花粉监测方法及其装置与流程
本发明涉及环境监测技术领域，尤其是花粉监测方法及其装置。
背景技术：
当前传统采集方法主要采用重力沉降法采集花粉，然后以人工镜检法进行花粉分类和统计计数。所谓人工镜检法就是有经验的观测员逐行认真观察生物光学显微镜下400倍放大后的花粉样片，人工分辨花粉粒子种类，人工统计不同花粉的个数及花粉总数。人工镜检法主要存在以下几个缺点：
1)观测员的劳动量太大，容易造成身体疲劳，从而降低监测的准确度；
2)对监测员的观测技术要求较高，需要长期不断的技术培训，才能够准确的掌握不同花粉粒子的显微形态特征，从而正确识别花粉，一旦碰到人员调动，就必须重新培训新的观测员。花费的人力物力较大；
3)监测结果受人为因素影响，不同观测员得出的观测结果差别会较大；
4)在花粉传播高峰期，人工分辨时间会加长，容易导致观测员眼部疲劳从而影响花粉计数工作效率。
除此以外，镜检法所做样本保质期较短，这样导致样本无法保存，如数据丢失则无法重新对样本重新计数。另外也导致样本无法多次计数以预防计数错误等问题。由于技术上有以上几个缺点，使得当前人工镜检法监测分析效率不高，且难以保证其监测的准确率。另外，由于是人工监测，不具备在线能力，花粉散播高峰期的数据发布出来时离高峰期至少有24小时的误差，没有办法即时预报，提醒人们提前预防。
技术实现要素：
针对现有技术的不足，本发明提供一种花粉的监测方法，另外还提供可用于这种监测方法的监测装置。
本发明的技术方案为：
花粉监测方法，包括以下步骤：
1)空气采样；
2)根据尺寸大小分离空气中的颗粒；
3)将采样的颗粒固定在载玻片上；
4)采样颗粒显微镜成像；
5)图像分析(包括分类和计数)；
6)存储已处理的载玻片(包含已分析的颗粒)；
7)进行下一轮采样，根据设定的时间间隔将分析结果传输至服务器。
进一步地，所述步骤1中，使用虚拟撞击器(也称之为：撞击式采样器)采集周围的空气并将空气冲击载玻片，载玻片上涂覆有明胶和甘油，空气中的花粉颗粒被甘油粘附，从而实现采样。
进一步地，所述步骤2中通过虚拟撞击器四周空气中以60m3/h的速度收集气体，虚拟撞击器取其中心气流(大约6m3/h)，虚拟撞击器首先分离空气中不同尺寸的颗粒，然后将符合花粉粒径大小的颗粒推向载玻片。
进一步地，所述步骤3中通过加热使得明胶熔融，原本被甘油粘附的花粉颗粒陷入明胶中，而后通过冷却使得花粉永久性固定在明胶中，便于后续工序。
进一步地，所述步骤4中使用电子显微镜下对载玻片上的样本进行扫描和拍摄，得到图像堆栈并将其存储在硬盘。具体来说：
载玻片和电子显微镜均可进行一定的旋转方便多个角度对样本进行拍摄，电子显微镜对每一个载玻片上的样本选择120个位置进行拍摄，利用图像预处理(主要包括图像变换、图像增强、边缘检测和分割方法)，将拍摄结果根据目标颗粒分隔后重新拼接为方便后续分析处理的图像堆栈并将其存储在硬盘中。
进一步地，所述步骤5中将步骤4得到的图像堆栈从硬盘中导出进行图像分析，通过大数据和机器学习算法进一步地对图像堆栈进行花粉的分类识别和计数。主要包括下面流程：
1)特征提取。对目标颗粒的图像堆栈进行特征提取(主要包括花粉轮廓特征、花粉结构特征和花粉纹理特征)，如果某一特征提取失败则判定此颗粒不是花粉，如果全部提取成功，则提取的参数值组成了每个颗粒对象的特征向量集合(用于下一步的自动分类)。
2)自动(识别)分类。系统使用多级分类器(包括三个子分类器：外轮廓识别模块、基于隶属度的内部结构识别模块和纹理识别模块)对目标的花粉颗粒进行分类(确定花粉对应的植物种类)。
3)统计计数。重复上述步骤对一个时段内所有电子显微镜拍摄结果进行处理，得到不同植物种类花粉的数量。
