CN111401183A - 基于人工智能的细胞体监控方法、系统、装置和电子设备 - Google Patents

Abstract

本公开涉及计算机视觉技术领域，提供了一种基于人工智能的细胞体监控方法与装置，以及计算机存储介质和电子设备。其中，该方法包括：通过摄像镜头获取培养器件中待监控细胞体的原始图像，并根据原始图像确定发育特征数据；通过传感器获取培养器件的环境特征数据，其中环境特征数据影响待监控细胞体的发育状态；通过深度神经网络，融合发育特征数据和环境特征数据，得到预测结果；根据深度学习网络的预测结果监控待监控细胞体的发育状态。本技术方案有利于提升对细胞体发育过程的监控准确度，还能够在预测到细胞体发育状态即将发生异常时提前预警。

Description

基于人工智能的细胞体监控方法、系统、装置和电子设备

技术领域

本公开涉及计算机视觉技术领域，具体而言，涉及一种基于人工智能的细胞体监控方法、系统及装置，以及计算机存储介质和电子设备。

背景技术

细胞体体外培养(In vitro culture of cells)是指将细胞体置于合适其生长发育的培养器件(如，培养皿)中，使细胞体体外持续发育，例如，胚胎提完培养。由于细胞体发育对培养液和无菌等条件要求比较严格，因此需要其发育状态进行监控，以提升细胞体存活率。

相关技术提供的细胞体的体外培养存在监控方案中，一般是根据细胞体生长阶段、湿度、空气质量等因素的影响，而对最佳设定温度进行动态管理。然而，相关技术提供的细胞体监控方案的监控准确度较差且不能起到预警的作用。

需要说明的是，上述背景技术部分公开的信息仅用于加强对本公开的背景的理解。

发明内容

本公开的目的在于提供一种基于人工智能的细胞体监控方法、基于人工智能的细胞体监控系统、基于人工智能的细胞体监控装置，以及实现上述方法的计算机存储介质和电子设备，进而至少在一定程度上提升对细胞体发育过程的监控准确度且能够起到提前预警的作用。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一个方面，提供一种基于人工智能的细胞体监控方法，该方法包括：

通过摄像镜头获取所述培养器件中待监控细胞体的原始图像，并根据上述原始图像确定发育特征数据；

通过传感器获取所述培养器件的环境特征数据，其中所述环境特征数据影响所述待监控细胞体的发育状态；

通过深度神经网络，融合所述发育特征数据和所述环境特征数据，得到预测结果；以及，

根据所述深度学习网络的预测结果监控所述待监控细胞体的发育状态。

根据本公开的一个方面，提供一种基于人工智能的细胞体监控系统，该系统包括：镜头成像器、第一处理器、传感器、第二处理器以及监控器。

其中：

上述镜头成像器，用于获取培养器件中待监控细胞体的原始图像；

上述第一处理器，所述第一处理器中存储有图像处理算法，以通过所述图像处理算法处理所述原始图像得到发育特征数据；

上述传感器，用于获取所述培养器件的环境特征数据，其中所述环境特征数据影响所述待监控细胞体的发育状态；

上述第二处理器，所述第二处理器中存储有深度神经网络，以通过所述深度神经网络，融合所述发育特征数据和所述环境特征数据，得到预测结果；以及，

上述监控器，用于根据所述深度学习网络的预测结果监控所述待监控细胞体的发育状态。

根据本公开的一个方面，提供一种基于人工智能的细胞体监控装置，该装置包括：发育特征获取模块、环境特征获取模块、特征处理模块，以及细胞体监控模块。其中：

上述发育特征获取模块，被配置为：通过摄像镜头获取培养装置中待监控细胞体的原始图像，并根据所述原始图像确定发育特征数据；

上述环境特征获取模块，被配置为：通过传感器获取上述培养器件的环境特征数据，其中上述环境特征数据影响上述待监控细胞体的发育状态；

上述特征处理模块，被配置为：通过深度神经网络，融合上述发育特征数据和上述环境特征数据，得到预测结果；以及，

上述细胞体监控模块，被配置为：根据上述深度学习网络的预测结果监控上述待监控细胞体的发育状态。

在本公开的一些实施例中，基于前述方案，上述发育特征获取模块，包括：光学成像单元和转换单元。其中：

上述光学成像单元，被配置为：通过显微摄像镜头对上述培养器件中的待监控细胞体进行光学成像，得到上述待监控细胞体的图像光信号；

上述转换单元，被配置为：通过转换电路，将上述图像光信号转化成图像电信号，得到上述待监控细胞体的原始图像。

在本公开的一些实施例中，基于前述方案，上述发育特征获取模块，还包括：图像处理单元，被配置为：

对上述原始图像进行灰度化处理得到对应的灰度图像；以及，

对上述灰度图像进行以下处理方式中的一种或多种：去噪处理、图像增强处理和图像白平衡处理，得到所述发育特征数据。

在本公开的一些实施例中，基于前述方案，上述环境特征获取模块，包括：数据获取单元和数据预处理单元。其中：

上述数据获取单元，被配置为：通过传感器获取上述培养器件的环境指标的参数数据，其中上述环境指标包括：温度数据、湿度数据、氧气浓度数据、光照亮度数据中的一种或多种；以及，

上述数据预处理单元，被配置为：对上述环境指标的参数数据进行数据预处理，得到上述环境指标的参数数据的向量表示作为上述环境特征数据。

在本公开的一些实施例中，基于前述方案，上述环境指标的参数数据为离散类型，其中，上述数据预处理单元，被具体配置为：

采用独热编码的方式确定上述环境指标参数数据的向量表示。

在本公开的一些实施例中，基于前述方案，上述环境指标的参数数据为连续类型，其中，上述数据预处理单元，被具体配置为：

采用旋转森林算法、计算欧氏距离或ResNet算法处理上述环境指标的参数数据，得到上述环境指标的参数数据的序列特征。

在本公开的一些实施例中，基于前述方案上述基于人工智能的细胞体监控装置还包括：样本集获取模块、模型训练模块以及模型测试模块。其中：

上述样本集获取模块，被配置为：根据细胞体样本的发育特征样本、上述环境特征样本以及上述细胞体样本的实际发育状态以确定一组样本，得到样本集；

上述模型训练模块，被配置为：通过上述样本集中的第一部分样本训练上述深度神经网络；

上述模型测试模块，被配置为：通过上述样本集中的第二部分样本测试上述深度神经网络，以使上述深度神经网络满足预设测试指标。

在本公开的一些实施例中，基于前述方案，上述模型训练模块，被具体配置为：

将上述第一部分样本中每组样本的发育特征样本和上述环境特征样本输入至上述深度神经网络，得到上述细胞体样本的预测发育状态、输入层与上述隐藏层之间的第一中间权重矩阵，以及上述隐藏层与输出层之间的第二中间权重矩阵；以及，

