[go: up one dir, main page]

CN118150564B - 一种毒性检测方法、装置、设备及存储介质 - Google Patents

一种毒性检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN118150564B
CN118150564B CN202410571819.7A CN202410571819A CN118150564B CN 118150564 B CN118150564 B CN 118150564B CN 202410571819 A CN202410571819 A CN 202410571819A CN 118150564 B CN118150564 B CN 118150564B
Authority
CN
China
Prior art keywords
toxicity
micro
animals
fluid
frame
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202410571819.7A
Other languages
English (en)
Other versions
CN118150564A (zh
Inventor
陶彧
庞铮
许铁夫
王爱杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute Of Technology shenzhen Shenzhen Institute Of Science And Technology Innovation Harbin Institute Of Technology
Original Assignee
Harbin Institute Of Technology shenzhen Shenzhen Institute Of Science And Technology Innovation Harbin Institute Of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Institute Of Technology shenzhen Shenzhen Institute Of Science And Technology Innovation Harbin Institute Of Technology filed Critical Harbin Institute Of Technology shenzhen Shenzhen Institute Of Science And Technology Innovation Harbin Institute Of Technology
Priority to CN202410571819.7A priority Critical patent/CN118150564B/zh
Publication of CN118150564A publication Critical patent/CN118150564A/zh
Application granted granted Critical
Publication of CN118150564B publication Critical patent/CN118150564B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/5005—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells
    • G01N33/5008—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells for testing or evaluating the effect of chemical or biological compounds, e.g. drugs, cosmetics
    • G01N33/5014—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells for testing or evaluating the effect of chemical or biological compounds, e.g. drugs, cosmetics for testing toxicity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Hematology (AREA)
  • Molecular Biology (AREA)
  • Urology & Nephrology (AREA)
  • Toxicology (AREA)
  • Human Computer Interaction (AREA)
  • Microbiology (AREA)
  • Cell Biology (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Biotechnology (AREA)
  • Tropical Medicine & Parasitology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及利用人工智能方法识别液体或水体样品毒性的技术领域，具体是涉及一种毒性检测方法、装置、设备及存储介质。本发明首先对从待检测流体取样得到的流体样品进行图像采集，以得到流体样品的样品视频流，然后对样品视频流中的微型动物图像进行特征提取，以得到微型动物特征，将微型动物特征结合其时间权重和毒性权重，以得到针对待检测流体的毒性检测结果。从上述分析可知直接从待检测流体中取样，根据样品中的微型动物特征分析出待检测流体的毒性，整个过程不涉及长时间观察微型动物的生存状态，从而提高了所得到的毒性检测结果的时效性。

Description

一种毒性检测方法、装置、设备及存储介质
技术领域
本发明涉及利用人工智能方法识别液体或水体样品毒性的技术领域，具体是涉及一种毒性检测方法、装置、设备及存储介质。
背景技术
