具体实施方式

下面将结合本发明实施例中的附图；对本发明实施例中的技术方案进行清楚、完整地描述；显然；所描述的实施例仅仅是本发明一部分实施例；而不是全部的实施例，基于本发明中的实施例；本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例；都属于本发明保护的范围。

在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”、“顶/底端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“套设/接”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例：

请参阅图1，一种基于深度学习识别HPV试纸的方法，包括以下步骤：

S1、图片处理：首先运行opencv工具读取图片，并将图片转换为二值化图片；

S2、数据增强：每次读取4张图片，对图片做出翻转、缩放、旋转变化相同的变换，并且按照四个方向位置摆好，进行图片的组合和框的组合，合成一张图片，在一个batch计算时计算4张图片的数据；

S3、模型训练：将数据增强的图片传入目标检测网络中，采用CBEAM注意力模块、SRFB结构、Soft-NMS算法进行训练；

S4、实现对试纸色带识别：最终保存的训练loss值最低的模型权重，进行模型权重加载，对操作，利用验证集检测网络的识别准确度，平均误差mse，在进行多次的训练后，使准确率和平均误差都达到最优，能够得到训练好的预设权重，加载出预设权重，对试纸色带进行识别。

请参阅图1，S3还包括以下步骤：

S31、运行前，先通过辅助装置进行漏电检测，保证运行环境的安全，接着将图片输入大小固定为416×416，优化器设置为Adam，学习率的衰减策略选择为余弦退火的衰减策略调整学习率，设置余弦退火的衰减策略的初始学习率为0.001，最高学习率为0.01，最低学习率为0.0001；

S32、网络训练迭代次数为500次，本次训练前400次，先冻结网络前170层的卷积层，对剩下的卷积层训练，最后100次开启所有卷积层，对所有卷积层进行训练；

S33、在网络中，CBEAM注意力模块该模块分别从通道和空间两个维度顺序提供注意力特征图，在CBEAM注意力模块中采用一种无降维的局部跨通道交互策略,给卷积神经网络带来明显的性能识别增益。

请参阅图3，S3中的CBEAM结构结合了CBAM注意力模块的优点，在通道注意力模块上衔接了一个空间注意力模块，同时考虑到了通道内信息交互和空间内信息交互，在CBEAM注意力模块中利用一维的稀疏卷积，优化通道注意力模块，使通道和权值直接对应，相比于CBAM注意力模块，避免降维对注意力特征图产生的负面影响，同时采用一维稀疏卷积，压缩注意力模块的参数量，提高计算效率，在CBEAM注意力模块中的通道注意力模块中，首先将输入进通道意力模块的特征图经过Global average pooling操作，然后将输出的结果进行一维卷积操作，最后经过Sigmoid激活操作，生成最终的通道注意力特征图(Channelattention feature map)，在CBEAM注意力模块中通道注意力模块是利用全局平均池化(Global average pooling)在空间维度上进行压缩，利用一维卷积获得每个通道的权重值，CBEAM注意力模块中通道注意力模块是在空间维度上的压缩，使特征图上的每一个像素点都有反馈，它利用一维卷积，让特征图在没有降维情况下，考虑到了每个通道的重要性，利用每个通道的重要性进行梯度的反向传播，在进行梯度的反向传播时，网络模型只与特征图相关的通道进行梯度的反馈，通道注意力模块的表达式为：

CBEAM注意力模块中空间注意力模块首先对输入的通道注意力特征图进行全局平均池化和全局最大池化(Global Maxpooling)聚合特征映射空间信息，然后把它们两个结果相加在一起，利用一个二维卷积，让特征图的通道数变为1，最后经过Sigmoid激活操作，生成最终的空间注意力特征图(Spation attention feature map)，空间注意力模块的表达式为：

其中σ为Sigmoid操作，f₁ ^3×3表示3×3卷积核大小的一维卷积层，f₂ ^7×7表示7×7卷积核大小的二维卷积层。

请参阅图6，S3中的SRFB结构利用了并行卷积的数量，进一步扩大提取特征时候卷积层的感受野，加强网络的特征提取能力，提高了模型的识别性能，在SRFB结构使用3×3卷积核的卷积层代替5×5卷积核的卷积层，使用1×n和n×1卷积核的卷积层去代替n×n卷积核的卷积层，利用这些操作让SRFB减少计算参数数量并且加深非线性层，在Soft-NMS中，它不会直接删掉得分比较低的预测框，首先它会进一步降低得分比较低的预测框的得分，然后它会设定一个阈值，删掉得分比较低的预测框，Soft-NMS算法使用一个高斯权重函数，如公式所示，将当前预测框得分乘以一个权重函数，该函数会衰减与最高得分预测框M有重叠的相邻预测框分数，越是与最高得分预测框M高度重叠的预测框，其得分衰减越严重，

