CN114640753B - 基于实验视频处理的线虫咽泵运动频率自动识别方法 - Google Patents
基于实验视频处理的线虫咽泵运动频率自动识别方法 Download PDFInfo
- Publication number
- CN114640753B CN114640753B CN202210337425.6A CN202210337425A CN114640753B CN 114640753 B CN114640753 B CN 114640753B CN 202210337425 A CN202210337425 A CN 202210337425A CN 114640753 B CN114640753 B CN 114640753B
- Authority
- CN
- China
- Prior art keywords
- pharyngeal
- nematode
- video
- experimental
- nematodes
- 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
- 241000244206 Nematoda Species 0.000 title claims abstract description 159
- 230000033001 locomotion Effects 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012545 processing Methods 0.000 title claims abstract description 27
- 230000034958 pharyngeal pumping Effects 0.000 claims abstract description 39
- 238000002474 experimental method Methods 0.000 claims abstract description 14
- 238000013383 initial experiment Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 5
- 238000013139 quantization Methods 0.000 description 5
- 241000244203 Caenorhabditis elegans Species 0.000 description 4
- 210000003800 pharynx Anatomy 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 208000003464 asthenopia Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013537 high throughput screening Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241001156002 Anthonomus pomorum Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002232 neuromuscular Effects 0.000 description 1
- 230000001020 rhythmical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/14—Picture signal circuitry for video frequency region
- H04N5/148—Video amplifiers
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/50—Constructional details
- H04N23/54—Mounting of pick-up tubes, electronic image sensors, deviation or focusing coils
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/50—Constructional details
- H04N23/555—Constructional details for picking-up images in sites, inaccessible due to their dimensions or hazardous conditions, e.g. endoscopes or borescopes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/61—Control of cameras or camera modules based on recognised objects