流动的江河湖海以及污泥等流体中都有可能含有一定浓度的有毒物质，需要及时对其毒性进行检测以保护水环境。现有技术是长时间监测生活在上述流体中的生物，根据监测到的生物生存状态，判断流体的毒性种类以及毒性大小。由于需要长时间监测生物的生存状态，导致需要较长周期才能得到流体的毒性监测结果，从而降低了毒性监测结果的时效性。
综上所述，现有技术的毒性检测结果时效性较差。
因此，现有技术还有待改进和提高。
发明内容
为解决上述技术问题，本发明提供了一种毒性检测方法、装置、设备及存储介质，解决了现有技术的毒性检测结果时效性较差的问题。
为实现上述目的，本发明采用了以下技术方案：
第一方面，本发明提供一种毒性检测方法，其中，包括：
获取流体样品的样品视频流，并提取所述样品视频流上的微型动物特征；
获取有毒物质进入待检测流体的时长，所述待检测流体用于提供所述流体样品，并根据所述时长，确定所述微型动物特征的时间权重；获取所述微型动物特征对所述待检测流体的毒性感敏度，并依据所述毒性感敏度，确定所述微型动物特征的毒性权重；
依据所述微型动物特征、所述时间权重和/或所述毒性权重，得到针对所述待检测流体的实时毒性检测结果。
在一种实现方式中，所述提取所述样品视频流上的微型动物特征，包括：
采用深度学习模型，检测所述样品视频流所包含的连续帧图像上是否含有表壳目个体；
从所述连续帧图像中提取第一次出现所述表壳目个体的帧图像至最后一次出现所述表壳目个体的帧图像，以得到初始帧检测序列；
将所述初始帧检测序列内的帧图像划分成若干初始帧区域，并统计每个所述初始帧区域内的标记有所述表壳目个体的标记帧图像总数；
依据每个所述初始帧区域所对应的所述标记帧图像总数，筛选若干所述初始帧区域，以得到预选帧区域；
统计所述预选帧区域的区域总数，当所述区域总数大于区域阈值时，提取所述样品视频流上的微型动物特征。
在一种实现方式中，所述提取所述样品视频流上的微型动物特征，包括：
从所述样品视频流上的所述初始帧检测序列筛选出标记有所述表壳目个体的标记帧；
提取所述表壳目个体在所述标记帧上的检测框；
对所述表壳目个体应用深度优先搜索算法，以得到所述表壳目个体的外部轮廓；
确定所述检测框的内接圆，并依据所述内接圆的面积和所述外部轮廓的面积，得到所述表壳目个体的缺陷度特征；
将所述缺陷度特征和/或所述标记帧上的所述表壳目个体的面积特征和/或所述标记帧上的所述表壳目个体的颜色特征，作为所述微型动物特征。
在一种实现方式中，所述提取所述样品视频流上的微型动物特征，包括：
识别所述样品视频流中运动的原生动物，并统计运动的所述原生动物的运动个体总数量；
确定运动的所述原生动物的运动特征，并将所述运动个体总数量和所述运动特征作为所述微型动物特征。
在一种实现方式中，所述识别所述样品视频流中运动的原生动物，包括：
对所述样品视频流所包含的连续帧图像应用帧间差分法，以识别所述连续帧图像上的原生动物；
确定所述流体样品和所述样品视频流的采集设备所产生的偏移位移；
依据所述偏移位移，调整前一帧图像上的各个像素点位置以及调整后一帧图像上的各个像素点位置，以得到调整之后的所述前一帧图像和调整之后的所述后一帧图像；
对所述前一帧图像和所述后一帧图像进行差分处理，以识别出运动的原生动物。
在一种实现方式中，所述根据所述时长，确定所述微型动物特征的时间权重，包括：
获取所述微型动物特征随所述时长的特征变化速率，依据所述特征变化速率，得到大于一的中间值；
计算以所述中间值为底数的所述时长的对数函数，并将所述对数函数作为所述时间权重。
在一种实现方式中，所述依据所述微型动物特征、所述时间权重和/或所述毒性权重，得到针对所述待检测流体的实时毒性检测结果，包括：
将所述微型动物特征乘以所述时间权重乘以所述毒性权重，得到每个所述微型动物特征所对应的单一毒性贡献分数；
累加所有的所述微型动物特征所对应的单一毒性贡献分数，得到针对所述待检测流体的实时毒性检测结果。
在一种实现方式中，所述毒性检测方法还包括在毒性检测过程中构建特征图库，所述特征图库包括表壳目的壳体缺陷特征、颜色变异特征、运动状态特征以及双巢目轮虫的伸展或收缩状态特征、食物泡的数量特征和食物泡体积特征。
第二方面，本发明实施例还提供一种毒性检测装置，其中，所述毒性检测装置包括如下组成部分：
特征提取模块，用于获取流体样品的样品视频流，并提取所述样品视频流上的微型动物特征；
权重计算模块，用于获取有毒物质进入待检测流体的时长，所述待检测流体用于提供所述流体样品，并根据所述时长，确定所述微型动物特征的时间权重；获取所述微型动物特征对所述待检测流体的毒性感敏度，并依据所述毒性感敏度，确定所述微型动物特征的毒性权重；
检测模块，用于依据所述微型动物特征、所述时间权重和/或所述毒性权重，得到针对所述待检测流体的实时毒性检测结果。
第三方面，本发明实施例还提供一种终端设备，其中，所述终端设备包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的毒性检测程序，所述处理器执行所述毒性检测程序时，实现上述所述的毒性检测方法的步骤。
第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有毒性检测程序，所述毒性检测程序被处理器执行时，实现上述所述的毒性检测方法的步骤。
有益效果：本发明首先对从待检测流体取样得到的流体样品进行图像采集，以得到流体样品的样品视频流，然后对样品视频流中的微型动物图像进行特征提取，以得到微型动物特征，将微型动物特征结合其时间权重和毒性权重，以得到针对待检测流体的毒性检测结果。从上述分析可知直接从待检测流体中取样，根据样品中的微型动物特征分析出待检测流体的毒性，整个过程不涉及长时间观察微型动物的生存状态，从而提高了所得到的毒性检测结果的时效性。
附图说明
图1为本发明的整体流程图；
图2为本发明实施例中的特征提取流程图；
图3为本发明实施例中的缺陷仿真图；
图4为本发明实施例中的小体积原生动物的数量特征在污染物冲击下随时间变化示意图；
图5为本发明提供的毒性检测装置结构图；
图6为本发明实施例提供的终端设备的内部结构原理框图。
具体实施方式
以下结合实施例和说明书附图，对本发明中的技术方案进行清楚、完整地描述。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
