CN114418995A - 一种基于显微镜图像的级联藻类细胞统计方法 - Google Patents
一种基于显微镜图像的级联藻类细胞统计方法 Download PDFInfo
- Publication number
- CN114418995A CN114418995A CN202210060099.9A CN202210060099A CN114418995A CN 114418995 A CN114418995 A CN 114418995A CN 202210060099 A CN202210060099 A CN 202210060099A CN 114418995 A CN114418995 A CN 114418995A
- Authority
- CN
- China
- Prior art keywords
- algae
- image
- deep learning
- cell
- population
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于显微镜图像的级联藻类细胞统计方法,包括:采集并标注藻类图像样本数据,构建深度学习模型;对深度学习模型进行训练,获得深度学习检测模型;基于深度学习检测模型对标注后的图像样本数据进行识别,获得识别结果;基于图像模式识别技术对识别结果进行细胞个数统计,获得统计结果。本发明将深度学习技术与图像模式识别技术相结合,深度学习检测模型只对藻类的种属和坐标进行识别,不需要关注群体性藻类内部的细胞,大大减少了数据标注的工作量,提高了模型训练和模型优化的效率。同时本发明适用范围广,既提高了浮游藻类的识别精度,也并且具有良好的扩展性和可维护性。
Description
技术领域
本发明属于水生态环境监测技术领域,特别是涉及一种基于显微镜图像的级联藻类细胞统计方法。
背景技术
利用显微镜和高清工业相机获得的藻类图像之后,为了计算出藻密度、生物量等相关指标,需要识别出图像中藻类的种属和它的细胞个数。专利公开号CN109949284A和CN111443028A中都提出了基于深度学习模型对藻类进行识别和统计的方法,该方法对单细胞藻类的识别和统计效果较好。针对群体藻类,多采用两步标记法,既对群体藻类进行标注,同时也对群体内部的细胞进行标注,让深度学习模型具备识别和统计群体藻类的能力。该方法主要存在以下几个问题:
⑴有些群体性藻类的细胞分布比较密集,以微囊藻和空星藻为例,密集重叠在一起的细胞基本上很难进行人工标注;
⑵在群体内部标记细胞工作量较大,无论是需要调整标记样本,还是新增样本,对应的工作量都非常大。另外,任何一次样本的调整或修改,都需要重新训练深度学习模型,这导致了它的扩展性也较差;
⑶对于某些群体性藻类,没办法标记它的内部细胞,以盘星藻为例,单角盘星藻、双角盘星藻,具孔和非具孔盘星藻,很难找到一个统一的标准来对它进行准确地标记;
⑷群体内部的细胞比较密集时,深度学习检测模型会存在较多的漏检,影响最终的统计结果。
发明内容
为了克服现有技术存在的不足,本发明提供了一种基于显微镜图像的级联藻类细胞统计方法,先通过深度学习模型识别出藻类的种属和位置坐标,然后截取出该藻类的图像数据,根据它的种属,采取不同的图像模式识别技术来统计出细胞个数。
为实现上述目的,本发明提供了如下方案:一种基于显微镜图像的级联藻类细胞统计方法,包括:
采集并标注藻类图像样本数据,构建深度学习模型;
对所述深度学习模型进行训练,获得深度学习检测模型;
基于所述深度学习检测模型对标注后的图像样本数据进行识别,获得识别结果;
基于图像模式识别技术对所述识别结果进行细胞个数统计,获得统计结果。
优选地,对所述藻类图像样本数据进行标注包括单细胞藻类标注和群体性藻类标注;
所述单细胞藻类标注为单独标注,所述单细胞藻类存在多个特征面时,将所述特征面都进行标注;
所述群体性藻类标注为整体标注,对于易散落的群体性藻类,将散落的单细胞藻类进行单独标注。
优选地,基于所述深度学习检测模型对标注后的图像样本数据进行识别包括识别藻类的种属和位置坐标。
优选地,基于图像模式识别技术对所述识别结果进行细胞个数统计包括,根据藻类的种属调用对于的级联统计算法,根据藻类的位置坐标,截取藻类图像数据,基于所述级联统计算法对所述藻类图像数据进行细胞个数统计。
优选地,基于图像模式识别技术对所述识别结果进行细胞个数统计还包括,判断藻类的种属是单细胞藻类还是群体性藻类;针对单细胞藻类,直接统计所述深度学习检测模型统计的同种类细胞个数;针对群体性藻类,调用对应的图像统计子模块获取细胞个数。
优选地,还包括对所述统计结果进行修正,所述修正针对群体性藻类,基于所述级联统计算法获得的细胞个数,结合图像中藻类的种属分布情况,对统计结果进行修正。
优选地,对所述统计结果进行修正还包括,针对采集的单张图像数据中藻类的种属分布情况,对统计结果进行修正;将所有图像数据识别与统计的结果汇总,根据识别与统计情况对最终结果进行修正。
本发明与现有技术相比,具有以下有益效果:
1、深度学习检测模型只对藻类的种属和坐标进行识别,不需要关注群体性藻类内部的细胞,大量减少了数据标注工作,提高了模型训练和模型优化的效率。
2、采用图像模式识别技术来为每个群体性藻类设计细胞统计算法。根据群体藻类的特征情况,可以采取更优的方案来开发统计算法,灵活性较强,同时也具备较好的扩展性。
3、将深度学习技术与图像模式识别技术相结合,取长补短,构建级联架构的藻类细胞统计方案,提高了整体的识别效果。
4、群体性藻类统计算法相互独立,可维护性较好。当深度学习模型检测到多个群体时,可并发进行调用处理,提高了整体的识别效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的方法流程图;
图2为本发明实施例的藻类深度学习模型训练流程图;
图3为本发明实施例的藻类细胞识别与统计流程图;
图4为本发明实施例的藻类细胞统计流程示意图;
图5为本发明实施例的群体藻类细胞统计模块示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供了一种基于显微镜图像的级联藻类细胞统计方法,包括:
采集并标注藻类图像样本数据,构建深度学习模型;
对所述深度学习模型进行训练,获得深度学习检测模型;
基于所述深度学习检测模型对标注后的图像样本数据进行识别,获得识别结果;
基于图像模式识别技术对所述识别结果进行细胞个数统计,获得统计结果。
对所述藻类图像样本数据进行标注包括单细胞藻类标注和群体性藻类标注;
所述单细胞藻类标注为单独标注,所述单细胞藻类存在多个特征面时,将所述特征面都进行标注;
所述群体性藻类标注为整体标注,对于易散落的群体性藻类,将散落的单细胞藻类进行单独标注。
基于所述深度学习检测模型对标注后的图像样本数据进行识别包括识别藻类的种属和位置坐标。
基于图像模式识别技术对所述识别结果进行细胞个数统计包括,根据藻类的种属调用对于的级联统计算法,根据藻类的位置坐标,截取藻类图像数据,基于所述级联统计算法对所述藻类图像数据进行细胞个数统计。
基于图像模式识别技术对所述识别结果进行细胞个数统计还包括,判断藻类的种属是单细胞藻类还是群体性藻类;针对单细胞藻类,直接统计所述深度学习检测模型统计的同种类细胞个数;针对群体性藻类,调用对应的图像统计子模块获取细胞个数。
还包括对所述统计结果进行修正,所述修正针对群体性藻类,基于所述级联统计算法获得的细胞个数,结合图像中藻类的种属分布情况,对统计结果进行修正。
对所述统计结果进行修正还包括,针对采集的单张图像数据中藻类的种属分布情况,对统计结果进行修正;将所有图像数据识别与统计的结果汇总,根据识别与统计情况对最终结果进行修正。
实施例一
进一步地,本发明提供的基于显微镜图像的级联藻类细胞统计方法,包括以下步骤:
S1.收集和标注400倍显微镜条件下的藻类图像样本数据;
S2.训练藻类深度学习检测模型;
S3.基于级联架构的藻类细胞识别与统计:根据识别出的藻类种属来调用对应的级联统计算法,计算出水藻的细胞个数;
S4.根据藻类种属特性,对上一步识别的结果进行修正:根据级联统计算法计算出来的细胞个数,结合图像中藻类的种属分布情况,对识别结果进行修正。
参照图2,所述藻类深度学习检测模型训练过程包括以下内容:
⑴单细胞藻类单独标记,若单细胞藻类具有多个特征面,则需要将它的特征面都进行标注均。以小环藻为例,壳面和带面均需标记为小环藻;
⑵群体藻类按群体整体进行标注;
⑶针对容易散落的群体性藻类,对散落的单细胞藻类进行单独标注。
⑷作为优选的,采用YOLOv5l6模型进行训练;
⑸深度学习模型采用迭代优化的方式进行训练,根据模型测试情况,增添样本或调整原有样本的标记内容,直到模型精度满足设计要求。具体包括,深度学习检测模型选型,主要包括模型类型(yolov5、yoloX等)和模型的参数大小;深度学习检测模型训练与测试;根据已训练模型的测试情况,调整训练样本、标注方式或新增训练样本;迭代优化训练模型,直到精度满足预期目标。
本发明中级联统计算法是针对群体性藻类的统计模块,例如:微囊群体、脆杆群体、鱼腥群体和盘星群体等,每个群体性藻类对应一个独立的统计算法。
参照图3,所述藻类细胞识别与统计流程包括以下内容:
⑴基于藻类监测设备自动从浮游藻类样品中采集多张图像数据;
⑵采用YOLOv5l6模型对步骤S1中采集的图像数据进行检测,识别出图像中藻类的种属和像素坐标;
⑶根据检测出藻类的种属和像素坐标,从原始图像中截取出目标藻类的图像数据,并调用对应的细胞统计算法统计它的细胞个数;
⑷针对单张采集的图像数据中藻类的种属和分布规律,对统计出来的结果进行修正,例如:微囊群体中,容易出现散落的微囊细胞,我们将这些细胞标记为色球藻目细胞。当图像中识别出微囊群体时,会将识别到的色球藻目细胞合并到微囊群体中进行计数;
⑸按步骤(1)~(4)的方式,对浮游藻类样品中采集的所有图像数据进行识别与统计;
⑹将所有图像数据识别与统计的结果汇总,根据识别与统计情况对最终结果进行修正。以小环藻为例,如果在多张图像中既检测到它的壳面,也检测到它的带面,那么保持原有统计结果;反之,如果只检测到它的带面,同时也检测到变异直链藻,那么会将检测到的带面小环藻纳入到变异直链藻进行合并统计。
参照图4,所述藻类细胞统计流程包括以下内容:
⑴判断识别出来的藻类种属是属于单细胞藻类还是群体性藻类;
⑵若为单细胞藻类,直接统计该张图像中检测出来的同种藻类个数;
⑶若为群体性藻类,则调用对应的藻类统计识别模块,统计出该群体内的细胞个数;
⑷针对多细胞群体性藻类,算法统计出细胞个数后,还需要根据它的群体特性,对统计结果进行修正。例如:盘星藻和空星藻的典型细胞个数为4、8、16、32和64等,栅藻的细胞个数都是成对出现,典型值为2、4、8、16和32等。
参照图5,所述群体性藻类细胞统计模块包括微囊群体细胞统计模块、脆杆群体细胞统计模块和盘星群体细胞统计模块等,未列出的群体性藻类理应纳入本发明的保护范围。
本发明的适用范围广、不仅可以应用于浮游藻类的识别与细胞统计,也可以将其应用于其他浮游植物或浮游动物中。既提高了浮游藻类的识别精度,也大大降低了数据标注的工作量,而且具有良好的扩展性和可维护性。
以上所述的实施例仅是对本发明的优选方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (7)
1.一种基于显微镜图像的级联藻类细胞统计方法,其特征在于,包括:
采集并标注藻类图像样本数据,构建深度学习模型;
对所述深度学习模型进行训练,获得深度学习检测模型;
基于所述深度学习检测模型对标注后的图像样本数据进行识别,获得识别结果;
基于图像模式识别技术对所述识别结果进行细胞个数统计,获得统计结果。
2.根据权利要求1所述的基于显微镜图像的级联藻类细胞统计方法,其特征在于,
对所述藻类图像样本数据进行标注包括单细胞藻类标注和群体性藻类标注;
所述单细胞藻类标注为单独标注,所述单细胞藻类存在多个特征面时,将所述特征面都进行标注;
所述群体性藻类标注为整体标注,对于易散落的群体性藻类,将散落的单细胞藻类进行单独标注。
3.根据权利要求1所述的基于显微镜图像的级联藻类细胞统计方法,其特征在于,基于所述深度学习检测模型对标注后的图像样本数据进行识别包括识别藻类的种属和位置坐标。
4.根据权利要求1所述的基于显微镜图像的级联藻类细胞统计方法,其特征在于,
基于图像模式识别技术对所述识别结果进行细胞个数统计包括,根据藻类的种属调用对于的级联统计算法,根据藻类的位置坐标,截取藻类图像数据,基于所述级联统计算法对所述藻类图像数据进行细胞个数统计。
5.根据权利要求4所述的基于显微镜图像的级联藻类细胞统计方法,其特征在于,
基于图像模式识别技术对所述识别结果进行细胞个数统计还包括,判断藻类的种属是单细胞藻类还是群体性藻类;针对单细胞藻类,直接统计所述深度学习检测模型统计的同种类细胞个数;针对群体性藻类,调用对应的图像统计子模块获取细胞个数。
6.根据权利要求1所述的基于显微镜图像的级联藻类细胞统计方法,其特征在于,
还包括对所述统计结果进行修正,所述修正针对群体性藻类,基于所述级联统计算法获得的细胞个数,结合图像中藻类的种属分布情况,对统计结果进行修正。
7.根据权利要求1所述的基于显微镜图像的级联藻类细胞统计方法,其特征在于,
对所述统计结果进行修正还包括,针对采集的单张图像数据中藻类的种属分布情况,对统计结果进行修正;将所有图像数据识别与统计的结果汇总,根据识别与统计情况对最终结果进行修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210060099.9A CN114418995B (zh) | 2022-01-19 | 2022-01-19 | 一种基于显微镜图像的级联藻类细胞统计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210060099.9A CN114418995B (zh) | 2022-01-19 | 2022-01-19 | 一种基于显微镜图像的级联藻类细胞统计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114418995A true CN114418995A (zh) | 2022-04-29 |
CN114418995B CN114418995B (zh) | 2023-02-03 |
Family
ID=81276186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210060099.9A Active CN114418995B (zh) | 2022-01-19 | 2022-01-19 | 一种基于显微镜图像的级联藻类细胞统计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114418995B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114782413A (zh) * | 2022-06-07 | 2022-07-22 | 生态环境部长江流域生态环境监督管理局生态环境监测与科学研究中心 | 一种基于显微镜图像的星杆藻类细胞统计方法 |
CN116152804A (zh) * | 2022-12-26 | 2023-05-23 | 华能澜沧江水电股份有限公司 | 一种藻类密度、生物量与叶绿素a的快速估算方法及*** |
CN116311243A (zh) * | 2023-03-22 | 2023-06-23 | 生态环境部长江流域生态环境监督管理局生态环境监测与科学研究中心 | 一种基于显微镜图像的藻类检测方法及*** |
CN116597441A (zh) * | 2023-05-22 | 2023-08-15 | 生态环境部长江流域生态环境监督管理局生态环境监测与科学研究中心 | 基于深度学习和图像模式识别的藻类细胞统计方法及*** |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984979A (zh) * | 2014-06-06 | 2014-08-13 | 南昌航空大学 | 无透镜衍射成像的藻类自动检测计数装置及方法 |
CN105181649A (zh) * | 2015-10-09 | 2015-12-23 | 山东大学 | 一种新型免标记模式识别细胞仪方法 |
CN107832838A (zh) * | 2017-11-28 | 2018-03-23 | 北京羽医甘蓝信息技术有限公司 | 评价细胞涂片标本满意度的方法和装置 |
CN108267416A (zh) * | 2017-12-25 | 2018-07-10 | 中国科学院重庆绿色智能技术研究院 | 一种基于太赫兹光谱的循环肿瘤细胞筛查***及方法 |
CN108416379A (zh) * | 2018-03-01 | 2018-08-17 | 北京羽医甘蓝信息技术有限公司 | 用于处理宫颈细胞图像的方法和装置 |
CN109580458A (zh) * | 2018-11-30 | 2019-04-05 | 苏州深析智能科技有限公司 | 流式细胞智能免疫分型方法、装置以及电子设备 |
CN109949284A (zh) * | 2019-03-12 | 2019-06-28 | 天津瑟威兰斯科技有限公司 | 基于深度学习卷积神经网络的水藻细胞分析方法及*** |
CN110245562A (zh) * | 2019-05-13 | 2019-09-17 | 中国水产科学研究院东海水产研究所 | 基于深度学习的海洋产毒微藻种类自动识别方法 |
EP3063289B1 (en) * | 2013-10-28 | 2020-01-08 | Molecular Devices, LLC | Method and system for classifying and identifying individual cells in a microscopy image |
CN110837809A (zh) * | 2019-11-11 | 2020-02-25 | 湖南伊鸿健康科技有限公司 | 血液自动分析方法、***、血细胞分析仪及存储介质 |
CN111443028A (zh) * | 2020-04-26 | 2020-07-24 | 长江流域水环境监测中心 | 一种基于ai技术的浮游藻类自动监测设备与方法 |
CN111524137A (zh) * | 2020-06-19 | 2020-08-11 | 平安科技(深圳)有限公司 | 基于图像识别的细胞识别计数方法、装置和计算机设备 |
CN111524138A (zh) * | 2020-07-06 | 2020-08-11 | 湖南国科智瞳科技有限公司 | 一种基于多任务学习的显微图像细胞识别方法及装置 |
CN111637874A (zh) * | 2020-05-08 | 2020-09-08 | 哈尔滨工程大学 | 一种赤潮海域多auv分层探测***及探测方法 |
CN111784595A (zh) * | 2020-06-10 | 2020-10-16 | 北京科技大学 | 一种基于历史记录的动态标签平滑加权损失方法及装置 |
CN112446427A (zh) * | 2020-11-27 | 2021-03-05 | 王伟佳 | 一种髓系血细胞识别方法、装置、存储介质和电子设备 |
CN112613505A (zh) * | 2020-12-18 | 2021-04-06 | 安徽丹姆斯生物科技有限公司 | 一种基于深度学习的细胞微核识别、定位和计数方法 |
CN112634243A (zh) * | 2020-12-28 | 2021-04-09 | 吉林大学 | 一种强干扰因素下基于深度学习的图像分类识别*** |
CN112767349A (zh) * | 2021-01-18 | 2021-05-07 | 桂林优利特医疗电子有限公司 | 一种网织红细胞识别方法和*** |
CN113066080A (zh) * | 2021-04-19 | 2021-07-02 | 广州信瑞医疗技术有限公司 | 切片组织识别方法、装置,细胞识别模型及组织分割模型 |
CN113128385A (zh) * | 2021-04-08 | 2021-07-16 | 北京工业大学 | 一种有毒藻类监测预警方法及*** |
-
2022
- 2022-01-19 CN CN202210060099.9A patent/CN114418995B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3063289B1 (en) * | 2013-10-28 | 2020-01-08 | Molecular Devices, LLC | Method and system for classifying and identifying individual cells in a microscopy image |
CN103984979A (zh) * | 2014-06-06 | 2014-08-13 | 南昌航空大学 | 无透镜衍射成像的藻类自动检测计数装置及方法 |
CN105181649A (zh) * | 2015-10-09 | 2015-12-23 | 山东大学 | 一种新型免标记模式识别细胞仪方法 |
CN107832838A (zh) * | 2017-11-28 | 2018-03-23 | 北京羽医甘蓝信息技术有限公司 | 评价细胞涂片标本满意度的方法和装置 |
CN108267416A (zh) * | 2017-12-25 | 2018-07-10 | 中国科学院重庆绿色智能技术研究院 | 一种基于太赫兹光谱的循环肿瘤细胞筛查***及方法 |
CN108416379A (zh) * | 2018-03-01 | 2018-08-17 | 北京羽医甘蓝信息技术有限公司 | 用于处理宫颈细胞图像的方法和装置 |
CN109580458A (zh) * | 2018-11-30 | 2019-04-05 | 苏州深析智能科技有限公司 | 流式细胞智能免疫分型方法、装置以及电子设备 |
CN109949284A (zh) * | 2019-03-12 | 2019-06-28 | 天津瑟威兰斯科技有限公司 | 基于深度学习卷积神经网络的水藻细胞分析方法及*** |
CN110245562A (zh) * | 2019-05-13 | 2019-09-17 | 中国水产科学研究院东海水产研究所 | 基于深度学习的海洋产毒微藻种类自动识别方法 |
CN110837809A (zh) * | 2019-11-11 | 2020-02-25 | 湖南伊鸿健康科技有限公司 | 血液自动分析方法、***、血细胞分析仪及存储介质 |
CN111443028A (zh) * | 2020-04-26 | 2020-07-24 | 长江流域水环境监测中心 | 一种基于ai技术的浮游藻类自动监测设备与方法 |
CN111637874A (zh) * | 2020-05-08 | 2020-09-08 | 哈尔滨工程大学 | 一种赤潮海域多auv分层探测***及探测方法 |
CN111784595A (zh) * | 2020-06-10 | 2020-10-16 | 北京科技大学 | 一种基于历史记录的动态标签平滑加权损失方法及装置 |
CN111524137A (zh) * | 2020-06-19 | 2020-08-11 | 平安科技(深圳)有限公司 | 基于图像识别的细胞识别计数方法、装置和计算机设备 |
CN111524138A (zh) * | 2020-07-06 | 2020-08-11 | 湖南国科智瞳科技有限公司 | 一种基于多任务学习的显微图像细胞识别方法及装置 |
CN112446427A (zh) * | 2020-11-27 | 2021-03-05 | 王伟佳 | 一种髓系血细胞识别方法、装置、存储介质和电子设备 |
CN112613505A (zh) * | 2020-12-18 | 2021-04-06 | 安徽丹姆斯生物科技有限公司 | 一种基于深度学习的细胞微核识别、定位和计数方法 |
CN112634243A (zh) * | 2020-12-28 | 2021-04-09 | 吉林大学 | 一种强干扰因素下基于深度学习的图像分类识别*** |
CN112767349A (zh) * | 2021-01-18 | 2021-05-07 | 桂林优利特医疗电子有限公司 | 一种网织红细胞识别方法和*** |
CN113128385A (zh) * | 2021-04-08 | 2021-07-16 | 北京工业大学 | 一种有毒藻类监测预警方法及*** |
CN113066080A (zh) * | 2021-04-19 | 2021-07-02 | 广州信瑞医疗技术有限公司 | 切片组织识别方法、装置,细胞识别模型及组织分割模型 |
Non-Patent Citations (2)
Title |
---|
PEISHENG QIAN 等: "Multi-Target Deep Learning for Algal Detection and Classification", 《ARXIV:2005.03232V1》 * |
段春建 等: "基于深度学习技术的浮游藻类智能监测***开发", 《中国水利学会2021学术年会论文集第三分册》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114782413A (zh) * | 2022-06-07 | 2022-07-22 | 生态环境部长江流域生态环境监督管理局生态环境监测与科学研究中心 | 一种基于显微镜图像的星杆藻类细胞统计方法 |
CN116152804A (zh) * | 2022-12-26 | 2023-05-23 | 华能澜沧江水电股份有限公司 | 一种藻类密度、生物量与叶绿素a的快速估算方法及*** |
CN116152804B (zh) * | 2022-12-26 | 2023-09-26 | 华能澜沧江水电股份有限公司 | 一种藻类密度、生物量与叶绿素a的快速估算方法及*** |
CN116311243A (zh) * | 2023-03-22 | 2023-06-23 | 生态环境部长江流域生态环境监督管理局生态环境监测与科学研究中心 | 一种基于显微镜图像的藻类检测方法及*** |
CN116311243B (zh) * | 2023-03-22 | 2023-10-24 | 生态环境部长江流域生态环境监督管理局生态环境监测与科学研究中心 | 一种基于显微镜图像的藻类检测方法及*** |
CN116597441A (zh) * | 2023-05-22 | 2023-08-15 | 生态环境部长江流域生态环境监督管理局生态环境监测与科学研究中心 | 基于深度学习和图像模式识别的藻类细胞统计方法及*** |
CN116597441B (zh) * | 2023-05-22 | 2024-01-26 | 生态环境部长江流域生态环境监督管理局生态环境监测与科学研究中心 | 基于深度学习和图像模式识别的藻类细胞统计方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN114418995B (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114418995B (zh) | 一种基于显微镜图像的级联藻类细胞统计方法 | |
Zhao et al. | Real-time recognition system of soybean seed full-surface defects based on deep learning | |
Sagar et al. | On using transfer learning for plant disease detection | |
CN112801212B (zh) | 一种基于小样本半监督学习的白细胞分类计数方法 | |
US9292729B2 (en) | Method and software for analysing microbial growth | |
WO2020134255A1 (zh) | 一种基于机器视觉对鱼类生长情况进行监测的方法 | |
CN109325495B (zh) | 一种基于深度神经网络建模的作物图像分割***及方法 | |
WO2023284340A1 (zh) | 一种自底向上的寄生虫虫种发育阶段及图像像素分类方法 | |
CN111127423B (zh) | 一种基于cnn-bp神经网络算法水稻病虫害识别方法 | |
CN109544538B (zh) | 小麦赤霉病病害等级分级方法及装置 | |
CN112215821A (zh) | 一种基于人工智能的光伏电池板栅线缺陷检测方法及*** | |
Han et al. | Research on multiple jellyfish classification and detection based on deep learning | |
CN110287902A (zh) | 畜禽存活检测方法、装置、设备及计算机程序产品 | |
Gao et al. | Recognition and Detection of Greenhouse Tomatoes in Complex Environment. | |
CN110414317B (zh) | 基于胶囊网络的全自动白细胞分类计数方法 | |
Deng et al. | Estimating the severity of sugarcane aphids infestation on sorghum with machine vision | |
CN117611885A (zh) | 一种基于Canny边缘检测的候鸟生态调控方法 | |
CN115690570A (zh) | 一种基于st-gcn的鱼群摄食强度预测方法 | |
CN115661081A (zh) | 基于图像处理的水产养殖自动控制换水方法 | |
CN116363344A (zh) | 基于改进YOLOv5s的小麦小穗计数方法和*** | |
CN117292305B (zh) | 鱼类受精卵胎动次数确定方法、***、电子设备及介质 | |
Song et al. | Real-time determination of flowering period for field wheat based on improved YOLOv5s model | |
CN113989211B (zh) | 一种虫卵计数方法和装置 | |
Hu et al. | Image Recognition of Marine Organisms Based on Convolutional Neural Networks | |
Li et al. | Design and Application of Tobacco Impurity Removal Model Based on Convolutional Neural Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |