一种秀丽线虫目标检测与活体识别方法

本发明涉及计算机视觉，尤其涉及一种秀丽线虫目标检测与活体识别方法。

背景技术：

1、秀丽线虫是一种无毒无害、可以独立生存的线虫 ，因认为如果延长蠕虫生命的科学应用到人类身上，抗衰老治疗将成为可能，故对秀丽线虫寿命及运动的自动化收集及分析一直是近年来科研的热点，秀丽线虫也因此常被利用作为分子生物学和发育生物学研究领域的模式生物。秀丽线虫寿命及运动的相关研究中，不同的线虫指标监测自动化系统也已被用于研究秀丽线虫的生存能力、移动性或繁殖力等，它们大多通过捕获并处理不同约束场景下培养的秀丽线虫的图像，来获取线虫存活率、运动轨迹等数据，且根据识别方式、识别条件等参数指标的不同，秀丽线虫寿命及运动的自动化监测系统有多种技术路线。

2、当前，国际上已开发出针对秀丽线虫自动化行为和寿命分析的软件和机器，这些软件和机器为秀丽线虫自动化行为和寿命分析提供了重要的工具和平台，但其多以科研机构为主，质量良莠不齐。如wormscan，tierpsy tracker等开源软件，该种平台没有配备专门的仪器平台，且功能不完善，分析也不够准确，同时由于开发人员课题结束等情况，软件常不会继续更新，已有的软件问题也很难得到修复，致使用户使用体验较差。另外，像lifespan machine等专门开发的硬件软件一体平台，平台功能的完整度高，但由于其商业属性，致使被国外公司长期垄断，基本不对外销售。

3、我国在秀丽线虫的相关研究中，为准确记录秀丽线虫在特定环境中的生存情况，采取的方式是，实验环境下，通过把一定数量的秀丽线虫置于滴注特征培养液的培养皿中，然后由人工经显微镜观察其活性。人工观测的过程不仅费时费力，而且检测结果容易受人工熟练程度影响，所得的秀丽线虫的存活量和活体数量准确率不稳定。

技术实现思路

1、本发明的目的在于提供一种秀丽线虫目标检测与活体识别方法。

2、实现本发明目的的技术方案是：一种秀丽线虫目标检测与活体识别方法，包括以下步骤：

3、s1. 于一定时间段内对培养有秀丽线虫的培养液进行连续拍摄，批量获取培养液图像；

4、s2. 在批量获取的培养液图像中，选取一部分培养液图像进行标注；标注步骤为：对培养液图像中的秀丽线虫进行框选和标记，使培养液图像中每只秀丽线虫外均形成对应的边界框；

5、s3. 基于yolov5模型，以标注的培养液图像为训练数据集，输入到yolov5模型，对yolov5模型进行训练，得到有效的目标检测模型；

6、s4. 将批量获取的、未标注的培养液图像输入到步骤s3中得到的有效的目标检测模型，由该目标检测模型对各培养液图像中秀丽线虫进行目标检测；目标检测模型对每张培养液图像中秀丽线虫进行目标检测的过程为：目标检测模型识别培养液图像中秀丽线虫的位置，并生成对应的边界框；

7、s5. 所有的培养液图像目标检测完成后，选择其中的一幅培养液图像，作为母图，以该母图中的边界框为裁剪线，对母图进行裁剪，同时，对其它所有的培养液图像均进行裁剪，获得每幅培养液图像的若干子图，其中，其它培养液图像的裁剪线以其它培养液图像与母图对齐叠置后与母图的裁剪线位于相同位置为准；

8、s6. 将步骤s5所获得的培养液图像的子图分为若干组，每组中所有子图的位置相同且与其它组子图位置不同；利用ssim计算公式，对每组子图进行结构性相似度计算，而后依据计算的结构性相似度，判断每组子图的秀丽线虫是否为活体。

9、进一步地，步骤s1 中，可使工业相机或清晰度比较高的非工业相机于一定时间段内对培养有秀丽线虫的培养液进行连续拍摄。工业相机的清晰度较高，通常可使用工业相机进行拍摄。

10、进一步地，步骤s1 中，于12个小时及以上的时间内对培养有秀丽线虫的培养液进行连续拍摄。由于秀丽线虫的死亡标准是12个小时不活动，故在判断秀丽线虫是否为活体时，对培养有秀丽线虫的培养液进行连续拍摄的时间可设定为12个小时，也可于秀丽线虫的全生命周期对培养有秀丽线虫的培养液进行连续拍摄，如20天，甚至30天，而后，可每隔一段时间如每12个小时对秀丽线虫进行一次活体判断。

