基于FCN和GRU的鸡蛋胚胎成活性分类方法与流程

本发明属于鸡胚成活性
技术领域：
，特别涉及基于fcn和gru的鸡蛋胚胎成活性分类方法。
背景技术：
：禽流感疫苗一般使用鸡蛋胚胎制备的。在鸡蛋孵化7到11天后，向鸡蛋中注射禽流感病毒(接种)，随着胚胎发育，病毒自然繁殖。两到三天后，在鸡胚的尿囊液中收获病毒。减毒或灭活后的病毒用于制备禽流感疫苗。用于制备禽流感疫苗的鸡胚必须是活胚。然而，一些鸡胚在胚胎发育过程中死亡。这些死亡的胚胎需要及时剔除，否则会对疫苗质量产生不利影响。通常在病毒接种和病毒收获前照蛋，将死亡胚胎剔除。然而，照蛋需要大量的人力。工人们通过观察鸡蛋内表面的血管分布，气室的大小和鸡蛋的颜色来去除死亡胚胎。工人们往往承受着巨大的工作压力，长期光线检测容易产生视觉疲劳，导致检测效率低下，造成误检和漏检。鸡蛋胚胎成活性分类旨在准确快速地对成活胚胎和死亡胚胎进行分类。在过去的几十年中，已经出现了多种分类方法，具体包括：声共振检测法，超声成像检测法，热差异检测法，高光谱成像检测法和机器视觉检测法。在这些方法中，高光谱成像检测法和机器视觉检测法分别达到93％和97.78％的分类准确度。尽管这些方法取得了成功，但是声共振检测法和超声成像检测法容易对胚胎造成损害。热差检测法的检测过程非常慢，不能用于实时孵化蛋分类。大多数现有的非破坏性检测法是基于图像的方法，例如，高光谱成像检测法和机器视觉检测法。其分类结果受图像质量的影响。而图像质量很容易受到光源位置和相机朝向和胚蛋的放置角度的影响。由于疫苗生产环境的限制，往往不能得到高质量的图像。因此在实际应用中，基于图像的检测方法的分类效果通常不令人满意。技术实现要素：本发明针对现有技术中存在的分类结果容易受到图像质量的影响，并且效率不高的技术问题，提供基于fcn和gru的鸡蛋胚胎成活性分类方法，可从心跳信号中捕获更多有用信息并实现高准确率，且大大提高分类效率。为解决上述技术问题，本发明采用的技术方案是：基于fcn和gru的鸡蛋胚胎成活性分类方法，包括以下步骤：(1)采集心跳信号；动物的每次心跳都会引起小动脉血液含量的变化，导致动脉血液吸收的光量发生变化。通过测量胚胎血液吸收的红外光量来提取心跳信号；(2)在信号采集期间会不可避免地引入噪声。对数据进行降噪处理，以消除数据收集过程中的随机噪声或胚胎突然翻身的干扰。孵化期间鸡胚的心跳频率约为1-4hz。采用2阶巴特沃斯高通滤波器进行降噪，采样频率为fs＝62.5hz；(3)在孵化开始后的第9天将病毒注入鸡胚中，对鸡胚进行成活性检测；9日后的胚胎具有明显的心跳，其心跳信号易于被采集。采集四个时间段内的共50k个心跳信号样本。通过照蛋将所有胚胎分为成活胚胎和死亡胚胎两类；数据集中死亡与成活胚胎的比例约为3：7。将数据集分为训练集、验证集和测试集三部分，占比分别为40％，40％和20％；(4)建立fcn+模型，并通过该模型对鸡胚的心跳信号进行分类；(5)使用包括准确率(accuracy)、精准度(precision)、召回率(recall)、和f1得分(f1scores)在内的四个指标来评估模型。作为优选，步骤(1)中，使用近红外激光和传感器来采集心跳信号；将胚胎置于激光器和传感器之间，传感器接收透过胚蛋的光，经由前端芯片afe4490对信号进行处理放大并通过模数转换器转换成数字信号，然后通过spi将数据传输到单片机中。传感器采用的是光硅电池。激光光源采用的是808nm的近红外光源。实验中，对每个胚蛋以62.5hz的采样率采集8s的数据，经a/d转换后得到500个离散数据点作为一个胚蛋的心跳样本数据。作为优选，步骤(2)中，在降噪之后，每个样本的前150个点被移除，仅保留350个数据点。作为优选，步骤(3)中，成活性检测分四个阶段，分别为注射后的24h，48h，64h和88h。作为优选，步骤(4)中，模型包含两个模块，分别是fcn模块和gru模块，心跳信号同时输入到两个模块；通过使用连接层合并fcn模块和gru模块提取的特征，标签由softmax层产生。作为优选，fcn模块作为特征提取器，由时间卷积组成；基本卷积模块由卷积层、批量标准化层和relu激活层组成。作为优选，卷积操作由三个1-d内核完成，其大小为{8,5,3}；最终的fcn模块由三个基本卷积模块堆叠而成，卷积层的输出维度为{128,256,128}。批量归一化应用于每个卷积层以加快收敛速度，避免梯度消失和梯度弥散以提高泛化能力。在fcn模块之后使用全局平均池化层，而不是全连接层，这大大减少了所需的权重数量。