经研究发现，流动的江河湖海以及污泥等流体中都有可能含有一定浓度的有毒物质，需要及时对其毒性进行检测以保护水环境。现有技术是长时间监测生活在上述流体中的生物，根据监测到的生物生存状态，判断流体的毒性种类以及毒性大小。由于需要长时间监测生物的生存状态，导致需要较长周期才能得到流体的毒性监测结果，从而降低了毒性监测结果的时效性。
为解决上述技术问题，本发明提供了一种毒性检测方法、装置、设备及存储介质，解决了现有技术的毒性检测结果时效性较差的问题。具体实施时，首先获取流体样品的样品视频流，并提取所述样品视频流上的微型动物特征；然后获取有毒物质进入待检测流体的时长，并根据所述时长，确定所述微型动物特征的时间权重；获取所述微型动物特征对所述待检测流体的毒性感敏度，并依据所述毒性感敏度，确定所述微型动物特征的毒性权重；最后依据所述微型动物特征、所述时间权重和/或所述毒性权重，得到针对所述待检测流体的实时毒性检测结果。本发明能够提高所得到的毒性检测结果的时效性。
举例说明，已知某条河流（待检测流体）在历史的某一时间A被排放了一定量的有毒物质，并在另一时间B对该条河流进行取样以得到流体样品，有毒物质进入到该条河流的时长就是时间A与时间B之间的时长。
通过图像采集设备拍摄流体样品的样品视频流，并从样品视频流所包括的帧图像上提取微型动物的特征（特征包括形状、大小、颜色、细胞和个体结构，个体结构又包括纤毛数量、伸缩泡数量），由于特征和毒性之间的关联程度与有毒物质的作用时长（也就是有毒物质进入到河流的时长）有关，也与该特征对毒性的敏感程度有关，所以需要制定微型动物特征的时间权重和毒性权重，最后根据微型动物的特征、时间权重和毒性权重，得到样品所含有的有毒物质的数量，再根据该数量和样品体积得出毒性检测结果，该毒性检测结果就是该河流在取样时的毒性实时检测结果。
本实施例的毒性检测方法可应用于终端设备中，所述终端设备可为具有图像分析功能的终端产品，比如电脑等。在本实施例中，如图1中所示，所述毒性检测方法具体包括如下步骤：
S100，获取流体样品的样品视频流，并提取所述样品视频流上的微型动物特征。
S200，获取有毒物质进入待检测流体的时长，所述待检测流体用于提供所述流体样品，并根据所述时长，确定所述微型动物特征的时间权重；获取所述微型动物特征对所述待检测流体的毒性感敏度，并依据所述毒性感敏度，确定所述微型动物特征的毒性权重。
毒性感敏度包括特异性的敏感度和广谱性敏感度，前者用于已知污染物类别的毒性评价，后者用于未知污染物类别/无污染物的自然水体的毒性评价。
S300，依据所述微型动物特征、所述时间权重、所述毒性权重，得到针对所述待检测流体的毒性检测结果。
本发明的应用场景如下：流体样品来自于污染物类别已知的河流，提取流体样品的微型动物特征，并计算该微型动物特征所对应的敏感度权重和时间权重，其中每一个类型的污染物和每一种微型动物特征存在一个敏感度值，相当于所有敏感度值组合在一起就是一个敏感度矩阵，最后根据上述两个权重和微型动物特征，分析出毒性检测结果。
本发明的另一个应用场景如下：流体样品来自于自然水体或未知污染物类别的水体，采用广谱性的敏感度权重（每一种微型动物特征会对应一个敏感度权重，与污染物无关），该敏感度权重结合特征变化，以分析出毒性检测结果。另外对于没有污染排入的自然水体而言，不需要使用时间权重分析毒性检测结果，如果有污染排入的自然水体，但是该污染物的类别未知，则需时间权重结合敏感度权重以分析出毒性检测结果。
在一个实施例中，步骤S100中的获取流体样品的样品视频流的过程如下：
首先从待检测流体提取一定量的流体放入到ROMIDAS设备(实时在线显微数据分析系统)上的SBR反应器中，SBR反应器(SBR也就是序批式活性污泥工艺)中的流体在ROMIDAS设备上的蠕动泵的推动下进入到ROMIDAS设备上的PE薄膜，其中蠕动泵的启动时间受时间继电器的控制，蠕动泵的启动时间间隔为7s，每次的启动时长为0.26s，每次进入到PE薄膜上的流体就是流体样品。其中PE薄膜（聚乙烯塑料膜）包括上下两条PE膜片，上下两条PE膜片和ROMIDAS设备的两个压杆将流体样品（比如活性污泥样品）压制塑封成可供观察的塑料薄片，随后ROMIDAS设备的步进电机驱动传送带，并将塑料薄片传输至显微镜镜头CMOS感光元件下成像并分析以得到样品视频流。ROMIDAS设备中所采用的显微成像的光学设备是BLD-200FB倒置生物显微镜与E3ISPM系列C接口USB3.0 CMOS相机，使用Imageview视频软件进行样品视频流的采集。
该实施例中使用高效的图像捕捉和获取设备，以及可以帮助连续在线实时获取流体样品（比如活性污泥/常规水样）的显微图像的传送装置和显微成像装置，提高了获得的图像的质量，进而提高了最后根据图像上的微型动物特征所获得毒性检测结果的准确性。
在另一个实施例中，使用不同显微镜倍率、其他快速成像设备如流通池等、改变光源（从可见光变为紫外红外荧光等）以获得样品视频流。
提取的流体样品中既有体积较大的表壳目等肉足类原生动物，也有体积较小的鞭毛类原生动物。
在一个实例中，步骤S100使用深度学习模型识别样品视频流所包含的连续帧图像上是否表壳目个体，具体过程如下S101a至S109a：
S101a，采用深度学习模型，检测所述样品视频流所包含的连续帧图像上是否含有表壳目个体。
该实施例中的图像是预处理之后的图像，预处理的过程如下：
在固定时间间隔抽帧的基础上，利用图像灰度标准差、平均灰度阈值以及基于FFT的模糊度计算的方式，逐步筛除空白无用帧、复杂帧和模糊帧，以提高有效图像的比例。
连续帧图像应用由YOLOv5目标检测模型和DeepSORT目标追踪模型组成的深度学习模型判断图像上是否有表壳目个体。比如连续帧图像包括按照拍摄时间依次排列的十三帧图像，用如下的原始检测序列表示各帧图像上是否出现表壳目个体：
0，1，0，0，1，1，1，0，1，1，0，0，0，其中，标记值“1”代表图像上有表壳目个体，标记值“0”代表图像上没有表壳目个体。
S102a，从所述连续帧图像中提取第一次出现所述表壳目个体的帧图像至最后一次出现所述表壳目个体的帧图像，以得到初始帧检测序列。
继续上面的例子，对原始检测序列：0，1，0，0，1，1，1，0，1，1，0，0，0进行提取，得到初始帧检测序列：1，0，0，1，1，1，0，1，1。