通过上述实际发育状态和上述预测发育状态，对上述第一中间权重矩阵进行迭代计算得到满足预设误差阈值的第一权重矩阵，以及对上述第二中间权重矩阵进行迭代计算得到满足上述预设误差阈值的第二权重矩阵。

在本公开的一些实施例中，基于前述方案，上述测试指标包括：准确率、召回率和AUC中的至少一种。

在本公开的一些实施例中，基于前述方案，上述深度神经网络为反向传播神经网络。

在本公开的一些实施例中，基于前述方案，上述特征处理模块，被具体配置为：

将上述发育特征数据和上述环境特征数据输入深度神经网络的输入层；

通过上述输入层与上述隐藏层之间的第一权重矩阵，对上述发育特征数据和上述环境特征数据融合处理，得到融合特征；以及，

通过上述隐藏层与上述输出层之间的第二权重矩阵，对上述融合特征进行预测处理，得到关于上述待监控细胞体发育状态的预测结果。

在本公开的一些实施例中，基于前述方案，上述细胞体监控模块，被具体配置为：

若上述预测结果中上述待监控细胞体的发育状态异常，则生成预警信息并将上述预警信息发送至设备。

根据本公开的一个方面，提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的基于人工智能的细胞体监控方法。

根据本公开的一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述第一方面所述的基于人工智能的细胞体监控方法。

由上述技术方案可知，本公开示例性实施例中的基于人工智能的细胞体监控方法及装置，以及实现上述基于人工智能的细胞体监控方法的计算机存储介质和电子设备至少具备以下优点和积极效果：

在本公开的一些实施例所提供的技术方案中，一方面，通过摄像镜头实时获取培养器件中待监控细胞体的原始图像，并根据原始图像确定发育特征数据，从而在细胞体发育的整个过程中不需要离开培养器件的情况下，便可以实时、准确地获取细胞体发育状态数据，提升对细胞体发育过程的监控准确度。另一方面，通过传感器获取该培养器件的环境特征数据。进一步地，通过深度神经网络融合上述发育特征数据和环境特征数据，以根据得到预测结果监控上述待监控细胞体的发育状态。从而，本技术方案基于人工智能技术，能够在预测到细胞体发育状态即将发生异常时提前预警。

本公开应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

在附图中：

图1示出了可以应用本公开实施例的一种基于人工智能的细胞体监控方法及装置的示例性应用环境的系统架构的示意图；

图2示意性示出了根据本公开的一实施例的基于人工智能的细胞体监控方法的流程图；

图3示意性示出了根据本公开的一实施例的基于人工智能的细胞体监控系统的结构图；

图4示意性示出了根据本公开的一实施例的原始图像的确定方法的流程图；

图5示意性示出了根据本公开的再一实施例的基于人工智能的细胞体监控方法的流程图；

图6示出了根据本公开一实施例的深度神经网络的获取方法的流程示意图；

图7示出了根据本公开一实施例的深度神经网络的结构示意图；

图8示出了根据本公开一实施例的模型训练方法的流程示意图；

图9示出了根据本公开一实施例的对处理待监控细胞体的特征的方法的流程示意图；

图10示意性示出了根据本公开的一实施例的基于人工智能的细胞体监控装置的结构图；以及，

图11示出本公开示例性实施例中电子设备的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

图1示出了可以应用本公开实施例的一种基于人工智能的细胞体监控方法及装置的示例性应用环境的系统架构的示意图。

如图1所示，系统架构100可以包括设备101、102、103中的一个或多个，网络104和服务端105。网络104用以在设备101、102、103和服务端105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。设备101、102、103可以是具有显示屏的各种电子设备，包括但不限于台式计算机、便携式计算机、智能手机和平板电脑等等。应该理解，图1中的设备、网络和服务端的数目仅仅是示意性的。根据实现需要，可以具有任意数目的设备、网络和服务端。比如服务端105可以是多个服务端组成的服务端集群等。

本公开实施例所提供的基于人工智能的细胞体监控方法一般由服务端105执行，相应地，基于人工智能的细胞体监控装置一般设置于服务端105中。但本领域技术人员容易理解的是，本公开实施例所提供的基于人工智能的细胞体监控方法也可以由设备101、102、103执行，相应的，基于人工智能的细胞体监控装置也可以设置于设备101、102、103中，本示例性实施例中对此不做特殊限定。

举例而言，在一种示例性实施例中，一方面，可以由摄像镜头获取培养器件中待监控细胞体的原始图像，进一步地，根据原始图像确定发育特征数据。然后，将待监控细胞体的发育特征发送至设备101、102、103。另一方面，由传感器获取上述培养器件的环境特征数据后，也发送至设备101、102、103。进一步地，设备101、102、103将发育特征数据以及环境特征数据经由网络104发送至服务端105。

同时，训练后的用于预测细胞体的发育状态的深度神经网络模型设置于服务端105中。从而，在服务端105接收到关于待监控细胞体的发育特征数据以及环境特征数据之后，将其输入至深度神经网络，并通过深度神经网络，融合上述发育特征数据和上述环境特征数据，得到关于上述待监控细胞体发育状态的预测结果。最终，根据预测结果实现对上述细胞体的监控。

