[发明专利]一种基于深度学习的斑马鱼空间姿态与心脏位置估计方法

权利要求书

1.一种基于深度学习的斑马鱼空间姿态与心脏位置估计方法，其特征在于，所述方法包括：

获取斑马鱼幼鱼采样图像，建立斑马鱼的深度学习数据集；

建立多层卷积神经网络，用所述深度学习数据集对所述多层卷积神经网络进行训练优化，得到斑马鱼幼鱼的最优深度学习算法模型；

获取斑马鱼幼鱼待测图像并输入至所述最优深度学习算法模型，得到实时状态下的待测斑马鱼幼鱼的关键点坐标，关键点包括头、尾、双眼、身体凹陷点和鱼鳔；

根据各个所述关键点坐标确定所述待测斑马鱼幼鱼的心脏区域，通过帧差法检测所述心脏区域，根据所述待测斑马鱼幼鱼的心脏跳动检测出待测斑马鱼幼鱼心脏的准确位置。

2.根据权利要求1所述的基于深度学习的斑马鱼空间姿态与心脏位置估计方法，其特征在于，所述获取斑马鱼幼鱼采样图像，建立斑马鱼的深度学习数据集，包括：

使用MS-222对斑马鱼幼鱼进行麻醉处理，将麻醉后的斑马鱼幼鱼放在显微镜下，利用显微镜下的CCD相机进行拍摄得到所述斑马鱼幼鱼采样图像，并建立斑马鱼的深度学习数据集；使用labelme标注工具对所述斑马鱼幼鱼采样图像的各个关键点进行标注；将所有标注后的斑马鱼幼鱼采样图像随机划分为数据集对应的训练集以及测试集。

3.根据权利要求2所述的基于深度学习的斑马鱼空间姿态与心脏位置估计方法，其特征在于，所述用所述深度学习数据集对所述多层卷积神经网络进行训练优化，得到斑马鱼幼鱼的最优深度学习算法模型，包括：

训练采用pytorch进行开发，并采用NVIDIA GPU对训练进行加速，所述训练集训练完成后，用所述测试集对训练结果进行测试，通过调节学习率以及损失函数得出最优深度学习算法模型。

4.根据权利要求1所述的基于深度学习的斑马鱼空间姿态与心脏位置估计方法，其特征在于，所述多层卷积神经网络为CPM网络，所述CPM网络包括六个阶段，所述六个阶段顺次相连，则所述获取斑马鱼幼鱼待测图像并输入至所述最优深度学习算法模型，得到实时状态下的待测斑马鱼幼鱼的关键点，包括：

对所述斑马鱼幼鱼待测图像进行缩放得到尺寸变换后的斑马鱼幼鱼待测图像；所述尺寸变换后的斑马鱼幼鱼待测图像依次经过所述CPM网络的六个阶段后输出实时状态下的待测斑马鱼幼鱼的关键点；

其中，第一阶段包括依次相连的第一卷积网络、卷积核为1的卷积层以及所述卷积层输出的第一阶段置信图；

其余五个阶段的连接结构相同，均包括依次相连的卷积网络、连接层、倒残差层、卷积核为1的卷积层以及所述卷积层输出的对应阶段的置信图；所述尺寸变换后的斑马鱼幼鱼待测图像输入至第二阶段的所述卷积网络，所述第二阶段的卷积网络还分别连接其余四个阶段的所述卷积网络；上一阶段对应输出的置信图输入至下一阶段的所述连接层中，第六阶段输出的置信图作为最终输出，所述置信图的峰值点即为对应的关键点位置。

5.根据权利要求4所述的基于深度学习的斑马鱼空间姿态与心脏位置估计方法，其特征在于，所述尺寸变换后的斑马鱼幼鱼待测图像的尺寸为500*500、通道数为3；

所述卷积网络的数据尺寸为125*125、通道数为16；

所述倒残差层的数据尺寸为125*125，第二阶段的倒残差层的通道数为22，其余阶段的通道数为23；

各个阶段的置信图的尺寸为125*125、通道数为6，六个通道数分别代表六个所述关键点的预测。

6.根据权利要求4或5所述的基于深度学习的斑马鱼空间姿态与心脏位置估计方法，其特征在于，从第三阶段开始，还向各个所述连接层输入池化后的目标中心高斯响应图，原始目标中心高斯响应图的尺寸为500*500、通道数为1，将所述原始目标中心高斯响应图池化后得到池化后的目标中心高斯响应图的尺寸为125*125、通道数为1。