花粉监测装置，他包括转动装置、旋转样品台、载玻片和加热模块，所述转动装置安装在一底座上，所述转动装置的转轴竖直向上设置，所述转轴顶部连接有旋转样品台，所述旋转样品台上设置有多个凹槽，所述凹槽呈圆形且其底部设置有通孔，所述凹槽内可拆卸地放置有载玻片，所述载玻片上设置有明胶层，明胶层上设置有甘油层，所述底座上还安装有加热模块，所述加热模块的加热端对应旋转样品台的凹槽设置，使得载玻片在凹槽旋转到加热模块的上方时可被加热模块的加热端加热。使用时，通过撞击式采样器等设备将花粉撞击在载玻片上，此时花粉被甘油层黏住，然后转动旋转样品台，使得凹槽内的载玻片位于加热模块上方，并加热。加热后花粉陷入已经熔融的明胶层内，冷却后即可实现花粉的固定。而后再转动旋转样品台，利用电子显微镜对花粉样品进行观测。
在一些实施例中，所述转动装置采用分度盘。可以精确控制每次转动的角度。
在一些实施例中，所述旋转样品台的材质为铸铁板、不锈钢板或者耐高温树脂板中的一种。具备足够的硬度，且不惧高温。
在一些实施例中，所述加热模块为远红外加热器，且其加热方向竖直朝上。公知的，远红外加热器对于空气介质的加热效果有限，故大部分热量可以直达载玻片，提高了加热效果，降低了热量散失，且不会引起装置周围的空气大幅度升温。
本发明的有益效果为：大幅度提升监测效率，减轻劳动强度，提升监测准确率，另外还通过固定花粉颗粒使得样品可以重复观测。
附图说明
图1为本发明的原理示意图；
图2-3为步骤4的原理示意图；
图4为多级分类器原理图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明：
实施例1
如图1-3所示，从四周空气中以60m3/h的速度收集气体，取中心气流(大约6m3/h)进入虚拟撞击器用于之后的采样分析，虚拟撞击器首先分离空气中不同尺寸的颗粒，然后将符合花粉粒径大小的颗粒推向载玻片(载玻片上覆盖明胶和甘油)，虚拟撞击器按照设定间隔连续工作直到一个采样周期结束(采样周期可设置，比如3小时)，旋转样品台旋转至加热模块，将载玻片加热至90℃，高温熔化了载玻片上的粘性表面使得颗粒陷入介质，以便固定并调整颗粒的位置，方便之后的电子显微镜观测聚焦。随后旋转样品台将载玻片转动至电子显微镜上方的位置，随后使用电子显微镜下对样本进行扫描和拍摄，载玻片和电子显微镜均可进行一定的旋转方便多个角度对样本进行拍摄，拍摄结果合成花粉图像堆栈并将其存储到硬盘。扫描完成后，装卸系统将样品载玻片放入存储盒。这个存储盒有足够的容量装载整整一个月的样品。
计算机系统从硬盘上加载图像堆栈进行图像分析。将花粉与其他气溶胶粒子分别开来，并根据花粉的形态学特征识别花粉种类。
采样周期可以由操作者设定，通常为为1-6小时/每天，每个采样周期消耗一个载玻片，载玻片存储在一个可重复利用的存储盒中。
电子显微镜对每一个载玻片上的样本选择120个位置进行拍摄，拍摄结果通过图像预处理根据目标颗粒分隔并组成图像堆栈。随后图形分析模块对图像堆栈进行分析，分析过程中使用多个自动分类条件组合(包括：长度、宽度、半径、缝隙数量、纹理等)，最后将图像堆栈和分析结果一同存储在本地硬盘。
图像分析处理流程如下：
1)图像预处理。将电子显微镜从多个角度拍摄样本的结果，利用图像预处理(主要包括图像变换、图像增强、边缘检测和分割方法)，将拍摄结果根据目标颗粒分隔后重新拼接为方便后续分析处理的图像堆栈。
2)特征提取。对目标颗粒的图像堆栈进行特征提取(主要包括花粉轮廓特征、花粉结构特征和花粉纹理特征)，如果某一特征提取失败则判定此颗粒不是花粉，如果全部提取成功，则提取的参数值组成了每个颗粒对象的特征向量集合(用于下一步的自动分类)。