S103a，将所述初始帧检测序列内的帧图像划分成若干初始帧区域，并统计每个所述初始帧区域内的标记有所述表壳目个体的标记帧图像总数。
该实施例中将初始帧检测序列等划分成三个初始帧区域，继续上面的例子，将初始帧检测序列：1，0，0，1，1，1，0，1，1划分成如下的三个初始帧区域：
（1,0,0） （1,1,1） （0,1,1）
S104a，依据每个所述初始帧区域所对应的所述标记帧图像总数，筛选若干所述初始帧区域，以得到预选帧区域。
继续上面的例子，设置阈值2，初始帧区域（1,0,0）代表连续的三帧图像只有一帧图像上出现表壳目个体，因此给初始帧区域（1,0,0）赋值为1，由于1小于阈值2，所以初始帧区域（1,0,0）是无效的；初始帧区域（1,1,1）代表连续的三帧图像上都出现了表壳目个体，因此给初始帧区域（1,1,1）赋值3，由于3不小于阈值2，因此初始帧区域（1,1,1）是有效的；初始帧区域（0,1,1）代表连续的三帧图像中有两帧图像上出现表壳目个体，因此给初始帧区域（0,1,1）赋值2，由于2不小于阈值2，因此初始帧区域（0,1,1）是有效的。最后筛选出的预选帧区域为（1,1,1）和（0,1,1）。
该实施例基于如下公式筛选预选帧区域：
，
式中，为阈值，n为每个初始帧区域所包含的帧数，为第个初始帧区域中的第帧图像的标记值，为第个初始帧区域的有效性。等于“1”，代表有效；等于“0”，代表无效。
S105a，统计所述预选帧区域的区域总数，当所述区域总数大于区域阈值时，从所述样品视频流上的所述初始帧检测序列筛选出标记有所述表壳目个体的标记帧。
继续上面的例子，上述样品视频流包括预选帧区域（1,1,1）和预选帧区域（0,1,1）这2个有效区域（也就是预选帧区域的区域总数为2），由于2不小于所设置的区域阈值2，因此样品视频流是有效的，也就是该样品视频流所对应的原始检测序列：0，1，0，0，1，1，1，0，1，1，0，0，0是有效的，也就是该样品视频流上的表壳目个体（该表壳目个体的数量是1）是真实的，该表壳目个体的特征可以参与样品毒性的判断。如有效区域的数量小于阈值2，那么该样品视频流就是无效的，也就是该样品视频流所对应的原始检测序列：0，1，0，0，1，1，1，0，1，1，0，0，0是无效的，即检测到的该表壳目个体不是真实的，它的结果不参与到后续的样品毒性的判断。
上述是基于如下的公式判断原始检测序列是否有效的：
，
式中，代表第个预选帧区域，m为预选帧区域的区域总数，
为阈值，“1”代表有效，“0”代表无效。
当样品视频流中检测到的表壳目个体是真实有效的，随机记录数量+1，提取整个视频流中表壳目的数量特征；同时如图2所示，开始提取表壳目个体的特征，也就是开始执行步骤S106a至S109a：
S106a，提取所述表壳目个体在所述标记帧上的检测框。
也就是根据YOLOv5目标检测结果序列，得到表壳目个体在所述标记帧上的检测框。
标记帧为所述初始帧检测序列筛选出标记有所述表壳目个体的帧图像，继续上面的例子，初始帧检测序列1,0,0,1,1,1,0,1,1，标记帧就是标记有个体的帧图像，标记帧也就是初始帧检测序列中的标记“1”的图像。
S107a，对所述表壳目个体应用深度优先搜索算法，以得到所述表壳目个体的外部轮廓。
S108a，确定所述检测框的内接圆，并依据所述内接圆的面积和所述外部轮廓的面积，得到所述表壳目个体的缺陷度特征。
对表壳目个体依次应用形态学预处理手段腐蚀膨胀方法和深度优先搜索算法，以得到其外部轮廓。
外部轮廓与内接圆之间的面积与内接圆面积的比值则为最终的缺陷度值，也就是缺陷度特征，
图3中的B 为表壳目个体的图像，该表壳目个体的缺陷度值如图3中的A所示。
S109a，将所述缺陷度特征和/或所述标记帧上的所述表壳目个体的面积特征和/或所述标记帧上的所述表壳目个体的颜色特征，作为所述微型动物特征，颜色特征如图3中的C所示。
对于表壳目个体，其面积：
，
为表壳目个体在第个标记帧上的子面积，N为标记帧的总数。
对于表壳目个体，其颜色特征为：
，
对所标记帧都计算，为所有标记帧所对应的最小的
。计算每个标记帧的、、的过程如下：
；
；
；
；
；
；
、、分别为标记帧的三个颜色通道。将颜色通道r内的各个像素点的像素值按照从大到小的顺序排列，从前往后数k个像素值就是，和类似于，为权重。
在另一个实例中，步骤S100使用机器视觉（帧间差分法）识别样品视频流所包含的连续帧图像上的原生动物特征，包括如下的具体步骤S101b至S106b：
S101b，对所述样品视频流所包含的连续帧图像应用帧间差分法，以识别所述连续帧图像上的原生动物。
该实施例中的原生动物为运动的小体积原生动物。该实施例中的帧间差分法是使用隔1帧（相当于第一帧和第三帧做差）做一次差分检测，以检测图像上是否有运动原生动物，并对检测到的运动的原生动物利用面积大小过滤、散点聚类、噪点区域过滤、以及大体积微型动物区域过滤的方式对候选区域集合进行过滤，并得到了每个运动的原生动物的最终的连续检测序列。
S102b，确定所述流体样品和所述样品视频流的采集设备所产生的偏移位移。；
为对样品视频流中的相邻两帧图像应用ORB特征匹配算法，得到两帧图像上的同一个静止物体在两帧图像上所产生的基准位移矢量就是，比如静止物体位于前一帧图像的左上角，静止物体却位于后一帧图像的右上角，那么左上角和右上角之间就是，该基准位移矢量是由流体样品自身的流动以及采集设备的移动造成的，也就是为每一组特征匹配点的位移矢量。为两个相邻的帧之间的特征匹配点的数量。
S103b，依据所述偏移位移，调整前一帧图像上的各个像素点位置以及调整后一帧图像上的各个像素点位置，以得到调整之后的所述前一帧图像和调整之后的所述后一帧图像。
调整前后两帧图像上的像素点位置，也就是将两帧图像上的像素点的位置去掉因设备运动所带来的干扰成分。
S104b，依据调整之后的所述前一帧图像和调整之后的所述后一帧图像，以识别出运动的原生动物。
如果原生动物在调整之后的前后两帧图像上的位置不同，则说明该原生动物为运动的原生动物。
在另一个实施例中，如果某一个原生动物满足下式，则说明该原生动物并不是运动的原生动物，只是由于采集设备的移动所带来的偏移位移导致其位于图像上的不同位置。
，
为原生动物在前一帧图像上的前帧位置，为原生动物后一
