CN115216553A - 一种基于深度学习的恶性疟原虫数字化检测系统及检测方法 - Google Patents

一种基于深度学习的恶性疟原虫数字化检测系统及检测方法 Download PDF

Info

Publication number
CN115216553A
CN115216553A CN202210582770.6A CN202210582770A CN115216553A CN 115216553 A CN115216553 A CN 115216553A CN 202210582770 A CN202210582770 A CN 202210582770A CN 115216553 A CN115216553 A CN 115216553A
Authority
CN
China
Prior art keywords
temperature
heat dissipation
heating
duration
plasmodium
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
CN202210582770.6A
Other languages
English (en)
Other versions
CN115216553B (zh
Inventor
石莹
田绿波
樊学军
张琴
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.)
Sichuan International Travel Health Care Center Chengdu Customs Port Outpatient Department
Original Assignee
Sichuan International Travel Health Care Center Chengdu Customs Port Outpatient Department
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 Sichuan International Travel Health Care Center Chengdu Customs Port Outpatient Department filed Critical Sichuan International Travel Health Care Center Chengdu Customs Port Outpatient Department
Priority to CN202210582770.6A priority Critical patent/CN115216553B/zh
Publication of CN115216553A publication Critical patent/CN115216553A/zh
Application granted granted Critical
Publication of CN115216553B publication Critical patent/CN115216553B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
    • C12Q1/6876—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
    • C12Q1/6888—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for detection or identification of organisms
    • C12Q1/6893—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for detection or identification of organisms for protozoa
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01L—CHEMICAL OR PHYSICAL LABORATORY APPARATUS FOR GENERAL USE
    • B01L7/00—Heating or cooling apparatus; Heat insulating devices
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
    • C12Q1/6844—Nucleic acid amplification reactions
    • C12Q1/6851—Quantitative amplification
    • 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
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/6428—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
    • Y02A50/30—Against vector-borne diseases, e.g. mosquito-borne, fly-borne, tick-borne or waterborne diseases whose impact is exacerbated by climate change

Landscapes

  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Organic Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Analytical Chemistry (AREA)
  • Wood Science & Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Zoology (AREA)
  • Immunology (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Biochemistry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Genetics & Genomics (AREA)
  • Biotechnology (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Microbiology (AREA)
  • Tropical Medicine & Parasitology (AREA)
  • Clinical Laboratory Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Optics & Photonics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本发明公开了一种基于深度学习的恶性疟原虫数字化检测系统及检测方法，包括采集检测系统启动时的环境温度，获取加热设备待机温度与环境温度的偏差，若偏差在设定的偏差范围内，则加热设备待机正常；对加热设备和自适应散热调节装置进行联合调试，获取环境温度与设定的标准温度的差值，若差值在差值阈值内，则无需对样品池进行预热，若差值大于差值阈值，则需对样品池进行预热，加热设备和自适应散热调节装置进行联合调试完成后，对样品进行等温扩增，扩增完成后，获取DNA荧光图像，并对包含有疟原虫DNA特异条带的DNA荧光图像进行标注，得到疟原虫DNA荧光图像；通过本发明，可以实现在不同的环境条件下，对等温扩增过程中的温度进行精确控制。

Description

一种基于深度学习的恶性疟原虫数字化检测系统及检测方法
技术领域
本发明涉及控制领域，具体是一种基于深度学习的恶性疟原虫数字化检测系统及检测方法。
背景技术
目前的疟原虫检测常采用分子生物学检测，而分子生物学检测会使用到等温扩增技术，而等温扩增技术其反应过程始终需要维持在恒定的温度，与PCR技术相比，其对仪器温度的精确度要求较高，因此如何对等温扩增过程中的温度进行精确控制，不受外界温度和系统本身的温度影响，是当下研究人员需要研究的课题。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于深度学习的恶性疟原虫数字化检测方法，包括如下步骤：
步骤一，采集检测系统启动时的环境温度，系统启动后，采集加热设备待机状态下的待机温度，获取加热设备待机温度与环境温度的偏差，若偏差在设定的偏差范围内，则加热设备待机正常，进入步骤二；否则，则对加热设备进行故障检测与排除；
步骤二，对加热设备和自适应散热调节装置进行测试，设定恒温温度和恒温时长，首先获取环境温度与设定的标准温度的差值，若差值在差值阈值内，则无需对样品池进行预热，进入步骤三；若差值大于差值阈值，则需对样品池进行预热，进入步骤四；
步骤三，将待加热测试样品放入样品池，通过加热设备对样品池进行加热，同时获取测试样品的温度上升率、加热测试样品至设定恒温温度的时长
Figure 100002_DEST_PATH_IMAGE001
，当测试样品加热至设定恒温温度时同时启动自适应散热装置，使得测试样品的温度上升率为零，并维持设定的恒温时长，并获取恒温时长内温度波动；若时长
Figure 971584DEST_PATH_IMAGE001
与标准时长
Figure 295250DEST_PATH_IMAGE002
的偏差在设定的偏差范围内，且恒温时长内温度波动在设定的波动范围内，则加热设备和自适应散热调节装置满足加热和散热要求，进入步骤五；否则，分别调整加热设备和自适应散热调节装置的功率，使得加热测试样品至设定恒温温度的时长
Figure 809408DEST_PATH_IMAGE001
与标准时长
Figure 735775DEST_PATH_IMAGE002
的偏差在设定的偏差范围内，且恒温时长内温度波动在设定的波动范围内；
步骤四，对样品池进行预热，预热至设定的标准温度，将待加热样品放入样品池，通过加热设备对样品池进行加热，同时获取测试样品的温度上升率、加热测试样品至设定恒温温度的时长
Figure 100002_DEST_PATH_IMAGE003
，当测试样品加热至设定恒温温度时同时启动自适应散热装置，使得测试样品的温度上升率为零，并维持设定的恒温时长，并获取恒温时长内温度波动；若时长
Figure 263664DEST_PATH_IMAGE003
与标准时长
Figure 820547DEST_PATH_IMAGE002
的偏差在设定的偏差范围内，且恒温时长内温度波动在设定的波动范围内，则则加热设备和自适应散热调节装置满足加热和散热要求，进入步骤五；否则，分别调整加热设备和自适应散热调节装置的功率，使得时长
Figure 759684DEST_PATH_IMAGE003
与标准时长
Figure 489743DEST_PATH_IMAGE002
的偏差在设定的偏差范围内，且恒温时长内温度波动在设定的波动范围内；
步骤五，完成加热设备和自适应散热调节装置的联合调试后，对样品进行等温扩增，扩增完成后，获取DNA荧光图像，并对包含有疟原虫DNA特异条带的DNA荧光图像进行标注，得到疟原虫DNA荧光图像。
进一步的，所述的测试样品的温度上升率，采用如下公式：
Figure 565146DEST_PATH_IMAGE004
其中的
Figure 100002_DEST_PATH_IMAGE005
为采集时长，
Figure 89668DEST_PATH_IMAGE006
为采集开始时测试样品的温度，
Figure 100002_DEST_PATH_IMAGE007
为经过时长
Figure 781681DEST_PATH_IMAGE005
后的测试样品温度。
进一步的，还包括对自适应散热调节装置进行基础散热调试，包括如下过程：经过设定的测试时长，获取系统的空载温度，若空载温度与环境温度的差值在差值阈值内，则散热基础功率满足系统空载散热，若差值不在差值阈值内，则调整自适应散热调节装置基础散热功率，使系统空载温度与环境温度的差值在差值阈值内，完成基础散热调试。
进一步的，所述的恒温时长内温度波动，采用如下公式计算：
Figure 253114DEST_PATH_IMAGE008
。
进一步的，还包括根据疟原虫DNA荧光图像建立智能识别平台，包括如下过程：
步骤一，数据采集标注和数据库建立；采集DNA荧光图像，并对包含有疟原虫DNA特异条带的DNA荧光图像进行标注，得到DNA荧光图像集；
