一种基于深度学习的恶性疟原虫数字化检测系统及检测方法与流程

1.本发明涉及控制领域，具体是一种基于深度学习的恶性疟原虫数字化检测系统及检测方法。


背景技术：

2.目前的疟原虫检测常采用分子生物学检测，而分子生物学检测会使用到等温扩增技术，而等温扩增技术其反应过程始终需要维持在恒定的温度，与pcr技术相比，其对仪器温度的精确度要求较高，因此如何对等温扩增过程中的温度进行精确控制，不受外界温度和系统本身的温度影响，是当下研究人员需要研究的课题。


技术实现要素：

3.本发明的目的在于克服现有技术的不足，提供一种基于深度学习的恶性疟原虫数字化检测方法，包括如下步骤：步骤一，采集检测系统启动时的环境温度，系统启动后，采集加热设备待机状态下的待机温度，获取加热设备待机温度与环境温度的偏差，若偏差在设定的偏差范围内，则加热设备待机正常，进入步骤二；否则，则对加热设备进行故障检测与排除；步骤二，对加热设备和自适应散热调节装置进行测试，设定恒温温度和恒温时长，首先获取环境温度与设定的标准温度的差值，若差值在差值阈值内，则无需对样品池进行预热，进入步骤三；若差值大于差值阈值，则需对样品池进行预热，进入步骤四；步骤三，将待加热测试样品放入样品池，通过加热设备对样品池进行加热，同时获取测试样品的温度上升率、加热测试样品至设定恒温温度的时长，当测试样品加热至设定恒温温度时同时启动自适应散热装置，使得测试样品的温度上升率为零，并维持设定的恒温时长，并获取恒温时长内温度波动；若时长与标准时长的偏差在设定的偏差范围内，且恒温时长内温度波动在设定的波动范围内，则加热设备和自适应散热调节装置满足加热和散热要求，进入步骤五；否则，分别调整加热设备和自适应散热调节装置的功率，使得加热测试样品至设定恒温温度的时长与标准时长的偏差在设定的偏差范围内，且恒温时长内温度波动在设定的波动范围内；步骤四，对样品池进行预热，预热至设定的标准温度，将待加热样品放入样品池，通过加热设备对样品池进行加热，同时获取测试样品的温度上升率、加热测试样品至设定恒温温度的时长，当测试样品加热至设定恒温温度时同时启动自适应散热装置，使得测试样品的温度上升率为零，并维持设定的恒温时长，并获取恒温时长内温度波动；若时长与标准时长的偏差在设定的偏差范围内，且恒温时长内温度波动在设定的波动范围内，则则加热设备和自适应散热调节装置满足加热和散热要求，进入步骤五；否则，分别调整加热设备和自适应散热调节装置的功率，使得时长与标准时长的偏差在设定的偏差
范围内，且恒温时长内温度波动在设定的波动范围内；步骤五，完成加热设备和自适应散热调节装置的联合调试后，对样品进行等温扩增，扩增完成后，获取dna荧光图像，并对包含有疟原虫dna特异条带的dna荧光图像进行标注，得到疟原虫dna荧光图像。
4.进一步的，所述的测试样品的温度上升率，采用如下公式：其中的为采集时长，为采集开始时测试样品的温度，为经过时长后的测试样品温度。
5.进一步的，还包括对自适应散热调节装置进行基础散热调试，包括如下过程：经过设定的测试时长，获取系统的空载温度，若空载温度与环境温度的差值在差值阈值内，则散热基础功率满足系统空载散热，若差值不在差值阈值内，则调整自适应散热调节装置基础散热功率，使系统空载温度与环境温度的差值在差值阈值内，完成基础散热调试。
6.进一步的，所述的恒温时长内温度波动，采用如下公式计算：。
7.进一步的，还包括根据疟原虫dna荧光图像建立智能识别平台，包括如下过程：步骤一，数据采集标注和数据库建立；采集dna荧光图像，并对包含有疟原虫dna特异条带的dna荧光图像进行标注，得到dna荧光图像集；步骤二，智能网络模型的设计和训练；建立智能图像识别模型，将得到的dna荧光图像集输入到智能图像识别模型，对智能图像识别模型进行训练，得到疟原虫dna智能识别模型；步骤三，智能网络模型测试和验证；将通过基于深度学习的恶性疟原虫数字化检测系统得到的疟原虫dna荧光图像和非疟原虫dna荧光图像，输入到疟原虫dna智能识别模型，若疟原虫dna智能识别模型识别出疟原虫dna荧光图像，则进入步骤四，否者，返回步骤二；步骤四，智能平台构建，基于训练得到的疟原虫dna智能识别模型建立智能平台，通过智能平台识别出上传的dna荧光图像中的包含有疟原虫dna特异条带的dna荧光图像。
8.应用所述的基于深度学习的恶性疟原虫数字化检测方法的基于深度学习的恶性疟原虫数字化检测系统，其特征在于，包括：数据处理模块、加热设备、自适应散热调节装置、预热控制装置、信息设定模块、故障检测与排除模块；所述的加加热设备、自适应散热调节装置、预热控制装置、信息设定模块、故障检测与排除模块分别与所述的数据处理模块连接；所述的信息设定模块用于设定等温扩增的等温温度、等温时长；所述的预热控制装置用于根据环境温度和标准温度，判断是否需要进行预热，并生成预热控制信息；所述的加热设备用与进行加热；所述的自适应散热调节装置，用于进行散热；
所述的故障检测与排除模块用于在系统启动时进行系统设备故障检测。
9.优选的，所述的信息设定模块包括等温时长设定模块、等温温度设定模块；所述的等温时长设定模块、等温温度设定模块分别与所述的数据处理模块连接。
10.优选的，所述的预热控制装置包括环境温度数据采集模块、预热判断模块；所述的环境温度数据采集模块、预热判断模块分别与所述的数据处理模块连接。
11.优选的，所述的加热设备包括加热模块控制装置、加热装置，所述的加热装置与所述的加热模块控制装置连接，所述的加热模块控制装置与所述的数据处理模块连接。
12.本发明的有益效果是： 通过本发明所提供的技术方案，可以在不同的环境条件下，对等温扩增过程中的温度进行精确控制。
附图说明
13.图1为一种基于深度学习的恶性疟原虫数字化检测方法的流程示意图；图2为基于深度学习的恶性疟原虫数字化检测系统的示意图。
具体实施方式
14.下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
15.为了使本发明的目的，技术方案及优点更加清楚明白，结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
16.因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
17.而且，术语“包括”，“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程，方法，物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程，方法，物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程，方法，物品或者设备中还存在另外的相同要素。
18.以下结合实施例对本发明的特征和性能作进一步的详细描述。
19.如图1所示，一种基于深度学习的恶性疟原虫数字化检测方法，其特征在于，包括如下步骤：步骤一，采集检测系统启动时的环境温度，系统启动后，采集加热设备待机状态下的待机温度，获取加热设备待机温度与环境温度的偏差，若偏差在设定的偏差范围内，则加热设备待机正常，进入步骤二；否则，则对加热设备进行故障检测与排除；步骤二，对加热设备和自适应散热调节装置进行测试，设定恒温温度和恒温时长，
首先获取环境温度与设定的标准温度的差值，若差值在差值阈值内，则无需对样品池进行预热，进入步骤三；若差值大于差值阈值，则需对样品池进行预热，进入步骤四；步骤三，将待加热测试样品放入样品池，通过加热设备对样品池进行加热，同时获取测试样品的温度上升率、加热测试样品至设定恒温温度的时长，当测试样品加热至设定恒温温度时同时启动自适应散热装置，使得测试样品的温度上升率为零，并维持设定的恒温时长，并获取恒温时长内温度波动；若时长与标准时长的偏差在设定的偏差范围内，且恒温时长内温度波动在设定的波动范围内，则加热设备和自适应散热调节装置满足加热和散热要求，进入步骤五；否则，分别调整加热设备和自适应散热调节装置的功率，通过调整加热设备的功率使得加热测试样品至设定恒温温度的时长与标准时长的偏差在设定的偏差范围内，且恒温时长内温度波动在设定的波动范围内；其中根据实时监测恒温时长内待加热测试样品的温度上升率，温度上升率大于零，则通过增大自适应散热调节装置的功率来使温度上升率等于零，温度上升率小于零，则通过减小自适应散热调节装置的功率来使温度上升率等于零；其中的标准时长为设定的将待加热样品从标准温度加热至恒温温度的时长，其中的标准温度为设定值。
20.步骤四，对样品池进行预热，预热至设定的标准温度，将待加热样品放入样品池，通过加热设备对样品池进行加热，同时获取测试样品的温度上升率、加热测试样品至设定恒温温度的时长，当测试样品加热至设定恒温温度时同时启动自适应散热装置，使得测试样品的温度上升率为零，并维持设定的恒温时长，并获取恒温时长内温度波动；若时长与标准时长的偏差在设定的偏差范围内，且恒温时长内温度波动在设定的波动范围内，则则加热设备和自适应散热调节装置满足加热和散热要求，进入步骤五；否则，分别调整加热设备和自适应散热调节装置的功率，使得时长与标准时长的偏差在设定的偏差范围内，且恒温时长内温度波动在设定的波动范围内；其中根据实时监测恒温时长内待加热测试样品的温度上升率，温度上升率大于零，则通过增大自适应散热调节装置的功率来使温度上升率等于零，温度上升率小于零，则通过减小自适应散热调节装置的功率来使温度上升率等于零；步骤五，完成加热设备和自适应散热调节装置的联合调试后，对样品进行等温扩增，扩增完成后，获取dna荧光图像，并对包含有疟原虫dna特异条带的dna荧光图像进行标注，得到疟原虫dna荧光图像。
21.所述的测试样品的温度上升率，采用如下公式：其中的为采集时长，为采集开始时测试样品的温度，为经过时长后的测试样品温度。
22.还包括对自适应散热调节装置进行基础散热调试，包括如下过程：经过设定的测试时长，获取系统的空载温度，若空载温度与环境温度的差值在差值阈值内，则散热基础功
率满足系统空载散热，若差值不在差值阈值内，则调整自适应散热调节装置基础散热功率，使系统空载温度与环境温度的差值在差值阈值内，完成基础散热调试。
23.所述的恒温时长内温度波动，采用如下公式计算：。
24.还包括根据疟原虫dna荧光图像建立智能识别平台，包括如下过程：步骤一，数据采集标注和数据库建立；采集dna荧光图像，并对包含有疟原虫dna特异条带的dna荧光图像进行标注，得到dna荧光图像集；步骤二，智能网络模型的设计和训练；建立智能图像识别模型，将得到的dna荧光图像集输入到智能图像识别模型，对智能图像识别模型进行训练，得到疟原虫dna智能识别模型；步骤三，智能网络模型测试和验证；将通过基于深度学习的恶性疟原虫数字化检测系统得到的疟原虫dna荧光图像和非疟原虫dna荧光图像，输入到疟原虫dna智能识别模型，若疟原虫dna智能识别模型识别出疟原虫dna荧光图像，则进入步骤四，否者，返回步骤二；步骤四，智能平台构建，基于训练得到的疟原虫dna智能识别模型建立智能平台，通过智能平台识别出上传的dna荧光图像中的包含有疟原虫dna特异条带的dna荧光图像。
25.应用所述的基于深度学习的恶性疟原虫数字化检测方法的基于深度学习的恶性疟原虫数字化检测系统，包括：数据处理模块、加热设备、自适应散热调节装置、预热控制装置、信息设定模块、故障检测与排除模块；所述的加加热设备、自适应散热调节装置、预热控制装置、信息设定模块、故障检测与排除模块分别与所述的数据处理模块连接；所述的信息设定模块用于设定等温扩增的等温温度、等温时长；所述的预热控制装置用于根据环境温度和标准温度，判断是否需要进行预热，并生成预热控制信息；所述的加热设备用与进行加热；所述的自适应散热调节装置，用于进行散热；所述的故障检测与排除模块用于在系统启动时进行系统设备故障检测。
26.所述的信息设定模块包括等温时长设定模块、等温温度设定模块；所述的等温时长设定模块、等温温度设定模块分别与所述的数据处理模块连接。
27.所述的预热控制装置包括环境温度数据采集模块、预热判断模块；所述的环境温度数据采集模块、预热判断模块分别与所述的数据处理模块连接。
28.所述的加热设备包括加热模块控制装置、加热装置，所述的加热装置与所述的加热模块控制装置连接，所述的加热模块控制装置与所述的数据处理模块连接。