例如，当预测结果为待监控细胞体发育状态可能会发生异常时，则生成预警信息并将预警信息发送至设备，以提醒工作人员调整该细胞体的环境指标，如温度、湿度、氧气浓度、光照亮度、培养夜中不同营养成分的浓度等。

特别地，根据本公开的实施例，下文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以从网络上被下载和安装。在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法和装置中限定的各种功能。在一些实施例中，服务端105还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

其中，人工智能(Artificial Intelligence，简称：AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

机器学习(Machine Learning，简称：ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。

计算机视觉技术(Computer Vision，简称：CV)计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR(Optical Character Recognition,光学字符识别)、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。

随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。本申请实施例提供的方案涉及基于人工智能的细胞体监控等技术，具体通过如下实施例进行说明：

在相关技术提供的细胞体监控过程中，一方面需通过移动培养皿的方式来观察或获取培养皿中细胞体图像，然而，频繁地改变培养皿的状态将可能影响培养皿内细胞体的发育，进而不利于细胞体的成活率。另一方面，通过移动培养皿的方式来观察或获取培养皿中细胞体图像的方式不能完整地获取细胞体整个发育过程中的图像，导致细胞体图像采集不够完整，不利于对细胞体发育的监控准确度。

另外，相关技术提供的细胞体监控方案，只能对细胞体当前的发育状态进行评价，而不能够对细胞体未来的发育状态进行预测。从而，无法获知细胞体的发育状态即将发生异常，进而不能起到预警的作用。

图2示意性示出了根据本公开的一实施例的基于人工智能的细胞体监控方法的流程图。具体的，参考图2，该图所示实施例包括：

步骤S210.通过摄像镜头获取培养器件中待监控细胞体的原始图像，并根据所述原始图像确定发育特征数据；

步骤S220.通过传感器获取所述培养器件的环境特征数据，其中所述环境特征数据影响所述待监控细胞体的发育状态；

步骤S230.通过深度神经网络，融合所述发育特征数据和所述环境特征数据，得到预测结果；以及，

步骤S240.根据所述深度学习网络的预测结果监控所述待监控细胞体的发育状态。

在图2所示实施例提供的技术方案中，一方面，通过摄像镜头实时获取培养器件中待监控细胞体的原始图像，并根据原始图像确定发育特征数据，因此，在细胞体发育的整个过程中不需要离开培养器件的情况下，便可以实时、准确地获取待监控细胞体发育状态数据，提升对细胞体发育过程的监控准确度。另一方面，通过传感器获取该培养器件的环境特征数据。进一步地，通过深度神经网络融合上述发育特征数据和环境特征数据，以根据得到预测结果监控上述细胞体的发育状态。从而，本技术方案基于人工智能技术，能够在预测到细胞体发育状态即将发生异常时提前预警。

具体地，本技术方案在通过深度神经网络获取预测结果之前，需获取两方面的特征数据：细胞体的发育特征数据和细胞体所处的培养器件的环境特征数据。其中需要说明的是，细胞体的发育特征数据和细胞体所处的培养器件的环境特征数据是指同一时间段内产生的数据，但是获取细胞体的发育特征数据的步骤S210和获取细胞体所处的培养器件的环境特征数据的步骤S220的执行顺序不分先后。

进一步地，基于深度神经网络对两方面特征进行融合处理后进行预测，并根据预测结果监控细胞体的发育状态。以下实施例将对图2所示技术方案中各个步骤的具体实施方式进行解释说明：

在示例性的实施例中，上述细胞体包括胚胎、精子、卵子等。上述培养器件是指用于培养细胞体的器件，示例性的，包含细胞培养液的培养皿等。上述摄像镜头用于实时采集细胞体的原始图像，示例性的，可以根据实际需求，设置多个摄像镜头以在多个角度拍摄待监控细胞体，从而使得原始图像能够较为全面的反映待监控细胞体的发育情况，最终有利于提升监控准确度。通过本技术方案可以预测胚胎/精子/卵子的发育状态以实现对胚胎/精子/卵子发育过程的监控。例如，可以应用于胚胎培养、精子或卵子活性检测等。

图3示出的本公开一实施例中基于人工智能的细胞体监控系统的结构示意图。参考图3，该细胞体监控系统包括：镜头成像器31、存储有图像处理算法的第一处理器32、传感器33、存储有深度神经网络第二处理器34以及监控器。以下结合图3对上述监控方法进行说明：

其中，培养器件301中盛有待监控细胞体以及培养液，并通过镜头成像器(如，摄像镜头或显微摄像镜头)31获取待监控细胞体的原始图像。其中，为了使得拍摄到的原始图像能够较为全面的反映待监控细胞体的发育情况，镜头成像器31中镜头的个数和每个摄像镜头的设置位置不做限定。从而本技术方案能够在不改变培养器件状态的情况下(即保持培养器件301不移动且无需将细胞体移出培养器件301的情况下)实时拍摄待监控细胞体的发育状态。相较于相关技术中需取出培养器件或移动培养器件才可直接看到细胞体发育情况相比，本技术方案避免了移动培养器件的过程中产生的震动或环境因素(例如，光照强度、温度、湿度等)的变化，也避免了细胞体由于移出培养器件而产生的发育变化，可见本技术方案能够降低对细胞体发育的影响，进而有利于提升细胞体的成活率。

在示例性的实施例中，对于镜头成像器31获取能够反映细胞体发育情况的原始图像的具体实施方式，可以参考图4，该图所示实施例包括：

步骤S410.通过显微摄像镜头对所述培养器件中的待监控细胞体进行光学成像，得到所述待监控细胞体的图像光信号；以及，

步骤S420.通过转换电路，将所述图像光信号转化成图像电信号，得到所述待监控细胞体的原始图像。

在示例性的实施例中，参考图3和图4，在步骤S410中：通过显微摄像镜头对培养器件301中待监控细胞体进行光学成像，得到关于待监控细胞体的图像光信号A。其中，显微摄像镜头的放大倍数可以根据实际细胞体体积或对细胞体的实际研究要求确定。同时，可以通过变换不同放大倍数的显微摄像镜头或变换显微摄像镜头的拍摄角度，从而可以在不移动培养器件301的状态下便捷地获取到待监控细胞体不同角度或不同发育时期的成像，进而有利于提升模型的预测准确度和监控的准确度。

