CN113552065A - 一种生物样本的固定方法及系统 - Google Patents

一种生物样本的固定方法及系统 Download PDF

Info

Publication number
CN113552065A
CN113552065A CN202110836589.9A CN202110836589A CN113552065A CN 113552065 A CN113552065 A CN 113552065A CN 202110836589 A CN202110836589 A CN 202110836589A CN 113552065 A CN113552065 A CN 113552065A
Authority
CN
China
Prior art keywords
holding
biological sample
held
needle
length
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
Application number
CN202110836589.9A
Other languages
English (en)
Other versions
CN113552065B (zh
Inventor
于兴虎
黄港
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningbo Intelligent Equipment Research Institute Co ltd
Original Assignee
Ningbo Intelligent Equipment Research Institute Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ningbo Intelligent Equipment Research Institute Co ltd filed Critical Ningbo Intelligent Equipment Research Institute Co ltd
Priority to CN202110836589.9A priority Critical patent/CN113552065B/zh
Publication of CN113552065A publication Critical patent/CN113552065A/zh
Application granted granted Critical
Publication of CN113552065B publication Critical patent/CN113552065B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/01Arrangements or apparatus for facilitating the optical investigation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Sampling And Sample Adjustment (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明涉及一种生物样本的固定方法及系统,方法应用于生物样本吸持装置,方法包括:计算生物样本被吸持时的吸持长度以及吸持速度;计算生物样本被吸持时的吸持长度与期望吸持长度的误差;计算生物样本被吸持时的吸持速度与期望吸持速度的误差;设计控制器;控制器的输入为生物样本被吸持时的吸持长度与期望吸持长度的误差以及生物样本被吸持时的吸持速度与期望吸持速度的误差,输出为注射器的活塞运动速度;根据注射器的活塞运动速度计算吸持针内部与吸持针外部的压强差;根据压强差固定生物样本。本发明通过设计控制器,根据注射器的活塞运动速度计算吸持针内部与吸持针外部的压强差,根据压强差实现了生物样本的精确固定。

