买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉长春理工大学申请的专利一种基于深度学习与蚁群算法的细胞跟踪技术方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116777850B 。

龙图腾网通过国家知识产权局官网在2025-12-19发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310678047.2，技术领域涉及：G06T7/00；该发明授权一种基于深度学习与蚁群算法的细胞跟踪技术方法是由许红梅;马达;郑越;何泽;孙浩;杨金鑫;黄浩然设计研发完成，并于2023-06-09向国家知识产权局提交的专利申请。

本一种基于深度学习与蚁群算法的细胞跟踪技术方法在说明书摘要公布了：本发明属于细胞跟踪技术领域，尤其为提出一种基于深度学习与蚁群算法的细胞跟踪方法，通过深度学习的方式对多细胞进行准确检测，蚁群算法与卡尔曼滤波的双重判断避免了由于细胞不规则运动导致的目标丢失，并对存在复杂行为的细胞做出准确的判断。本发明采用质心信息与轮廓信息综合考虑的蚁群算法成本公式，在帧间匹配时不仅考虑质心坐标位置，也考虑了细胞形态信息，在细胞发生复杂行为时实现更准确的跟踪效果；基于yolov7的目标检测方法，马赛克增强的数据增强方式使得跟踪系统对于同类的大小目标都有很好的检测效果，不会因为显微镜倍数的调整而降低性能；采用yolov7与U‑Net相结合的方法，增强了系统的可视性。

本发明授权一种基于深度学习与蚁群算法的细胞跟踪技术方法在权利要求书中公布了：1.一种基于深度学习与蚁群算法的细胞跟踪技术方法，其特征在于：包括以下步骤： S1、对显微镜下的细胞图像序列运用labellmg进行标注，标注名称为相应的细胞类别名，存储格式选用yolo格式； S2、将标注好的细胞图像序列传送给yolov7网络进行训练，得到最优的目标检测权重，同时对yolov7网络进行修改，使得其更适用于医学图像领域并输出检测框的中心点坐标； S3、使用labelme对yolov7得到的目标检测框进行标注，将标注好的细胞分割数据集传送给U-Net网络进行训练，从而得到各目标检测框中细胞的准确分割图像，并记录细胞面积、细胞偏心率轮廓信息； S4、建立蚁群算法的成本函数，基于细胞轮廓信息、细胞移动距离和全局移动路径信息，建立多蚁群细胞跟踪方法MACT，从而通过蚁群算法得到既定观测下的细胞移动轨迹； 所述步骤S4中建立蚁群算法的成本函数，根据细胞轮廓信息、细胞移动距离和全局移动路径信息，包括： 建立蚁群算法的成本函数cost如下： ; 其中，I表示当前帧检测得到的待跟踪细胞，j表示下一帧中的待跟踪细胞，α、β和γ分别表示距离、偏心率与面积三个特征的权重，权重加和为1； ，，; 其中，n表示下一帧中所有所有待跟踪细胞数目，表示待跟踪细胞i和待跟踪细胞j之间的距离，表示待跟踪细胞i的偏心率，表示待跟踪细胞i的面积； 选用损失函数的倒数作为跟踪的判断依据，用于增加损失函数的筛选作用； S5、基于MACT算法将蚁群跟踪算法未能成功跟踪的细胞标记为异常细胞，进入异常处理模块； S6、在MACT算法中引入卡尔曼滤波，通过对历史信息的推断预测细胞移动方向并加预测概率等效成蚁群算法的信息素融入到后续的细胞跟踪中，综合考虑了细胞历史数据中的速度，加速度，以及位移信息，得到合理的预测值，将卡尔曼滤波得到的预测与蚁群算法得到的既定观测下的位置相结合，得到最终的细胞跟踪轨迹； 所述步骤S6中将卡尔曼滤波得到的预测与蚁群算法得到的既定观测下的位置相结合，包括： 使用卡尔曼滤波算法，基于过去时刻的位置、速度、加速度信息，得到当前帧的位置预测值； 将MACT算法得到的观测值设定为观测值； 利用MACT算法的检测结果直接得到当前步骤的观测值，通过卡尔曼滤波将历史数据进行整合并合理预测当前步骤的预测值，在充分考虑观测值和预测值的可靠性后，最终跟踪结果由基于卡尔曼滤波增益系数的预测值与观测值的加权和得到； S7、通过MACT中蚁群算法的轨迹重塑功能，对现有跟踪轨迹进行进一步优化处理； S8、循环步骤S4到步骤S7从初始帧判断到最后一帧图像，至此完成对所有细胞的跟踪。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人长春理工大学，其通讯地址为：130012 吉林省长春市朝阳区卫星路7089号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。