11、进一步地，步骤s2 中，选取一部分培养液图像进行标注时，标注工具采用的是labelimg软件。

12、进一步地，步骤s3中，得到有效的目标检测模型的检测误差不大于1。

13、进一步地，步骤s5中，所有的培养液图像目标检测完成后，选择秀丽线虫最多的一幅培养液图像，作为母图。培养液内秀丽线虫并非一虫一位，存在两虫或多虫位于同一位置的可能，选择秀丽线虫最多的一幅培养液图像时，该培养液图像内秀丽线虫的数量是最接近真实数量的，此时，以该数量对培养液内秀丽线虫进行活体识别时，识别结果更准确。

14、进一步地，步骤s6中，ssim计算公式为，其中，x、y为计算变量，μx为x图像均值，μy为y图像均值，σx为x图像方差，σy为y图像方差，σxy为x图像和y图像的协方差，c1和c2为非零的小的常数。对两子图进行计算时，两子图分别代入x、y。该ssim计算公式下，包括亮度、对比度和结构三个维度的比较，依上述该ssim计算公式的计算结果，从亮度、对比度和结构三个维度全方位的比较判断子图里秀丽线虫是否为活虫，判断结果更为准确。

15、进一步地，设置相似度阈值m，步骤s6中，判断每组子图的秀丽线虫为活体的条件是ssim计算得到的相似度不大于相似度阈值m。

16、进一步地，步骤s6中，在对每组子图进行结构性相似度计算时，依计算结果，一旦判断子图里秀丽线虫为活虫时，则停止该组子图的结构性相似度计算。由于一旦判断子图里秀丽线虫为活虫后，再对该组子图里其它子图进行结构性相似度计算则显得有些多余，故该设置，可大大减少多余的计算次数，降低计算难度。

17、进一步地，步骤s6中，每组中所有子图按拍摄的时间序列排列；而后，对每组子图进行结构性相似度计算时，按时间序列逐一对每组子图中相邻的子图进行计算。由于秀丽线虫前期存活的概率更高，该设置下，依时间序列计算时，识别出秀丽线虫活体的速度更快，如此，可有效避免多余的结构性相似度计算，简化计算。

18、进一步地，还包括步骤s7，步骤s7为对秀丽线虫的活体进行统计，记录秀丽线虫的活体数量，从而获取秀丽线虫的活体数量数据。该设置，可最终实现对秀丽线虫活体的量化，方便统计与记录。

19、本发明秀丽线虫目标检测与活体识别方法，具有以下优点：

20、1、对培养有秀丽线虫的培养液进行成像后，基于yolov5模型，可快速、自动的识别图像中的秀丽线虫，相比传统人工逐一标注的识别方式，其不仅省时省力，目标速度快，效率高，且其无需人工干预，减少了人工操作的依赖性，避免了人工操作误差及人工操作的不定性，大大提高目标检测的稳定性、可靠性以及准确性，为后序秀丽线虫的活体识别提供良好的基础；

21、2、在对秀丽线虫进行目标检测后，确定培养液图像中秀丽线虫的位置，而后拉长时间线，利用ssim计算公式，对不同时间、相同位置的子图的结构性相似度计算，通过不同时间、相同位置的子图的相似度的情况，判断秀丽线虫是否为活体；相似度小，说明秀丽线虫活动，秀丽线虫为活体；相似度大，则说明秀丽线虫不活动，秀丽线虫非活体；在不同时间、相同位置的子图的结构性相似度计算下，可快速、自动的对培养液图像中的秀丽线虫进行活体识别，相比传统人工通过显微镜进行观察识别的方式，其不仅省时省力，活体识别速度快，效率高，且其无需人工干预，减少了人工操作的依赖性，避免了人工操作误差及人工操作的不定性，大大提高秀丽线虫活体识体的稳定性、可靠性以及准确性；

22、3、由于是在一定时间段内对培养有秀丽线虫的培养液进行连续拍摄，批量获取培养液图像，对秀丽线虫进行目标检测和活体识别，也就是说，本发明是基于时间序列图像进行分析的，该分析过程还助于记录秀丽线虫在特定环境中的生存情况，为相关研究提供了重要的数据支持；

23、4、本发明为秀丽线虫相关研究领域提供了一项重要工具，相比传统方法，不仅在成本上更具竞争力，而且大大缩短了实验周期，加速了研究进程，其可以广泛应用于生物医学、环境科学等领域，为相关研究和实验提供了可靠的支持和便利。