【技术实现步骤摘要】
一种基于神经网络的微滴式PCR仪自动对焦方法
本专利技术涉及显微视觉
,具体涉及一种基于神经网络的微滴式PCR仪自动对焦方法。
技术介绍
显微视觉被广泛的应用于医学,IC制造,生物工程,微机电系统装配等领域,具有视场小,景深短等特点。显微视觉须通过聚焦来获取清晰图像。自动对焦技术是自动控制显微视觉系统的核心功能,是显微视觉高精度测量的基础,而准确,快速聚焦有是自动聚焦技术的关键。微滴式数字PCR系统是在传统的PCR扩增前对样品进行微滴化处理,即将含有核酸分子的反应体系分成上万个纳升级的微滴,其中每个微滴不含待检测核酸靶分子,或者含有一个至数个待检测核酸靶分子。经过PCR扩增后,逐个对每个微滴进行检测,然后根据泊松分布原理及阳性微滴的个数与比例即可得出靶分子的起始拷贝数或者浓度。在数字PCR仪检测系统中,对焦模块用于相机实时采集生物芯片的图像,以及激光焦点大小的控制。它属于显微视觉。在数字PCR仪检测系统中,一种类型是采用生物芯片固定在仪器内部的,使用后清洗的方案,从而使得芯片可以被再次使用。该类型的仪器在最初被生产出来时,就经过校正调焦的过程,因此,不需要重复进行调焦。而采用一次性生物芯片的数字PCR仪检测系统,其每次进行扩增操作,都要进行对焦过程。基于光学的自动对焦技术(Auto.Focus,也称作自动聚焦/自动调焦等)是从20世纪70年代后期发展起来的。从基本原理上划分,自动聚焦的方式可以分成两大类:一种是基于镜头于被摄物体之间距离测量的测距方法;另一种是基于对焦屏上成像清晰的聚焦检测方法。1、测距方法。测距方法的自动对焦主要红外线测距法和超声波 ...
【技术保护点】
一种基于神经网络的微滴式PCR仪自动对焦方法,其特征在于,具体包括以下步骤:(一)对焦模块设计照明光源在一端,其发出的光线经生物芯片,再经过物镜进入相机,物镜起到对焦的作用,由自动三维平台控制物镜位置;(二)对焦策略拟定通过事先测量好焦点位置,经过BP神经网络进行训练获得稳定的映射,之后在对焦过程中,测量几个位置后确定其所属的函数类型,获得预先测量好的焦点位置;(三)聚焦函数选择使用超小波中的轮廓波,作为图像聚焦评价处理函数,其测量值作为神经网络的输入;(四)图像检测区域选择对图像进行水平和竖直方向的灰度值进行统计,得出一个直方图,得出需要检测的范围,确定一个大概坐标范围。
【技术特征摘要】
1.一种基于神经网络的微滴式PCR仪自动对焦方法,其特征在于,具体包括以下步骤:(一)对焦模块设计照明光源在一端,其发出的光线经生物芯片,再经过物镜进入相机,物镜起到对焦的作用,由自动三维平台控制物镜位置;(二)对焦策略拟定通过事先测量好焦点位置,经过BP神经网络进行训练获得稳定的映射,之后在对焦过程中,测量几个位置后确定其所属的函数类型,获得预先测量好的焦点位置;(三)聚焦函数选择使用超小波中的轮廓波,作为图像聚焦评价处理函数,其测量值作为神经网络的输入;(四)图像检测区域选择对图像进行水平和竖直方向的灰度值进行统计,得出一个直方图,得出需要检测的范围,确定一个大概坐标范围。2.如权利要求1所述的基于神经网络的微滴式PCR仪自动对焦方法,其特征在于,所述步骤(二)中是使用BP神经网络来预测焦点,具体为:(1)测量固定位置的聚焦函数评价值,以及平均灰度值,曝光时间作为输入;(2)手动测量焦点位置作为输出,然后进行训练,来达到模拟这一映射的功能,之后使用一些的方法,向左右移动,检测是否处于焦点位置。3.如权利要求1所述的基于神经网络的微滴式PCR仪自动对焦方法,其特征在于,所述BP网络结构如下:输入层为5个节点,隐含层为100个神经元,输出层为1个神经元;隐含层的激活函数为对数S形转移函数,输出层的激活函数为线性函数,训练函数为梯度下降函数,采用L-M优化算法;迭代次数为1500次,学习率为0.01;根据数字PCR仪的使用环境,输入层的5个输入参数分别为位置为s0时的聚焦评价值、位置为s1时的聚焦评价值、位置为s2时的聚焦评价值、平均灰度值和曝光时间。4.如权利要求1所述的基于神经网络的微滴式PCR仪自动对焦方法,其特征在于,所述BP网络结构的训练步骤如下:(1)选取100组不同的h,q组合,作为100个类别;(2)对于每组类别,选取固定位置的三个p0,p1,p2,测量其聚焦评价值作为s0,s1,s2,测量曝光时间t0,t1,t2,平均灰度值d0,d1,d2;(3)计算s0,s1,s2的平均曝光时间t=(t0+t1+t2)/3,及平均灰度值d=(d0+d1+d2)/3;(4)对于每组类别,测量其聚焦函数的图像,即移动镜片,测量其聚焦函数值,并找出其峰值的位置p3,聚焦评价值s3;(5)对于获得的100组s0,s1,s2,d,t,使用y=(x-min)/(max-min)进行归一化,其中min为x的最小值,max为x的最大值,输入向量为x,归一化后的输出向量为y,归一化后s0,s1,s2,d,t作为输入向量,p3为输出向量;(6)将此100组数据作为输入进行训练;(7)训练过程按照BP网络训练步骤训练,具体步骤包括:①输入模式顺传播,即输入模式由输入层经隐含层向输出层传播计算;②输出误差逆传播,即输出的误差由输出层经隐含层传向输入层;③循环记忆训练,即所述模式顺传播与误差逆传播的计算过程反复交替循环进行;④学习结果判别,即判定全局误差是否趋向极小值或是否已达到设定的最大迭代次数。5.如权利要求4所述的基于神经网络的微滴式PCR仪自动对焦方法,其特征在于:所述①输入模式顺传播主要是利用输入模式求出它所对应的实际输出,确定输入向量X:上式(1)中,k=1,2,…,m;m是学习模式对数(训练模式对数);n是输入层单元数。确定期望输出向量Y:上式(2)中,k=1,2,…,m;m是学习模式对数(训练模式对数);q为输出层单元数。计算隐含层各神经元的激活值s:上式(3)中,n是输入层单元数;w是输入层至隐含层的连接权值;θ是隐含层单元的阈值;j=1,2…p,p是隐含层单元数。激活函数采用s型函数:计算隐含层j单元的输出值:将上面的激活值即公式(3)代入激活函数即公式(4)中可得隐含层j单元的输出值:阈值θ在学习过程中与权值w一样也不断地被修正。计算输出层第t个单元的激活值o:计算输出层第t个单元的实际输出值c:ct=ot(7)上式(6)和(7)中,w是隐含层至输出层的权值;θ是输出层单元阈值;j=1,2…p,p是隐含层单元数;x为隐含层第j个节点的输出值;f是s型激活函数,t=1,2…,q,q为输出层单元数;利用以上所述公式(1)-(7)即可计算出一个输入模式的顺传播过程;所述②输出误差的逆传播:即在所述模式顺传播计算中得到了网络的实际输出值,当这些实际的输出值与希望的输出值不一样或者误差大于所限定的数值时,就要对网络进行校正;所述校正是从前往后进行的,计算时是从输出层到隐含层,再从隐含层到输入层;输出层的校正误差:2上式(8)中,t=1,2,…,q,q是输出层单元数;k=1,2,…,m,m是训练(...
【专利技术属性】
技术研发人员:郑方园,陈善雄,吴本涛,郝英杰,杨芒,李常军,武技桥,
申请(专利权)人:西南大学,广东顺德工业设计研究院广东顺德创新设计研究院,
类型:发明
国别省市:重庆,50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。