CN108822186A - 一种分子生物学试验用提取研钵及其提取方法 - Google Patents
一种分子生物学试验用提取研钵及其提取方法 Download PDFInfo
- Publication number
- CN108822186A CN108822186A CN201810735765.8A CN201810735765A CN108822186A CN 108822186 A CN108822186 A CN 108822186A CN 201810735765 A CN201810735765 A CN 201810735765A CN 108822186 A CN108822186 A CN 108822186A
- Authority
- CN
- China
- Prior art keywords
- particle
- image
- mortar
- module
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- C—CHEMISTRY; METALLURGY
- C07—ORGANIC CHEMISTRY
- C07K—PEPTIDES
- C07K1/00—General methods for the preparation of peptides, i.e. processes for the organic chemical preparation of peptides or proteins of any length
- C07K1/14—Extraction; Separation; Purification
- C07K1/145—Extraction; Separation; Purification by extraction or solubilisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Organic Chemistry (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Genetics & Genomics (AREA)
- Medicinal Chemistry (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明属于生物试验领域,公开了一种分子生物学试验用提取研钵及其提取方法,通过供电模块对蛋白质体系提取工艺中设备进行供电;通过温度检测模块、湿度检测模块检测控制蛋白质体系提取工艺中环境温度、湿度数据;通过摄像模块采集蛋白质体系提取过程图像数据;通过显示模块显示检测的数据信息及监控图像内容。本发明提供的提取研钵在使用时省时省力,其中研钵棒采用的硬质塑料材质,可以随时更换,研钵球上的凸起可以增大对试剂的摩擦力,是研磨更加彻底,顶盖通过卡扣固定在研钵体上,防止试剂外露,也防止外部环境对内部的污染,增加其安全性。
Description
技术领域
本发明属于生物试验技术领域,尤其涉及一种分子生物学试验用提取研钵 及其提取方法。
背景技术
目前,业内常用的现有技术是这样的:
分子生物学是从分子水平研究生物大分子的结构与功能从而阐明生命现象 本质的科学。自20世纪50年代以来,分子生物学是生物学的前沿与生长点, 其主要研究领域包括蛋白质体系、蛋白质-核酸体系和蛋白质-脂质体系。常见的 分子生物学试验主要有:CR分子克隆核酸电泳、琼脂糖凝胶电泳测序DNA、 RNA提取、转化外源DNA体外转录、逆转录cDNA文库构建、原位杂交、酵 母双杂交、差减杂交、扣除杂交、蓝白斑筛选、抗生素筛选、基因工程技术等 都是依据分子生物学原理设计出来的。研钵的作用就是把固体研碎或使固体混 合均匀,化验室、制药厂、化工实验室的高级研磨用,其耐压强度高、耐酸碱。 研磨后不会有任何乳钵本体物质混入被研磨物中。只能压碎不能舂碎,不作反 应器;不能研磨易爆物,装物最多占容积的1/3。研钵是实验中研碎实验材料的 容器,配有钵杵。常用的为瓷制品,也有由玻璃、铁、玛瑙、氧化铝材料制成 的研钵。用于研磨固体物质或进行粉末状固体的混和。其规格用口径的大小表 示。硬质材料(如瓷或黄铜)制成的通常是碗状的小器皿,用杵在其中将物质捣碎 或研磨。规格有:研钵有普通型(浅型)和高型(深型)2种;中学常用瓷质或玻璃 研钵,其规格以口径表示,常用60mm和90mm 2种。
综上,现有技术存在的问题是:
主体稳定性差,研磨不够彻底,易造成浪费,封闭性较差,容易造成试剂 污染。
现有蛋白质体系提取工艺中设备参数控制中,智能化程度低。
现有技术的温度湿度调整中,由于采用PID控制算法易产生超调,且不 具备在线调整参数能力,自适应能力差。
蛋白质体系提取工艺中的过程图像提取中,PSO在实际应用中求解高维空间 函数时容易出现局部范围内徘徊、后期收敛速度慢,造成图像获得效果差。 造成分子生物的成分被破坏。影响实验效果。
发明内容
针对现有技术存在的问题,本发明提供了一种分子生物学试验用提取研钵 及其提取方法。
本发明是这样实现的,一种分子生物学试验用提取方法,所述分子生物学 试验用提取方法包括:
检测控制蛋白质体系提取工艺中环境温度、湿度数据;环境温度采集控制 中,引入粒子群优化算法进行PID参数的合理优化;假定Xit为t时刻第 i个粒子的位置,Vit为t时刻第i个粒子的速度,Sit为t时刻第i个 粒子的最优位置;Stg为t时刻的全局位置,则则粒子i在t+1时刻的位置 描述为 式中:为t时刻第i个粒子在第D 维空间的度,为t时刻第i个粒子在第D维空间的最优位置,为t 时刻第i个粒子在第D维空间的位置,r1、r2为分布在(0,1)区间的 两个独立随机数;c1、c2为学习因子,w为惯性权重;
采集蛋白质体系提取过程图像数据;提取蛋白质体系过程图像数据中利用 求解互信息的联合直方图法,重新定义联合直方图中的h(e,g)以及粒子的速 度和位移更新公式,进行蛋白质体系过程图像数据预处理;粒子的速度和位移 更新公式:其中,v表示粒子速度,t表示时间,i表示第i个粒子,j表示第j个路径,w 是惯性权重,c1、c2表示学习因子,pi,j表示第i个粒子经历过的最好位置,pg,j表示群体所有微粒经历过的最好位置,其中e,g分别为待匹配路径和模板路径, h(e,g)表示在最优路径e出现的位置上,在历史路径相应的位置g出现的次数; 通过粒子的速度和位移更新公式更新粒子的速度和位移,找到优解,优解 公式为:xi,j表示第i个粒子第j个路径所需要更新的位 移,xi,j(1)表示的是xi,j的下一个,每次都在变化,下一次就为xi,j(2);