步骤二，智能网络模型的设计和训练；建立智能图像识别模型，将得到的DNA荧光图像集输入到智能图像识别模型，对智能图像识别模型进行训练，得到疟原虫DNA智能识别模型；
步骤三，智能网络模型测试和验证；将通过基于深度学习的恶性疟原虫数字化检测系统得到的疟原虫DNA荧光图像和非疟原虫DNA荧光图像，输入到疟原虫DNA智能识别模型，若疟原虫DNA智能识别模型识别出疟原虫DNA荧光图像，则进入步骤四，否者，返回步骤二；
步骤四，智能平台构建，基于训练得到的疟原虫DNA智能识别模型建立智能平台，通过智能平台识别出上传的DNA荧光图像中的包含有疟原虫DNA特异条带的DNA荧光图像。
应用所述的基于深度学习的恶性疟原虫数字化检测方法的基于深度学习的恶性疟原虫数字化检测系统，其特征在于，包括：数据处理模块、加热设备、自适应散热调节装置、预热控制装置、信息设定模块、故障检测与排除模块；所述的加加热设备、自适应散热调节装置、预热控制装置、信息设定模块、故障检测与排除模块分别与所述的数据处理模块连接；
所述的信息设定模块用于设定等温扩增的等温温度、等温时长；
所述的预热控制装置用于根据环境温度和标准温度，判断是否需要进行预热，并生成预热控制信息；
所述的加热设备用与进行加热；
所述的自适应散热调节装置，用于进行散热；
所述的故障检测与排除模块用于在系统启动时进行系统设备故障检测。
优选的，所述的信息设定模块包括等温时长设定模块、等温温度设定模块；所述的等温时长设定模块、等温温度设定模块分别与所述的数据处理模块连接。
优选的，所述的预热控制装置包括环境温度数据采集模块、预热判断模块；所述的环境温度数据采集模块、预热判断模块分别与所述的数据处理模块连接。
优选的，所述的加热设备包括加热模块控制装置、加热装置，所述的加热装置与所述的加热模块控制装置连接，所述的加热模块控制装置与所述的数据处理模块连接。
本发明的有益效果是： 通过本发明所提供的技术方案，可以在不同的环境条件下，对等温扩增过程中的温度进行精确控制。
附图说明
图1为一种基于深度学习的恶性疟原虫数字化检测方法的流程示意图；
图2为基于深度学习的恶性疟原虫数字化检测系统的示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
为了使本发明的目的，技术方案及优点更加清楚明白，结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
而且，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，方法，物品或者设备不仅包括那些要素，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，方法，物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程，方法，物品或者设备中还存在另外的相同要素。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
如图1所示，一种基于深度学习的恶性疟原虫数字化检测方法，其特征在于，包括如下步骤：
步骤一，采集检测系统启动时的环境温度，系统启动后，采集加热设备待机状态下的待机温度，获取加热设备待机温度与环境温度的偏差，若偏差在设定的偏差范围内，则加热设备待机正常，进入步骤二；否则，则对加热设备进行故障检测与排除；
步骤二，对加热设备和自适应散热调节装置进行测试，设定恒温温度和恒温时长，首先获取环境温度与设定的标准温度的差值，若差值在差值阈值内，则无需对样品池进行预热，进入步骤三；若差值大于差值阈值，则需对样品池进行预热，进入步骤四；
步骤三，将待加热测试样品放入样品池，通过加热设备对样品池进行加热，同时获取测试样品的温度上升率、加热测试样品至设定恒温温度的时长
Figure 681559DEST_PATH_IMAGE001
，当测试样品加热至设定恒温温度时同时启动自适应散热装置，使得测试样品的温度上升率为零，并维持设定的恒温时长，并获取恒温时长内温度波动；若时长
Figure 908141DEST_PATH_IMAGE001
与标准时长
Figure 556291DEST_PATH_IMAGE002
的偏差在设定的偏差范围内，且恒温时长内温度波动在设定的波动范围内，则加热设备和自适应散热调节装置满足加热和散热要求，进入步骤五；否则，分别调整加热设备和自适应散热调节装置的功率，通过调整加热设备的功率使得加热测试样品至设定恒温温度的时长
Figure 565835DEST_PATH_IMAGE001
与标准时长
Figure 740464DEST_PATH_IMAGE002
的偏差在设定的偏差范围内，且恒温时长内温度波动在设定的波动范围内；其中根据实时监测恒温时长内待加热测试样品的温度上升率，温度上升率大于零，则通过增大自适应散热调节装置的功率来使温度上升率等于零，温度上升率小于零，则通过减小自适应散热调节装置的功率来使温度上升率等于零；