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/14—Picture signal circuitry for video frequency region
- H04N5/20—Circuitry for controlling amplitude response
- H04N5/202—Gamma control
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于实验视频处理的线虫咽泵运动频率自动识别方法，属于生物实验视频处理技术领域，本发明要解决的技术问题为如何识别线虫咽泵运动次数，进而实现自动高效的线虫咽泵运动次数自动计数，采用的技术方案为：该方法具体如下：将线虫放置在线虫培养皿中，线虫自由进食；对自由进食中的线虫咽部进行初始实验视频拍摄；将拍摄得到的初始实验视频进行处理得到单条线虫的咽部区域实验视频；识别单条线虫的咽部区域实验视频中线虫的咽泵运动并计算线虫的咽泵运动次数和频率。
Description
技术领域
本发明涉及生物实验视频处理技术领域，具体地说是一种基于实验视频处理的线虫咽泵运动频率自动识别方法。
背景技术
秀丽隐杆线虫(Caenorhabditis elegans)简称线虫，是应用非常多的模式动物，它体积小，身长约1毫米，易于培养。普通的秀丽隐杆线虫在实验室中20℃的培养环境下，平均寿命约为二到三周，发育时间约为三天。1974年Brenner选择使用秀丽隐杆线虫作为模式生物来研究发育及神经科学的问题。许多使用线虫进行的高通量筛选工作中都用到了图像采集以及图像处理。在高通量筛选实验中产出的图像数据远远超出了人工检查分析的能力，使得科研人员要借助于图像处理工具。在生物实验中图像处理的目的就是利用先进的计算机科学技术、分析方法处理大规模的生物图像数据，为解决生物学问题提供帮助。
线虫咽泵运动是位于线虫消化道前端的神经肌肉泵，线虫在摄食过程中，靠咽泵运动节律性收缩运动从外界获取食物。线虫的咽泵运动次数是进行各种实验中常用的一种定量指标，线虫的咽泵运动次数及频率可以反映线虫的进食情况、基本运动能力、健康状况、衰老程度等等。但是，目前在使用线虫进行的各种实验中，线虫的咽泵运动次数都采用人工的计数方式，这种人工计数的方式不仅耗时耗力，而且还会因为实验员之间的判断标准有差异、实验员的眨眼、视觉疲劳等因素造成误差。
故如何识别线虫咽泵运动次数，进而实现自动高效的线虫咽泵运动次数自动计数是目前亟待解决的技术问题。
发明内容
本发明的技术任务是提供一种基于实验视频处理的线虫咽泵运动频率自动识别方法，来解决如何识别线虫咽泵运动次数，进而实现自动高效的线虫咽泵运动次数自动计数的问题。
本发明的技术任务是按以下方式实现的，一种基于实验视频处理的线虫咽泵运动频率自动识别方法，该方法具体如下：
将线虫放置在线虫培养皿中，线虫自由进食；
对自由进食中的线虫咽部进行高分辨率的初始实验视频拍摄；
将拍摄得到的初始实验视频进行处理得到单条线虫的咽部区域实验视频；
识别单条线虫的咽部区域实验视频中线虫的咽泵运动并计算线虫的咽泵运动次数和频率。
作为优选，将拍摄得到的初始实验视频进行处理得到单条线虫的咽部区域实验视频具体如下：
将拍摄得到的初始线虫初始实验视频进行预处理：对显微镜下拍摄得到的初始实验视频进行手动目标区域选取(即通过拖动鼠标选择合适的矩形区域)：寻找单条线虫的咽部区域，通过矩形框截取线虫的咽部区域；
将初始实验视频进行放大处理：初始实验视频放大至视野中仅有一条线虫且线虫咽部区域清晰可见，得到单条线虫的咽部区域实验视频；
将单条线虫的咽部区域实验视频保存为avi格式，用于后续的线虫咽泵运动识别和计数。
更优地，通过矩形框截取线虫的咽部区域的截取原则为：截取的区域内仅一条线虫且线虫咽部区域清晰可见；矩形框区域的边长为200-300微米。
更优地，自动识别初始实验视频中线虫的咽泵运动并自动计算线虫的咽泵运动次数和频率具体如下：
将单条线虫的咽部区域实验视频进行处理获取相邻帧图像差异值；
根据相邻帧图像差异值获取整个单条线虫的咽部区域实验视频差异值序列，绘制波浪形曲线图；
通过差异值序列识别线虫的咽泵运动活动并计算咽泵运动次数；
计算咽泵运动频率。
更优地，将单条线虫的咽部区域实验视频进行处理获取相邻帧图像差异值具体如下：
提取视频中的每一帧图像；
对每一帧图像进行灰度化处理；
将相邻两帧图像进行比较并计算相邻两帧图像的差异：通过将两个相邻帧图像中的每个对应像素点进行相减并求绝对值的方式计算相邻两帧图像差异，公式如下：
F＝abs(Fi-Fj)；
FD＝ΣF；
其中，i和j分别表示相邻两帧图像的编号，j＝i+1；Fi和Fj分别表示两个相邻帧图像中的所有像素点的灰度值；abs表示取绝对值；F表示两个相邻帧图像进行相减并绝对值化后的结果，即两个相邻帧图像的差异值；FD表示对相邻帧图像中的所有像素点求取F后再进行求和的结果。
更优地，根据相邻帧图像差异值获取整个单条线虫的咽部区域实验视频差异值序列，绘制波浪形曲线图具体如下：
将任意两个相邻帧的图像计算出差异值F后，整个单条线虫的咽部区域实验视频将会得到一串差异值序列；
根据差异值序列绘制呈波浪形的曲线图，根据曲线图观察线虫咽泵运动的特性。
更优地，通过差异值序列识别线虫的咽泵运动活动并计算咽泵运动次数具体如下：
将差异值序列中的相邻数值进行比较：找到大于其前一个数值也大于其后一个数值的位置，该位置即为一次咽泵运动，计入咽泵运动次数；
统计所有咽泵运动次数的总和，即为整个单条线虫的咽部区域实验视频运动次数。
更优地，找到大于其前一个数值也大于其后一个数值的位置，该位置即为一次咽泵运动具体条件如下：
当前数值减去其前面的数值大于设定的阈值，且当前数值减去其后面的数值大于设定的阈值；
其中，阈值的设定依据是视频的分辨率，即阈值＝视频分辨率/200。
更优地，计算咽泵运动频率具体如下：
根据单条线虫的咽部区域实验视频中线虫咽泵运动次数n及视频时长t，计算线虫咽泵运动频率f，公式如下：
f＝n/t。
作为优选，初始实验视频拍摄的时长为30-60秒，拍摄视频的帧速为5帧/秒。
本发明的基于实验视频处理的线虫咽泵运动频率自动识别方法具有以下优点：
(一)本发明可以通过自动处理线虫的实验视频来识别和计算线虫咽泵运动次数和频率以及定位线虫咽泵运动发生在视频中的哪一帧；
(二)本发明克服了传统的人为计数造成的人力成本以及因为实验员之间的判断标准有差异、实验员的眨眼、视觉疲劳等因素造成误差。
附图说明
下面结合附图对本发明进一步说明。
附图1为拍摄得到的线虫实验图像一帧图像及咽部区域选择示意图；
附图2为线虫咽部视频中的一帧图像；
附图3为相邻两帧图片的差异结果示意图；
附图4为视频中相邻两帧图像之间的差异量化结果曲线图；
附图5为自动计数和不同实验员手动计数的比较柱形图。
具体实施方式
参照说明书附图和具体实施例对本发明的基于实验视频处理的线虫咽泵运动频率自动识别方法作以下详细地说明。
实施例：
本发明的基于实验视频处理的线虫咽泵运动频率自动识别方法，该方法具体如下：
S1、将线虫放置在线虫培养皿中，线虫自由进食；
S2、对自由进食中的线虫咽部进行高分辨率的初始实验视频拍摄；其中，初始实验视频拍摄的时长为30-60秒，拍摄视频的帧速为5帧/秒。拍摄得到的线虫实验图像一帧示例及咽部区域选择示例。在显微镜下拍摄得到线虫实验视频之后，放大并选中单条线虫咽喉区域，如附图1所示。其中，初始实验视频是在10倍物镜下拍摄的。
S3、将拍摄得到的初始实验视频进行处理得到单条线虫的咽部区域实验视频；
S4、识别单条线虫的咽部区域实验视频中线虫的咽泵运动并计算线虫的咽泵运动次数和频率。
本实施例步骤S2中的将拍摄得到的初始实验视频进行处理得到单条线虫的咽部区域实验视频具体如下：
S201、将拍摄得到的初始线虫初始实验视频进行预处理：对显微镜下拍摄得到的初始实验视频进行手动目标区域选取(即通过拖动鼠标选择合适的矩形区域)：寻找单条线虫的咽部区域，通过矩形框截取线虫的咽部区域；预处理后的视频里只集中于单条线虫的咽喉区域，这样更方便识别线虫咽泵运动所引起的视频中相邻帧之间的差异，如附图2所示。
S202、将初始实验视频进行放大处理：初始实验视频放大至视野中仅有一条线虫且线虫咽部区域清晰可见，得到单条线虫的咽部区域实验视频；
S203、将单条线虫的咽部区域实验视频保存为avi格式，用于后续的线虫咽泵运动识别和计数。
本实施例步骤S201中的通过矩形框截取线虫的咽部区域的截取原则为：截取的区域内仅一条线虫且线虫咽部区域清晰可见；矩形框区域的边长为200-300微米。
本实施例步骤S4中的自动识别初始实验视频中线虫的咽泵运动并自动计算线虫的咽泵运动次数和频率具体如下：
S401、将单条线虫的咽部区域实验视频进行处理获取相邻帧图像差异值；
S402、根据相邻帧图像差异值获取整个单条线虫的咽部区域实验视频差异值序列，绘制波浪形曲线图；
S403、通过差异值序列识别线虫的咽泵运动活动并计算咽泵运动次数；
S404、计算咽泵运动频率。
本实施例步骤S402中的将单条线虫的咽部区域实验视频进行处理获取相邻帧图像差异值具体如下：
S40201、提取视频中的每一帧图像；
S40202、对每一帧图像进行灰度化处理；
S40203、将相邻两帧图像进行比较并计算相邻两帧图像的差异：通过将两个相邻帧图像中的每个对应像素点进行相减并求绝对值的方式计算相邻两帧图像差异，公式如下：
F＝abs(Fi-Fj)；
FD＝ΣF；
其中，i和j分别表示相邻两帧图像的编号，j＝i+1；(j的取值为i+1，比如从第一帧开始i为1、j为2，此时Fi(即F1)表示第一帧图像和Fj(即F2)表示第二帧图像，Fi和Fj中分别存储的是这两帧图像里的所有像素点的值，相邻两帧图像里的背景变化不大，它们的差异集中在处于活动状态的线虫咽部区域，从而可以通过相邻两帧的变化来反映咽部运动的情况)；Fi和Fj分别表示两个相邻帧图像中的所有像素点的灰度值；abs表示取绝对值；F表示两个相邻帧图像进行相减并绝对值化后的结果，即两个相邻帧图像的差异值，如附图3所示，相邻两帧图片的差异结果显示样例显示出来的每个像素点的灰度值表示的是相邻两帧之间的此位置的差异大小，差异越大则颜色越亮、差异越小则颜色越暗，可以看出在线虫咽喉部位有一个非常亮的区域，这表示由于线虫咽泵运动产生的相邻两帧图像之间的差异非常大)；FD表示对相邻帧图像中的所有像素点求取F后再进行求和的结果。