进行蛋白质体系过程图像数据预处理后,提取颜色特征和自适应LBP算子 特征;对原始训练集中包含的原始训练样本图像进行二维判别特征学习;
通过紧凑局部类内散度和分离局部类间散度,进行图像特征学习建模,保 持图像像素间的拓扑结构和内在相关性;通过优化一个特征分解,得到用于图 像样本的二维鲁棒特征提取的投影矩阵;为:
已知M维的投影矩阵V=[V1,V2,…,VN],其中Vj=νj,j=1,2,…,N,找到适当的投影的M×L的基矩阵W=[W1,W2,…,WN]和L×N的系数矩阵H=[H1,H2,…,HN],使得:
V≈WH
公式(1)表示为向量标量积的形式:
对于给定的M维数据向量VM×N的集合,其中N为集合中数据样本的个数,分解 为两个矩阵WM×L和矩阵HL×N,这两个矩阵的积就近似于VM×N;选择L小于M或N, 使W和N小于原始矩阵V,使分解矩阵降低原始数据矩阵V的维度;
在投影矩阵分解算法中,通过NMF应用于图像融合;所述NMF算法通过迭代 运算方法对原始数据矩阵V得到一个基于部分的近似表示形式WH;其中,W的列 数即特征基的数量r是一个待定量,直接决定特征子空间的维数;对于特定的数 据集,隐藏在数据集内部的特征空间的维数是确定的;当选取的r与实际数据集 的特征空间的维数一致时,所得到的特征空间以及特征空间的基最有意义;当 r=1时,通过迭代算法将得到唯一的一个含有源数据全部特征的特征基;
假设有k幅来自于多几何图像识别器的大小为m×n的观测图像f1,f2,…,fk,将 每副观测图像的元素逐行存储到一个列向量中,得到一个mn×k的矩阵V,V中包 含k个列向量v1,v2,...,vk,每个列向量代表k幅观测图像中的一幅图像的信息,如公 式(3)所示;对这个观测矩阵V进行投影矩阵分解,分解时取r=1,得到一个唯 一的特征基W;此时的W包含参与融合的k幅图像的完整特征,将特征基W还原到 源图像的像素级上得到比源图像效果都好的图像;
其中,所述原始训练样本为具有与该原始训练样本的类别对应的类别蛋白 质体系的样本。
进一步,所述的蛋白质体系提取工艺中设备参数控制方法具体包括:
通过供电模块对蛋白质体系提取工艺中设备进行供电;
通过温度检测模块、湿度检测模块检测控制蛋白质体系提取工艺中环境温 度、湿度数据;
通过摄像模块采集蛋白质体系提取过程图像数据;
通过显示模块显示检测的数据信息及监控图像内容。
进一步,粒子群优化算法通过迭代搜寻每个粒子的当前最优解,采用适应 度函数评价解的优劣程度;粒子的适应度函数为
式中:Zi,j为第i个样本的第j个理想输出值;zi,j为第i个样本的第j 个实际输出值;n为样本数;m=1,2,…,r,r为粒子数;粒子的个体 极值点和全局最优极值点以及PID温度控制模型中P、I、D系数值和温度 偏差值的优化终止条件由粒子的适应度确定;将粒子群优化算法的误差作为P ID控制算法阈值和权值的优化终止条件,当迭代l次时的误差为
粒子的位移更新方法包括:
(1)按照xi,j=vi,j+wvi,j对xi,j进行更改;
(2)以概率c1h(e,g)修改(pi,j-xi,j)的交换序,得到xi,j(1)为xi,j与 c1h(e,g)(pi,j-xi,j)的和,pi,j-xi,j(t)表示每个粒子与个体最优位置的交换序;
(3)以概率c2h(e,g)修改(pg,j-xi,j)的交换序,得到xi,j(2)为xi,j(1)与的和,pg,j-xi,j(t)表示群体最优位置与个体位置的交换序,更新位移完毕。
进一步,提取自适应LBP算子特征算法的具体步骤如下:
(1)将输入系统的图像转换成灰度图像,对图像{grayv(i,j)}像素灰度值求 和,再获取平均值:
(2)利用总的纹理特征去除背景,计算图像的像素灰度值与平均像素灰度 值的差值的绝对值之和,求其平均值:
利用局部纹理特征去除背景,用3×3大小的滑动窗口,遍历图像,求取中 心像素灰度值与周边像素灰度值之差,在每一个窗口图像内求取平均值:
(3)拟合计算自适应阈值的方法:
给予你不,输出准确的图像区域,具体为:
设置一个跳变函数f(i,j),对蛋白质体系提取工艺中不确定图像区域进行精 确定位,确定蛋白质体系提取工艺中图像准确区域的上下边界:
其中c(i,j)为
c(i,j)=LBP8,1(i,j)-LBP8,1(i,j-1)
上两式中i=1,2,3,4,…N,j=2,3,4,…M,因此任意一行i的跳变次数和S(i)为:
如果任意一行跳变次数的和S(i≥12),则这一行就有可能属于准确图像区 域;由上至下对整幅图像进行扫描,找出所有满足S(i≥12)的行,并记录下这一 行的行数i;如果有连续的h行满足S(i≥12),则得到一个宽度为M,高度为h 的矩形区域,这个区域是准确图像区域。
本发明的另一目的在于提供一种实现所述分子生物学试验用提取方法的计 算机程序。
本发明的另一目的在于提供一种实现项所述分子生物学试验用提取方法的 信息数据处理终端。
本发明的另一目的在于提供一种计算机可读存储介质,包括指令,当其在 计算机上运行时,使得计算机执行分子生物学试验用提取方法。
本发明的另一目的在于提供一种分子生物学试验用提取研钵设置有:防滑 贴、顶盖、卡扣、手柄、研钵球、凸起、研钵棒、出料口、过滤网、研钵体、 底座、转轴、卡片、防滑垫、托盘、连接体、固定夹、固定螺母、网格;
防滑贴用固体胶粘贴于研钵棒上;研钵棒穿过顶盖,用于研钵试剂;
顶盖盖于研钵体上;卡扣位于顶盖两侧,用于固定顶盖;
手柄在研钵体一侧;研钵球连接于研钵体下部,表面布满凸起;
凸起方便研钵试剂;出料口位于顶盖左侧;过滤网搭接于研钵体上;底座 通过螺丝连接研钵体;转轴用螺丝固定于托盘上;托盘位于底座下部;卡片焊 接于转轴上,用于固定托盘;
防滑垫在托盘表面,用于增大彼此之间的摩擦力;
连接体用于连接托盘和固定夹;固定夹用螺丝固定于连接体两侧;固定螺 母相交于固定夹上;网格布满钢丝过滤网。
进一步,研钵球上有五排凸起,环绕排列;
手柄为半弧形;
研钵棒采用塑料。
