论文部分内容阅读
超声成像技术以其快速、实时、安全和价格低廉等优点被广泛应用于黄牛卵泡动态变化监控当中。通过该方法寻找最佳受孕时机进行配种,能够有效提高黄牛的妊娠率,从而提高黄牛的繁殖能力。而卵泡超声图像目标检测和分割是黄牛卵泡监控中的关键步骤。因此本文对卵泡超声图像进行目标检测和分割,为后续的卵泡三维重建、体积计算、卵泡分析等提供良好的前置条件和基础数据,从而更好的实现卵泡动态监控。针对卵泡超声图像目标检测任务,根据其数据集具有卵泡空间位置、大小形状相对稳定的特点,本文采用目前检测效果最好的、速度最快的YOLOv3目标检测算法作为本研究的实验基础,并提出了一种改进的YOLOv3网络模型,通过去掉模型中的批归一化层来压缩网络结构,减少网络参数,从而提高网络训练速度;接着通过引入空洞卷积层,扩大网络的感受野,使改进后的网络模型能够更加充沛的利用网络中的上下文信息,提高模型的检测准确率。实验结果表明,改进后YOLOv3模型检测准确率提高了1.2%,检测速度从63ms/img提高到51ms/img,相比原始的YOLOv3模型,改进后YOLOv3模型无论是性能还是检测效果都更加适合黄牛卵泡动态监控项目中卵泡目标检测任务。卵泡超声图像分割是本文研究第二个主要工作内容,首先,因为卵泡超声图像数据集单类别单目标的特点,基于深度学习图像语义分割模型非常适合本次分割任务。本文采用目前最先进的语义分割模型DeepLabv3网络作为本研究的实验基础,并根据本研究的实际应用场景提出了一种改进的DeepLabv3模型,通过去掉模型中ASPP结构来减少网络的参数体量,从而提高训练速度,进而降低模型对系统计算能力的依赖程度。然后将网络的空洞卷积层前移,以降低因去掉ASPP结构带来的分割精度下降的问题,此外,使用层次较少的ResNet50网络,进一步缩减网络的参数数量,使得新模型在像素分割准确率下降不明显情况下,计算量大幅降低,训练速度大幅提高。实验表明,改进的DeepLabv3相较原模型,平均像素分割准确率只下降2.4%,但是模型的参数减少了近40%,训练速度从1.78img/sec提升到2.96img/sec,说明改进的模型在计算成本、系统环境依赖性同图像分割准确率的平衡度上面,更满足卵泡动态监控的实际应用需求。此外,针对图像质量差的特点,本文还进行了图像超分辨率重建的补充实验,通过超分辨率重建实验,提高卵泡超声图像的分辨率,使得卵泡超声图像目标检测和分割的准确率得到了一定的提高。