帧图像上的后帧位置。
S105b，统计运动的所述原生动物的运动个体总数量Num。
S106b，确定运动的所述原生动物的运动特征，并将所述运动个体总数量
和所述运动特征作为所述微型动物特征。
运动特征包括线速度、角速度，微型动物特征还包括原生动物的面积。其中，线速度：
，
为第时刻原生动物移动的位移，第时刻也就是采集第帧图像的时刻。
；
；
为小体积原生动物检测得到的整体的运动。
步骤S100得到的微型动物特征之所以可以用于检测水质毒性，是因为持续的水质毒性的压力可能会导致对污染物较敏感的物种凋亡，数量减少或物种消失，而一些耐受性较强的物种可能成为优势种，导致物种多样性下降。污染物会对微型动物产生生殖毒性，会抑制微型动物的分裂和繁殖，从而影响微型动物的种群中个体数量。部分原生动物，依赖纤毛进行运动和捕食。某些污染物，如重金属（铜、镉等），可以直接损伤细胞膜和细胞内结构，导致纤毛的功能受损或脱落；干扰轮虫食物泡的形成和功能，从而影响轮虫的营养吸收；具备遗传毒性的污染物可以损伤细胞核中的DNA，影响微型动物生理功能，甚至逐代遗传。
图4也可以证明有毒物质会影响微型动物特征，如图4所示，开始进行Cu2+暴露实验后，小体积原生动物的数量在短时间内大幅度下降。高毒性实验中，小体积原生动物的数量特征对外源来水毒性极其敏感。在冲击开始后，Cu_20实验组的SPn_N从1.0直接下降至0.28，Cu_20_ma实验组的SPn_N从0.9左右大幅下降至0.38。在弱毒性实验中，小体积原生动物的数量特征仍然敏感，Cu_10实验组的SPn_N在开始暴露后的4小时内即从1.0下降到了0.79，Cu_10_ma实验组的SPn_N在暴露后的4小时内即从1.0下降到了0.87；而Cu_5和Cu_5_ma实验组的SPn_N则都是在开始暴露后的8-12小时内才发生较大幅度的下降。Cu_20, Cu_20_ma, Cu_10, Cu_10_ma, Cu_5, Cu_5_ma六个实验组在的第12小时（平稳运行阶段）至第28小时（暴露阶段）时间段内，归一化的小体积原生动物的数量特征的变化率分别为-0.0456、-0.0306、-0.0164、-0.0116、-0.0055、0.028（归一化后的值的变化/小时）。由此可以发现，来水毒性越大，小体积原生动物的数量特征就会越早发生变化，同时这种变化也会更加剧烈。这种变化的幅度和发生变化的时间显然可以帮助区分来水毒性大小。
对于空白对照组而言，Cu2+和Cu2+_ma实验的结果相近，六个实验组在尚未开始毒性暴露的前24小时的时间里的SPn_N值保持稳定，同时空白对照组CK在整个84小时的运行过程中的SPn_N（小体积原生动物数量特征的归一化的值）值基本不变，以上这些结果清楚地表明小体积原生动物的数量特征在正常平稳运行的过程中基本保持稳定，只有在受到来水暴露后才会发生变化。这表明小体积原生动物数量特征在平稳运行时存在一个十分稳定的基线值，侧面证明了方法的可靠性。且这种基线相比于其他生物监测方法，不需要长时间的稳定期， 这也证明了本发明对小体积原生动物数量监测的准确性和方法的优越性。
上述对比实验足以说明水质毒性会影响微型动物数量这一特征。
在一个实施例中，步骤S200中的根据所述时长，确定所述微型动物特征的时间权重（时间权重是指微型动物显微图像中各个特征由于毒性暴露时间的差异所导致的相对重要性的差异），包括如下的具体步骤S201和S202：
S201，获取所述微型动物特征随所述时长的特征变化速率，依据所述特征变化速率，得到大于一的中间值。
比如微型动物特征随毒性暴露时长的增大，特征变化速率越大，说明该特征与毒性的相关程度越大，因此要增大该特征的时间权重，以通过该特征准确判断出毒性大小。
S202， 所述时长的对数函数，并将所述对数函数作为所述时间权重。为第个微型动物特征的时间权重。
在一个实施例中，步骤S200中的所述毒性感敏度，确定所述微型动物特征的毒性权重（为第个微型动物特征的毒性权重），也就是敏感度权重是指赋予微型动物显微图像中各个特征代表对毒性的敏感度的数值，这些数值反映了这些特征对水质毒性指示的相对重要性。
在一个实施例中，步骤S300实时毒性检测结果：
，
为微型动物特征的特征值，为微型动物特征的类型总数，比如检测
Cu的毒性大小时，得到微型动物的小体积原生动物数量小体积原生动物面积、小体积原生动物线速度、小体积原生动物角速度、表壳目数量、表壳目面积这六个毒性权重分别为0.760、0.455、0.076、0.260、0.595、0.345，将这六个特征的值代入到就得到Cu的毒性检测结果。
比如检测Cu_10的毒性大小时，上述六个特征的值分别为0.13035、0.07681、0.19884、0.0786、0.04854、0.10686，将这六个特征的值代入到就得到Cu_10的毒性结果。
比如检测Cu_20的毒性大小时，上述六个特征的值分别为0.61727、0.37651、0.177、0.02601、0.27434、0.03056，将这六个特征的值代入到就得到Cu_20的毒性结果。
将针对各种毒性物质的毒性检测结果进行累加就得到了最终的毒性检测结果。
在一个实施例中，使用随机森林或支持向量机或自动机器学习H2O构建基于微型动物显微图像特征的水质毒性和水质指标预测模型。
以水质指标预测模型为例进行实例演示，利用H2O AutoML自动机器学习模型预测出的氨氮和COD的模型的可解释性图。
小体积原生动物的数量特征与出水指标COD和NH4 +-N呈现出极高的相关性，相关系数分别为-0.76和-0.86。此外，表壳目的数量特征与出水COD和NH4 +-N的相关性系数分别为0.68和0.63。这为后续构建基于微型动物显微图像特征指示水质指标和水质毒性奠定了基础。
随后，对于获取的大量的微型动物图像特征，首先采用MinMaxScaler的方法标准化全部数据，随后设置H2O AutoML中的max_runtime_secs参数为120，带入H2O模型中得到结果并输出可解释性图。以预测水质指标氨氮为例，得到的结果中，R2为0.80，说明可以实时根据微型动物显微图像特征的检测结果预测水质指标。
在一个实施例中，通过步骤S100至步骤S300每完成一次毒性检测之后，都统计在毒性检测过程中所得到的特征，以形成特征图。该实施例中的特征图包括表壳目的壳体缺陷特征、颜色变异特征、运动状态特征，还包括双巢目轮虫的伸展或收缩状态特征、食物泡的数量特征和食物泡大小（大小也就是体积）特征。
