【技術實現步驟摘要】
本專利技術涉及生物過程檢測，尤其是涉及一種基于計算機視覺的慶大霉素c1a效價測定方法、裝置及存儲介質。
技術介紹
1、慶大霉素屬于一種多組分的氨基糖苷類抗生素，由絳紅小單孢菌(micromonospora?purpura)和棘孢小單孢菌(micromonospora?echinospora)等微生物產生。由于其價格低廉、抗菌譜廣、抗菌作用強、藥效穩定，已被廣泛應用于臨床。其中最主要組分是慶大霉素c1a，它可以作為關鍵醫藥依替米星的工業合成前體。由于慶大霉素c1a分子結構中不存在共軛雙鍵(無紫外吸收峰)，必須對其進行柱前衍生，才能通過高效液相色譜法(hplc)檢測其效價。也即，對于慶大霉素及單組分的檢測，仍然需要對衍生化處理后的樣品進行hplc精確定量。然而，該方法必須終止培養體系中菌株的發酵，復雜的前處理過程也使其準確性受到酸化、量程匹配等操作人員熟練程度的影響。
2、此外，有研究將計算機視覺技術與機器學習相結合應用于植物細胞的培養。其中，計算機視覺技術具有快速、無損、一致、客觀、可靠和成本效益高等優點，因此已成為食品工業監測質量的主要方法。目標圖像信息通過成像系統獲取，然后傳輸到圖像處理系統，圖像處理系統將圖像(顏色、紋理、亮度、像素分布等)轉換為數字信息，這些信息可以進一步計算、處理和解析，以實現對目標對象的識別、檢測和控制。這項技術還因其穩定性、靈活性、準確性等特點而拓寬了應用領域。在茶葉產品或加工過程中，計算機視覺與化學計量學相結合已被用于確定紅茶等級、預測紅茶發酵過程中的兒茶素、茶黃素和葉綠素以及檢測茶葉定
3、因此，如何提高慶大霉素c1a效價測定的效率與精確性，成為本領域需要解決的問題。
技術實現思路
1、本專利技術的目的就是為了克服上述現有技術存在的效率低、精確性不高的缺陷而提供一種基于計算機視覺的慶大霉素c1a效價測定方法、裝置及存儲介質。
2、本專利技術的目的可以通過以下技術方案來實現：
3、根據本專利技術的第一方面，提供一種基于計算機視覺的慶大霉素c1a效價測定方法，包括以下步驟：獲取不同培養條件下發酵液樣本的原始圖像；基于原始圖像，提取相應的顏色特征；對顏色特征進行預處理；基于預處理后的顏色特征，利用經校準的慶大霉素c1a濃度測定模型預測不同培養條件下的慶大霉素c1a效價。
4、作為優選的技術方案，所述慶大霉素c1a濃度測定模型的構建、校準及預測過程，具體包括：將不同培養條件下的發酵液樣本隨機劃分為校準集和預測集；基于所述校準集，利用預設的基礎機器學習算法或深度學習算法構建初始慶大霉素c1a濃度測定模型；利用所述校準集中的數據訓練優化所述初始慶大霉素c1a濃度測定模型，選取預設關鍵指標最優的模型作為經校準的慶大霉素c1a濃度測定模型；利用所述預測集測試評估所述經校準的慶大霉素c1a濃度測定模型，得到相應的慶大霉素c1a含量預測結果。
5、作為優選的技術方案，所述基礎機器學習算法為最小二乘法、隨機森林、反向傳播人工神經網絡算法中的一種。
6、作為優選的技術方案，當所述深度學習算法采用一維卷積神經網絡時，所述初始慶大霉素c1a濃度測定模型至少包括依次連接的輸入層、兩個卷積層、兩個批歸一化層、五個激活函數層、兩個最大池化層、扁平化層、丟棄層、三個全連接層和輸出層。
7、作為優選的技術方案，所述激活函數層采用整流線性單元函數。
8、作為優選的技術方案，所述不同培養條件至少包括下列培養條件中的兩種：合成培養基、復合培養基、微孔板培養、搖瓶培養以及生物反應器培養。
9、作為優選的技術方案，提取相應的顏色特征，具體過程包括：基于所述原始圖像，選取目標區域；從所述目標區域中提取不同的顏色成分，并計算不同顏色成分的平均值；其中，所述顏色成分包括以下一種或多種：紅、綠、藍、亮度、相對紅、相對綠、相對藍、色調、飽和度、lab模式下的亮度、青色、品紅、黃色和黑色。
10、作為優選的技術方案，所述預處理的方法為minmax縮放或z-score歸一化處理。
11、根據本專利技術的第二方面，提供一種基于計算機視覺的慶大霉素c1a效價測定裝置，包括存儲器、處理器，以及存儲于所述存儲器中的程序，所述處理器執行所述程序時實現所述的方法。
12、根據本專利技術的第三方面，提供一種存儲介質，其上存儲有程序，所述程序被執行時實現所述的方法。
13、與現有技術相比，本專利技術具有以下有益效果：
