【技术实现步骤摘要】
本专利技术涉及生物监测，特别地涉及一种基于深度学习的鱼类胚胎健康监测系统和方法。
技术介绍
1、斑马鱼(danio rerio)作为一种常用的实验动物模型，被广泛应用于生物医学研究领域，包括发育生物学、遗传学、药物筛选等多个方面。其迅速发展的胚胎和可观察的透明化特性，使其成为科学家研究的理想对象之一。然而，尽管鱼类在研究中的应用前景广阔，但其胚胎在早期发育阶段却面临着严重的生存挑战。
2、在实验室环境中，鱼类胚胎通常在孵化盒中进行孵化。这些孵化盒提供了受控的环境，有助于模拟自然环境并促进胚胎的正常发育。然而，胚胎的孵化过程并不总是顺利的，它们经常受到来自环境的各种压力和威胁，如水质的变化、微生物的感染等。特别是在早期发育阶段，胚胎的免疫系统尚未完全发育，容易受到外界环境的影响，导致发生胚胎死亡。胚胎死亡不仅影响实验结果的准确性和可重复性，还可能对实验过程产生连锁影响。一旦胚胎开始死亡，其周围的健康胚胎也可能受到波及，进而导致更多的胚胎死亡，最终可能导致鱼类胚胎的大量死亡。这种连锁效应可能会使实验结果变得不可靠，并影响研究人员对特定生物学过程的理解。因此，及时清理死亡胚胎对于保障实验的顺利进行和结果的准确性至关重要。
3、cn109329139a《一种鱼类鱼卵孵化装置》提及了类似鱼卵孵化装置，虽然该鱼类鱼卵孵化装置提供了一定的水质控制和加热功能，但仍然存在着对鱼类胚胎健康状况缺乏实时监测和诊断、无法及时清理坏死胚胎以及缺乏预警机制等方面的不足之处。该装置的缺点具体详述如下：(1)缺乏实时监测功能：该孵化装置
4、传统的鱼类胚胎人工监测方法存在一些局限性，主要包括人力资源消耗大、时间成本高、准确性低等问题。由于研究人员无法二十四小时全程监测鱼类胚胎的孵化过程，往往会导致死亡胚胎的延误清理，进而影响实验结果的准确性和可靠性。因此，急需一种能够实时监测鱼类胚胎健康状况并提供预警的系统，以解决传统方法在存在的技术问题，保障实验结果的准确性和可重复性。
技术实现思路
1、有鉴于此，本专利技术提出一种基于深度学习的鱼类胚胎健康监测系统和方法，以克服现有技术的技术缺陷。
2、本专利技术第一方面提出一种基于深度学习的鱼类胚胎健康监测系统，包括：图像采集模块、控制模块、监控报警模块、数据存储模块和用户交互模块，所述控制模块分别与所述图像采集模块、所述监控报警模块和所述数据存储模块连接，所述用户交互模块分别与所述控制模块和所述数据存储模块连接，其中：所述图像采集模块用于获取鱼类孵育盒内的图像信息，并将所述图像信息传输至所述控制模块；所述控制模块用于将所述图像信息进行预处理得到预处理结果，然后根据所述预处理结果判断鱼类胚胎是否健康，若判断结果为否则对所述预处理结果进行鱼类坏死胚胎图像分割，得到图像分割结果；所述监控报警模块用于根据所述图像分割结果发出警报信息；所述存储模块用于存储数据信息，所述数据信息包括所述图像信息、所述预处理结果、所述判断结果和所述图像分割结果；所述用户交互模块用于实现用户交互。
3、可选地，所述控制模块包括：图像预处理单元、训练模型算法单元、resnet34鱼类胚胎健康判定单元和unet鱼类坏死胚胎图像分割单元，其中：所述图像预处理单元用于对所述图像信息进行预处理，得到预处理结果；训练模型算法单元用于根据预先提供的训练样本库训练改进resnet34神经网络架构以得到resnet34鱼类胚胎健康判断模型，以及训练改进unet图像分割架构以得到unet鱼类坏死胚胎图像分割模型，所述训练样本库中的每条训练数据包括鱼类胚胎图片、对应的健康状态属性和对应的坏死胚胎标记信息；所述resnet34鱼类胚胎健康判定单元用于采用所述resnet34鱼类胚胎健康判断模型对所述预处理结果进行判断分析，得到所述判断结果；所述unet鱼类坏死胚胎图像分割单元用于采用所述unet鱼类坏死胚胎图像分割模型对判断结果为否的所述预处理结果进行图像分割，得到所述图像分割结果。
4、可选地，所述图像采集模块包括多个摄像头，每个所述摄像头安装在鱼类胚胎孵育盒上端并覆盖孵育盒内各区域。
5、可选地，所述监控报警模块包括多个声光报警装置，每个声光报警装置安装在鱼类孵化室周围区域。
6、可选地，所述用户交互模块包括本地交互设备和远程交互设备，其中所述远程交互设备包括web端和移动端。
7、本专利技术第二方面提出一种基于深度学习的鱼类胚胎健康监测方法，应用基于深度学习的鱼类胚胎健康监测系统，该方法包括：所述图像采集模块获取鱼类孵育盒内的图像信息，并将所述图像信息传输至所述控制模块；所述控制模块将所述图像信息进行预处理得到预处理结果，然后根据所述预处理结果判断鱼类胚胎是否健康，若判断结果为否则对所述预处理结果进行鱼类坏死胚胎图像分割，得到图像分割结果；所述报警模块根据所述图像分割结果发出警报信息；所述存储模块存储数据信息，所述数据信息包括所述图像信息、所述预处理结果、所述判断结果和所述图像分割结果；所述用户交互模块实现用户交互。
8、可选地，所述控制模块将所述图像信息进行预处理得到预处理结果，然后根据所述预处理结果判断鱼类胚胎是否健康，若判断结果为否则对所述预处理结果进行鱼类坏死胚胎图像分割，并将图像分割结果发送至所述监控报警模块的步骤包括：对所述图像信息进行预处理，得到预处理结果；根据预先提供的训练样本库训练改进resnet34神经网络架构以得到resnet34鱼类胚胎健康判断模型，以及训练改进unet图像分割架构以得到unet鱼类坏死胚胎图像分割模型，所述训练样本库中的每条训练数据包括鱼类胚胎图片、对应的健康状态属性和对应的坏死胚胎标记信息；采用所述resnet34鱼类胚胎健康判断模型对所述预处理结果进行判断分析，得到所述判断结果；采用所述unet鱼类坏死胚胎图像分割模型对判断结果为否的所述预处理结果进行图像分割，得到所述图像分割结果。
9、可选地，所述图像采集模块获取鱼类孵育盒内的图像信息的步骤包括：利用多个摄像头获取鱼类孵育盒内的图像信息，每个所述摄像头安装在鱼类胚胎孵育盒上端并覆盖孵育盒内各区域。
10、可选地，所述报警模块根本文档来自技高网...
【技术保护点】
1.一种基于深度学习的鱼类胚胎健康监测系统，其特征在于，包括：图像采集模块、控制模块、监控报警模块、数据存储模块和用户交互模块，所述控制模块分别与所述图像采集模块、所述监控报警模块和所述数据存储模块连接，所述用户交互模块分别与所述控制模块和所述数据存储模块连接，其中：
2.根据权利要求1所述的基于深度学习的鱼类胚胎健康监测系统，其特征在于，所述控制模块包括：图像预处理单元、训练模型算法单元、Resnet34鱼类胚胎健康判定单元和Unet鱼类坏死胚胎图像分割单元，其中：
3.根据权利要求1所述的基于深度学习的鱼类胚胎健康监测系统，其特征在于，所述图像采集模块包括多个摄像头，每个所述摄像头安装在鱼类胚胎孵育盒上端并覆盖孵育盒内各区域。
4.根据权利要求1所述的基于深度学习的鱼类胚胎健康监测系统，其特征在于，所述监控报警模块包括多个声光报警装置，每个声光报警装置安装在鱼类孵化室周围区域。
5.根据权利要求1所述的基于深度学习的鱼类胚胎健康监测系统，其特征在于，所述用户交互模块包括本地交互设备和远程交互设备，其中所述远程交互设备包括WEB端
6.一种基于深度学习的鱼类胚胎健康监测方法，其特征在于，应用权利要求1至5中任一项所述的基于深度学习的鱼类胚胎健康监测系统，该方法包括：
7.根据权利要求6所述的基于深度学习的鱼类胚胎健康监测方法，其特征在于，所述控制模块将所述图像信息进行预处理得到预处理结果，然后根据所述预处理结果判断鱼类胚胎是否健康，若判断结果为否则对所述预处理结果进行鱼类坏死胚胎图像分割，并将图像分割结果发送至所述监控报警模块的步骤包括：
8.根据权利要求6所述的基于深度学习的鱼类胚胎健康监测方法，其特征在于，所述图像采集模块获取鱼类孵育盒内的图像信息的步骤包括：利用多个摄像头获取鱼类孵育盒内的图像信息，每个所述摄像头安装在鱼类胚胎孵育盒上端并覆盖孵育盒内各区域。
9.根据权利要求6所述的基于深度学习的鱼类胚胎健康监测方法，其特征在于，所述报警模块根据所述图像分割结果发出警报信息的步骤包括：利用多个声光报警装置根据所述图像分割结果发出警报信息，每个声光报警装置安装在鱼类孵化室周围区域。
10.根据权利要求6所述的基于深度学习的鱼类胚胎健康监测系统，其特征在于，所述用户交互模块实现用户交互的步骤包括：利用本地交互设备和远程交互设备实现用户交互，其中所述远程交互设备包括WEB端和移动端。
...【技术特征摘要】
1.一种基于深度学习的鱼类胚胎健康监测系统，其特征在于，包括：图像采集模块、控制模块、监控报警模块、数据存储模块和用户交互模块，所述控制模块分别与所述图像采集模块、所述监控报警模块和所述数据存储模块连接，所述用户交互模块分别与所述控制模块和所述数据存储模块连接，其中：
2.根据权利要求1所述的基于深度学习的鱼类胚胎健康监测系统，其特征在于，所述控制模块包括：图像预处理单元、训练模型算法单元、resnet34鱼类胚胎健康判定单元和unet鱼类坏死胚胎图像分割单元，其中：
3.根据权利要求1所述的基于深度学习的鱼类胚胎健康监测系统，其特征在于，所述图像采集模块包括多个摄像头，每个所述摄像头安装在鱼类胚胎孵育盒上端并覆盖孵育盒内各区域。
4.根据权利要求1所述的基于深度学习的鱼类胚胎健康监测系统，其特征在于，所述监控报警模块包括多个声光报警装置，每个声光报警装置安装在鱼类孵化室周围区域。
5.根据权利要求1所述的基于深度学习的鱼类胚胎健康监测系统，其特征在于，所述用户交互模块包括本地交互设备和远程交互设备，其中所述远程交互设备包括web端和移动端。
6.一种基于深度学习的鱼类胚胎健康监测方法，其特征在...
【专利技术属性】
技术研发人员：庄友源，李丹丹，陈茹茹，侯立杰，
申请(专利权)人：温州医科大学附属眼视光医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。