基于改进 YOLOv7 的显微镜下细胞识别系统实现

摘要

本文提出了一种基于改进YOLOv7的显微镜下细胞识别系统，旨在应对医学图像分析中的细胞检测任务，此任务通常面临高精度和高效率的双重挑战。发展高效的细胞识别算法具有重要的现实意义。在本研究中，我们对YOLOv7模型进行了创新性的改进，主要采用了两项关键技术：部分卷积（PConv）和Squeeze-and-Excitation（SE）机制。实验结果显示，引入SE机制的YOLOv7_ConvSE在F1 Score和mAP@0.5等指标上均优于原始YOLOv7，实现了F1 Score的提升至0.700，精确率提高至0.840，召回率亦有明显增长，标志着模型在细胞识别任务中的潜力。YOLOv7_Pconv模型展现了部分卷积在计算效率方面的优势，其F1 Score为0.659，显示了在特征提取上能够实现优化，但在召回率方面仍显不足。结合PConv和SE机制的混合模型YOLOv7_mix在各项性能指标上表现均衡，其F1 Score为0.689，精确率为0.754，召回率更是提高至0.636，验证了两种机制结合的有效性。