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 PDFInfo
- 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
Links
- 239000012472 biological sample Substances 0.000 title claims abstract description 162
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000011176 pooling Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 11
- 238000013461 design Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 6
- 210000002615 epidermis Anatomy 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 241000252212 Danio rerio Species 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 210000003491 skin Anatomy 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003100 immobilizing effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations 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
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:
其中,v为注射器的活塞运动速度,为第一估计值,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,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:
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:
其中,v为注射器的活塞运动速度,为第一估计值,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,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:
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:
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:
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:
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:
对等式求导可得:
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:
设系统状态量x=[x1 x2],考虑
首先采用backstepping进行控制器设计:
为实现e1→0,定义lyapunov函数:
为实现e2→0,定义lyapunov函数;
设计控制器为:
则:
取ρ≥Δ,则存在ρ0>0使得Δe2-ρ|e2|=-ρ0|e2|≤0
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)
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。
设计lyapunov函数为:
则:
取
将自适应率带入李亚普洛夫方程,则:
1)V≥0
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。
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。
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。
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)
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 |
-
2021
- 2021-07-23 CN CN202110836589.9A patent/CN113552065B/zh active Active
Patent Citations (4)
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 |