆菌的识别效率。
附图说明
39.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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。
40.图1为本发明实施例1中基于人工智能算法的抗酸分支杆菌标识方法的流程图；
41.图2为本发明实施例中获取的抗酸分支杆菌荧光染色图片；
42.图3为人工标注的抗酸分支杆菌标荧光染色图片；
43.图4为图2经抗酸分支杆菌标识神经网络模型标识处理后的图片
44.图5为本发明实施例2中基于人工智能算法的抗酸分支杆菌标识方法的流程图；
45.图6为图2分切后的图片；
46.图7为本发明实施例3中基于人工智能算法的抗酸分支杆菌标识装置的原理框图；
47.图8为本发明实施例4中基于人工智能算法的抗酸分支杆菌标识装置的原理框图；
48.图9为本发明实施例5中电子设备的原理框图。
具体实施方式
49.下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
50.在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
51.在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
52.此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
53.实施例1
54.本实施例提供一种基于人工智能算法的抗酸分支杆菌标识方法，应用于荧光染色图片检测设备中，如图1所示，包括如下步骤：
55.步骤101：获取抗酸分支杆菌荧光染色图片，通过荧光暗场检测设备拍摄免疫纯化后的抗酸分支杆菌涂片，获得抗酸分支杆菌荧光染色图片，如图2所示。
56.步骤102：将所述抗酸分支杆菌荧光染色图片输入至抗酸分支杆菌标识神经网络模型对所述抗酸分支杆菌荧光染色图片进行抗酸分支杆菌标识处理得到具有矩形框标识的抗酸分支杆菌图片；其中，所述抗酸分支杆菌标识神经网络模型为采用人工标注抗酸分支杆菌的荧光染色图片(如图3所示)作为输入数据，基于深度学习目标检测算法训练得到，其中，所述矩形框标识包括矩形框坐标信息和矩形框标识的抗酸分支杆菌的阳性概率数据，如图4所示。其中，抗酸分支杆菌标识神经网络模型的准确率(测试集)为：95％，实际使用人工对比准确率大概为：90％～95％。使用了12451 张作为训练集，测试集为1000张图片；优化器为sgd，batchsize为8(两张1080ti显卡)，输入图片分辨率为：2720*1824(宽*高)，学习率为0.01 衰减到0.0001，epoch＝400。
57.上述基于人工智能算法的抗酸分支杆菌标识方法，通过抗酸分支杆菌标识神经网络模型实现对抗酸分支杆菌荧光染色图片上的抗酸分支杆菌的快速标识，大幅提高了抗酸分支杆菌的标识效率，提高了抗酸分子杆菌的诊断效率；同时，由于本方法基于人工智能网络模型实现抗酸分支杆菌标注，便于实现自动化操作，有效降低抗酸分枝杆菌的人力诊断成本。
58.由于人工标注的抗酸分支杆菌荧光染色图片(见图3)中的单个抗酸杆菌的矩形框面积较小(矩形框面积小于整张图的千分之一)，采用深度学习目标检测算法处理后，矩形框的坐标回归损失可忽略不计，不删除16和32 倍缩放倍率，容易造成网络冗余，因此，本实施例对深度学习目标检测算法进行了改进处理，仅保留了将输入图片缩放8的深度学习目标检测算法，可有效提高图片处理效率，有效避免了网络冗余。
59.为计算每张输入图片的网络损失函数，并通过反向传播更新网络参数。经过多次训练迭代，得到抗酸分支杆菌标识神经网络模型的网络权重参数和网络结构。网络损失函数为其中，坐标损失函数的计算公式为：其中，n
loc
为特征图的元素个数，是giou loss函数，是人工标记的矩形框标识坐标信息，而代表抗酸分支杆菌标识神经网
络模型输出的矩形框标识坐标信息，代表矩形框标识位置是结核分支杆菌；分类损失函数用于判断矩形框标识位置是否为阳性抗酸分支杆菌，以此老区分抗酸分支杆菌的假阳性，其计算公式为：其中，ρ
ij
表示矩形框标识的抗酸分支杆菌的为阳性的概率值，数值在0～1.0之间；na为特征图宽度， no为特征图高度。其中，特征图指经过深度学习目标检测算法处理后的图片。
60.实施例2
61.与实施例1相比，不同之处在于：本实施例提供的基于人工智能算法的抗酸分支杆菌标识方法，加入了对抗酸分枝杆菌荧光染色图片进行分切和拼合的操作，通过对抗酸分支杆菌荧光图片进行分切处理后再输入抗酸分支杆菌标识神经网络模型进行计算机处理，可有效降低硬件要求，节省处理器成本。主要包括如下步骤，如图5所示：
62.步骤101：获取抗酸分支杆菌荧光染色图片，通过荧光暗场检测设备拍摄免疫纯化后的抗酸分支杆菌涂片，获得抗酸分支杆菌荧光染色图片，如图2所示。
63.步骤102：分切抗酸分支杆菌荧光染色图片，将抗酸分支杆菌荧光染色图片分切成4个子图片，并对子图片进行编号(例如子图1、子图2、子图3和子图4等)，同时记录每张所述子图片预定方位(对具体方位不做限制，本实施例为左上角)的坐标信息，作为子图片第一坐标信息；如图6所示，子图片1的坐标为(0,0)，子图片2的坐标为(1360,0)，子图片3的坐标为(0,912)，子图片4的坐标为(1360,912)。
64.步骤103：人工智能标识子图片，将所述子图片输入至抗酸分支杆菌标识神经网络模型对所述子图片进行抗酸分支杆菌标识处理得到具有矩形框标识的抗酸分支杆菌的第一子图片；其中，所述抗酸分支杆菌标识神经网络模型为采用人工标注抗酸分支杆菌的荧光染色图片作为输入数据，基于深度学习目标检测算法训练得到，其中，所述矩形框标识包括矩形框坐标信息和矩形框标识的抗酸分支杆菌的阳性概率数据。
65.步骤104
66.拼合子图片，将所述子图片中的所述矩形框标识的坐标信息与第一坐标信息结合，计算出子图片中矩形框标识的抗酸分支杆菌在抗酸荧光染色图片中的坐标信息，实现子图片的拼合，拼合后的图片如图3所示。其中，矩形框为标识的抗酸分支杆菌的位置，矩形框上方的数据为矩形框标识的抗酸分支杆菌为阳性的概率值。
67.上述基于人工智能算法的抗酸分支杆菌标识方法，通过抗酸分支杆菌标识神经网络模型实现对抗酸分支杆菌荧光染色图片上的抗酸分支杆菌的快速标识，大幅提高了抗酸分支杆菌的标识效率，提高了抗酸分子杆菌的诊断效率；同时，由于本方法基于人工智能网络模型实现抗酸分支杆菌标注，便于实现自动化操作，有效降低抗酸分枝杆菌的人力诊断成本。
68.另外，抗酸分支杆菌荧光染色图片的一般较大，通过对抗酸分支杆菌荧光染色图片分切后再输入抗酸分支杆菌标识神经网络模型处理，可有效降低硬件要求，节省处理器成本。
69.由于人工标注的抗酸分支杆菌荧光染色图片(见图3)中的矩形框面积较小(矩形框面积不超过图片面积的千分之一)，采用深度学习目标检测算法处理后，矩形框的坐标回
归损失可忽略不计，容易造成网络冗余，因此，本实施例对深度学习目标检测算法进行了改进处理，仅保留了将输入图片缩放8倍的深度学习目标检测算法，可有效提高图片处理效率，有效避免了网络冗余。
70.为计算每张输入图片的网络损失函数，并通过反向传播更新网络参数。经过多次训练迭代，得到抗酸分支杆菌标识神经网络模型的网络权重参数和网络结构。网络损失函数为其中，坐标损失函数的计算公式为：其中，n
loc
为特征图元素个数，是giou loss函数，是人工标记的矩形框标识坐标信息，而代表抗酸分支杆菌标识神经网络模型输出的矩形框标识坐标信息，代表矩形框标识位置是结核分支杆菌；
71.分类损失函数用于判断矩形框标识位置是否为阳性抗酸分支杆菌，以此老区分抗酸分支杆菌的假阳性，其计算公式为：其中，ρ
ij
表示矩形框标识的抗酸分支杆菌的为阳性的概率值，数值在0～1.0之间；na为特征图高度，no为特征图宽度。其中，特征图是指经深度学习目标检测算法处理后的图片。
72.实施例3
73.本实施例提供一种基于人工智能算法的抗酸分支杆菌标识装置，如图7所示，包括：获取模块201和抗酸分支杆菌标识模块202，其中：
74.获取模块201，获取抗酸分支杆菌荧光染色图片，通过荧光暗场检测设备拍摄免疫纯化后的抗酸分支杆菌，获得抗酸分支杆菌荧光染色图片；
75.标识模块202，人工智能标识抗酸分支杆菌荧光染色图片，将所述抗酸分支杆菌荧光染色图片输入至抗酸分支杆菌标识神经网络模型对所述抗酸分支杆菌荧光染色图片进行抗酸分支杆菌标识处理得到具有矩形框标识的抗酸分支杆菌图片；其中，所述抗酸分支杆菌标识神经网络模型为采用人工标注抗酸分支杆菌的荧光染色图片作为输入数据，基于深度学习目标检测算法训练得到，其中，所述矩形框标识包括矩形框坐标信息和矩形框标识的抗酸分支杆菌的阳性概率数据。
76.实施例4
77.本实施例提供一种基于人工智能算法的抗酸分支杆菌标识装置，与实施例3的不同之处在于，如图8所示，在获取模块后增加了分切模块，在标识模块后增加了拼合模块，包括：获取模块201、分切模块202、标识模块203和拼合模块204其中：
78.获取模块201，获取抗酸分支杆菌荧光染色图片，通过荧光暗场检测设备拍摄免疫纯化后的抗酸分支杆菌，获得抗酸分支杆菌荧光染色图片；
79.分切模块202，分切抗酸分支杆菌荧光染色图片，将抗酸分支杆菌荧光染色图片分切成4的子图片，并对子图片进行编号，同时记录每张所述子图片左上方的坐标信息，作为子图片第一坐标信息；
