CN113740214A - 一种基于全息倏逝波光镊的智能分析方法与装置 - Google Patents
一种基于全息倏逝波光镊的智能分析方法与装置 Download PDFInfo
- Publication number
- CN113740214A CN113740214A CN202111310256.9A CN202111310256A CN113740214A CN 113740214 A CN113740214 A CN 113740214A CN 202111310256 A CN202111310256 A CN 202111310256A CN 113740214 A CN113740214 A CN 113740214A
- Authority
- CN
- China
- Prior art keywords
- particles
- laser
- wave
- spherical
- evanescent wave
- 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
- 238000012576 optical tweezer Methods 0.000 title claims abstract description 46
- 238000004458 analytical method Methods 0.000 title claims abstract description 31
- 239000002245 particle Substances 0.000 claims abstract description 286
- 238000013145 classification model Methods 0.000 claims abstract description 56
- 230000005284 excitation Effects 0.000 claims abstract description 54
- 239000011521 glass Substances 0.000 claims description 76
- 239000007788 liquid Substances 0.000 claims description 40
- 238000000034 method Methods 0.000 claims description 37
- 239000011859 microparticle Substances 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 21
- 238000003062 neural network model Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 11
- 238000001000 micrograph Methods 0.000 claims description 11
- 239000000203 mixture Substances 0.000 claims description 11
- 230000003287 optical effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000002156 mixing Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 20
- 238000005516 engineering process Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 6
- 238000005286 illumination Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000002131 composite material Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 230000010287 polarization Effects 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 230000001902 propagating effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 240000004808 Saccharomyces cerevisiae Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002923 metal particle Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000001846 repelling effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
-
- 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
- G01N21/84—Systems specially adapted for particular applications
Landscapes
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Dispersion Chemistry (AREA)
- Microscoopes, Condenser (AREA)
Abstract
本申请揭示了一种基于全息倏逝波光镊的智能分析方法，执行激光生成操作，以分别生成第一激光和第二激光；执行激光调制操作，以对应生成两组球面波；执行第一倏逝波激发操作，以镊住第一微粒；执行第二倏逝波激发操作，以镊住第二微粒；执行旋转与图像采集操作，以对应得到第一显微图像序列和第二显微图像序列；得到一号差值集合；多次修改第二微粒的类型，得到多个样本数据；得到微粒类型分类模型；得到第三显微图像序列和第四显微图像序列；得到二号差值集合；将二号差值集合输入微粒类型分类模型中，以得到分类结果，从而实现了图像数据的再利用，对微粒的初步分类，有利于减小对于杂粒的误检测的可能性。
Description
技术领域
本申请涉及到计算机领域，特别是涉及到一种基于全息倏逝波光镊的智能分析方法、装置、计算机设备和存储介质。
背景技术
光镊技术，指的是利用激光作为虚拟镊子，镊住微粒的一种技术，其基于光具有动量的特性而实现。由于光镊技术具有非接触，低损伤，穿透性强等优点，适用于微观领域。在光镊的过程中，需要用CCD相机以确定是否镊住了颗粒或细胞，在实际使用过程中，CCD相机采集到的图像没有得到更多的利用，因此会造成CCD图像数据的浪费。而现有技术中，缺少对这种图像数据的进一步利用的方案。
发明内容
本申请提出一种基于全息倏逝波光镊的智能分析方法，包括以下步骤：
S1、执行激光生成操作，以控制第一激光发生器和第二激光发生器分别生成第一激光和第二激光，并使第一激光和第二激光分别射入第一空间光调制器和第二空间光调制器；
S2、执行激光调制操作，以根据预设的第一全息图和第二全息图，控制第一空间光调制器和第二空间光调制器分别对第一激光和第二激光进行调制处理，从而对应生成两组球面波；其中，第一组球面波由一号球面波和二号球面波构成，第二组球面波由三号球面波和四号球面波构成；一号球面波和二号球面波的焦点不同，三号球面波和四号球面波的焦点不同；
S3、执行第一倏逝波激发操作，以将第一组球面波射入预置的第一载玻片，使得一号球面波聚焦于第一载玻片上的液体范围内，同时使得二号球面波聚焦于第一载玻片上的玻璃范围内，以激发第一倏逝波，从而镊住第一区域内的指定数量的第一微粒；
S4、执行第二倏逝波激发操作，以将第二组球面波射入第一载玻片，使得三号球面波聚焦于第一载玻片上的液体范围内，同时使得四号球面波聚焦于第一载玻片上的玻璃范围内，以激发第二倏逝波，从而镊住第二区域内的指定数量的第二微粒；其中，第一载玻片上承载有混合第一微粒和第二微粒的指定液体；
