Page 15 - 南京医科大学自然版

第44卷第9期 张瀚文，曹维娟，罗刚银，等. 基于改进型U⁃Net的变色油墨血浆判别模型［J］.
2024年9月 南京医科大学学报（自然科学版），2024，44（9）：1179-1189 ·1187 ·

表2 运行10次的平均消融实验
Table 2 Average ablation experiments conducted ten times

Discriminant method
Model Acc（%） Pre（%） Re（%） T（ms）
CA BN Padding S⁃channel
U⁃Net - - - √ 91.30 094.44 91.54 1 519.26
Model_1 √ - - √ 87.92 092.68 87.69 1 307.49
Model_2 - √ - √ 85.51 090.32 86.15 965.17
Model_3 - - √ √ 83.57 089.34 83.85 1 489.24
Model_4 √ √ - √ 97.58 098.45 97.69 641.59
Model_5 √ - √ √ 97.26 099.21 96.92 685.34
Model_6 - √ √ √ 93.72 095.35 94.62 679.11
UCSS √ √ √ √ 99.03 100.00 98.46 617.02
√ represents the application of this module in the model；- represents not used.

2.3 模型对比 传统机器学习在疑似溶血判别方面具有很高
为了验证 UCSS 模型对血浆判别的改进效果， 的准确性，本研究模型的测试集与 U+Net⁃PcA⁃
本研究所提方法与 U+Net⁃PcA⁃SVM、U+Net⁃PcA⁃ SVM、U+Net⁃PcA⁃KNN 2 种分类算法相比，Acc 分别
KNN传统机器学习方法进行对比试验，本研究方法 提高了 0.48%和 1.46%，Pre 分别提高了 0.78%和
在Acc、Pre、Re和T上仍然具有优势，模型对比评价 0%，Re 分别提高了 0%和 2.31%，T 分别缩短了
指标见表3所示。 255.97 ms 和 232.55 ms。表明本研究模型在评价指

表3 运行10次的平均模型对比
Table 3 Comparison of average models running 10 times
Training set Testing set
Model
Acc（%） Pre（%） Re（%） T（ms） Acc（%） Pre（%） Re（%） T（ms）
U⁃Net⁃PCA⁃SVM 99.03 099.23 99.23 792.21 98.55 099.22 98.46 872.99
U⁃Net⁃PCA⁃KNN 98.07 099.22 97.69 776.52 97.57 100.00 96.15 849.57
UCSS 99.52 100.00 99.23 586.38 99.03 100.00 98.46 617.02

标方面优于其他2种传统机器学习方法，在模型计算
时间上较其他2种模型快约0.2 s。
2.4 迁移部署
将改进型U⁃Net、CCI 限界算法通过C++迁移部
署至微型主机树莓派中，实现本研究所提方法的自
动化运行，所有样本的状态与判别结果均存于数据
库中，软件运行界面如图 11 所示。首先，通过扫码
设备获取血浆样本编号；然后，履带式自动化设备 图11 判别结果例图
启动，将血浆样本运送至机器视觉视野下；随后，通 Figure 11 Example diagram of discrimination results
过本研究方法判别疑似溶血与非溶血血浆；最后，
合格血浆继续向前运行落筐，疑似溶血血浆由系统 法在血浆品质分类预测中具有可行性。UCSS 模型
中的机械手臂推送至另一筐中。 训练集的Acc高达99.52%，运行时间最短。其他3个
模型训练集的 Acc 也均超过 90%，显示出良好的性
3 讨 论
能。相比之下，UCSS 模型与 UCSALL、UCSH、UCSV
由于血浆判别经验尺度不一、主观因素过重， 3 种模型的 Acc 梯度差值分别为 0.33%、0.81%和
通过改进型 U⁃Net CCI 限界法能够快速判别血浆品 6.46%，显示出 UCSS 模型在 Acc 方面的优势。在测
质，并对本研究模型进行交叉分析验证，表明该方 试集中，UCSS 模型同样以 99.03%的 Acc 保持领先，