1.一种结合深度学习与数字图像处理算法的血小板聚集检测方法，其特征在于，包括如下步骤：

(1)定位聚集区域

(1.1)制作血细胞显微图像数据集：采集出现血小板聚集现象的显微图像，将5个及以上血小板聚集成团的区域认定为血小板聚集区域，对图像中血小板聚集区域进行人工标注，得到具有血小板聚集区域的血细胞显微图像数据集；

(1.2)采用Faster‑RCNN神经网络构建目标检测模型，具体模型结构如下：目标检测模型主要由特征提取网络ResNet、区域建议网络RPN、RoiPooling模块和Classification模块组成；该目标检测模型的输入为血细胞显微图像，输出为识别目标置信度与血小板聚集区域检测框；

(1.3)将血细胞显微图像数据集划分为训练集与测试集，用于训练和测试目标检测模型，得到针对于血小板聚集区域的目标检测模型；训练完成后，选取测试准确度最高的模型作为针对血小板聚集区域目标检测的神经网络模型，应用该神经网络模型定位血小板聚集区域，返回该血小板聚集区域的矩形坐标以及识别结果的置信度；

(2)血小板分割并计数

(2.1)由步骤(1)定位到血小板聚集区域后，判断其识别结果的置信度，若置信度≥

0.6，则认为得到的区域确定为血小板聚集区域，若置信度小于0.6，则需要进一步判断该区域中的血小板数量是否≥5个；

(2.2)将上述置信度小于0.6的区域截取，经过染色的血涂片中血小板的颜色有别于背景及其他血细胞，通过设置颜色阈值将图片中除血小板之外的背景像素点三通道值全置为

0，从而提取出只含血小板的图像；

(2.3)将上述只含血小板的图像灰度化由三通道图像转为单通道图像，将单通道图像二值化，血小板像素点置为255，而背景像素点置为0；然后利用形态学操作中的腐蚀与膨胀操作过滤干扰像素，使血小板之间的边界更明显，计算图像中联通区域的个数，即血小板的个数，若血小板数量≥5个即认为该区域为血小板聚集区域。

2.根据权利要求1所述的血小板聚集检测方法，其特征在于，步骤(1.1)中，每张血细胞显微图像均用LabelImg软件进行标注，该标注包括包围血小板聚集区域的矩形框和类别，其中类别仅包括血小板一类。

3.根据权利要求1所述的血小板聚集检测方法，其特征在于，步骤(1.2)中，Faster‑RCNN神经网络中，特征提取网络Resnet利用卷积神经网络，提取输入图像的卷积特征；区域建议网络RPN用于生成一组矩形候选框，并对候选框进行二分类，一类为包含特征的候选框记为positive，一类为不包含特征的候选框记为negative，保留positive候选框；Roi Pooling模块结合positive候选框与输入图像的卷积特征，得到候选框范围内的卷积特征；

Classification模块对Roi Pooling模块得到的候选框范围内的卷积特征进行分类，得到类别概率即置信度，并对候选框进行回归计算，得到定位最准确的候选框作为检测框，即血小板聚集区域准确位置；特征提取网络Resnet采用Resnet50。

4.根据权利要求1所述的血小板聚集检测方法，其特征在于，步骤(2.3)中，联通区域为具有相同值且相邻的像素形成的区域，采用两遍扫描法搜索连通区域，从图像左上的像素点开始搜索，当遇到像素值为255的前景像素且其左邻域及上邻域不存在前景像素时赋予新标记label，然后label值加1；若遇到像素值为255的前景像素的左邻域或上邻域存在label，则将其标记为邻域中值较小的label；每次标记label时，记录该label所属的连通域；第二遍搜索时，将同一连通域中的label改为该连通域中值最小的label，搜索完成后具有相同label的像素组成一个连通区域，通过计算连通区域的个数即得到血小板的个数。