S5、执行旋转与图像采集操作，以对一号球面波和三号球面波施加相同的轨道角动量，从而使得第一区域的第一微粒和第二区域内的第二微粒分别旋转，并采用预设的CCD相机实时采集第一区域的图像和第二区域的图像，从而对应得到第一显微图像序列和第二显微图像序列；
S6、通过对比第一显微图像序列，得到对应于第一微粒的第一旋转参数集合；通过对比第二显微图像序列，得到对应于第一微粒的第二旋转参数集合；采用第二旋转参数集合对应减去第一旋转参数集合，以得到一号差值集合；对一号差值集合标注第二微粒的类型，以作为一个样本数据；
S7、多次修改第二微粒的类型，重复S1-S6的步骤，从而得到多个样本数据；
S8、根据所述多个样本数据，对预设的神经网络模型采用有监督学习的方式进行训练，以得到微粒类型分类模型；
S9、将第一微粒与待测微粒混合在指定液体中，并滴在预设的第二载玻片上，并对第二载玻片依次执行激光生成操作、执行激光调制操作、执行第一倏逝波激发操作和执行第二倏逝波激发操作，使得第一倏逝波镊住指定数量的第一微粒，第二倏逝波镊住指定数量的待测微粒，再执行旋转与图像采集操作，以对应得到第三显微图像序列和第四显微图像序列；
S10、通过对比第三显微图像序列，得到对应于第一微粒的第三旋转参数集合；通过对比第四显微图像序列，得到对应于待测微粒的第四旋转参数集合；采用第四旋转参数集合对应减去第一旋转参数集合，以得到二号差值集合；
S11、将所述二号差值集合输入所述微粒类型分类模型中，以得到对应于待测微粒的分类结果。
进一步地，所述执行激光生成操作，以控制第一激光发生器和第二激光发生器分别生成第一激光和第二激光，并使第一激光和第二激光分别射入第一空间光调制器和第二空间光调制器的步骤S1，包括：
S101、执行激光生成操作，以控制第一激光发生器和第二激光发生器分别生成第一激光和第二激光；
S102、控制第一激光通过由两个透镜组成的第一扩束系统，再经由二分之一波片与线起偏器，进入第一空间光调制器；
S103、控制第二激光通过由两个透镜组成的第二扩束系统，再经由二分之一波片与线起偏器，进入第二空间光调制器。
进一步地，所述执行第一倏逝波激发操作，以将第一组球面波射入预置的第一载玻片，使得一号球面波聚焦于第一载玻片上的液体范围内，同时使得二号球面波聚焦于第一载玻片上的玻璃范围内，以激发第一倏逝波，从而镊住第一区域内的指定数量的第一微粒的步骤S3，包括：
S301、执行第一倏逝波激发操作，以将第一组球面波通过由两个透镜组成的光学4f系统和一个光阑，再经过物镜入射预置的第一载玻片，使得一号球面波聚焦于第一载玻片上的液体范围内，同时使得二号球面波聚焦于第一载玻片上的玻璃范围内，以激发第一倏逝波，从而镊住第一区域内的指定数量的第一微粒。
进一步地，指定数量为1或2，第一旋转参数集合和第二旋转参数集合均至少包括旋转速度。
进一步地，所述根据所述多个样本数据，对预设的神经网络模型采用有监督学习的方式进行训练，以得到微粒类型分类模型的步骤S8，包括：
S801、将所述多个样本数据，根据预设比例划分为多个训练数据和多个验证数据；
S802、将所述多个训练数据输入预设的神经网络模型，并采用有监督学习的方式进行训练处理，以得到暂时分类模型；
S803、采用所述多个验证数据对暂时分类模型进行验证处理，以得到验证结果；
S804、判断验证结果是否通过；
S805、若验证结果通过，则将暂时分类模型记为微粒类型分类模型。
本申请提供一种基于全息倏逝波光镊的智能分析装置，包括：
激光生成单元，用于指示实施步骤S1、执行激光生成操作，以控制第一激光发生器和第二激光发生器分别生成第一激光和第二激光，并使第一激光和第二激光分别射入第一空间光调制器和第二空间光调制器；
激光调制单元，用于指示实施步骤S2、执行激光调制操作，以根据预设的第一全息图和第二全息图，控制第一空间光调制器和第二空间光调制器分别对第一激光和第二激光进行调制处理，从而对应生成两组球面波；其中，第一组球面波由一号球面波和二号球面波构成，第二组球面波由三号球面波和四号球面波构成；一号球面波和二号球面波的焦点不同，三号球面波和四号球面波的焦点不同；
第一倏逝波激发单元，用于指示实施步骤S3、执行第一倏逝波激发操作，以将第一组球面波射入预置的第一载玻片，使得一号球面波聚焦于第一载玻片上的液体范围内，同时使得二号球面波聚焦于第一载玻片上的玻璃范围内，以激发第一倏逝波，从而镊住第一区域内的指定数量的第一微粒；
第二倏逝波激发单元，用于指示实施步骤S4、执行第二倏逝波激发操作，以将第二组球面波射入第一载玻片，使得三号球面波聚焦于第一载玻片上的液体范围内，同时使得四号球面波聚焦于第一载玻片上的玻璃范围内，以激发第二倏逝波，从而镊住第二区域内的指定数量的第二微粒；其中，第一载玻片上承载有混合第一微粒和第二微粒的指定液体；
显微图像序列采集单元，用于指示实施步骤S5、执行旋转与图像采集操作，以对一号球面波和三号球面波施加相同的轨道角动量，从而使得第一区域的第一微粒和第二区域内的第二微粒分别旋转，并采用预设的CCD相机实时采集第一区域的图像和第二区域的图像，从而对应得到第一显微图像序列和第二显微图像序列；
一号差值集合获取单元，用于指示实施步骤S6、通过对比第一显微图像序列，得到对应于第一微粒的第一旋转参数集合；通过对比第二显微图像序列，得到对应于第一微粒的第二旋转参数集合；采用第二旋转参数集合对应减去第一旋转参数集合，以得到一号差值集合；对一号差值集合标注第二微粒的类型，以作为一个样本数据；
多个样本数据生成单元，用于指示实施步骤S7、多次修改第二微粒的类型，重复S1-S6的步骤，从而得到多个样本数据；
微粒类型分类模型获取单元，用于指示实施步骤S8、根据所述多个样本数据，对预设的神经网络模型采用有监督学习的方式进行训练，以得到微粒类型分类模型；
待测微粒图像采集单元，用于指示实施步骤S9、将第一微粒与待测微粒混合在指定液体中，并滴在预设的第二载玻片上，并对第二载玻片依次执行激光生成操作、执行激光调制操作、执行第一倏逝波激发操作和执行第二倏逝波激发操作，使得第一倏逝波镊住指定数量的第一微粒，第二倏逝波镊住指定数量的待测微粒，再执行旋转与图像采集操作，以对应得到第三显微图像序列和第四显微图像序列；
二号差值集合获取单元，用于指示实施步骤S10、通过对比第三显微图像序列，得到对应于第一微粒的第三旋转参数集合；通过对比第四显微图像序列，得到对应于待测微粒的第四旋转参数集合；采用第四旋转参数集合对应减去第一旋转参数集合，以得到二号差值集合；
分类结果获取单元，用于指示实施步骤S11、将所述二号差值集合输入所述微粒类型分类模型中，以得到对应于待测微粒的分类结果。
本申请提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请提供一种计算机可读存储介质，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上述任一项所述的方法的步骤。
本申请的基于全息倏逝波光镊的智能分析方法、装置、计算机设备和存储介质，执行激光生成操作，以分别生成第一激光和第二激光；执行激光调制操作，以对应生成两组球面波；执行第一倏逝波激发操作，以激发第一倏逝波，从而镊住第一区域内的指定数量的第一微粒；执行第二倏逝波激发操作，以镊住第二区域内的指定数量的第二微粒；执行旋转与图像采集操作，以使得第一区域的第一微粒和第二区域内的第二微粒分别旋转，并对应得到第一显微图像序列和第二显微图像序列；根据第一显微图像序列和第二显微图像序列，得到一号差值集合；多次修改第二微粒的类型，得到多个样本数据；得到微粒类型分类模型；使第一倏逝波镊住指定数量的第一微粒，第二倏逝波镊住指定数量的待测微粒，再执行旋转与图像采集操作，以对应得到第三显微图像序列和第四显微图像序列；得到二号差值集合；将二号差值集合输入微粒类型分类模型中，以得到分类结果，实现了图像数据的再利用，实现了对微粒的初步分类，有利于减小对于杂粒的误检测的可能性（因为载玻片上，除了待分析微粒之外，还可能存在其他杂粒）。
需要提及的是，本申请的微粒类型分类模型输出的分类结果，只是对于微粒的初步分析，因此可以继续对微粒采用进一步地测试手段。