综上,本发明的优点及积极效果为:
本发明在使用时因为有固定夹,将其固定在固定台上,旋紧螺母,可以使 装置更加稳固,并且可以只将研钵体拆卸下来,省时省力,其中研钵棒采用的 硬质塑料材质,可以随时更换,研钵球上的凸起可以增大对试剂的摩擦力,是 研磨更加彻底,顶盖通过卡扣固定在研钵体上,防止试剂外露,也防止外部环 境对内部的污染,增加其安全性。
本发明的温度数据进行采集控制中,引入粒子群优化算法进行PID参数 的合理优化。假定Xit为t时刻第i个粒子的位置,Vit为t时刻第i个 粒子的速度,Sit为t时刻第i个粒子的最优位置。
仿真实验分析中,为了验证本发明方法相对其他控制方法的优劣性,选取 文献中具有一阶惯性、纯滞后特点的控制对象,分别对传统PID控制方法、 模糊PID控制方法和本发明方法进行仿真实验。传统PID控制器参数根据 Ziegler-Nichols的方法整定获取,模糊PID方法和本发明方 法控制器的参数选取采用离线试探的方法得到。下面通过模拟实验研究在不同比 例系数和滞后时间的条件下,三种温度控制方法达到稳态时的响应性能。
首先分析比例系数K分别为0.3、0.7和1的情况下,传统PID方法、 模糊PID方法和本发明方法的动态响应关系。基于Matlab通过仿真, 得到不同比例系数下三种方法的时间-阶跃响应曲线如图3所示。
从图3可知,当比例系数增大时,采用传统PID控制方法与模糊PID 控制方法相比,由于自身不能进行参数的自调整,其阶跃响应曲线有较大的振 荡幅度,而采用本发明控制方法振荡幅度变化最小。研究表明随着比例系数的 变化,本发明方法与模糊PID方法和传统PID方法相比响应速度快,具有 较高的稳态精度和适应性,系统的动态响应性能得到了明显改善.图3不同比 例系数下三种方法的时间-阶跃响应曲线当滞后时间T分别为10s、16s和 22s的情况下,分析传统PID方法、模糊PID方法和本发明方法的动态 响应关系。基于Matlab通过仿真,得到不同滞后时间下三种方法的时间- 阶跃响应曲线如图3所示。
从图4可知,当滞后时间增大时,三种控制方法的动态响应都出现了不同 程度的振荡。但是采用传统PID控制方法与模糊PID控制方法相比,其阶 跃响应曲线的变化幅度较大,而采用本发明控制方法的响应曲线波动较小,系 统调节时间和变化幅度也较短。研究表明随着滞后时间的变化,本发明方法与 模糊PID方法和传统PID方法相比抗干扰性能好,鲁棒性强,具有较好的 自适应处理能力。本发明针对具有一阶惯性、纯滞后特点的被控对象,基于粒 子群优化策略提出一种PID自适应温度控制算法,可实现对非线性惯性系统 的实时温度控制。
仿真实验研究表明,当控制系统参数变化时,采用本发明方法能够减弱被 控对象滞后对性能的影响,系统响应速度快、调节时间短且振荡幅度小,可取 得良好的实时控制效果,且系统的稳定性得到明显改善。因此,本发明提出的 基于粒子群优化的PID温度控制策略具有较好的自适应处理能力,不仅为非 线性、大滞后、模型不确定被控温度系统的建模仿真提供参考,而且也可应用 于其它自动化仪表与装置的工业控制。
本发明的湿度采集控制方法与温度采集控制方法相同。
本发明图像处理中,与现有的基本PSO算法相比,减少了迭代次数,提高 了收敛速度,并且搜索的平均结果也有一定提高。本发明的互信息PSO和基本 PSO算法Burma14、Ulysses22、Oliver30和Att48数据集上测试,结果显示互 信息PSO算法可以搜索到最优路径,搜索性能比基本PSO算法有了明显提高。 互信息PSO算法的平均搜索距离比基本PSO算法较优,体现了局部搜索能力的 增强,同时也减少了迭代次数。并且搜索的平均结果也有一定提高。
本发明进行蛋白质体系过程图像数据预处理后,提取颜色特征和自适应 LBP算子特征;再进行多特征底秩矩阵表示;
其中α是大于0的系数,用来度量噪声和野点带来的误 差;等价为:输出准确的图像;能有效提高图像 检测的鲁棒性和准确性,减少误检。可以对复杂背景下的图像进行纹理分析, 能提供更准确的特征信息。
本发明蛋白质体系过程图像数据预处理后,提取颜色特征和自适应LBP算 子特征;对原始训练集中包含的原始训练样本图像进行二维判别特征学习; 通过紧凑局部类内散度和分离局部类间散度,进行图像特征学习建模,保持图 像像素间的拓扑结构和内在相关性;通过优化一个特征分解,得到用于图像样 本的二维鲁棒特征提取的投影矩阵,可保证获得图像真实,为保护分子生物成 分提供保证。
附图说明
图1是本发明实施例提供的分子生物学试验用提取研钵结构示意图;
图2是本发明实施例提供的过滤网结构图;
图中:1、防滑贴;2、顶盖;3、卡扣;4、手柄;5、研钵球;6、凸起;7、 研钵棒;8、出料口;9、过滤网;10、研钵体;11、底座;12、转轴;13、卡 片;14、防滑垫;15、托盘;16、连接体;17、固定夹;18、固定螺母;19、 网格;20、控制系统。
图3是本发明实施例提供的基于Matlab通过仿真,得到不同滞后时间 下三种方法的时间-阶跃响应曲线图。
图4是本发明实施例提供的当滞后时间增大时,三种控制方法的动态响应 都出现了不同程度的振荡图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并 配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1、图2所示,本发明实施例提供的分子生物学试验用提取研钵包括: 防滑贴1、顶盖2、卡扣3、手柄4、研钵球5、凸起6、研钵棒7、出料口8、 过滤网9、研钵体10、底座11、转轴12、卡片13、防滑垫14、托盘15、连接 体16、固定夹17、固定螺母18、网格19。
防滑贴1用固体胶粘贴于研钵棒7上;研钵棒7穿过顶盖2,用于研钵试剂; 顶盖2盖于研钵体10上;卡扣3位于顶盖2两侧,用于固定顶盖2;手柄4在 研钵体10一侧,方便手持;
研钵球5连接于研钵体10下部,表面布满凸起6;凸起6方便研钵试剂; 出料口8位于顶盖2左侧;过滤网9搭接于研钵体10上;底座11通过螺丝连 接研钵体10;转轴12用螺丝固定于托盘15上;托盘15位于底座11下部;卡 片13焊接于转轴12上,用于固定托盘15;