Description

一种生物样本的固定方法及系统
技术领域
本发明涉及生物样本固定技术领域,特别是涉及一种生物样本的固定方法及系统。
背景技术
在显微操作中,常常需要通过吸持的方式进行生物力学特性测量以固定生物样本并进行姿态调整、注射和观测等操作。在吸持时,保持生物样本形变在一定的区间内将有效避免操作过程中生物样本的脱落以及过度变形对生物样本造成永久的伤害。目前的固定方法主要根据经验来设定一个固定的吸持压强,但生物样本之间存在个体差异以及外部干扰的影响,降低了显微操作的成功率。
发明内容
本发明的目的是提供一种生物样本的固定方法及系统,以实现生物样本的精确固定。
为实现上述目的,本发明提供了如下方案:
一种生物样本的固定方法,所述方法应用于生物样本吸持装置,所述生物样本吸持装置利用依次连接的注射器、连接管以及吸持针吸持生物样本;所述方法包括:
计算生物样本被吸持时的吸持长度以及吸持速度;
计算所述生物样本被吸持时的吸持长度与期望吸持长度的误差;
计算所述生物样本被吸持时的吸持速度与期望吸持速度的误差;
设计控制器;所述控制器的输入为所述生物样本被吸持时的吸持长度与期望吸持长度的误差以及所述生物样本被吸持时的吸持速度与期望吸持速度的误差,输出为所述注射器的活塞运动速度;
根据所述注射器的活塞运动速度计算所述吸持针内部与所述吸持针外部的压强差;
根据所述吸持针内部与所述吸持针外部的压强差固定生物样本。
可选地,所述生物样本被吸持时的吸持长度的计算过程包括:
获取生物样本被吸持时的历史图像;
根据所述历史图像训练神经网络模型,得到吸持长度神经网络模型;所述吸持长度神经网络模型包括依次连接的卷积层、池化层、三层Inverted residuals结构、PSP模块、池化层、卷积层以及fire模块;所述Inverted residuals结构包括依次连接的卷积升维层、三层深度可分离卷积层以及卷积降维层;
利用所述吸持长度神经网络模型计算生物样本被吸持时的吸持长度。
可选地,所述控制器为:
Figure BDA0003177310210000021
其中,v为注射器的活塞运动速度,
Figure BDA0003177310210000022
为第一估计值,
Figure BDA0003177310210000023
为第二估计值,ρ为外界扰动,e2为生物样本被吸持时的吸持速度与期望吸持速度的误差,
Figure BDA0003177310210000024
为期望吸持速度x2d的一阶导数,e1为生物样本被吸持时的吸持长度与期望吸持长度的误差,m为PID调节参数。
可选地,所述根据所述注射器的活塞运动速度计算所述吸持针内部与所述吸持针外部的压强差,具体包括:
根据所述注射器的活塞运动速度计算所述注射器的活塞位置;
根据所述注射器的活塞位置计算所述吸持针内部与所述吸持针外部的压强差。
可选地,所述根据所述吸持针内部与所述吸持针外部的压强差固定生物样本,具体包括:
根据所述吸持针内部与所述吸持针外部的压强差计算下一时刻生物样本被吸持时的吸持长度;
根据所述下一时刻生物样本被吸持时的吸持长度固定生物样本。
可选地,所述下一时刻生物样本被吸持时的吸持长度的计算公式为:
Figure BDA0003177310210000031
其中,x(t)为t时刻生物样本被吸持时的吸持长度,R为吸持针的内部直径,k1和k2为弹性常数,τ为时间常数,p(t)为t时刻吸持针内部与吸持针外部的压强差。
一种生物样本的固定系统,所述系统应用于生物样本吸持装置,所述生物样本吸持装置利用依次连接的注射器、连接管以及吸持针吸持生物样本;所述系统包括:
第一计算模块,用于计算生物样本被吸持时的吸持长度以及吸持速度;
第二计算模块,用于计算所述生物样本被吸持时的吸持长度与期望吸持长度的误差;
第三计算模块,用于计算所述生物样本被吸持时的吸持速度与期望吸持速度的误差;
控制器设计模块,用于设计控制器;所述控制器的输入为所述生物样本被吸持时的吸持长度与期望吸持长度的误差以及所述生物样本被吸持时的吸持速度与期望吸持速度的误差,输出为所述注射器的活塞运动速度;
压强差获取模块,用于根据所述注射器的活塞运动速度获取所述吸持针内部与所述吸持针外部的压强差;
生物样本固定模块,用于根据所述吸持针内部与所述吸持针外部的压强差固定生物样本。
可选地,所述第一计算模块具体包括:
获取单元,用于获取生物样本被吸持时的历史图像;
模型训练单元,用于根据所述历史图像训练神经网络模型,得到吸持长度神经网络模型;所述吸持长度神经网络模型包括依次连接的卷积层、池化层、三层Invertedresiduals结构、PSP模块、池化层、卷积层以及fire模块;所述Inverted residuals结构包括依次连接的卷积升维层、三层深度可分离卷积层以及卷积降维层;
计算单元,用于利用所述吸持长度神经网络模型计算生物样本被吸持时的吸持长度。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开了一种生物样本的固定方法及系统,所述方法应用于生物样本吸持装置,所述生物样本吸持装置利用依次连接的注射器、连接管以及吸持针吸持生物样本;所述方法包括:计算生物样本被吸持时的吸持长度以及吸持速度;计算所述生物样本被吸持时的吸持长度与期望吸持长度的误差;计算所述生物样本被吸持时的吸持速度与期望吸持速度的误差;设计控制器;所述控制器的输入为所述生物样本被吸持时的吸持长度与期望吸持长度的误差以及所述生物样本被吸持时的吸持速度与期望吸持速度的误差,输出为所述注射器的活塞运动速度;根据所述注射器的活塞运动速度计算所述吸持针内部与所述吸持针外部的压强差;根据所述吸持针内部与所述吸持针外部的压强差固定生物样本。本发明通过设计控制器,根据注射器的活塞运动速度计算吸持针内部与吸持针外部的压强差,根据压强差实现了生物样本的精确固定。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,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,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为生物样本的固定方法流程图;
图2为生物样本在显微操作中的形变大小示意图;
图3为吸持长度神经网络模型结构图;
图4为控制器框图;
图5为控制效果示意图。
具体实施方式
下面将结合本发明实施例中的附图,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,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种生物样本的固定方法及系统,以实现生物样本的精确固定。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本实施例提供了一种生物样本的固定方法,方法应用于生物样本吸持装置,生物样本吸持装置利用依次连接的注射器、连接管以及吸持针吸持生物样本。如图1所示,方法包括:
步骤101:计算生物样本被吸持时的吸持长度以及吸持速度。
在本实施例中,生物样本被吸持时的吸持长度计算过程如下:
步骤1011:获取生物样本被吸持时的历史图像。
步骤1012:根据历史图像训练神经网络模型,得到吸持长度神经网络模型;吸持长度神经网络模型包括依次连接的卷积层、池化层、三层倒残差Inverted residuals结构、PSP模块、池化层、卷积层以及fire模块;Inverted residuals结构包括依次连接的卷积升维层、三层深度可分离卷积层以及卷积降维层。
步骤1013:利用吸持长度神经网络模型计算生物样本被吸持时的吸持长度。
步骤102:计算生物样本被吸持时的吸持长度与期望吸持长度的误差。
步骤103:计算生物样本被吸持时的吸持速度与期望吸持速度的误差。
步骤104:设计控制器;控制器的输入为生物样本被吸持时的吸持长度与期望吸持长度的误差以及生物样本被吸持时的吸持速度与期望吸持速度的误差,输出为注射器的活塞运动速度。控制器为:
Figure BDA0003177310210000051
其中,v为注射器的活塞运动速度,
Figure BDA0003177310210000052
为第一估计值,
Figure BDA0003177310210000053
为第二估计值,ρ为外界扰动,e2为生物样本被吸持时的吸持速度与期望吸持速度的误差,
Figure BDA0003177310210000054
为期望吸持速度x2d的一阶导数,e1为生物样本被吸持时的吸持长度与期望吸持长度的误差,m2为PID调节参数。
步骤105:根据注射器的活塞运动速度计算吸持针内部与吸持针外部的压强差。步骤105具体包括:
步骤1051:根据注射器的活塞运动速度计算注射器的活塞位置。
步骤1052:根据注射器的活塞位置计算吸持针内部与吸持针外部的压强差。
步骤106:根据吸持针内部与吸持针外部的压强差固定生物样本。步骤106具体包括:
步骤1061:根据吸持针内部与吸持针外部的压强差计算下一时刻生物样本被吸持时的吸持长度。计算公式为:
Figure BDA0003177310210000061
其中,x(t)为t时刻生物样本被吸持时的吸持长度,R为吸持针的内部直径,k1和k2为Kelvin模型的弹性常数,τ为时间常数,p(t)为t时刻吸持针内部与吸持针外部的压强差。
步骤1062:根据下一时刻生物样本被吸持时的吸持长度固定生物样本。
对本发明的原理进一步说明:
在进行生物样本的显微操作时,受外力影响,被捕获的位置的形变会实时变化。为了控制这种变化在一定范围内,首先需要检测出形变大小。如何固定生物样本,面临的主要问题是如何计算生物样本当前的形变,本发明将该问题转化为生物样本表皮被吸持针吸入的距离,即利用生物样本表皮被吸持针吸入的距离表示生物样本当前的形变,如图2所示。对于斑马鱼表皮被吸入的距离,由于受个体差异,传统算法鲁棒性相对较差。因此采用如图3所示的吸持长度神经网络模型对表皮吸入距离进行分割。此神经网络模型能实时检测在模糊边缘及动态变化下吸入吸持针中的生物样本的位置。对于一张1280*1024的输入图片,首先缩放到640*512,再使用主干网络进行特征图提取。主干网络中,先进行卷积及池化,再采用三层Inverted residuals结构(利用1x1卷积升维,再进行3x3的深度可分离卷积,最后进行1x1卷积降维)使图像尺度缩小深度加深。获得特征图后,使用PSP模块加强特征提取,通过不同尺度的池化及卷积操作,提高获取全局信息的能力,并将这些信息组合为一个新的特征图。之后采用SqueezeNet中的fire模块整合新的特征图,并使用1x1的卷积进行通道数的调整,使通道数变为类别数。最后,对图像大小进行调整,进行上采样使得最终输出层的宽高和输入图片一样。上述神经网络还可以对生物样本的眼部进行分割,根据生物样本头与眼睛宽度之比进而可以估计生物样本的滚转角。
根据吸持长度神经网络模型计算出生物样本被吸持的长度后,即可进行生物样本的固定。首先,获取吸持长度与泵的关系的力学模型,吸持长度与吸持针内部与吸持针外部的压强差关系:
Figure BDA0003177310210000071
Figure BDA0003177310210000072
其中,x(t)为t时刻生物样本被吸持时的吸持长度,R为吸持针的内部直径,k1和k2为Kelvin模型的弹性常数,τ为时间常数,p(t)为t时刻吸持针内部与吸持针外部的压强差,u是活塞位置。上述公式可以进一步写为:
Figure BDA0003177310210000073
Figure BDA0003177310210000074
是x(t)的一阶导数。
由于该泵受步进电机控制,因此差压直接受步进电机带动的活塞位置影响,根据吸持长度与泵的关系的力学模型,进一步推导活塞位置与压强的关系如下:
Figure BDA0003177310210000075
其中,p0和V0是内部初始压强和体积,p1和V1是活塞移动后的压强和体积。S是活塞面积,进一步整理可得:
Figure BDA0003177310210000081
因为V0 uS,则
Figure BDA0003177310210000082
对等式求导可得:
Figure BDA0003177310210000083
获得活塞位置与压强关系后,即可设计相应的控制器进行形变控制,即固定生物样本。在设计控制器时,面临以下问题:
(1)对于形变控制,同样存在个体差异而造成控制系统参数的不确定。
(2)针尖下降过程中,斑马鱼与底部存在摩擦且摩擦系数动态变化造成了外界干扰Δ(t)。
(3)考虑在吸入时和形变较小情况下,管口不能完全封住造成漏气,以及设备自身的气密性,则真实输入δ(t)与理想输入v(t)间存在一个失效因子p。
(4)由于注射针接触心脏进而影响表皮的这一过程是全自动的,因此注射针移动很快使得控制信号发送的频率很高。受机械设备的影响,如步进电机在高频信号下的丢步,因此真实输出与理想输出存在偏差d。因此将容错控制考虑其中,则δ(t)=pv(t)+d,0<p<1。
(5)在控制系统中,存在线性和非线性的未知项,需要合理的方法进行补偿。
考虑以上条件,控制系统可写为:
Figure BDA0003177310210000084
设系统状态量x=[x1 x2],考虑
Figure BDA0003177310210000085
其中f(x),g和Δ(t)未知,对此采用神经网络逼近f(x),采用自适应鲁棒控制逼近g以及抵消Δ(t)的干扰。控制目标为闭环系统稳定x1→x1d,
Figure BDA0003177310210000091
首先采用backstepping进行控制器设计:
step1:令e1=x1-x1d,则
Figure BDA0003177310210000092
为实现e1→0,定义lyapunov函数:
Figure BDA0003177310210000093
Figure BDA0003177310210000094
为实现
Figure BDA0003177310210000095
Figure BDA0003177310210000096
则虚拟控制项:
Figure BDA0003177310210000097
step2:令e2=x2-x2d,则
Figure BDA0003177310210000098
为实现e2→0,定义lyapunov函数;
Figure BDA0003177310210000099
Figure BDA00031773102100000910
设计控制器为:
Figure BDA00031773102100000911
则:
Figure BDA00031773102100000912
取ρ≥Δ,则存在ρ0>0使得Δe2-ρ|e2|=-ρ0|e2|≤0
如果
Figure BDA00031773102100000913
Figure BDA00031773102100000914
对于自适应率的设计,采用RBF神经网络学习未知函数f(x),其计算公式为:
f=WTh(x)
Figure BDA00031773102100000915
其中x为网络输入;j为网络的隐含层的第j个节点;h(x)=[hj]T为网络的高斯基函数输出;W为网络的理想权值。
