基于深度学习的亚纳米实时漂移校正混合场景指纹识别方法及系统
本发明涉及超分辨显微成像,具体为一种基于深度学习的亚纳米实时漂移校正混合场景指纹识别方法及系统,特别是针对调制照明定位显微镜中亚纳米实时漂移校正(srdc)数据的采集场景识别。
背景技术:
1、超分辨显微成像技术已突破光学衍射极限,将成像分辨率推进至纳米级别,其中调制照明定位显微镜因其优异的成像性能而备受关注。在该技术中,亚纳米实时漂移校正(sub-nanometer real-time drift correction, srdc)模块是保障高精度成像性能的核心硬件支撑。srdc模块能够实时监测并补偿由环境扰动、设备振动、热漂移等因素引起的样品位置偏移,是获得高质量超分辨图像的前提。
2、然而,实验室环境中的干扰因素复杂多变,包括人员走动引发的振动、气流及设备运行产生的长期小振幅振动、实验台置物或轻微移动带来的随机扰动等。这些不同来源的干扰会在srdc数据中留下独特的“指纹”特征。现有数据处理方法无法快速、准确地识别srdc数据的采集场景,导致以下问题长期存在:
3、第一,不同场景下的漂移特性差异显著,单一固定的漂移校正参数难以在所有场景下保持最优性能,影响超分辨图像的最终质量。
4、第二,在出现成像质量异常时,无法追溯该异常是由何种环境干扰引起,缺乏数据溯源的可靠手段。
5、第三,随着超分辨显微镜从专业光学实验室走向多学科交叉的生物医学实验室,使用环境更加复杂多样,场景识别能力的缺失严重限制了该先进成像技术的实用化推广。
6、因此,亟需一种能够自动识别srdc数据采集场景的方法和系统,实现对未知srdc数据的场景溯源,为后续自适应漂移校正、实验质量评估提供关键支撑。
技术实现思路
1、本发明针对现有技术的不足,提出了一种基于深度学习的亚纳米实时漂移校正混合场景指纹识别方法及系统。
2、第一方面,本发明提供了基于深度学习的亚纳米实时漂移校正混合场景指纹识别方法,该方法包括以下步骤:
3、s1. 采集不同预设实验场景下的亚纳米实时漂移校正srdc数据;所述预设实验场景包括单一场景和混合场景,所述单一场景至少包括人员走动场景、实验台撞击场景、实验台置物或移动场景中的一种或多种,所述混合场景为两种或两种以上单一场景的组合;
4、s2. 对采集到的srdc数据进行预处理,生成时间序列样本;所述预处理包括重采样至统一频率、滑动窗口切分以及数据增强;
5、s3. 构建并训练深度学习模型,所述深度学习模型包括多标签分类器,用于对输入srdc数据进行多标签分类;所述深度学习模型采用一维卷积神经网络与长短期记忆网络混合架构,所述多标签分类器的输出层采用sigmoid激活函数;
6、s4. 将待识别的srdc数据输入训练后的深度学习模型,输出该srdc数据对应的一个或多个场景类别标签。
7、进一步,步骤s1中所述srdc数据为调制照明定位显微镜中亚纳米实时漂移校正模块输出的三维漂移校正时序数据。
8、进一步,步骤s2中所述滑动窗口切分的窗口长度对应20秒时序数据,步长对应5秒时序数据,所述数据增强包括添加高斯噪声、时间轴扭曲、幅度缩放中的一种或多种。
9、进一步,步骤s3中所述深度学习模型还包括异常检测模块;所述异常检测模块用于判断输入srdc数据是否属于未知场景,当判定为未知场景时,输出未知场景提示信息。
10、进一步,所述异常检测模块采用深度自编码器网络,未知场景的判断依据为:计算待识别srdc数据的重构误差,当所述重构误差超过预设阈值时,判定为未知场景。
11、进一步,所述预设阈值根据稳定场景验证样本重构误差的95%分位数确定。
12、进一步,步骤s3中所述一维卷积神经网络与长短期记忆网络混合架构包括:输入层、第一一维卷积层、第一最大池化层、第二一维卷积层、第二最大池化层、长短期记忆网络层、dropout层、全连接层以及输出层。
13、进一步,所述输入层的时间步长为200,通道数为3,分别对应srdc数据的三维漂移校正量x(t)、y(t)、z(t);所述第一一维卷积层的滤波器数为32,核大小为5;所述第二一维卷积层的滤波器数为64,核大小为3;所述长短期记忆网络层的单元数为128;所述dropout层的丢弃率为0.5;所述全连接层的单元数为64;所述输出层的单元数为5。
14、进一步,步骤s4中,所述待识别的srdc数据经预处理后同时送入所述多标签分类器和异常检测模块;所述多标签分类器输出当前样本对应的场景类别标签,所述异常检测模块计算重构误差并在超过预设阈值时输出未知场景提示信息。
15、第二方面,本发明提供了基于深度学习的亚纳米实时漂移校正混合场景指纹识别系统,包括:
16、数据采集模块,用于采集不同预设实验场景下的亚纳米实时漂移校正srdc数据;所述预设实验场景包括单一场景和混合场景,所述单一场景至少包括人员走动场景、实验台撞击场景、实验台置物或移动场景中的一种或多种,所述混合场景为两种或两种以上单一场景的组合;
17、数据预处理模块,与所述数据采集模块连接,用于对采集到的srdc数据进行预处理,生成时间序列样本;所述预处理包括重采样至统一频率、滑动窗口切分以及数据增强;
18、深度学习模型模块,与所述数据预处理模块连接,包括多标签分类器,配置为对输入srdc数据进行多标签分类;所述深度学习模型采用一维卷积神经网络与长短期记忆网络混合架构,所述多标签分类器的输出层采用sigmoid激活函数;
19、场景输出模块,与所述深度学习模型模块连接,用于输出srdc数据对应的采集场景识别结果,所述识别结果包括一个或多个场景类别标签。
20、本发明相较于现有技术,存在如下的有益效果:
21、1)现有技术仅能对单一、预设的干扰场景进行简单分类,无法处理现实中多干扰源叠加的复杂情况。本发明通过多标签分类深度学习模型,首次实现了对混合场景(如人员走动与撞击扰动同时发生)的准确识别。本发明还引入基于深度自编码器的异常检测模块,能够识别未在训练集中出现的新型干扰场景,避免将未知场景错误归类,显著提升了系统的鲁棒性和实用安全性。
22、2)相比于传统方法需要人工设计特征参数(如标准差、功率谱密度等),本发明采用深度学习模型直接从原始srdc时序数据中自动学习区分性特征,减少了人工干预,提高了识别的客观性和泛化能力。
23、3)本发明为srdc数据提供了可追溯的场景“指纹”标识,使用户能够快速判断实验数据的质量来源,为后续自适应漂移校正、实验重复性验证提供关键技术支撑,有力推动了调制照明定位显微镜在复杂生物医学实验室环境中的实际应用。
1.基于深度学习的亚纳米实时漂移校正混合场景指纹识别方法,其特征在于该方法包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,步骤s1中所述srdc数据为调制照明定位显微镜中亚纳米实时漂移校正模块输出的三维漂移校正时序数据。
3.根据权利要求1或2所述的方法,其特征在于,步骤s2中所述滑动窗口切分的窗口长度对应20秒时序数据,步长对应5秒时序数据,所述数据增强包括添加高斯噪声、时间轴扭曲、幅度缩放中的一种或多种。
4.根据权利要求1所述的方法,其特征在于,步骤s3中所述深度学习模型还包括异常检测模块;所述异常检测模块用于判断输入srdc数据是否属于未知场景,当判定为未知场景时,输出未知场景提示信息。
5.根据权利要求4所述的方法,其特征在于,所述异常检测模块采用深度自编码器网络,未知场景的判断依据为:计算待识别srdc数据的重构误差,当所述重构误差超过预设阈值时,判定为未知场景。
6.根据权利要求5所述的方法,其特征在于,所述预设阈值根据稳定场景验证样本重构误差的95%分位数确定。
7.根据权利要求4至6中任一项所述的方法,其特征在于,步骤s3中所述一维卷积神经网络与长短期记忆网络混合架构包括:输入层、第一一维卷积层、第一最大池化层、第二一维卷积层、第二最大池化层、长短期记忆网络层、dropout层、全连接层以及输出层。
8.根据权利要求7所述的方法,其特征在于,所述输入层的时间步长为200,通道数为3,分别对应srdc数据的三维漂移校正量x(t)、y(t)、z(t);所述第一一维卷积层的滤波器数为32,核大小为5;所述第二一维卷积层的滤波器数为64,核大小为3;所述长短期记忆网络层的单元数为128;所述dropout层的丢弃率为0.5;所述全连接层的单元数为64;所述输出层的单元数为5。
9.根据权利要求1所述的方法,其特征在于,步骤s4中,所述待识别的srdc数据经预处理后同时送入所述多标签分类器和异常检测模块;所述多标签分类器输出当前样本对应的场景类别标签,所述异常检测模块计算重构误差并在超过预设阈值时输出未知场景提示信息。
10.基于深度学习的亚纳米实时漂移校正混合场景指纹识别系统,其特征在于,包括:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com