防滑垫14在托盘15表面,增大彼此之间的摩擦力;连接体16用于连接托 盘15和固定夹17;固定夹17用螺丝固定于连接体16两侧;固定螺母18在固 定夹17上,用于固定主体结构;网格19布满整个过滤网9,为钢丝材质。
控制系统20包括:供电模块,与主控模块连接,用于对链黑菌素化合物 提取工艺中设备进行供电;
温度检测模块,与主控模块连接,用于检测控制链黑菌素化合物提取工艺 中环境温度数据;
湿度检测模块,与主控模块连接,用于检测控制链黑菌素化合物提取工艺 中环境湿度数据;
摄像模块,与主控模块连接,用于通过摄像器采集链黑菌素化合物提取过 程图像数据;
主控模块,与供电模块、温度检测模块、湿度检测模块、摄像模块、清洗 模块、显示模块连接,用于控制各个模块正常工作;
显示模块,与主控模块连接,用于显示检测的数据信息及监控图像内容;
主控模块、显示模块、供电模块均安装与底座;温度检测模块、湿度检测 模块、摄像模块均安装在研钵内。
本发明在使用时先将托盘15进行固定,将固定螺母18向内侧旋转,将固定台 放到固定夹17中,再向外侧旋转固定螺母18,并上紧;然后检查防滑垫14是 否固定好,有无破损,如果完好无损,则将研钵体10的底座11放上,并转动 卡片13将其固定牢靠;这时将试剂放入研钵体10中,然后将研钵棒7放入研 钵体10中,在把过滤网9穿过研钵棒7,将顶盖2上的穿孔对准研钵棒7,使 其精准插入,同时保证出料口8的畅通,然后将卡扣3扣牢,对试剂进行研磨, 待研磨差不多后,手持手柄4通过过滤网9的过滤将试剂在出料口8倒出, 如果有未研磨碎的则重复以上步骤在进行研磨。
图3是本发明实施例提供的基于Matlab通过仿真,得到不同滞后时间 下三种方法的时间-阶跃响应曲线图。
图4是本发明实施例提供的当滞后时间增大时,三种控制方法的动态响应 都出现了不同程度的振荡图。
下面结合具体分析对本发明作进一步描述。
本发明实施例提供的分子生物学试验用提取方法,包括:
检测控制蛋白质体系提取工艺中环境温度、湿度数据;环境温度采集控制 中,引入粒子群优化算法进行PID参数的合理优化;假定Xit为t时刻第 i个粒子的位置,Vit为t时刻第i个粒子的速度,Sit为t时刻第i个 粒子的最优位置;Stg为t时刻的全局位置,则
则粒子i在t+1时刻的位置 描述为 式中:为t时刻第i个粒子在第D 维空间的度,为t时刻第i个粒子在第D维空间的最优位置,为t 时刻第i个粒子在第D维空间的位置,r1、r2为分布在(0,1)区间的 两个独立随机数;c1、c2为学习因子,w为惯性权重;
采集蛋白质体系提取过程图像数据;提取蛋白质体系过程图像数据中利用 求解互信息的联合直方图法,重新定义联合直方图中的h(e,g)以及粒子的速 度和位移更新公式,进行蛋白质体系过程图像数据预处理;粒子的速度和位移 更新公式:其中,v表示粒子速度,t表示时间,i表示第i个粒子,j表示第j个路径,w 是惯性权重,c1、c2表示学习因子,pi,j表示第i个粒子经历过的最好位置,pg,j表示群体所有微粒经历过的最好位置,其中e,g分别为待匹配路径和模板路径, h(e,g)表示在最优路径e出现的位置上,在历史路径相应的位置g出现的次数; 通过粒子的速度和位移更新公式更新粒子的速度和位移,找到优解,优解 公式为:xi,j表示第i个粒子第j个路径所需要更新的位 移,xi,j(1)表示的是xi,j的下一个,每次都在变化,下一次就为xi,j(2);
进行蛋白质体系过程图像数据预处理后,提取颜色特征和自适应LBP算子 特征;对原始训练集中包含的原始训练样本图像进行二维判别特征学习;
通过紧凑局部类内散度和分离局部类间散度,进行图像特征学习建模,保 持图像像素间的拓扑结构和内在相关性;通过优化一个特征分解,得到用于图 像样本的二维鲁棒特征提取的投影矩阵;为:
已知M维的投影矩阵V=[V1,V2,…,VN],其中Vj=νj,j=1,2,…,N,找到适当的投影的M×L的基矩阵W=[W1,W2,…,WN]和L×N的系数矩阵H=[H1,H2,…,HN],使得:
V≈WH
公式(1)表示为向量标量积的形式:
对于给定的M维数据向量VM×N的集合,其中N为集合中数据样本的个数,分解 为两个矩阵WM×L和矩阵HL×N,这两个矩阵的积就近似于VM×N;选择L小于M或N, 使W和N小于原始矩阵V,使分解矩阵降低原始数据矩阵V的维度;
在投影矩阵分解算法中,通过NMF应用于图像融合;所述NMF算法通过迭代 运算方法对原始数据矩阵V得到一个基于部分的近似表示形式WH;其中,W的列 数即特征基的数量r是一个待定量,直接决定特征子空间的维数;对于特定的数 据集,隐藏在数据集内部的特征空间的维数是确定的;当选取的r与实际数据集 的特征空间的维数一致时,所得到的特征空间以及特征空间的基最有意义;当 r=1时,通过迭代算法将得到唯一的一个含有源数据全部特征的特征基;
假设有k幅来自于多几何图像识别器的大小为m×n的观测图像f1,f2,…,fk,将 每副观测图像的元素逐行存储到一个列向量中,得到一个mn×k的矩阵V,V中包 含k个列向量v1,v2,...,vk,每个列向量代表k幅观测图像中的一幅图像的信息,如公 式(3)所示;对这个观测矩阵V进行投影矩阵分解,分解时取r=1,得到一个唯 一的特征基W;此时的W包含参与融合的k幅图像的完整特征,将特征基W还原到 源图像的像素级上得到比源图像效果都好的图像;
其中,所述原始训练样本为具有与该原始训练样本的类别对应的类别蛋白 质体系的样本。
所述的蛋白质体系提取工艺中设备参数控制方法具体包括:
通过供电模块对蛋白质体系提取工艺中设备进行供电;
通过温度检测模块、湿度检测模块检测控制蛋白质体系提取工艺中环境温 度、湿度数据;
通过摄像模块采集蛋白质体系提取过程图像数据;
通过显示模块显示检测的数据信息及监控图像内容。
粒子群优化算法通过迭代搜寻每个粒子的当前最优解,采用适应度函数评 价解的优劣程度;粒子的适应度函数为
式中:Zi,j为第i个样本的第j个理想输出值;zi,j为第i个样本的第j 个实际输出值;n为样本数;m=1,2,…,r,r为粒子数;粒子的个体 极值点和全局最优极值点以及PID温度控制模型中P、I、D系数值和温度 偏差值的优化终止条件由粒子的适应度确定;将粒子群优化算法的误差作为P ID控制算法阈值和权值的优化终止条件,当迭代l次时的误差为
粒子的位移更新方法包括:
(1)按照xi,j=vi,j+wvi,j对xi,j进行更改;