定义
Figure BDA0003177310210000101
其中,
Figure BDA0003177310210000102
为权值的估计。
Figure BDA0003177310210000103
Figure BDA0003177310210000104
取则
Figure BDA0003177310210000105
Figure BDA0003177310210000106
设计lyapunov函数为:
Figure BDA0003177310210000107
则:
Figure BDA0003177310210000108
Figure BDA0003177310210000109
Figure BDA00031773102100001010
为防止
Figure BDA00031773102100001011
为零时造成控制率奇异,需通过自适应率的设计使
Figure BDA00031773102100001012
的变化在[gmin gmax]范围内,可采用一种映射自适应算法,对式进行以下修正:
Figure BDA00031773102100001013
Figure BDA00031773102100001014
将自适应率带入李亚普洛夫方程,则:
Figure BDA00031773102100001015
由于
Figure BDA00031773102100001016
中,只包含(e1,e2),无法保证
Figure BDA00031773102100001017
的取值则系统半负定,为证明ei→0,考虑barbalat定理
1)V≥0
Figure BDA0003177310210000111
2)
Figure BDA0003177310210000112
where g(t)≥0
Letg(t)=m1e1 2+m2e2 20|e2|,
Figure BDA0003177310210000113
3)
Figure BDA0003177310210000114
Figure BDA0003177310210000115
然后
Figure BDA0003177310210000116
Figure BDA0003177310210000117
Figure BDA0003177310210000118
本发明针对未知参数以及外部干扰提出了一种无模型的控制思路。其中,特别的对常数项以及不可预知的非线性项采用基于学习的方法进行估计。该方法能较好的控制形变大小保持在一定的范围,以及按照目标的曲线变化,进而实现生物样本的精确固定。其中控制器框图如4所示。
本实施例还提供了一个具体示例:
训练神经网络模型时,通过数据增强方法,获得16000张图片。将这些图片75%用于训练,15%用于验证,5%用于测试。可获得针管内壁区域,通过对该区域求补集即可获得表皮位置,进一步即可固定生物样本。
进一步,为验证该神经网络的分割性能,计算区域的IOU及像素精度如表1所示。
表1
背景 表皮 眼睛 均值
IoU 0.991 0.966 0.868 0.942
像素精度 0.992 0.992 0.999 0.994
对于生物样本的固定精度,设系统的表皮参数如表2所示。
表2
参数 k1(Pa) k2(Pa) τ(s) μ(Pa.s)
大小 153.8 310.9 45.2 4330.5
在该组参数下,设目标轨迹为是正弦曲线,其控制效果如图5所示。
本实施例还提供了一种生物样本的固定系统,系统应用于生物样本吸持装置,生物样本吸持装置利用依次连接的注射器、连接管以及吸持针吸持生物样本;系统包括:
第一计算模块,用于计算生物样本被吸持时的吸持长度以及吸持速度。
第二计算模块,用于计算生物样本被吸持时的吸持长度与期望吸持长度的误差。
第三计算模块,用于计算生物样本被吸持时的吸持速度与期望吸持速度的误差。
控制器设计模块,用于设计控制器;控制器的输入为生物样本被吸持时的吸持长度与期望吸持长度的误差以及生物样本被吸持时的吸持速度与期望吸持速度的误差,输出为注射器的活塞运动速度。
压强差获取模块,用于根据注射器的活塞运动速度获取吸持针内部与吸持针外部的压强差。
生物样本固定模块,用于根据吸持针内部与吸持针外部的压强差固定生物样本。
在本实施例中,第一计算模块具体包括:
获取单元,用于获取生物样本被吸持时的历史图像。
模型训练单元,用于根据历史图像训练神经网络模型,得到吸持长度神经网络模型;吸持长度神经网络模型包括依次连接的卷积层、池化层、三层Inverted residuals结构、PSP模块、池化层、卷积层以及fire模块;Inverted residuals结构包括依次连接的卷积升维层、三层深度可分离卷积层以及卷积降维层。
计算单元,用于利用吸持长度神经网络模型计算生物样本被吸持时的吸持长度。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种生物样本的固定方法,其特征在于,所述方法应用于生物样本吸持装置,所述生物样本吸持装置利用依次连接的注射器、连接管以及吸持针吸持生物样本;所述方法包括:
计算生物样本被吸持时的吸持长度以及吸持速度;
计算所述生物样本被吸持时的吸持长度与期望吸持长度的误差;
计算所述生物样本被吸持时的吸持速度与期望吸持速度的误差;
设计控制器;所述控制器的输入为所述生物样本被吸持时的吸持长度与期望吸持长度的误差以及所述生物样本被吸持时的吸持速度与期望吸持速度的误差,输出为所述注射器的活塞运动速度;
根据所述注射器的活塞运动速度计算所述吸持针内部与所述吸持针外部的压强差;
根据所述吸持针内部与所述吸持针外部的压强差固定生物样本。
2.根据权利要求1所述的生物样本的固定方法,其特征在于,所述生物样本被吸持时的吸持长度的计算过程包括:
获取生物样本被吸持时的历史图像;
根据所述历史图像训练神经网络模型,得到吸持长度神经网络模型;所述吸持长度神经网络模型包括依次连接的卷积层、池化层、三层Inverted residuals结构、PSP模块、池化层、卷积层以及fire模块;所述Inverted residuals结构包括依次连接的卷积升维层、三层深度可分离卷积层以及卷积降维层;
利用所述吸持长度神经网络模型计算生物样本被吸持时的吸持长度。
3.根据权利要求1所述的生物样本的固定方法,其特征在于,所述控制器为:
Figure FDA0003177310200000011
其中,v为注射器的活塞运动速度,
Figure FDA0003177310200000012
为第一估计值,
Figure FDA0003177310200000013
为第二估计值,ρ为外界扰动,e2为生物样本被吸持时的吸持速度与期望吸持速度的误差,
Figure FDA0003177310200000014
为期望吸持速度x2d的一阶导数,e1为生物样本被吸持时的吸持长度与期望吸持长度的误差,m2为PID调节参数。
4.根据权利要求1所述的生物样本的固定方法,其特征在于,所述根据所述注射器的活塞运动速度计算所述吸持针内部与所述吸持针外部的压强差,具体包括:
根据所述注射器的活塞运动速度计算所述注射器的活塞位置;
根据所述注射器的活塞位置计算所述吸持针内部与所述吸持针外部的压强差。
5.根据权利要求1所述的生物样本的固定方法,其特征在于,所述根据所述吸持针内部与所述吸持针外部的压强差固定生物样本,具体包括:
根据所述吸持针内部与所述吸持针外部的压强差计算下一时刻生物样本被吸持时的吸持长度;
根据所述下一时刻生物样本被吸持时的吸持长度固定生物样本。
6.根据权利要求5所述的生物样本的固定方法,其特征在于,所述下一时刻生物样本被吸持时的吸持长度的计算公式为:
Figure FDA0003177310200000021
其中,x(t)为t时刻生物样本被吸持时的吸持长度,R为吸持针的内部直径,k1和k2为弹性常数,τ为时间常数,p(t)为t时刻吸持针内部与吸持针外部的压强差。
7.一种生物样本的固定系统,其特征在于,所述系统应用于生物样本吸持装置,所述生物样本吸持装置利用依次连接的注射器、连接管以及吸持针吸持生物样本;所述系统包括:
第一计算模块,用于计算生物样本被吸持时的吸持长度以及吸持速度;
第二计算模块,用于计算所述生物样本被吸持时的吸持长度与期望吸持长度的误差;
第三计算模块,用于计算所述生物样本被吸持时的吸持速度与期望吸持速度的误差;
控制器设计模块,用于设计控制器;所述控制器的输入为所述生物样本被吸持时的吸持长度与期望吸持长度的误差以及所述生物样本被吸持时的吸持速度与期望吸持速度的误差,输出为所述注射器的活塞运动速度;
压强差获取模块,用于根据所述注射器的活塞运动速度获取所述吸持针内部与所述吸持针外部的压强差;
生物样本固定模块,用于根据所述吸持针内部与所述吸持针外部的压强差固定生物样本。
8.根据权利要求7所述的生物样本的固定系统,其特征在于,所述第一计算模块具体包括:
获取单元,用于获取生物样本被吸持时的历史图像;
模型训练单元,用于根据所述历史图像训练神经网络模型,得到吸持长度神经网络模型;所述吸持长度神经网络模型包括依次连接的卷积层、池化层、三层Inverted residuals结构、PSP模块、池化层、卷积层以及fire模块;所述Inverted residuals结构包括依次连接的卷积升维层、三层深度可分离卷积层以及卷积降维层;
计算单元,用于利用所述吸持长度神经网络模型计算生物样本被吸持时的吸持长度。
CN202110836589.9A 2021-07-23 2021-07-23 一种生物样本的固定方法及系统 Active CN113552065B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110836589.9A CN113552065B (zh) 2021-07-23 2021-07-23 一种生物样本的固定方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110836589.9A CN113552065B (zh) 2021-07-23 2021-07-23 一种生物样本的固定方法及系统

Publications (2)

Publication Number Publication Date
CN113552065A true CN113552065A (zh) 2021-10-26
CN113552065B CN113552065B (zh) 2023-10-24

Family

ID=78132607

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110836589.9A Active CN113552065B (zh) 2021-07-23 2021-07-23 一种生物样本的固定方法及系统

Country Status (1)

Country Link
CN (1) CN113552065B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB1207906A (en) * 1967-11-06 1970-10-07 Borden Inc Apparatus for harvesting mollusks or the like
US20190292567A1 (en) * 2018-03-26 2019-09-26 University Of Macau Cell microinjection system with force feedback
CN112465740A (zh) * 2020-09-30 2021-03-09 宁波智能装备研究院有限公司 一种基于显微操作系统的目标吸持点定位方法及系统
CN112650060A (zh) * 2020-12-24 2021-04-13 宁波智能装备研究院有限公司 面向显微操作的自适应鲁棒控制吸持方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB1207906A (en) * 1967-11-06 1970-10-07 Borden Inc Apparatus for harvesting mollusks or the like
US20190292567A1 (en) * 2018-03-26 2019-09-26 University Of Macau Cell microinjection system with force feedback
CN112465740A (zh) * 2020-09-30 2021-03-09 宁波智能装备研究院有限公司 一种基于显微操作系统的目标吸持点定位方法及系统
CN112650060A (zh) * 2020-12-24 2021-04-13 宁波智能装备研究院有限公司 面向显微操作的自适应鲁棒控制吸持方法及系统

Also Published As

Publication number Publication date
CN113552065B (zh) 2023-10-24

Similar Documents

Publication Publication Date Title
CN106097322A (zh) 一种基于神经网络的视觉系统标定方法
Bentabet et al. Road vectors update using SAR imagery: a snake-based method
CN112634365A (zh) 一种微结构特征的位姿高精度跟踪与检测方法
CN116524062A (zh) 一种基于扩散模型的2d人体姿态估计方法
CN115719339A (zh) 基于双相机标定的螺栓尺寸高精度测量方法和装置
EP3667462A1 (en) Screen position estimation
CN113552065A (zh) 一种生物样本的固定方法及系统
CN114964313A (zh) 一种基于rvm的光纤陀螺温度补偿方法
CN105571666B (zh) 流量补偿方法及补偿装置、流量传感器
CN108106634B (zh) 一种直接观星的星敏感器内参数标定方法
CN113051820A (zh) 基于卷积神经网络的跨流域气动参数模拟方法
CN108459314A (zh) 一种三维固态面阵激光雷达非均匀校正方法
CN109470269B (zh) 空间目标测量机构的标定方法、标定设备及标定系统
JP2020098589A (ja) 幾何学的先行物を用いる曲線オブジェクトセグメンテーション
CN112179813B (zh) 一种基于实验图像的液体接触角在线测量方法
Keshavan et al. An optical flow-based solution to the problem of range identification in perspective vision systems
CN111414821B (zh) 目标检测方法及相关装置
CN104880178B (zh) 一种基于四面体边长和体积加权约束的单目视觉位姿测量方法
Cui et al. Accuracy verification of 2-dimensional velocity field derived from optical flow with respect to PIV flow field measurement
CN116205914B (zh) 一种防水涂料生产智能监测系统
Berroir et al. A numerical model for large deformation on meteorological images
CN113627609B (zh) 一种基于仿射变换的网络度量方法和存储设备
Hao et al. An Iterative Algorithm for Camera Pose Estimation with Lie Group Representation
CN113916774B (zh) 粘附力确定方法、装置、电子设备及存储介质
CN114926526A (zh) 一种基于变焦相机的位姿测量方法

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