其中的标准时长
Figure 747735DEST_PATH_IMAGE002
为设定的将待加热样品从标准温度加热至恒温温度的时长，其中的标准温度为设定值。
步骤四，对样品池进行预热，预热至设定的标准温度，将待加热样品放入样品池，通过加热设备对样品池进行加热，同时获取测试样品的温度上升率、加热测试样品至设定恒温温度的时长
Figure 211077DEST_PATH_IMAGE003
，当测试样品加热至设定恒温温度时同时启动自适应散热装置，使得测试样品的温度上升率为零，并维持设定的恒温时长，并获取恒温时长内温度波动；若时长
Figure 821050DEST_PATH_IMAGE003
与标准时长
Figure 991131DEST_PATH_IMAGE002
的偏差在设定的偏差范围内，且恒温时长内温度波动在设定的波动范围内，则则加热设备和自适应散热调节装置满足加热和散热要求，进入步骤五；否则，分别调整加热设备和自适应散热调节装置的功率，使得时长
Figure 497199DEST_PATH_IMAGE003
与标准时长
Figure 978996DEST_PATH_IMAGE002
的偏差在设定的偏差范围内，且恒温时长内温度波动在设定的波动范围内；其中根据实时监测恒温时长内待加热测试样品的温度上升率，温度上升率大于零，则通过增大自适应散热调节装置的功率来使温度上升率等于零，温度上升率小于零，则通过减小自适应散热调节装置的功率来使温度上升率等于零；
步骤五，完成加热设备和自适应散热调节装置的联合调试后，对样品进行等温扩增，扩增完成后，获取DNA荧光图像，并对包含有疟原虫DNA特异条带的DNA荧光图像进行标注，得到疟原虫DNA荧光图像。
所述的测试样品的温度上升率，采用如下公式：
Figure DEST_PATH_IMAGE009
其中的
Figure 766561DEST_PATH_IMAGE005
为采集时长，
Figure 650203DEST_PATH_IMAGE006
为采集开始时测试样品的温度，
Figure 264856DEST_PATH_IMAGE007
为经过时长
Figure 233949DEST_PATH_IMAGE005
后的测试样品温度。
还包括对自适应散热调节装置进行基础散热调试，包括如下过程：经过设定的测试时长，获取系统的空载温度，若空载温度与环境温度的差值在差值阈值内，则散热基础功率满足系统空载散热，若差值不在差值阈值内，则调整自适应散热调节装置基础散热功率，使系统空载温度与环境温度的差值在差值阈值内，完成基础散热调试。
所述的恒温时长内温度波动，采用如下公式计算：
Figure 388986DEST_PATH_IMAGE010
。
还包括根据疟原虫DNA荧光图像建立智能识别平台，包括如下过程：
步骤一，数据采集标注和数据库建立；采集DNA荧光图像，并对包含有疟原虫DNA特异条带的DNA荧光图像进行标注，得到DNA荧光图像集；
步骤二，智能网络模型的设计和训练；建立智能图像识别模型，将得到的DNA荧光图像集输入到智能图像识别模型，对智能图像识别模型进行训练，得到疟原虫DNA智能识别模型；
步骤三，智能网络模型测试和验证；将通过基于深度学习的恶性疟原虫数字化检测系统得到的疟原虫DNA荧光图像和非疟原虫DNA荧光图像，输入到疟原虫DNA智能识别模型，若疟原虫DNA智能识别模型识别出疟原虫DNA荧光图像，则进入步骤四，否者，返回步骤二；
步骤四，智能平台构建，基于训练得到的疟原虫DNA智能识别模型建立智能平台，通过智能平台识别出上传的DNA荧光图像中的包含有疟原虫DNA特异条带的DNA荧光图像。
应用所述的基于深度学习的恶性疟原虫数字化检测方法的基于深度学习的恶性疟原虫数字化检测系统，包括：数据处理模块、加热设备、自适应散热调节装置、预热控制装置、信息设定模块、故障检测与排除模块；所述的加加热设备、自适应散热调节装置、预热控制装置、信息设定模块、故障检测与排除模块分别与所述的数据处理模块连接；
所述的信息设定模块用于设定等温扩增的等温温度、等温时长；
所述的预热控制装置用于根据环境温度和标准温度，判断是否需要进行预热，并生成预热控制信息；
所述的加热设备用与进行加热；
所述的自适应散热调节装置，用于进行散热；
所述的故障检测与排除模块用于在系统启动时进行系统设备故障检测。
所述的信息设定模块包括等温时长设定模块、等温温度设定模块；所述的等温时长设定模块、等温温度设定模块分别与所述的数据处理模块连接。
所述的预热控制装置包括环境温度数据采集模块、预热判断模块；所述的环境温度数据采集模块、预热判断模块分别与所述的数据处理模块连接。
所述的加热设备包括加热模块控制装置、加热装置，所述的加热装置与所述的加热模块控制装置连接，所述的加热模块控制装置与所述的数据处理模块连接。

Claims (9)

1.一种基于深度学习的恶性疟原虫数字化检测方法，其特征在于，包括如下步骤：
步骤一，采集检测系统启动时的环境温度，系统启动后，采集加热设备待机状态下的待机温度，获取加热设备待机温度与环境温度的偏差，若偏差在设定的偏差范围内，则加热设备待机正常，进入步骤二；否则，则对加热设备进行故障检测与排除；
步骤二，对加热设备和自适应散热调节装置进行测试，设定恒温温度和恒温时长，首先获取环境温度与设定的标准温度的差值，若差值在差值阈值内，则无需对样品池进行预热，进入步骤三；若差值大于差值阈值，则需对样品池进行预热，进入步骤四；
步骤三，将待加热测试样品放入样品池，通过加热设备对样品池进行加热，同时获取测试样品的温度上升率、加热测试样品至设定恒温温度的时长
Figure DEST_PATH_IMAGE001
，当测试样品加热至设定恒温温度时同时启动自适应散热装置，使得测试样品的温度上升率为零，并维持设定的恒温时长，并获取恒温时长内温度波动；若时长
Figure 105389DEST_PATH_IMAGE001
与标准时长
Figure DEST_PATH_IMAGE002
的偏差在设定的偏差范围内，且恒温时长内温度波动在设定的波动范围内，则加热设备和自适应散热调节装置满足加热和散热要求，进入步骤五；否则，分别调整加热设备和自适应散热调节装置的功率，使得加热测试样品至设定恒温温度的时长
Figure 553688DEST_PATH_IMAGE001
与标准时长
Figure 333425DEST_PATH_IMAGE002
的偏差在设定的偏差范围内，且恒温时长内温度波动在设定的波动范围内；
步骤四，对样品池进行预热，预热至设定的标准温度，将待加热样品放入样品池，通过加热设备对样品池进行加热，同时获取测试样品的温度上升率、加热测试样品至设定恒温温度的时长
Figure DEST_PATH_IMAGE003
，当测试样品加热至设定恒温温度时同时启动自适应散热装置，使得测试样品的温度上升率为零，并维持设定的恒温时长，并获取恒温时长内温度波动；若时长
Figure 400738DEST_PATH_IMAGE003
与标准时长
Figure 949531DEST_PATH_IMAGE002
的偏差在设定的偏差范围内，且恒温时长内温度波动在设定的波动范围内，则则加热设备和自适应散热调节装置满足加热和散热要求，进入步骤五；否则，分别调整加热设备和自适应散热调节装置的功率，使得时长
Figure 568731DEST_PATH_IMAGE003
与标准时长
Figure 835764DEST_PATH_IMAGE002
的偏差在设定的偏差范围内，且恒温时长内温度波动在设定的波动范围内；
步骤五，完成加热设备和自适应散热调节装置的联合调试后，对样品进行等温扩增，扩增完成后，获取DNA荧光图像，并对包含有疟原虫DNA特异条带的DNA荧光图像进行标注，得到疟原虫DNA荧光图像。
2.根据权利要求1所述的一种基于深度学习的恶性疟原虫数字化检测方法，其特征在于，所述的测试样品的温度上升率，采用如下公式：
Figure DEST_PATH_IMAGE004
其中的
Figure DEST_PATH_IMAGE005
为采集时长，
Figure DEST_PATH_IMAGE006
为采集开始时测试样品的温度，
Figure DEST_PATH_IMAGE007
为经过时长
Figure 972348DEST_PATH_IMAGE005
后的测试样品温度。
3.根据权利要求1所述的一种基于深度学习的恶性疟原虫数字化检测方法，其特征在于，还包括对自适应散热调节装置进行基础散热调试，包括如下过程：经过设定的测试时长，获取系统的空载温度，若空载温度与环境温度的差值在差值阈值内，则散热基础功率满足系统空载散热，若差值不在差值阈值内，则调整自适应散热调节装置基础散热功率，使系统空载温度与环境温度的差值在差值阈值内，完成基础散热调试。
4.根据权利要求1所述的一种基于深度学习的恶性疟原虫数字化检测方法，其特征在于，所述的恒温时长内温度波动，采用如下公式计算：
Figure DEST_PATH_IMAGE008
。
5.根据权利要求1所述的一种基于深度学习的恶性疟原虫数字化检测方法，其特征在于，还包括根据疟原虫DNA荧光图像建立智能识别平台，包括如下过程：
步骤一，数据采集标注和数据库建立；采集DNA荧光图像，并对包含有疟原虫DNA特异条带的DNA荧光图像进行标注，得到DNA荧光图像集；
步骤二，智能网络模型的设计和训练；建立智能图像识别模型，将得到的DNA荧光图像集输入到智能图像识别模型，对智能图像识别模型进行训练，得到疟原虫DNA智能识别模型；
步骤三，智能网络模型测试和验证；将通过基于深度学习的恶性疟原虫数字化检测系统得到的疟原虫DNA荧光图像和非疟原虫DNA荧光图像，输入到疟原虫DNA智能识别模型，若疟原虫DNA智能识别模型识别出疟原虫DNA荧光图像，则进入步骤四，否者，返回步骤二；
步骤四，智能平台构建，基于训练得到的疟原虫DNA智能识别模型建立智能平台，通过智能平台识别出上传的DNA荧光图像中的包含有疟原虫DNA特异条带的DNA荧光图像。
6.应用权利要求1-5任一所述的基于深度学习的恶性疟原虫数字化检测方法的基于深度学习的恶性疟原虫数字化检测系统，其特征在于，包括：数据处理模块、加热设备、自适应散热调节装置、预热控制装置、信息设定模块、故障检测与排除模块；所述的加加热设备、自适应散热调节装置、预热控制装置、信息设定模块、故障检测与排除模块分别与所述的数据处理模块连接；
所述的信息设定模块用于设定等温扩增的等温温度、等温时长；
所述的预热控制装置用于根据环境温度和标准温度，判断是否需要进行预热，并生成预热控制信息；
所述的加热设备用与进行加热；
所述的自适应散热调节装置，用于进行散热；
所述的故障检测与排除模块用于在系统启动时进行系统设备故障检测。
7.根据权利要求6所述的一种基于深度学习的恶性疟原虫数字化检测系统，其特征在于，所述的信息设定模块包括等温时长设定模块、等温温度设定模块；所述的等温时长设定模块、等温温度设定模块分别与所述的数据处理模块连接。
8.根据权利要求6所述的一种基于深度学习的恶性疟原虫数字化检测系统，其特征在于，所述的预热控制装置包括环境温度数据采集模块、预热判断模块；所述的环境温度数据采集模块、预热判断模块分别与所述的数据处理模块连接。
9.根据权利要求6所述的一种基于深度学习的恶性疟原虫数字化检测系统，其特征在于，所述的加热设备包括加热模块控制装置、加热装置，所述的加热装置与所述的加热模块控制装置连接，所述的加热模块控制装置与所述的数据处理模块连接。
CN202210582770.6A 2022-05-26 2022-05-26 一种基于深度学习的恶性疟原虫数字化检测系统及检测方法 Active CN115216553B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210582770.6A CN115216553B (zh) 2022-05-26 2022-05-26 一种基于深度学习的恶性疟原虫数字化检测系统及检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210582770.6A CN115216553B (zh) 2022-05-26 2022-05-26 一种基于深度学习的恶性疟原虫数字化检测系统及检测方法

Publications (2)

Publication Number Publication Date
CN115216553A true CN115216553A (zh) 2022-10-21
CN115216553B CN115216553B (zh) 2023-11-24

Family

ID=83608800

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210582770.6A Active CN115216553B (zh) 2022-05-26 2022-05-26 一种基于深度学习的恶性疟原虫数字化检测系统及检测方法

Country Status (1)

Country Link
CN (1) CN115216553B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115600821A (zh) * 2022-11-27 2023-01-13 四川易景智能终端有限公司（Cn） 用于设备智能制造的pcba板测试方法、设备及系统
CN117129459A (zh) * 2023-10-26 2023-11-28 天津创盾智能科技有限公司 一种激光诱导荧光检测气溶胶的方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140349298A1 (en) * 2011-07-14 2014-11-27 William Eugene Stanchina Portable, low power instrument for the optoelectronic detection of pathogens using isothermal nucleic acid amplification protocols
CN112760214A (zh) * 2020-12-24 2021-05-07 上海捷诺圣华生物科技有限公司 一种快速可视化等温扩增装置
WO2021146814A1 (en) * 2020-01-24 2021-07-29 Uti Limited Partnership Ultrasensitive loop mediated isothermal amplification (us-lamp) to detect malaria
CN113258288A (zh) * 2021-06-17 2021-08-13 成都市克莱微波科技有限公司 一种相控阵天线波束控制装置及控制方法
CN113551931A (zh) * 2021-09-17 2021-10-26 江苏新恒基特种装备股份有限公司 一种散热控制装置及散热测试方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140349298A1 (en) * 2011-07-14 2014-11-27 William Eugene Stanchina Portable, low power instrument for the optoelectronic detection of pathogens using isothermal nucleic acid amplification protocols
WO2021146814A1 (en) * 2020-01-24 2021-07-29 Uti Limited Partnership Ultrasensitive loop mediated isothermal amplification (us-lamp) to detect malaria
CN112760214A (zh) * 2020-12-24 2021-05-07 上海捷诺圣华生物科技有限公司 一种快速可视化等温扩增装置
CN113258288A (zh) * 2021-06-17 2021-08-13 成都市克莱微波科技有限公司 一种相控阵天线波束控制装置及控制方法
CN113551931A (zh) * 2021-09-17 2021-10-26 江苏新恒基特种装备股份有限公司 一种散热控制装置及散热测试方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘志华: "基于ARM的环介导等温扩增及检测系统的研制", 《中国优秀硕士学位论文全文数据库 基础科学辑》, pages 006 - 1 *
朱远林: "基于深度学习的疟疾自检测与分类算法研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, pages 061 - 136 *
王宇松等: "影响PCR仪温度控制精度的因素分析", 《生命科学仪器》, no. 02, pages 19 - 23 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115600821A (zh) * 2022-11-27 2023-01-13 四川易景智能终端有限公司（Cn） 用于设备智能制造的pcba板测试方法、设备及系统
CN117129459A (zh) * 2023-10-26 2023-11-28 天津创盾智能科技有限公司 一种激光诱导荧光检测气溶胶的方法及系统
CN117129459B (zh) * 2023-10-26 2023-12-26 天津创盾智能科技有限公司 一种激光诱导荧光检测气溶胶的方法及系统

Also Published As

Publication number Publication date
CN115216553B (zh) 2023-11-24

Similar Documents

Publication Publication Date Title
CN115216553A (zh) 一种基于深度学习的恶性疟原虫数字化检测系统及检测方法
CN110598736B (zh) 一种电力设备红外图像故障定位、识别与预测方法
CN109064454A (zh) 产品缺陷检测方法及系统
CN109182462B (zh) 一种检测指标阴阳性的判定方法及装置
CN108960342B (zh) 基于改进Soft-Max损失函数的图像相似度计算方法
CN112200211B (zh) 一种基于残差网络和迁移学习的小样本鱼识别方法及系统
CN110530432A (zh) 一种电网设备带电检测系统、红外热像仪及方法
CN111986187A (zh) 基于改进Tiny-YOLOv3网络的航天电子焊点缺陷检测方法
CN105551034B (zh) 一种dna测序的图像识别的预处理方法及装置
CN105335759A (zh) 一种基于生成概率模型的变压器故障检测方法
CN110084314A (zh) 一种针对靶向捕获基因测序数据的假阳性基因突变过滤方法
CN110688955A (zh) 一种基于yolo神经网络的建筑构建目标检测方法
CN105427327B (zh) 一种dna测序的图像配准方法及装置
CN116434226A (zh) 循环肿瘤细胞分析仪
CN112035646A (zh) 关键内容提取方法
CN115938347B (zh) 基于语音识别的飞行学员通话规范性评分方法及系统
CN116503354A (zh) 基于多模态融合的光伏电池热斑检测及评估方法与装置
CN109978250B (zh) 一种电池极片涂布生产面密度的质量预测方法
CN111967383A (zh) 年龄估计方法、年龄估计模型的训练方法和装置
CN114581407B (zh) 一种光伏模块的自适应缺陷检测方法
CN107871113B (zh) 一种情感混合识别检测的方法和装置
CN113191075B (zh) 一种基于改进型樽海鞘群算法的光伏阵列故障诊断方法
CN109444150A (zh) 非接触式裂纹测量方法及其装置
CN112036410B (zh) 基于深度学习和图像梯度的电力设备红外图像分割方法
CN112164040B (zh) 基于半监督深度学习算法的钢铁表面缺陷识别方法

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