80.标识模块203，人工智能标识子图片，将所述子图片输入至抗酸分支杆菌标识神经网络模型对所述子图片进行抗酸分支杆菌标识处理得到具有矩形框标识的抗酸分支杆菌
的第一子图片；其中，所述抗酸分支杆菌标识神经网络模型为采用人工标注抗酸分支杆菌的荧光染色图片作为输入数据，基于深度学习目标检测算法训练得到，其中，所述矩形框标识包括矩形框坐标信息和矩形框标识的抗酸分支杆菌的阳性概率数据；
81.拼合模块204，将所述第一子图片中的所述矩形框标识的坐标信息与第一坐标信息结合，计算出第一子图片中矩形框标识的抗酸分支杆菌在抗酸荧光染色图片中的坐标信息，实现第一子图片的拼合。
82.上述装置，通过标识模块实现对抗酸分支杆荧光染色图片中抗酸分枝杆菌的快速标识，大幅提高了抗酸分支杆荧光染色图片中抗酸分支杆菌标识效率；提高了抗酸分子杆菌的诊断效率；同时，由于本方法基于人工智能网络模型实现抗酸分支杆菌标注，便于实现自动化操作，有效降低抗酸分枝杆菌的人力诊断成本；通过增加分切模块和拼合模块，有效降低了抗酸分支杆菌标识装置对计算机处理器的硬件要求，节省处理器成本。
83.实施例5
84.基于相同的发明构思，本实施例提供一种电子设备，参见图9，包括存储器302、处理器301、通信接口303、通信总线304以及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器301、通信接口303、存储器302通过通信总线304完成相互间的通信；通信接口303用于实现各建模软件及智能装备模块库等相关设备之间的信息传输；处理器301用于调用存储器302中的计算机程序，处理器执行计算机程序时实现上述各方法实施例所提供的方法，例如，处理器执行计算机程序时，以执行以下操作：
85.获取抗酸分支杆菌荧光染色图片，通过荧光暗场检测设备拍摄免疫纯化后的抗酸分支杆菌，获得抗酸分支杆菌荧光染色图片；
86.分切抗酸分支杆菌荧光染色图片，将抗酸分支杆菌荧光染色图片分切成4个子图片，并对子图片进行编号，同时记录每张所述子图片预定方位的坐标信息，作为子图片第一坐标信息；
87.人工智能标识子图片，将所述子图片输入至抗酸分支杆菌标识神经网络模型对所述子图片进行抗酸分支杆菌标识处理得到具有矩形框标识的抗酸分支杆菌的第一子图片；其中，所述抗酸分支杆菌标识神经网络模型为采用人工标注抗酸分支杆菌的荧光染色图片作为输入数据，基于深度学习目标检测算法训练得到，其中，所述矩形框标识包括矩形框坐标信息和矩形框标识的抗酸分支杆菌的阳性概率数据；
88.拼合子图片，将所述第一子图片中的所述矩形框标识的坐标信息与第一坐标信息结合，计算出第一子图片中矩形框标识的抗酸分支杆菌在抗酸荧光染色图片中的坐标信息，实现第一子图片的拼合。
89.实施例6
90.本实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，以执行以下操作：
91.获取抗酸分支杆菌荧光染色图片，通过荧光暗场检测设备拍摄免疫纯化后的抗酸分支杆菌，获得抗酸分支杆菌荧光染色图片；
92.分切抗酸分支杆菌荧光染色图片，将抗酸分支杆菌荧光染色图片分切成4个子图片，并对子图片进行编号，同时记录每张所述子图片左上方的坐标信息，作为子图片第一坐标信息；
93.人工智能标识子图片，将所述子图片输入至抗酸分支杆菌标识神经网络模型对所述子图片进行抗酸分支杆菌标识处理得到具有矩形框标识的抗酸分支杆菌的第一子图片；其中，所述抗酸分支杆菌标识神经网络模型为采用人工标注抗酸分支杆菌的荧光染色图片作为输入数据，基于深度学习目标检测算法训练得到，其中，所述矩形框标识包括矩形框坐标信息和矩形框标识的抗酸分支杆菌的阳性概率数据；
94.拼合子图片，将所述第一子图片中的所述矩形框标识的坐标信息与第一坐标信息结合，计算出第一子图片中矩形框标识的抗酸分支杆菌在抗酸荧光染色图片中的坐标信息，实现第一子图片的拼合。
95.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
96.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
97.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
98.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
99.显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。