CN111275064A - 基于卷积神经网络与时序特征的鸡蛋胚胎分类方法 - Google Patents
基于卷积神经网络与时序特征的鸡蛋胚胎分类方法 Download PDFInfo
- Publication number
- CN111275064A CN111275064A CN201811478125.XA CN201811478125A CN111275064A CN 111275064 A CN111275064 A CN 111275064A CN 201811478125 A CN201811478125 A CN 201811478125A CN 111275064 A CN111275064 A CN 111275064A
- Authority
- CN
- China
- Prior art keywords
- layer
- data
- egg
- embryo
- convolutional neural
- 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.)
- Granted
Links
- 210000001161 mammalian embryo Anatomy 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000001914 filtration Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 3
- 235000013601 eggs Nutrition 0.000 abstract description 65
- 230000000694 effects Effects 0.000 abstract description 14
- 238000004880 explosion Methods 0.000 abstract description 5
- 230000002349 favourable effect Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 14
- 238000001514 detection method Methods 0.000 description 8
- 210000003837 chick embryo Anatomy 0.000 description 7
- 238000012795 verification Methods 0.000 description 5
- 208000002979 Influenza in Birds Diseases 0.000 description 4
- 206010064097 avian influenza Diseases 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000000701 chemical imaging Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 210000002257 embryonic structure Anatomy 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000012447 hatching Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 230000035899 viability Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000010304 firing Methods 0.000 description 2
- 230000001121 heart beat frequency Effects 0.000 description 2
- 229960003971 influenza vaccine Drugs 0.000 description 2
- 238000011423 initialization method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 102000002322 Egg Proteins Human genes 0.000 description 1
- 108010000912 Egg Proteins Proteins 0.000 description 1
- 229910000530 Gallium indium arsenide Inorganic materials 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000008209 cardiovascular development Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008143 early embryonic development Effects 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 210000003278 egg shell Anatomy 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011081 inoculation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 238000000411 transmission spectrum Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
- 238000002255 vaccination Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开基于卷积神经网络与时序特征的鸡蛋胚胎分类方法,包括以下步骤:(1)利用近红外激光和传感器透过胚蛋采集胚蛋心跳信号数据;(2)对采集到的数据进行预处理,对采集到的胚蛋心跳信号进行低通和高通滤波以滤除部分噪声;(3)利用处理后的时序数据生成二维心跳波形图构建数据集;(4)搭建卷积神经网络;(5)利用卷积神经网络对制作的小规模鸡蛋胚胎心跳数据集进行训练和测试;(6)调整超参数继续训练网络直到得到性能最佳的网络模型。本发明可真实简便的判别胚蛋活性,提高分类准确率,有效地对胚蛋进行分类,使用通道加权提升模型性能和防止梯度爆炸,且有助于加速网络的收敛和提升网络非线性,模型泛化能力较强。
Description
技术领域
本发明属于鸡蛋胚胎活性检测技术领域,特别涉及基于卷积神经网络与时序特征的鸡蛋胚胎分类方法。
背景技术
当前,禽流感疫苗接种是预防禽流感的主要途径,而禽流感疫苗的制备主要是通过在鸡蛋活胚中接种和培养后才被灭活,在毒株胚胎培养过程中,未剔除的死亡胚蛋会导致毒株增殖培养失败。如果死亡胚蛋未能及时准确地从鸡蛋活胚中分离出来将会导致同一批培养的鸡蛋胚胎受到污染,造成重大的安全卫生隐患。因此接种胚蛋的成活性检测与分类对禽流感疫苗的制备具有重要意义。
近年来,对于鸡蛋胚胎的活性检测主要是通过传统的人工照蛋方式,通过人工判断鸡蛋胚胎血管特征是否正常来检测鸡蛋胚胎的成活性,这种检测方法效率低成本较高且容易受到主观因素影响。此外,工人长时间高强度工作压力下容易造成误检和漏检。
目前,对于鸡蛋胚胎活性检测主要有如下方法:
通过机器视觉技术检测鸡蛋胚胎活性,通过对采集到的鸡蛋背光图像进行灰度处理,从灰度直方图中得到峰值比,各阶导数等特征参数,根据这些特征参数采用序贯分类的方法判断鸡蛋胚胎的成活性。将鸡蛋胚胎图像的RGB颜色空间转换为HIS空间,利用主成分分析寻找H值颜色特征的主成分向量,以此作为神经网络的输入,该方法有效提高了识别率准确率。
基于机器视觉的非破坏性检测系统,利用SUSAN(Small Univalue SegmentAssimilating Nucleus)算法对散斑噪声进行检测和消除,并用最近邻法根据鸡蛋图像特征参数进行分类,分类精度为97.78%。
通过使用红外热象技术检测鸡蛋胚胎的表面温度来分析其成活性。通过选择合适的透光光源测量鸡蛋的透光光谱,用光谱判断鸡蛋胚胎的成活性。
通过对鸡蛋胚胎的图像、温度、透光度等特征信息进行融合并使用BP神经网络对融合后的信息进行训练和分类,准确率达到96.25%,然而该方法操作复杂,对硬件设备要求较高。
使用高光谱图像处理技术检测鸡蛋胚胎的发育情况。利用近红外高光谱成像检测早期胚胎发育的鸡蛋,从原始和Gabor滤波图像中提取的两种类型的光谱传输特性被用于k-均值聚类,但是该方法对硬件要求较高且没有实现多分类。Mc Quinn等人在检测鸡蛋胚胎心血管组织的发育情况过程中使用高频超声成像技术。
在研究鸡蛋胚胎心血管的发育状况过程中使用改进的B超与多普勒效应,该方法会对鸡蛋胚胎造成物理性损坏,不能用于实际生产中的成活性检测。
胚胎心率检测技术,通过监测鸡蛋胚胎的心率以及观察鸡胚表面因心脏搏动产生的变化来判断鸡胚的成活性。
通过一个检测孵化期成活鸡蛋胚胎胎动信号的系统,使用半侵入法检测胚胎的胎动,但该方法需要用针刺破蛋壳,不利于实际生产。
近年来,深度学习在解决诸如图像目标识别、语音识别和自然语言处理等很多问题方面都表现出色。在各种类型的神经网络当中,CNNs(卷积神经网络)是研究比较深入应用比较广泛的一种网络。CNNs已经成功地用于解决许多问题(例如伤口强度校正和分割和低照度水下光场图像重建等)。CNNs方法远优于传统方法。研究人员提出了其他的改善方法,其中最著名的有ZFNet,VGGNet,GoogleNet。从结构看,CNN发展的一个方向就是增加网络的深度,以此得出目标函数的近似结构,同时得出更好的特性表征。但是这种做法会给网络带来一些弊端,如增加网络复杂度、网络不容易收敛、网络容易过拟合等。
发明内容
本发明针对现有技术中存在的技术问题,提供基于卷积神经网络与时序特征的鸡蛋胚胎分类方法,可真实简便的判别胚蛋活性,提高分类准确率,有效地对胚蛋进行分类,使用通道加权提升模型性能和防止梯度爆炸,且有助于加速网络的收敛和提升网络非线性,模型泛化能力较强。
为解决上述技术问题,本发明采用的技术方案是:基于卷积神经网络与时序特征的鸡蛋胚胎分类方法,包括以下步骤:
(1)利用近红外激光和传感器透过胚蛋采集胚蛋心跳信号数据;
(2)对步骤(1)中采集到的数据进行预处理,对采集到的胚蛋心跳信号进行低通和高通滤波以滤除部分噪声;
(3)利用步骤(2)中处理后的时序数据生成二维心跳波形图构建数据集;
(4)搭建卷积神经网络;
(5)利用步骤(4)中的卷积神经网络对制作的小规模鸡蛋胚胎心跳数据集进行训练和测试;
(6)根据步骤(5)中的结果调整超参数继续训练网络直到得到性能最佳的网络模型。
作为优选,步骤(1)中采集数据时,将鸡蛋放在激光器和传感器之间,传感器接收透过鸡蛋的光,然后将采集到的信号进行放大并转换为数字信号;对每个鸡蛋胚胎以62.5hz采样频率连续采集8s的数据,得到500个一维离散数据点。
作为优选,步骤(2)中,对采集到的数据进行降噪处理,以排除在采集数据过程中的随机噪声及鸡蛋活胚突然翻身运动等情况的干扰;正常鸡胚在孵化过程中的心跳频率大约在1-4hz范围内,通过2阶巴特沃斯高通滤波器,采样频率为fs=62.5hz进行处理。
作为优选,步骤(3)中,将原始数据进行滤波去噪能够很好地反映出原始信号的规律,由于高通滤波器存在高通建立时间,因此构建二维心跳波形图数据集,将滤波后的数据去除前150个数据点,得到波形图。
作为优选,步骤(4)中,卷积神经网络ESRNet,其核心为SE-Res模块,ESRNet由Conv层、SE-Res模块、pooling层、ReLU(Rectified Linear Unit)层、BN(Batch Normalization)层、scale层和全连接层组成;
输入数据到Conv层,Conv层输出到Pool1层,Pool1层依次输出到多个SE-Res模块,之后输出到Pool2层,Pool2层输出到FC层,FC层输出到Softmax层,Softmax层输出最终胚蛋分类结果;
其中Conv层负责提取输入数据的低层特征,然后BN层对特征图进行归一化并加速网络收敛,pooling层对特征图进行下采样以减少网络参数,SE-Res模块将输入特征图进行通道加权,提升有用特征通道抑制无用特征,它的“shortcut connections”能有效避免网络的梯度消失和梯度爆炸,非线性激活函数ReLU在增加了网络模型的非线性同时改善了网络的过拟合问题。
作为优选,SE-Res模块结合了SE模块和残差模块,以便提高网络的分类性能;SE-Res模块分为SE-Res模块a和SE-Res模块b;
SE-Res模块a包含两个分支,来自上层的数据X依次经过BN层和ReLU层后进入两个分支,两个分支的数据在Elwise汇总后输出经过模块处理后的数据其中第一分支输入与输出直接连接在一起;第二分支包含两个Conv层,一个BN层,两个Scale层,一个ReLU层和一个SE block;在第二分支中,来自上层的数据依次经过Conv1层、BN层、Scale层和Conv2层;由Conv2层分别输出至Scale层和SE block,SE block输出至Scale层,Scale层输出至Elwise;
SE-Res模块b包含两个分支,来自上层的数据X依次经过BN层和ReLU层后进入两个分支,两个分支的数据在Elwise汇总后输出经过模块处理后的数据其中第一分支中,来自上层的数据经过Conv3层输出至Elwise;第二分支包含两个Conv层,一个BN层,两个Scale层,一个ReLU层和一个SE block;在第二分支中,来自上层的数据依次经过Conv1层、BN层、Scale层和Conv2层;由Conv2层分别输出至Scale层和SE block,SE block输出至Scale层,Scale层输出至Elwise;
SE-Res模块a中两个分支的输出通道相同,SE-Res模块b中两个分支的输出通道不同;Conv1,Conv2,和Conv3表示卷积层,其中Conv1滤波器kernel尺寸为3×3,stride为2;Conv2滤波器kernel尺寸为3×3,stride为1;Conv3滤波器kernel尺寸为1×1,stride为2。
作为优选,步骤(5)中,在模型训练过程中,为了减少参数的数量和计算量,设置超参数和选择合适的网络训练方案具有重要意义。一般来说,较高分辨率的图像有助于提高网络性能,因此设置输入图像的大小为227×227像素;在训练时,进行数据扩充,将图像随机裁剪至227×227像素;此外,使用基本尺寸3×3的卷积核,以增加网络容量和降低参数数量。
作为优选,步骤(6)中,从零开始对网络进行训练,使用Xavier参数初始化方法来初始化网络的权值,以加快训练网络的收敛速度,防止梯度消失。训练过程中,设置最小batch size为40,权重衰减为0.0001,动量为0.9,初始学习率为0.01,来更新网络权重;在训练过程中,保存在验证集上准确率最高的模型。
与现有技术相比,本发明所具有的有益效果是:
本发明可真实简便的判别胚蛋活性,提高分类准确率,有效地对胚蛋进行分类。
本发明使用通道加权提升模型性能和防止梯度爆炸,且有助于加速网络的收敛和提升网络非线性,模型泛化能力较强。
附图说明
图1为本发明的数据采集示意图;
图2为本发明的鸡蛋胚胎心跳波形图;
图3为本发明的巴特沃斯高通滤波器幅频特性曲线;
图4为本发明的巴特沃斯高通滤波器相频特性曲线;
图5为本发明的高通滤波后鸡蛋胚胎心跳波形图;
图6为本发明的SE-Res模块a连接示意图;
图7为本发明的SE-Res模块b连接示意图;
图8为本发明的ESRNet网络结构。
具体实施方式
为使本领域技术人员更好的理解本发明的技术方案,下面结合附图和具体实施例对本发明作详细说明。
本发明的实施例公开了基于卷积神经网络与时序特征的鸡蛋胚胎分类方法,如图所示,其包括以下步骤:
(1)利用近红外激光和传感器透过胚蛋采集胚蛋心跳信号数据;
(2)对步骤(1)中采集到的数据进行预处理,对采集到的胚蛋心跳信号进行低通和高通滤波以滤除部分噪声;
(3)利用步骤(2)中处理后的时序数据生成二维心跳波形图构建数据集;
(4)搭建卷积神经网络;
(5)利用步骤(4)中的卷积神经网络对制作的小规模鸡蛋胚胎心跳数据集进行训练和测试;
(6)根据步骤(5)中的结果调整超参数继续训练网络直到得到性能最佳的网络模型。
本实施例中,步骤(1)中采集数据时,将鸡蛋放在激光器和传感器之间,传感器接收透过鸡蛋的光,然后将采集到的信号进行放大并转换为数字信号;对每个鸡蛋胚胎以62.5hz采样频率连续采集8s的数据,得到500个一维离散数据点,如图1和图2所示。
本实施例中,步骤(2)中,对采集到的数据进行降噪处理,以排除在采集数据过程中的随机噪声及鸡蛋活胚突然翻身运动等情况的干扰;正常鸡胚在孵化过程中的心跳频率大约在1-4hz范围内,通过2阶巴特沃斯高通滤波器,采样频率为fs=62.5hz进行处理;截至频率fc=1.625hz时,其幅频和相频特性曲线如图3、图4所示。
本实施例中,步骤(3)中,将原始数据进行滤波去噪能够很好地反映出原始信号的规律,由于高通滤波器存在高通建立时间,因此构建二维心跳波形图数据集,将滤波后的数据去除前150个数据点,得到波形图,其波形如图5。
本实施例中,步骤(4)中,卷积神经网络ESRNet,其核心为SE-Res模块,ESRNet由Conv层、SE-Res模块、pooling层、ReLU(Rectified Linear Unit)层、BN(BatchNormalization)层、scale层和全连接层组成;
输入数据到Conv层,Conv层输出到Pool1层,Pool1层依次输出到多个SE-Res模块,之后输出到Pool2层,Pool2层输出到FC层,FC层输出到Softmax层,Softmax层输出最终胚蛋分类结果;
如图8,其中Conv层负责提取输入数据的低层特征,然后BN层对特征图进行归一化并加速网络收敛,pooling层对特征图进行下采样以减少网络参数,SE-Res模块将输入特征图进行通道加权,提升有用特征通道抑制无用特征,它的“shortcut connections”能有效避免网络的梯度消失和梯度爆炸,非线性激活函数ReLU在增加了网络模型的非线性同时改善了网络的过拟合问题。
本实施例中,SE-Res模块如图6和图7所示,它结合了SE模块和残差模块,以便提高网络的分类性能;SE-Res模块分为SE-Res模块a和SE-Res模块b;
SE-Res模块a包含两个分支,来自上层的数据X依次经过BN层和ReLU层后进入两个分支,两个分支的数据在Elwise汇总后输出经过模块处理后的数据其中第一分支输入与输出直接连接在一起;第二分支包含两个Conv层,一个BN层,两个Scale层,一个ReLU层和一个SE block;在第二分支中,来自上层的数据依次经过Conv1层、BN层、Scale层和Conv2层;由Conv2层分别输出至Scale层和SE block,SE block输出至Scale层,Scale层输出至Elwise;
SE-Res模块b包含两个分支,来自上层的数据X依次经过BN层和ReLU层后进入两个分支,两个分支的数据在Elwise汇总后输出经过模块处理后的数据其中第一分支中,来自上层的数据经过Conv3层输出至Elwise;第二分支包含两个Conv层,一个BN层,两个Scale层,一个ReLU层和一个SE block;在第二分支中,来自上层的数据依次经过Conv1层、BN层、Scale层和Conv2层;由Conv2层分别输出至Scale层和SE block,SE block输出至Scale层,Scale层输出至Elwise;
SE-Res模块a中两个分支的输出通道相同,SE-Res模块b中两个分支的输出通道不同;Conv1,Conv2,和Conv3表示卷积层,其中Conv1滤波器kernel尺寸为3×3,
stride为2;Conv2滤波器kernel尺寸为3×3,stride为1;Conv3滤波器kernel尺寸为1×1,stride为2。
本实施例中,步骤(6)中,从零开始对网络进行训练,使用Xavier参数初始化方法来初始化网络的权值,以加快训练网络的收敛速度,防止梯度消失。训练过程中,设置最小batch size为40,权重衰减为0.0001,动量为0.9,初始学习率为0.01来更新网络权重;在训练过程中,保存在验证集上准确率最高的模型。
本实施例中,步骤(5)中,在模型训练过程中,为了减少参数的数量和计算量,设置超参数和选择合适的网络训练方案具有重要意义。一般来说,较高分辨率的图像有助于提高网络性能,因此设置输入图像的大小为227×227像素;在训练时,进行数据扩充,将图像随机裁剪至227×227像素;此外,使用基本尺寸3×3的卷积核,以增加网络容量和降低参数数量,如表1所示,表1为不同层的相关参数。
表1不同层的相关参数,Cr表示SE-Res输出通道
模型训练结果分析:
将数据集划分为训练集和验证集,比例为4:1。其中训练集样本数为10195,验证集为2550,数据集的生成和处理均使用相同方法。
1.数据预处理比较
使用经典卷积神经网络Alexnet对预处理前的数据集和经预处理过的数据集进行训练和测试,得到表2结果。
表2数据集是否预处理结果表现
结果表明,在采集原始信号过程中不可避免引入了噪声干扰,通过设计滤波器对信号进行滤波可以有效地减弱噪声对于数据分类带来的影响并提高模型分类准确率。
2.不同CNN模型结果比较
将经预处理后的数据作为实验数据集,选择不同的卷积神经网络用于鸡蛋胚胎的分类。表3为选择典型的CNN模型Alexnet,Googlenet,VGG-16,Resnet10,Resnet18与本实施例设计的网络模型在验证集上准确率对比。
表3不同CNN模型在验证集上表现
在这些网络模型中,ESRNet得到的模型在验证集上准确率最高,这表明将SEblock和残差模块结合对于网络性能提升具有明显效果。此外,通过SE-Res将模块嵌入到网络中不仅可以改善网络性能,同时具有加快网络收敛防止网络过拟合等优点。网络中使用的3x3卷积核对于降低网络参数数量有明显帮助。
3.和其他分类方法比较
表4为当前流行的胚蛋分类方法和本实施例提出的方法在各自使用的验证集上的分类性能表现。
表4不同实验方法结果
和当前流行的这些方法相比,本实施例的方法具有明显优势。近红外高光谱成像系统是基于高成本InGaAs相机连接到线扫描光谱仪采集图像的,而本实施例具有低成本高速率等优势。
在当前流行的这些方法中,大部分是基于提取胚蛋的血管图像特征,然而一些薄血管的提取具有相当大的难度并且不利于分类,相比之下,利用红外激光采集胚蛋心跳的方法更简洁直观并且容易进行特征提取,将残差网络和特征通道加权结合提升准确率。
以上通过实施例对本发明进行了详细说明,但所述内容仅为本发明的示例性实施例,不能被认为用于限定本发明的实施范围。本发明的保护范围由权利要求书限定。凡利用本发明所述的技术方案,或本领域的技术人员在本发明技术方案的启发下,在本发明的实质和保护范围内,设计出类似的技术方案而达到上述技术效果的,或者对申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖保护范围之内。应当注意,为了清楚的进行表述,本发明的说明中省略了部分与本发明的保护范围无直接明显的关联但本领域技术人员已知的部件和处理的表述。
Claims (8)
1.基于卷积神经网络与时序特征的鸡蛋胚胎分类方法,其特征在于,包括以下步骤:
(1)利用近红外激光和传感器透过胚蛋采集胚蛋心跳信号数据;
(2)对步骤(1)中采集到的数据进行预处理,对采集到的胚蛋心跳信号进行低通和高通滤波以滤除部分噪声;
(3)利用步骤(2)中处理后的时序数据生成二维心跳波形图构建数据集;
(4)搭建卷积神经网络;
(5)利用步骤(4)中的卷积神经网络对制作的小规模鸡蛋胚胎心跳数据集进行训练和测试;
(6)根据步骤(5)中的结果调整超参数继续训练网络直到得到性能最佳的网络模型。
2.根据权利要求1所述的基于卷积神经网络与时序特征的鸡蛋胚胎分类方法,其特征在于,步骤(1)中采集数据时,将鸡蛋放在激光器和传感器之间,传感器接收透过鸡蛋的光,然后将采集到的信号进行放大并转换为数字信号;对每个鸡蛋胚胎以62.5hz采样频率连续采集8s的数据,得到500个一维离散数据点。
3.根据权利要求1所述的基于卷积神经网络与时序特征的鸡蛋胚胎分类方法,其特征在于,步骤(2)中,对采集到的数据进行降噪处理,通过2阶巴特沃斯高通滤波器,采样频率为fs=62.5hz进行处理。
4.根据权利要求1所述的基于卷积神经网络与时序特征的鸡蛋胚胎分类方法,其特征在于,步骤(3)中,构建二维心跳波形图数据集,将滤波后的数据去除前150个数据点,得到波形图。
5.根据权利要求1所述的基于卷积神经网络与时序特征的鸡蛋胚胎分类方法,其特征在于,步骤(4)中,卷积神经网络ESRNet,其核心为SE-Res模块,ESRNet由Conv层、SE-Res模块、pooling层、ReLU层、BN层、scale层和全连接层组成;
输入数据到Conv层,Conv层输出到Pool1层,Pool1层依次输出到多个SE-Res模块,之后输出到Pool2层,Pool2层输出到FC层,FC层输出到Softmax层,Softmax层输出最终胚蛋分类结果。
6.根据权利要求1所述的基于卷积神经网络与时序特征的鸡蛋胚胎分类方法,其特征在于,SE-Res模块分为SE-Res模块a和SE-Res模块b;
SE-Res模块a包含两个分支,来自上层的数据X依次经过BN层和ReLU层后进入两个分支,两个分支的数据在Elwise汇总后输出经过模块处理后的数据其中第一分支输入与输出直接连接在一起;第二分支包含两个Conv层,一个BN层,两个Scale层,一个ReLU层和一个SE block;在第二分支中,来自上层的数据依次经过Conv1层、BN层、Scale层和Conv2层;由Conv2层分别输出至Scale层和SE block,SE block输出至Scale层,Scale层输出至Elwise;
SE-Res模块b包含两个分支,来自上层的数据X依次经过BN层和ReLU层后进入两个分支,两个分支的数据在Elwise汇总后输出经过模块处理后的数据其中第一分支中,来自上层的数据经过Conv3层输出至Elwise;第二分支包含两个Conv层,一个BN层,两个Scale层,一个ReLU层和一个SE block;在第二分支中,来自上层的数据依次经过Conv1层、BN层、Scale层和Conv2层;由Conv2层分别输出至Scale层和SE block,SE block输出至Scale层,Scale层输出至Elwise;
SE-Res模块a中两个分支的输出通道相同,SE-Res模块b中两个分支的输出通道不同;Conv1,Conv2,和Conv3表示卷积层,其中Conv1滤波器kernel尺寸为3×3,stride为2;Conv2滤波器kernel尺寸为3×3,stride为1;Conv3滤波器kernel尺寸为1×1,stride为2。
7.根据权利要求1所述的基于卷积神经网络与时序特征的鸡蛋胚胎分类方法,其特征在于,步骤(5)中,设置输入图像的大小为227×227像素;进行数据扩充,将图像随机裁剪至227×227像素;使用基本尺寸3×3的卷积核。
8.根据权利要求1所述的基于卷积神经网络与时序特征的鸡蛋胚胎分类方法,其特征在于,步骤(6)中,设置最小batch size为40,权重衰减为0.0001,动量为0.9,初始学习率为0.01。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811478125.XA CN111275064B (zh) | 2018-12-05 | 2018-12-05 | 基于卷积神经网络与时序特征的鸡蛋胚胎分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811478125.XA CN111275064B (zh) | 2018-12-05 | 2018-12-05 | 基于卷积神经网络与时序特征的鸡蛋胚胎分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111275064A true CN111275064A (zh) | 2020-06-12 |
CN111275064B CN111275064B (zh) | 2022-11-18 |
Family
ID=70998610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811478125.XA Active CN111275064B (zh) | 2018-12-05 | 2018-12-05 | 基于卷积神经网络与时序特征的鸡蛋胚胎分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111275064B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861607A (zh) * | 2020-12-29 | 2021-05-28 | 湖北航天飞行器研究所 | 一种远距离激光活体识别方法 |
CN115812634A (zh) * | 2023-02-20 | 2023-03-21 | 华南农业大学 | 一种孵前种蛋受精信息无损分拣方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1652682A (zh) * | 2002-05-06 | 2005-08-10 | 恩布里克斯公司 | 用于通过检测胚胎心率和/或运动来识别活的蛋的方法和设备 |
WO2010151221A1 (en) * | 2009-06-25 | 2010-12-29 | Phase Holographic Imaging Phi Ab | Analysis of ova or embryos with digital holographic imaging |
CN106485251A (zh) * | 2016-10-08 | 2017-03-08 | 天津工业大学 | 基于深度学习的鸡蛋胚胎分类 |
CN108446729A (zh) * | 2018-03-13 | 2018-08-24 | 天津工业大学 | 基于卷积神经网络的鸡蛋胚胎分类方法 |
-
2018
- 2018-12-05 CN CN201811478125.XA patent/CN111275064B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1652682A (zh) * | 2002-05-06 | 2005-08-10 | 恩布里克斯公司 | 用于通过检测胚胎心率和/或运动来识别活的蛋的方法和设备 |
WO2010151221A1 (en) * | 2009-06-25 | 2010-12-29 | Phase Holographic Imaging Phi Ab | Analysis of ova or embryos with digital holographic imaging |
CN106485251A (zh) * | 2016-10-08 | 2017-03-08 | 天津工业大学 | 基于深度学习的鸡蛋胚胎分类 |
CN108446729A (zh) * | 2018-03-13 | 2018-08-24 | 天津工业大学 | 基于卷积神经网络的鸡蛋胚胎分类方法 |
Non-Patent Citations (1)
Title |
---|
颜廷玉: "基于深度学习的鸡蛋胚胎分类方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861607A (zh) * | 2020-12-29 | 2021-05-28 | 湖北航天飞行器研究所 | 一种远距离激光活体识别方法 |
CN115812634A (zh) * | 2023-02-20 | 2023-03-21 | 华南农业大学 | 一种孵前种蛋受精信息无损分拣方法及装置 |
CN115812634B (zh) * | 2023-02-20 | 2023-04-28 | 华南农业大学 | 一种孵前种蛋受精信息无损分拣方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111275064B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109961017A (zh) | 一种基于卷积循环神经网络的心音信号分类方法 | |
Ran et al. | Cataract detection and grading based on combination of deep convolutional neural network and random forests | |
KR102311654B1 (ko) | 피부 이미지 기반의 인공지능 딥러닝을 이용한 피부질환 판별용 api 엔진을 구성하는 스마트 피부질환 판별 플랫폼시스템 | |
CN109858540B (zh) | 一种基于多模态融合的医学图像识别系统及方法 | |
CN101667289B (zh) | 基于nsct特征提取和监督分类的视网膜图像分割方法 | |
CN108511055B (zh) | 基于分类器融合及诊断规则的室性早搏识别系统及方法 | |
CN105067532B (zh) | 一种鉴别油菜菌核病和灰霉病早期病斑的方法 | |
CN106709967B (zh) | 一种内窥成像算法及控制系统 | |
CN111275064B (zh) | 基于卷积神经网络与时序特征的鸡蛋胚胎分类方法 | |
CN109253975A (zh) | 基于msc-cfs-ica的苹果轻微损伤高光谱检测方法 | |
CN105261015A (zh) | 基于Gabor滤波器的眼底图像血管自动分割方法 | |
CN108567418A (zh) | 一种基于PCANet的脉搏信号亚健康检测方法及检测系统 | |
CN104809450B (zh) | 基于在线极限学习机的腕部静脉认证系统 | |
CN108801971A (zh) | 基于高光谱成像技术的霉菌侵染板栗的检测方法 | |
CN115530788A (zh) | 基于自注意力机制的心律失常分类方法 | |
Wang et al. | A novel vessel segmentation in fundus images based on SVM | |
Ceylan et al. | Blood vessel extraction from retinal images using complex wavelet transform and complex-valued artificial neural network | |
CN112336369B (zh) | 一种多通道心音信号的冠心病风险指数评估系统 | |
CN113591769A (zh) | 基于光电容积脉搏描记法的非接触式心率检测方法 | |
Seth et al. | Tomato leaf diseases detection using deep learning—a review | |
Geng et al. | Fully convolutional network with gated recurrent unit for hatching egg activity classification | |
CN116305048A (zh) | 一种基于改进残差收缩网络的身份识别方法 | |
Desiani et al. | A robust techniques of enhancement and segmentation blood vessels in retinal image using deep learning | |
Baharlouei et al. | Detection of retinal abnormalities in OCT images using wavelet scattering network | |
KR20180055970A (ko) | 초분광 영상을 이용한 유정란 내부 배아 생존유무 판별방법 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |