CN112836621B - 一种植物细胞表型检测方法及系统 - Google Patents
一种植物细胞表型检测方法及系统 Download PDFInfo
- Publication number
- CN112836621B CN112836621B CN202110125780.2A CN202110125780A CN112836621B CN 112836621 B CN112836621 B CN 112836621B CN 202110125780 A CN202110125780 A CN 202110125780A CN 112836621 B CN112836621 B CN 112836621B
- Authority
- CN
- China
- Prior art keywords
- cells
- sample
- browned
- detected
- cell
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Hematology (AREA)
- Urology & Nephrology (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Immunology (AREA)
- Microbiology (AREA)
- Cell Biology (AREA)
- Biotechnology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种植物细胞表型检测方法及系统。本发明将计算机视觉技术与植物细胞培养结合,通过连续对植物细胞进行相片捕捉,通过采用分类模型进行两次分类,根据植物细胞生长过程中颜色的变化,可以对不同生长状态的植物细胞进行区分,完成对植物细胞的生物量和褐化程度的准确预测。本发明实现了方便、准确、快速、安全、低成本的植物细胞生物量及褐化程度的检测,解决了因植物细胞结团没法通过正常取样获得生物量的问题;并且因为该方法是非侵入式的测量,避免了悬浮细胞染菌的问题。
Description
技术领域
本发明涉及生物检测技术领域,尤其涉及一种数位图像法结合机器学习分析快速检测植物细胞表型的植物细胞表型检测方法及系统。
背景技术
植物细胞培养是在体外水平下大规模生产植物次生代谢物的有用技术。许多植物产品被用作药物、色素和除草剂等,植物细胞培养被用于生产各种有价值的药品,如紫杉醇。由于植物细胞的特性和培养环境的复杂性,如褐化、生长缓慢、细胞聚集生长等问题,植物细胞在悬浮培养中生长时,对这些现象的发生机理仍没有明确的认识。迄今为止,与微生物和动物细胞相比,植物细胞商业化的成功案例较少。主要原因之一是对于细胞表型的量化方法还存在滞后性。例如,目前对生物反应器中生长的植物细胞的监测方法主要来源于微生物培养方案,缺乏一套高效、安全、稳定的植物细胞表型分析方法。
生物量的在线监测是了解植物细胞在生物反应器中生长的重要途径。但是目前在植物细胞培养中,还没有一个很好的方法来对生物量进行发酵监控。当细胞分裂未完全分离和胞外多糖积累时,大多数植物细胞以大小不等的细胞团形式存在。在悬浮培养条件下,存在一种常见的细胞沉降现象。因此,传统的微生物浊度法估算植物细胞生物量会产生不可接受的偏差。由于细胞的聚集性,不可能直接、均匀地获取细胞的鲜重和干重,进而计算出整个培养体积的生物量,误差也很大。基于质膜极化,开发了活细胞电极来测量细胞培养基的电容,以表征活细胞的生物量;但是,它只能测量活细胞的数量,总生物量的测量还没有从根本上解决。上述测量方法均为破坏性或侵入性测量方法,且部分测量设备价格昂贵。
植物细胞的细胞褐化是制约植物细胞大规模培养的另一因素。许多导致细胞褐化的因素已被报道。例如,高溶解氧(DO)会使酚类物质形成醌类,酚类物质外泄导致植物细胞培养基褐化;悬浮细胞的应激反应也会使其自身颜色变为褐色。但是对于其机理研究仍然并不是很透彻。在任何情况下,细胞褐化都会损害细胞生长,甚至细胞死亡,最终导致生物量下降,严重制约了植物细胞培养的研究和产业化。而目前对植物细胞褐化程度的表征仍停留在主观的人眼观测经验水平。
发明内容
本发明的目的在于,针对现有技术中存在的技术问题,提供一种无创、简单、高效、易操作的植物细胞表型检测方法及系统,对植物细胞生物量及褐化程度进行检测。
为实现上述目的,本发明提供了一种植物细胞表型检测方法,所述方法包括如下步骤:(1)采用预先搭建的图像获取装置,获取待测样品的植物细胞图像;(2)对所述植物细胞图像进行处理以提取出颜色参数矩阵;(3)对所述颜色参数矩阵中的颜色参数进行主成分分析后,通过预设的分类模型进行分类,从所述待测样品的植物细胞中分离出褐化细胞和非褐化细胞,以及从所述非褐化细胞中分别分离出生长良好细胞;(4)根据所述褐化细胞通过预设的半监督分类模型预测所述待测样品中植物细胞的细胞活力,根据所述生长良好细胞通过预设的回归模型预测所述待测样品中植物细胞的生物量。
为实现上述目的,本发明还提供了一种植物细胞表型检测系统,所述系统包括:图像获取装置,用于获取待测样品的待测悬浮细胞图像;图像处理模块,用于对所述待测悬浮细胞图像进行处理以提取出待测颜色参数矩阵;分类模块,用于对所述待测颜色参数矩阵中的待测颜色参数进行主成分分析后,通过预设的分类模型进行分类,从所述待测样品的植物细胞中分离出褐化细胞和非褐化细胞,以及从所述非褐化细胞中分别分离出生长良好细胞;预测模块,用于根据所述褐化细胞通过预设的半监督分类模型预测所述待测样品中植物细胞的细胞活力,以及根据所述生长良好细胞通过预设的回归模型预测所述待测样品中植物细胞的生物量。
本发明的优点在于:本发明将计算机视觉技术与植物细胞培养结合,通过连续对植物细胞进行相片捕捉,通过采用分类模型进行两次分类,根据植物细胞生长过程中颜色的变化,可以对不同生长状态的植物细胞进行区分,完成对植物细胞的生物量和褐化程度的准确预测。本发明实现了方便、准确、快速、安全、低成本的植物细胞生物量及褐化程度的检测,解决了因植物细胞结团没法通过正常取样获得生物量的问题;并且因为该方法是非侵入式的测量,避免了悬浮细胞染菌的问题。通过自主发明的图像获取装置配合软件完成了对图片的快速处理,采用软硬件结合的方式完成了对图片批量处理,相比于单纯软件获取目标区域时间效率有较大提高,可以获取大量用于建模以及模型验证的数据。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,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它的附图。
图1为本发明植物细胞表型检测方法一实施例的流程示意图;
图2A为本发明图像获取装置的架构示意图;
图2B为采用本发明图像获取装置获取图像的示意图;
图3为本发明分类结果获取的一实施例的架构图;
图4A~图4D为本发明预测结果示意图;
图5为本发明植物细胞表型检测系统一实施例的示意图。
具体实施方式
下面将结合附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。本发明的说明书和权利要求书以及附图中的术语“第一”“第二”“第三”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。此外,术语“包括”“具有”以及它们的任何变形,意图在于覆盖不排它的包含。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“相连”“连接”应做广义理解。例如,可以是电连接或相互通讯,可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。应当理解,当称元件“耦接到”另一元件时,存在中间元件。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1,本发明植物细胞表型检测方法一实施例的流程示意图。本实施例所述方法包括如下步骤:步骤S1、采用预先搭建的图像获取装置,获取待测样品的植物细胞图像;步骤S2、对所述植物细胞图像进行处理以提取出颜色参数矩阵;步骤S3、对所述颜色参数矩阵中的颜色参数进行主成分分析后,通过预设的分类模型进行分类,从所述待测样品的植物细胞中分离出褐化细胞和非褐化细胞,以及从所述非褐化细胞中分别分离出生长良好细胞;以及步骤S4、根据所述褐化细胞通过预设的半监督分类模型预测所述待测样品中植物细胞的细胞活力,根据所述生长良好细胞通过预设的回归模型预测所述待测样品中植物细胞的生物量以检测出所述待测样品中植物细胞的生物量和褐化程度。以下给出详细解释说明。
关于步骤S1、采用预先搭建的图像获取装置,获取待测样品的植物细胞图像。
本发明搭建了一套用于拍摄特定数字图片的图像获取装置。如图2A所示,所述图像获取装置10包括预制封闭盒101,置于所述预制封闭盒101中的摄像机102、样品支架103和固定光源104,以及置于所述预制封闭盒101外部的遥控快门105。其中,所述待测样品100置于所述样品支架103上,所述固定光源104置于所述待测样品100远离所述样品支架103的一侧。所述预制封闭盒101可以避免反射效应、以及避免环境光对成像系统的污染。所示摄像机102(例如FUJIFILM X-A2)置于所述预制封闭盒101(例如实验室自制系统LSS)中,通过所示遥控快门105获取图像。所述预制封闭盒101上部设有固定光源104以获得固定的成像画面,以及保证测量过程中图像的再现性。在所有实验中,数字图像都是以JPG格式存储的。摄像机参数为F5.6,快门速度为1/30,ISO为200,手动对焦,手动白平衡。通过所述图像获取装置10既可以保证图像拍摄的平行性及稳定性,又可以保证拍摄的可重复性,是一种安全、低成本、高稳定的,用于植物表型分析的成像方案。所获取的图像示例如图2B所示。
关于步骤S2、对所述植物细胞图像进行处理以提取出颜色参数矩阵。
进一步的实施例中,所述步骤S2进一步包括:S21、获取所述植物细胞图像的有效位置信息;S22、根据所述有效位置信息生成目标图像;S23、在所述目标图像中选择预设像素大小的象限,计算获取颜色参数,提取出所述颜色参数矩阵。进一步的实施例中,所述颜色参数包括:红色值(R)、绿色值(G)、蓝色值(B)、亮度(L)、相对红色值(RR=R/L)、相对绿色值(RG=G/L)、相对蓝色值(RB=B/L)、色调(H)、饱和度(S)和Lab模式中的照度(l)。即,颜色参数包括10种,相应的一张图片对应形成1*10颜色参数矩阵。进一步地,对各颜色参数进行归一化处理。归一化之后各颜色参数对应值分布在0-1之间,使得后续处理更加便捷快速;且把有量纲表达式变成无量纲表达式,便于不同单位或量级的指标能够进行比较和加权。例如,红色值(R)的值是0-255之间的一个数值,把这个数值除以255,得到分布在0-1之间的纯量。
可以利用工具基于计算机视觉技术对图像进行处理。计算机视觉技术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,处理成为更适合人眼观察或传送给仪器检测的图像。即通过数字图像技术从客观事物的图像中提取信息,进行处理并加以评估,最终用于实际检测、测量和控制。因其速度快、信息量大、功能多广泛在农学、食品科学、化学、生物医学等领域使用。例如,可以由Python+Opencv编写的可执行文件进行图像处理操作,具体流程如下:(1)预处理:重命名图像以使处理程序正常运行;(2)检测:对预处理后图像进行模糊消噪,并检测获取图像的有效位置信息(有效位置信息指可以正确的区分图像中的前景色和背景色);(3)分割:对图像进行分割、并利用检测获取的有效位置信息生成新的目标图像,以利于后续进行参数提取;(4)参数提取:在目标图像中选择一个预设像素大小的象限(例如1400*1400),计算获取颜色参数,以提取出颜色参数矩阵。(5)文件导出文件:将提取的颜色参数矩阵导出为.csv文件格式的可执行文件。以上过程可以均由Python+OpenCV完成,并利用OpenCV函数对图像进行处理,并生成了一个python可执行文件。此操作可以确保代码可以在其他windows10或mac OS上运行,并且保证了方法的可移植性。
即,本发明在硬件方面上通过实验室自制的图像获取装置,完成了对植物细胞图像的拍摄,且可以保证不同批次间获取的图像有较好的平行性。在软件方面对图像进行了高通量的处理,完成了图片目标区域的捕捉以及颜色参数的获取。采用软硬件结合的方式完成了对图片批量处理,相比于单纯软件获取目标区域时间效率有较大提高(约提高了20倍),可以获取大量用于建模以及模型验证的数据。
关于步骤S3、对所述颜色参数矩阵中的颜色参数进行主成分分析后,通过预设的分类模型进行分类,从所述待测样品的植物细胞中分离出褐化细胞和非褐化细胞,以及从所述非褐化细胞中分别分离出生长良好细胞。
进一步的实施例中,所述步骤S3进一步包括:S31、对所述颜色参数矩阵中的颜色参数进行主成分分析(PCA)后,通过所述分类模型进行第一次分类,从所述待测样品的植物细胞中分离出褐化细胞(Browning Suspension,以下简称BS)和非褐化细胞(Non-BrowningSuspension,以下简称Non-BS),其中,所述褐化细胞用于半监督分类预测所述待测样品的细胞活力;S32、根据所述颜色参数矩阵中的颜色参数通过所述分类模型进行第二次分类,从所述非褐化细胞(Non-BS)中分别分离出生长良好细胞(Nice Suspension,以下简称NS)和灰化细胞(Gray Suspension,以下简称GS),其中,所述生长良好细胞用于回归预测所述待测样品的生物量。即,根据植物细胞的颜色变化,进行两次不同细胞系的分类。第一次分类用于区分褐化细胞(BS)和非褐化细胞(Non-BS)。第二次分类后,生长良好细胞(NS)被分离。褐化细胞(BS)用于半监督分类预测细胞活力,生长良好细胞(NS)用于回归预测生物量。其中,定义如下:生长良好细胞(NS)为细胞颜色较浅呈黄白色,细胞粒径小且均匀,生长速度快的植物细胞;灰化细胞(GS)为颜色介于褐色和黄白色之间,接近米黄色,颗粒大小不等,但仍然保持正常的细胞活力的植物细胞;褐化细胞(BS)为细胞的颜色变为褐色,细胞的生命活性降低,无法完成正常的生长。细胞灰化细胞(GS)为介于褐化和生长良好之间的过渡状态细胞,但并没有发生褐化。
例如,可以针对前述颜色参数归一化后,进行如下非褐化细胞(Non-BS)判定标准划分:红色值R≤0.66(优选为R≤0.658)可分离出作为非褐化细胞(Non-BS);绿色值G≤0.59(优选为G≤0.588)可分离出作为非褐化细胞(Non-BS);蓝色值B≤0.37(优选为B≥0.365)可分离出作为非褐化细胞(Non-BS);亮度L≤0.54(优选为L≤0.536)可分离出作为非褐化细胞(Non-BS);相对红色值RR≥0.13(优选为RR≥0.138)可分离出作为非褐化细胞(Non-BS);相对绿色值RG≥0.12(优选为RG≤0.122)可分离出作为非褐化细胞(Non-BS);相对蓝色值RB≤0.08(优选为RB≤0.073)可分离出作为非褐化细胞(Non-BS);色调H≤0.14(优选为H≤0.139)可分离出作为非褐化细胞(Non-BS);饱和度S≥0.47(优选为S≥0.475)可分离出作为非褐化细胞(Non-BS);照度l≤0.10(优选为l≤0.098)可分离出作为非褐化细胞(Non-BS)。具体地,获取的颜色参数进行主成分分析后,通过分类模型的进行第一次分类,即可相应分离出相应的非褐化细胞(Non-BS)与褐化细胞(BS)。
可以针对分离出的非褐化细胞(Non-BS),进行如下生长良好细胞(NS)判定标准划分:红色值R≥0.69(优选为R≥0.695)可分离出作为生长良好细胞(NS);绿色值G≥0.38(优选为G≥0.389)可分离出作为生长良好细胞(NS);蓝色值B≥0.47(优选为B≥0.475)可分离出作为生长良好细胞(NS);亮度L≥0.59(优选为L≥0.596)可分离出作为生长良好细胞(NS);相对红色值RR≤0.13(优选为RR≤0.128)可分离出作为生长良好细胞(NS);相对绿色值RG≤0.12(优选为RG≤0.119)可分离出作为生长良好细胞(NS);相对蓝色值RB≥0.08(优选为RB≥0.086)可分离出作为生长良好细胞(NS);色调H≥0.19(优选为H≥0.192)可分离出作为生长良好细胞(NS);饱和度S≤0.32(优选为S≤0.318)可分离出作为生长良好细胞(NS);照度l≥0.13(优选为l≥0.134)可分离出作为生长良好细胞(NS)。具体地,通过分类模型的进行第二次分类,即可分离出相应的生长良好细胞(NS)与灰化细胞(GS)。
进一步的实施例中,所述分类的方式为:采用多个分类器分别进行分类,并采用多数表决法获取分类结果。其中,所述分类器的算法类型包括:K-近邻(KNN)、支持向量机(L-SVM、Poly-SVM以及RBF-SVM)、高斯过程(GP)、决策树(DT)、朴素贝叶斯(NB)、Adaboost(AB)、随机森林(RF)、神经网络(NN)的至少其中之一。考虑到没有一个分类器能适应所有条件,为了提高分类模型的性能,采用了多数表决法(Majority voting,以下简称MajV)获取分类结果。即,分类结果取决于多数表决法的结果。分类结果获取的一实施例的架构图如图3所示。
其中,多数表决法获取分类结果的计算公式为:
其中,T表示有分类器个数,N表示有结果的类别数。即,当采用T个分类器对有N类结果的分类进行表决,若j类的预测结果大于总投票结果的一半时,该预测结果为j类。
进一步的实施例中,所述分类模型的搭建方式为:采用所述图像获取装置获取多幅样本细胞图像;对所有所述样本细胞图像进行处理以提取出多组样本颜色参数矩阵,并对所述多组样本颜色参数矩阵中的样本颜色参数进行主成分分析;将完成主成分分析后的多组样本颜色参数划分成训练集以及测试集;基于所述训练集建立所述分类模型,采用所述测试集对所述分类模型进行调整和测试。
可以用90%的颜色参数矩阵数据作为训练集建立分类模型,10%的颜色参数矩阵数据作为测试集进行分类模型调整和测试。随机抽取训练集和测试集三次计算平均值,然后比较不同模型的得分;其中,每个训练集的得分交叉验证10次计算平均值。在所有分类器中,KNN,L-SVM,RBF-SVM,GP,DT,RF,NN和AB在两次分类过程中表现最佳。通过两次分类,这9个分类器的平均测试分数的准确性已达到97%以上。并且AUC(Area under Curve,即Roc曲线下面积)接近1;其中,Roc曲线上每个点反映着对同一信号刺激的感受性。使用训练集和测试集的错误率并通过增加训练样本的数量来绘制学习曲线。因为训练集和测试集的错误率在损耗曲线上收敛在很小的水平,所以没有出现过度拟合或拟合不足的情况。考虑到没有单个优势分类器可以适应所有条件,采用多数投票以增强模型的最终性能。Poly-SVM不参与分类投票,因为它在BS和Non-BS之间的分类得分不到90%。分类的结果取决于大多数分类器的结果。
在相同的培养条件下,提供25个摇瓶作为测试集,包括10组NS,9组GS和6组BS。在不同的生物量和褐化程度下拍摄照片,每组拍摄3张照片,即,提取75个矩阵点(75张照片)。将75×10(10种颜色参数)矩阵引入分类模型,以进行分类模型验证,分类模型的验证分数为100%。其中,仅在完成所有模型训练后,才在模型上采用测试集验证。
关于步骤S4、根据所述褐化细胞通过预设的半监督分类模型预测所述待测样品中植物细胞的细胞活力,根据所述生长良好细胞通过预设的回归模型预测所述待测样品中植物细胞的生物量以检测出所述待测样品中植物细胞的生物量和褐化程度。
进一步的实施例中,半监督分类模型的搭建方式包括:采用所述图像获取装置获取不同褐化程度的褐化细胞(BS)图像;采用活细胞电极测量不同褐化程度下第一数量的褐化细胞(BS)并标记、作为标记的褐化细胞(BS)数据,并获取第二数量的褐化细胞(BS)作为未标记的褐化细胞(BS)数据,其中,所述第二数量大于所述第一数量;基于未标记的褐化细胞(BS)数据和标记的褐化细胞(BS)数据建立所述半监督分类模型,使用标记传播算法(Label Propagation,以下简称LP)进行半监督学习,进而对所述半监督分类模型进行调整和测试。
在植物细胞培养中,不同褐化程度的细胞活性测定是一种侵入性测量。对每个摇瓶进行活力检测的成本高、数据量小,难以建立通用性强的模型。本发明采用半监督分类模型使用大量未标记数据和少量标记数据,在保证模型精度的同时,兼顾了模型的泛化。例如,半监督分类模型将1495个矩阵点(1495张照片)分为三类,这三类代表具有三种不同褐化程度(三个褐化等级)的相对细胞生存力(Q)的范围。用活细胞电极在不同褐化程度下测量了70个矩阵点作为标记的电容值,而1425个矩阵点没有标记。基于未标记的1425个矩阵点数据和标记的70个矩阵点数据建立半监督分类模型,并使用标记传播算法进行半监督学习,进而对所述半监督分类模型进行调整和测试。可以在sklearn(Python包)中使用LP进行半监督学习。
尽管植物细胞在褐化的早期阶段(第一褐化等级)经历了一些颜色变化,但是Q值保持在95%-100%;此时,防止褐化的加剧可以达到停止损失的目的。在中间阶段(第二褐化等级),植物细胞仍然可以保持细胞活力的85%以上,但褐化程度已达到不可逆的程度;通常,在这种情况下,植物细胞颜色将继续加深。在最后阶段(第三褐化等级),当Q值低于85%时,植物细胞颜色变化的范围很小,但是随着培养时间的增加,Q值将继续下降。
拍摄3个褐化等级的BS图像,每个等级拍摄3张照片,并测量了电容值;即,提取9个矩阵点(9张照片)作为测试集。在经过分类模型分类之后,将这9个矩阵点数据判断为褐化细胞,并进入半监督模型以预测相对活力。半监督分类模型验证的准确性为88.9%。其中,仅在完成所有模型训练后,才在模型上采用测试集验证。
进一步的实施例中,回归模型的搭建方式包括:采用所述图像获取装置获取不同生长状态下非褐化的多组生长良好细胞(NS)图像和多组灰化细胞(GS)图像,并提取出相应的样本颜色参数矩阵;基于提取出的相应样本颜色参数矩阵分别对生长良好细胞(NS)和灰化细胞(GS)进行偏最小二乘法(PLS)和线性支持向量机(L-SVM)建模,建立所述分类模型中的回归模型。例如,可以拍摄不同生长状态下的21组GS和35组NS悬液,每组拍摄3张照片;通过图像处理提取出63*10颜色参数矩阵和105*10颜色参数矩阵,作为训练集。可以在sklearn(Python包)中,使用63*10和105*10矩阵点进行PLS和L-SVM建模。L-SVM校准线显示比较好的相关系数(R=0.98264)和低误差(RMSEC=0.0194)。这意味着获得的矩阵包括有价值的信息,可用于开发L-SVM回归模型以根据图像预测生物量。在经过分类模型分类之后,将非褐化数据集分别输入到NS回归模型和GS回归模型中以进行生物量预测。采用前述在相同的培养条件下提供的测试集(10组NS,9组GS),在经过分类模型分类之后,将这30*10和37*10矩阵点分别输入到NS回归模型和GS回归模型中以进行生物量预测。在此预测集上获得的针对生物量预测的L-SVM回归线的结果是一条直线(R=0.98264),其误差(RMSEP=0.0194),如图4A~图4C所示。量化NS和GS中生物量的L-SVM和PLS性能如图4D所示。其中,NS+GS表示分类模型之后的回归模型的整体性能。
采用本发明提供的植物细胞表型检测方法,将计算机视觉技术与植物细胞培养结合,通过连续对植物细胞进行相片捕捉,通过采用分类模型进行两次分类,根据植物细胞生长过程中颜色的变化,可以对不同生长状态的植物细胞进行区分,完成对植物细胞的生物量和褐化程度的准确预测。本发明实现了方便、准确、快速、安全、低成本的植物细胞生物量及褐化程度的检测,解决了因植物细胞结团没法通过正常取样获得生物量的问题;并且因为该方法是非侵入式的测量,避免了悬浮细胞染菌的问题。通过自主发明的图像获取装置配合软件完成了对图片的快速处理,采用软硬件结合的方式完成了对图片批量处理,相比于单纯软件获取目标区域时间效率有较大提高(约提高了20倍),可以获取大量用于建模以及模型验证的数据。
基于同一发明构思,本发明还提供了一种植物细胞表型检测系统。
请参阅图5,本发明植物细胞表型检测系统一实施例的示意图。本实施例所述植物细胞表型检测系统50包括:图像获取装置51、图像处理模块52、分类模块53以及预测模块54。
所述图像获取装置51用于获取待测样品的待测悬浮细胞图像。所述图像处理模块52用于对所述待测悬浮细胞图像进行处理以提取出待测颜色参数矩阵。所述分类模块53用于对所述待测颜色参数矩阵中的待测颜色参数进行主成分分析后,通过预设的分类模型进行分类,从所述待测样品的植物细胞中分离出褐化细胞和非褐化细胞,以及从所述非褐化细胞中分别分离出生长良好细胞。所述预测模块54用于根据所述褐化细胞通过预设的半监督分类模型预测所述待测样品中植物细胞的细胞活力,以及根据所述生长良好细胞通过预设的回归模型预测所述待测样品中植物细胞的生物量。未在本实施例中详尽描述的技术细节可参见上述方法实施例的描述即附图。
