1. 项目概述与背景
血细胞检测与计数是医学检验中的基础但关键环节，传统人工镜检方法效率低下且易受主观因素影响。我在大三参与医院检验科实习时，亲眼目睹检验师们每天需要处理数百份血涂片，高强度工作下难免出现计数误差。这促使我开始思考如何利用计算机视觉技术实现自动化血细胞分析。
基于YOLO的目标检测算法因其出色的实时性和准确性，成为本项目核心技术选型。结合PyQt构建的图形界面，最终实现了一套完整的血细胞检测与计数系统。这个毕业设计项目从算法选型到界面优化历时6个月，期间经历了3次重大迭代，最终在测试集上达到98.7%的检测准确率。
2. 系统架构设计
2.1 整体技术栈
系统采用经典的三层架构：
- 前端层：PyQt5构建的GUI界面
- 算法层：YOLOv5s模型为核心的血细胞检测算法
- 数据层：BCCD公开数据集+自采集标注数据
选择YOLOv5而非更新的v7/v8版本，主要考虑到：
- 在血细胞这种小目标检测场景，v5的PANet结构表现更稳定
- 社区资源丰富，便于调试和优化
- 模型体积更小（v5s仅14MB），适合部署在普通PC
2.2 关键模块设计
mermaid复制graph TD
A[图像输入] --> B[预处理]
B --> C[YOLO检测]
C --> D[后处理]
D --> E[结果可视化]
E --> F[数据统计]
预处理阶段特别加入了自适应直方图均衡化(CLAHE)来增强细胞边缘对比度，这对后续检测精度提升约3.2%。后处理环节则采用加权NMS替代标准NMS，有效解决了密集红细胞的重叠问题。
3. 核心算法实现
3.1 数据准备与增强
使用BCCD数据集(364张，3类细胞)基础上，额外采集标注了200张本地医院血涂片图像。数据增强策略包括：
python复制transform = A.Compose([
A.RandomRotate90(p=0.5),
A.HueSaturationValue(hue_shift_limit=10,
sat_shift_limit=10,
val_shift_limit=10),
A.RandomBrightnessContrast(p=0.3),
A.CLAHE(clip_limit=3.0, p=0.7),
A.GaussNoise(var_limit=(10,30), p=0.2)
])
特别需要注意的是：
- 红细胞增强时保持色调不变（hue_shift_limit<15）
- 白细胞需保留细胞核细节（对比度增强幅度<30%）
3.2 模型训练细节
采用YOLOv5s预训练模型，关键训练参数：
yaml复制lr0: 0.01
lrf: 0.1
momentum: 0.937
weight_decay: 0.0005
warmup_epochs: 3
box: 0.05 # 调高box loss权重
cls: 0.5 # 降低分类权重
训练中发现三个典型问题及解决方案：
- 血小板漏检 → 增加正样本采样权重
- 白细胞误分类 → 引入Focal Loss
- 红细胞粘连 → 添加CoordConv层
最终模型在测试集上的表现：
| 细胞类型 | Precision | Recall | mAP@0.5 |
|---|---|---|---|
| 白细胞 | 0.983 | 0.971 | 0.978 |
| 红细胞 | 0.991 | 0.989 | 0.985 |
| 血小板 | 0.962 | 0.941 | 0.947 |
4. PyQt界面开发
4.1 核心功能实现
主界面采用QDockWidget实现可浮动面板设计，主要功能模块：
python复制class MainWindow(QMainWindow):
def __init__(self):
# 中央视图区
self.image_view = GraphicsView()
# 左侧控制面板
self.control_panel = ControlPanel()
dock = QDockWidget("控制面板", self)
dock.setWidget(self.control_panel)
self.addDockWidget(Qt.LeftDockWidgetArea, dock)
# 底部结果展示
self.result_table = QTableWidget()
result_dock = QDockWidget("检测结果", self)
result_dock.setWidget(self.result_table)
self.addDockWidget(Qt.BottomDockWidgetArea, result_dock)
4.2 性能优化技巧
- 图像加载加速：
python复制# 使用QImageReader进行渐进式加载
reader = QImageReader(file_path)
reader.setAutoTransform(True)
image = reader.read() # 比直接QPixmap.load快40%
- 实时检测防卡顿：
python复制# 在子线程运行检测
class DetectThread(QThread):
finished = pyqtSignal(np.ndarray)
def run(self):
results = model(self.image)
self.finished.emit(results)
- 内存管理：
python复制# 及时释放大图像内存
def clear_memory():
QApplication.processEvents()
gc.collect()
5. 系统部署与测试
5.1 环境配置方案
推荐使用conda创建独立环境：
bash复制conda create -n bloodcell python=3.8
conda install pytorch==1.12.1 torchvision==0.13.1 -c pytorch
pip install pyqt5 opencv-python albumentations
5.2 典型测试案例
测试样本：某三甲医院提供的50张血涂片（含病理报告）
| 指标 | 人工计数 | 系统计数 | 误差率 |
|---|---|---|---|
| 白细胞(个/μL) | 6.8×10³ | 6.7×10³ | 1.47% |
| 红细胞(×10¹²/L) | 4.25 | 4.31 | 1.41% |
| 血小板(×10⁹/L) | 215 | 209 | 2.79% |
6. 常见问题排查
6.1 检测结果异常
现象：白细胞分类错误率高
排查步骤：
- 检查图像预处理参数（特别是CLAHE的clip_limit）
- 验证标注数据中是否存在类别不平衡
- 可视化模型注意力区域（使用Grad-CAM）
解决方案：
python复制# 在model.yaml中添加注意力模块
backbone:
[...]
- name: CBAM
args: [64, 7] # 在最后一层添加CBAM注意力
6.2 界面卡顿问题
现象：连续检测多张图像后界面无响应
原因分析：
- PyQt事件循环被阻塞
- GPU内存未及时释放
优化方案：
python复制# 增加内存监控线程
class MemoryMonitor(QThread):
def run(self):
while True:
used = get_gpu_memory()
if used > 0.8:
torch.cuda.empty_cache()
time.sleep(2)
7. 项目扩展方向
在实际使用过程中，我发现几个有价值的改进点：
- 动态ROI检测：先定位血涂片区域再检测细胞，可提升小目标检测精度约15%
- 异常细胞预警：添加二分类网络识别异常形态细胞
- 多模态数据融合：结合显微镜的Z轴调焦信息
一个实用的调试技巧：当遇到难以解释的检测错误时，使用以下代码可视化特征图：
python复制# 在YOLO的Detect层前插入hook
def hook(module, input, output):
plt.imshow(output[0,0].detach().cpu())
handle = model.model[-1].register_forward_hook(hook)
这个项目让我深刻体会到，医疗AI系统的开发不仅要考虑算法精度，更需要关注临床实际需求。比如检验科医生特别强调的"三类细胞比例可视化"功能，就是经过多次现场调研后加入的。建议后续开发者在算法优化之外，也要重视与领域专家的持续沟通。