一种图像重叠交叉影响下的秀丽线虫计数方法

本发明涉及图像处理，尤其涉及一种图像重叠交叉影响下的秀丽线虫计数方法。

背景技术：

1、秀丽线虫是一种无毒无害、可以独立生存的线虫 ，因认为如果延长蠕虫生命的科学应用到人类身上，抗衰老治疗将成为可能，故对秀丽线虫寿命及运动的自动化收集及分析一直是近年来科研的热点，秀丽线虫也因此常被利用作为分子生物学和发育生物学研究领域的模式生物。秀丽线虫寿命及运动的相关研究中，首要任务是要识别出秀丽线虫，在识别出秀丽线虫后，通过对秀丽线虫进行计数，反映秀丽线虫的存活情况，进而对秀丽线虫寿命及运动进行研究，也就是说，秀丽线虫的识别与计数是秀丽线虫相关研究的基础。

2、现有秀丽线虫的识别，主要有三种方法，1）基于深度机器学习的秀丽线虫数量识别；2）基于秀丽线虫头、尾特征的秀丽线虫识别；3）基于图像处理的秀丽线虫分割，从培养皿中去除背景，继而计算秀丽线虫轮廓数目来识别秀丽线虫数目。上述不管何种方法，均是一个图像轮廓作一只秀丽线虫计数，未考虑秀丽线虫重叠的情况，故其只有在秀丽线虫分散无重叠、无遮挡的情况下，方可对秀丽线虫准确计数；当多只秀丽线虫重叠交叉时，重叠交叉的多只秀丽线虫的图像被当一只秀丽线虫计数，秀丽线虫的计数结果与实际秀丽线虫的数量偏差较大，上述方法识别结果的准确性则较低。特别是，现有秀丽线虫的相关研究均是在实验室内进行，实验室内主要通过培养皿内的秀丽线虫进行研究，培养皿容器小，小容器的培养皿内秀丽线虫数量又多的情况下，时常发生秀丽线虫互相重叠遮挡的情况。为此，针对遮挡情况下秀丽线虫的计数问题，成为秀丽线虫研究的重中之重。

技术实现思路

1、本发明的目的在于提供一种图像重叠交叉影响下的秀丽线虫计数方法。

2、实现本发明目的的技术方案是：一种图像重叠交叉影响下的秀丽线虫计数方法，包括以下步骤：

3、s1. 建立秀丽线虫端部目标检测模型；具体的步骤包括：

4、s1.1. 对培养有秀丽线虫的培养皿进行拍摄，批量获取培养皿图像，并对获取的培养皿图像中秀丽线虫的端部进行人工标注，得到初始秀丽线虫数据集；其中，秀丽线虫的端部包括头部和尾部；

5、s1.2. 设置yolov5模型的锚定框尺寸，并将初始秀丽线虫数据集划分为训练集和验证集，基于yolov5模型，先以训练集对yolov5模型进行训练，后以验证集对训练后的yolov5模型进行验证，得到可将秀丽线虫端部作为目标进行检测的初始模型，将该初始模型作为线虫端部目标检测模型；

6、s2. 对秀丽线虫进行端部检测；该端部检测的步骤包括：

7、s2.1. 获取培养有待检测秀丽线虫的培养皿图像，将该培养皿图像作为待检测数据；

8、s2.2. 将待检测数据输入到步骤s1.2中获得的线虫端部目标检测模型，由步骤s1.2中获得的线虫端部目标检测模型检测待检测数据中秀丽线虫的端部；

9、s3. 步骤s2完成后，统计秀丽线虫的端部数据，并依据秀丽线虫的端部数据，计算秀丽线虫的数量。

10、进一步地，步骤s1.1中，对获取的培养皿图像中秀丽线虫的端部进行人工标注所采用的标注工具为labelimg软件。

11、进一步地，步骤s1.2中，yolov5模型为引入了卷积注意力模块的yolov5模型。yolov5模型引入卷积注意力模块（cbma）后，引入了卷积注意力模块（cbma）的yolov5模型在进行目标进行检测时，检测精度更高。

12、进一步地，步骤s1.2中，得到可将秀丽线虫端部作为目标进行检测的初始模型后，对初始模型进行优化，得到优化模型，将优化模型作为线虫端部目标检测模型；

13、其中，对初始模型进行优化的步骤包括：

14、对培养有秀丽线虫的培养血进行拍摄，批量获取培养皿图像，并使用待优化模型对该批量获取培养血图像进行目标检测，目标检测后，对该目标检测结果进行人工校正，修正该步骤中待优化模型的锚定框尺寸，得到优化模型；

15、上述优化步骤连续重复进行一次以上；第一次进行优化步骤时，以步骤s1.2中的初始模型作为待优化模型；往后的每一次优化步骤中，均以前一次优化步骤中得到的优化模型作为待优化模型。本发明图像重叠交叉影响下的秀丽线虫计数方法，通过迭代的方式对初始模型进行一次以上的优化，每次优化时通过人工校正，对锚定框尺寸进行修改，在不断的对锚定框尺寸进行修改后，使优化模型的检测精度不断提高，实现高精度检测要求，提高检测的准确性。