并且，本申请的微粒类型分类模型，其准确度相对而言是较低的，但是不会影响本申请的实施，这是因为本申请是数据预分析的方案，可以用于提高镊取微粒是目标微粒的可能性，从而减少对杂粒的误检测的可能性。
另外，本申请尤其适合对于混合多种微粒的混合体的检测场景，即适用于在混合微粒中，快速筛选出目标微粒（相对于普通方案中需要依靠进一步地测试，本申请的效率更高）。
附图说明
图1为本申请一实施例的激发全息倏逝波光镊的光学系统示意图；
图2为本申请一实施例的全息图；
图3为本申请一实施例的基于全息倏逝波光镊的智能分析方法的流程示意图；
图4为本申请一实施例的基于全息倏逝波光镊的智能分析方法采集到的显微图像序列（截取四幅图像）；
图5为本申请一实施例的计算机设备的结构示意框图。
附图标记如下：
第一激光器1，透镜2和透镜3（组成扩束系统），二分之一波片4，线起偏器5，第一空间光调制器6，透镜7和透镜9（组成4f系统），光阑8，二向色镜10，高数值孔径物镜11，位移台12，照明系统13，反射镜14，滤光片（532滤光片）15，CCD相机16；第二激光器1’，透镜2‘和透镜3’（组成扩束系统），二分之一波片4‘，线起偏器5’，第二空间光调制器6’，透镜7‘和透镜9’（组成4f系统），光阑8’，二向色镜10’，区域17，区域18，物镜19，载玻片的玻璃20，液体21。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请采用全息倏逝波光镊技术，来镊取微粒。传统光镊技术受到远场衍射极限的限制，当捕获微粒时总是会聚集大量微粒，难以实现少数颗粒的捕获。相对而言，本申请的全息倏逝波光镊技术突破了衍射极限，能够实现少数颗粒的精准捕获。
本申请的全息倏逝波光镊进行微粒镊取的过程，基于图1所示的光学系统所实现。图1中的附图标记中，第一激光器1，透镜2和透镜3（组成扩束系统），二分之一波片4，线起偏器5，第一空间光调制器6，透镜7和透镜9（组成4f系统），光阑8，二向色镜10，高数值孔径物镜11，位移台12，照明系统13，反射镜14，滤光片（532滤光片）15，成像系统（CCD相机）16；第二激光器1’，透镜2‘和透镜3’（组成扩束系统），二分之一波片4‘，线起偏器5’，第二空间光调制器6’，透镜7‘和透镜9’（组成4f系统），光阑8’，二向色镜10’（两个二向色镜10和10’虽然在图中看位置是相同的，但实际上是有一定距离的，但都能够将两组球面波导向物镜11）。其中，激发倏逝波使用常规玻璃片（折射率为1.5）作为基底。
具体地，全息倏逝波的激光与镊取微粒的过程如下：
激光器1生成激光，激光出射后经过透镜2和透镜3组成的扩束系统经过二分之一波片4和线起偏器5入射空间光调制器6。线起偏器5的偏振方向与空间光调制器(SLM)的最佳响应方向一致。经空间光调制器出射的光束通过透镜7和透镜9组成的4f系统将全息平面传递到物镜的后焦面，再入射载玻片激发倏逝波，光阑8用于滤掉从空间光调制器出射的零级干扰光束。空间光调制器将入射激光调制成两束不同焦点的球面波，经后续元件后被高数值孔径物镜11分别聚焦于颗粒上/下方，从而激发向内/外传播的倏逝波，从而实现捕获颗粒的同时防止周围颗粒的干扰。通过调节两束激光的能量比可精确的捕获指定数量的颗粒，例如单颗粒或者两个颗粒。同时，通过对聚焦于颗粒上方的光束添加轨道角动量，可以对捕获的颗粒实现旋转的操作。或者，也可以采用设置螺旋相位片的方式，使聚焦于颗粒上方的光束获得角动量，对捕获的颗粒实现旋转的操作。照明光源通过物镜与532滤光片15被收集到成像系统（CCD相机）16进行观察和处理。
相对于传统技术，本申请首先是采用了两个激光系统进行了双光镊的操作，这是本申请的一个特点。并且，对于CCD相机采集到的图像，传统技术仅用于确认是否镊取到微粒，在当时却无法得知镊取的微粒是否为目标微粒。而本申请对于CCD相机采集到的图像进行了数据再利用，从而实现了对微粒的初步分类，有利于确定镊取的微粒是否为目标微位。
如图3所示，本申请实施例提供一种基于全息倏逝波光镊的智能分析方法，包括以下步骤：
S1、执行激光生成操作，以控制第一激光发生器和第二激光发生器分别生成第一激光和第二激光，并使第一激光和第二激光分别射入第一空间光调制器和第二空间光调制器；
S2、执行激光调制操作，以根据预设的第一全息图和第二全息图，控制第一空间光调制器和第二空间光调制器分别对第一激光和第二激光进行调制处理，从而对应生成两组球面波；其中，第一组球面波由一号球面波和二号球面波构成，第二组球面波由三号球面波和四号球面波构成；一号球面波和二号球面波的焦点不同，三号球面波和四号球面波的焦点不同；
S3、执行第一倏逝波激发操作，以将第一组球面波射入预置的第一载玻片，使得一号球面波聚焦于第一载玻片上的液体范围内，同时使得二号球面波聚焦于第一载玻片上的玻璃范围内，以激发第一倏逝波，从而镊住第一区域内的指定数量的第一微粒；
S4、执行第二倏逝波激发操作，以将第二组球面波射入第一载玻片，使得三号球面波聚焦于第一载玻片上的液体范围内，同时使得四号球面波聚焦于第一载玻片上的玻璃范围内，以激发第二倏逝波，从而镊住第二区域内的指定数量的第二微粒；其中，第一载玻片上承载有混合第一微粒和第二微粒的指定液体；
S5、执行旋转与图像采集操作，以对一号球面波和三号球面波施加相同的轨道角动量，从而使得第一区域的第一微粒和第二区域内的第二微粒分别旋转，并采用预设的CCD相机实时采集第一区域的图像和第二区域的图像，从而对应得到第一显微图像序列和第二显微图像序列；
S6、通过对比第一显微图像序列，得到对应于第一微粒的第一旋转参数集合；通过对比第二显微图像序列，得到对应于第一微粒的第二旋转参数集合；采用第二旋转参数集合对应减去第一旋转参数集合，以得到一号差值集合；对一号差值集合标注第二微粒的类型，以作为一个样本数据；
S7、多次修改第二微粒的类型，重复S1-S6的步骤，从而得到多个样本数据；
S8、根据所述多个样本数据，对预设的神经网络模型采用有监督学习的方式进行训练，以得到微粒类型分类模型；
S9、将第一微粒与待测微粒混合在指定液体中，并滴在预设的第二载玻片上，并对第二载玻片依次执行激光生成操作、执行激光调制操作、执行第一倏逝波激发操作和执行第二倏逝波激发操作，使得第一倏逝波镊住指定数量的第一微粒，第二倏逝波镊住指定数量的待测微粒，再执行旋转与图像采集操作，以对应得到第三显微图像序列和第四显微图像序列；
S10、通过对比第三显微图像序列，得到对应于第一微粒的第三旋转参数集合；通过对比第四显微图像序列，得到对应于待测微粒的第四旋转参数集合；采用第四旋转参数集合对应减去第一旋转参数集合，以得到二号差值集合；
S11、将所述二号差值集合输入所述微粒类型分类模型中，以得到对应于待测微粒的分类结果。
上述步骤S1-S4，即是进行双光镊的过程。其实施过程为:执行激光生成操作，以控制第一激光发生器和第二激光发生器分别生成第一激光和第二激光，并使第一激光和第二激光分别射入第一空间光调制器和第二空间光调制器；执行激光调制操作，以根据预设的第一全息图和第二全息图，控制第一空间光调制器和第二空间光调制器分别对第一激光和第二激光进行调制处理，从而对应生成两组球面波；其中，第一组球面波由一号球面波和二号球面波构成，第二组球面波由三号球面波和四号球面波构成；一号球面波和二号球面波的焦点不同，三号球面波和四号球面波的焦点不同；执行第一倏逝波激发操作，以将第一组球面波射入预置的第一载玻片，使得一号球面波聚焦于第一载玻片上的液体范围内，同时使得二号球面波聚焦于第一载玻片上的玻璃范围内，以激发第一倏逝波，从而镊住第一区域内的指定数量的第一微粒；执行第二倏逝波激发操作，以将第二组球面波射入第一载玻片，使得三号球面波聚焦于第一载玻片上的液体范围内，同时使得四号球面波聚焦于第一载玻片上的玻璃范围内，以激发第二倏逝波，从而镊住第二区域内的指定数量的第二微粒；其中，第一载玻片上承载有混合第一微粒和第二微粒的指定液体。
虽然图1中，生成两组球面波的装置是对称的，但也可以采用其他方式相对设置，只需要保证两组球面波均能够入射载玻片即可，当然，两组球面波入射载玻片的区域是不一样的，从而能够镊取第一区域的第一微粒和第二区域的第二微粒。
空间光调制器，用于将入射激光调整为按全息图展示的光束，从而使得倏逝波激发成为可能。全息图的设置，需要使得一个球面波的焦点在载玻片的玻璃内，另一个球面波的焦点在载玻片的液体内，从而在中间区域内形成势阱，形成光镊来镊住其中的微粒。因此，同一组球面波内的两个球面波，其焦点不同。其中，液体可以为任意可行材料，例如为水。
其中，透镜2，透镜3共同组成扩束镜组，将激光束直径扩大并准直。二分之一波片4和线起偏器5一起使用可调控激光能量。线起偏器5使激光的偏振态与空间光调制器6的最佳响应偏振一致，这时空间光调制器6的调制效率达到最高。空间光调制器将激光调制成两束携带不同球面波因子的激光，从而形成一组球面波。透镜7和透镜9组成的4f系统将调制出的光束传递到物镜后焦面。由于空间光调制器的零级不能被调制，光阑8被添加在4f的频谱面滤掉零级光束。二向色镜10起将通过4f系统的光束反射进入高数值孔径物镜11后，达到激发倏逝波的入射角度。以油镜时镜油折射率为1.515为例，此时高数值孔径物镜的NA应大于1.33。同时，当照明系统13开启时，照明光经物镜收集向下传播成像，穿过二向色镜10继续传播。滴有样品的载玻片固定于位移台12上。经过二向色镜10向下传播的成像光束经反射镜14反射经过滤光片15，过滤掉激光对成像的干扰，最后入射到CCD相机16中。
进一步地，所述执行激光生成操作，以控制第一激光发生器和第二激光发生器分别生成第一激光和第二激光，并使第一激光和第二激光分别射入第一空间光调制器和第二空间光调制器的步骤S1，包括：
S101、执行激光生成操作，以控制第一激光发生器和第二激光发生器分别生成第一激光和第二激光；
S102、控制第一激光通过由两个透镜组成的第一扩束系统，再经由二分之一波片与线起偏器，进入第一空间光调制器；
S103、控制第二激光通过由两个透镜组成的第二扩束系统，再经由二分之一波片与线起偏器，进入第二空间光调制器。
进一步地，所述执行第一倏逝波激发操作，以将第一组球面波射入预置的第一载玻片，使得一号球面波聚焦于第一载玻片上的液体范围内，同时使得二号球面波聚焦于第一载玻片上的玻璃范围内，以激发第一倏逝波，从而镊住第一区域内的指定数量的第一微粒的步骤S3，包括：
S301、执行第一倏逝波激发操作，以将第一组球面波通过由两个透镜组成的光学4f系统和一个光阑，再经过物镜入射预置的第一载玻片，使得一号球面波聚焦于第一载玻片上的液体范围内，同时使得二号球面波聚焦于第一载玻片上的玻璃范围内，以激发第一倏逝波，从而镊住第一区域内的指定数量的第一微粒。
其中，光阑位于光学4f系统的两个透镜之间。
第一全息图例如如图2所示，其被设计为两个区域（区域17和区域18）。对两个区域调制的光束添加不同的球面波因子，光束经过物镜19（与图1中的物镜11相同）后聚焦于液体21和载玻片的玻璃20分界面的上方/下方，激发向内/外传播的倏逝波。倏逝波激发角约为62°，为了满足倏逝波的激发角度，所选取的物镜NA至少大于1.33（此时N等于1.515，所选物镜为油镜）。此时，位于光轴中心的颗粒将被捕获，而周围的颗粒将会被排斥出中心区域，从而在捕获单颗粒或是指定数量颗粒时避免周围颗粒的干扰。进一步，通过给区域17添加螺旋相位，可以实现对中心捕获颗粒的旋转操作。第二全息图与第一全息图类似，在此不再赘述。
第一微粒在后续过程中不会更改，而第二微粒在后续过程中会不断变化，以便于生成更多的样本数据。第一微粒可为金属粒子、介质粒子、生物细胞等，其尺寸也可以预先确定。
之所以要采用双光镊的同时进行，是因为在本申请的光镊操作过程中，微粒的旋转与微粒自身的特性有关（微结构、尺寸、类型等）和液体有关，通过双光镊的方式，第一微粒保持不变，因此第一微粒的旋转状态是已知的，因此可作为参照，从而生成误差更小的样本数据。
上述步骤S5-S8，是生成多个样本数据并训练微粒类型分类模型的过程。具体地：执行旋转与图像采集操作，以对一号球面波和三号球面波施加相同的轨道角动量，从而使得第一区域的第一微粒和第二区域内的第二微粒分别旋转，并采用预设的CCD相机实时采集第一区域的图像和第二区域的图像，从而对应得到第一显微图像序列和第二显微图像序列；通过对比第一显微图像序列，得到对应于第一微粒的第一旋转参数集合；通过对比第二显微图像序列，得到对应于第一微粒的第二旋转参数集合；采用第二旋转参数集合对应减去第一旋转参数集合，以得到一号差值集合；对一号差值集合标注第二微粒的类型，以作为一个样本数据；多次修改第二微粒的类型，重复S1-S6的步骤，从而得到多个样本数据；根据所述多个样本数据，对预设的神经网络模型采用有监督学习的方式进行训练，以得到微粒类型分类模型。
本申请对于CCD显微图像的利用，与传统光镊技术在初始就有区别。传统光镊技术是用静态CCD图像来确定微粒位置，而本申请需要旋转微粒并且采集旋转过程的图像，从而得到第一显微图像序列和第二显微图像序列。之所以需要旋转微粒，是因为微粒的旋转参数，例如角速度、旋转周期、角加速度等，与微粒的微结构、质量、三维尺寸、类型等直接相关（而静态图像仅能够确定微粒的位置以及在CCD相机采集平面上的二维尺寸）。因此，若通过显微图像序列，能够准确确定在施加预设轨道角动量下微粒的旋转参数集合，那么就能够预测微粒的类型。
在同时得到两个显微图像序列后，通过分别对比第一显微图像序列和第二显微图像系列，即可得到相应的旋转参数集合。具体过程例如为：确定第一显微图像序列中的至少一个特征点，再观察特征点在不同显微图像中的位置变化，再结合显微图像的采集时间，即可得到例如角速度、旋转周期、角加速度等的旋转参数，以构成第一旋转参数集合。同理，也能够得到第二旋转参数集合。本申请可以采用任意可行的图像特征提取算法来提取特征点，例如可以采用现有的图像特征提取算法，在此不再赘述。并且为了使得特征点的确定更为容易，本申请优选采用指定颗粒为2的方案。进一步地，本申请也可以采用基于卷积神经网络模型的图像特征提取模型，来获取显微图像序列中的旋转参数集合。
进一步地，指定数量为1或2，第一旋转参数集合和第二旋转参数集合均至少包括旋转速度。图4为CCD相机采集到的对于指定颗粒为2时，颗粒分别为（a）金颗粒（b）酵母菌的显微图像序列，其中白色虚线圆为光镊捕获区域与排斥区域的分界线，比例尺为5μm。明显地，当指定颗粒为2时，更易进行后续的旋转参数的提取。因此指定数量优选为2。
对一号差值集合标注第二微粒的类型，以作为一个样本数据。其中，标注的不是第一微粒的类型，这是需要注意的，因为第一微粒是作为对照微粒，在所有的样本数据中均是不变的。
由于后续需要训练出微粒类型分类模型，需要多个样本数据，因此多次修改第二微粒的类型，重复S1-S6的步骤，从而得到多个样本数据。再根据所述多个样本数据，对预设的神经网络模型采用有监督学习的方式进行训练，以得到微粒类型分类模型。
另外，为了减少误差，本申请并不直接采用第二微粒的第二旋转参数集作为分析依据，而是采用第二旋转参数集合对应减去第一旋转参数集合，以得到一号差值集合，再以一号差值集合作为分析依据。
其中，本申请的微粒类型分类模型，仅需要对于输入的旋转参数集合，生成对应的分类结果，其对应关系相对简单，因此对于样本数据的数量要求较少。而神经网络模型可采用任意可行模型，例如BP神经网络模型、感知器神经网络模型、径向基函数神经网络模型等等。进一步地，本申请可以将微粒类型分类模型与前文的对显微图像序列进行旋转参数集合生成的步骤合并为一个复合模型，复合模型的前半部分对显微图像序列进行处理，以得到旋转参数集合，这可以利用卷积神经网络，来进行图像特征提取，后半部分就是微粒类型分类模型，以得到分类结果。另外，本申请输出的分类结果与前文的标注是对应的，前文标注的越细，则分类结果也越细。
对于微粒类型分类模型的训练的过程，具体地所述根据所述多个样本数据，对预设的神经网络模型采用有监督学习的方式进行训练，以得到微粒类型分类模型的步骤S8，包括：
S801、将所述多个样本数据，根据预设比例划分为多个训练数据和多个验证数据；
S802、将所述多个训练数据输入预设的神经网络模型，并采用有监督学习的方式进行训练处理，以得到暂时分类模型；
S803、采用所述多个验证数据对暂时分类模型进行验证处理，以得到验证结果；
S804、判断验证结果是否通过；
S805、若验证结果通过，则将暂时分类模型记为微粒类型分类模型。