进一步地，参考图3和和图4，在步骤S420中：通过转换电路302将待监控细胞体的图像光信号A转化成原始图像B。示例性的，上述转换电路302可以采用互补金属氧化物半导体(Complementary Metal Oxide Semiconductor,简称：CMOS)实现。具体的，对于CMOS是由光敏元件、放大器、模数转换器以及存储器、数字信号处理器和计算机接口电路集成等集成器件。则上述待监控细胞体的图像光信号A经过光敏元件、放大器处理之后得到对应的模拟电信号，进一步地，模型电信号通过模数转换器处理之后，便可以得到以便于电子计算机处理的数字电信号，从而可以获取待监控细胞体的原始图像B。

更进一步地，对于镜头成像器31获取到的能够反映细胞体发育情况的原始图像B，需进一步处理以得到深度神经网络所需的发育特征数据C。参考图3，通过存储有图像处理算法的第一处理器32对上述原始图像B进行图像处理，得到深度神经网络的部分输入特征，即细胞体的发育特征数据。以下对处理原始图像的具体实施方式进行解释说明：

图5示意性示出了根据本公开的另一实施例的细胞体监控方法的流程图。参考图5，待监控细胞体的原始图像51输入至第一处理器52中，以对处理原始图像并将处理后的图像53输入至深度神经网络56中。根据存储于第一处理器52中的图像处理算法，一般先对该原始图像51进行灰度化处理以获得对应的灰度图像，然后对灰度图像进行以下处理方式中的一种或多种：去噪处理、图像增强处理和白平衡处理。

其中，对细胞体图像进行灰度化处理是指对于原始图像中的像素，将R(红)G(绿)B(蓝)三分分量的平均值更趋向于相同灰度，从而将图像由三通道变为单通道，从而有利于简化后续数据处理过程。示例性的，灰度值可以根据RGB三通道的数值进行加权计算得到，具体可以调用计算机视觉库OpenCV中提供的cvtColor()函数，实现图像的灰度处理。

参考图5，对图像进行去噪处理是指为了抑制原始图像51中存在的噪声，起到平滑图像的效果，本实施例可以采用高斯滤波算法、非局部均值滤波算法、中值滤波算法或双边滤波算法实现对原始图像51去噪处理。

对图像进行图像增强处理是指将图像细节部分进行增强，以及对细胞体图像中得重要信息内容(如，细胞体的卵黄囊部分)进行重建。示例性的，采用超分辨率卷积神经网络(Super-Resolution Convolutional Neutral Net,简称：SRCNN)将原始图像进行图像增强。其中，SRCNN能够将低分辨率的原始图像重建为对应的高分辨率图像，从而有利于提升深度神经网络获取细胞体发育状态的准确度，进而提升对细胞体发育过程的监控准确度。

其中，白平衡是描述显示器中红、绿、蓝三基色混合生成后白色精确度的一项指标。本实施例还通过白平衡处理来纠正图像色温，还原图像主体色彩，使在不同光源条件下拍摄的细胞体图像画面同人眼观看的图像画面色彩相近。示例性的，可以采用基于色温估计的自动白平衡方法、灰度世界法、完美反射法、动态阈值法实现细胞体图像的白平衡处理，从而便于深度神经网络准确地获取到细胞体发育特征，进而提升对细胞体发育过程的监控准确度。

可见，通过以上实施例可以获取待监控细胞体的发育特征数据，参考图3和图5，输入存储于第二处理器34中的深度神经网络56(如，inceptionV3网络)的数据还包括环境特征数据，则在步骤S220中，通过传感器获取所述培养器件的环境特征数据，其中所述环境特征数据影响所述待监控细胞体的发育状态。具体地：

参考图3和图5，传感器33设置于培养器件301/培养器件54内部或周边，并通过传感器34获取关于培养器件301/培养器件54的环境指标的参数数据。其中，环境指标包括但是不仅限于温度、湿度、氧气浓度、光照亮度和培养夜中不同营养成分的浓度等有可能影响细胞体生长发育的物理环境特性。其中，环境指标的参数可以是连续类型的数据序列，例如，在细胞体发育的某一阶段内培养皿的温度值序列。环境指标的参数也可以是离散类型的数据序列，例如，在细胞体发育的某一阶段内培养皿内的光照亮度的平均值等。

在示例性的实施例中，对于传感器33获取的多个环境指标的参数数据D，需进一步地通过数据预处理进行数据处理以确定环境特征数据E。具体的，参考图3，本实施例提供的基于人工智能的细胞学监控系统还包括第三处理器35，具体可以通过第三处理器35存储的数据预处理算法来确定环境特征数据E。

示例性的，参考图3或图5，对于离散类型的环境指标的参数D，可以采用存储于第三处理器35/第三处理器55中的独热(One-hot)编码的方式确定该环境指标参数的向量表示。对于连续类型的环境指标的参数序列D，可以采用存储于第三处理器35/第三处理器55中的如旋转森林(Rotation Forest)算法、计算欧氏距离或ResNet算法来体现账号的序列特征E。从而本技术方案将对细胞体的发育状态有影响作用的环境参数信息处理为用于输入第二处理器34中深度神经网络56的环境特征数据。

本技术方案将上述实施例确定的发育特征数据和环境特征数据输入至第二处理器的深度神经网络中，以根据深度神经网络的预测结果303/预测结果57实现对细胞体的监控。在示例性的实施例中，本技术方案中的深度神经网络采用反向传播神经网络模型。以下实施例将对模型的训练过程和测试过程进行更加详细的解释说明：

在示例性的实施例中，图6示出了根据本公开一实施例的深度神经网络的获取方法的流程示意图。参考图6，该方法包括：

步骤S610.根据细胞体样本的发育特征样本、所述环境特征样本以及所述细胞体样本的实际发育状态以确定一组样本，得到样本集；

步骤S620.通过所述样本集中的第一部分样本训练所述深度神经网络；以及，

步骤S630.通过所述样本集中的第二部分样本测试所述深度神经网络，以使所述深度神经网络满足预设测试指标。

示例性的，步骤S610中确定样本集的具体实施方式与步骤S210和步骤S220的具体实施方式相同，在此不再赘述。对于步骤S610中确定样本集，可以随机将上述样本集分为第一部分样本和第二部分样本。其中，第一部分样本用于训练深度神经网络，而第二部分样本用于验证训练的迭代过程中的深度神经网络是否达到预设的预测指标。示例性的，达到预设测试指标的深度神经网络，便可以对待监控细胞体的发育状态进行预测，进而实现监控细胞体发育的效果。

在示例性的实施例中，图7示出了根据本公开一实施例的深度神经网络的结构示意图，图8示出了根据本公开一实施例的模型训练方法的流程示意图。以下实施例结合图7和图8对先对步骤S620的获取过程的具体实施方式进行解释说明：

在示例性的实施例中，参考图7和图8，将上述细胞体样本A的发育特征样本、环境特征样本(即输入特征)输入至该深度神经网络56，以得到细胞体样本A的预测发育状态、输入层561与隐藏层562之间的第一中间权重矩阵81，以及隐藏层562与输出层563之间的第二中间权重矩阵82。

示例性的，首先，一组输入x1、x2、…、xp来到输入层561，然后通过与隐藏层562的连接权重81(即上述第一中间权重矩阵)产生一组数据S1、S2、…、Sn，并将其作为隐藏层562的输入。然后，通过隐藏层562节点的激活函数f()后准换为f(S_j)，其中，j取值为[1,n]，表示隐藏层562的第j个节点产生的输出。进一步地，这些输出将通过隐藏层562与输出层563的连接权重82(即上述第二中间权重矩阵)产生输出层563的输入。

示例性的，输出层563的处理过程和隐藏层562的处理过程是相似的。最后会在输出层563产生输出y₁、y₂、…、y_q。从而，完成反向传播神经网络的前向传播过程。以下实施例对误差的反向传播进行解释说明，其中，误差的反向传播的目的是对上述调整第一中间权重矩阵81以及第二中间权重矩阵82。

示例性的，通过第一部分样本中每组样本的发育特征样本、环境特征样本，以及模型输出的预测发育状态，对上述第一中间权重矩阵81进行迭代计算得到满足预设误差阈值的第一权重矩阵，以及对上述第二中间权重矩阵82进行迭代计算得到满足所述预设误差阈值的第二权重矩阵。

参考图8，在误差的反向传播过程中，对于给定的第一部分样本，一方面，其实际发育状态是已经确定的，示例性的，用y’₁、y’₂、…、y’_q。另一方面，该深度神经网络的输出预测值(即预测发育状态表示为：y₁、y₂、…、y_q)，与上述实际发育状态比较将会有误差。示例性的，误差为：e₁＝y’₁-y₁、e₂＝y’₂-y₂、…、e_q＝y’_q-y_q。在模型获取过程中，将上述误差e₁、e₂、…、e_q在深度神经网络56中进行反向传播，以迭代计算第一中间权重矩阵和第二中间权重矩阵。从而使得上述误差e₁、e₂、…、e_q越小，那么就是深度神经网络56的输出结果靠近了实际结果，也就是说，深度神经网络56的预测准确度越高。并最终确定第一中间权重矩阵的迭代结果为第一权重矩阵，以及确定第二中间权重矩阵的迭代结果为第二权重矩阵。

在示例性的实施例中，假如细胞体的发育状态的等级可以分为“优”、“良”、“中”、“差”4个等级。则对于从深度神经网络56的输出使用归一化函数(如，softmax函数)，以确定细胞体的发育状态分别属于不同等级的概率。比如说，对于某一待监控细胞体K，深度神经网络对其预测发育状态的等级为“优”的概率是80％，等级为“良”的概率是15％，等级为“中”的概率是5％，等级为“差”的概率是0。

在示例性的实施例中，本技术方案可以基于开源软件库(tensorflow)实现。通过建立深度神经网络InceptionV3、数据集准备，设定学习率和迭代次数，并利用随机梯度下降(Stochastic Gradient Descent，简称：SGD)算法来最小化损失，从而实现对深度神经网络InceptionV3的训练。

以下实施例结合图7和图8对先对步骤S630的测试过程的具体实施方式进行解释说明：

在示例性的实施例中，在步骤S630中，通过第二部分样本测试深度神经网络，以使所述深度神经网络满足：准确率、召回率和接收者操作特征曲线(receiver operatingcharacteristic curve，简称：ROC)下面积AUC(一种模型评价指标，具体用于评估模型的预测价值；是Area Under Curve的简称)对上述迭代优化后的深度神经网络进行评价。具体的：

示例性的，通过第一部分样本进行迭代优化之后，再通过第二部分样本对迭代优化后中的深度神经网络(记作“待测试模型”)进行测试，并且使用至少一种测试指标对待测试模型的测试结果进行验证，并将符合测试指标的深度神经网络进行图2所示实施例中待监控细胞体的发育状态的预测。

在示例性的实施例中，具体地对待测试模型进行测试的方式可以是：

首先，根据第二部分样本(测试样本集)输入至待测试模型，模型的输出数据得到以下：真阳性TP，真阴性TN，伪阴性FN和伪阳性FP。

其中，TP是利用待测试模型对测试样本集中正类进行判断后属于仍是正类的数目，TN利用待测试模型对测试样本集负类进行判断后属于仍是负类的数目，FN利用待测试模型对测试样本集中正类进行判断后属于是负类的数目，FP利用待测试模型对测试样本集负类进行判断后属于是正类的数目。正类和负类是指人工对第一部分样本标注的两种类别，即人工标注某个样本属于特定的类，则该样本属于正类，不属于该特定类的样本则属于负类。

其次，根据真阳性TP，真阴性TN，伪阴性FN和伪阳性FP计算待测试模型的测试结果。

在示例性的实施例中，测试指标以准确率、召回率为例进行介绍。具体的：根据公式(1)和公式(2)分别计算准确率p和召回率r。

p＝TP/(TP+FP) (1)

r＝TP/(TP+FN) (2)

