基于深度学习的毒株胚蛋图像分割方法研究

发布时间：2020-03-23 05:56

【摘要】：禽流感的预防主要通过接种疫苗的手段,目前禽流感疫苗的制备主要通过在鸡蛋胚胎中接种毒株然后增殖培养的方式进行,在毒株胚蛋培养过程中,未剔除的死亡胚蛋会导致毒株增殖培养失败,因此毒株胚蛋的成活性检测与分类对禽流感疫苗的制备具有重要意义。目前毒株胚蛋的成活性检测仍然采用传统人工照蛋检测方法,检测效率较低。采用机器视觉的方法通过图像判断其成活性逐渐成为当前研究的热点。为了实现毒株胚蛋图像分割,本文提出一种结合密集连接块(Dense Block)和像素分层采样的图像分割方法。该方法可以进行语义级别的图像分割,即对图像中的每个像素都进行归类,实现像素级的分类。采用密集连接块结构代替了传统的逐层连接的结构,这种结构中每一层与块内所有的层都连接了起来。密集连接结构使得每层都可以直接从损失函数和原始输入信号中获得梯度,把不同层学习的特征图拼接起来会增加后续层输入的变化,提高效率;浅层和深层的特征可以自由的组合,会使得模型结果的鲁棒性更好。像素的分层采样策略使用小批量采样策略在批量更新期间添加多样性,加速学习;对采样后的特征进行稀疏排列,使用多层感知机(MLP)分类,引入复杂的非线性预测因子,提高了准确性。实验结果表明,采用密集连接块结构减少了网络的参数量,增强了网络的特征提取能力,提高了网络的泛化能力;像素分层采样充分利用了相邻像素的信息,使分割结果在边缘上的表现更加精细。针对毒株胚蛋图像数据,本文设计的网络结构对血管、裂纹、气室的分割结果有所提升,依据分割结果中各组织区域的面积占比进行了胚蛋的分类,实现了胚蛋的成活性检测。
【图文】：

胚蛋,准确率,生产品,视觉技术

器视觉技术已经被广泛应用于各行业的生产设备中，降低了生产品的质量和成品率，推动了现代工业智能化的发展。使用机器视照蛋方法实现毒株胚蛋成活性检测不仅能成功避免人为主观因素提高生产效率、节省劳动力。基于机器视觉的胚蛋成活性检测系化无损检测，满足更高准确率和更快检测速度的生产要求。基于成活性检测的准确率与图像算法的设计有着密不可分的关系，而较多，传统图像处理算法无法精确提取胚蛋特征导致检测准确率的卷积神经网络（ＣＮＮ）拥有强大的特征学习能力，在图像识别领成果。综合考虑了以上因素，本文系统的研宄了基于深度学习的胚蛋成活性检测上的可行性。逡逑内外研究现状逡逑外的关于疫苗制备中毒株胚蛋的成活性检测技术开展的较早，方在这一领域的研究起步较晚，大都是借鉴国外的一些技术。虽然

关系图,人工智能,关系图

人工智能领域下的一个最核心的研宄方向。在２０世纪５０年代，计算机科学家麦逡逑卡锡创造了人工智能这个词，他对人工智能的解释是创造出能够像人类一样工作逡逑的智能机器的科学和工程。深度学习和整个人工智能的关系如图２－１所示。逡逑／’逦机器学习逦＼＼逡逑，逦表示学习…＇逡逑＼邋（；？＞／＾邋／＇逡逑神经逡逑图２－１深度学习和人工智能关系图逡逑２００６年，多伦多大学的Ｇｅｏｆｆｒｅｙ邋Ｈｉｎｔｏｎ首次提出／深度学习的概念。深度逡逑学习算法的输入是没有预处理的原始数据，经过算法层层抽象将原始数据逐层抽逡逑象为自身任务所需的最终特征表示，最后以特征到任务目标的映射作为结束，从逡逑输入数据到最终任务目标是一种从数据中自动学习特征的过程。如图２－２所示，逡逑左侧是传统机器学习算法，，右侧是深度学习算法，相比传统机器学习算法仅学得逡逑模型这种单一任务模块而言，深度学习除了模型学习，还有特征学习、特征抽象逡逑等任务模块的参与
【学位授予单位】：天津工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R392;TP391.41;TP183

【相似文献】