3)自动(识别)分类。系统使用多级分类器(包括三个子分类器：外轮廓识别模块、基于隶属度的内部结构识别模块和纹理识别模块)对目标的花粉颗粒进行分类(确定花粉对应的植物种类)。
4)统计计数。重复上述步骤对一个时段内所有电子显微镜拍摄结果进行处理，得到不同植物种类花粉的数量。
备注：
当自动(识别)分类结果无法判定花粉植物种类，后期可人工调阅图像进行判定，并将判定植物种类录入系统，之后系统遇到该种类花粉可自动识别。
下面将图像分析处理流程中的关键步骤图像预处理、特征提取、自动(识别)分类进行详细描述：
1.图像预处理
1.1.图像变换
这里所说的图像变换是指二维正交变换，它在图像处理中扮演着重要的角色。图像变换主要为进一步的图像处理考虑，如傅立叶变换后平均值正比于图像灰度的平均值，高频分量指示图像的边缘信息，利用这些性质可以从图像中抽取特征值。在本系统中设计了傅立叶变换、余弦变换、kl变换、小波变换等常用的图像变换方法，根据不同的图像特征使用合适的变换方法。
1.2.图像增强
图像增强的目的是采用一系列技术去改善图像的视觉效果，提高图像的清晰度，或将图像转换成一种更适合于人眼观察和机器自动分析的形式。如锐化处理可突出图像边缘轮廓线，编程控制计算机进行跟踪，便可作各种特征分析。植物花粉图像增强实现的方法包括图像灰度级的修整、图像平滑、图像锐化等。
1.3.边缘检测和分割
图像的边缘是图像的最基本特征，边缘能勾划出目标物体，使观察者一目了然。边缘蕴含了图像的方向、阶跃性、形状等丰富的内在信息，是图像识别中提取图像特征的重要属性。从本质上讲，图像边缘是图像局部特性不连续性(灰度突变、颜色突变等)的反映，它标志着一个区域的终结和另一个区域的开始。边缘提取首先检出图像局部特性的不连续性，然后再将这些不连续的边缘像素连成完备的边界。边缘的特性是沿边缘走向的像素变化平缓，而垂直于边缘方向的像素变化剧烈。
图像分割是把图像分成若干有意义的区域的处理技术。这里的“有意义”泛指“与目标对应”或“所研究的问题的函数”。例如，若输入的是地形航空照片或地貌遥感图像，就需要分割出山区、平原、水域、森林、城市、道路等。在处理植物花粉图像时，则需要检析出花粉的孔、沟等识别特征。这些从图像域中分离出来的“目标”便是图像分割的对象。
图像分割的基础是像素间的相似性和跳变性。所谓“相似性”是指在某个区域内像素具有某种相似的特性，如灰度一致.纹理相旧；所谓“跳变性”是指特性的不连续，如灰度值突变等。图像分割的方法有多种，可分为阀值法、界线检测法、匹配法、跟踪法等。本系统中采用基于像素灰度突变的边缘提取和基于特性相似性的区域生成法及纹理分析来研究图像的分割。
2.特征提取
为了建立一个识别不同种类对象的系统，首先必须确定应测量对象的哪些特性作为描述参数。被度量的这些特殊的属性称为对象的特征，而所得的参数值组成了每个对象的特征向量。适当地选择特征是非常重要的，因为在识别对象时它是唯一的依据。
在图像识别问题中，所要提取的应当是具有可区别性、可靠性、独立性好的少量特征。本系统选取了花粉的轮廓、结构和纹理等3方面的特征。
2.1.花粉轮廓特征提取
花粉轮廓有圆形、椭圆形、三角形、枕形、花瓣形，考虑到花粉与其背景灰度差别较大，同时由于花粉周围小杂物形成的噪音，所以用高斯滤波先进行幅度滤波，去掉噪音，且使得到的轮廓更规则，二值化后进行边缘跟踪。边缘跟踪得到一封闭曲线，然后得此曲线的链码。在此链码的基础上提取了花粉轮廓的周长、面积、区域圆度等特征值，并计算封闭曲线上的点到质心的距离得到另一曲线，将此曲线的特征(如有几个峰，是否逼近一直线等)作为花粉轮廓的特征。
2.2.花粉结构特征提取
