1.基于深度学习的宫颈液基细胞检测与识别方法，其特征在于，包括；

S1、采集宫颈液基细胞图像数据，并经裁剪生成子图像集；

S2、对宫颈液基细胞病理图像的子图像集使用矩形框作为边界框进行异常细胞标注；

将异常细胞标注的信息保存为txt格式，保存内容包括标注矩形框的类别号和中心点坐标以及边界框的宽和高，将边界框的中心点坐标、宽、高做归一化处理；

S3、将标注完成的数据进行数据增强处理得到数据集，再将数据集划分为训练集、验证集和测试集；

S4、通过数据集对改进的YOLOv5网络模型进行训练、验证和测试，得到训练好的改进的YOLOv5网络模型；

所述改进的YOLOv5网络模型包括骨干网络、特征融合模块和头部网络；在特征融合模块的上采样操作后添加可变形卷积ODConv模块和辅助检测解耦头；

S5、将待分析宫颈液基细胞病理图像输入训练好的改进的YOLOv5网络模型进行识别；

所述改进的YOLOv5网络模型的特征融合模块的上采样方式采用改进的双线性插值方法，具体如下：在边界框中获取四个相邻像素点 组成的区域，四个相邻像素点为两行两列分布，先在X轴上做一次线性变换，求出每一行的像素点R点：（1）；

（2）；

在Y轴上再做一次线性变换求出该区域的P点：（3）；

P点表示求得的R1和R2两个像素点在Y轴上做一次线性变换得到的像素插值点， 为、 的横坐标值， 为 、 的横坐标值， 为 、 的纵坐标值， 为 、 的纵坐标值， ；

汇总成计算公式f(x,y)：

（4）；

通过P点的位置计算与 的欧氏距离；

选取离P点距离最远的一个点Q记为D点，再进行一次线性插值；

点D与点P进行线性插值，公式为：

（6）

1‑ （7）

（8）；

式中， 代表点D的像素值， 代表点P的像素值， 代表点D横坐标值， 代表点D纵坐标值，为P点横坐标值，为P点纵坐标值，代表T点横坐标值， 代表T点纵坐标值，表示权重， 为计算得出插入点T的像素值，其中D点与P点为求出的插值点。

2.根据权利要求1所述的基于深度学习的宫颈液基细胞检测与识别方法，其特征在于，在所述改进的YOLOv5网络模型的头部网络中采用改进的非极大值抑制算法抑制检测时冗余的边界框具体为：S41：设定边界框的置信度阈值、IOU阈值；

S42：根据置信度降序排序边界框生成候选框列表；

S43：计算候选框列表的平均重叠度；

S44：判断平均重叠率是否大于额定重叠率，所述额定重叠率为0.5；

S45：当平均重叠度<额定重叠率时，选取置信度最高的候选框A添加到输出列表，并将其从候选框列表中删除；

然后计算候选框A与候选框列表中的所有候选框的IOU值，删除大于IOU阈值的候选框；

保留小于IOU阈值的候选框；

S46：当平均重叠度≥额定重叠率时，选取置信度最高的框A添加到输出列表，并将其从候选框列表中删除；

然后计算候选框A与候选框列表中所有框的IOU值，对于大于IOU阈值的候选框，选择置信度高于置信度阈值的候选框，通过降低得分策略来降低它们的置信度并保留；保留小于IOU阈值的候选框；

S47：重复上述过程，直到所有的候选框都被处理完毕。

3.根据权利要求2所述的基于深度学习的宫颈液基细胞检测与识别方法，其特征在于，所述平均重叠度的计算具体为：S431：计算选中的候选框与其他所有候选框的重叠面积；

S432：计算选中的候选框与其他所有候选框的重叠面积与选中的候选框自身面积的比例；

S433：将候选框列表中的所有候选框的重叠率加总，并除以候选框的总数，得到平均重叠率；

具体计算平均重叠率的公式如下：

（9）

其中， 表示目标候选框之间的重叠面积， 表示目标候选框的面积，表示目标候选框的总数。

4.根据权利要求2所述的基于深度学习的宫颈液基细胞检测与识别方法，其特征在于，所述异常细胞标注具体包括：低度鳞状上皮内病变细胞、意义不明确的非典型鳞状上皮细胞、高度鳞状上皮内病变、非典型性腺细胞、子宫腺癌细胞、线索细胞。

5.基于深度学习的宫颈液基细胞检测与识别系统，所述系统用于实现如权利要求1‑4中任一项所述的基于深度学习的宫颈液基细胞检测与识别方法，其特征在于，包括医学图像裁剪模块、图像标注模块、划分数据模块、图像增强模块、网络训练模块、目标检测模块；

医学图像裁剪模块：将采集的宫颈液基细胞图像进行裁剪；

图像标注模块：对图像数据进行标注，并上传图像到系统，直到图像数据全部标注完成；

划分数据模块：对图像数据集进行数据集划分，随机划分为训练集、验证集、测试集，划分比例可以自定义；

图像增强模块：对数据集进行数据增强，包括但不限于内切圆旋转图像增强、图像四分增强、高斯滤波、图像旋转、以及灰度直方图均衡；

网络训练模块：将数据增强后的图像数据输入改进的YOLOv5网络模型进行模型训练，所述改进的YOLOv5网络模型的特征融合模块的上采样方式采用改进的双线性插值方法；

目标检测模块：对待测图像批量检测，并通过系统显示页面显示全部测试图像的异常细胞类别的个数以及自动进行统计。