[发明专利]基于卷积神经网络的孟德尔果蝇遗传性状批量鉴别方法

说明书

本发明属于遗传学与图像智能处理技术领域，具体为一种基于卷积神经网络的孟德尔果蝇遗传性状批量鉴别方法。本发明方法包括使用移动端设备采集果蝇图像，人工标注采集的果蝇定位框、果蝇多性状、果蝇结构关键点数据集；使用随机增强与渐进式增强方法训练模型，使用神经网络量化技术使模型更适合移动端快速运行；利用关键点辅助分类方法，提高长小翅任务的模型可解释性；将多张图像在移动端通过目标检测模型定位图像中每个果蝇的位置，再通过多分类模型区分每个果蝇的长小翅、红白眼与雌雄性状。本发明可以极大地方便实验人员的工作，减少人工重复劳动，节约大量时间并在各个性状分类任务上超过人工分类的准确率，起到标准化的作用。

技术领域

本发明属于遗传学与图像智能处理技术领域，具体涉及一种基于深度卷积神经网络的孟德尔果蝇遗传性状批量鉴别方法。

背景技术

果蝇是经典遗传学研究中被广泛使用的模式生物，在孟德尔果蝇遗传学实验中，为了达到统计效果，实验人员需要人工培养大量果蝇，并逐个观察记录果蝇的遗传性状。传统实验中，这一环节暴露出人工判断性状准确率低、耗时长等问题。而通过机器学习中的深度卷积神经网络技术，就可以让计算机设备直接取代这部分工作。

过去十年间，基于深度学习的计算机视觉问题被广泛研究，并衍生出大量应用。其中，图像分类作为经典的计算机视觉问题，已经具有大量成熟的研究成果，在多数任务下的准确率也已远超人类。在移动端运行轻量级的深度学习模型也是研究热点之一。在上述背景下，本发明提供一种可以在移动端快速运行的果蝇性状批量分类模型，能够以极低的学习成本帮助实验人员快速解决这一原本费力的工作。

发明内容

本发明的目的在于提供一种兼具准确性、效率以及易用性的孟德尔果蝇遗传性状批量鉴别方法。

本发明提供的孟德尔果蝇遗传性状批量鉴别方法，是基于深度卷积神经网络的，其具体步骤如下。

步骤一：采集果蝇图片，进行人工标注；划分训练集、验证集、测试集；

将果蝇使用二氧化碳麻醉后，使用任意移动设备相机，在光学显微镜或解剖镜下采取包含多个果蝇(可以为1至100个，优选20—50个)的多张图片；在经过人工标注后，按照3:1划分训练集与验证集，训练集与验证集由总共28位实验人员培养果蝇并采集果蝇图片，共包含110张原始图片与约3206个果蝇个体。测试集由互相隔离的6位实验人员培养果蝇并采集果蝇图片，以保证隔离测试的效果。测试集共包含9张原始图片与约405个果蝇个体。以保证隔离测试的效果。训练集用于训练模型，验证集用于监控训练效果，测试集用于验证训练好的模型的性能。标注的内容包括果蝇定位框、果蝇关键点、以及果蝇性状。

步骤二：对果蝇图像进行预处理，确定果蝇定位框坐标；

采用EfficientDet Lite模型^[1]作为基础来实现目标检测，具体采取不同规模的EfficientDet Lite模型以应对移动端不同设备的硬件条件。输入图像通过EfficientDetLite模型以及适合移动端运算的全局非极大值抑制方法，输出置信度大于50％的果蝇定位框坐标，置信度阈值也可以由实验人员根据实际情况调整。根据目标检测模型输出的定位框坐标，对原图像进行裁切，产生多个包含单个果蝇的子图像，作为下一步骤中深度卷积神经网络的输入。

步骤三：构建深度卷积神经网络(DCNN)，并进行训练；

所述深度卷积神经网络，是在MobileNetV3模型^[2]的基础上构建而成，包括，去除最后的全连接层，并在全局平局池化层后并行地追加两个全连接的Sigmoid层，分别对应果蝇的红白眼、长小翅性状；对于长小翅的分类，模型还使用专门设计的“关键点辅助分类模块”。在训练过程中采用随机增强与渐进式学习方法，以提高稳定性并防止过拟合。