基于深度学习卷积神经网络的水藻细胞分析方法及系统技术方案

本发明专利技术涉及一种基于深度学习卷积神经网络的水藻细胞分析方法及系统，包括以下步骤：对显微镜中的不同种类水藻样本进行分类标记；对已标记的水藻样本进行种类分析训练，生成识别模型；导入显微镜中不同视野下的一组待识别图像，预测出水藻种类和数量；对不同种类水藻进行统计计算，输出预估结果，通过深度学习进行训练，识别出显微镜视野下水藻种类及数量，推算出该水藻数量级，最终通过数量级评定水富营养化程度和对于水生态分析中水体水藻结构进行分析和预测，达到监测及预警作用，此结果通过物理方法直观的分析出水藻类别，不需要大量的仪器和反应药品，成本降低的同时，在判断方式上最接近人类分析统计水藻的方式，此结果具有较高的信服力。

【技术实现步骤摘要】
基于深度学习卷积神经网络的水藻细胞分析方法及系统
本专利技术涉及生态智能分析领域，尤其涉及一种基于深度学习卷积神经网络的水藻细胞分析方法及系统。
技术介绍
在水资源保护中，主要进行水质分析和水生态分析两个方面。水质分析已经发展了很多年，有许多成熟的设备可以很快的检测和分析，但是在水生态分析中，由于影响因素众多，情况复杂，目前多采取人工取样、观测、人为分析的手段，由于没有一个标准，所以水生态分析多为经验性的分析，缺乏数据支持，综上所述，如何通过技术将经验数字化成为了这个阶段水生态分析急需解决的问题。在水生态中，水体富营养化程度表现主要由水藻情况表现，对于已经存在水体富营养化的水体，具体水藻种类、数量级情况进行分析是水生态分析中最重要的指标之一。当前水藻种类(蓝藻，绿藻，硅藻，螺旋藻等)成分分析通用的手段是分析叶绿素的含量，从侧面分析出水藻数量级，通过每种藻类特殊的化学成分，与化学药物反应后，反应物对应的含量分析推算出每种藻类含量。此分析方法无法直观的获得水藻分布情况，并且需要很大的人力物力找到每种藻类独特的靶向化合物和与之反应的靶向药物。
技术实现思路
本专利技术所要解决的技术问题是克服现有技术中存在的不足，提供一种基于深度学习卷积神经网络的水藻细胞分析方法及系统。本专利技术是通过以下技术方案予以实现：一种基于深度学习卷积神经网络的水藻细胞分析方法，其特征在于，包括以下步骤：a.对显微镜中的不同种类水藻样本进行分类标记；b.通过卷积神经网络CNN对已标记的水藻样本进行种类分析训练，生成识别模型；c.导入显微镜中不同视野下的一组待识别图像，预测出待识别图像中水藻种类和数量；d.对不同种类水藻进行统计计算，输出预估结果。根据上述技术方案，优选地，步骤c还包括：对预测出的待识别图像中水藻种类进行修正。根据上述技术方案，优选地，所述对预测出的待识别图像中水藻种类进行修正，具体包括：人为验证识别准确度，修正模型；重复多次将待识别图像送入识别模型进行迭代训练，预测出待识别图像中水藻种类和数量。根据上述技术方案，优选地，步骤d具体包括：对待识别图像中不同种类水藻数量分别计算平均值；对不同种类水藻的平均值乘以视野与单位体积系数K，得出统计结果。一种基于深度学习卷积神经网络的水藻细胞分析系统，其特征在于，包括：标记单元，用于对显微镜中的不同种类水藻样本进行分类标记；训练单元，用于通过卷积神经网络CNN对已标记的水藻样本进行种类分析训练，生成识别模型；识别单元，用于导入显微镜中不同视野下的一组待识别图像，预测出待识别图像中水藻种类和数量；结果输出单元，用于对不同种类水藻进行统计计算，输出预估结果。根据上述技术方案，优选地，所述识别单元还包括：修正单元，用于对预测出的待识别图像中水藻种类进行修正。根据上述技术方案，优选地，所述修正单元具体包括：验证模块，用于人为验证识别准确度，修正模型；迭代训练模块，用于重复多次将待识别图像送入识别模型进行迭代训练，预测出待识别图像中水藻种类和数量。根据上述技术方案，优选地，所述结果输出单元具体包括：计算模块，用于对待识别图像中不同种类水藻数量分别计算平均值；统计模块，用于对不同种类水藻的平均值乘以视野与单位体积系数K，得出统计结果。本专利技术的有益效果是：通过深度学习将人工分类好的显微镜下的水藻种类进行训练，接入显微镜下多组待识别图像，识别出显微镜视野下水藻种类及数量，进一步根据单位视野中藻类计数情况推算出该水藻数量级，最终通过数量级评定水富营养化程度和对于水生态分析中水体水藻结构进行分析和预测，达到监测及预警作用，此结果通过物理方法直观的分析出水藻类别，不需要大量的仪器和反应药品，成本降低的同时，在判断方式上最接近人类分析统计水藻的方式，此结果具有较高的信服力。附图说明图1是本专利技术的工作过程示意图。具体实施方式为了使本
的技术人员更好地理解本专利技术的技术方案，下面结合附图和最佳实施例对本专利技术作进一步的详细说明。如图所示，本专利技术公开了一种基于深度学习卷积神经网络的水藻细胞分析方法，其特征在于，包括以下步骤：a.对显微镜中的不同种类水藻样本进行分类标记，本例中利用VIA图像标记算法框架精细标记不同种类水藻样本的轮廓，形成多个闭合的多边形围成的轮廓，同时标记其种类，并将标记的信息导出成json文件，本例中使用tensorflow框架训练json文件样本，与此同时，在人为分类标记好样本后还可以选择用SVM、adboost等传统机器学习分类器进行分类，但是使用机器学习分类前，需要加入对于视野中所有轮廓的定位，并将所有轮廓图裁剪，再送入分类器识别；b.通过卷积神经网络CNN对已标记的水藻样本进行种类分析训练，生成识别模型，本例中使用tensorflow框架训练json文件样本，除此之外，还可使用CAFFE、Torch完成深度学习网络模型，caffe基于c++语言开发，tensorflow基于python语言，torch基于Lua语言，在识别时，三个框架的识别都会分别调用各自的c++接口；c.导入显微镜中不同视野下的一组待识别图像，预测出待识别图像中水藻种类和数量；d.对不同种类水藻进行统计计算，输出预估结果。通过深度学习将人工分类好的显微镜下的水藻种类进行训练，本例中接入电子显微镜下多组待识别图像，识别出显微镜视野下水藻种类及数量，进一步根据单位视野中藻类计数情况推算出该水藻数量级，最终通过数量级评定水富营养化程度和对于水生态分析中水体水藻结构进行分析和预测，达到监测及预警作用，此结果通过物理方法直观的分析出水藻类别，不需要大量的仪器和反应药品，成本降低的同时，在判断方式上最接近人类分析统计水藻的方式，此结果具有较高的信服力。根据上述实施例，优选地，步骤c还包括：对预测出的待识别图像中水藻种类进行修正，提高识别准确度。根据上述实施例，优选地，所述对预测出的待识别图像中水藻种类进行修正，具体包括：人为验证识别准确度，修正模型；重复多次将待识别图像送入识别模型进行迭代训练，预测出待识别图像中水藻种类和数量，专家根据经验及参考文献对模型预测出的结果进行人为验证，对识别有误的结果修正模型，多次将待识别图像送入识别模型进行迭代训练，迭代次数根据时间、人力物力允许的条件确定，通过人为和机器识别相配合，经多次识别，提高准确度，使预测结果具有较高的信服力。根据上述实施例，优选地，步骤d具体包括：移动显微镜视野，得到多组待识别图像，对多组待识别图像中不同种类水藻数量分别计算平均值；对不同种类水藻的平均值乘以视野与单位体积系数K，得出统计结果，通过单位体积的水中藻类分类和数量的统计计算密度推算整体水质中水藻情况，视野与单位体积系数K由显微镜的一个视野中涵盖体积的大小决定。同时，本专利技术还公开了一种基于深度学习卷积神经网络的水藻细胞分析系统，其特征在于，包括：标记单元，用于对显微镜中的不同种类水藻样本进行分类标记；训练单元，用于通过卷积神经网络CNN对已标记的水藻样本进行种类分析训练，生成识别模型；识别单元，用于导入显微镜中不同视野下的一组待识别图像，预测出待识别图像中水藻种类和数量；结果输出单元，用于对不同种类水藻进行统计计算，输出预估结果。根据上述实施例，优选地，所述识别单元还包括：修正单元，用于对预测出的待识别图像中水本文档来自技高网...

【技术保护点】
1.一种基于深度学习卷积神经网络的水藻细胞分析方法，其特征在于，包括以下步骤：a.对显微镜中的不同种类水藻样本进行分类标记；b.通过卷积神经网络CNN对已标记的水藻样本进行种类分析训练，生成识别模型；c.导入显微镜中不同视野下的一组待识别图像，预测出待识别图像中水藻种类和数量；d.对不同种类水藻进行统计计算，输出预估结果。

【技术特征摘要】
1.一种基于深度学习卷积神经网络的水藻细胞分析方法，其特征在于，包括以下步骤：a.对显微镜中的不同种类水藻样本进行分类标记；b.通过卷积神经网络CNN对已标记的水藻样本进行种类分析训练，生成识别模型；c.导入显微镜中不同视野下的一组待识别图像，预测出待识别图像中水藻种类和数量；d.对不同种类水藻进行统计计算，输出预估结果。2.根据权利要求1所述一种基于深度学习卷积神经网络的水藻细胞分析方法，其特征在于，步骤c还包括：对预测出的待识别图像中水藻种类进行修正。3.根据权利要求2所述一种基于深度学习卷积神经网络的水藻细胞分析方法，其特征在于，所述对预测出的待识别图像中水藻种类进行修正，具体包括：人为验证识别准确度，修正模型；重复多次将待识别图像送入识别模型进行迭代训练，预测出待识别图像中水藻种类和数量。4.根据权利要求1至3中任意一项的所述一种基于深度学习卷积神经网络的水藻细胞分析方法，其特征在于，步骤d具体包括：对待识别图像中不同种类水藻数量分别计算平均值；对不同种类水藻的平均值乘以视野与单位体积系数K，得出统计结果。5.一种基于深度学习卷积神经网络的水藻细胞分析...

【专利技术属性】
技术研发人员：王光夫，雷德鹏，
申请(专利权)人：天津瑟威兰斯科技有限公司，
类型：发明
国别省市：天津,12