(2)以概率c1h(e,g)修改(pi,j-xi,j)的交换序,得到xi,j(1)为xi,j与 c1h(e,g)(pi,j-xi,j)的和,pi,j-xi,j(t)表示每个粒子与个体最优位置的交换序;
(3)以概率c2h(e,g)修改(pg,j-xi,j)的交换序,得到xi,j(2)为xi,j(1)与的和,pg,j-xi,j(t)表示群体最优位置与个体位置的交换序,更新位移完毕。
提取自适应LBP算子特征算法的具体步骤如下:
(1)将输入系统的图像转换成灰度图像,对图像{grayv(i,j)}像素灰度值求 和,再获取平均值:
(2)利用总的纹理特征去除背景,计算图像的像素灰度值与平均像素灰度 值的差值的绝对值之和,求其平均值:
利用局部纹理特征去除背景,用3×3大小的滑动窗口,遍历图像,求取中 心像素灰度值与周边像素灰度值之差,在每一个窗口图像内求取平均值:
(3)拟合计算自适应阈值的方法:
给予你不,输出准确的图像区域,具体为:
设置一个跳变函数f(i,j),对蛋白质体系提取工艺中不确定图像区域进行精 确定位,确定蛋白质体系提取工艺中图像准确区域的上下边界:
其中c(i,j)为
c(i,j)=LBP8,1(i,j)-LBP8,1(i,j-1)
上两式中i=1,2,3,4,…N,j=2,3,4,…M,因此任意一行i的跳变次数和S(i)为:
如果任意一行跳变次数的和S(i≥12),则这一行就有可能属于准确图像区 域;由上至下对整幅图像进行扫描,找出所有满足S(i≥12)的行,并记录下这一 行的行数i;如果有连续的h行满足S(i≥12),则得到一个宽度为M,高度为h 的矩形区域,这个区域是准确图像区域。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组 合来实现。当使用全部或部分地以计算机程序产品的形式实现,计算机程序产 品包括一个或多个计算机指令。在计算机上加载或执行计算机程序指令时,全 部或部分地产生按照本发明实施例的流程或功能。计算机可以是通用计算机、 专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算 机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储 介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或数据中 心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、 微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。计算 机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多 个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介 质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固 态硬盘Solid State Disk(SSD))等。
下面结合仿真实验对本发明作进一步描述。
仿真实验分析中,为了验证本发明方法相对其他控制方法的优劣性,选取 文献中具有一阶惯性、纯滞后特点的控制对象,分别对传统PID控制方法、 模糊PID控制方法和本发明方法进行仿真实验。传统PID控制器参数根据 Ziegler-Nichols的方法整定获取,模糊PID方法和本发明方 法控制器的参数选取采用离线试探的方法得到。下面通过模拟实验研究在不同比 例系数和滞后时间的条件下,三种温度控制方法达到稳态时的响应性能。
首先分析比例系数K分别为0.3、0.7和1的情况下,传统PID方法、 模糊PID方法和本发明方法的动态响应关系。基于Matlab通过仿真, 得到不同比例系数下三种方法的时间-阶跃响应曲线如图3所示。
从图3可知,当比例系数增大时,采用传统PID控制方法与模糊PID 控制方法相比,由于自身不能进行参数的自调整,其阶跃响应曲线有较大的振 荡幅度,而采用本发明控制方法振荡幅度变化最小。研究表明随着比例系数的 变化,本发明方法与模糊PID方法和传统PID方法相比响应速度快,具有 较高的稳态精度和适应性,系统的动态响应性能得到了明显改善.图3不同比 例系数下三种方法的时间-阶跃响应曲线当滞后时间T分别为10s、16s和 22s的情况下,分析传统PID方法、模糊PID方法和本发明方法的动态 响应关系。基于Matlab通过仿真,得到不同滞后时间下三种方法的时间- 阶跃响应曲线如图3所示。
从图4可知,当滞后时间增大时,三种控制方法的动态响应都出现了不同 程度的振荡。但是采用传统PID控制方法与模糊PID控制方法相比,其阶 跃响应曲线的变化幅度较大,而采用本发明控制方法的响应曲线波动较小,系 统调节时间和变化幅度也较短。研究表明随着滞后时间的变化,本发明方法与 模糊PID方法和传统PID方法相比抗干扰性能好,鲁棒性强,具有较好的 自适应处理能力。本发明针对具有一阶惯性、纯滞后特点的被控对象,基于粒 子群优化策略提出一种PID自适应温度控制算法,可实现对非线性惯性系统 的实时温度控制。
仿真实验研究表明,当控制系统参数变化时,采用本发明方法能够减弱被 控对象滞后对性能的影响,系统响应速度快、调节时间短且振荡幅度小,可取 得良好的实时控制效果,且系统的稳定性得到明显改善。因此,本发明提出的 基于粒子群优化的PID温度控制策略具有较好的自适应处理能力,不仅为非 线性、大滞后、模型不确定被控温度系统的建模仿真提供参考,而且也可应用 于其它自动化仪表与装置的工业控制。
本发明的湿度采集控制方法与温度采集控制方法相同。
本发明图像处理中,与现有的基本PSO算法相比,减少了迭代次数,提高 了收敛速度,并且搜索的平均结果也有一定提高。本发明的互信息PSO和基本 PSO算法Burma14、Ulysses22、Oliver30和Att48数据集上测试,结果显示互 信息PSO算法可以搜索到最优路径,搜索性能比基本PSO算法有了明显提高。 互信息PSO算法的平均搜索距离比基本PSO算法较优,体现了局部搜索能力的 增强,同时也减少了迭代次数。并且搜索的平均结果也有一定提高。
本发明进行蛋白质体系过程图像数据预处理后,提取颜色特征和自适应 LBP算子特征;再进行多特征底秩矩阵表示;
其中α是大于0的系数,用来度量噪声和野点带来的误 差;等价为:输出准确的图像;能有效提高图像 检测的鲁棒性和准确性,减少误检。可以对复杂背景下的图像进行纹理分析, 能提供更准确的特征信息。
以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的 精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保 护范围之内。
Claims (10)
1.一种分子生物学试验用提取方法,其特征在于,所述分子生物学试验用提取方法包括:
检测控制蛋白质体系提取工艺中环境温度、湿度数据;环境温度采集控制中,引入粒子群优化算法进行PID参数的合理优化;假定Xit为t时刻第i个粒子的位置,Vit为t时刻第i个粒子的速度,Sit为t时刻第i个粒子的最优位置;Stg为t时刻的全局位置,则则粒子i在t+1时刻的位置描述为 式中:为t时刻第i个粒子在第D维空间的度,为t时刻第i个粒子在第D维空间的最优位置,为t时刻第i个粒子在第D维空间的位置,r1、r2为分布在(0,1)区间的两个独立随机数;c1、c2为学习因子,w为惯性权重;
采集蛋白质体系提取过程图像数据;提取蛋白质体系过程图像数据中利用求解互信息的联合直方图法,重新定义联合直方图中的h(e,g)以及粒子的速度和位移更新公式,进行蛋白质体系过程图像数据预处理;粒子的速度和位移更新公式:
其中,v表示粒子速度,t表示时间,i表示第i个粒子,j表示第j个路径,w是惯性权重,c1、c2表示学习因子,pi,j表示第i个粒子经历过的最好位置,pg,j表示群体所有微粒经历过的最好位置,其中e,g分别为待匹配路径和模板路径,h(e,g)表示在最优路径e出现的位置上,在历史路径相应的位置g出现的次数;通过粒子的速度和位移更新公式更新粒子的速度和位移,找到优解,优解公式为:xi,j表示第i个粒子第j个路径所需要更新的位移,xi,j(1)表示的是xi,j的下一个,每次都在变化,下一次就为xi,j(2);
进行蛋白质体系过程图像数据预处理后,提取颜色特征和自适应LBP算子特征;对原始训练集中包含的原始训练样本图像进行二维判别特征学习;
通过紧凑局部类内散度和分离局部类间散度,进行图像特征学习建模,保持图像像素间的拓扑结构和内在相关性;通过优化一个特征分解,得到用于图像样本的二维鲁棒特征提取的投影矩阵;为:
已知M维的投影矩阵V=[V1,V2,…,VN],其中Vj=νj,j=1,2,…,N,找到适当的投影的M×L的基矩阵W=[W1,W2,…,WN]和L×N的系数矩阵H=[H1,H2,…,HN],使得:
V≈WH
公式(1)表示为向量标量积的形式:
对于给定的M维数据向量VM×N的集合,其中N为集合中数据样本的个数,分解为两个矩阵WM×L和矩阵HL×N,这两个矩阵的积就近似于VM×N;选择L小于M或N,使W和N小于原始矩阵V,使分解矩阵降低原始数据矩阵V的维度;
在投影矩阵分解算法中,通过NMF应用于图像融合;所述NMF算法通过迭代运算方法对原始数据矩阵V得到一个基于部分的近似表示形式WH;其中,W的列数即特征基的数量r是一个待定量,直接决定特征子空间的维数;对于特定的数据集,隐藏在数据集内部的特征空间的维数是确定的;当选取的r与实际数据集的特征空间的维数一致时,所得到的特征空间以及特征空间的基最有意义;当r=1时,通过迭代算法将得到唯一的一个含有源数据全部特征的特征基;
假设有k幅来自于多几何图像识别器的大小为m×n的观测图像f1,f2,…,fk,将每副观测图像的元素逐行存储到一个列向量中,得到一个mn×k的矩阵V,V中包含k个列向量v1,v2,...,vk,每个列向量代表k幅观测图像中的一幅图像的信息,如公式(3)所示;对这个观测矩阵V进行投影矩阵分解,分解时取r=1,得到一个唯一的特征基W;此时的W包含参与融合的k幅图像的完整特征,将特征基W还原到源图像的像素级上得到比源图像效果都好的图像;
其中,所述原始训练样本为具有与该原始训练样本的类别对应的类别蛋白质体系的样本。
2.如权利要求1所述的分子生物学试验用提取方法,其特征在于,所述的蛋白质体系提取工艺中设备参数控制方法具体包括:
通过供电模块对蛋白质体系提取工艺中设备进行供电;
通过温度检测模块、湿度检测模块检测控制蛋白质体系提取工艺中环境温度、湿度数据;
通过摄像模块采集蛋白质体系提取过程图像数据;
通过显示模块显示检测的数据信息及监控图像内容。
3.如权利要求1所述的分子生物学试验用提取方法,其特征在于,粒子群优化算法通过迭代搜寻每个粒子的当前最优解,采用适应度函数评价解的优劣程度;粒子的适应度函数为
式中:zi,j为第i个样本的第j个理想输出值;zi,j为第i个样本的第j个实际输出值;n为样本数;m=1,2,…,r,r为粒子数;粒子的个体极值点和全局最优极值点以及PID温度控制模型中P、I、D系数值和温度偏差值的优化终止条件由粒子的适应度确定;将粒子群优化算法的误差作为PID控制算法阈值和权值的优化终止条件,当迭代l次时的误差为
粒子的位移更新方法包括:
(1)按照xi,j=vi,j+wvi,j对xi,j进行更改;
(2)以概率c1h(e,g)修改(pi,j-xi,j)的交换序,得到xi,j(1)为xi,j与c1h(e,g)(pi,j-xi,j)的和,pi,j-xi,j(t)表示每个粒子与个体最优位置的交换序;
(3)以概率c2h(e,g)修改(pg,j-xi,j)的交换序,得到xi,j(2)为xi,j(1)与的和,pg,j-xi,j(t)表示群体最优位置与个体位置的交换序,更新位移完毕。
4.如权利要求1所述的分子生物学试验用提取方法,其特征在于,
提取自适应LBP算子特征算法的具体步骤如下:
(1)将输入系统的图像转换成灰度图像,对图像{grayv(i,j)}像素灰度值求和,再获取平均值:
(2)利用总的纹理特征去除背景,计算图像的像素灰度值与平均像素灰度值的差值的绝对值之和,求其平均值:
利用局部纹理特征去除背景,用3×3大小的滑动窗口,遍历图像,求取中心像素灰度值与周边像素灰度值之差,在每一个窗口图像内求取平均值:
(3)拟合计算自适应阈值的方法:
5.如权利要求4所述的分子生物学试验用提取方法,其特征在于,输出准确的图像区域,具体为:
设置一个跳变函数f(i,j),对蛋白质体系提取工艺中不确定图像区域进行精确定位,确定蛋白质体系提取工艺中图像准确区域的上下边界:
其中c(i,j)为
c(i,j)=LBP8,1(i,j)-LBP8,1(i,j-1)
上两式中i=1,2,3,4,…N,j=2,3,4,…M,因此任意一行i的跳变次数和S(i)为:
如果任意一行跳变次数的和S(i≥12),则这一行就有可能属于准确图像区域;由上至下对整幅图像进行扫描,找出所有满足S(i≥12)的行,并记录下这一行的行数i;如果有连续的h行满足S(i≥12),则得到一个宽度为M,高度为h的矩形区域,这个区域是准确图像区域。
6.一种实现权利要求1~5任意一项所述分子生物学试验用提取方法的计算机程序。
7.一种实现权利要求1~5任意一项所述分子生物学试验用提取方法的信息数据处理终端。
8.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-5任意一项的分子生物学试验用提取方法。
9.一种利用权利要求1分子生物学试验用提取方法的分子生物学试验用提取研钵,其特征在于,分子生物学试验用提取研钵设置有:防滑贴、顶盖、卡扣、手柄、研钵球、凸起、研钵棒、出料口、过滤网、研钵体、底座、转轴、卡片、防滑垫、托盘、连接体、固定夹、固定螺母、网格、控制系统;
防滑贴用固体胶粘贴于研钵棒上;研钵棒穿过顶盖,用于研钵试剂;
顶盖盖于研钵体上;卡扣位于顶盖两侧,用于固定顶盖;
手柄在研钵体一侧;研钵球连接于研钵体下部,表面布满凸起;
凸起方便研钵试剂;出料口位于顶盖左侧;过滤网搭接于研钵体上;底座通过螺丝连接研钵体;转轴用螺丝固定于托盘上;托盘位于底座下部;卡片焊接于转轴上,用于固定托盘;
防滑垫在托盘表面,用于增大彼此之间的摩擦力;
连接体用于连接托盘和固定夹;固定夹用螺丝固定于连接体两侧;固定螺母相交于固定夹上;网格布满钢丝过滤网;
控制系统包括:供电模块,与主控模块连接,用于对链黑菌素化合物提取工艺中设备进行供电;
温度检测模块,与主控模块连接,用于检测控制链黑菌素化合物提取工艺中环境温度数据;
湿度检测模块,与主控模块连接,用于检测控制链黑菌素化合物提取工艺中环境湿度数据;
摄像模块,与主控模块连接,用于通过摄像器采集链黑菌素化合物提取过程图像数据;
主控模块,与供电模块、温度检测模块、湿度检测模块、摄像模块、清洗模块、显示模块连接,用于控制各个模块正常工作;
显示模块,与主控模块连接,用于显示检测的数据信息及监控图像内容;
主控模块、显示模块、供电模块均安装与底座;温度检测模块、湿度检测模块、摄像模块均安装在研钵内。
10.如权利要求9的分子生物学试验用提取研钵,其特征在于,研钵球上有五排凸起,环绕排列;
手柄为半弧形;
研钵棒采用塑料。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810735765.8A CN108822186A (zh) | 2018-07-06 | 2018-07-06 | 一种分子生物学试验用提取研钵及其提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810735765.8A CN108822186A (zh) | 2018-07-06 | 2018-07-06 | 一种分子生物学试验用提取研钵及其提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108822186A true CN108822186A (zh) | 2018-11-16 |
Family
ID=64136217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810735765.8A Pending CN108822186A (zh) | 2018-07-06 | 2018-07-06 | 一种分子生物学试验用提取研钵及其提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108822186A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810474A (zh) * | 2014-02-14 | 2014-05-21 | 西安电子科技大学 | 一种基于多特征低秩矩阵表示的车牌检测方法 |
CN105469117A (zh) * | 2015-12-03 | 2016-04-06 | 苏州大学 | 一种基于鲁棒特征提取的图像识别方法与装置 |
CN106250979A (zh) * | 2016-08-16 | 2016-12-21 | 安阳师范学院 | 一种基于互信息相似度策略的粒子群优化方法 |
CN107506738A (zh) * | 2017-08-30 | 2017-12-22 | 深圳云天励飞技术有限公司 | 特征提取方法、图像识别方法、装置及电子设备 |
CN107977615A (zh) * | 2017-11-24 | 2018-05-01 | 安徽省雨龙家具有限公司 | 一种基于即时通信的智能家居机器人系统 |
-
2018
- 2018-07-06 CN CN201810735765.8A patent/CN108822186A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810474A (zh) * | 2014-02-14 | 2014-05-21 | 西安电子科技大学 | 一种基于多特征低秩矩阵表示的车牌检测方法 |
CN105469117A (zh) * | 2015-12-03 | 2016-04-06 | 苏州大学 | 一种基于鲁棒特征提取的图像识别方法与装置 |
CN106250979A (zh) * | 2016-08-16 | 2016-12-21 | 安阳师范学院 | 一种基于互信息相似度策略的粒子群优化方法 |
CN107506738A (zh) * | 2017-08-30 | 2017-12-22 | 深圳云天励飞技术有限公司 | 特征提取方法、图像识别方法、装置及电子设备 |
CN107977615A (zh) * | 2017-11-24 | 2018-05-01 | 安徽省雨龙家具有限公司 | 一种基于即时通信的智能家居机器人系统 |
Non-Patent Citations (1)
Title |
---|
方英武等: "基于粒子群优化的PID自适应温度控制算法", 《计算机与数字工程》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | Multivariate measurement of gene expression relationships | |
Dyrmann et al. | Pixel-wise classification of weeds and crops in images by using a fully convolutional neural network | |
CN106067042B (zh) | 基于半监督深度稀疏滤波网络的极化sar分类方法 | |
Ovaskainen et al. | What can observational data reveal about metacommunity processes? | |
CN108805160A (zh) | 迁移学习方法、装置、计算机设备和存储介质 | |
Camargo et al. | Objective definition of rosette shape variation using a combined computer vision and data mining approach | |
Liu et al. | Optimization of five-parameter BRDF model based on hybrid GA-PSO algorithm | |
Lu et al. | P_SegNet and NP_SegNet: New neural network architectures for cloud recognition of remote sensing images | |
Du et al. | Greenhouse-based vegetable high-throughput phenotyping platform and trait evaluation for large-scale lettuces | |
CN111553114A (zh) | 一种基于数据驱动的纺织印染智能配色方法 | |
M Aziz | Determine the pH. of Soil by Using Neural Network Based on Soil's Colour | |
Johnson et al. | Spectral graph theory for characterization and homogenization of grain boundary networks | |
Wang et al. | High‐throughput measurement of plant fitness traits with an object detection method using Faster R‐CNN | |
Chen et al. | CropQuant-Air: an AI-powered system to enable phenotypic analysis of yield-and performance-related traits using wheat canopy imagery collected by low-cost drones | |
Jessen et al. | Extractin information from two‐dimensional electrophoresis gels by partial least squares regression | |
Lou et al. | Growth parameter acquisition and geometric point cloud completion of lettuce | |
CN108822186A (zh) | 一种分子生物学试验用提取研钵及其提取方法 | |
CN107044947B (zh) | 一种基于图像特征的pm2.5污染指数的识别方法 | |
Yang et al. | Automatically adjustable multi-scale feature extraction framework for hyperspectral image classification | |
Pârvu et al. | Modelling and analysis of phase variation in bacterial colony growth | |
CN105092509B (zh) | 一种基于pcr‑elm算法的样品成份测定方法 | |
Formosa-Jordan et al. | Single-cell approaches for understanding morphogenesis using computational morphodynamics | |
Gillespie | The International Biogeography Society: enabling a dynamic discipline | |
Ding et al. | Study on identification for the typical pasture based on image texture features | |
RU2303812C2 (ru) | Способ распознавания и подсчета клеток в биологических средах человека и животных и устройство для его осуществления |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181116 |