通过壳体缺陷特征可以将表壳目个体自动分类为高缺陷个体、低缺陷度个体和无缺陷个体。
采用如下的方法构建颜色变异特征：
应用颜色识别技术和机器学习算法，依据预设的标准色卡和环境影响，精确分类表壳目个体的颜色变异。
采用如下的方法构建运动状态特征：
采用目标检测技术识别伪足的伸出状态，利用预定义的运动参数自动归类个体的活动性。
采用如下的方式构建双巢目轮虫的伸展或收缩状态特征：
通过测量双巢目轮虫的体长和宽度，根据长宽比值k1判断其伸展或收缩状态，与构建双巢目轮虫的伸展或收缩状态特征。也就是利用图像分割技术，自动计算长宽比，并设置阈值（伸展>2，收缩≤1.2），以分类轮虫的身体伸缩状态。
采用如下的方式构建食物泡的数量特征和食物泡大小特征（该特征用于评估轮虫活跃状态和食物丰富程度）：
应用图像分割技术统计食物泡的面积特征，并将面积特征作为食物泡大小特征。
还可以设置面积阈值，将食物泡的面积特征和面积阈值进行比较，如果小于面积阈值，则其营养状态不好，否则营养状态良好。
上述特征图库不限于以上的表壳目和双巢目轮虫，还包括单巢目轮虫、线虫、水蚤、细菌真菌和藻类。
特征图库还可以包括缘毛目中累枝虫的柄的数量以及是否脱柄，双巢目轮虫还可以构建捕食的特征图库。
在一个实施例中，基于上述的毒性检测方法设计一种预警系统，该预警系统包括如下组成部分：
界面：该界面是利用前端JavaScript框架（如React.js或Vue.js），构建高交互性的单页面应用（SPA）。该界面是根据用户需求设计的直观、易于操作的用户界面(UI)，使用户能够快速了解当前的水质状态，包括微型动物的特征变化和水质毒性预测结果。界面中可包括但不限于如下内容：实时数据图表展示、毒性或水质指标预测结果展示、预警信息区域、用于交互区域等。
数据展示模块：通过数据可视化技术，将复杂的数据转换为直观的图表，使非专业用户也能轻松理解水质毒性状态。如：实时数据图表采用动态更新的曲线图来展示微型动物数量等显微图像特征随时间的变化，使用散点图展示不同类型微型动物的分布。此外，通过进度条或仪表盘展示水质指标预测结果（如COD、氨氮值）的实时数据，展示水质毒性的大小变化，以及与历史数据的比较。
预警机制模块：根据水质毒性预测结果，自动触发预警信息，及时通知用户采取相应措施。如：系统根据预设的毒性等级阈值，当检测到水质毒性达到或超过黄色预警等级时，自动发送预警邮件和短信给注册的用户，并在界面上弹出预警提示框。预警信息包括检测到的毒性等级、可能的影响、建议的响应措施等。
用户交互模块：提供用户友好的交互方式，使用户能够自定义监测设置，如选择关注的微型动物种类、设置预警等级阈值等。如：用户可以通过设置界面选择监测的微型动物种类和数量阈值，自定义预警等级和通知方式。例如，用户可以设置当某种微型动物的数量特征下降超过50%时发送黄色预警信号，下降超过75%时发送红色预警信号。此外，用户还可以订阅日常水质报告，通过电子邮件或应用内消息接收。
本实施例还提供一种毒性检测装置，如图5所示，所述毒性检测装置包括如下组成部分：
特征提取模块01，用于获取流体样品的样品视频流，并提取所述样品视频流上的微型动物特征；
权重计算模块02，用于获取有毒物质进入待检测流体的时长，所述待检测流体用于提供所述流体样品，并根据所述时长，确定所述微型动物特征的时间权重；获取所述微型动物特征对所述待检测流体的毒性感敏度，并依据所述毒性感敏度，确定所述微型动物特征的毒性权重；
检测模块03，用于依据所述微型动物特征、所述时间权重、所述毒性权重，得到针对所述待检测流体的实时毒性检测结果。
基于上述实施例，本发明还提供了一种终端设备，其原理框图可以如图6所示。该终端设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏。其中，该终端设备的处理器用于提供计算和控制能力。该终端设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该终端设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种毒性检测方法。该终端设备的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解，图6中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端设备的限定，具体的终端设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种终端设备，终端设备包括存储器、处理器及存储在存储器中并可在处理器上运行的毒性检测程序，处理器执行毒性检测程序时，实现如下操作指令：
获取流体样品的样品视频流，并提取所述样品视频流上的微型动物特征；
获取有毒物质进入待检测流体的时长，所述待检测流体用于提供所述流体样品，并根据所述时长，确定所述微型动物特征的时间权重；获取所述微型动物特征对所述待检测流体的毒性感敏度，并依据所述毒性感敏度，确定所述微型动物特征的毒性权重；
依据所述微型动物特征、所述时间权重、所述毒性权重，得到针对所述待检测流体的实时毒性检测结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种毒性检测方法，其特征在于，包括：
获取流体样品的样品视频流，并提取所述样品视频流上的微型动物特征；
获取有毒物质进入待检测流体的时长，所述待检测流体用于提供所述流体样品，并根据所述时长，确定所述微型动物特征的时间权重；获取所述微型动物特征对所述待检测流体的毒性感敏度，并依据所述毒性感敏度，确定所述微型动物特征的毒性权重；
依据所述微型动物特征、所述时间权重和/或所述毒性权重，得到针对所述待检测流体的实时毒性检测结果；
所述根据所述时长，确定所述微型动物特征的时间权重，包括：
获取所述微型动物特征随所述时长的特征变化速率，依据所述特征变化速率，得到大于一的中间值；
计算以所述中间值为底数的所述时长的对数函数，并将所述对数函数作为所述时间权重。
2.如权利要求1所述的毒性检测方法，其特征在于，所述提取所述样品视频流上的微型动物特征，包括：
