[发明专利]基于深度学习的基因图像处理估计方法、系统、介质及设备

说明书

一种基于深度学习的基因图像处理方法、系统、介质及设备，获取原始图像，据以组建标注为样本集；划分样本集为训练样本和测试样本，获取并提取预选模型，据以迁移学习训练样本得图像预测模型；根据图像模型计算测试样本得预测计算结果；获取实际监测结果，比较实际监测结果与预测计算结果得指标计算信息，据以计算性能指标数据。本发明解决了现有技术存在的噪音图片过多、模型性能较差和图片标注效果较差的技术问题。

技术领域

本发明涉及一种图像处理方法，特别是涉及一种基于深度学习的基因图像处理估计分类方法、系统、介质及设备。

背景技术

随着在基因表达分析过程中，不同的发展过程中基因的时空表达形式对理解基因的功能以及胚胎的发育机制异常重要，而果蝇由于其易于饲养、繁殖力强、染色体数目少、突变性状多等特性成为遗传学研究的经典材料。类似于目标检测，每个标签对应于某张图片或图片的局部位置，但这种局部性对应关系并未在数据库中显式得标明。这增加了果蝇生物图像自动标注算法实现的难度。果蝇生物图像的自动标注不是在图片级别，这是该问题难以解决的主要原因。随着果蝇基因数据库规模的快速增长，再加上人工标注所耗费的时间、精力等成本过高，并且人工标注需要较强的综合专业知识。自动标注果蝇生物图像成为一个被广泛研究的课题。近几年来，深度学习神经网络由于其良好的性能被广泛用在图像标注领域。也出现一些基于深度学习网络的方法来解决果蝇图像标注问题，但是深度网络仅用来做特征提取，并且没有在基因级别解决标注图像的问题。所以，到目前为止，大多数现有的果蝇生物图像自动标注工具都是基于传统的分类器，而且大多都是在图像级别处理该问题(具体的处理方式是：假设基因对应的所有图片都具有该基因对应的标签。这种假设会影响模型的预测性能并且引入许多噪音图片)，并没有在基因级别处理果蝇图像自动标注问题的深度模型出现。

综上所述，现有技术的存在噪音图片过多、模型性能较差和图片标注效果较差的技术问题。

发明内容

鉴于以上现有技术存在交易安全性低和身份认证准确度不高的技术问题，本发明的目的在于提供一种基于深度学习的基因图像处理估计方法、系统、介质及设备，包括：一种基于深度学习的基因图像处理估计方法分类方法，包括：获取原始图像，据以组建标注为样本集；划分样本集为训练样本和测试样本，获取并提取预选模型，据以迁移学习训练样本得图像预测模型；根据图像模型计算测试样本得预测计算结果；获取实际监测结果，比较实际监测结果与预测计算结果得指标计算信息，据以计算性能指标数据。

于本发明的一实施方式中，获取原始图像，据以组建标注为样本集，包括：获取原始图像、标注信息；获取阶段分类数据，据以分类原始图像为阶段图像；排序标注信息得标注标签；根据阶段图像和标注标签生成标签向量；以阶段图像拼接获取样本数据，根据标签向量筛选样本数据得样本集。

于本发明的一实施方式中，划分样本集为训练样本和测试样本，获取并提取预训练模型，据以迁移学习训练样本得图像.预测模型，包括：按照预设比例划分样本集为训练样本和测试样本；获取一预训练模型；将训练样本按照阶段分类数据输入预训练模型计算得损失关系数据；以预设逻辑更新预训练模型的模型参数；根据模型参数输出待筛模型数据；以预设筛选逻辑筛选待筛模型数据得图像预测模型。

于本发明的一实施方式中，获取一预训练模型，包括：预训练得特征提取层；初始处理得一卷积神经网络层；预设一预测向量层，据以与特征提取层和卷积神经网络层构成预训练模型。

于本发明的一实施方式中，以预设筛选逻辑筛选待筛模型数据得图像预测模型，包括：获取损失关系数据；迭代计算损失关系数据，以得到收敛数据；根据收敛数据判断待筛模型数据是否稳定；若是，则判定当前待筛模型数据对应的模型为图像预测模型；若否，则判定当前待筛模型数据对应的模型非图像预测模型。