假如，测试指标对应的设定条件为：准确率测试结果大于p’(预设值)则为满足准确率设定条件，否则不满足准确率设定条件，以及召回率测试结果大于r’(预设值)则为满足召回率设定条件，否则不满足召回率设定条件。

在示例性的实施例中，在测试结果满足测试指标对应的设定条件的情况下，则待测试模型可以用于待监控细胞体发育状态的预测；在测试结果不满足设定条件时，则上述待测试模型继续迭代优化直至测试结果满足设定条件。

在示例性的实施例中，判断测试结果是否满足测试指标对应的设定条件时，可以是仅以准确率或召回率作为测试指标，即正确率/召回率满足设定条件即可；还可以同时以准确率和召回率同时作为测试指标，即正确率和召回率满足设定条件即可。

需要说明的是，具体的测试方式根据实际需求而制定，不限于以上准确率和/或召回率作为测试指标进行测试。

在示例性的实施例中，测试指标还可以为AUC。具体的：

在示例性的实施例中，利用公式(3)和公式(4)确定伪阳性率FPR和真阳性率TPR。

FPR＝FP/(FP+TN) (3)

TPR＝TP/(TP+FN) (4)

进一步地，以FPR为横坐标，TPR为纵坐标，绘制受试者工作特征曲线(ReceiverOperating Characteristic curve，简称ROC曲线)。其中，ROC曲线是获得的各指标的特征曲线，用于展示各指标之间的关系，并进一步计算出ROC曲线下面积AUC。ROC曲线是获得的各指标的特征曲线，用于展示各指标之间的关系，AUC即ROC曲线下面积，AUC越大，则模型的预测价值越高，进而可通过AUC对待测试模型进行测试。并可以在评价结果为AUC值满足预设阈值时，便可以将得到的模型用于预测待监控细胞体的发育状态等级。

在示例性的实施例中，在得到满足模型评价指标的深度神经网络之后，可以结合图9对步骤S230的具体实施方式进行说明。具体地：

在步骤S910中，将所述发育特征数据和所述环境特征数据输入深度神经网络的输入层。

在示例性的实施例中，参考图7和图8，将待监控细胞体的发育特征数据和环境特征数据输入深度神经网络的输入层561。

在步骤S920中，通过所述输入层与所述隐藏层之间的第一权重矩阵，对所述发育特征数据和所述环境特征数据融合处理，得到融合特征。

在示例性的实施例中，参考图7和图8，通过输入层561与隐藏层562之间的第一权重矩阵81，对该待监控细胞体的发育特征数据和环境特征数据融合处理，得到融合特征。

在步骤S930中，通过所述隐藏层与所述输出层之间的第二权重矩阵，对所述融合特征进行预测处理，得到关于所述待监控细胞体发育状态的预测结果。

在示例性的实施例中，参考图7和图8，通过隐藏层562与输出层563之间的第二权重矩阵82，对上述融合特征进行预测处理，得到关于待监控细胞体发育状态的预测结果303/预测结果57。

示例性的，若预测结果为待监控细胞体发育状态为“优”或“良”，说明该细胞体发育状态良好，暂时无需改变该细胞体的环境指标，如温度、湿度、氧气浓度、光照亮度、培养夜中不同营养成分的浓度等。

示例性的，若预测结果为待监控细胞体发育状态为“中”或“差”，说明该细胞体发育状态可能会发生异常，则生成预警信息并将预警信息发送至设备，以提醒工作人员调整该细胞体的环境指标，如温度、湿度、氧气浓度、光照亮度、培养夜中不同营养成分的浓度等。

可见，本技术方案中对细胞体的监控过程不需要取出细胞体的培养皿，对细胞体具有更好的保护，提升细胞体成活率。通过计算机视觉和人工智能技术，其准确率不会随着使用者的技术水平或其他环境因素的变化而受到影响，可以大规模建造于推广。同时，布技术方案不需要人员实时监控，极大解放生产力。特别的，还能够对有可能出现的情况会及时预警提示，对发生的错误可以追溯观测。另外，本技术方案提供了便捷的监控细胞体发育的方法，可随时更新待监控细胞体的数据(如，细胞体种类)，从容适用于不同动物细胞体的培养监控。

本领域技术人员可以理解实现上述实施方式的全部或部分步骤被实现为由处理器(包含CPU和GPU)执行的计算机程序。例如，通过GPU实现对上述深度神经网络的训练，或者基于训练后的深度神经网络，使用CPU或GPU实现对细胞体的发育状态进行预测的任务等。在该计算机程序被CPU执行时，执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。

此外，需要注意的是，上述附图仅是根据本公开示例性实施方式的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

以下介绍本公开的基于人工智能的细胞体监控装置实施例，可以用于执行本公开上述的基于人工智能的细胞体监控方法。

图10示意性示出本公开示例性实施例中基于人工智能的细胞体监控装置的结构图。如图10所示，上述基于人工智能的细胞体监控装置1000包括：发育特征获取模块1001、环境特征获取模块1002、特征处理模块1003，以及细胞体监控模块1004。其中：

上述发育特征获取模块1001，被配置为：通过摄像镜头获取培养器件中待监控细胞体的原始图像，并根据上述原始图像确定发育特征数据；

上述环境特征获取模块1002，被配置为：通过传感器获取上述培养器件的环境特征数据，其中上述环境特征数据影响上述待监控细胞体的发育状态；

上述特征处理模块1003，被配置为：通过深度神经网络，融合上述发育特征数据和上述环境特征数据，得到预测结果；以及，

上述细胞体监控模块1004，被配置为：根据上述深度学习网络的预测结果监控上述待监控细胞体的发育状态。

在本公开的一些实施例中，基于前述方案，上述发育特征获取模块1001，包括：光学成像单元10011和转换单元10012。其中：

上述光学成像单元10011，被配置为：通过显微摄像镜头对上述培养器件中的待监控细胞体进行光学成像，得到上述待监控细胞体的图像光信号；以及，

上述转换单元10012，被配置为：通过转换电路，将上述图像光信号转化成图像电信号，得到上述待监控细胞体的原始图像。

在本公开的一些实施例中，基于前述方案，上述发育特征获取模块，还包括：图像处理单元10013，被配置为：

对上述原始图像进行灰度化处理得到对应的灰度图像；以及，

对上述灰度图像进行以下处理方式中的一种或多种：去噪处理、图像增强处理和图像白平衡处理，得到上述发育特征数据。

在本公开的一些实施例中，基于前述方案，上述环境特征获取模块1002，包括：数据获取单元10021和数据预处理单元10022。其中：

上述数据获取单元10021，被配置为：通过传感器获取上述培养器件的环境指标的参数数据，其中上述环境指标包括：温度数据、湿度数据、氧气浓度数据、光照亮度数据中的一种或多种；以及，

上述数据预处理单元10022，被配置为：对上述环境指标的参数数据进行数据预处理，得到上述环境指标的参数数据的向量表示作为上述环境特征数据。

在本公开的一些实施例中，基于前述方案，上述环境指标的参数数据为离散类型，其中，上述数据预处理单元10022，被具体配置为：

采用独热编码的方式确定上述环境指标参数数据的向量表示。

在本公开的一些实施例中，基于前述方案，上述环境指标的参数数据为连续类型，其中，上述数据预处理单元10022，被具体配置为：

采用旋转森林算法、计算欧氏距离或ResNet算法处理上述环境指标的参数数据，得到上述环境指标的参数数据的序列特征。

在本公开的一些实施例中，基于前述方案上述基于人工智能的细胞体监控装置1000还包括：样本集获取模块1005、模型训练模块1006以及模型测试模块1007。其中：

上述样本集获取模块1005，被配置为：根据细胞体样本的发育特征样本、上述环境特征样本以及上述细胞体样本的实际发育状态以确定一组样本，得到样本集；

上述模型训练模块1006，被配置为：通过上述样本集中的第一部分样本训练上述深度神经网络；

上述模型测试模块1007，被配置为：通过上述样本集中的第二部分样本测试上述深度神经网络，以使上述深度神经网络满足预设测试指标。

在本公开的一些实施例中，基于前述方案，上述模型训练模块1006，被具体配置为：

将上述第一部分样本中每组样本的发育特征样本和上述环境特征样本输入至上述深度神经网络，得到上述细胞体样本的预测发育状态、输入层与上述隐藏层之间的第一中间权重矩阵，以及上述隐藏层与输出层之间的第二中间权重矩阵；以及，

通过上述实际发育状态和上述预测发育状态，对上述第一中间权重矩阵进行迭代计算得到满足预设误差阈值的第一权重矩阵，以及对上述第二中间权重矩阵进行迭代计算得到满足上述预设误差阈值的第二权重矩阵。

在本公开的一些实施例中，基于前述方案，上述测试指标包括：准确率、召回率和AUC中的至少一种。

在本公开的一些实施例中，基于前述方案，上述深度神经网络为反向传播神经网络。

在本公开的一些实施例中，基于前述方案，上述特征处理模块1003，被具体配置为：

将上述发育特征数据和上述环境特征数据输入深度神经网络的输入层；

通过上述输入层与上述隐藏层之间的第一权重矩阵，对上述发育特征数据和上述环境特征数据融合处理，得到融合特征；以及，

通过上述隐藏层与上述输出层之间的第二权重矩阵，对上述融合特征进行预测处理，得到关于上述待监控细胞体发育状态的预测结果。

在本公开的一些实施例中，基于前述方案，上述细胞体监控模块1004，被具体配置为：

若上述预测结果中上述待监控细胞体的发育状态异常，则生成预警信息并将上述预警信息发送至设备。

上述基于人工智能的细胞体监控装置中各模块的具体细节已经在上述基于人工智能的细胞体监控方法实施例中进行了详细的描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。

在本公开示例性实施方式中，还提供了一种能够实现上述方法的计算机存储介质。其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当上述程序产品在设备上运行时，上述程序代码用于使上述设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

图11示出了适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。

需要说明的是，图11示出的电子设备的计算机系统1100仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图11所示，计算机系统1100包括处理器1101(包括：图形处理单元(GraphicsProcessing Unit，简称：GPU)、中央处理单元(Central Processing Unit，简称：CPU))，其可以根据存储在只读存储器(Read-Only Memory，简称：ROM)1102中的程序或者从存储部分1108加载到随机访问存储器(Random Access Memory，RAM)1103中的程序而执行各种适当的动作和处理。在RAM 1103中，还存储有系统操作所需的各种程序和数据。处理器(CPU或GPU)1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(Input/Output，简称：I/O)接口1105也连接至总线1004。

以下部件连接至I/O接口1105：包括键盘、鼠标等的输入部分1106；包括诸如阴极射线管(Cathode Ray Tube，简称：CRT)、液晶显示器(Liquid Crystal Display，简称：LCD)等以及扬声器等的输出部分1107；包括硬盘等的存储部分1108；以及包括诸如局域网(Local Area Network，简称：LAN)卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1110上，以便于从其上读出的计算机程序根据需要被安装入存储部分1108。

特别地，根据本公开的实施例，下文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1109从网络上被下载和安装，和/或从可拆卸介质1111被安装。在该计算机程序被处理器(CPU或GPU)1101执行时，执行本申请的系统中限定的各种功能。

需要说明的是，本公开实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。

计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，简称：EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，简称：CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。

计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。

例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的方法。

例如，所述的电子设备可以实现如图2中所示的：步骤S210，通过摄像镜头获取培养器件中待监控细胞体的原始图像，并根据上述原始图像确定发育特征数据；步骤S220，通过传感器获取上述培养器件的环境特征数据，其中上述环境特征数据影响上述待监控细胞体的发育状态；步骤S230，通过深度神经网络，融合上述发育特征数据和上述环境特征数据，得到预测结果；以及，步骤S240，根据上述深度学习网络的预测结果监控上述待监控细胞体的发育状态。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务端、触控终端、或者网络设备等)执行根据本公开实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (15)

