Настоящее исследование изучает влияние уровней освещения на точность классификации микроскопических изображений клеток и предлагает новый подход для диагностики лейкоцитов на основе глубокого обучения. Предлагаемый метод интегрирует статистические текстурные признаки, извлечённые из полутоновых изображений с помощью матрицы совпадения уровней серого (GLCM) и локальных бинарных шаблонов (LBP), с модулем внимания CBAM в гибридной архитектуре, построенной на модели VGG16. В данной архитектуре визуальная (RGB) и структурная (текстурная) информация обрабатываются параллельно, что позволяет получать более глубокие и информативные представления для классификации. Впервые в рамках такого подхода детально оценено влияние вариаций освещения на микроскопические изображения, а производительность модели протестирована в условиях множественных режимов освещения.
В ходе исследования были смоделированы девять режимов освещения путём регулировки уровня освещения от –80 до +80 %, и классификационная эффективность модели всесторонне оценена для каждого условия. Согласно результатам, минимальное количество ошибок классификации (11 ошибок) зафиксировано при уровне освещения +80, что позволило идентифицировать данный режим освещения как оптимальный для достижения наивысшей точности модели. По усреднённым метрикам производительности модель продемонстрировала выдающийся результат: точность 99,46 %, F1‑мера 2 99,33 %, полнота 99,27 %, специфичность 99,87 %. Особо следует отметить практически безупречную классификацию эозинофилов и базофилов.
Установлено, что гибридизация механизма внимания CBAM с текстурными признаками существенно повышает эффективность классификации. Устойчивость модели к вариациям освещения подтверждена матрицами ошибок и подсчётом неверных классификаций, что подчёркивает критическую роль условий освещения в анализе микроскопических изображений. Таким образом, исследование вносит инновационный вклад в литературу как в области оптимизации освещения, так и интеграции разнородных признаков.
1. Kutlu, H., Avci, E., Özyurt, F. White blood cells detection and classification based on regional convolutional neural networks // Medical Hypotheses, 2020, Vol. 135, # 1, p. 109472.
2. Sengur, A. et al. White Blood Cell Classification Based on Shape and Deep Features // 2019 International Conference on Artificial Intelligence and Data Processing Symposium, IDAP 2019, 2019, 6 p.
3. Navya, K.T., Prasad, K., Singh, B.M.K. Classification of blood cells into white blood cells and red blood cells from blood smear images using machine learning techniques // 2021 2nd Global Conference for Advancement in Technology, GCAT 2021, 2021, 7 p.
4. Alkafrawi, I.M.I., Dakhell, Z.A. Blood Cells Classification Using Deep Learning Technique // Proceedings – 2022 International Conference on Engineering and MIS, ICEMIS 2022, 2022, 5 p.
5. Al-Dulaimi, K. et al. Segmentation of White Blood Cell, Nucleus and Cytoplasmin Digital Haematology Microscope Images: A Review-Challenges, Current and Future Potential Techniques // IEEE Reviews in Biomedical Engineering, 2021, Vol. 14, pp. 290–306.
6. Khouani, A. et al. Automated recognition of white blood cells using deep learning // Biomedical Engineering Letters, 2020, Vol. 10, # 3, pp. 359–367.
7. Jiang, M. et al. White Blood Cells Classification with Deep Convolutional Neural Networks // International Journal of Pattern Recognition and Artificial Intelligence, 2018, Vol. 32, # 9, 21 p.
8. Khan, S. et al. Efficient leukocytes detection and classification in microscopic blood images using convolutional neural network coupled with a dual attention network // Computers in Biology and Medicine, 2024, Vol. 174, p. 108146.
9. Fırat, H. Classification of microscopic peripheral blood cell images using multibranch lightweight CNN-based model // Neural Computing and Applications, 2024, Vol. 36, # 4, pp. 1599–1620.
10. Vogado, L. et al. Leukemia diagnosis in blood slides using transfer learning in CNNs and SVM for classification // Engineering Applications of Artificial Intelligence, 2018, Vol. 72, pp. 415–422.
11. Palta, O., Çıbuk, M., Güldemir, H. Image Enhancement In White Blood Cells Using Hybrid (Chale+Gauss) Filter And Flask-Based Web Service Integration // 7th International Mediterranean Congress, 2025, pp. 897–906.
12. Palta, O., Çıbuk, M., Güldemir, H. Deep Learning-Based Classification Of White Blood Cells: An Ensemble Model Approach // 7th International Mediterranean Congress, 2025, pp. 262–270.
13. Cengiz, M.S., Cengiz, Ç. Numerical Analysis of Tunnel Led Lighting Maintenance Factor // International Journal of University Missions and Emigrations Journal, 2018, Vol. 19, # 2, pp. 154–163.
14. Cengiz, Ç. Relationship of Braking Distance and Rear Headlight on Highways // Light & Engineering, 2024, Vol. 32, # 2, pp. 29–36.
15. Cengiz, Ç., Aydoğdu, H. GAMMA renewal functions in censored data // Bitlis Eren University Journal of Science and Technology, 2015, Vol. 5, # 2, pp. 97–101.
16. Efe, S.B., Varhan, D. Interior Lighting of a Historical Building by Using LED Luminaires A Case Study of Fatih Pasha Mosque // Light & Engineering, 2020, Vol. 28, # 4, pp. 77–83.
17. Cengiz, M.S. Effects of Luminaire Angle and Illumination Topology On Illumination Parameters In Road Lighting // Light & Engineering, 2020, Vol. 28, # 4, pp. 47–56.
18. Rüstemli, S., Cengiz, M.S. Active Filter Solutions in Energy Systems // Turkish Journal of Electrical Engineering and Computer Sciences, 2015, Vol. 23, # 6, pp. 1587–1607.
19. Cengiz, M.S. The Relationship between Maintenance Factor and Lighting Level in Tunnel Lighting // Light & Engineering, 2019, Vol. 27, # 3, pp. 75–88.
20. Guler, O., Onaygil, S. The Effect of Luminance Uniformity on Visibility Level in Road Lighting // Lighting Research & Technology, 2003, Vol. 35, # 3, pp. 199–215.
21. Cengiz, M.S., Rüstemli, S. Passive Filter Solutions and Simulation Performance in Industrial Plants // Bitlis Eren University Journal of Science and Technology, 2016, Vol. 6, # 1, pp. 39–43.
22. Wu, P. et al. Spectral-level assessment of light pollution from urban façade lighting // Sustainable Cities and Society, 2023, Vol. 98, p. 104827.
23. Duranay, Z.B., Guldemir, H. Power Prediction in Photovoltaic Systems with Neural Networks: A Multi-Parameter Approach // Applied Sciences, 2025, Vol. 15, # 7, p. 3615.
24. Dişli, F. et al. Epilepsy Diagnosis from EEG Signals Using Continuous Wavelet Transform-Based Depthwise Convolutional Neural Network Model // Diagnostics, 2025, Vol. 15, # 1, p. 84.
25. Aliser, A., Duranay, Z.B. Fire/Flame Detection with Attention-Based Deep Semantic Segmentation // Iranian Journal of Science and Technology – Transactions of Electrical Engineering, 2024, Vol. 48, # 2, pp. 705–717.
26. Praharsha, C.H., Poulose, A. CBAM VGG16: An efficient driver distraction classification using CBAM embedded VGG16 architecture // Computers in Biology and Medicine, 2024, Vol. 180, 12 p.
27. Li, H. et al. Reducing Video Coding Complexity Based on CNN-CBAM in HEVC // Applied Sciences, 2023, Vol. 13, # 18, p. 10135.
28. Cömert, Z., Efil, F., Türkoğlu, M. Convolutional Block Attention Module and Parallel Branch Architectures for Cervical Cell Classification // International Journal of Imaging Systems and Technology, 2025, Vol. 35, # 2, 15 p.
29. Göçmen, R., Çıbuk, M., Akin, E. Comparative Analysis of Deep Learning Algorithms in Fire Detection // Balkan Journal of Electrical and Computer Engineering, 2024, Vol. 12, # 3, pp. 255–261.
30. Erdem, B., Karabatak, M. Cheating Detection in Online Exams Using Deep Learning and Machine Learning // Applied Sciences, 2025, Vol. 15, # 1, p. 400.
31. Wang, S., Zhang, X., Zhao, R. Lightweight CNN-CBAM-BiLSTM EEG emotion recognition based on multiband DE features // Biomedical Signal Processing and Control, 2025, Vol. 103, 10 p.
32. Acevedo, A. et al. Recognition of peripheralblood cell images using convolutional neural networks // Computer Methods and Programs in Biomedicine, 2019, Vol. 180, p. 105020.
33. Kaynaklı, M., Palta, O., Cengiz, Ç. Solar Radiation and Temperature Effects on Agricultural Irrigation Systems // Bitlis Eren University Journal of Science and Technology, 2016, Vol. 6, # 1, pp. 53–58.
34. Cengiz, M.S. Simulation and Design Study for Interior Zone Luminance in Tunnel Lighting // Light & Engineering, 2019, Vol. 27, # 2, pp. 42–51.
35. Yurci, Y. et al. The performance-cost effect of the scada system on distribution networks // IOSR Journal of Electrical and Electronics Engineering, 2016, Vol. 11, # 6, pp. 32–38.
36. Cengiz, Ç. The Relationship Between Electricity Consumption From Outdoor Lighting and Economic Growth // Light & Engineering, 2024, Vol. 32, # 4, 8 p.
37. Macawile, M.J. et al. White blood cell classification and counting using convolutional neural network // 2018 3rd International Conference on Control and Robotics Engineering, ICCRE 2018, 2018, pp. 259–263.
38. Çınar, A., Tuncer, S.A. Classification of lymphocytes, monocytes, eosinophils, and neutrophils on white blood cells using hybrid Alexnet-GoogleNet-SVM // SN Applied Sciences, 2021, Vol. 3, # 4, 11 p.
39. Habibzadeh Motlagh, M. et al. Automatic white blood cell classification using pretrained deep learning models: ResNet and Inception // Proceedings of SPIE, 2018, Vol. 10696, pp. 274–281.
40. Vogado, L.H.S. et al. Leukemia diagnosis in blood slides using transfer learning in CNNs and SVM for classification // Engineering Applications of Artificial Intelligence, 2018, Vol. 72, pp. 415–422.
41. Hegde, R.B. et al. Feature extraction using traditional image processing and convolutional neural network methods to classify white blood cells: a study // Australasian Physical & Engineering Sciences in Medicine, 2019, Vol. 42, # 2, pp. 627–638.
42. Sharma, S. et al. Deep Learning Model for the Automatic Classification of White Blood Cells // Computational Intelligence and Neuroscience, 2022, Vol. 2022, # 1, p. 7384131.
43. Chen, Y. et al. DAFFNet: A dual attention feature fusion network for classification of white blood cells // Biomedical Signal Processing and Control, 2025, Vol. 106, p. 107699.
44. Fan, H. et al. LeukocyteMask: An automated localization and segmentation method for leukocyte in blood smear images using deep neural networks // Journal of Biophotonics, 2019, Vol. 12, # 7, p. e201800488.
45. Khalil, A.J., Abu-Naser, S.S. Diagnosis of Blood Cells Using Deep Learning // International Journal of Academic Engineering Research, 2022, Vol. 6, # 2, pp. 69–84.

• Предыдущая статья
• Следующая статья

• освещение
• CBAM
• CNN
• глубокое обучение
• классификация лейкоцитов
• анализ микроскопических изображений