作为优选，gru模块用于提取心跳信号的时间特征，基本的gru模块由门控循环单元层和丢失层组成；最终的gru模块由两个基本gru模块堆叠而成。作为优选，通过网格搜索在1到128个细胞间寻找最佳gru细胞数量。最终确定每层最佳gru细胞数为8。同样的，在gru模块之后使用全局平均池化层。作为优选，步骤(5)中，混淆矩阵允许可视化监督学习算法的性能；矩阵的每行代表样本的真实的类别，而每列代表模型预测的类别；混淆矩阵包含四个参数，这四个参数定义如下：其中tp代表真阳性的数量，即死胚被预测为的死胚；fp代表假阳性，即活胚胎被预测为死胚；tn代表真阴性，即活胚被预测为活胚；fn代表假阴性，即死胚被预测为活胚；accuracy是正确预测的所有样本的比例；精确度是预测为阳性的样本中真阳性的比例；召回是正确预测真阳性的与实际阳性的比例；f1scores是用来衡量分类模型精确度的一种指标；它同时兼顾了分类模型的准确率和召回率。f1scores用于综合评估模型的表现。与现有技术相比，本发明所具有的有益效果是：1.本发明利用鸡胚的心跳信号对鸡胚进行分类。使用胚胎有无心跳作为分类标准得到的分类结果非常准确。并且心跳信号是一种时间序列，避免了复杂图像处理。2.本发明可以对病毒接种后(9天)的四个不同时期(24小时，48小时，64小时，88小时)对孵化蛋进行分类，具备良好的泛化能力。且使用了gru子模块用来增强fcn的分类性能，且在所有四个评估指标上都取得了更好的效果。附图说明图1为本发明的模型结构示意图；图2a为本发明中未经高通滤波的心跳波形图；图2b为本发明中经过高通滤波的心跳波形图；图3为本发明中不同模型的混淆矩阵示意图；图4为本发明中模型的混淆矩阵示意图；图5为本发明中模型的混淆矩阵示意图。具体实施方式为使本领域技术人员更好的理解本发明的技术方案，下面结合附图和具体实施例对本发明作详细说明。本发明的实施例公开了基于fcn和gru的鸡蛋胚胎成活性分类方法，包括以下步骤：(1)采集心跳信号；动物的每次心跳都会引起小动脉血液含量的变化，导致动脉血液吸收的光量发生变化。通过测量胚胎血液吸收的红外光量来提取心跳信号；使用近红外激光和传感器来采集心跳信号；将胚胎置于激光器和传感器之间，传感器接收透过胚蛋的光，经由前端芯片afe4490对信号进行处理放大并通过模数转换器转换成数字信号，然后通过spi将数据传输到单片机中。传感器采用的是光硅电池。激光光源采用的是808nm的近红外光源。实验中，对每个胚蛋以62.5hz的采样率采集8s的数据，经a/d转换后得到500个离散数据点作为一个胚蛋的心跳样本数据。(2)在信号采集期间会不可避免地引入噪声。对数据进行降噪处理，以消除数据收集过程中的随机噪声或胚胎突然翻身的干扰。孵化期间鸡胚的心跳频率约为1-4hz。采用2阶巴特沃斯高通滤波器进行降噪，采样频率为fs＝62.5hz；在降噪之后，每个样本的前150个点被移除，仅保留350个数据点。(3)在孵化开始后的第9天将病毒注入鸡胚中，对鸡胚进行成活性检测；9日后的胚胎具有明显的心跳，其心跳信号易于被采集。采集四个时间段内的共50k个心跳信号样本。通过照蛋将所有胚胎分为成活胚胎和死亡胚胎两类；数据集中死亡与成活胚胎的比例约为3：7。将数据集分为训练集、验证集和测试集三部分，占比分别为40％，40％和20％；成活性检测分四个阶段，分别为注射后的24h，48h，64h和88h。如图2和表2所示。滤波后，成活胚胎和死亡胚胎信号在幅度和周期性方面的差异更加明显。成活胚胎信号变得更平滑，呈现出更加明显周期性，这与胚胎心脏的周期性跳动有关；死胚信号本身就是环境信号，滤波后变得更加杂乱无规律，更符合噪声特性。有利于提高分类的准确性。(4)建立fcn+模型，并通过该模型对鸡胚的心跳信号进行分类；模型包含两个模块，分别是fcn模块和gru模块，心跳信号同时输入到两个模块；通过使用连接层合并fcn模块和gru模块提取的特征，标签由softmax层产生。fcn模块作为特征提取器，由时间卷积组成；基本卷积模块由卷积层、批量标准化层和relu激活层组成。卷积操作由三个1-d内核完成，其大小为{8,5,3}；最终的fcn模块由三个基本卷积模块堆叠而成，卷积层的输出维度为{128,256,128}。批量归一化应用于每个卷积层以加快收敛速度，避免梯度消失和梯度弥散以提高泛化能力。在fcn模块之后使用全局平均池化层，而不是全连接层，这大大减少了所需的权重数量。gru模块用于提取心跳信号的时间特征，基本的gru模块由门控循环单元层和丢失层组成；最终的gru模块由两个基本gru模块堆叠而成。通过网格搜索在1到128个细胞间寻找最佳gru细胞数量。最终确定每层最佳gru细胞数为8。同样的，在gru模块之后使用全局平均池化层。如图1和表1所示。(5)使用包括准确率(accuracy)、精准度(precision)、召回率(recall)、和f1得分(f1scores)在内的四个指标来评估模型。混淆矩阵允许可视化监督学习算法的性能；矩阵的每行代表样本的真实的类别，而每列代表模型预测的类别；混淆矩阵包含四个参数，这四个参数定义如下：其中tp代表真阳性的数量，即死胚被预测为的死胚；fp代表假阳性，即活胚胎被预测为死胚；tn代表真阴性，即活胚被预测为活胚；fn代表假阴性，即死胚被预测为活胚；accuracy是正确预测的所有样本的比例；精确度是预测为阳性的样本中真阳性的比例；召回是正确预测真阳性的与实际阳性的比例；f1scores是用来衡量分类模型精确度的一种指标；它同时兼顾了分类模型的准确率和召回率。f1scores用于综合评估模型的表现。表1网络结构参数和网络结构layer012345typeinputtctctcgapgrunameinputconv1d_1conv1d_2conv1d_3gap_1gru_1connectto-01230filtercore-853--filtersize-128256128--activation-relurelurelu--bn-yyy--stride-nnn--pad-000--units-----8dropout-----0.8layer689101112typegrugapconcatfcsoftmaxoutputnamegru_2gap_2concatfcproboutputconnectto564&88910units8--2-activationtanh-----dropout0.8-----表2数据集样本分布表选择多个优秀的时间序列分类模型作为对比实验的基线，包括：(1)mlp，使用非线性激活函数(relu)来防止深层网络中的梯度饱和。基本的mlp通过堆叠三个全连接层实现。该结构遵循两个设计规则：1.通过选择隐藏单元的数量，使模型规模与本发明的模型大致相同(275026个参数)。2.在每个层的输入处使用dropout来对抗过拟合。最后，使用softmax层输出分类结果。(2)resnet，通过将每个残差块的输出与输入连接在一起，使梯度可以直接流到底层。resnet由三个残差块堆叠而成，每个残差块滤波器大小分别为{128,256,128}。然后，随后添加全局平均合并层和softmax层。每个残余块由三个卷积层组成，卷积核大小为{8，5，3}。然后是批量标准化层和relu层。足以作为合格的基线。(3)lstm是一种特殊的递归神经网络结构，是一种强大的序列模型。lstm已经成为了序列建模的首选。然而，研究表明，卷积架构在音频合成和机器翻译等序列建模任务上优于递归神经网络。设计一个纯粹的lstm网络作为基线。使用三个lstm层，每个lstm层后面都有一个dropout层。其设计原则与mlp相同。(4)gru具有与lstm类似的结构。然而研究表明，gru在一系列任务上的表现优于lstm。作为另一个强大的rnn架构，gru网络以类似lstm的方式设计。但是由于gru的细胞结构更紧凑，所以gru的隐藏细胞数量比lstm更多。为了比较公平地比较基线性能，需要为每个基线设置类似的超参数。而不同的基线通常需要设置不同的超参数才能提供良好的性能。选择为每个基线分别调整学习率和dropout等超参数。由于超参数空间很大，不可能被完全遍历。因此，使用随机搜索以获得基线最好的超参数。表3基线超参数设置训练时期的epoch设置为500，bitchsize设置为512。该模型通过adam优化器训练，初始学习率为1e-3和最终学习率为1e-4，β1＝0.9，β2＝0.999ε＝1e-8。所有gru和lstm都使用xavier初始化方法进行初始化。在gru或lstm层之后使用70％的高dropout以防止过拟合。如果在50个epoch内验证集准确率没有改善，将学习率减少至原来的本实施例比较了模型在500个epoch的分类表现。以下所有实验都重复三次，表3中列出的是平均后的结果。fcn设计不同的增强模块，包括lstm，gru和cnn。lstm模块的结构与gru模块类似。cnn增强模块由时间卷积层，批量标准化层[15]和relu激活层组成。卷积输出维度为64，卷积核大小为3。对比不同增强模块的分类性能。结果如图3和表4所示，从中可以发现：表4不同模型的分类结果(1)fcn+lstm和fcn+gru都比fcn在数据集上获得了更好结果。这是因为gru和lstm的模块的加入可以使帮助模型充分利用心跳信号的时间信息。表明rnn的加入可以提高fcn对鸡胚心跳信号的分类性能。(2)fcn+gru在测试集上表现最佳。与fcn相比，四个评估指标均有明显提高。而与fcn+lstm相比，fcn+gru具有更高的准确率，召回率和f1得分，这表明，比起lstm，gru可以更好地提取胚胎心跳信号的时间特征。特别地，召回率提高了0.36％。这表明fcn+gru可以更有效地对死胚胎进行分类，保证疫苗的质量。(3)除了精准度略有提升外，fcn+cnn在数据集上的表现甚至不如fcn。这表明cnn增强模块并不能帮助提高fcn分类精度。由于gru增强模块可以最大幅度地提高分类效果，因此将其用作以下实验中的默认增强模块。在数据集上对比本申请中的模型与其他基准，并提供进一步的分析。实验结果如图4和表5所示。从结果中可以观察到：表5mlp,fcn,resnetandfcn+的分类结果(1)与其他基线相比，所有的fcn+模型都取得了更好的效果。这表明fcn+这种结构适合对心跳信号进行分类。(2)纯粹的lstm和gru结构的模型在测试集上表现非常差。然而，resnet在所有四个评估指标上都取得了更好的结果。这种现象也出现在基线mlp和fcn上。它们都没有使用递归神经网络作为特征提取器。从实验结果上看，lstm和gru不能全面地提取心跳信号地特征。这表明在心跳信号分类任务上，非rnn架构是更好的选择。这也证实卷积架构在某些序列建模任务比递归神经网络表现更好。(3)特别的，lstm和gru的精准度较高，而召回率特别低，这表明，比起死胚，lstm和gru可以更擅长区分活胚。因为活胚的心跳信号是周期性的时间序列，而递归神经网络擅长提取信号时间上的相关性。而死胚的心跳信号实际上是是无规律的环境噪声。(4)resnet具有最深的网络结构，最多的权重，但分类表现却不是最好的。与其他基线相比，resnet容易出现过拟合。当数据集更大且更复杂时，使用resnet结构。而对本申请中的数据集来说，增加模型的规模并不是提高模型性能的最佳方法。为了证明gru增强模块是否也可以改善其他基线的分类表现，将其应用于其他基线。从表6和图5中，可以看到：表6增强模块表现(1)实验结果表明，并行gru模块可以略微提高mlp和resnet在测试集上的性能。这种结果表明，对于心跳信号分类来说，通过添加并行的gru模块的方式可以提高非递归网络架构的分类表现。使用gru块来增强心跳信号分类任务中的时间卷积性能。(2)与gru相比，gru+的性能没有得到显着提高，lstm+在数据集上的表现甚至比lstm还差。这是因为除了时间上的相关性，lstm和gru并不能有效地提取心跳信号的其他特征。而gru模块的加入并不能改变这种情况。本实施例中，提出了一种鸡蛋胚胎成活性分类的方法。该方法通过对鸡胚的心跳信号进行分类确定鸡胚的成活性。此外，提出了一种用于鸡胚心跳分类的新模型，该模型使用一个fcn模块和一个gru模块来提取特征。由于gru模块增加，本申请的模型可以充分利用胚胎心跳信号的时间信息，并且显著提高分类准确度。通过对比基础版本的fcn模型与拥有gru模块的增强版的fcn模型的准确率，发现gru模块的加入显著提高了fcn的分类准确率。此外，本申请的模型显着终优于作为对比的其他基线，并且还证明通过添加gru模块也可以改善其他基线的分类性能。以上通过实施例对本发明进行了详细说明，但所述内容仅为本发明的示例性实施例，不能被认为用于限定本发明的实施范围。本发明的保护范围由权利要求书限定。凡利用本发明所述的技术方案，或本领域的技术人员在本发明技术方案的启发下，在本发明的实质和保护范围内，设计出类似的技术方案而达到上述技术效果的，或者对申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖保护范围之内。应当注意，为了清楚的进行表述，本发明的说明中省略了部分与本发明的保护范围无直接明显的关联但本领域技术人员已知的部件和处理的表述。当前第1页1 2 3 

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除