由于同一科或属的花粉可能有不同轮廓，不同科的花粉可能轮廓相似，仅仅用轮廓特征是不够的。所以下一步需要寻找结构特征。花粉的结构主要表现在内部的孔和沟。沟是细而长，孔则是偏圆形。所以如果能将孔和沟的信息提取并描述出来，将是一个重要的特征。由于孔与沟立体上表现为凹的，电镜下拍摄出来为灰度突变处。故采用梯度算子寻找其边缘。
2.3.花粉纹理特征提取
纹理反映了物体表而颜色和灰度的某种变化，而这些变化又与物体本身的属性相关。比如同一树种的木材有相同或相近似的纹理，人们通过辨别木纹的种类识别木材的树种和材质。花粉表而呈光滑或波浪形，在有的花粉上还具有各种雕纹如小刺、瘤、颗粒、条纹、网状等，形成多种纹理。这些纹理是识别花粉种类的重要依据。
在图像识别中，纹理是一种反映一个区域中像素灰度级的空间分布的属性。因此，提取纹理特征时所关注的是一幅图像中的物体的纹理量度。如果图像各处的灰度级是一个常数，或接近常数，则说明该物体没有纹理。如果图像的灰度级变化明显但又不是简单的影调变化，那么该物体就有纹理。为了量度纹理，需设法对图像灰度级变化的性质进行量化。纹理特征是从物体的图像中计算出来的一个值，它对物体图像的灰度级变化的特征进行量化。首先用灰度共生矩阵来判断纹理的粗和细。并从灰度共生矩阵抽取能量、熵、对比度、相关等统计参数作为纹理特征参数，分别反映图像灰度分布的均匀性、图像具有的信息量、图像的清晰度和灰度共生矩阵元素在行的方向或列的方向的相似程度。
3.自动(识别)分类
3.1.多级分类器原理
如图4所示，分类器可看成是由硬件或软件组成的一个“机器”。它的功能是先计算出c个判别函数gi，再从中选出对应于判别函数为最大值的类作为决策结果。
在本系统中构造了一个多级分类器。多级分类器将不同的识别技术运用于不同特点的花粉图像，充分利用不同识别方法的优点，从而在性能上优于单级识别系统。
近年来，多分类器的组合已成为模式识别领域的前沿研究课题，并在模式识别的很多应用方面，如字符识别、目标识别等领域，取得了较好的应用效果。人们就多分类器组合提出了许多方法。常用的方法有择多判决法，线形加权法，贝叶斯估计等。
针对本系统的特殊性，设计了一种用于多分类器结果组合的动态权值方法。此方法并不固定每个分类器的权值，输出候选集序列及对应的可信度。候选集合的可信度是指输入模式属于此模式(或分类)的可靠程度。如果在分类器x中，分类结果a的可信度远远高于其它分类结果，则给此分类器分配以一个较高的权值，即对于单个分类器x来说，若它的分类结果的可信度的分离性越高，此分类器的权值越高。此算法的好处是：当由某一单个分类器能基本上决定分类结果时，此分类器在多分类器组合中占主导地位。当所有分类器分类结果的可信度的分离性相似时，每个分类器起近似的决策作用。
3.2.多级分类器实现
由三个子识别模块(子分类器)组成：
(1)外轮廓识别模块
(2)基于隶属度的内部结构识别模块
(3)纹理识别模块
对于各级分类器之间的相关性可分为两种情况：1.描述了同一对象的相同方面，只是程度不同而已。2，描述了同一对象的不同方面。情况1反映了分类器的冗余信息，情况2则反映了分类器的互补信息。在信息融合的低层——传感器数据的融合中，需要考虑强噪声的影响导致某几个传感器失效的情况，我们可以利用冗余信息来保持融合系统的稳定性。而在信息融合的高层——分类器的融合中，冗余信息会导致组合结果的多余估计，所以需要去除。
互补信息虽然描述了同一对象的不同方面，但并不是对分类器的组合都是有益处的，只有能够提高组合效果的互补信息才是有用的。分类器组合的关键在于对各分类器如何取长补短，使得组合效果优于每一个单独的分类器。本系统的三个子分类器的划分也正是出于这样的考虑，使互补性最大，冗余性最小。
3.2.1.外轮廓识别模块
外轮廓特征的提取，包括轮廓的周长、面积、区域圆度、角点数、形心剖面图的波峰数和到形心距离的方差。首先，根据区域圆度可将样本图像分成两类：圆和非圆。在大致判断出外边缘为圆的情况下，再根据区域形心剖面曲线的方差可判断边缘曲线是否规则。若为非圆，这时由区域形心剖面曲线的波峰数可大致判断出花粉图像的边数。当波峰数为2时，可能有两种情况：椭圆形和枕形。因为它们代表了花粉的两大类，有必要将他们作区分。实验证明，区域形心剖面曲线的方差在区分这两类时有很好的分类效果。方差大，则可认为是枕形。方差小，为椭圆形。但这里的椭圆形是长轴与短轴差别较大的椭圆形，因为长短轴相近的类似于圆的椭圆形已被归到圆形中去了。当波峰数≥3时，表明花粉图像的外轮廓形状不宜确定，结合边缘上的节点数加以考虑。可简单的认为，角点数较少时，边缘较光滑，将波峰数作为外轮廓的边数；角点数较多时，判为不规则形。
比较困难的一点是阈值的确定。如区域圆度，区域形心剖面曲线的方差和角点数等。在本系统中，采用的方法主要是通过经验值确定，确定这些阈值的同时也就确定了分类区间。由这些阈值与代定样本的特征值之间的距离来确定代定样本属于每一可能分类的可信度。
3.2.2.基于隶属度的内部结构识别模块
(1)隶属度和隶属函数
没有明确外延的概念称作模糊概念，讨论的全体对象称作论域或空间。模糊概念不以普通集合为其外延，论域上的元素符合概念的程度不是绝对0或1，它可以介于0、1之间。在模糊数学中，把元素对普通集合的绝对隶属关系加以灵活化，提出隶属度的概念。隶属度可用隶属函数来描述。
任意论域s＝{x}上的模糊集合a是指x中的具有某种性质的元素的界限不分明的整体，可用隶属函数fa(x)来表征，fa(x)的大小反映x对于模糊集合a的隶属程度，其取值于闭区间[0，1]中。若fa(x)的值接近1，就表示x从属于a的程度很高；若fa(x)的值接近0，就表示x从属于a的程度很低。对论域来说，论域元素总是分明的，只有s中的子集a、b才是模糊的，所以模糊集合通常是指模糊子集合。在不易混淆的场合，模糊子集就简称为模糊集。例如s为数域，若模糊集a表示远大于0的实数，即a＝{x|x＞＞0}，则a的隶属函数可写成：
(2)内部结构分类器设计
直接由计算样本的隶属度来判断其归属的方法，称作模式分类的隶属原则，亦被称为模糊模式分类的直接方法。
隶属原则：
设论域u中有n个模糊子集
则认为x0隶属于ai。
隶属原则是明显的，易于公认的，但其效果如何，却十分依赖与建立已知模式类隶属函数的技巧。
在本系统中采用的是高斯型隶属函数
由聚类分析得到各个类别的聚类中心mi和标准差σi，即可得到每一类的隶属函数
3.2.3.纹理识别模块
(1)通过熵最小化进行纹理特征选择
熵(entropy)是一种对不确定性的统计度量。对给定的一个模式向量总体，用总体熵对类内分散性进行度量，即
h＝-ep{lnp(x)}
式中p(x)是模式总体的概率密度，ep是p(x)的期望运算。在考虑最佳特征选择时，减少不确定性的特征被认为具有更多的信息量。因此，用熵作为不确定性度量时，选择使模式类的熵最小化的特征是一种合理的特征选择准则。
考虑有m个模式类，其概率密度分别为p(x|ω1)，p(x|ω2)，…，p(x|ωm)，则第i个模式类的熵是
hi＝-∫xp(x|ωi)ln[p(x|ωi)]dx
其积分域是整个模式空间。显然，若p(x|ωi)＝1，则hi＝0，此时没有不确定性情况。由此可得，熵越小，不确定性越小，可分性越好。
在纹理特征提取中，通过灰度共生矩阵和傅立叶变换纹理分析方法，得到了多种纹理信息特征。由于特征之间的冗余度大，整个模式类的熵大，可分性差。而且特征向量的维数高，计算复杂度大大增加。困此，必须在基于降低熵的原则基础上降低特征向量的维数。
(2)具体实现
在本系统中，我先将同类特征分成一类，根据每个特征的可分度通过加权平均的方法，得到描述每一类特征的一个特征量。这样，就降低了同类特征之间的冗余度。实验证明，特征选择后较特征选择前模式类的熵值大大减小。
描述纹理粗糙度的有：从灰度共生矩阵中提取的角二阶距f1；灰度差概率p(d)和熵f4。由傅立叶变换得到的rmax。根据上述每个特征的值，先估计出各自所表达的粗糙度，再加权平均，得到统一的粗糙度c0。由于角二阶距f1和傅立叶变换的rmax的可分性较好，分配以较大的权重。灰度差概率p(d)熵f4分配小的权重。
因为同类花粉图像中，会有不同方向的旋转，因此，本系统提取纹理方向特征时着重提取的是花粉纹理方向的强弱特征，而非具体的方向。系统中采用的有三个特征：maxpi(r)表明环特征曲线pi(r)上波峰是否明显，波峰的数目n及从功率谱矩阵中提取的方向特征dir。主要由maxpi(r)决定，n和dir起到辅助的作用。得到方向强度id。
实验中发现一些其它的纹理特征对于花粉纹理分类也起到了较好的作用：
灰度共生矩阵的对比度
灰度共生矩阵的相关度
选择了上述特征后，对花粉图像库中每一种花粉的特征求均值，将待测样本的特征值与均值作比较，把待测样本划入距离最小的花粉类中。将距离标准化后作为每一分类的可信度。
实施例2
使用花粉监测装置，花粉监测装置，他包括转动装置、旋转样品台、载玻片和加热模块，所述转动装置安装在一底座上，所述转动装置的转轴竖直向上设置，所述转轴顶部连接有旋转样品台，所述旋转样品台上设置有多个凹槽，所述凹槽呈圆形且其底部设置有通孔，所述凹槽内可拆卸地放置有载玻片，所述载玻片上设置有明胶层，明胶层上设置有甘油层，所述底座上还安装有加热模块，所述加热模块的加热端对应旋转样品台的凹槽设置，使得载玻片在凹槽旋转到加热模块的上方时可被加热模块的加热端加热。使用时，通过撞击式采样器等设备将花粉撞击在载玻片上，此时花粉被甘油层黏住，然后转动旋转样品台，使得凹槽内的载玻片位于加热模块上方，并加热。加热后花粉陷入已经熔融的明胶层内，冷却后即可实现花粉的固定。而后再转动旋转样品台，利用电子显微镜对花粉样品进行观测。
所述转动装置采用分度盘。可以精确控制每次转动的角度。
所述旋转样品台的材质为铸铁板、不锈钢板或者耐高温树脂板中的一种。具备足够的硬度，且不惧高温。
所述加热模块为远红外加热器，且其加热方向竖直朝上。公知的，远红外加热器对于空气介质的加热效果有限，故大部分热量可以直达载玻片，提高了加热效果，降低了热量散失，且不会引起装置周围的空气大幅度升温。
其中一种使用方式：
通过撞击式采集器从四周空气中以60m3/h的速度收集气体从而将花粉撞击在载玻片上(当然了，空气中也可能不存在花粉，则载玻片上没有花粉)，采集周期应该固定，例如3个小时采集一次。
转动旋转样品台旋转至加热模块，将载玻片加热至90℃，高温熔化了载玻片上的粘性表面使得颗粒陷入介质，以便固定并调整颗粒的位置，方便之后的电子显微镜观测聚焦。转动可以是手动操控也可以是通过plc等控制设备(用户自行加装)进行自动控制，加热温度需要用户自行通过有限次实验得到最佳的加热模块参数。
加热后转动旋转样品台是的加热后的载玻片到达观测位置，此时可以通过电子显微镜进行观测和记录。记录完成后可以将固定有花粉样品的载玻片取出并放入存储盒内。而后进行图形堆栈分析，从而实现花粉分类。
上述实施例和说明书中描述的只是说明本发明的原理和最佳实施例，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。
- 还没有人留言评论。精彩留言会获得点赞！