CN117253227A - 一种人工智能协同自动化设备的监控方法与系统 - Google Patents
一种人工智能协同自动化设备的监控方法与系统 Download PDFInfo
- Publication number
- CN117253227A CN117253227A CN202311368675.7A CN202311368675A CN117253227A CN 117253227 A CN117253227 A CN 117253227A CN 202311368675 A CN202311368675 A CN 202311368675A CN 117253227 A CN117253227 A CN 117253227A
- Authority
- CN
- China
- Prior art keywords
- data
- culture
- image
- cells
- real
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 40
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 28
- 210000000130 stem cell Anatomy 0.000 claims abstract description 90
- 210000004027 cell Anatomy 0.000 claims abstract description 82
- 230000010261 cell growth Effects 0.000 claims abstract description 42
- 238000004113 cell culture Methods 0.000 claims abstract description 41
- 230000004663 cell proliferation Effects 0.000 claims abstract description 6
- 239000012228 culture supernatant Substances 0.000 claims description 27
- 239000000523 sample Substances 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000012010 growth Effects 0.000 claims description 7
- 239000001963 growth medium Substances 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 5
- 238000010223 real-time analysis Methods 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims 1
- 239000000284 extract Substances 0.000 claims 1
- 238000012258 culturing Methods 0.000 abstract description 7
- 230000003287 optical effect Effects 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 5
- 230000002411 adverse Effects 0.000 abstract description 3
- 210000003954 umbilical cord Anatomy 0.000 abstract description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000021164 cell adhesion Effects 0.000 description 1
- 238000005138 cryopreservation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000035755 proliferation Effects 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
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明涉及一种人工智能协同自动化设备的监控方法与系统,属于图像处理技术领域。本发明通过将人工智能监控系统与细胞工艺相结合,取代了传统的光学显微镜观察细胞的监控方法,提高了监测细胞总数量和细胞质量的准确性,同时减少了利用传统的光学显微镜观察需要频繁将培养瓶从培养箱取出导致脐带组织滑落贴合点的不良影响。通过将系统监测到的实验数据存储至相应数据库中,人工智能能够得到不断地学习,不断完善干细胞生长模型,能够根据细胞增殖曲线对细胞生长状态进行更精确地判断,不断完善培养细胞的过程,提高培养出的干细胞的质量以及培养干细胞的效率。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种人工智能协同自动化设备的监控方法与系统。
背景技术
目前,在细胞的培养过程中,需要用到光学显微镜对细胞增殖状态进行观察,然而在培养期间人为的频繁将培养瓶从培养箱取出在显微镜下观察,此过程会对细胞贴壁效率造成影响。
发明内容
为解决现有技术中存在的上述问题,本发明提供了一种人工智能协同自动化设备的监控方法与系统。
本发明的目的可以通过以下技术方案实现:
一种人工智能协同自动化设备的监控方法,包括以下步骤:
S1:收集前期实验图片数据,利用人工智能对图片数据进行学习并建立干细胞生长模型,建立实验数据数据库;
S2:通过图像采集模块对细胞生长状态以及干细胞培养上清取样进行持续监控,并将图片数据传输至图像处理模块;
S3:图像处理模块对图片数据进行实时处理,通过与干细胞生长模型以及细胞数据库进行对比,提取实时培养数据,并将实时培养数据传输至数据处理模块;
S4:数据处理模块将实时培养数据与预设值进行比较,并根据比较结果做出相应操作。
优选的,步骤S1包括以下步骤:
1)整理前期人工培养干细胞的各阶段的实验数据;
2)利用人工智能对整理出来的数据进行学习,建立一个干细胞生长模型;
3)以实验数据以及相关图像建立数据库;
其中,步骤2)中人工智能学习数据包括:
对培养瓶底部图片进行识别,识别细胞生长区域和空白区域;
对干细胞培养上清取样的图片进行色度算法学习,对不同颜色进行标注,同时计算数据库中同一时期的色度平均值;
对细胞培养期的图片进行单个细胞形态以及多细胞排列形态的边缘锯齿学习,同时计算数据库中同一时期的细胞形态平均值;
步骤3)中数据库包括:
细胞增殖实验数据及图像:用于比较细胞覆盖率;
培养期的培养基色度实验数据及图像:同于比较培养期干细胞培养上清取样的色度;
细胞的梭形宽度以及细胞的梭形长度数据:用于比较培养其中,细胞的梭形宽度以及细胞的梭形长度是否处于正常范围。
优选的,步骤S2中图像采集模块对细胞生长状态以及干细胞培养上清取样的监控包括:利用一种图像采集装置对培养瓶底部区域进行定时拍照,形成面积区域动态图像;利用一种图像采集装置拍照干细胞培养上清取样的颜色,形成色彩像素图像;利用一种图像采集装置拍照采集细胞形态,形成边缘锯齿图像。
优选的,步骤S3中图像实时处理包括以下部分:
面积区域动态图像:将培养瓶底部区域划分成细胞生长区域和空白区域,通过计算细胞生长区域占总面积的比例得到细胞覆盖率;
色彩像素图像:通过AI识别对干细胞培养上清取样的颜色进行识别,并于数据库中进行比对,计算出培养基色度的范围;
边缘锯齿图像:通过AI识别对细胞形态数据简单计算,得出细胞的梭形宽度以及细胞的梭形长度。
优选的,步骤S4中数据处理模块将实时培养数据与预设值进行比较,进行比较的内容有:面积区域动态图像中细胞的覆盖度与阈值进行比较、色彩像素图像中培养液的色度与阈值进行对比以及边缘锯齿图像中细胞的形态数据与阈值进行对比。
优选的,步骤S4中数据处理模块将实时培养数据与预设值进行比较,当实时培养数据出现异常状况时,则将数据传输至报警模块,人为进行进一步地观察判断;
所述异常情况包括:
面积区域动态图像中细胞的覆盖度超出预设值范围;
色彩像素图像中干细胞培养上清取样的色度与预设值差值的绝对值超过预设值的百分之十;
边缘锯齿图像中细胞形态数据超出预设值范围。
一种人工智能协同自动化设备的监控系统,所述系统应用上述基于人工智能协同自动化设备的监控方法来实现对干细胞培养情况的实时监控。
优选的,所述系统包括:
干细胞生长模型:利用人工智能对前期人工培养干细胞所积累的各阶段的实验数据的学习,建立一个干细胞生长模型;
数据库:用于记录前期人工培养干细胞累积的各阶段的实验数据,以及后续监控系统所采集的数据;
图像采集模块:用于实时采集干细胞生长状况的图像,并将图像实时传输至图像处理模块;
图像处理模块:收集图像采集模块所采集到的图像数据,并利用AI识别对图像进行实时分析处理,提取相关数据,获得实时培养参数,并将相关参数传输至数据处理模块;
数据处理模块:将实施培养参数与预设值进行比对,根据不同的比对结果做出相对因的操作;
执行模块:根据数据处理模块传输的指令,执行相对应的操作;
报警模块:根据数据处理模块传输的指令,对培养其中出现的异常情况进行警报。
本发明的有益效果为:本发明通过将人工智能监控系统与细胞工艺相结合,取代了传统的光学显微镜观察细胞的监控方法,提高了监测细胞总数量和细胞质量的准确性,同时减少了利用传统的光学显微镜观察需要频繁将培养瓶从培养箱取出导致脐带组织滑落贴合点的不良影响。通过将系统监测到的实验数据存储至相应数据库中,人工智能能够得到不断地学习,不断完善干细胞生长模型,能够根据细胞增殖曲线对细胞生长状态进行更精确地判断,不断完善培养细胞的过程,提高培养出的干细胞的质量以及培养干细胞的效率。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明。
图1为本发明在一实施例中提供的方法流程图;
图2为本发明在一实施例中提供的步骤S1流程图;
图3为本发明在一实施例中提供的系统框架图。
具体实施方式
为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明的具体实施方式、结构、特征及其功效,详细说明如下。
根据图1所示,本实施例提供的一种人工智能协同自动化设备的监控方法,包括以下步骤:
S1:收集前期实验照片数据,利用人工智能对照片数据进行学习并建立干细胞生长模型,建立实验数据数据库;
S2:通过图像采集模块对细胞生长状态以及干细胞培养上清取样进行持续监控,并将图片数据传输至图像处理模块;
S3:图像处理模块对图片数据进行实时处理,通过与干细胞生长模型以及细胞数据库进行对比,提取实时培养数据,并将实时培养数据传输至数据处理模块;
S4:数据处理模块将实时培养数据与预设值进行比较,并根据比较结果做出相应操作。
通过将人工智能监控系统与细胞工艺相结合,取代了传统的光学显微镜观察细胞的监控方法,提高了监测细胞总数量和细胞质量的准确性,同时减少了利用传统的光学显微镜观察观察细胞需要频繁将培养瓶从培养箱取出导致脐带组织滑落贴合点的不良影响。
根据图2所示,步骤S1包括以下步骤:
1)整理前期人工培养干细胞累积的各阶段的实验数据;
2)利用人工智能对整理出来的数据进行学习,建立一个干细胞生长模型;
3)以实验数据以及相关图像建立数据库。
其中,步骤2)中人工智能学习数据包括:
对培养瓶底部图片进行识别,识别细胞生长区域和空白区域;
对干细胞培养上清取样的图片进行色度算法学习,对不同颜色进行标注,同时计算数据库中同一时期的色度平均值;
对细胞培养期的图片进行单个细胞形态以及多细胞排列形态的边缘锯齿学习,同时计算数据库中同一时期的细胞形态平均值。
步骤3)中数据库包括:
细胞增殖实验数据及图像:用于比较细胞覆盖率;
培养期的培养基色度实验数据及图像:同于比较培养期干细胞培养上清取样的色度;
细胞的梭形宽度以及细胞的梭形长度数据:用于比较培养其中,细胞的梭形宽度以及细胞的梭形长度是否处于正常范围。
步骤S2中图像采集模块对细胞生长状态以及干细胞培养上清取样的监控包括:利用一种图像采集装置对培养瓶底部及逆行定时拍照,形成面积区域动态图像;利用一种图像采集装置拍照干细胞培养上清取样的颜色,形成色彩像素图像;利用一种图像采集装置拍照采集细胞形态,形成边缘锯齿图像。
利用图像采集装置对干细胞培养状态进行拍照采集,减少人为干预,减少在过程中使原有的组织移动或滑落的情况。
步骤S3中图像实时处理包括以下部分:
面积区域动态图像:将培养瓶底部区域区分成细胞生长区域和空白区域两部分,同时培养瓶底部总面积为固定不变数值,通过计算细胞成长区域所占面积与底部固定面积的比例得出具体的细胞覆盖度;
色彩像素图像:通过AI识别对干细胞培养上清取样的颜色进行识别,并与数据库中培养期的培养基色度实验数据及图像数据进行比较,计算出干细胞培养上清取样色度的范围;
边缘锯齿图像:通过AI识别对多份单细胞的形态数据进行简单计算,计算出细胞的梭形宽度以及细胞的梭形长度。
利用AI识别对干细胞培养状态图像进行实时分析处理,能够快速、准确的到干细胞培养状态实时参数,精准监控细胞的生长状态,提高培养干细胞的效率。
步骤S3中,当图像处理模块对图像信息进行识别提取后,将结果传输至信息处理模块,并将信息存储至干细胞生长模型以及相关数据库中,不断完善干细胞生长模型。
通过对干细胞生长模型以及相关数据库的不断完善,人工智能能够得到不断地学习,能够根据细胞增殖曲线对细胞生长状态进行更精确地判断,不断完善培养细胞的过程,提高培养出的干细胞的质量以及培养干细胞的效率。
步骤S4中数据处理模块将实时培养数据与阈值进行比较,进行比较的内容有:面积区域动态图像中细胞的覆盖度与阈值进行比较、色彩像素图像中培养液的色度与阈值进行对比以及边缘锯齿图像中细胞的形态数据与阈值进行对比。
其中面积区域动态图像中覆盖度的预设值为:
第一天:组织接种;细胞覆盖率0%;
第五天:第一次换液:细胞覆盖率0%-5%;
第八天:第二次换液:细胞覆盖率5%-10%;
第十一天:第三次换液:细胞覆盖率10%-20%;
第十四天:细胞P0-P1传代:细胞覆盖率40-50%;
第十七天:P1代细胞收集冻存:细胞覆盖度85%-95%。
色彩像素图像中干细胞培养上清取样的色度预设值为数据库中同一时期的历史数据平均值。
边缘锯齿图像中细胞形态数据的阈值为:
在整个培养期,细胞的梭形宽度范围为3-6μm;
在整个培养期,细胞的梭形长度范围为30-150μm。
通过设置不同时段时干细胞覆盖度、干细胞培养上清取样色度以及细胞形态数据的阈值以及将实时培养数据与阈值进行比较,能够快速得知所培养的干细胞是否正常生长,同时能根据当前的生长情况对后续培养条件进行调节,提高培养出的干细胞的质量。
步骤S4中数据处理模块将实时培养数据与预设值进行比较,当实时培养数据出现异常状况时,则将数据传输至报警模块,人为进行进一步地观察判断;
所述异常情况包括:
面积区域动态图像中细胞的覆盖度超出预设值范围;
色彩像素图像中干细胞培养上清取样的色度与预设值差值的绝对值超过预设值的百分之十;
边缘锯齿图像中细胞形态数据超出预设值范围。
其中,对于面积区域动态图像中覆盖度处于阈值范围内时,通过判断实时培养数据更接近阈值上限值还是阈值下限值以及与阈值端值的相差程度,传输相应的指令至执行模块;当面积区域动态图像中覆盖度处于阈值范围外时,将数据传输至报警模块,人为进行进一步地观察判断。
对于色彩像素图像中干细胞培养上清取样的色度与阈值偏差不大于10%时,根据干细胞培养上清取样的色度与阈值偏差程度,传输相应的指令至执行模块;当色彩像素图像中干细胞培养上清取样的色度与阈值偏差在10%以上时,将数据传输至报警模块,人为进行进一步地观察判断。
对于缘锯齿图像中细胞形态数据处于阈值范围内,则通过与数据库中同一时期的细胞形态平均值进行对比,传输相应的指令至执行模块;当缘锯齿图像中细胞形态数据处于阈值范围外,将数据传输至报警模块,人为进行进一步地观察判断。
所诉执行模块,根据数据处理模块所传输的指令,进行调整干细胞培养温度、调整培养基pH值等调节相关环境参数的操作。
通过设置执行模块,能够及时调整干细胞的培养环境参数,能够为干细胞提供更好的生长条件,提高培养出的干细胞的质量。通过设置报警模块,当所培养的干细胞出现异常,或系统出现错误时,能及时提醒工作人员,对干细胞进行人为的观察判断,或者对系统进行维护。
本发明的另一实施例还提供了一种人工智能协同自动化设备的监控系统,该系统应用上述人工智能协同自动化设别的监控方法实现对干细胞培养的实时监控。
根据图3所示,所述系统包括:
干细胞生长模型:利用人工智能对前期人工培养干细胞所积累的各阶段的实验数据的学习,建立一个干细胞生长模型;
数据库:用于记录前期人工培养干细胞累积的各阶段的实验数据,以及后续监控系统所采集的数据;
图像采集模块:用于实时采集干细胞生长状况的图像,并将图像实时传输至图像处理模块;
图像处理模块:收集图像采集模块所采集到的图像数据,并利用AI识别对图像进行实时分析处理,提取相关数据,获得实时培养参数,并将相关参数传输至数据处理模块;
数据处理模块:将实时培养参数与预设值进行比对,根据不用的比对结果做出相对应的操作;
执行模块:根据数据处理模块传输的指令,执行相对应的操作;
报警模块:根据数据处理模块传输的指令,对培养期中出现的异常情况进行报警。
系统利用人工智能对前期人工培养干细胞所积累的各阶段的实验数据的学习,建立一个干细胞生长模型,同时利用前期人工培养干细胞累积的各阶段的实验数据建立数据库。系统对干细胞培养过程进行监控时,利用图像采集模块实时收集干细胞生长情况的图像,并将图像实时传输至图像处理模块;图像处理模块接收到图像采集模块所采集的图像数据后,利用AI识别对图像进行实时分析处理,提取图像中相关数据,获得实时培养参数,并将数据传输至数据处理模块,而后将采集到的数据存储于数据库中,便于AI识别进行持续学习,持续完善干细胞生长模型;数据处理模块在接收到图像处理模块所传输的数据后,将实时培养参数与预设值进行对比,当所采集到的实时培养数据与预设值的偏差较小时,传输对应指令至执行模块,执行模块进行调整温度、pH值等相关操作,当所采集到的实时培养数据与预设值的偏差较大时,将采集到的实时培养数据传输至警报模块,警报模块发出警报,而后对干细胞培养形况进行人工观察判断。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭示如上,然而并非用以限定本发明,任何本领域技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简介修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (9)
1.一种人工智能协同自动化设备的监控方法,其特征在于,包括以下步骤:
S1:收集前期实验图片数据,利用人工智能对图片数据进行学习并建立干细胞生长模型,建立实验数据数据库;
S2:通过图像采集模块对细胞生长状态以及干细胞培养上清取样进行持续监控,并将图片数据传输至图像处理模块;
S3:图像处理模块对图片数据进行实时处理,通过与干细胞生长模型以及数据库进行对比,提取实时培养数据,并将实时培养数据传输至数据处理模块;
S4:数据处理模块将实时培养数据与预设值进行比较,并根据比较结果做出相应操作。
2.根据权利要求1所述的一种人工智能协同自动化设备的监控方法,其特征在于,步骤S1包括以下步骤:
1)整理前期人工培养干细胞累积的各阶段的实验数据;
2)利用人工智能对整理出来的数据进行学习,建立一个干细胞生长模型;
3)以实验数据及相关图像建立数据库;
其中,步骤2)中利用人工智能对整理出来的数据进行学习包括:
对培养瓶底部图片进行识别,识别细胞生长区域和空白区域;
对干细胞培养上清取样的图片进行色度算法学习,对不同颜色进行标注,同时计算数据库中同一时期的色度平均值;
对细胞培养期的图片进行单个细胞形态以及多细胞排列形态的边缘锯齿学习,同时计算数据库中同一时期的细胞形态平均值;
步骤3)中数据库包括:
细胞增殖实验数据及图像:用于比较细胞覆盖率;
培养期的培养基色度实验数据及图像:同于比较培养期干细胞培养上清取样的色度;
细胞的梭形宽度以及细胞的梭形长度数据:用于比较培养其中,细胞的梭形宽度以及细胞的梭形长度是否处于正常范围。
3.根据权利要求1所述的一种人工智能协同自动化设备的监控方法,其特征在于,步骤S2中图像采集模块对细胞生长状态以及干细胞培养上清取样的监控包括:利用一种图像采集装置对培养瓶底部区域进行定时拍照,形成面积区域动态图像;利用一种图像采集装置拍照干细胞培养上清取样的颜色,形成色彩像素图像;利用一种图像采集装置拍照采集细胞形态,形成边缘锯齿图像。
4.根据权利要求1所述的一种人工智能协同自动化设备的监控方法,其特征在于,步骤S3中图像实时处理包括以下部分:
面积区域动态图像:将培养瓶底部区域划分成细胞生长区域和空白区域,通过计算细胞生长区域占总面积的比例得到细胞覆盖率;
色彩像素图像:通过AI识别对干细胞培养上清取样的颜色进行识别,并于数据库中进行比对,计算出培养基色度的范围;
边缘锯齿图像:通过AI识别对细胞形态数据进行简单计算,得出细胞的梭形宽度以及细胞的梭形长度。
5.根据权利要求1所述的一种人工智能协同自动化设备的监控方法,其特征在于,步骤S3中,当图像处理模块对图像信息进行识别提取后,将结果传输至信息处理模块,并将信息存储至干细胞生长模型以及相关数据库中,不断完善干细胞生长模型。
6.根据权利要求1所述的一种人工智能协同自动化设备的监控方法,其特征在于,步骤S4中数据处理模块将实时培养数据与预设值进行比较,进行比较的内容有:面积区域动态图像中细胞的覆盖度与阈值进行比较、色彩像素图像中培养液的色度与阈值进行对比以及边缘锯齿图像中细胞的形态数据与阈值进行对比。
7.根据权利要求6所述的一种人工智能协同自动化设备的监控方法,其特征在于,步骤S4中数据处理模块将实时培养数据与预设值进行比较,当实时培养数据出现异常状况时,则将数据传输至报警模块,人为进行进一步地观察判断;
所述异常情况包括:
面积区域动态图像中细胞的覆盖度超出预设值范围;
色彩像素图像中干细胞培养上清取样的色度与预设值差值的绝对值超过预设值的百分之十;
边缘锯齿图像中细胞形态数据超出预设值范围。
8.一种人工智能协同自动化设备的监控系统,其特征在于,所述系统具体应用权利要求1-7任一项的一种人工智能协同自动化设备的监控方法来实现对干细胞培养情况的实时监控。
9.根据权利要求8所述的一种人工智能协同自动化设备的监控系统,其特征在于,所述系统包括:
干细胞生长模型:利用人工智能对前期人工培养干细胞所积累的各阶段的实验数据的学习,建立一个干细胞生长模型;
数据库:用于记录前期人工培养干细胞累积的各阶段的实验数据,以及后续监控系统所采集的数据;
图像采集模块:用于实时采集干细胞生长状况的图像,并将图像实时传输至图像处理模块;
图像处理模块:收集图像采集模块所采集到的图像数据,并利用AI识别对图像进行实时分析处理,提取相关数据传输,获得实时培养参数,并将相关参数至数据处理模块;
数据处理模块:将实时培养参数与预设值进行比对,根据不用的比对结果做出相对应的操作;
执行模块:根据数据处理模块传输的指令,执行相对应的操作;
报警模块:根据数据处理模块传输的指令,对培养期中出现的异常情况进行报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311368675.7A CN117253227B (zh) | 2023-10-23 | 2023-10-23 | 一种人工智能协同自动化设备的监控方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311368675.7A CN117253227B (zh) | 2023-10-23 | 2023-10-23 | 一种人工智能协同自动化设备的监控方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117253227A true CN117253227A (zh) | 2023-12-19 |
CN117253227B CN117253227B (zh) | 2024-06-18 |
Family
ID=89133093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311368675.7A Active CN117253227B (zh) | 2023-10-23 | 2023-10-23 | 一种人工智能协同自动化设备的监控方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117253227B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150302237A1 (en) * | 2012-11-28 | 2015-10-22 | Japan Science And Technology Agency | Cell monitoring device, cell monitoring method and program thereof |
CN108885681A (zh) * | 2015-12-18 | 2018-11-23 | 雅培实验室 | 用于评估细胞形态的方法和系统 |
CN111415343A (zh) * | 2020-03-18 | 2020-07-14 | 珠海市奥德维科技有限公司 | 一种基于人工智能的片式多层陶瓷电容六面外观检测方法 |
CN112288760A (zh) * | 2020-10-30 | 2021-01-29 | 东莞太力生物工程有限公司 | 一种粘连细胞图像筛除方法、系统及细胞图像分析方法 |
CN113160109A (zh) * | 2020-12-15 | 2021-07-23 | 宁波大学 | 反背景差分的细胞图像分割方法 |
CN113283353A (zh) * | 2021-05-31 | 2021-08-20 | 创芯国际生物科技(广州)有限公司 | 一种基于显微图像的类器官细胞计数方法及系统 |
CN113689456A (zh) * | 2021-08-18 | 2021-11-23 | 山东大学 | 基于深度学习的外泌体粒径分析装置及方法 |
CN114359899A (zh) * | 2021-12-09 | 2022-04-15 | 首都医科大学附属北京天坛医院 | 细胞共培养模型及细胞模型构建方法、计算机设备及存储介质 |
CN114813457A (zh) * | 2022-04-24 | 2022-07-29 | 北京石油化工学院 | 一种用于悬浮细胞培养的实时监测系统及方法 |
CN115565170A (zh) * | 2022-12-07 | 2023-01-03 | 华辰未来(北京)生物医学技术有限公司 | 一种细胞培养状态的图像采集处理方法及系统 |
-
2023
- 2023-10-23 CN CN202311368675.7A patent/CN117253227B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150302237A1 (en) * | 2012-11-28 | 2015-10-22 | Japan Science And Technology Agency | Cell monitoring device, cell monitoring method and program thereof |
CN108885681A (zh) * | 2015-12-18 | 2018-11-23 | 雅培实验室 | 用于评估细胞形态的方法和系统 |
CN111415343A (zh) * | 2020-03-18 | 2020-07-14 | 珠海市奥德维科技有限公司 | 一种基于人工智能的片式多层陶瓷电容六面外观检测方法 |
CN112288760A (zh) * | 2020-10-30 | 2021-01-29 | 东莞太力生物工程有限公司 | 一种粘连细胞图像筛除方法、系统及细胞图像分析方法 |
CN113160109A (zh) * | 2020-12-15 | 2021-07-23 | 宁波大学 | 反背景差分的细胞图像分割方法 |
CN113283353A (zh) * | 2021-05-31 | 2021-08-20 | 创芯国际生物科技(广州)有限公司 | 一种基于显微图像的类器官细胞计数方法及系统 |
CN113689456A (zh) * | 2021-08-18 | 2021-11-23 | 山东大学 | 基于深度学习的外泌体粒径分析装置及方法 |
CN114359899A (zh) * | 2021-12-09 | 2022-04-15 | 首都医科大学附属北京天坛医院 | 细胞共培养模型及细胞模型构建方法、计算机设备及存储介质 |
CN115273077A (zh) * | 2021-12-09 | 2022-11-01 | 首都医科大学附属北京天坛医院 | 细胞模型构建方法、计算机设备及存储介质 |
CN114813457A (zh) * | 2022-04-24 | 2022-07-29 | 北京石油化工学院 | 一种用于悬浮细胞培养的实时监测系统及方法 |
CN115565170A (zh) * | 2022-12-07 | 2023-01-03 | 华辰未来(北京)生物医学技术有限公司 | 一种细胞培养状态的图像采集处理方法及系统 |
Non-Patent Citations (1)
Title |
---|
刘凯强;化梦姣;林楠;吴禹;: "一种对混养细胞基于形态的细胞分选方法", 医用生物力学, no. 02, 15 April 2019 (2019-04-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117253227B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20120134571A1 (en) | Cell classification method, image processing program and image processing device using the method, and method for producing cell aggregation | |
CN115456479B (zh) | 一种基于物联网的智慧农业大棚环境监测系统 | |
TWI782557B (zh) | 細胞計數與培養判讀方法、系統及電腦可讀儲存媒介 | |
CN109509173A (zh) | 一种细菌菌落的计数方法及计数装置 | |
CN114627411A (zh) | 基于计算机视觉下并行检测的农作物生育期识别方法 | |
CN116661530B (zh) | 食用菌工厂化栽培中的智能控制系统及方法 | |
CN117253227B (zh) | 一种人工智能协同自动化设备的监控方法与系统 | |
CN110689958A (zh) | 一种基于人工智能技术的癌症病理辅助诊断方法 | |
CN115330868A (zh) | 一种基于深度学习与深度信息融合的葡萄采摘方法 | |
CN114894791A (zh) | 基于匹配因子的水稻长势分析系统及方法 | |
CN111795967B (zh) | 一种骨髓细胞形态学自动检测系统的涂片自检方法 | |
CN206270728U (zh) | 一种葡萄病害识别系统 | |
CN117690127A (zh) | 用于羊肚菌菌丝生长程度的识别分析方法及系统 | |
CN117636314A (zh) | 一种缺苗识别方法、装置、设备及介质 | |
US20230252630A1 (en) | Cell image analysis method and non-transitory storage medium | |
CN111869532A (zh) | 一种兰花自动化培植系统及培植方法 | |
CN112509029B (zh) | 一种远程分析葡萄长势的方法 | |
CN115171036A (zh) | 一种智能农业大棚的植物管理控制方法和系统 | |
CN112953019A (zh) | 一种具有智能配变终端的低压配电网状态监控系统 | |
CN111432180A (zh) | 一种变电设备巡检协同管理方法 | |
WO2024051482A1 (zh) | 细胞单克隆源性自动分析的方法、系统和存储介质 | |
CN217826116U (zh) | 一种一年生黑麦草生长特性观察装置 | |
CN117830838A (zh) | 一种草原生态检测方法及系统 | |
CN118397324A (zh) | 一种羊水染色体制备操作全流程实时监控提醒与记录系统 | |
EP4036850A1 (en) | Computer vision based monoclonal quality control |
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 |