(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210652583.0 (22)申请日 2022.06.09 (71)申请人 上海交通大 学医学院附属第九人民 医院 地址 200011 上海市黄浦区制造局路6 39号 (72)发明人 刘剑楠　翟广涛　张智超　贾隽　 (74)专利代理 机构 上海剑秋知识产权代理有限 公司 31382 专利代理师 徐海兵　杨飞 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/764(2022.01) G06V 10/74(2022.01) G06V 10/44(2022.01) G06V 10/30(2022.01)G06V 10/32(2022.01) G06V 10/82(2022.01) G06V 10/774(2022.01) G06K 9/62(2022.01) G16H 50/80(2018.01) G16H 10/60(2018.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种两阶段新冠肺炎抗原检测结果判别的 方法与设备 (57)摘要 本发明公开了一种两阶段新冠肺炎抗原检 测结果判别的方法与设备， 涉及图像处理领域， 尤其涉及图像处理技术在新冠肺炎COVID ‑19疫 情防控领域的应用， 所述方法包括以下步骤： 步 骤1、 从目标图片中获取若干记录有检测结果的 四边形区域， 并使用透视变换方法对 所述四边形 区域进行视角调整， 得到对应数量的矩形区域； 步骤2、 使用基于深度度量学习的分类网络对所 述矩形区域进行识别， 得到检测结果。 本发明使 用基于对的深度度量学习方法， 将样本组对， 度 量样本之间的相似性， 促使同类样本相互靠近， 不同类别样 本相互分离， 从实例级别对细粒度图 像进行处理。 通过在细粒度图像检索算法中加入 记忆存储模块进行优化帮助提升尾类样本的识 别准确率。 权利要求书3页 说明书11页 附图2页 CN 114863113 A 2022.08.05 CN 114863113 A 1.一种两阶段新冠肺炎抗原检测结果判别的方法， 其特征在于， 所述方法包括以下步 骤： 步骤1、 从目标图片中获取若干记录有检测结果的四边形区域， 并使用透视变换方法对 所述四边形区域进行视角调整， 得到对应数量的矩形区域； 步骤2、 使用基于深度 度量学习的分类网络对所述矩形区域进行识别， 得到检测结果。 2.如权利要求1所述的两阶段新冠肺炎抗原检测结果判别的方法， 其特征在于， 所述步 骤1包括以下子步骤： 步骤1.1、 采用不规则四边形检测器确定记录有检测结果的所述四边形区域的四个顶 点的坐标， 记为： (x1,y1),(x2,y2),(x3,y3),(x4,y4)， 其中， 所述不规则 四边形检测器使用 YOLO网络作为基础框架， 将所述Y OLO网络的输出格式由矩形的检测框改进为可识别四边形 的检测框； 步骤1.2、 使用所述透视变换方法对所述四边形区域进行视角调整， 得到对应数量的所 述矩形区域， 所述矩形区域的坐标记为： (0,0),(3 00,0),(300,300),(0,300)。 3.如权利要求2所述的两阶段新冠肺炎抗原检测结果判别的方法， 其特征在于， 在所述 步骤1.1中， 所述YOLO网络使用三种不同尺度的网格划分特 征图。 4.如权利要求3所述的两阶段新冠肺炎抗原检测结果判别的方法， 其特征在于， 所述网 格划分特 征图的三种不同尺度为20、 40和80 。 5.如权利要求3所述的两阶段新冠肺炎抗原检测结果判别的方法， 其特征在于， 在所述 步骤1.1中， 所述网格划分特征图中的每一个网格对应的预测值有9个， 分别是(x1,y1,x2, y2,x3,y3,x4,y4,s)， 其中， (x1,y1),(x2,y2),(x3,y3),(x4,y4)是所述四边形区域的四个顶点 的坐标， s代 表所述四边形区域的边界框中存在目标的概 率。 6.如权利要求5所述的两阶段新冠肺炎抗原检测结果判别的方法， 其特征在于， 所述 YOLO网络的损失函数包括定位损失和置信度损失； 所述定位损失(L ocalization Loss)为： 其中， S为所述网格划分特征图的边长， B为每个所述网格的anchor数量， 代 表第i个所述网格的第j个anchor预测的所述四边形区域的第k个角点的(x， y)坐标信息； 代表第i个所述网格的第j个anchor预测的所述四边形区域 中存在目标， 代表第i个所述网格的第j个anc hor预测的所述四边形区域中不存在目标； 所述置信度损失(Co nfidence Loss)为：权　利　要　求　书 1/3 页 2 CN 114863113 A 2其中， S为所述网格划分特征图的边长， B为每个所述网格的anchor数量， Cij代表第i个 所述网格的第j个anchor中存在目标的置信度， 代表第i个所述网格的第j个 anchor预测的所述四边形区域中存在目标， 代表第i个所述网格的第j个anchor预 测的所述四边形区域中不存在目标。 7.如权利要求2所述的两阶段新冠肺炎抗原检测结果判别的方法， 其特征在于， 在所述 步骤1.2中， 所述透 视变换方法的透 视变换矩阵为： 8.如权利要求1所述的两阶段新冠肺炎抗原检测结果判别的方法， 其特征在于， 在所述 步骤2中， 所述基于深度度量学习的分类网络使用包括内存队列的模块Q来存储训练过程中 的历史样本数据集， 其定义为： Q＝{C1,C2,…,Cj,…,Cnc}， 其中： Cj代表第j个类别的样本队 列,nc为所述历史样本数据集中所有类别的数量， Cj＝{cj1,cj2,…,cjk,…,cjqs}， 其中： cjk代 表第j个类别的队列中的第k个样本， qs为每 个类别的样本队列Cj的容量大小。 9.如权利要求8所述的两阶段新冠肺炎抗原检测结果判别的方法， 其特征在于， 所述历 史样本数据集中的样本对之间的相似度损失函数(LB)定义为： 其中， Sij代表第i个样本与第j个样本的cos相似度， BPi代表batch中第i个样本在batch 中对应的正样本， BNi代表batch中第i个样本在batch中对应的负样本， batch为所述历史样 本数据集中的一个样本队列， batchSize为所述历史样本数据集中的一个样本队列的容量 大小； 所述历史样本数据集中的一个样本队列中的样本与所述内存队列中存储样本之间相 似度损失函数(LM)定义为：权　利　要　求　书 2/3 页 3 CN 114863113 A 3