因此训练过程与验证过程采用的是出处相同的样本数据，因此训练得到的微粒类型分类模型具有较高的可靠性。由于每个样本数据均是进行过标注，因此训练过程采用的是有监督学习的方式。可以采用随机梯度下降算法进行模型的训练，并采用反向传播算法更新各层神经网络的参数。若验证结果通过，则表明最终得到的微粒类型分类模型能够胜任对于微粒的分类任务，因此可以采用微粒类型分类模型进行微粒类型的分类。
上述步骤S9-S11是对微粒进行正式测试的过程，具体地：将第一微粒与待测微粒混合在指定液体中，并滴在预设的第二载玻片上，并对第二载玻片依次执行激光生成操作、执行激光调制操作、执行第一倏逝波激发操作和执行第二倏逝波激发操作，使得第一倏逝波镊住指定数量的第一微粒，第二倏逝波镊住指定数量的待测微粒，再执行旋转与图像采集操作，以对应得到第三显微图像序列和第四显微图像序列；通过对比第三显微图像序列，得到对应于第一微粒的第三旋转参数集合；通过对比第四显微图像序列，得到对应于待测微粒的第四旋转参数集合；采用第四旋转参数集合对应减去第一旋转参数集合，以得到二号差值集合；将所述二号差值集合输入所述微粒类型分类模型中，以得到对应于待测微粒的分类结果。
本申请相对于传统光镊，在载玻片制备过程即存在区别，即本申请需要在传统光镊的载玻片制备的基础上，混合第一微粒，从而使得作为对比微粒的第一微粒与待测微粒，是处于相同液体环境中被观测。并且，由于实际使用时，目标微粒并不是单独存在的，因此还伴随有多种干扰的杂粒，本申请尤其适合应用于这种场景，因此本申请能够将除第一微粒之后的所有微粒均作为待测微粒，而只需要CCD显微图像，即可进行初步分析，从而能够较快速地排除部分非目标微粒，甚至能够直接确定目标微粒。另外，执行旋转与图像采集操作时，旋转对应的轨道角动量需要与生成样本数据过程中的轨道角动量相同。从而对应得到第三显微图像序列和第四显微图像序列。
与前文的根据第一显微图像序列、第二显微图像序列，获取旋转参数集合，并生成一号差值集合相同，本申请也以第三显微图像序列、第四显微图像序列为依据，获取旋转参数集合，并生成二号差值集合。再将所述二号差值集合输入所述微粒类型分类模型中，即可得到对应于待测微粒的分类结果。
进一步地，在所述将所述二号差值集合输入所述微粒类型分类模型中，以得到对应于待测微粒的分类结果的步骤S11之后，还包括：
判断所述分类结果是否与目标微粒相匹配；
若所述分类结果不与目标微粒相匹配，则重新生成光镊，以镊住新的待测微粒；
对新的待测微粒进行分类，直到找到目标微粒。
本申请的基于全息倏逝波光镊的智能分析方法，执行激光生成操作，以分别生成第一激光和第二激光；执行激光调制操作，以对应生成两组球面波；执行第一倏逝波激发操作，以激发第一倏逝波，从而镊住第一区域内的指定数量的第一微粒；执行第二倏逝波激发操作，以镊住第二区域内的指定数量的第二微粒；执行旋转与图像采集操作，以使得第一区域的第一微粒和第二区域内的第二微粒分别旋转，并对应得到第一显微图像序列和第二显微图像序列；根据第一显微图像序列和第二显微图像序列，得到一号差值集合；多次修改第二微粒的类型，得到多个样本数据；得到微粒类型分类模型；使第一倏逝波镊住指定数量的第一微粒，第二倏逝波镊住指定数量的待测微粒，再执行旋转与图像采集操作，以对应得到第三显微图像序列和第四显微图像序列；得到二号差值集合；将二号差值集合输入微粒类型分类模型中，以得到分类结果，实现了图像数据的再利用，实现了对微粒的初步分类，有利于减小对于杂粒的误检测的可能性（因为载玻片上，除了待分析微粒之外，还可能存在其他杂粒）。
本申请实施例提供一种基于全息倏逝波光镊的智能分析装置，包括：
激光生成单元，用于指示实施步骤S1、执行激光生成操作，以控制第一激光发生器和第二激光发生器分别生成第一激光和第二激光，并使第一激光和第二激光分别射入第一空间光调制器和第二空间光调制器；
激光调制单元，用于指示实施步骤S2、执行激光调制操作，以根据预设的第一全息图和第二全息图，控制第一空间光调制器和第二空间光调制器分别对第一激光和第二激光进行调制处理，从而对应生成两组球面波；其中，第一组球面波由一号球面波和二号球面波构成，第二组球面波由三号球面波和四号球面波构成；一号球面波和二号球面波的焦点不同，三号球面波和四号球面波的焦点不同；
第一倏逝波激发单元，用于指示实施步骤S3、执行第一倏逝波激发操作，以将第一组球面波射入预置的第一载玻片，使得一号球面波聚焦于第一载玻片上的液体范围内，同时使得二号球面波聚焦于第一载玻片上的玻璃范围内，以激发第一倏逝波，从而镊住第一区域内的指定数量的第一微粒；
第二倏逝波激发单元，用于指示实施步骤S4、执行第二倏逝波激发操作，以将第二组球面波射入第一载玻片，使得三号球面波聚焦于第一载玻片上的液体范围内，同时使得四号球面波聚焦于第一载玻片上的玻璃范围内，以激发第二倏逝波，从而镊住第二区域内的指定数量的第二微粒；其中，第一载玻片上承载有混合第一微粒和第二微粒的指定液体；
显微图像序列采集单元，用于指示实施步骤S5、执行旋转与图像采集操作，以对一号球面波和三号球面波施加相同的轨道角动量，从而使得第一区域的第一微粒和第二区域内的第二微粒分别旋转，并采用预设的CCD相机实时采集第一区域的图像和第二区域的图像，从而对应得到第一显微图像序列和第二显微图像序列；
一号差值集合获取单元，用于指示实施步骤S6、通过对比第一显微图像序列，得到对应于第一微粒的第一旋转参数集合；通过对比第二显微图像序列，得到对应于第一微粒的第二旋转参数集合；采用第二旋转参数集合对应减去第一旋转参数集合，以得到一号差值集合；对一号差值集合标注第二微粒的类型，以作为一个样本数据；
多个样本数据生成单元，用于指示实施步骤S7、多次修改第二微粒的类型，重复S1-S6的步骤，从而得到多个样本数据；
微粒类型分类模型获取单元，用于指示实施步骤S8、根据所述多个样本数据，对预设的神经网络模型采用有监督学习的方式进行训练，以得到微粒类型分类模型；
待测微粒图像采集单元，用于指示实施步骤S9、将第一微粒与待测微粒混合在指定液体中，并滴在预设的第二载玻片上，并对第二载玻片依次执行激光生成操作、执行激光调制操作、执行第一倏逝波激发操作和执行第二倏逝波激发操作，使得第一倏逝波镊住指定数量的第一微粒，第二倏逝波镊住指定数量的待测微粒，再执行旋转与图像采集操作，以对应得到第三显微图像序列和第四显微图像序列；
二号差值集合获取单元，用于指示实施步骤S10、通过对比第三显微图像序列，得到对应于第一微粒的第三旋转参数集合；通过对比第四显微图像序列，得到对应于待测微粒的第四旋转参数集合；采用第四旋转参数集合对应减去第一旋转参数集合，以得到二号差值集合；
分类结果获取单元，用于指示实施步骤S11、将所述二号差值集合输入所述微粒类型分类模型中，以得到对应于待测微粒的分类结果。
其中上述单元分别用于执行的操作与前述实施方式的基于全息倏逝波光镊的智能分析方法的步骤一一对应，在此不再赘述。
本申请的基于全息倏逝波光镊的智能分析装置，执行激光生成操作，以分别生成第一激光和第二激光；执行激光调制操作，以对应生成两组球面波；执行第一倏逝波激发操作，以激发第一倏逝波，从而镊住第一区域内的指定数量的第一微粒；执行第二倏逝波激发操作，以镊住第二区域内的指定数量的第二微粒；执行旋转与图像采集操作，以使得第一区域的第一微粒和第二区域内的第二微粒分别旋转，并对应得到第一显微图像序列和第二显微图像序列；根据第一显微图像序列和第二显微图像序列，得到一号差值集合；多次修改第二微粒的类型，得到多个样本数据；得到微粒类型分类模型；使第一倏逝波镊住指定数量的第一微粒，第二倏逝波镊住指定数量的待测微粒，再执行旋转与图像采集操作，以对应得到第三显微图像序列和第四显微图像序列；得到二号差值集合；将二号差值集合输入微粒类型分类模型中，以得到分类结果，实现了图像数据的再利用，实现了对微粒的初步分类，有利于减小对于杂粒的误检测的可能性（因为载玻片上，除了待分析微粒之外，还可能存在其他杂粒）。
参照图5，本发明实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于全息倏逝波光镊的智能分析方法所用数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于全息倏逝波光镊的智能分析方法。该计算机设备还包括显示屏和输入装置，分别用于展示人工交互界面和用于接收输入数据。