采用本发明提供的植物细胞表型检测系统,将计算机视觉技术与植物细胞培养结合,通过连续对植物细胞进行相片捕捉,通过采用分类模型进行两次分类,根据植物细胞生长过程中颜色的变化,可以对不同生长状态的植物细胞进行区分,完成对植物细胞的生物量和褐化程度的准确预测。本发明实现了方便、准确、快速、安全、低成本的植物细胞生物量及褐化程度的检测,解决了因植物细胞结团没法通过正常取样获得生物量的问题;并且因为该方法是非侵入式的测量,避免了悬浮细胞染菌的问题。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种植物细胞表型检测方法,其特征在于,所述方法包括如下步骤:
(1)采用预先搭建的图像获取装置,获取待测样品的植物细胞图像;
(2)对所述植物细胞图像进行处理以提取出颜色参数矩阵;
(3)对所述颜色参数矩阵中的颜色参数进行主成分分析后,通过预设的分类模型进行分类,从所述待测样品的植物细胞中分离出褐化细胞和非褐化细胞,以及从所述非褐化细胞中分别分离出生长良好细胞;
(4)根据所述褐化细胞通过预设的半监督分类模型预测所述待测样品中植物细胞的细胞活力,根据所述生长良好细胞通过预设的回归模型预测所述待测样品中植物细胞的生物量。
2.如权利要求1所述的方法,其特征在于,所述图像获取装置包括预制封闭盒,置于所述预制封闭盒中的摄像机、样品支架和固定光源,以及置于所述预制封闭盒外部的遥控快门;其中,所述待测样品置于所述样品支架上,所述固定光源置于所述待测样品远离所述样品支架的一侧。
3.如权利要求1所述的方法,其特征在于,所述步骤(2)进一步包括:
获取所述植物细胞图像的有效位置信息;
根据所述有效位置信息生成目标图像;
在所述目标图像中选择预设像素大小的象限,计算获取颜色参数,提取出所述颜色参数矩阵。
4.如权利要求3所述的方法,其特征在于,所述颜色参数包括:红色值、绿色值、蓝色值、亮度、相对红色值、相对绿色值、相对蓝色值、色调、饱和度和照度。
5.如权利要求1所述的方法,其特征在于,所述分类的方式为:采用多个分类器分别进行分类,并采用多数表决法获取分类结果。
6.如权利要求1所述的方法,其特征在于,所述步骤(3)进一步包括:
对所述颜色参数矩阵中的颜色参数进行主成分分析后,通过所述分类模型进行第一次分类,从所述待测样品的植物细胞中分离出褐化细胞和非褐化细胞,其中,所述褐化细胞用于半监督分类预测所述待测样品的细胞活力;
根据所述颜色参数矩阵中的颜色参数通过所述分类模型进行第二次分类,从所述非褐化细胞中分别分离出生长良好细胞和灰化细胞,其中,所述生长良好细胞用于回归预测所述待测样品的生物量。
7.如权利要求1所述的方法,其特征在于,所述分类模型的搭建方式包括:
采用所述图像获取装置获取多幅样本细胞图像;
对所有所述样本细胞图像进行处理以提取出多组样本颜色参数矩阵,并对所述多组样本颜色参数矩阵中的样本颜色参数进行主成分分析;
将完成主成分分析后的多组样本颜色参数划分成训练集以及测试集;
基于所述训练集建立所述分类模型,采用所述测试集对所述分类模型进行调整和测试。
8.如权利要求1所述的方法,其特征在于,所述半监督分类模型的搭建方式包括:
采用所述图像获取装置获取不同褐化程度的褐化细胞图像;
采用活细胞电极测量不同褐化程度下第一数量的褐化细胞并标记、作为标记的褐化细胞数据,并获取第二数量的褐化细胞作为未标记的褐化细胞数据,其中,所述第二数量大于所述第一数量;
基于未标记的褐化细胞数据和标记的褐化细胞数据建立所述半监督分类模型,使用标记传播算法进行半监督学习,进而对所述半监督分类模型进行调整和测试。
9.如权利要求1所述的方法,其特征在于,所述回归模型的搭建方式包括:
采用所述图像获取装置获取不同生长状态下非褐化的多组生长良好细胞图像和多组灰化细胞图像,并提取出相应的样本颜色参数矩阵;
基于提取出的相应样本颜色参数矩阵分别对生长良好细胞和灰化细胞进行偏最小二乘法和线性支持向量机建模,建立所述分类模型中的回归模型。
10.一种植物细胞表型检测系统,其特征在于,所述系统包括:
图像获取装置,用于获取待测样品的待测悬浮细胞图像;
图像处理模块,用于对所述待测悬浮细胞图像进行处理以提取出待测颜色参数矩阵;
分类模块,用于对所述待测颜色参数矩阵中的待测颜色参数进行主成分分析后,通过预设的分类模型进行分类,从所述待测样品的植物细胞中分离出褐化细胞和非褐化细胞,以及从所述非褐化细胞中分别分离出生长良好细胞;
预测模块,用于根据所述褐化细胞通过预设的半监督分类模型预测所述待测样品中植物细胞的细胞活力,以及根据所述生长良好细胞通过预设的回归模型预测所述待测样品中植物细胞的生物量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110125780.2A CN112836621B (zh) | 2021-01-29 | 2021-01-29 | 一种植物细胞表型检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110125780.2A CN112836621B (zh) | 2021-01-29 | 2021-01-29 | 一种植物细胞表型检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112836621A CN112836621A (zh) | 2021-05-25 |
CN112836621B true CN112836621B (zh) | 2022-11-08 |
Family
ID=75931010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110125780.2A Active CN112836621B (zh) | 2021-01-29 | 2021-01-29 | 一种植物细胞表型检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836621B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004076625A2 (en) * | 2003-02-21 | 2004-09-10 | Vector Tobacco Ltd. | Method of identifying plant cells transformed with a gene |
CN102915446A (zh) * | 2012-09-20 | 2013-02-06 | 复旦大学 | 基于svm机器学习的植物病虫害检测方法 |
CN104844700A (zh) * | 2014-02-14 | 2015-08-19 | 中国科学院上海生命科学研究院 | 新的水稻杂种劣势基因及其应用 |
CN105658310A (zh) * | 2013-09-13 | 2016-06-08 | 斯坦福大学托管董事会 | 使用质量标签和次级离子质谱术的组织复用成像 |
CN108114285A (zh) * | 2011-07-15 | 2018-06-05 | 纽斯尔特科学公司 | 用于调节代谢途径的组合物和方法 |
CN108350423A (zh) * | 2015-07-10 | 2018-07-31 | 法国血液机构 | 用于获得人类褐色/米色脂肪细胞的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2955291C (en) * | 2014-07-14 | 2021-04-06 | Adjuvants Plus Usa, Inc. | Clonostachys rosea inoculated plant materials with fungicides and adjuvants |
WO2018057972A1 (en) * | 2016-09-23 | 2018-03-29 | The Regents Of The University Of California | System and method for determining yeast cell viability and concentration |
-
2021
- 2021-01-29 CN CN202110125780.2A patent/CN112836621B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004076625A2 (en) * | 2003-02-21 | 2004-09-10 | Vector Tobacco Ltd. | Method of identifying plant cells transformed with a gene |
CN108114285A (zh) * | 2011-07-15 | 2018-06-05 | 纽斯尔特科学公司 | 用于调节代谢途径的组合物和方法 |
CN102915446A (zh) * | 2012-09-20 | 2013-02-06 | 复旦大学 | 基于svm机器学习的植物病虫害检测方法 |
CN105658310A (zh) * | 2013-09-13 | 2016-06-08 | 斯坦福大学托管董事会 | 使用质量标签和次级离子质谱术的组织复用成像 |
CN104844700A (zh) * | 2014-02-14 | 2015-08-19 | 中国科学院上海生命科学研究院 | 新的水稻杂种劣势基因及其应用 |
CN108350423A (zh) * | 2015-07-10 | 2018-07-31 | 法国血液机构 | 用于获得人类褐色/米色脂肪细胞的方法 |
Non-Patent Citations (9)
Also Published As
Publication number | Publication date |
---|---|
CN112836621A (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kolhar et al. | Plant trait estimation and classification studies in plant phenotyping using machine vision–A review | |
CN106997475B (zh) | 一种基于并行卷积神经网络的害虫图像识别方法 | |
US8755571B2 (en) | Image method for classifying insects and classifying process for insects | |
CN106650796B (zh) | 一种基于人工智能的细胞荧光图像分类方法和系统 | |
WO2017073737A1 (ja) | 分析装置 | |
Dutta Gupta et al. | Development of a digital image analysis method for real-time estimation of chlorophyll content in micropropagated potato plants | |
CN110479636B (zh) | 基于神经网络自动分拣烟叶的方法及装置 | |
CN101672839A (zh) | 一种基于计算机视觉的种蛋孵化品质检测装置和方法 | |
WO2016179981A1 (zh) | 一种新生儿黄疸的自动检测方法及系统 | |
CN110479635B (zh) | 基于神经网络自动分拣烟叶的方法及装置 | |
Zhu et al. | The identification of white fertile eggs prior to incubation based on machine vision and least square support vector machine | |
Concepcion et al. | Tomato septoria leaf spot necrotic and chlorotic regions computational assessment using artificial bee colony-optimized leaf disease index | |
CN114660040A (zh) | 微生物单细胞种类鉴定方法、装置、介质及设备 | |
CN109738438B (zh) | 一种小麦叶片衰老程度快速测量方法 | |
Zhu et al. | Development of a novel noninvasive quantitative method to monitor Siraitia grosvenorii cell growth and browning degree using an integrated computer‐aided vision technology and machine learning | |
CN114136920A (zh) | 一种基于高光谱的单粒杂交水稻种子种类鉴定方法 | |
CN107886497A (zh) | 一种基于图像的小麦旗叶无损自动检测及测量方法 | |
CN112836621B (zh) | 一种植物细胞表型检测方法及系统 | |
Qiao et al. | Vigour testing for the rice seed with computer vision-based techniques | |
Zhihong et al. | Smartphone-based visual measurement and portable instrumentation for crop seed phenotyping | |
CN109191467A (zh) | 一种细胞自噬表型的预测方法及装置 | |
Yumang et al. | Bacterial Leaf Blight Identification of Rice Fields Using Tiny YOLOv3 | |
Ji et al. | Apple color automatic grading method based on machine vision | |
SE542402C2 (en) | Method and apparatus for training a neural network classifier to classify an image depicting one or more objects of a biological sample | |
Joshi et al. | Detection and classification of plant diseases using soft computing techniques |
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 |