一种基于深度学习识别并处理色谱柱尖积液的方法技术

本发明专利技术公开了一种基于深度学习识别并处理色谱柱尖积液的方法，包括以下步骤：收集色谱柱尖的图像，形成一个建模数据集合；构造一个深度神经网络，并利用建模数据集合，训练深度神经网络；部署训练得到的神经网络模型，并利用神经网络模型，实时监控色谱柱尖，如果形成积液则发出报警信号；接收到报警信号后，则启动对色谱柱尖的喷淋装置，交替喷淋不同类型的高极性有机相，对积液进行消除，同时持续识别监测图像；监测到积液消失后，喷淋一次有机溶剂后停止喷淋，继续监测

【技术实现步骤摘要】
一种基于深度学习识别并处理色谱柱尖积液的方法


[0001]本专利技术属于生物
，具体地，涉及一种基于深度学习识别并处理色谱柱尖积液的方法
。

技术介绍

[0002]色谱分析可以连续对样品进行浓缩
、
分离
、
提纯及测定，因此色谱法成为重要又常用的物质检测方法，并已广泛应用于各个行业中
。
色谱柱是色谱分析的重要组成部件之一，其主要作用是将混合物中的化合物分离出来
。
在蛋白组学的实际使用中，受检测样本质量影响
、
数量增加或干扰因素影响，色谱柱尖会积累不溶性的残留
。
这些残留使色谱柱尖表面变得不光滑，并由于喷雾的液体表面张力的影响，从而在色谱柱尖上形成液滴状的积液
。
此状态会影响柱尖的喷雾效果，严重的话可能导致色谱无检测信号
。
对色谱柱尖进行人工监测容易受人的生理和心理状态影响，不能够很好的量化，且不能观察极小的变化
。
近年来，深度学习技术在学术界和工业界取得了广泛的成功，并逐渐受到了高度重视
。
深度学习方法可以利用大数据集训练深度神经网络，有效识别特征丰富的图像，并可以连接处理程序在识别后自动启动处理操作
。
基于深度学习方法对于识别并处理色谱柱尖积液是一种具有巨大潜力的解决方案
。
因此，能否设计出一种基于深度学习识别并处理色谱柱尖积液的方法，是蛋白组学的色谱分析中亟待解决的问题
。
>
技术实现思路

[0003]专利技术目的：为解决上述技术问题，本专利技术提供了一种基于深度学习识别并处理色谱柱尖积液的方法
。
[0004]技术方案：一种基于深度学习识别并处理色谱柱尖积液的方法，包括以下步骤：
[0005]S1
：收集色谱柱尖的图像，形成一个建模数据集合；
[0006]S2
：构造一个深度神经网络，并利用建模数据集合，训练深度神经网络；
[0007]S3
：部署训练得到的神经网络模型，并利用神经网络模型，实时监控色谱柱尖，如果形成积液则发出报警信号；
[0008]S4
：接收到报警信号后，则启动对色谱柱尖的喷淋装置，交替喷淋不同类型的高极性有机相，对积液进行消除，同时持续识别监测图像；
[0009]S5
：监测到积液消失后，喷淋一次有机溶剂后停止喷淋，继续监测
。
[0010]作为优选或具体的实施方式：
[0011]优选的，步骤
S1
中，所述建模数据集合中，色谱柱尖的图像包括有积液的图像和无积液的图像；图像类别为有积液
、
无积液
。
[0012]优选的，步骤
S2
中，所述深度神经网络依次包括：输入层
、
卷积层
、
池化层
、Dropout
层
、
全连接层
、
输出层；所述卷积层
、
池化层
、Dropout
层
、
全连接层重复一次或多次；在重复多次的情况下，池化层的输出连接下一次的卷积层或
Dropout
层的输入，全连接层的输出连接下一次的
Dropout
层的输入，
Dropout
层的输出连接下一次的全连接层的输入
。
[0013]进一步的，所述输入层读入图像，并对图像进行预处理；所述卷积层和池化层的组合对预处理过的图像进行特征提取；所述
Dropout
层用于防止过拟合；所述全连接层和
Sigmoid
激活函数将提取的特征映射到类别判定
。
[0014]优选的，步骤
S2
中，所述训练神经网络包括利用训练样本对深度神经网络进行训练，对网络参数权重进行调整，得到训练后的深度神经网络模型；将测试集和训练集的图像通过神经网络模型，计算得到图像的类别判定
。
[0015]优选的，步骤
S3
中，所述实时监控色谱柱尖，对于图像的采集间隔周期可进行自定义设定，优选1秒或2秒
。
[0016]优选的，步骤
S4
中，所述交替喷淋不同类型的高极性有机相，其中高极性有机相的类型及先后顺序与特定检测方案相关，优选甲醇和纯水，顺序不作为强制要求
。
[0017]优选的，步骤
S5
中，所述监测到积液消失后，喷淋一次有机溶剂后停止喷淋，即在监测识别积液消失后需再进行一次有机溶剂喷淋，优选甲醇
。
[0018]有益效果：
[0019]1.
本专利技术进行自动识别和处理，而无需持续进行人工监控，节省人力成本
。
[0020]2.
本专利技术利用深度神经网络进行识别，而无需进行人工分辨，避免了人工影响因素造成的偏差，能得到更为稳定
、
准确的判定结果
。
[0021]3.
本专利技术适用于各种仪器类型，对于不同仪器平台，可用同样方法进行模型训练
。
[0022]4.
本专利技术对积液进行自动处理，响应快速，且避免人为污染
。
附图说明
[0023]图1为本专利技术的流程示意图；
[0024]图2为本专利技术的色谱柱尖监测示例图；
[0025]图3为本专利技术的实施例的深度神经网络结构示意图
。
具体实施方式
[0026]下面结合具体实例对本专利技术作进一步说明，以使本领域的技术人员可以更好的理解本专利技术并能予以实施
。
使用液相色谱串联质谱联用技术，检测蛋白质为应用实例进行场景举例
。
显然，所描述的实施例仅是本申请一部分的实施例，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的前提下所获得的所有其他实施例，都应当属于本申请保护的范围
。
[0027]实施例：
[0028]如图1所示，本专利技术提供了一种基于深度学习识别并处理色谱柱尖积液的方法，包括如下步骤，
[0029]S1
：收集色谱柱尖的图像，形成一个建模数据集合；在本实施例中，建模数据集合为：训练集包括有积液图像
228
张和无积液图像
302
张，测试集包括有积液图像
132
张和无积液图像
158
张
。
有积液图像和无积液图像如图2所示
。
[0030]S2
：构造一个深度神经网络，并利用建模数据集合，训练深度神经网络；深度神经网络结构如图3所示：输入层读入图像，并对图像进行预处理；卷积层和池化层的组合对预处理过的图像进行特征提取；
Dropout
层用于防本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习识别并处理色谱柱尖积液的方法，其特征在于，包括以下步骤：
S1
：收集色谱柱尖的图像，形成一个建模数据集合；
S2
：构造一个深度神经网络，并利用建模数据集合，训练深度神经网络；
S3
：部署训练得到的神经网络模型，并利用神经网络模型，实时监控色谱柱尖，如果形成积液则发出报警信号；
S4
：接收到报警信号后，则启动对色谱柱尖的喷淋装置，交替喷淋不同类型的高极性有机相，对积液进行消除，同时持续识别监测图像；
S5
：监测到积液消失后，喷淋一次有机溶剂后停止喷淋，继续监测
。2.
根据权利要求1所述的基于深度学习识别并处理色谱柱尖积液的方法，其特征在于，步骤
S1
中，所述建模数据集合中，色谱柱尖的图像包括有积液的图像和无积液的图像；图像类别为有积液
、
无积液
。3.
根据权利要求1所述的基于深度学习识别并处理色谱柱尖积液的方法，其特征在于：步骤
S2
中，所述深度神经网络包括：输入层
、
卷积层
、
池化层
、Dropout
层
、
全连接层
、
输出层；所述卷积层
、
池化层
、Dropout
层
、
全连接层重复一次或多次；在重复多次的情况下，卷积层的输出连接下一次的池化层的输入，池化层的输出连接下一次的卷积层或
Dropout
层...

【专利技术属性】
技术研发人员：黄腾，吴小雷，陈亮宇，李捷，
申请(专利权)人：谱天天津生物科技有限公司，
类型：发明
国别省市：