3.根據(jù)權(quán)利要求2所述的精子存活率檢測(cè)方法，其特征在于，所述S103中在TensorFlow框架下，采用ResNet50-ssd網(wǎng)絡(luò)模型對(duì)訓(xùn)練圖像集進(jìn)行訓(xùn)練的方法包括：

調(diào)節(jié)ssd的網(wǎng)絡(luò)結(jié)構(gòu)，將基礎(chǔ)網(wǎng)絡(luò)替換為ResNet50網(wǎng)絡(luò)，并調(diào)節(jié)相應(yīng)的訓(xùn)練參數(shù)：學(xué)習(xí)率、訓(xùn)練圖像數(shù)量、迭代次數(shù)、選擇優(yōu)化器和選擇損失函數(shù)；

進(jìn)行先驗(yàn)框匹配，對(duì)訓(xùn)練圖像中每個(gè)真實(shí)目標(biāo)，找到與其IOU最大的先驗(yàn)框與其匹配，其中IOU的公式為：其中area為真實(shí)目標(biāo)框和先驗(yàn)框交集面積，area1為真實(shí)目標(biāo)框的面積，area2為先驗(yàn)框的面積；

確定損失函數(shù)，損失函數(shù)為位置誤差與置信度誤差的加權(quán)和，公式為：其中L為損失函數(shù)，其中x∈{1,0}是先驗(yàn)框的正樣本數(shù)量，這里x為一個(gè)指示參數(shù)，當(dāng)x＝1時(shí)表示先驗(yàn)框與真實(shí)框匹配，c為類別置信度預(yù)測(cè)值，l為先驗(yàn)框的所對(duì)應(yīng)邊界框的位置預(yù)測(cè)值，而g是真實(shí)框的位置參數(shù)；

進(jìn)行數(shù)據(jù)擴(kuò)增，數(shù)據(jù)擴(kuò)增采用水平翻轉(zhuǎn)、隨機(jī)裁剪加顏色扭曲和隨機(jī)采集塊域即獲取小目標(biāo)訓(xùn)練樣本；

進(jìn)行預(yù)訓(xùn)練，對(duì)于每個(gè)預(yù)測(cè)框，首先根據(jù)類別置信度確定其類別與置信度值，并過(guò)濾掉屬于背景的預(yù)測(cè)框，然后根據(jù)置信度閾值過(guò)濾掉閾值較低的預(yù)測(cè)框，對(duì)于留下的預(yù)測(cè)框進(jìn)行解碼、修剪，根據(jù)先驗(yàn)框得到其真實(shí)的位置參數(shù)，解碼之后需要根據(jù)置信度進(jìn)行降序排列，然后僅保留最優(yōu)k個(gè)預(yù)測(cè)框，最后就是進(jìn)行NMS算法，過(guò)濾掉重疊度較大的預(yù)測(cè)框，最后剩余的預(yù)測(cè)框就是檢測(cè)結(jié)果。