科创中国

自深度学习技术出现以来，其已经在很多领域，特别是计算机视觉、语音识别领域表现出强大的能力。卷积神经网络是一种前馈神经网络，由一个或多个卷积层及顶端的全连接层组成，在大型图像处理领域有出色的表现。相比于其他深度前馈神经网络结构如全连接神经网络，卷积神经网络的参数更少，训练计算量更小，使其可以具有更深的深度，因而可以提取到图像中更深层次的高维特征。目前卷积神经网络已经在影像识别、视讯分析、自然语言处理等诸多领域中进行了应用。

区域卷积神经网络(regionconvolutionalneuralnetwork,r-cnn)是利用深度学习进行目标检测的开山之作，由rossgirshick于2014年首先提出。相比于传统的可变型部件模型算法(deformablepartsmodels,dpm)，在pascal视觉物体分类(visualobjectclasses,voc)竞赛中将检测率提高了20％以上。其主要流程包括四个步骤：候选区域生成、特征提取、类别判断、区域修正。在区域卷积神经网络的基础上，各变种算法包括快速区域卷积神经网络、maskr-cnn等将区域神经网络的训练和应用速度大幅提高。

技术转让：为克服现有技术的不足，本发明旨在提出一种基于掩膜区域卷积神经网络的荧光编码微球图像检测方法，在悬浮芯片技术基础上，针对分析方法中存在的成本较高、准确度不足等问题，结合显微图像采集技术，利用本发明对荧光编码微球图像进行定性和定量分析，可准确检测待检物种类与浓度，与传统方法相比具有操作简单、灵活、成本低等优点。为此，本发明采取的技术方案是，基于掩膜区域卷积神经网络的荧光编码微球图像检测方法。