【技術實現步驟摘要】
本專利技術涉及色譜分析，尤其是指一種基于人工智能的色譜圖分析方法、裝置及計算機設備。
技術介紹
1、色譜廣泛應用在環境、化學分析、醫藥等方面。實際應用的色譜技術有液相色譜、氣相色譜、凝膠色譜等。這些色譜技術需要在嚴格的實驗環境下進行。因為色譜儀器非常靈敏，實際實驗中得到的色譜圖會受到實驗儀器的所處環境因素、儀器的當前狀態、樣品濃度和實驗步驟等因素的影響而發生峰形的失真、變形或者基線漂移、噪聲等異常變化導致色譜圖無法正確地被分析，所以無論任何種類的色譜檢測需要經過大量專業培訓的專業人員進行作業，在色譜檢測培訓上需要大量的學習、時間成本。在實際情況中，由于實驗儀器、實驗環境、試驗樣品等影響，每次實驗的色譜圖都會發生不同程度的圖像失真。因為出現變形失真的色譜圖像會影響色譜數據處理后續的定量分析計算，所以專業檢測人員需要在每次檢測前都對色譜儀器進行檢查以及對每個檢驗樣品花費大量時間進行細致的人工審查分析，由此可見在色譜圖檢測上存在人工審查耗時耗力、主觀性強、可重復性欠佳的問題。同時，在現有的自動化檢測系統中基本采用集成在軟件中的數學統計計算方式來判斷色譜圖的狀態，無法自動對色譜圖是否存在過度變形失真進行準確排查。
技術實現思路
1、本專利技術所要解決的技術問題是：提供一種基于人工智能的色譜圖分析方法、裝置及計算機設備，旨在提高色譜分析速率。
2、為了解決上述技術問題，本專利技術采用的技術方案為：一種基于人工智能的色譜圖分析方法，包括步驟：
3、s10、對深度學習神經
4、s20、通過色譜圖分析模型接收待審查分析的數字色譜數據圖像，并將數字色譜數據圖像分割為區域圖像；
5、s30、通過色譜圖分析模型對每塊區域圖像進行圖像內容狀態審查識別得到審查預測區域，并將審查預測區域進行圖像內容狀態標記，所述圖像內容狀態包括色譜圖的最高峰、前沿峰、拖尾峰、寬峰、裂峰、負峰、分離度不足的峰、基線噪聲和基線漂移；
6、s40、評估計算審查預測區域的圖像內容狀態和圖像內容狀態的可能概率度得到第一比值，若第一比值大于預設的第一門限概率比值，則將其篩選出來標記特定的顏色；
7、s50、根據所正在進行的色譜實驗信息、待測樣品信息、色譜圖分析模型的分析信息繪制出可供檢測人員參考的色譜審查報告及色譜分析報告。
8、進一步的，步驟s10、對深度學習神經網絡進行訓練，得到色譜圖分析模型具體包括，
9、s11、通過深度學習神經網絡獲取預先進行圖像內容狀態標注的訓練樣本圖像，并將訓練集的數字色譜數據圖像分割為區域圖像；深度學習神經網絡采用deeplabv3+網絡；deeplabv3+網絡的主干網絡設為ghostnetv2；
10、s12、對所述區域圖像進行行卷積和列卷積后，通過批次標準化將特征參數標準化、非線性激活降低特征參數的線性度，得到壓縮了區域圖像長和寬的第一特征圖像；
11、s13、將第一特征圖像輸入擴張率分別為1、6、12、18、24、28、32的aspp編碼器的7個通道中，第一特征圖像在這7個通道中分別被擴張了1、6、12、18、24、28、32倍的卷積核卷積，提取深層特征，提取到的7通道深層特征通過點卷積壓縮特征，得到第二特征圖像；
12、s14、將第一特征圖像和第二特征圖像作為解碼器的輸入特征，通過融合重定義大小、點卷積、雙線性插值的方式得到審查預測特征；
13、s15、將審查預測特征和與其對應的標簽進行最小化損失函數計算，當損失值滿足收斂要求時得到訓練好的色譜圖分析模型。
14、進一步的，步驟s12中，對所述區域圖像進行行卷積和列卷積采用的公式為：
15、
16、其中，yi表示輸出特征上的各個數值，x表示輸入的特征，w表示卷積核，r表示步長。
17、進一步的，步驟s12中，通過批次標準化將特征參數標準化，其公式為：
18、
19、其中，中θ為訓練網絡參數，對總數為n的訓練數據集進行梯度估計。
20、進一步的，步驟s12中，非線性激活降低特征參數的線性度采用的最小化損失函數采用relu函數及softmax函數；最小化損失函數為：
21、
22、focalloss＝-log?pt(1-pt)2
23、
24、其中，ln受所設置權重影響，表示訓練數據集預測概率的平均值；pt是模型對目標類的預測概率，表示對訓練數據集中模型對正樣本關注度的調整；pi和gi是預測結果在第i個像素點上的值，表示訓練模型的預測結果和真實標簽的相似度。
25、進一步的，所述數字色譜數據圖像為二維氣相/液相色譜數據圖，其x軸的單位為時間，其y軸的單位為信號值。
26、進一步的，步驟s50、根據所正在進行的色譜實驗信息、待測樣品信息、色譜圖分析模型的分析信息繪制出可供檢測人員參考的色譜審查報告及色譜分析報告具體包括，
27、s51、將所正在進行的色譜實驗信息、待測樣品信息、色譜圖分析模型的分析信息繪制可供檢測人員參考的色譜審查報告；
28、s52、提取沒有異常色譜峰的合格色譜圖的信號值、時間參數計算色譜分析參數，色譜分析參數包括保留時間tr、峰高h、峰面積a、半峰高w1/2、峰寬w、標準偏差σ，并根據色譜實驗信息、樣品信息、計算得到的分析參數繪制可供檢測人員參考的色譜分析報告。
29、本專利技術還提供了一種基于人工智能的色譜圖分析裝置，包括：
30、模型訓練模塊，用于對深度學習神經網絡進行訓練，得到色譜圖分析模型；
31、圖像分割模塊，用于通過色譜圖分析模型接收待審查分析的數字色譜數據圖像，并將數字色譜數據圖像分割為區域圖像；
32、圖像內容狀態識別模塊，用于通過色譜圖分析模型對每塊區域圖像進行圖像內容狀態審查識別得到審查預測區域，并將審查預測區域進行圖像內容狀態標記，所述圖像內容狀態包括色譜圖的最高峰、前沿峰、拖尾峰、寬峰、裂峰、負峰、分離度不足的峰、基線噪聲和基線漂移；
33、圖像內容狀態評估模塊，用于評估計算審查預測區域的圖像內容狀態和圖像內容狀態的可能概率度得到第一比值，若第一比值大于預設的第一門限概率比值，則將其篩選出來標記特定的顏色；
34、報告生成模塊，用于根據所正在進行的色譜實驗信息、待測樣品信息、色譜圖分析模型的分析信息繪制出可供檢測人員參考的色譜審查報告及色譜分析報告。
35、本專利技術還提供了一種計算機設備，所述計算機設備包括存儲器及處理器，所述存儲器上存儲有計算機程序，所述處理器執行所述計算機程序時實現如上任一項所述的基于人工智能的色譜圖分析方法。
36、本專利技術還提供了一種存儲介質，所述存儲介質存儲有計算機程序，所述計算機程序被處理器執行時可實現如上任一項所述的基于人工智能的色譜圖分析方法。
37、本專利技術的有益效果本文檔來自技高網...
【技術保護點】
1.一種基于人工智能的色譜圖分析方法，其特征在于，包括步驟：
2.如權利要求1所述的基于人工智能的色譜圖分析方法，其特征在于：步驟S10、對深度學習神經網絡進行訓練，得到色譜圖分析模型具體包括，
3.如權利要求2所述的基于人工智能的色譜圖分析方法，其特征在于：步驟S12中，對所述區域圖像進行行卷積和列卷積采用的公式為：
4.如權利要求3所述的基于人工智能的色譜圖分析方法，其特征在于：步驟S12中，通過批次標準化將特征參數標準化，其公式為：
5.如權利要求4所述的基于人工智能的色譜圖分析方法，其特征在于：步驟S12中，非線性激活降低特征參數的線性度采用的最小化損失函數采用ReLu函數及softmax函數；最小化損失函數為：
6.如權利要求1所述的基于人工智能的色譜圖分析方法，其特征在于：所述數字色譜數據圖像為二維氣相/液相色譜數據圖，其x軸的單位為時間，其y軸的單位為信號值。
7.如權利要求1所述的基于人工智能的色譜圖分析方法，其特征在于：步驟S50、根據所正在進行的色譜實驗信息、待測樣品信息、色譜圖分析模型的
8.一種基于人工智能的色譜圖分析裝置，其特征在于，包括：
9.一種計算機設備，其特征在于：所述計算機設備包括存儲器及處理器，所述存儲器上存儲有計算機程序，所述處理器執行所述計算機程序時實現如權利要求1至7中任一項所述的基于人工智能的色譜圖分析方法。
10.一種存儲介質，其特征在于：所述存儲介質存儲有計算機程序，所述計算機程序被處理器執行時可實現如權利要求1至7中任一項所述的基于人工智能的色譜圖分析方法。
...【技術特征摘要】
1.一種基于人工智能的色譜圖分析方法，其特征在于，包括步驟：
2.如權利要求1所述的基于人工智能的色譜圖分析方法，其特征在于：步驟s10、對深度學習神經網絡進行訓練，得到色譜圖分析模型具體包括，
3.如權利要求2所述的基于人工智能的色譜圖分析方法，其特征在于：步驟s12中，對所述區域圖像進行行卷積和列卷積采用的公式為：
4.如權利要求3所述的基于人工智能的色譜圖分析方法，其特征在于：步驟s12中，通過批次標準化將特征參數標準化，其公式為：
5.如權利要求4所述的基于人工智能的色譜圖分析方法，其特征在于：步驟s12中，非線性激活降低特征參數的線性度采用的最小化損失函數采用relu函數及softmax函數；最小化損失函數為：
6.如權利要求1所述的基于人工智能的色譜圖分析方法，其特征在于：...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。