上述处理器执行上述基于全息倏逝波光镊的智能分析方法，其中所述方法包括的步骤分别与执行前述实施方式的基于全息倏逝波光镊的智能分析方法的步骤一一对应，在此不再赘述。
本领域技术人员可以理解，图中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请的计算机设备，执行激光生成操作，以分别生成第一激光和第二激光；执行激光调制操作，以对应生成两组球面波；执行第一倏逝波激发操作，以激发第一倏逝波，从而镊住第一区域内的指定数量的第一微粒；执行第二倏逝波激发操作，以镊住第二区域内的指定数量的第二微粒；执行旋转与图像采集操作，以使得第一区域的第一微粒和第二区域内的第二微粒分别旋转，并对应得到第一显微图像序列和第二显微图像序列；根据第一显微图像序列和第二显微图像序列，得到一号差值集合；多次修改第二微粒的类型，得到多个样本数据；得到微粒类型分类模型；使第一倏逝波镊住指定数量的第一微粒，第二倏逝波镊住指定数量的待测微粒，再执行旋转与图像采集操作，以对应得到第三显微图像序列和第四显微图像序列；得到二号差值集合；将二号差值集合输入微粒类型分类模型中，以得到分类结果，实现了图像数据的再利用，实现了对微粒的初步分类，有利于减小对于杂粒的误检测的可能性（因为载玻片上，除了待分析微粒之外，还可能存在其他杂粒）。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现基于全息倏逝波光镊的智能分析方法，其中所述方法包括的步骤分别与执行前述实施方式的基于全息倏逝波光镊的智能分析方法的步骤一一对应，在此不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (8)
1.一种基于全息倏逝波光镊的智能分析方法，其特征在于，包括：
S1、执行激光生成操作，以控制第一激光发生器和第二激光发生器分别生成第一激光和第二激光，并使第一激光和第二激光分别射入第一空间光调制器和第二空间光调制器；
S2、执行激光调制操作，以根据预设的第一全息图和第二全息图，控制第一空间光调制器和第二空间光调制器分别对第一激光和第二激光进行调制处理，从而对应生成两组球面波；其中，第一组球面波由一号球面波和二号球面波构成，第二组球面波由三号球面波和四号球面波构成；一号球面波和二号球面波的焦点不同，三号球面波和四号球面波的焦点不同；
S3、执行第一倏逝波激发操作，以将第一组球面波射入预置的第一载玻片，使得一号球面波聚焦于第一载玻片上的液体范围内，同时使得二号球面波聚焦于第一载玻片上的玻璃范围内，以激发第一倏逝波，从而镊住第一区域内的指定数量的第一微粒；
S4、执行第二倏逝波激发操作，以将第二组球面波射入第一载玻片，使得三号球面波聚焦于第一载玻片上的液体范围内，同时使得四号球面波聚焦于第一载玻片上的玻璃范围内，以激发第二倏逝波，从而镊住第二区域内的指定数量的第二微粒；其中，第一载玻片上承载有混合第一微粒和第二微粒的指定液体；
S5、执行旋转与图像采集操作，以对一号球面波和三号球面波施加相同的轨道角动量，从而使得第一区域的第一微粒和第二区域内的第二微粒分别旋转，并采用预设的CCD相机实时采集第一区域的图像和第二区域的图像，从而对应得到第一显微图像序列和第二显微图像序列；
S6、通过对比第一显微图像序列，得到对应于第一微粒的第一旋转参数集合；通过对比第二显微图像序列，得到对应于第一微粒的第二旋转参数集合；采用第二旋转参数集合对应减去第一旋转参数集合，以得到一号差值集合；对一号差值集合标注第二微粒的类型，以作为一个样本数据；
S7、多次修改第二微粒的类型，重复S1-S6的步骤，从而得到多个样本数据；
S8、根据所述多个样本数据，对预设的神经网络模型采用有监督学习的方式进行训练，以得到微粒类型分类模型；
S9、将第一微粒与待测微粒混合在指定液体中，并滴在预设的第二载玻片上，并对第二载玻片依次执行激光生成操作、执行激光调制操作、执行第一倏逝波激发操作和执行第二倏逝波激发操作，使得第一倏逝波镊住指定数量的第一微粒，第二倏逝波镊住指定数量的待测微粒，再执行旋转与图像采集操作，以对应得到第三显微图像序列和第四显微图像序列；
S10、通过对比第三显微图像序列，得到对应于第一微粒的第三旋转参数集合；通过对比第四显微图像序列，得到对应于待测微粒的第四旋转参数集合；采用第四旋转参数集合对应减去第一旋转参数集合，以得到二号差值集合；
S11、将所述二号差值集合输入所述微粒类型分类模型中，以得到对应于待测微粒的分类结果。
2.根据权利要求1所述的基于全息倏逝波光镊的智能分析方法，其特征在于，所述执行激光生成操作，以控制第一激光发生器和第二激光发生器分别生成第一激光和第二激光，并使第一激光和第二激光分别射入第一空间光调制器和第二空间光调制器的步骤S1，包括：
S101、执行激光生成操作，以控制第一激光发生器和第二激光发生器分别生成第一激光和第二激光；
S102、控制第一激光通过由两个透镜组成的第一扩束系统，再经由二分之一波片与线起偏器，进入第一空间光调制器；
S103、控制第二激光通过由两个透镜组成的第二扩束系统，再经由二分之一波片与线起偏器，进入第二空间光调制器。
3.根据权利要求1所述的基于全息倏逝波光镊的智能分析方法，其特征在于，所述执行第一倏逝波激发操作，以将第一组球面波射入预置的第一载玻片，使得一号球面波聚焦于第一载玻片上的液体范围内，同时使得二号球面波聚焦于第一载玻片上的玻璃范围内，以激发第一倏逝波，从而镊住第一区域内的指定数量的第一微粒的步骤S3，包括：
S301、执行第一倏逝波激发操作，以将第一组球面波通过由两个透镜组成的光学4f系统和一个光阑，再经过物镜入射预置的第一载玻片，使得一号球面波聚焦于第一载玻片上的液体范围内，同时使得二号球面波聚焦于第一载玻片上的玻璃范围内，以激发第一倏逝波，从而镊住第一区域内的指定数量的第一微粒。
4.根据权利要求1所述的基于全息倏逝波光镊的智能分析方法，其特征在于，指定数量为1或2，第一旋转参数集合和第二旋转参数集合均至少包括旋转速度。
5.根据权利要求1所述的基于全息倏逝波光镊的智能分析方法，其特征在于，所述根据所述多个样本数据，对预设的神经网络模型采用有监督学习的方式进行训练，以得到微粒类型分类模型的步骤S8，包括：
S801、将所述多个样本数据，根据预设比例划分为多个训练数据和多个验证数据；
S802、将所述多个训练数据输入预设的神经网络模型，并采用有监督学习的方式进行训练处理，以得到暂时分类模型；
S803、采用所述多个验证数据对暂时分类模型进行验证处理，以得到验证结果；
S804、判断验证结果是否通过；
S805、若验证结果通过，则将暂时分类模型记为微粒类型分类模型。
6.一种基于全息倏逝波光镊的智能分析装置，其特征在于，包括：
激光生成单元，用于指示实施步骤S1、执行激光生成操作，以控制第一激光发生器和第二激光发生器分别生成第一激光和第二激光，并使第一激光和第二激光分别射入第一空间光调制器和第二空间光调制器；
激光调制单元，用于指示实施步骤S2、执行激光调制操作，以根据预设的第一全息图和第二全息图，控制第一空间光调制器和第二空间光调制器分别对第一激光和第二激光进行调制处理，从而对应生成两组球面波；其中，第一组球面波由一号球面波和二号球面波构成，第二组球面波由三号球面波和四号球面波构成；一号球面波和二号球面波的焦点不同，三号球面波和四号球面波的焦点不同；
第一倏逝波激发单元，用于指示实施步骤S3、执行第一倏逝波激发操作，以将第一组球面波射入预置的第一载玻片，使得一号球面波聚焦于第一载玻片上的液体范围内，同时使得二号球面波聚焦于第一载玻片上的玻璃范围内，以激发第一倏逝波，从而镊住第一区域内的指定数量的第一微粒；
第二倏逝波激发单元，用于指示实施步骤S4、执行第二倏逝波激发操作，以将第二组球面波射入第一载玻片，使得三号球面波聚焦于第一载玻片上的液体范围内，同时使得四号球面波聚焦于第一载玻片上的玻璃范围内，以激发第二倏逝波，从而镊住第二区域内的指定数量的第二微粒；其中，第一载玻片上承载有混合第一微粒和第二微粒的指定液体；
显微图像序列采集单元，用于指示实施步骤S5、执行旋转与图像采集操作，以对一号球面波和三号球面波施加相同的轨道角动量，从而使得第一区域的第一微粒和第二区域内的第二微粒分别旋转，并采用预设的CCD相机实时采集第一区域的图像和第二区域的图像，从而对应得到第一显微图像序列和第二显微图像序列；
一号差值集合获取单元，用于指示实施步骤S6、通过对比第一显微图像序列，得到对应于第一微粒的第一旋转参数集合；通过对比第二显微图像序列，得到对应于第一微粒的第二旋转参数集合；采用第二旋转参数集合对应减去第一旋转参数集合，以得到一号差值集合；对一号差值集合标注第二微粒的类型，以作为一个样本数据；
多个样本数据生成单元，用于指示实施步骤S7、多次修改第二微粒的类型，重复S1-S6的步骤，从而得到多个样本数据；
微粒类型分类模型获取单元，用于指示实施步骤S8、根据所述多个样本数据，对预设的神经网络模型采用有监督学习的方式进行训练，以得到微粒类型分类模型；
待测微粒图像采集单元，用于指示实施步骤S9、将第一微粒与待测微粒混合在指定液体中，并滴在预设的第二载玻片上，并对第二载玻片依次执行激光生成操作、执行激光调制操作、执行第一倏逝波激发操作和执行第二倏逝波激发操作，使得第一倏逝波镊住指定数量的第一微粒，第二倏逝波镊住指定数量的待测微粒，再执行旋转与图像采集操作，以对应得到第三显微图像序列和第四显微图像序列；
二号差值集合获取单元，用于指示实施步骤S10、通过对比第三显微图像序列，得到对应于第一微粒的第三旋转参数集合；通过对比第四显微图像序列，得到对应于待测微粒的第四旋转参数集合；采用第四旋转参数集合对应减去第一旋转参数集合，以得到二号差值集合；
分类结果获取单元，用于指示实施步骤S11、将所述二号差值集合输入所述微粒类型分类模型中，以得到对应于待测微粒的分类结果。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111310256.9A CN113740214B (zh) | 2021-11-08 | 2021-11-08 | 一种基于全息倏逝波光镊的智能分析方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111310256.9A CN113740214B (zh) | 2021-11-08 | 2021-11-08 | 一种基于全息倏逝波光镊的智能分析方法与装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113740214A true CN113740214A (zh) | 2021-12-03 |
| CN113740214B CN113740214B (zh) | 2022-01-25 |
Family
ID=78727577
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111310256.9A Active CN113740214B (zh) | 2021-11-08 | 2021-11-08 | 一种基于全息倏逝波光镊的智能分析方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113740214B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060054793A1 (en) * | 2002-01-16 | 2006-03-16 | The University Of Chicago | Use of multiple optical vortices for pumping, mixing and sorting |
| CN1774623A (zh) * | 2002-07-31 | 2006-05-17 | 阿尔利克斯公司 | 利用全息激光控制分类物质的系统和方法 |
| US20060240591A1 (en) * | 2005-01-12 | 2006-10-26 | New York University | System and method for processing nanowires with holographic optical tweezers |
| CN101267082A (zh) * | 2008-04-21 | 2008-09-17 | 云南大学 | 倏逝波激励及增益耦合的多波段回音壁模式光纤激光器 |
| CN101281126A (zh) * | 2008-03-31 | 2008-10-08 | 杭州电子科技大学 | 光纤式光学外差法倏逝波腔衰荡光谱分析装置 |
| JP2009058926A (ja) * | 2007-08-31 | 2009-03-19 | Akita Univ | 微粒子光捕捉回転制御装置 |
| CN101939635A (zh) * | 2008-02-04 | 2011-01-05 | 皇家飞利浦电子股份有限公司 | 基于倏逝照明和荧光的分子诊断系统 |
| US20110181884A1 (en) * | 2008-03-04 | 2011-07-28 | California Institute Of Technology | Optofluidic microscope device with photosensor array |
| JP2014098790A (ja) * | 2012-11-14 | 2014-05-29 | Nippon Telegr & Teleph Corp <Ntt> | 光ピンセット装置 |
| CN108387505A (zh) * | 2018-02-06 | 2018-08-10 | 武汉大学 | 一种基于微流控芯片的多功能光镊系统及方法 |
| CN109188672A (zh) * | 2018-09-12 | 2019-01-11 | 天津大学 | 一种光镊系统的可控旋转操作装置及方法 |
| CN110836867A (zh) * | 2019-10-18 | 2020-02-25 | 南京大学 | 一种基于卷积神经网络的无透镜全息显微微粒表征方法 |
| CN112730334A (zh) * | 2020-12-23 | 2021-04-30 | 之江实验室 | 基于电偶极旋转散射光探测的纳米微粒识别装置和方法 |
| CN113514441A (zh) * | 2021-07-12 | 2021-10-19 | 桂林电子科技大学 | 基于细胞旋转主动光操控技术的光片荧光显微方法和系统 |
-
2021
- 2021-11-08 CN CN202111310256.9A patent/CN113740214B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060054793A1 (en) * | 2002-01-16 | 2006-03-16 | The University Of Chicago | Use of multiple optical vortices for pumping, mixing and sorting |
| CN1774623A (zh) * | 2002-07-31 | 2006-05-17 | 阿尔利克斯公司 | 利用全息激光控制分类物质的系统和方法 |
| US20060240591A1 (en) * | 2005-01-12 | 2006-10-26 | New York University | System and method for processing nanowires with holographic optical tweezers |
| JP2009058926A (ja) * | 2007-08-31 | 2009-03-19 | Akita Univ | 微粒子光捕捉回転制御装置 |
| CN101939635A (zh) * | 2008-02-04 | 2011-01-05 | 皇家飞利浦电子股份有限公司 | 基于倏逝照明和荧光的分子诊断系统 |
| US20110181884A1 (en) * | 2008-03-04 | 2011-07-28 | California Institute Of Technology | Optofluidic microscope device with photosensor array |
| CN101281126A (zh) * | 2008-03-31 | 2008-10-08 | 杭州电子科技大学 | 光纤式光学外差法倏逝波腔衰荡光谱分析装置 |
| CN101267082A (zh) * | 2008-04-21 | 2008-09-17 | 云南大学 | 倏逝波激励及增益耦合的多波段回音壁模式光纤激光器 |
| JP2014098790A (ja) * | 2012-11-14 | 2014-05-29 | Nippon Telegr & Teleph Corp <Ntt> | 光ピンセット装置 |
| CN108387505A (zh) * | 2018-02-06 | 2018-08-10 | 武汉大学 | 一种基于微流控芯片的多功能光镊系统及方法 |
| CN109188672A (zh) * | 2018-09-12 | 2019-01-11 | 天津大学 | 一种光镊系统的可控旋转操作装置及方法 |
| CN110836867A (zh) * | 2019-10-18 | 2020-02-25 | 南京大学 | 一种基于卷积神经网络的无透镜全息显微微粒表征方法 |
| CN112730334A (zh) * | 2020-12-23 | 2021-04-30 | 之江实验室 | 基于电偶极旋转散射光探测的纳米微粒识别装置和方法 |
| CN113514441A (zh) * | 2021-07-12 | 2021-10-19 | 桂林电子科技大学 | 基于细胞旋转主动光操控技术的光片荧光显微方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| 任煜轩等: "全息光镊—光镊家族中极具活力的成员", 《激光与光电子学进展》 * |
| 汤晓云等: "基于光纤光镊的粒子捕获与操纵", 《物理实验》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113740214B (zh) | 2022-01-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hershko et al. | Multicolor localization microscopy and point-spread-function engineering by deep learning | |
| US9477072B2 (en) | Systems and methods for illumination phase control in fluorescence microscopy | |
| CN101336455B (zh) | 通过形状相位全息摄影扩展的光阱 | |
| JP3573512B2 (ja) | 画像処理方法及び画像処理装置 | |
| US20060163463A1 (en) | Modulated optical tweezers | |
| US20070139541A1 (en) | Imaging system and methodology | |
| CN107202780B (zh) | 一种基于散斑照明的超分辨显微方法和装置 | |
| Sandmeyer et al. | DMD-based super-resolution structured illumination microscopy visualizes live cell dynamics at high speed and low cost | |
| EP3988988A1 (en) | Microscope system, projection unit, and image projection method | |
| CN109188672A (zh) | 一种光镊系统的可控旋转操作装置及方法 | |
| US20230298145A1 (en) | Massively parallel amplitude-only optical processing system and methods for machine learning | |
| US11327018B2 (en) | Sub-diffraction imaging, coding and decoding of non-bleaching scatters | |
| Lenton et al. | OTSLM toolbox for structured light methods | |
| CN113740214B (zh) | 一种基于全息倏逝波光镊的智能分析方法与装置 | |
| US20200117018A1 (en) | Pseudo speckle pattern generation device, pseudo speckle pattern generation method, observation device, and observation method | |
| CN114341622A (zh) | 超分辨成像系统与方法、生物样品识别系统与方法、核酸测序成像系统与方法及核酸识别系统与方法 | |
| Jouchet et al. | Combining deep learning approaches and point spread function engineering for simultaneous 3D position and 3D orientation measurements of fluorescent single molecules | |
| Shao et al. | Addressable multiregional and multifocal multiphoton microscopy based on a spatial light modulator | |
| Ferdman et al. | Diffractive optical system design by cascaded propagation | |
| Liang et al. | Laser induced forward transfer isolating complex-shaped cell by beam shaping | |
| Zhang et al. | Tomographic diffractive microscopy with agile illuminations for imaging targets in a noisy background | |
| Gamboa et al. | High-speed Opto-electronic Pre-processing of Polar Mellin Transform for Shift, Scale and Rotation Invariant Image Recognition at Record-Breaking Speeds | |
| Aydin et al. | An LED-based super resolution GPU implemented structured illumination microscope | |
| CN113392675B (zh) | 一种呈现显微视频信息的方法与设备 | |
| US11669946B2 (en) | High-content imaging system to generate enhanced images and method of operating the same |
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 |