[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

说明书

本发明提供一种卷积神经网络模型及其用于流感毒株蛋胚成活性检测方法，卷积神经网络模型包括预训练网络结构和多层卷积网络结构,预训练网络结构与多层卷积网络结构并联设置，多层卷积网络结构与预训练网络结构参数相互独立；检测方法包括以下步骤：采集胚胎图像；对胚胎图像进行预处理，获得处理后胚胎图像；训练卷积神经网络模型；将处理后胚胎图像输入至卷积神经网络模型进行判别。本发明的有益效果是有效的解决了胚胎图像特征不明显、特征提取难度大等问题，提高了准确性，可以满足鸡蛋胚胎成活性检测的需要，采用双分支网络结构的卷积神经网络模型提高了模型泛化能力，增强了整个模型的健壮性，并且具有效率高、处理过程简单等优点。

技术领域

本发明属于卷积神经网络模型构建技术领域，尤其是涉及一种卷积神经网络模型及其用于流感毒株蛋胚成活性检测方法。

背景技术

目前流感疫苗的制备通常采用在鸡蛋胚胎中培养病毒的方式，首先将毒株接种到鸡蛋胚胎中，再将鸡蛋毒株胚胎放入密闭、无菌、恒温的孵化室中，毒株在其中培养复制，经冷却，从中提取出足够的病毒液，在病毒采集过程中，如果混入坏死鸡蛋毒株胚胎，则同一批次采集到的病毒均会被污染，因此，病毒采集前的鸡蛋毒株胚胎成活性检测至关重要。据了解，现有鸡蛋胚胎成活性检测采用以下方法和技术：

1、人工照蛋方检测，通过人眼判断鸡蛋胚胎血管来检测鸡蛋胚胎的成活性，但人眼检测的方法易受主观因素干扰，并且存在检测效率和准确性低等缺点，容易出现误检与漏检，难以满足现代胚胎检测与分类产业的高标准要求。

2、近红外高光谱成像检技术，利用Gabor滤波器提取高光谱图像中MS光谱传输特性ROI的纹理信息，并利用PCA降维，然后将这些信息通过k-均值聚类的方法，结合光谱传输特性前三阶最大响应。通过构建高光谱图像采集系统研究在400-1000nm波长范围的种蛋高光谱透射图像，并利用独立分量和主成分分析，构建了LVQ神经网络判别模型。此技术利用高光谱成像系统设备昂贵，采集的数据量大，检测时间较长，并不适用于胚胎成活性的在线检测。

3、机器视觉技术，通过机器视觉系统采集胚蛋图像，对采集的图像进行多尺度形态学滤波实现图像增强效果以检测图像谷带特征，然后运用基于直方图WFCM局部自适应二值化方法提取胚蛋中的血丝作为胚蛋成活性特征参数，最后通过识别单像素宽度的血丝数量来判断胚蛋的成活性。也可以利用机器视觉中SUSAN算法对散斑噪声进行检测和消除，并用最近邻法根据鸡蛋图像特征参数进行分类。利用最小二乘滤波对鸡蛋图像进行模糊复原，并根据鸡蛋颜色差异，提取图像分量作为特征参数，设置分量阈值对鸡蛋进行分类。但机器视觉技术需要用大量的图像处理技术，处理过程过于复杂，特征提取难度较大，分类结果很容易受图像质量和个体间差异的影响且很少能实现多分类。而且这种方法对胚蛋图像的品质要求较高，否则图像噪声会对血丝数量噪声干扰影响最终的判定结果。

4、多源信息融合技术，是利用计算机技术对来自多传感器探测的多源信息按一定规则进行自动分析和综合后自动生成人们所期望的合成信息的信息处理技术。可以结合胚蛋的温度、重量、图像特征等进行处理，综合利用多种信息。但多信息融合技术实现难度较高，对硬件设备要求较高。

发明内容

本发明的目的在于克服现有技术的缺点，提供一种卷积神经网络模型及其用于流感毒株蛋胚成活性检测方法，能够有效的解决了胚胎图像特征不明显、特征提取难度大等问题，提高准确性。

为解决上述技术问题，本发明采用的技术方案是：一种卷积神经网络模型，包括预训练网络结构和多层卷积网络结构,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所述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。