本实施例中，在训练图片的时候，对图片大小进行等比例缩放或者利用填充，把图片大小变为416*416，传入目标检测网络里面，在预测会获得3个特征层的结果，推断出三个特征层的预测结果可以用矩阵表示，其矩阵的大小分别为(N,13,13,3×p),(N,26,26,3×p),(N,52,52,3×p)，网络把原图上划分为13×13、26×26、52×52的像素点，每个像素点有3个预测框的坐标偏移、置信度、分类结果，网络的预测框的坐标偏移还需要进行解码操作才能得到真实的坐标偏移，在解码时，获得的特征层预测的矩阵需要进行矩阵维度变换，变换后的矩阵大小为(N,13,13,3,p),(N,26,26,3,p)，(N,52,52,3,p)每一个像素点预测一个向量p，向量p组成为：

t_x，t_y，t_w，t_h分别表示预测框的左上角x轴坐标偏移量、左上角y轴坐标偏移量、预测框高的偏移量、预测框宽的偏移量，

在解码过程中，需要利用预测框的偏移量，求出预测框的左上角的x轴坐标、左上角的y轴坐标、预测框的高、预测框的宽，其中t_x，t_y，t_w，t_h与b_x、b_y、b_h、b_w的关系表达式为：

b_x＝Sigmid(t_x)+C_x

b_y＝Sigmid(t_y)+C_y

其中C_x，C_y表示先验框距离图片左上角x轴和y轴的偏移量，p_w和p_h表示先验框的长和宽，b_x、b_y、b_h、b_w分别表示预测框的左上角的x轴坐标、左上角的y轴坐标、预测框的高、预测框的宽，

p₀由下式得出：

Prob(object)表示的是物体处于预测框中的概率，表示的是预测框和真实框的交并比，表示需要预测的类别的概率，得到的预测框不断通过损失函数的优化。

请参阅图2和图7-8，S31中的辅助装置包括安装框1，安装框1内安装有机体2，且机体2的前壁靠近底部处安装有电源线3，电源线3上安装有漏电传感器7，电源线3上套设有安装套4，且安装套4上安装有警报灯5，漏电传感器7和警报灯5之间通过信号连接，安装套4由绝缘材质制成，且安装套4上涂刷有隔热层6，安装框1的左侧靠近顶部处安装有第一散热风扇8，安装框1的右侧靠近底部处安装有第二散热风扇9，第一散热风扇8为负压风扇，且第二散热风扇9为正压风扇，机体2的前壁安装有若干个散热板14，且若干个散热板14均沿竖直方向呈线性分布，散热板14由金属铜材质制成，且散热板14的表面涂刷有防锈漆，散热板14上开设有若干个散热孔10，且若干个散热孔10内均安装有形变记忆囊体11，形变记忆囊体11的内部为空心设置，形变记忆囊体11内填充有冷却水，且冷却水的填充度为50％-60％，散热孔10内靠近顶部处固定连接有防尘框12，防尘框12内固定连接有防尘网13，防尘框12内部为空心设置，防尘框12内填充有二氧化碳气体，防尘网13由隔热材质制成，可以实现在机体2识别HPV试纸时，先通过漏电传感器7检测电源线3是否发生漏电现象，若发生漏电现象，通过信号连接将信息反馈到警报灯5上进行报警，安装套4采用绝缘材质制成配合隔热层6，可起到绝缘隔热的作用，避免对警报灯5造成影响，保证工作的安全性，同时在其工作时，第二散热风扇9为正压风扇，实现将气流吹到机体2内，使机体2内部的气压升高，而第一散热风扇8为负压风扇，实现抽取机体2内空气向外部导出，令机体2内部的气压降低，通过相互抵消，保证均压通风，避免机体2部分区域发生热量淤积，影响其工作，且金属铜材质的散热板14的具有良好的导热性，实现将机体2上产生的热量引导过来，并且防锈漆起到防锈的作用，避免散热板14生锈影响其散热功能，使得散热孔10内的形变记忆囊体14受热发生膨胀至与具有防尘作用的防尘框12和防尘网12相接触，同时形变记忆囊体14内的冷却水受热汽化变成水蒸气进行吸热，并随着形变记忆囊体14的受热膨胀，体积变大，向上流动，而防尘框12内的二氧化碳气体可以吸取热量并进行隔热配合隔热材质的防尘网13可以起到良好的隔热作用，故上方温度较低，水蒸气开始凝结成水珠，而随着水珠的凝结聚集开始滴落下来，实现循环利用，有效的增强了其散热效果。

请参阅图8，形变记忆囊体11由高分子形状记忆材料材质制成，且形变记忆囊体11在常温下为收缩状态，形变记忆囊体11上涂刷有耐腐蚀漆，高分子形状记忆材料材质制成的形变记忆囊体11在高温和低温都有相应的相形状，耐腐蚀漆可以起到防腐蚀的作用，避免形变记忆囊体11损坏，使冷却水溢出。

本发明在使用时，首先在机体2识别HPV试纸时，先通过漏电传感器7检测电源线3是否发生漏电现象，若发生漏电现象，通过信号连接将信息反馈到警报灯5上进行报警，保证工作的安全性，同时在其工作时，第二散热风扇9为正压风扇，实现将气流吹到机体2内，使机体2内部的气压升高，而第一散热风扇8为负压风扇，实现抽取机体2内空气向外部导出，令机体2内部的气压降低，通过相互抵消，保证均压通风，避免机体2部分区域发生热量淤积，影响其工作，且散热板14实现将机体2上产生的热量引导过来，使得散热孔10内的形变记忆囊体14受热发生膨胀至与具有防尘作用的防尘框12和防尘网12相接触，同时形变记忆囊体14内的冷却水受热汽化变成水蒸气进行吸热，并随着形变记忆囊体14的受热膨胀，体积变大，向上流动，而防尘框12内的二氧化碳气体可以吸取热量并进行隔热配合隔热材质的防尘网13可以起到良好的隔热作用，故上方温度较低，水蒸气开始凝结成水珠，而随着水珠的凝结聚集开始滴落下来，实现循环利用，有效的增强了其散热效果。

以上所述；仅为本发明较佳的具体实施方式；但本发明的保护范围并不局限于此；任何熟悉本技术领域的技术人员在本发明揭露的技术范围内；根据本发明的技术方案及其改进构思加以等同替换或改变；都应涵盖在本发明的保护范围内。