14、1、本專利技術將多種預處理方法與多種建模方法相結合，實現對不同培養體系中關鍵參數的全面監測，不僅能夠增強慶大霉素c1a濃度測定模型的通用性，還能提高檢測精度和應用多樣性，可以實現快速菌株篩選以及多培養體系和全過程目標產品滴度的準確預測，快速、高效、準確、無創地進行棘孢小單孢菌不同培養體系發酵過程中的慶大霉素c1a效價測定；
15、2、本專利技術通過計算機視覺技術結合深度學習算法構建并校準慶大霉素c1a濃度測定模型，一方面，相較于傳統的發酵過程檢測通常需要多個獨立的傳感器來監測不同的參數，本專利技術采用計算機視覺技術，可以通過圖像同時捕獲多個參數信息，不僅能提高檢測效率，還能通過綜合分析不同參數之間的關系，提供更全面的發酵過程狀態；另一方面，本專利技術使用的一維卷積神經網絡是深度學習框架的一個子集，擅長分析連續數據，利用計算機視覺提取圖像的顏色特征作為序列數據，并與一維卷積神經網絡相結合，為生物制造過程中的目標產品建立預測模型，能夠從單一終點檢測(1d)過渡到全面過程監測(2d)，相比于傳統的快速檢測方案，本專利技術提供的方法既能進行非侵入式檢測，即無需直接接觸發酵體系，不會對發酵過程造成干擾，實現快速、高效、無創的慶大霉素c1a效價測定，在需要維持高度無菌環境的發酵過程中能夠減少污染風險，提高發酵產品的純度和質量，又有效提高了檢測精度，實驗中相比于現有方法，本專利技術提供模型的rmsep能夠降低58.76％；
16、3、本專利技術的不同培養條件包括合成培養基、復合培養基、微孔板培養、搖瓶培養和生物反應器培養，提供多樣化的數據源，有效提高慶大霉素c1a濃度測定模型的適用性，該模型對各種培養條件的適應性能夠進一步確保篩選過程的準確性和效率。
本文檔來自技高網...【技術保護點】
1.一種基于計算機視覺的慶大霉素C1a效價測定方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于計算機視覺的慶大霉素C1a效價測定方法，其特征在于，所述慶大霉素C1a濃度測定模型的構建、校準及預測過程，具體包括：
3.根據權利要求2所述的基于計算機視覺的慶大霉素C1a效價測定方法，其特征在于，所述基礎機器學習算法為最小二乘法、隨機森林、反向傳播人工神經網絡算法中的一種。
4.根據權利要求2所述的基于計算機視覺的慶大霉素C1a效價測定方法，其特征在于，當所述深度學習算法采用一維卷積神經網絡時，所述初始慶大霉素C1a濃度測定模型至少包括依次連接的輸入層、兩個卷積層、兩個批歸一化層、五個激活函數層、兩個最大池化層、扁平化層、丟棄層、三個全連接層和輸出層。
5.根據權利要求4所述的基于計算機視覺的慶大霉素C1a效價測定方法，其特征在于，所述激活函數層采用整流線性單元函數。
6.根據權利要求1所述的基于計算機視覺的慶大霉素C1a效價測定方法，其特征在于，所述不同培養條件至少包括下列培養條件中的兩種：合成培養基、復合培養
7.根據權利要求1所述的基于計算機視覺的慶大霉素C1a效價測定方法，其特征在于，提取相應的顏色特征，具體過程包括：
8.根據權利要求1所述的基于計算機視覺的慶大霉素C1a效價測定方法，其特征在于，所述預處理的方法為MinMax縮放或Z-score歸一化處理。
9.一種基于計算機視覺的慶大霉素C1a效價測定裝置，包括存儲器、處理器，以及存儲于所述存儲器中的程序，其特征在于，所述處理器執行所述程序時實現如權利要求1-8中任一所述的方法。
10.一種存儲介質，其上存儲有程序，其特征在于，所述程序被執行時實現如權利要求1-8中任一所述的方法。
...【技術特征摘要】
1.一種基于計算機視覺的慶大霉素c1a效價測定方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于計算機視覺的慶大霉素c1a效價測定方法，其特征在于，所述慶大霉素c1a濃度測定模型的構建、校準及預測過程，具體包括：
3.根據權利要求2所述的基于計算機視覺的慶大霉素c1a效價測定方法，其特征在于，所述基礎機器學習算法為最小二乘法、隨機森林、反向傳播人工神經網絡算法中的一種。
4.根據權利要求2所述的基于計算機視覺的慶大霉素c1a效價測定方法，其特征在于，當所述深度學習算法采用一維卷積神經網絡時，所述初始慶大霉素c1a濃度測定模型至少包括依次連接的輸入層、兩個卷積層、兩個批歸一化層、五個激活函數層、兩個最大池化層、扁平化層、丟棄層、三個全連接層和輸出層。
5.根據權利要求4所述的基于計算機視覺的慶大霉素c1a效價測定方法，其特征在于，所述激活函數層采...
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。