本实施例步骤S402中的根据相邻帧图像差异值获取整个单条线虫的咽部区域实验视频差异值序列，绘制波浪形曲线图具体如下：
S40201、将任意两个相邻帧的图像计算出差异值F后，整个单条线虫的咽部区域实验视频将会得到一串差异值序列；
S40202、根据差异值序列绘制呈波浪形的曲线图，根据曲线图观察线虫咽泵运动的特性，表明视频中相邻帧的差异是伴随着线虫咽泵运动发生着规律性的变化；将差异值序列中的相邻数值进行比较来识别咽泵运动。假设视频有200帧，那么得到的差异值序列将包含199个值。如附图4所示，展示的是视频中相邻两帧图像之间的差异量化结果曲线，附图4中的横坐标是帧数，纵坐标是相邻两帧图像之间的差异量化结果。
本实施例步骤S403中的通过差异值序列识别线虫的咽泵运动活动并计算咽泵运动次数具体如下：
S40301、将差异值序列中的相邻数值进行比较：找到大于其前一个数值也大于其后一个数值的位置，该位置即为一次咽泵运动，计入咽泵运动次数；
S40302、统计所有咽泵运动次数的总和，即为整个单条线虫的咽部区域实验视频运动次数。
本实施例步骤S40301中的找到大于其前一个数值也大于其后一个数值的位置，该位置即为一次咽泵运动具体条件如下：
当前数值减去其前面的数值大于设定的阈值，且当前数值减去其后面的数值大于设定的阈值；
其中，阈值的设定依据是视频的分辨率，即阈值＝视频分辨率/200。
举例：从差异值序列中自动识别咽泵运动发生在哪一、以及自动计算咽泵运动次数的方法是：从头到尾扫描差异值序列，在差异值序列中找到即大于其前一个数值也大于其后一个数值的位置(满足的条件为当前数值减去其前面的数值大于设定的阈值(本实施例设阈值为4000)，并且当前数值减去其后面的数值也大于设定的阈值(本实施例设阈值为4000))，每一个这样的位置即认为是一次咽泵运动并计入咽泵运动次数，当前位置即为咽泵运动发生的帧。所有的咽泵运动次数的加和即为视频中的线虫咽泵运动次数。
如附图5所示，可以看出不同的实验员通过人眼观察并手动对咽泵运动进行计数的结果之间有一定的差异，而且同一个实验员在多次对咽泵运动进行计数的时候也有差异；而线虫咽泵运动自动计数程序不仅结果准确(接近于所有实验员手动计数的平均值)，而且程序自动计数与人为手动计数方法相比，程序自动计数也不存在多次计数之间存在差异的情况。线虫咽泵运动自动计数程序即从差异值序列(差异值序列对应的可视化形式即根据差异值绘制的曲线如附图4所示)中识别线虫咽泵运动次数。线虫咽泵运动自动计数程序包括，
视频中帧图像提取模块，用于将线虫的实验视频提取成帧图像形式，并将每一帧图像转换成灰度图像。
相邻两帧图像差异值计算模块，用于将相邻两帧图像进行比较并计算相邻两帧图像的差异，进行相邻两帧图像比较和差异计算是通过将两个相邻帧图像中的每个对应像素点进行相减并求绝对值的方式。
差异值序列生成模块，用于将任意两个相邻帧的图像都计算出差异值之后，整个视频将会得到一串差异值序列(随着线虫咽部的活动差异值序列会呈波浪形的曲线图)。假设视频有200帧，那么得到的差异值序列将包含199个值。图4展示的是视频中相邻两帧图像之间的差异量化结果曲线，图中的横坐标是帧数，纵坐标是相邻两帧图像之间的差异量化结果。
咽泵运动次数计算模块，用于从上面得到的差异值序列中识别线虫的咽泵活动并自动计算咽泵运动次数，得到的差异值序列呈现波浪趋势，表明视频中相邻帧的差异是伴随着线虫咽泵运动发生着规律性的变化；将差异值序列中的相邻数值进行比较来识别咽泵运动。
咽泵运动频率计算模块，用于计算咽泵运动频率。
本实施例步骤S404中的计算咽泵运动频率具体如下：
根据单条线虫的咽部区域实验视频中线虫咽泵运动次数n及视频时长t，计算线虫咽泵运动频率f，公式如下：
f＝n/t。
举例：假设拍摄得到的是一个时长为40秒的视频，计算得到的视频中线虫咽泵运动次数假设为30次，折算成每分钟多少次，即：30*(60/40)＝45(次/分钟)。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (4)
1.一种基于实验视频处理的线虫咽泵运动频率自动识别方法，其特征在于，该方法具体如下：
将线虫放置在线虫培养皿中，线虫自由进食；
对自由进食中的线虫咽部进行初始实验视频拍摄；
将拍摄得到的初始实验视频进行处理得到单条线虫的咽部区域实验视频；
识别单条线虫的咽部区域实验视频中线虫的咽泵运动并自动计算线虫的咽泵运动次数和频率；具体如下：
将单条线虫的咽部区域实验视频进行处理获取相邻帧图像差异值；具体如下：
提取视频中的每一帧图像；
对每一帧图像进行灰度化处理；
将相邻两帧图像进行比较并计算相邻两帧图像的差异：通过将两个相邻帧图像中的每个对应像素点进行相减并求绝对值的方式计算相邻两帧图像差异，公式如下：
F = abs(Fi-Fj)；
FD = ΣF；
其中，i和j分别表示相邻两帧图像的编号，j=i+1；Fi和Fj分别表示两个相邻帧图像中的所有像素点的灰度值；abs表示取绝对值；F表示两个相邻帧图像进行相减并绝对值化后的结果，即两个相邻帧图像的差异值；FD表示对相邻帧图像中的所有像素点求取F后再进行求和的结果；
根据相邻帧图像差异值获取整个单条线虫的咽部区域实验视频差异值序列，绘制波浪形曲线图；具体如下：
将任意两个相邻帧的图像计算出差异值F后，整个单条线虫的咽部区域实验视频将会得到一串差异值序列；
根据差异值序列绘制呈波浪形的曲线图，根据曲线图观察线虫咽泵运动的特性；
通过差异值序列识别线虫的咽泵运动活动并计算咽泵运动次数；具体如下：
将差异值序列中的相邻数值进行比较：找到大于其前一个数值也大于其后一个数值的位置，该位置即为一次咽泵运动，计入咽泵运动次数；其中，找到大于其前一个数值也大于其后一个数值的位置，该位置即为一次咽泵运动具体条件如下：
当前数值减去其前面的数值大于设定的阈值，且当前数值减去其后面的数值大于设定的阈值；
其中，阈值的设定依据是视频的分辨率，即阈值=视频分辨率/200；
统计所有咽泵运动次数的总和，即为整个单条线虫的咽部区域实验视频运动次数；
计算咽泵运动频率；具体如下：
根据单条线虫的咽部区域实验视频中线虫咽泵运动次数n及视频时长t，计算线虫咽泵运动频率f，公式如下：
f=n/t。
2.根据权利要求1所述的基于实验视频处理的线虫咽泵运动频率自动识别方法，其特征在于，将拍摄得到的初始实验视频进行处理得到单条线虫的咽部区域实验视频具体如下：
将拍摄得到的初始线虫初始实验视频进行预处理：对显微镜下拍摄得到的初始实验视频进行手动目标区域选取：寻找单条线虫的咽部区域，通过矩形框截取线虫的咽部区域；
将初始实验视频进行放大处理：初始实验视频放大至视野中仅有一条线虫且线虫咽部区域清晰可见，得到单条线虫的咽部区域实验视频；
将单条线虫的咽部区域实验视频保存为avi格式，用于后续的线虫咽泵运动识别和计数。
3.根据权利要求2所述的基于实验视频处理的线虫咽泵运动频率自动识别方法，其特征在于，通过矩形框截取线虫的咽部区域的截取原则为：截取的区域内仅一条线虫且线虫咽部区域清晰可见；矩形框区域的边长为200-300微米。
4.根据权利要求1所述的基于实验视频处理的线虫咽泵运动频率自动识别方法，其特征在于，初始实验视频拍摄的时长为30-60秒，拍摄视频的帧速为5帧/秒。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210337425.6A CN114640753B (zh) | 2022-04-01 | 2022-04-01 | 基于实验视频处理的线虫咽泵运动频率自动识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210337425.6A CN114640753B (zh) | 2022-04-01 | 2022-04-01 | 基于实验视频处理的线虫咽泵运动频率自动识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114640753A CN114640753A (zh) | 2022-06-17 |
| CN114640753B true CN114640753B (zh) | 2023-10-27 |
Family
ID=81950796
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210337425.6A Active CN114640753B (zh) | 2022-04-01 | 2022-04-01 | 基于实验视频处理的线虫咽泵运动频率自动识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114640753B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007336431A (ja) * | 2006-06-19 | 2007-12-27 | Oki Electric Ind Co Ltd | 映像監視装置及び方法 |
| JP2008287594A (ja) * | 2007-05-18 | 2008-11-27 | Nippon Hoso Kyokai <Nhk> | 特定動作判定装置、リファレンスデータ生成装置、特定動作判定プログラム及びリファレンスデータ生成プログラム |
| KR20160048383A (ko) * | 2014-10-24 | 2016-05-04 | 포항공과대학교 산학협력단 | 선충의 3차원 운동 분석시스템 및 방법 |
| CN106778555A (zh) * | 2016-11-30 | 2017-05-31 | 石河子大学 | 一种基于机器视觉的奶牛反刍咀嚼、吞咽次数统计方法 |
| CN109686198A (zh) * | 2019-02-25 | 2019-04-26 | 韩嘉言 | 一种基于计算机视觉技术的摆动运动实验测量方法和系统 |
| CN110152273A (zh) * | 2019-05-24 | 2019-08-23 | 浙江大学 | 一种基于智能目标识别的跳绳计数方法 |
| CN110210360A (zh) * | 2019-05-24 | 2019-09-06 | 浙江大学 | 一种基于视频图像目标识别的跳绳计数方法 |
| WO2020151530A1 (zh) * | 2019-01-23 | 2020-07-30 | 阿里巴巴集团控股有限公司 | 服装的计件方法、装置及设备 |
| CN113643206A (zh) * | 2021-08-17 | 2021-11-12 | 河南科技大学 | 一种奶牛呼吸情况检测方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090192541A1 (en) * | 2008-01-28 | 2009-07-30 | Ethicon Endo-Surgery, Inc. | Methods and devices for predicting performance of a gastric restriction system |
| US9330297B2 (en) * | 2013-01-16 | 2016-05-03 | Xerox Corporation | Methods and systems for video-based chew counting via feature tracking |
| WO2021048984A1 (ja) * | 2019-09-12 | 2021-03-18 | 東芝三菱電機産業システム株式会社 | 絞り発生予測システム |
| NO346137B1 (en) * | 2020-06-17 | 2022-03-14 | Pexip AS | Method, computer program and system for detecting changes and moving objects in a video view |
-
2022
- 2022-04-01 CN CN202210337425.6A patent/CN114640753B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007336431A (ja) * | 2006-06-19 | 2007-12-27 | Oki Electric Ind Co Ltd | 映像監視装置及び方法 |
| JP2008287594A (ja) * | 2007-05-18 | 2008-11-27 | Nippon Hoso Kyokai <Nhk> | 特定動作判定装置、リファレンスデータ生成装置、特定動作判定プログラム及びリファレンスデータ生成プログラム |
| KR20160048383A (ko) * | 2014-10-24 | 2016-05-04 | 포항공과대학교 산학협력단 | 선충의 3차원 운동 분석시스템 및 방법 |
| CN106778555A (zh) * | 2016-11-30 | 2017-05-31 | 石河子大学 | 一种基于机器视觉的奶牛反刍咀嚼、吞咽次数统计方法 |
| WO2020151530A1 (zh) * | 2019-01-23 | 2020-07-30 | 阿里巴巴集团控股有限公司 | 服装的计件方法、装置及设备 |
| CN109686198A (zh) * | 2019-02-25 | 2019-04-26 | 韩嘉言 | 一种基于计算机视觉技术的摆动运动实验测量方法和系统 |
| CN110152273A (zh) * | 2019-05-24 | 2019-08-23 | 浙江大学 | 一种基于智能目标识别的跳绳计数方法 |
| CN110210360A (zh) * | 2019-05-24 | 2019-09-06 | 浙江大学 | 一种基于视频图像目标识别的跳绳计数方法 |
| CN113643206A (zh) * | 2021-08-17 | 2021-11-12 | 河南科技大学 | 一种奶牛呼吸情况检测方法 |
Non-Patent Citations (6)
| Title |
|---|
| Methods for measuring pharyngeal behaviors;David Raizen等;WormBook : the online review of C. elegans biology;全文 * |
| 图像处理在线虫实验中的应用;陈维洋;李伟伟;裴佳伦;;齐鲁工业大学学报(自然科学版)(第02期);全文 * |
| 基于视频分析的多目标奶牛反刍行为监测;宋怀波;牛满堂;姬存慧;李振宇;祝清梅;;农业工程学报(18);全文 * |
| 基于音频技术的肉鸡采食量检测方法研究;杨稷;沈明霞;刘龙申;陆明洲;何灿隆;李嘉位;;华南农业大学学报(第05期);全文 * |
| 姜黄素急性暴露对秀丽隐杆线虫的毒性作用;魏洪鑫等;毒理学杂志;全文 * |
| 运动图像识别技术在谷物害虫检测中的应用;甄彤;;微计算机信息(第19期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114640753A (zh) | 2022-06-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109564680B (zh) | 信息处理方法和系统 | |
| WO2021139258A1 (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
| CN111178197B (zh) | 基于Mask R-CNN和Soft-NMS融合的群养粘连猪实例分割方法 | |
| Versari et al. | Long-term tracking of budding yeast cells in brightfield microscopy: CellStar and the Evaluation Platform | |
| Dewan et al. | Tracking biological cells in time-lapse microscopy: An adaptive technique combining motion and topological features | |
| JP6122817B2 (ja) | スフェロイドの評価方法およびスフェロイド評価装置 | |
| CN107610122B (zh) | 一种基于Micro-CT的单籽粒谷物内部虫害检测方法 | |
| US9569845B2 (en) | Method and system for characterizing cell motion | |
| CN113298023B (zh) | 一种基于深度学习及图像技术的昆虫动态行为识别方法 | |
| Adagale et al. | Image segmentation using PCNN and template matching for blood cell counting | |
| CN115861721A (zh) | 基于图像数据的畜禽养殖喷雾设备状态识别方法 | |
| CN115641364A (zh) | 基于胚胎动力学参数的胚胎分裂周期智能预测系统及方法 | |
| Kumar et al. | Identification of plant diseases using image processing and image recognition | |
| CN114640753B (zh) | 基于实验视频处理的线虫咽泵运动频率自动识别方法 | |
| CN112464802B (zh) | 一种玻片样本信息的自动识别方法、装置和计算机设备 | |
| CN110570425B (zh) | 一种基于深度强化学习算法的肺结节分析方法及装置 | |
| CN111144236B (zh) | 一种蜚蠊交配行为分析的方法、系统及存储介质 | |
| Sukmana et al. | Blight segmentation on corn crop leaf using connected component extraction and CIELAB color space transformation | |
| CN111402242B (zh) | 一种用于医疗图像精细化处理系统及方法 | |
| CN114550069A (zh) | 一种基于深度学习的仔猪乳头计数方法 | |
| Wang et al. | OC_Finder: A deep learning-based software for osteoclast segmentation, counting, and classification | |
| Rangappa et al. | Automatic counting and classification of silkworm eggs using deep learning | |
| CN107665487B (zh) | 模式生物图像采集数字化形状提取重构方法 | |
| JP6329651B1 (ja) | 画像処理装置及び画像処理方法 | |
| Fulcher et al. | Automatic time-series phenotyping using massive feature extraction |
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 |