16、进一步地，步骤s2.1中，获取培养有待检测秀丽线虫的培养皿图像后，提取该培养皿图像中丽线虫身体边缘的轮廓，得到轮廓集合counters，该轮廓集合counters中每个元素用于保存培养皿图像中秀丽线虫身体边缘的轮廓数据；将轮廓集合counters中保存的秀丽线虫身体边缘的轮廓数据作为待检测数据。本发明图像重叠交叉影响下的秀丽线虫计数方法，可直接将获取的培养有待检测秀丽线虫的培养皿图像作为待检测数据，也可在获取培养有待检测秀丽线虫的培养皿图像后，提取培养皿图像中丽线虫身体边缘的轮廓，将轮廓集合counters中保存的秀丽线虫身体边缘的轮廓数据作为待检测数据。相比前者，后者提取培养皿图像中秀丽线虫身体边缘的轮廓后，再由线虫端部目标检测模型进行检测时，由于秀丽线虫身体边缘的轮廓被划出，线虫端部目标检测模型单次计算量小，检测范围小，检测目标更明确，检测准确率更高。

17、进一步地，步骤s2.1中，采用opencv技术或halcon边缘检测技术提取该培养皿图像中丽线虫身体边缘的轮廓。

18、进一步地，步骤s3中，计算秀丽线虫的数量的步骤包括：统计秀丽线虫的端部数量n，以秀丽线虫的端部数量n为依据，计算秀丽线虫的数量d，其中，n若为偶数，d=n/2；n若为奇数，d=（n+1）/2；以计算的秀丽线虫的数量d作为秀丽线虫最终的计数。该方法下，以秀丽线虫的端部数量为依据，进行计算。

19、进一步地，步骤s3中，计算秀丽线虫的数量的步骤包括：累加端点数为2的秀丽线虫身体边缘的轮廓面积s1和所有的秀丽线虫身体边缘的轮廓面积s2，以端点数为2的秀丽线虫身体边缘的轮廓面积s1和所有的秀丽线虫身体边缘的轮廓面积s2为依据，计算秀丽线虫的数量e，e= [s2/ s1]+1；以计算的秀丽线虫的数量e作为秀丽线虫最终的计数。该方法下，以秀丽线虫的身体边缘的轮廓面积为依据，进行计算，计算时，秀丽线虫的数量e为s2/s1取整后，加一。

20、进一步地，步骤s3中，计算秀丽线虫的数量的步骤包括：

21、统计秀丽线虫的端部数量n，以秀丽线虫的端部数量n为依据，计算秀丽线虫的数量d，其中，n若为偶数，d=n/2；n若为奇数，d=（n+1）/2；

22、累加端点数为2的秀丽线虫身体边缘的轮廓面积s1和所有的秀丽线虫身体边缘的轮廓面积s2，以端点数为2的秀丽线虫身体边缘的轮廓面积s1和所有的秀丽线虫身体边缘的轮廓面积s2为依据，计算秀丽线虫的数量e，e= [s2/ s1]+1；

23、比较秀丽线虫的数量d和秀丽线虫的数量e，以d和e中的较大者和作为秀丽线虫最终的计数。该方法下，以秀丽线虫的端部数量和身体边缘的轮廓面积为依据，对秀丽线虫的数量进行双重计算，在该双重计算结果中，则优选取作为秀丽线虫最终的计数，计数结果的准确率更高。

24、本发明图像重叠交叉影响下的秀丽线虫计数方法，基于yolov5模型，通过对培养皿图像中秀丽线虫的端部进行人工标注，以人工标注的图像为初始秀丽线虫数据集，先后对yolov5模型进行训练和验证，最终得到可以秀丽线虫端部为目标进行识别的线虫端部目标检测模型；而后通过线虫端部目标检测模型秀丽线虫的端部进行识别，统计秀丽线虫的端部数据，依据秀丽线虫的端部数据，即可计算出秀丽线虫的数量，实现图像重叠交叉影响下的秀丽线虫的计数。

25、本发明图像重叠交叉影响下的秀丽线虫计数方法，依据秀丽线虫的端部数据，计算出秀丽线虫的数量时，由于秀丽线虫为线条形，多条秀丽线虫的图像即便重叠交叉，秀丽线虫的端部（头部和尾部）也不会完全重叠在一起，也就是说，秀丽线虫的端部数据可准确反应秀丽线虫的数量。本发明图像重叠交叉影响下的秀丽线虫计数方法，依据秀丽线虫的端部数据，不仅可计算出图像重叠交叉影响下的秀丽线虫的数量，而且可准确计数，其克服了秀丽线虫交叉重叠造成线虫计数困难的问题，有效解决了秀丽线虫识别的核心难题。