1.一种基于人工智能的细胞体监控方法，其特征在于，所述方法包括：

通过摄像镜头获取培养器件中待监控细胞体的原始图像，并根据所述原始图像确定发育特征数据；

通过传感器获取所述培养器件的环境特征数据，其中所述环境特征数据影响所述待监控细胞体的发育状态；

通过深度神经网络，融合所述发育特征数据和所述环境特征数据，得到预测结果；

根据所述深度学习网络的预测结果监控所述待监控细胞体的发育状态。

2.根据权利要求1所述的基于人工智能的细胞体监控方法，其特征在于，所述通过摄像镜头获取培养器件中待监控细胞体的原始图像，包括：

通过显微摄像镜头对所述培养器件中的待监控细胞体进行光学成像，得到所述待监控细胞体的图像光信号；

通过转换电路，将所述图像光信号转化成图像电信号，得到所述待监控细胞体的原始图像。

3.根据权利要求1所述的基于人工智能的细胞体监控方法，其特征在于，所述根据所述原始图像确定发育特征数据，包括：

对所述原始图像进行灰度化处理得到对应的灰度图像；

对所述灰度图像进行以下处理方式中的一种或多种：去燥处理、图像增强处理和图像白平衡处理，得到所述发育特征数据。

4.根据权利要求1所述的基于人工智能的细胞体监控方法，其特征在于，所述通过传感器获取所述培养器件的环境特征数据，包括：

通过传感器获取所述培养器件的环境指标的参数数据，其中所述环境指标包括：温度数据、湿度数据、氧气浓度数据、光照亮度数据中的一种或多种；

对所述环境指标的参数数据进行数据预处理，得到所述环境指标的参数数据的向量表示作为所述环境特征数据。

5.根据权利要求4所述的基于人工智能的细胞体监控方法，其特征在于，所述环境指标的参数数据为离散类型，其中，

所述对所述环境指标的参数数据进行数据预处理，包括：

采用独热编码的方式确定所述环境指标参数数据的向量表示。

6.根据权利要求4所述的基于人工智能的细胞体监控方法，其特征在于，所述环境指标的参数数据为连续类型，其中，

所述对所述环境指标的参数数据进行数据预处理，包括：

采用旋转森林算法、计算欧氏距离或ResNet算法处理所述环境指标的参数数据，得到所述环境指标的参数数据的序列特征。

7.根据权利要求1至6中任意一项所述的基于人工智能的细胞体监控方法，其特征在于，所述方法还包括：

根据细胞体样本的发育特征样本、所述环境特征样本以及所述细胞体样本的实际发育状态以确定一组样本，得到样本集；

通过所述样本集中的第一部分样本训练所述深度神经网络；

通过所述样本集中的第二部分样本测试所述深度神经网络，以使所述深度神经网络满足预设测试指标。

8.根据权利要求7所述的基于人工智能的细胞体监控方法，其特征在于，所述通过所述样本集中的第一部分样本训练所述深度神经网络，包括：

将所述第一部分样本中每组样本的发育特征样本和所述环境特征样本输入至所述深度神经网络，得到所述细胞体样本的预测发育状态、输入层与所述隐藏层之间的第一中间权重矩阵，以及所述隐藏层与输出层之间的第二中间权重矩阵；

通过所述实际发育状态和所述预测发育状态，对所述第一中间权重矩阵进行迭代计算得到满足预设误差阈值的第一权重矩阵，以及对所述第二中间权重矩阵进行迭代计算得到满足所述预设误差阈值的第二权重矩阵。

9.根据权利要求7所述的基于人工智能的细胞体监控方法，其特征在于，所述测试指标包括：准确率、召回率和AUC中的至少一种。

10.根据权利要求8所述的基于人工智能的细胞体监控方法，其特征在于，所述深度神经网络为反向传播神经网络，其中，

所述通过深度神经网络，融合所述发育特征数据和所述环境特征数据，得到预测结果，包括：

将所述发育特征数据和所述环境特征数据输入深度神经网络的输入层；

通过所述输入层与所述隐藏层之间的第一权重矩阵，对所述发育特征数据和所述环境特征数据融合处理，得到融合特征；

通过所述隐藏层与所述输出层之间的第二权重矩阵，对所述融合特征进行预测处理，得到关于所述待监控细胞体发育状态的预测结果。

11.根据权利要求8所述的基于人工智能的细胞体监控方法，其特征在于，所述根据所述深度学习网络的预测结果监控所述待监控细胞体的发育状态，包括：

若所述预测结果中所述待监控细胞体的发育状态异常，则生成预警信息并将所述预警信息发送至设备。

12.一种基于人工智能的细胞体监控系统，其特征在于，所述系统包括：

镜头成像器，用于获取培养器件中待监控细胞体的原始图像；

第一处理器，所述第一处理器中存储有图像处理算法，以通过所述图像处理算法处理所述原始图像确定发育特征数据；

传感器，用于获取所述培养器件的环境特征数据，其中所述环境特征数据影响所述待监控细胞体的发育状态；

第二处理器，所述第二处理器中存储有深度神经网络，以通过所述深度神经网络，融合所述发育特征数据和所述环境特征数据，得到预测结果；

监控器，用于根据所述深度学习网络的预测结果监控所述待监控细胞体的发育状态。

13.一种基于人工智能的细胞体监控装置，其特征在于，所述装置包括：

发育特征获取模块，被配置为：通过摄像镜头获取培养器件中待监控细胞体的原始图像，并根据所述原始图像确定发育特征数据；

环境特征获取模块，被配置为：通过传感器获取所述培养器件的环境特征数据，其中所述环境特征数据影响所述待监控细胞体的发育状态；

特征处理模块，被配置为：通过深度神经网络，融合所述发育特征数据和所述环境特征数据，得到预测结果；

细胞体监控模块，被配置为：根据所述深度学习网络的预测结果监控所述待监控细胞体的发育状态。

14.一种计算机存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至12中任意一项所述的基于人工智能的细胞体监控方法。

15.一种电子设备，其特征在于，所述电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至12中任意一项所述的基于人工智能的细胞体监控方法。

Images