采用深度学习模型，检测所述样品视频流所包含的连续帧图像上是否含有表壳目个体；
从所述连续帧图像中提取第一次出现所述表壳目个体的帧图像至最后一次出现所述表壳目个体的帧图像，以得到初始帧检测序列；
将所述初始帧检测序列内的帧图像划分成若干初始帧区域，并统计每个所述初始帧区域内的标记有所述表壳目个体的标记帧图像总数；
依据每个所述初始帧区域所对应的所述标记帧图像总数，筛选若干所述初始帧区域，以得到预选帧区域；
统计所述预选帧区域的区域总数，当所述区域总数大于区域阈值时，提取所述样品视频流上的微型动物特征。
3.如权利要求2所述的毒性检测方法，其特征在于，所述提取所述样品视频流上的微型动物特征，包括：
从所述样品视频流上的所述初始帧检测序列中筛选出标记有所述表壳目个体的标记帧；
提取所述表壳目个体在所述标记帧上的检测框；
对所述表壳目个体应用深度优先搜索算法，以得到所述表壳目个体的外部轮廓；
确定所述检测框的内接圆，并依据所述内接圆的面积和所述外部轮廓的面积，得到所述表壳目个体的缺陷度特征；
将所述缺陷度特征和/或所述标记帧上的所述表壳目个体的面积特征和/或所述标记帧上的所述表壳目个体的颜色特征，作为所述微型动物特征。
4.如权利要求1所述的毒性检测方法，其特征在于，所述提取所述样品视频流上的微型动物特征，包括：
识别所述样品视频流中运动的原生动物，并统计运动的所述原生动物的运动个体总数量；
确定运动的所述原生动物的运动特征，并将所述运动个体总数量和所述运动特征作为所述微型动物特征。
5.如权利要求4所述的毒性检测方法，其特征在于，所述识别所述样品视频流中运动的原生动物，包括：
确定所述流体样品和所述样品视频流的采集设备所产生的偏移位移；
依据所述偏移位移，调整前一帧图像上的各个像素点位置以及调整后一帧图像上的各个像素点位置，以得到调整之后的所述前一帧图像和调整之后的所述后一帧图像；
对所述前一帧图像和所述后一帧图像进行差分处理，以识别出运动的原生动物。
6.如权利要求1所述的毒性检测方法，其特征在于，所述依据所述微型动物特征、所述时间权重和/或所述毒性权重，得到针对所述待检测流体的实时毒性检测结果，包括：
将所述微型动物特征乘以所述时间权重乘以所述毒性权重，得到每个所述微型动物特征所对应的单一毒性贡献分数；
累加所有的所述微型动物特征所对应的单一毒性贡献分数，得到针对所述待检测流体的实时毒性检测结果。
7.如权利要求1-6任一项所述的毒性检测方法，其特征在于，所述毒性检测方法还包括在毒性检测过程中构建特征图库，所述特征图库包括表壳目的壳体缺陷特征、颜色变异特征、运动状态特征以及双巢目轮虫的伸展或收缩状态特征、食物泡的数量特征和食物泡体积特征。
8.一种毒性检测装置，其特征在于，所述毒性检测装置包括如下组成部分：
特征提取模块，用于获取流体样品的样品视频流，并提取所述样品视频流上的微型动物特征；
权重计算模块，用于获取有毒物质进入待检测流体的时长，所述待检测流体用于提供所述流体样品，并根据所述时长，确定所述微型动物特征的时间权重；获取所述微型动物特征对所述待检测流体的毒性感敏度，并依据所述毒性感敏度，确定所述微型动物特征的毒性权重；
检测模块，用于依据所述微型动物特征、所述时间权重和/或所述毒性权重，得到针对所述待检测流体的实时毒性检测结果；
所述根据所述时长，确定所述微型动物特征的时间权重，包括：
获取所述微型动物特征随所述时长的特征变化速率，依据所述特征变化速率，得到大于一的中间值；
计算以所述中间值为底数的所述时长的对数函数，并将所述对数函数作为所述时间权重。
9.一种终端设备，其特征在于，所述终端设备包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的毒性检测程序，所述处理器执行所述毒性检测程序时，实现如权利要求1-7任一项所述的毒性检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有毒性检测程序，所述毒性检测程序被处理器执行时，实现如权利要求1-7任一项所述的毒性检测方法的步骤。
CN202410571819.7A 2024-05-10 2024-05-10 一种毒性检测方法、装置、设备及存储介质 Active CN118150564B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410571819.7A CN118150564B (zh) 2024-05-10 2024-05-10 一种毒性检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410571819.7A CN118150564B (zh) 2024-05-10 2024-05-10 一种毒性检测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN118150564A CN118150564A (zh) 2024-06-07
CN118150564B true CN118150564B (zh) 2024-07-19

Family

ID=91297128

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410571819.7A Active CN118150564B (zh) 2024-05-10 2024-05-10 一种毒性检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN118150564B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1148890A (zh) * 1994-03-19 1997-04-30 瑞士联邦装备服务集团斯彼茨Ac实验室 用于检测毒性的方法、装置及其应用

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4999742B2 (ja) * 2008-03-18 2012-08-15 メタウォーター株式会社 毒性物質検出方法及び毒性物質検出装置
CN108344847A (zh) * 2018-02-05 2018-07-31 环境保护部华南环境科学研究所 一种利用四膜虫监测水质毒性的方法
WO2021237608A1 (zh) * 2020-05-28 2021-12-02 京东方科技集团股份有限公司 基于异构平台的目标检测方法、终端设备和存储介质
CN113406287A (zh) * 2021-05-27 2021-09-17 中国科学院水生生物研究所 一种优控重金属污染物铬的区域性保护水生生物水质基准推导方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1148890A (zh) * 1994-03-19 1997-04-30 瑞士联邦装备服务集团斯彼茨Ac实验室 用于检测毒性的方法、装置及其应用

Also Published As

Publication number Publication date
CN118150564A (zh) 2024-06-07

Similar Documents

Publication Publication Date Title
Horrigan et al. Response of stream macroinvertebrates to changes in salinity and the development of a salinity index
Leow et al. Automated identification of copepods using digital image processing and artificial neural network
Zhang et al. A precise apple leaf diseases detection using BCTNet under unconstrained environments
CN108629369A (zh) 一种基于Trimmed SSD的尿沉渣有形成分自动识别方法
CN115311657B (zh) 多源藻类图像目标检测方法、系统、电子设备及存储介质
Nguyen et al. Assessing industrial wastewater effluent toxicity using boosting algorithms in machine learning: A case study on ecotoxicity prediction and control strategy development
CN111898677A (zh) 一种基于深度学习的浮游生物自动检测方法
CN114005064A (zh) 一种基于机器视觉技术的生物式水体污染预警方法及装置
Nagai et al. Deep learning classification of urinary sediment crystals with optimal parameter tuning
Wasik et al. Artificial intelligence applications in fish classification and taxonomy: Advancing our understanding of aquatic biodiversity
Han et al. Macrobenthic indicator species: from concept to practical applications in marine ecology
CN118150564B (zh) 一种毒性检测方法、装置、设备及存储介质
Cheng et al. YOLO-CG-HS: A lightweight spore detection method for wheat airborne fungal pathogens
Barton et al. A novel fluoro‐electrochemical technique for classifying diverse marine nanophytoplankton
Du et al. An improved ResNet method for urban flooding water depth estimation from social media images
CN116385334A (zh) 一种用于尿沉渣检查的高效yolo检测方法
Galata et al. Rapid detection of microfibres in environmental samples using open-source visual recognition models
Su et al. A hybrid model of ARIMA and MLP with a Grasshopper optimization algorithm for time series forecasting of water quality
CN115050023B (zh) 一种基于卷积神经网络的进水风险类型识别方法
CN117711500A (zh) 一种适用于湖泊浮游生物快速定量分析的方法
CN112561307B (zh) 流域水环境大数据画像系统及方法
CN117541547A (zh) 一种基于人工智能模型的青光眼图像检测方法及系统
Luviano Soto et al. Water quality polluted by total suspended solids classified within an artificial neural network approach
Sharma et al. Automated Multi-Species Classification Using Wildlife Datasets Based On Deep Learning Algorithms
US20250201004A1 (en) Method and system for detection of sperm using virtual-staining

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant