[发明专利]一种基于卷积神经网络模型的流感毒株蛋胚成活性检测方法

权利要求书

1.一种基于卷积神经网络模型的流感毒株蛋胚成活性检测方法，其特征在于：包括如下步骤：S1，采集胚胎图像；

S2，对所述胚胎图像进行预处理，获得处理后胚胎图像；

S3，构建并训练卷积神经网络模型；其中：所述卷积神经网络模型包括预训练网络结构、多层卷积网络结构、全连接层Fc1、全连接层Fc2和全连接层Fc3；所述多层卷积网络结构内设置有至少一个卷积层和至少一个池化层,所述预训练网络结构与多层卷积网络结构并联设置，所述多层卷积网络结构参数与所述预训练网络结构参数相互独立；所述预训练网络结构中输出的特征向量与所述多层卷积网络结构中输出的特征向量相连接，将所述预训练网络结构中输出的特征向量与所述多层卷积网络结构中输出的特征向量按照1:1的比例进行拼接，将拼接后的特征向量输出到所述全连接层Fc1中；全连接层Fc1、全连接层Fc2和全连接层Fc3依次设置；

S4，将所述处理后胚胎图像输入至训练好的所述卷积神经网络模型进行判别，通过特征可视化观察预训练网络结构与多层卷积网络结构中每一层的特征学习变化。

2.根据权利要求1所述基于卷积神经网络模型的流感毒株蛋胚成活性检测方法，其特征在于：步骤S2中，对所述胚胎图像进行预处理包括：选取阈值对所述胚胎图像进行二值化处理得到胚胎二值图像，提取所述胚胎二值图像中感兴趣区域，再对所述感兴趣区域进行归一化处理。

3.根据权利要求2所述基于卷积神经网络模型的流感毒株蛋胚成活性检测方法，其特征在于：所述阈值的取值范围为20-40。

4.根据权利要求1所述基于卷积神经网络模型的流感毒株蛋胚成活性检测方法，其特征在于：步骤S3中，所述预训练网络结构依次设置有卷积层Conv1、池化层Pool1、卷积层Conv2、池化层Pool2、卷积层Conv3、卷积层Conv4、卷积层Conv5和池化层Pool5，所述卷积层Conv1、卷积层Conv2、卷积层Conv3、卷积层Conv4和卷积层Conv5中的卷积核的大小分别为11*11、5*5、3*3、3*3、3*3，且步长分别为4、1、1、1、1。

5.根据权利要求4所述基于卷积神经网络模型的流感毒株蛋胚成活性检测方法，其特征在于：步骤S3中，所述多层卷积网络依次设置有卷积层Conv1_1、卷积层Conv2_1、池化层Pool2_1、卷积层Conv3_1、池化层Pool3_1、卷积层Conv4_1、池化层Pool4_1、卷积层Conv5_1、池化层Pool5_1和卷积层Conv6_1，所述卷积层Conv1_1、卷积层Conv2_1、卷积层Conv3_1、卷积层Conv4_1、卷积层Conv5_1、和卷积层Conv6_1中的卷积核的大小分别为7*7、7*7、2*2、2*2、2*2、2*2,步长均设为1；所述池化层Pool2_1、池化层Pool3_1、池化层Pool4_1和池化层Pool5_1均采用核大小为2*2，步长为2的最大值池化的池化方法。

6.根据权利要求5所述基于卷积神经网络模型的流感毒株蛋胚成活性检测方法，其特征在于：步骤S3中，在所述卷积神经网络模型中还设置有激活函数进行激活操作，对所述卷积神经网络模型进行局部响应归一处理，对所述卷积神经网络模型进行防过拟合操作。

7.根据权利要求1所述基于卷积神经网络模型的流感毒株蛋胚成活性检测方法，其特征在于：步骤S3中，所述训练所述卷积神经网络模型包括前向传播与反向传播两个过程，利用梯度下降法对权重和偏置进行更新。