一种微生物次级代谢产物制备过程产物产率评估方法技术

本发明专利技术属于微生物次级代谢产物产率评估技术领域，公开了一种微生物次级代谢产物制备过程产物产率评估方法。本发明专利技术通过对微生物微观影像进行增强处理方法可以有效改善了微生物微观影像增强处理的效果；同时，通过确定微生物类型方法接收该微生物微观影像；提供计算机实施的预先训练的微生物微观影像分类器算法，所述微生物微观影像分类器算法被预先训练以基于描绘已知微生物的生长图案的可见光谱微生物微观影像确定微生物类型；以及将该微生物微观影像应用于该预先训练的微生物微观影像分类器算法，以基于该微生物微观影像上可见的微生物生长图案准确确定微生物类型。的微生物生长图案准确确定微生物类型。的微生物生长图案准确确定微生物类型。

【技术实现步骤摘要】
一种微生物次级代谢产物制备过程产物产率评估方法


[0001]本专利技术属于微生物次级代谢产物产率评估
，尤其涉及一种微生物次级代谢产物制备过程产物产率评估方法。

技术介绍

[0002]微生物包括：细菌、病毒、真菌以及一些小型的原生生物、显微藻类等在内的一大类生物群体，它个体微小，与人类关系密切。涵盖了有益跟有害的众多种类，广泛涉及食品、医药、工农业、环保、体育等诸多领域。教科书中，将微生物划分为以下8大类：细菌、病毒、真菌、放线菌、立克次氏体、支原体、衣原体、螺旋体。有些微生物是肉眼可以看见的，像属于真菌的蘑菇、灵芝、香菇等。还有微生物是一类由核酸和蛋白质等少数几种成分组成的“非细胞生物”；然而，现有微生物次级代谢产物制备过程产物产率评估方法采集的微生物影像不清晰；同时，不能准确确定微生物类型。
[0003]通过上述分析，现有技术存在的问题及缺陷为：
[0004](1)现有微生物次级代谢产物制备过程产物产率评估方法采集的微生物影像不清晰。
[0005](2)不能准确确定微生物类型。
[0006](3)现有对微生物代谢产物进行检测分析不准确。

技术实现思路

[0007]针对现有技术存在的问题，本专利技术提供了一种微生物次级代谢产物制备过程产物产率评估方法。
[0008]本专利技术是这样实现的，一种微生物次级代谢产物制备过程产物产率评估方法包括：
[0009]步骤一，通过微观影像设备采集微生物微观影像；对微生物微观影像进行增强处理；并确定微生物类型；<br/>[0010]步骤二，将马尔可夫链中的相关元素进行定义，使用微生物次级代谢产物制备过程中各阶段前后的菌种浓度、代谢产物浓度、营养物质浓度等参数经验值作为建模工具的输入变量并生成概率及生成初始概率，对概率数据进行分析确定其生成产物转移概率，建立产物产率的数学评估模型；
[0011]步骤三，通过产物产率的数学评估模型对微生物次级代谢产物制备过程产物产率评估；并对微生物代谢产物进行检测处理；
[0012]所述对微生物代谢产物进行检测处理方法：
[0013]获取离体的标本的微生物代谢产物检测数据；将微生物代谢产物检测数据上传至云服务器；对云服务器中的微生物代谢产物检测数据进行分析，得到分析结果；展示所述分析结果；
[0014]所述对云服务器中的微生物代谢产物检测数据进行分析，得到分析结果之后，以
及展示所述分析结果之前，所述检测方法还包括：对所述分析结果进行干预，得到修正后的分析结果；所述展示所述分析结果，具体为：展示修正后的分析结果。
[0015]进一步，所述对微生物微观影像进行增强处理方法如下：
[0016](1)采用第一回归网络模型对指定微生物微观影像进行处理，得到所述指定微生物微观影像的内容特征图；采用第二回归网络模型对所述指定微生物微观影像的梯度图进行处理，得到所述指定微生物微观影像的边缘特征图；
[0017](2)采用融合处理模型，对所述内容特征图和所述边缘特征图进行融合处理，得到恢复微生物微观影像；
[0018]其中，所述第二回归网络模型包括：M个卷积块、与所述M个卷积块一一对应的M个反卷积块以及循环神经网络模型，所述M为正整数，每个所述卷积块包括多个卷积处理层，属于同一卷积块的任意两个卷积处理层的尺度相同，每个反卷积块包括的卷积处理层的个数与对应的卷积块所包括的卷积处理层的个数相等，每个反卷积块包括的卷积处理层的尺度，与对应的卷积块所包括的卷积处理层的尺度相同；
[0019]所述采用第二回归网络模型对所述指定微生物微观影像的梯度图进行处理，得到所述指定微生物微观影像的边缘特征图，包括：
[0020]采用所述M个卷积块依次对所述指定微生物微观影像的梯度图进行处理，得到中间梯度特征图；采用所述M个反卷积块依次对所述中间梯度特征图进行处理，得到第一特征图；确定所述循环神经网络模型在不同梯度方向上的权重值；基于确定权重值的所述循环神经网络模型，对所述第一特征图进行处理，得到所述指定微生物微观影像的边缘特征图。
[0021]进一步，所述第一回归网络模型包括：N个卷积块，以及与所述N个卷积块一一对应的N个反卷积块，所述N为正整数，每个所述卷积块包括多个卷积处理层，属于同一卷积块的任意两个卷积处理层的尺度相同，属于不同卷积块的任意两个卷积处理层的尺度不同，每个反卷积块包括的卷积处理层的个数与对应的卷积块所包括的卷积处理层的个数相等，每个反卷积块包括的卷积处理层的尺度，与对应的卷积块所包括的卷积处理层的尺度相同；
[0022]所述采用第一回归网络模型对指定微生物微观影像进行处理，得到所述指定微生物微观影像的内容特征图，包括：
[0023]采用所述N个卷积块依次对所述指定微生物微观影像进行处理，得到中间特征图；
[0024]采用所述N个反卷积块依次对所述中间特征图进行处理，得到所述内容特征图。
[0025]进一步，所述N等于3；
[0026]所述N个卷积块包括第一卷积块、第二卷积块和第三卷积块，其中，所述第一卷积块包括：两个腐蚀卷积层和一个卷积层；所述第二卷积块包括：两个卷积层和一个下采样卷积层；所述第三卷积块包括：三个卷积层；
[0027]所述N个反卷积块包括第一反卷积块、第二反卷积块和第三反卷积块，其中，所述第一反卷积块包括：三个卷积层；所述第二反卷积块包括：一个反卷积层和两个卷积层；所述第三反卷积块包括：一个反卷积层和两个卷积层。
[0028]进一步，所述第二回归网络模型中属于不同卷积块的任意两个卷积处理层的尺度不同。
[0029]进一步，所述第二回归网络模型，还包括：下采样模型，所述下采样模型包括多个不同尺度的下采样卷积层；
[0030]所述确定所述循环神经网络模型在不同梯度方向上的权重值，包括：
[0031]采用所述多个不同尺度的下采样卷积层分别对叠加微生物微观影像进行处理，得到多个不同尺度的第二特征图，其中，所述叠加微生物微观影像为对所述指定微生物微观影像和所述梯度图进行叠加后得到的微生物微观影像；
[0032]对所述第一特征图和所述多个不同尺度的第二特征图进行分层处理，确定所述循环神经网络模型在不同梯度方向上的权重值。
[0033]进一步，所述M等于3；
[0034]所述M个卷积块包括第四卷积块、第五卷积块和第六卷积块，其中，所述第四卷积块包括：两个卷积层和一个下采样卷积层；第五卷积块包括：两个卷积层和一个下采样卷积层；第六卷积块包括：三个卷积层；
[0035]所述M个反卷积块包括第四反卷积块、第五反卷积块和第六反卷积块，其中，第四反卷积块包括：三个卷积层；第五反卷积块包括：一个反卷积层和两个卷积层；第六反卷积块包括：一个反卷积层和两个卷积层；
[0036]所述第一回归网络模型包括：N个卷积块，以及与所述N个卷积块一一对应的N个反卷积块；所述N为正整数，每个所述卷积块包括多个卷积处理层，属于同一卷积块的任意两个卷积处理层的尺度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种微生物次级代谢产物制备过程产物产率评估方法，其特征在于，所述微生物次级代谢产物制备过程产物产率评估方法包括以下步骤：步骤一，通过微观影像设备采集微生物微观影像；对微生物微观影像进行增强处理；并确定微生物类型；步骤二，将马尔可夫链中的相关元素进行定义，使用微生物次级代谢产物制备过程中各阶段前后的菌种浓度、代谢产物浓度、营养物质浓度等参数经验值作为建模工具的输入变量并生成概率及生成初始概率，对概率数据进行分析确定其生成产物转移概率，建立产物产率的数学评估模型；步骤三，通过产物产率的数学评估模型对微生物次级代谢产物制备过程产物产率评估；并对微生物代谢产物进行检测处理；所述对微生物代谢产物进行检测处理方法：获取离体的标本的微生物代谢产物检测数据；将微生物代谢产物检测数据上传至云服务器；对云服务器中的微生物代谢产物检测数据进行分析，得到分析结果；展示所述分析结果；所述对云服务器中的微生物代谢产物检测数据进行分析，得到分析结果之后，以及展示所述分析结果之前，所述检测方法还包括：对所述分析结果进行干预，得到修正后的分析结果；所述展示所述分析结果，具体为：展示修正后的分析结果。2.如权利要求1所述微生物次级代谢产物制备过程产物产率评估方法，其特征在于，所述对微生物微观影像进行增强处理方法如下：(1)采用第一回归网络模型对指定微生物微观影像进行处理，得到所述指定微生物微观影像的内容特征图；采用第二回归网络模型对所述指定微生物微观影像的梯度图进行处理，得到所述指定微生物微观影像的边缘特征图；(2)采用融合处理模型，对所述内容特征图和所述边缘特征图进行融合处理，得到恢复微生物微观影像；其中，所述第二回归网络模型包括：M个卷积块、与所述M个卷积块一一对应的M个反卷积块以及循环神经网络模型，所述M为正整数，每个所述卷积块包括多个卷积处理层，属于同一卷积块的任意两个卷积处理层的尺度相同，每个反卷积块包括的卷积处理层的个数与对应的卷积块所包括的卷积处理层的个数相等，每个反卷积块包括的卷积处理层的尺度，与对应的卷积块所包括的卷积处理层的尺度相同；所述采用第二回归网络模型对所述指定微生物微观影像的梯度图进行处理，得到所述指定微生物微观影像的边缘特征图，包括：采用所述M个卷积块依次对所述指定微生物微观影像的梯度图进行处理，得到中间梯度特征图；采用所述M个反卷积块依次对所述中间梯度特征图进行处理，得到第一特征图；确定所述循环神经网络模型在不同梯度方向上的权重值；基于确定权重值的所述循环神经网络模型，对所述第一特征图进行处理，得到所述指定微生物微观影像的边缘特征图。3.如权利要求2所述微生物次级代谢产物制备过程产物产率评估方法，其特征在于，所述第一回归网络模型包括：N个卷积块，以及与所述N个卷积块一一对应的N个反卷积块，所述N为正整数，每个所述卷积块包括多个卷积处理层，属于同一卷积块的任意两个卷积处理层的尺度相同，属于不同卷积块的任意两个卷积处理层的尺度不同，每个反卷积块包括的
卷积处理层的个数与对应的卷积块所包括的卷积处理层的个数相等，每个反卷积块包括的卷积处理层的尺度，与对应的卷积块所包括的卷积处理层的尺度相同；所述采用第一回归网络模型对指定微生物微观影像进行处理，得到所述指定微生物微观影像的内容特征图，包括：采用所述N个卷积块依次对所述指定微生物微观影像进行处理，得到中间特征图；采用所述N个反卷积块依次对所述中间特征图进行处理，得到所述内容特征图。4.如权利要求2所述微生物次级代谢产物制备过程产物产率评估方法，其特征在于，所述N等于3；所述N个卷积块包括第一卷积块、第二卷积块和第三卷积块，其中，所述第一卷积块包括：两个腐蚀卷积层和一个卷积层；所述第二卷积块包括：两个卷积层和一个下采样卷积层；所述第三卷积块包括：三个卷积层；所述N个反卷积块包括第一反卷积块、第二反卷积块和第三反卷积块，其中，所述第一反卷积块包括：三个卷积层；所述第二反卷积块包括：一个反卷积层和两个卷积层；所述第三反卷积块包括：一个反卷积层和两个卷积层。5.如权...

【专利技术属性】
技术研发人员：宋鑫明，周学明，郑彩娟，
申请(专利权)人：海南师范大学，
类型：发明
国别省市：