CN116524416A - 医疗实验用动物血清提取设备 - Google Patents
医疗实验用动物血清提取设备 Download PDFInfo
- Publication number
- CN116524416A CN116524416A CN202310787186.9A CN202310787186A CN116524416A CN 116524416 A CN116524416 A CN 116524416A CN 202310787186 A CN202310787186 A CN 202310787186A CN 116524416 A CN116524416 A CN 116524416A
- Authority
- CN
- China
- Prior art keywords
- serum
- state
- feature
- cooling
- feature vector
- 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
- 210000002966 serum Anatomy 0.000 title claims abstract description 324
- 241001465754 Metazoa Species 0.000 title claims abstract description 65
- 238000002474 experimental method Methods 0.000 title claims abstract description 25
- 238000001816 cooling Methods 0.000 claims abstract description 141
- 238000000605 extraction Methods 0.000 claims abstract description 60
- 238000012544 monitoring process Methods 0.000 claims abstract description 60
- 230000008859 change Effects 0.000 claims abstract description 35
- 239000013598 vector Substances 0.000 claims description 180
- 230000007704 transition Effects 0.000 claims description 48
- 238000012546 transfer Methods 0.000 claims description 38
- 238000013527 convolutional neural network Methods 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 25
- 230000004927 fusion Effects 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000005012 migration Effects 0.000 claims description 4
- 238000013508 migration Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 2
- 239000002699 waste material Substances 0.000 abstract description 10
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000002789 length control Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000000034 method Methods 0.000 description 29
- 230000000694 effects Effects 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D17/00—Separation of liquids, not provided for elsewhere, e.g. by thermal diffusion
- B01D17/12—Auxiliary equipment particularly adapted for use with liquid-separating apparatus, e.g. control circuits
-
- 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
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01L—CHEMICAL OR PHYSICAL LABORATORY APPARATUS FOR GENERAL USE
- B01L2300/00—Additional constructional details
- B01L2300/18—Means for temperature control
- B01L2300/1894—Cooling means; Cryo cooling
-
- 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
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Thermal Sciences (AREA)
- Clinical Laboratory Science (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
一种医疗实验用动物血清提取设备，其获取由摄像头采集的预定时间段的血清冷却状态监控视频；采用基于深度学习的人工智能技术，进行所述血清冷却状态监控视频中关于血清冷却状态的时序变化特征信息的充分表达，以此基于实际的动物血清冷却状态情况来实时准确地进行冷却时长控制，从而优化动物血清提取的纯度和效率，且避免能源的浪费。
Description
技术领域
本申请涉及智能化提取技术领域，并且更具体地，涉及一种医疗实验用动物血清提取设备。
背景技术
在医疗实验的过程中，通常需要对动物血清进行提取和分离，目前常用的方式是使用抽取器将血清从混合物中分离出来。在抽取的过程中，需要对动物血清进行恒温加热，并将分离后的血清进行冷却处理，以提取出更纯净的血清。
然而，现有的动物血清提取方案中，只是将冷却的时间固定控制在某个范围内，并没有关注到冷却时间与动物血清的冷却状态之间的适配性关系，导致血清的冷却效果不满足预定要求，使得血清中存在其他杂质，影响动物血清的提取纯度，并且还可能导致血清的破坏和能源的浪费，影响动物血清的提取效率和效果。
因此，期望一种优化的医疗实验用动物血清提取设备。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种医疗实验用动物血清提取设备，其获取由摄像头采集的预定时间段的血清冷却状态监控视频；采用基于深度学习的人工智能技术，进行所述血清冷却状态监控视频中关于血清冷却状态的时序变化特征信息的充分表达，以此基于实际的动物血清冷却状态情况来实时准确地进行冷却时长控制，从而优化动物血清提取的纯度和效率，且避免能源的浪费。
第一方面，提供了一种医疗实验用动物血清提取设备，其包括：
视频采集模块，用于获取由摄像头采集的预定时间段的血清冷却状态监控视频；
关键帧提取模块，用于从所述血清冷却状态监控视频提取多个血清冷却状态监控关键帧；
血清状态特征提取模块，用于将所述多个血清冷却状态监控关键帧通过基于卷积神经网络模型的状态特征提取器以得到多个血清状态特征向量；
血清状态变化转移关联模块，用于计算所述多个血清状态特征向量中每相邻两个血清状态特征向量之间的转移矩阵以得到多个状态转移特征矩阵；
降维聚合模块，用于计算所述多个状态转移特征矩阵中各个状态转移特征矩阵的全局均值以得到血清状态转移特征向量；
血清状态变化全局关联模块，用于将所述多个血清状态特征向量通过基于转换器的上下文编码器以得到血清状态时序关联特征向量；
特征融合模块，用于融合所述血清状态转移特征向量和所述血清状态时序关联特征向量以得到分类特征向量；以及
冷却控制模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否停止冷却。
与现有技术相比，本申请提供的一种医疗实验用动物血清提取设备，其采用基于深度学习的人工智能技术，进行所述血清冷却状态监控视频中关于血清冷却状态的时序变化特征信息的充分表达，以此基于实际的动物血清冷却状态情况来实时准确地进行冷却时长控制，从而优化动物血清提取的纯度和效率，且避免能源的浪费。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的医疗实验用动物血清提取设备的框图。
图2为根据本申请实施例的医疗实验用动物血清提取设备中所述血清状态变化全局关联模块的框图。
图3为根据本申请实施例的医疗实验用动物血清提取设备中所述冷却控制模块的框图。
图4为根据本申请实施例的医疗实验用动物血清提取方法的流程图。
图5为根据本申请实施例的医疗实验用动物血清提取方法的系统架构的示意图。
图6为根据本申请实施例的医疗实验用动物血清提取设备的应用场景图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
在本申请的一个实施例中，图1为根据本申请实施例的医疗实验用动物血清提取设备的框图。如图1所示，根据本申请实施例的医疗实验用动物血清提取设备100，包括：视频采集模块110，用于获取由摄像头采集的预定时间段的血清冷却状态监控视频；关键帧提取模块120，用于从所述血清冷却状态监控视频提取多个血清冷却状态监控关键帧；血清状态特征提取模块130，用于将所述多个血清冷却状态监控关键帧通过基于卷积神经网络模型的状态特征提取器以得到多个血清状态特征向量；血清状态变化转移关联模块140，用于计算所述多个血清状态特征向量中每相邻两个血清状态特征向量之间的转移矩阵以得到多个状态转移特征矩阵；降维聚合模块150，用于计算所述多个状态转移特征矩阵中各个状态转移特征矩阵的全局均值以得到血清状态转移特征向量；血清状态变化全局关联模块160，用于将所述多个血清状态特征向量通过基于转换器的上下文编码器以得到血清状态时序关联特征向量；特征融合模块170，用于融合所述血清状态转移特征向量和所述血清状态时序关联特征向量以得到分类特征向量；以及，冷却控制模块180，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否停止冷却。
具体地，在本申请实施例中，所述视频采集模块110，用于获取由摄像头采集的预定时间段的血清冷却状态监控视频。如上所述，现有的动物血清提取方案中，只是将冷却的时间固定控制在某个范围内，并没有关注到冷却时间与动物血清的冷却状态之间的适配性关系，导致血清的冷却效果不满足预定要求，使得血清中存在其他杂质，影响动物血清的提取纯度，并且还可能导致血清的破坏和能源的浪费，影响动物血清的提取效率和效果。因此，期望一种优化的医疗实验用动物血清提取设备。
相应地，考虑到在实际进行动物血清的提取过程中，为了能够提高动物血清的提取纯度且避免能源的浪费，期望基于对摄像头采集的血清冷却状态监控视频进行分析，以此来刻画视频中血清状态的时序特征，以判断是否停止冷却。但是，由于所述血清冷却状态监控视频中存在有大量的信息量，而关于动物血清的冷却状态时序变化特征为小尺度的隐性变化特征信息，难以进行有效地捕捉和提取，导致对于冷却时长控制的精准度较低，血清的提取纯度达不到应有要求。因此，在此过程中，难点在于如何进行所述血清冷却状态监控视频中关于血清冷却状态的时序变化特征信息的充分表达，以此基于实际的动物血清冷却状态情况来实时准确地进行冷却时长控制，从而优化动物血清提取的纯度和效率，且避免能源的浪费。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述血清冷却状态监控视频中关于血清冷却状态的时序变化特征信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取由摄像头采集的预定时间段的血清冷却状态监控视频。其中，摄像头安装在血清冷却设备旁边，且调整好角度，以便能够拍摄到血清冷却设备内部的情况。摄像头的设置包括曝光时间、帧率、分辨率等参数，根据实际情况进行调整，以便能够获取高质量的视频。
应可以理解，冷却时间是指将血清放入冰箱或冷冻机中，使其达到所需的温度的时间。通过监控血清冷却状态的视频，可以了解血清在冷却过程中的温度变化情况，从而确定血清是否达到了所需的温度，如果血清没有达到所需的温度，可以根据视频中的数据进行调整，以确保血清的质量和稳定性，因此，监控血清冷却状态的视频对于保证实验的可靠性和准确性非常重要。
具体地，在本申请实施例中，所述关键帧提取模块120，用于从所述血清冷却状态监控视频提取多个血清冷却状态监控关键帧。接着，考虑到在所述血清冷却状态监控视频中，关于所述动物血清的冷却状态变化特征可以通过所述血清冷却状态监控视频中相邻监控帧之间的差分来表示，也就是，通过相邻图像帧的图像表征来表示所述动物血清的冷却状态时序变化情况。但是，考虑到所述血清冷却状态监控视频中相邻帧的差异较小，存在大量数据冗余，因此，为了降低计算量，且避免数据冗余给检测带来的不良影响，以预定采样频率对所述血清冷却状态监控视频进行关键帧采样，以从所述血清冷却状态监控视频提取多个血清冷却状态监控关键帧。应可以理解，通过采样处理，可以将视频中的每一帧都转化为一个血清冷却状态关键帧，这样可以大大减少对于血清冷却状态的分析和评估的计算量，同时也可以更好地捕捉血清冷却状态的特征表现。
其中，所述关键帧提取模块120，用于：以预定采样频率从所述血清冷却状态监控视频提取所述多个血清冷却状态监控关键帧。更具体地，首先，确定采样频率，根据实验要求，确定从视频中提取关键帧的采样频率。采样频率应该足够高，以便捕捉到血清冷却状态的细微变化。然后，选择关键帧，在视频中选择关键帧的过程中，可以使用图像处理算法来自动化完成。例如，可以使用基于阈值的方法来检测图像中的变化，并选择变化最大的帧作为关键帧。接着，提取关键帧，在确定关键帧后，可以使用视频处理软件或编程语言中的相关库来提取关键帧，提取的关键帧可以保存为图像文件，以便后续处理和分析。然后，视频后处理，在提取关键帧后，可以对视频进行后处理，以进一步分析和优化血清冷却状态。例如，可以使用图像处理算法来检测血清的冷却速率，并根据检测结果调整冷却设备的设置。具体地，在本申请实施例中，所述血清状态特征提取模块130，用于将所述多个血清冷却状态监控关键帧通过基于卷积神经网络模型的状态特征提取器以得到多个血清状态特征向量。然后，考虑到卷积神经网络模型在图像的局部隐含特征提取方面具有优异的表现性能。因此，在本申请的技术方案中，进一步将所述多个血清冷却状态监控关键帧通过基于卷积神经网络模型的状态特征提取器中进行特征挖掘，以提取出所述各个血清冷却状态监控关键帧中关于所述动物血清的冷却状态隐含特征分布信息，从而得到多个血清状态特征向量。
其中，所述血清状态特征提取模块130，用于：使用所述基于卷积神经网络模型的状态特征提取器的各层在层的正向传递中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于卷积神经网络模型的状态特征提取器的最后一层的输出为所述多个血清状态特征向量，所述基于卷积神经网络模型的状态特征提取器的第一层的输入为所述多个血清冷却状态监控关键帧。
卷积神经网络(Convolutional Neural Network，CNN)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。
卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现，且相较于传统的基于统计或者基于特征工程的图像特征提取算法，所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。
在本申请的一个实施例中，基于卷积神经网络模型的状态特征提取器结构包括：1. 输入层，输入层接收血清冷却状态监控视频的数据，并将其传递给下一层。2.卷积层，卷积层是神经网络中最重要的一层。通过卷积操作来提取血清冷却状态监控视频中的特征。卷积层通常包括多个卷积核，每个卷积核可以提取不同的特征。3.池化层，池化层是卷积神经网络中用于降低特征维度的一种层。通过对卷积层输出的特征图进行降采样来减少特征的数量。4.批量归一化层，批量归一化层是卷积神经网络中用于加速训练和提高模型精度的一种技术。通过对每一批次的数据进行归一化，使得模型更加稳定和收敛更快。5.激活函数层，激活函数层是神经网络中用于引入非线性变换的一种层。常用的激活函数包括ReLU、Sigmoid、Tanh等。6.全连接层，全连接层是神经网络中用于将卷积层和池化层的输出连接到输出层的一种层。全连接层通常包括多个神经元，每个神经元与上一层的所有神经元相连。7.输出层，输出层是神经网络中用于输出结果的一层。在血清冷却状态监控视频中，输出层通常输出血清的冷却状态，例如“正常”、“过热”、“过冷”等。
应可以理解，使用卷积神经网络模型可以自动地从血清冷却状态监控视频中提取出血清冷却状态的特征向量，避免了手动分析的繁琐过程，提高了工作效率。而且，卷积神经网络模型在图像处理和特征提取方面具有很高的准确性，可以有效地识别和提取血清冷却状态的特征，从而提高了数据分析的准确性。进一步地，通过对血清冷却状态的特征向量进行分析，可以进一步优化血清提取设备的性能，提高血清冷却效果，从而提高实验结果的准确性。更进一步地，通过对血清冷却状态的特征向量进行可视化，可以更加直观地了解血清冷却状态的变化规律，从而更好地进行数据分析和优化。
具体地，在本申请实施例中，所述血清状态变化转移关联模块140和所述降维聚合模块150，用于计算所述多个血清状态特征向量中每相邻两个血清状态特征向量之间的转移矩阵以得到多个状态转移特征矩阵；以及，用于计算所述多个状态转移特征矩阵中各个状态转移特征矩阵的全局均值以得到血清状态转移特征向量。
进一步地，还考虑到由于所述动物血清的冷却状态是随着时间变化而变化的，也就是说，所述各个血清冷却状态监控关键帧中关于所述动物血清的冷却状态特征信息之间具有着时序的关联关系。因此，在本申请的技术方案中，进一步计算所述多个血清状态特征向量中每相邻两个血清状态特征向量之间的转移矩阵以得到多个状态转移特征矩阵，以此来表示每两个相邻关键帧下关于血清状态特征的时序相对动态变化特征信息。接着，进一步再计算所述多个状态转移特征矩阵中各个状态转移特征矩阵的全局均值以得到血清状态转移特征向量，以便于后续的特征融合，并减少计算量。
其中，所述血清状态变化转移关联模块140，用于：以如下转移公式计算所述多个血清状态特征向量中每相邻两个血清状态特征向量之间的转移矩阵以得到多个状态转移特征矩阵；其中，所述转移公式为：
；
其中,和/>表示所述多个血清状态特征向量中每相邻两个血清状态特征向量,表示所述多个状态转移特征矩阵，/>表示矩阵相乘。
在本申请的其他实施例中，对于所述多个血清状态特征向量中每相邻两个血清状态特征向量之间的转移矩阵，可以使用线性插值方法将相邻两个血清状态特征向量之间的差值进行平滑。血清状态特征向量表示了每两个相邻关键帧下关于血清状态特征的时序相对动态变化特征信息。
接下来，可以将所述多个血清状态转移特征矩阵中各个状态转移特征矩阵的全局均值计算出来，以得到血清状态转移特征向量。血清状态转移特征向量包含了所有血清状态转移特征的全局平均值，可以用于后续的特征融合，并减少计算量。此外，可以使用血清状态转移特征向量来进一步分析血清冷却状态的动态变化特征，例如，可以使用聚类算法将血清状态转移特征向量聚类成不同的类别，以便更好地理解血清冷却状态的动态变化规律。
具体地，在本申请实施例中，所述血清状态变化全局关联模块160，用于将所述多个血清状态特征向量通过基于转换器的上下文编码器以得到血清状态时序关联特征向量。然后，由于通过转移矩阵的形式来得到的每两个相邻关键帧下关于血清状态特征的时序相对动态变化特征虽然能够表示出所述血清状态在时序上的动态变化特征信息，但是由于卷积运算的固有局限性，纯CNN的方法很难学习明确的全局和远程语义信息交互，也就是说，通过转移矩阵的方式来得到的关于血清状态的时序变化特征信息只能捕捉到局部的时序动态关联特征，而对于长距离依赖的血清状态时序关联特征的捕捉能力较弱。
因此，在本申请的技术方案中，进一步将所述多个血清状态特征向量通过基于转换器的上下文编码器中进行编码，以提取出所述血清的状态特征在时间维度上基于时序全局的上下文关联特征信息，从而得到血清状态时序关联特征向量。
图2为根据本申请实施例的医疗实验用动物血清提取设备中所述血清状态变化全局关联模块的框图，如图2所示，所述血清状态变化全局关联模块160，包括：上下文语义编码单元161，用于使用所述基于转换器的上下文编码器对所述多个血清状态特征向量进行基于全局的上下文语义编码以得到多个血清状态全局特征向量；以及，级联单元162，用于将所述多个血清状态全局特征向量进行级联以得到所述血清状态时序关联特征向量。
上下文编码器旨在挖掘得到词序列中上下文之间的隐藏模式，可选地，编码器包括：CNN(Convolutional Neural Network，卷积神经网络)、Recursive NN(RecursiveNeural Network，递归神经网络)、语言模型(Language Model)等。基于CNN的方法对于局部特征有比较好的提取效果，但其对于句子中的长程依赖(Long-termDependency)问题效果欠佳，因此基于Bi-LSTM(Long Short- Term Memory，长短期记忆网络)的编码器被广泛使用。Recursive NN把句子当作树状结构而非序列进行处理，从理论上而言具有更强的表示能力，但其存在样本标注难度大、深层易梯度消失、难以并行计算等弱点，因此在实际应用中使用较少。Transformer是应用广泛的网络结构了，同时具有CNN和RNN的特性，对于全局特征有较好的提取效果，同时相较于RNN(RecurrentNeural Network，循环神经网络)在并行计算上具有一定优势。
进一步地，上下文编码器是一种用于自然语言处理的技术，可以将一个句子或段落中的单词进行编码，以便于后续的处理和分析。上下文编码器通常基于深度学习模型，例如循环神经网络（RNN）或变换器（Transformer）等。在自然语言处理中，上下文编码器常用于文本分类、情感分析、机器翻译等任务中。可以将句子或段落中的单词进行编码，得到一个固定长度的向量表示，这个向量表示可以用于后续的分类或预测任务中。
在本申请的另一个实施例中，使用所述基于转换器的上下文编码器对所述多个血清状态特征向量进行基于全局的上下文语义编码以得到多个血清状态全局特征向量，包括：对于每个血清状态特征向量，将其作为一个序列输入到基于转换器的上下文编码器中；在上下文编码器中，使用多头自注意力机制和前馈神经网络对每个血清状态特征向量进行编码，得到一个上下文编码向量；将所有上下文编码向量按时间顺序排列，得到一个时序上下文编码向量序列；将时序上下文编码向量序列输入到另一个基于转换器的上下文编码器中，使用全局自注意力机制对整个序列进行编码，得到一个全局上下文编码向量；对于每个血清状态特征向量，使用全局上下文编码向量进行编码，得到一个血清状态全局特征向量；将所有血清状态全局特征向量按时间顺序排列，得到一个时序血清状态全局特征向量序列；将时序血清状态全局特征向量序列输入到机器学习算法中进行训练，以得到一个能够优化血清冷却状态的模型。
具体地，在本申请实施例中，所述特征融合模块170，用于融合所述血清状态转移特征向量和所述血清状态时序关联特征向量以得到分类特征向量。接着，进一步再融合所述血清状态转移特征向量和所述血清状态时序关联特征向量，以此来融合所述动物血清状态在时间维度上基于长距离依赖关联的时序关联特征信息和短距离依赖关联的时序关联特征信息，从而得到具有所述动物血清状态特征的多尺度时序动态关联特征的分类特征向量。这样，能够刻画出所述动物血清的状态特征在不同尺度时序关联上的动态变化特征信息。
特别地，在本申请的技术方案中，这里，在融合所述血清状态转移特征向量和所述血清状态时序关联特征向量以得到分类特征向量时，考虑到每个所述血清状态特征向量表达所述血清冷却状态监控关键帧的图像语义特征，由此所述血清状态转移特征向量表达沿时序的图像语义域转移特征，而所述血清状态时序关联特征向量表达基于时序的上下文图像语义关联特征。因此，所述血清状态转移特征向量和所述血清状态时序关联特征向量实质上是在所述多个血清冷却状态监控关键帧的时序特征分布的基础上向不同方向进行特征空间迁移，所以所述血清状态转移特征向量的整体特征分布相对于所述血清状态时序关联特征向量的整体特征分布也在高维特征空间内存在空间迁移。基于此，如果能够提升在具有空间迁移情况下的所述血清状态转移特征向量和所述血清状态时序关联特征向量的融合效果，则能够提升所述分类特征向量的特征表达效果。
因此，本申请的申请人采用类转换器空间迁移置换融合来融合所述血清状态转移特征向量，例如记为和所述血清状态时序关联特征向量，例如记为/>，具体表示为：通过采用类转换器空间迁移置换融合的方式，以如下融合公式来融合所述血清状态转移特征向量和所述血清状态时序关联特征向量以得到所述分类特征向量；其中，所述融合公式为：
；
；
其中，和/>分别是所述血清状态转移特征向量和所述血清状态时序关联特征向量，/>是所述血清状态时序关联特征向量的转移向量，/>为所述血清状态转移特征向量和所述血清状态时序关联特征向量之间的距离矩阵，/>表示所述血清状态转移特征向量和所述血清状态时序关联特征向量间的欧式距离，/>为掩码阈值超参数，且向量均为行向量，/>、/>和/>分别表示特征向量的逐位置相加、相减和相乘，/>表示矩阵乘法，表示掩码函数，/>是所述分类特征向量,/>是所述血清状态转移特征向量第/>个位置的特征值，/>是所述血清状态时序关联特征向量第/>个位置的特征值。
这里，所述类转换器空间迁移置换融合通过以所述血清状态转移特征向量和所述血清状态时序关联特征向量/>的特征值对的差分表征来对特征值对的空间距离进行类转换器机制的掩码预测，实现了所述分类特征向量/>在高维特征空间内的边仿射编码，并通过施加转换器的自注意力机制下的隐状态偏置，来通过所述分类特征向量/>相对于待融合的所述血清状态转移特征向量/>和所述血清状态时序关联特征向量/>在转换器机制下的全局旋转和平移不变形，实现所述血清状态转移特征向量/>和所述血清状态时序关联特征向量/>的特征分布的空间迁移可置换性，从而提升了所述分类特征向量对所述血清状态转移特征向量和所述血清状态时序关联特征向量的融合效果，也就提升了所述分类特征向量的融合特征表达效果。这样，能够基于实际的动物血清冷却状态情况来实时准确地进行冷却时长的控制，从而优化动物血清提取的纯度和效率，且避免能源的浪费。
具体地，在本申请实施例中，所述冷却控制模块180，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否停止冷却。进一步地，将所述分类特征向量通过分类器中进行分类处理，以得到用于表示是否停止冷却的分类结果。也就是，在本申请的技术方案中，所述分类器的标签包括停止冷却(第一标签)，以及，不停止冷却(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。
值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“是否停止冷却”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2 之和为一。因此，是否停止冷却的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“是否停止冷却”的语言文本意义。
应可以理解，在本申请的技术方案中，所述分类器的分类标签为是否停止冷却的控制策略标签，因此，在得到所述分类结果后，可基于所述分类结果来进行冷却时长的控制，从而优化动物血清提取的纯度和效率，且避免能源的浪费。
图3为根据本申请实施例的医疗实验用动物血清提取设备中所述冷却控制模块的框图，如图3所示，所述冷却控制模块180，包括：全连接编码单元181，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元182，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
在本申请的另一个实施例中，首先，收集一定时间段内的血清冷却状态监控视频，并使用图像处理算法提取每一帧图像中的血清状态特征向量。然后，将每一帧图像中提取得到的血清状态特征向量按时间顺序排列，得到一个时序血清状态特征向量序列。接着，对于每个时序血清状态特征向量，使用上述方法得到一个血清状态全局特征向量。然后，将所有血清状态全局特征向量按时间顺序排列，得到一个时序血清状态全局特征向量序列。接着，将时序血清状态全局特征向量序列输入到分类器中进行分类，以得到是否停止冷却的分类结果。最后，对于新的血清冷却状态，使用上述方法得到其血清状态全局特征向量，并输入到分类器中进行分类，以得到是否停止冷却的分类结果。并根据分类结果，决定是否停止冷却。
综上，基于本申请实施例的医疗实验用动物血清提取设备100被阐明，其获取由摄像头采集的预定时间段的血清冷却状态监控视频；采用基于深度学习的人工智能技术，进行所述血清冷却状态监控视频中关于血清冷却状态的时序变化特征信息的充分表达，以此基于实际的动物血清冷却状态情况来实时准确地进行冷却时长控制，从而优化动物血清提取的纯度和效率，且避免能源的浪费。
在本申请的一个实施例中，图4为根据本申请实施例的医疗实验用动物血清提取方法的流程图。图5为根据本申请实施例的医疗实验用动物血清提取方法的系统架构的示意图。如图4和图5所示，根据本申请实施例的医疗实验用动物血清提取方法，其包括：210，获取由摄像头采集的预定时间段的血清冷却状态监控视频；220，从所述血清冷却状态监控视频提取多个血清冷却状态监控关键帧；230，将所述多个血清冷却状态监控关键帧通过基于卷积神经网络模型的状态特征提取器以得到多个血清状态特征向量；240，计算所述多个血清状态特征向量中每相邻两个血清状态特征向量之间的转移矩阵以得到多个状态转移特征矩阵；250，计算所述多个状态转移特征矩阵中各个状态转移特征矩阵的全局均值以得到血清状态转移特征向量；260，将所述多个血清状态特征向量通过基于转换器的上下文编码器以得到血清状态时序关联特征向量；270，融合所述血清状态转移特征向量和所述血清状态时序关联特征向量以得到分类特征向量；以及，280，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否停止冷却。
本领域技术人员可以理解，上述医疗实验用动物血清提取方法中的各个步骤的具体操作已经在上面参考图1到图3的医疗实验用动物血清提取设备的描述中得到了详细介绍，并因此，将省略其重复描述。
图6为根据本申请实施例的医疗实验用动物血清提取设备的应用场景图。如图6所示，在该应用场景中，首先，获取由摄像头采集的预定时间段的血清冷却状态监控视频（例如，如图6中所示意的C）；然后，将获取的血清冷却状态监控视频输入至部署有医疗实验用动物血清提取算法的服务器（例如，如图6中所示意的S）中，其中所述服务器能够基于医疗实验用动物血清提取算法对所述血清冷却状态监控视频进行处理，以生成用于表示是否停止冷却的分类结果。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后，还需要说明的是，在本文中，诸如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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (7)
1.一种医疗实验用动物血清提取设备，其特征在于，包括：
视频采集模块，用于获取由摄像头采集的预定时间段的血清冷却状态监控视频；
关键帧提取模块，用于从所述血清冷却状态监控视频提取多个血清冷却状态监控关键帧；
血清状态特征提取模块，用于将所述多个血清冷却状态监控关键帧通过基于卷积神经网络模型的状态特征提取器以得到多个血清状态特征向量；
血清状态变化转移关联模块，用于计算所述多个血清状态特征向量中每相邻两个血清状态特征向量之间的转移矩阵以得到多个状态转移特征矩阵；
降维聚合模块，用于计算所述多个状态转移特征矩阵中各个状态转移特征矩阵的全局均值以得到血清状态转移特征向量；
血清状态变化全局关联模块，用于将所述多个血清状态特征向量通过基于转换器的上下文编码器以得到血清状态时序关联特征向量；
特征融合模块，用于融合所述血清状态转移特征向量和所述血清状态时序关联特征向量以得到分类特征向量；以及
冷却控制模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否停止冷却。
2.根据权利要求1所述的医疗实验用动物血清提取设备，其特征在于，所述关键帧提取模块，用于：以预定采样频率从所述血清冷却状态监控视频提取所述多个血清冷却状态监控关键帧。
3.根据权利要求2所述的医疗实验用动物血清提取设备，其特征在于，所述血清状态特征提取模块，用于：使用所述基于卷积神经网络模型的状态特征提取器的各层在层的正向传递中分别对输入数据进行：
对所述输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于特征矩阵的均值池化处理以得到池化特征图；以及
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述基于卷积神经网络模型的状态特征提取器的最后一层的输出为所述多个血清状态特征向量，所述基于卷积神经网络模型的状态特征提取器的第一层的输入为所述多个血清冷却状态监控关键帧。
4.根据权利要求3所述的医疗实验用动物血清提取设备，其特征在于，所述血清状态变化转移关联模块，用于：以如下转移公式计算所述多个血清状态特征向量中每相邻两个血清状态特征向量之间的转移矩阵以得到多个状态转移特征矩阵；
其中，所述转移公式为：
；
其中,和/>表示所述多个血清状态特征向量中每相邻两个血清状态特征向量,/>表示所述多个状态转移特征矩阵，/>表示矩阵相乘。
5.根据权利要求4所述的医疗实验用动物血清提取设备，其特征在于，所述血清状态变化全局关联模块，包括：
上下文语义编码单元，用于使用所述基于转换器的上下文编码器对所述多个血清状态特征向量进行基于全局的上下文语义编码以得到多个血清状态全局特征向量；以及
级联单元，用于将所述多个血清状态全局特征向量进行级联以得到所述血清状态时序关联特征向量。
6.根据权利要求5所述的医疗实验用动物血清提取设备，其特征在于，所述特征融合模块，用于：通过采用类转换器空间迁移置换融合的方式，以如下融合公式来融合所述血清状态转移特征向量和所述血清状态时序关联特征向量以得到所述分类特征向量；
其中，所述融合公式为：
；
；
其中，和/>分别是所述血清状态转移特征向量和所述血清状态时序关联特征向量，是所述血清状态时序关联特征向量的转移向量，/>为所述血清状态转移特征向量和所述血清状态时序关联特征向量之间的距离矩阵，/>表示所述血清状态转移特征向量和所述血清状态时序关联特征向量间的欧式距离，/>为掩码阈值超参数，且向量均为行向量，/>、/>和/>分别表示特征向量的逐位置相加、相减和相乘，/>表示矩阵乘法，表示掩码函数，/>是所述分类特征向量,/>是所述血清状态转移特征向量第/>个位置的特征值，/>是所述血清状态时序关联特征向量第/>个位置的特征值。
7.根据权利要求6所述的医疗实验用动物血清提取设备，其特征在于，所述冷却控制模块，包括：
全连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及
分类单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310787186.9A CN116524416B (zh) | 2023-06-30 | 2023-06-30 | 医疗实验用动物血清提取设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310787186.9A CN116524416B (zh) | 2023-06-30 | 2023-06-30 | 医疗实验用动物血清提取设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116524416A true CN116524416A (zh) | 2023-08-01 |
| CN116524416B CN116524416B (zh) | 2023-09-01 |
Family
ID=87397920
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310787186.9A Active CN116524416B (zh) | 2023-06-30 | 2023-06-30 | 医疗实验用动物血清提取设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116524416B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018098362A1 (en) * | 2016-11-23 | 2018-05-31 | Gritstone Oncology, Inc. | Viral delivery of neoantigens |
| CN113469958A (zh) * | 2021-06-18 | 2021-10-01 | 中山大学附属第一医院 | 一种胚胎发育潜能预测方法、系统、设备及存储介质 |
| CN113657503A (zh) * | 2021-08-18 | 2021-11-16 | 上海交通大学 | 一种基于多模态数据融合的恶性肝肿瘤分类方法 |
-
2023
- 2023-06-30 CN CN202310787186.9A patent/CN116524416B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018098362A1 (en) * | 2016-11-23 | 2018-05-31 | Gritstone Oncology, Inc. | Viral delivery of neoantigens |
| CN113469958A (zh) * | 2021-06-18 | 2021-10-01 | 中山大学附属第一医院 | 一种胚胎发育潜能预测方法、系统、设备及存储介质 |
| CN113657503A (zh) * | 2021-08-18 | 2021-11-16 | 上海交通大学 | 一种基于多模态数据融合的恶性肝肿瘤分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| HUNG V. DANG ET AL.: ""Data-Driven Structural Health Monitoring using Feature Fusion and Hybrid Deep Learning"", 《JOURNAL OF LATEX CLASS FILES》 * |
| 刘再涛等: ""基于灰狼算法优化的多隐层径向基神经网络铅锌烧结返粉料水分预测"", 《中南大学学报(自然科学版)》, vol. 54, no. 2 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116524416B (zh) | 2023-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Ensemble application of convolutional and recurrent neural networks for multi-label text categorization | |
| CN114169330B (zh) | 融合时序卷积与Transformer编码器的中文命名实体识别方法 | |
| CN110929622A (zh) | 视频分类方法、模型训练方法、装置、设备及存储介质 | |
| CN116168352B (zh) | 基于图像处理的电网障碍物识别处理方法及系统 | |
| CN110580292A (zh) | 一种文本标签生成方法、装置和计算机可读存储介质 | |
| Yu et al. | k-means Mask Transformer | |
| Prudviraj et al. | Attentive contextual network for image captioning | |
| CN116245513B (zh) | 基于规则库的自动化运维系统及其方法 | |
| Li et al. | Streamer action recognition in live video with spatial-temporal attention and deep dictionary learning | |
| WO2023179429A1 (zh) | 一种视频数据的处理方法、装置、电子设备及存储介质 | |
| CN110888980A (zh) | 基于知识增强的注意力神经网络的隐式篇章关系识别方法 | |
| CN113283414A (zh) | 行人属性识别方法、相关设备及计算机可读存储介质 | |
| CN116184972A (zh) | 空气分离装置的控制系统及其方法 | |
| CN116310565A (zh) | 尿频尿急的中药制作方法及装置 | |
| CN114529903A (zh) | 文本细化网络 | |
| CN115205788A (zh) | 食材质量监控系统 | |
| CN117308077A (zh) | 一种反应堆核电机组蒸发器给水控制系统 | |
| CN116524416B (zh) | 医疗实验用动物血清提取设备 | |
| CN117351392A (zh) | 一种视频异常行为检测的方法 | |
| Passalis et al. | Deep temporal logistic bag-of-features for forecasting high frequency limit order book time series | |
| Zhu et al. | Continuous Sign Language Recognition Via Temporal Super-Resolution Network | |
| CN116168348A (zh) | 基于图像处理的安全监控方法、系统及存储介质 | |
| CN115797642A (zh) | 基于一致性正则化与半监督领域自适应图像语义分割算法 | |
| Liu et al. | Multi-digit Recognition with Convolutional Neural Network and Long Short-term Memory | |
| Gulshad et al. | Hierarchical Explanations for Video Action Recognition |
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 |