[发明专利]一种基于神经网络的微滴式PCR仪自动对焦方法

权利要求书

1.一种基于神经网络的微滴式PCR仪自动对焦方法，其特征在于，具体包括以下步骤：

(一)对焦模块设计

照明光源在一端，其发出的光线经生物芯片，再经过物镜进入相机，物镜起到对焦的作用，由自动三维平台控制物镜位置；

(二)对焦策略拟定

通过事先测量好焦点位置，经过BP神经网络进行训练获得稳定的映射，之后在对焦过程中，测量几个位置后确定其所属的函数类型，获得预先测量好的焦点位置；

(三)聚焦函数选择

使用超小波中的轮廓波，作为图像聚焦评价处理函数，其测量值作为神经网络的输入；

(四)图像检测区域选择

对图像水平和竖直方向的灰度值进行统计，得出一个直方图，得出需要检测的范围，确定一个坐标范围；

所述BP神经网络经训练后，对焦流程如下：

(1)驱动自动三维平台，使镜片移动到三个距离相等的位置，分别测得三个位置的聚焦评价值为ss0、ss1、ss2，曝光时间为tt0、tt1、tt2，平均灰度值为dd0、dd1、dd2；

(2)计算平均曝光时间tt＝(tt0+tt1+tt2)/3,及平均灰度值dd＝(dd0+dd1+dd2)/3；

(3)将ss0,ss1,ss2,tt,dd作为输入，经过神经网络计算到输出层，得到输出层的值c，c即为焦点位置预测坐标；

(4)驱动自动三维平台将透镜移动到c处；

(5)记当前位置为n，从当前位置n开始，将镜片向左和右分别移动三次相同的距离a，并测量聚焦评价值；如果遇到比当前值大的位置，记为n，并重复本步骤，直到两边评价值都比n小为止。

2.如权利要求1所述的基于神经网络的微滴式PCR仪自动对焦方法，其特征在于，所述BP神经网络的结构如下：输入层为5个节点，隐含层为100个神经元，输出层为1个神经元；隐含层的激活函数为对数S形转移函数，输出层的激活函数为线性函数，训练函数为梯度下降函数，采用L-M优化算法；迭代次数为1500次，学习率为0.01；根据数字PCR仪的使用环境，输入层的5个输入参数分别为位置为s0时的聚焦评价值、位置为s1时的聚焦评价值、位置为s2时的聚焦评价值、平均灰度值和曝光时间。

3.如权利要求1所述的基于神经网络的微滴式PCR仪自动对焦方法，其特征在于，所述BP神经网络的训练步骤如下：

(1)选取100组不同的h，q组合，作为100个类别，h表示拍摄距离，q表示成像距离；

(2)对于每组类别，选取固定位置的三个p0，p1,p2，测量其聚焦评价值作为s0,s1,s2，测量曝光时间t0,t1,t2，平均灰度值d0,d1,d2；

(3)计算s0,s1,s2的平均曝光时间t＝(t0+t1+t2)/3,及平均灰度值d＝(d0+d1+d2)/3；

(4)对于每组类别，测量其聚焦函数的图像，即移动镜片，测量其聚焦函数值，并找出其峰值的位置p3，聚焦评价值s3；

(5)对于获得的100组s0,s1,s2,d,t,使用y＝(x-min)/(max-min)进行归一化，其中min为x的最小值，max为x的最大值，输入向量为x，归一化后的输出向量为y，归一化后s0,s1,s2,d,t作为输入向量,p3为输出向量；

(6)将此100组数据作为输入进行训练；

(7)训练过程按照BP网络训练步骤训练，具体步骤包括：①输入模式顺传播，即输入模式由输入层经隐含层向输出层传播计算；②输出误差逆传播，即输出的误差由输出层经隐含层传向输入层；③循环记忆训练，即所述模式顺传播与误差逆传播的计算过程反复交替循环进行；④学习结果判别，即判定全局误差是否趋向极小值或是否已达到设定的最大迭代次数。