论文部分内容阅读
目前,生物疫苗制备主要采用“鸡胚法”生产,流感疫苗接种和制备前均要对鸡胚的成活性进行检测,避免有问题鸡胚造成污染导致毒株增殖培养失败,同时,养殖业中也需对鸡胚严格筛选,确保孵化过程的顺利进行,因此鸡胚的有效分类对疫苗制造业和养殖业具有重要意义。本文以9-11日龄的6类SPF鸡胚图像为研究对象,在图像预处理基础上,研究了基于Alex Net微调迁移的鸡胚图像分类方法,本文主要工作总结如下:(1)鉴于鸡胚图像背景复杂导致过分割及样本不足易导致网络训练出现过拟合问题,本文通过预处理操作提取ROI(Region of Interest),以及采用数据增强方法以增加训练样本的多样性。基于人工照蛋经验知识,在分析9-11日龄SPF鸡胚图像特点的基础上,筛选整理了6类鸡胚(活胚、弱胚、未受精胚、裂纹胚、污染胚、溶血胚)图像;由于鸡胚图像中存在冗余信息过多、类别数量不均匀等问题,通过Canny边缘检测、白平衡、中值滤波、最大类间方差及掩膜模板轮廓等方法提取ROI;运用旋转、镜像等7项操作对ROI图像进行扩充,得到总计30,000张鸡胚图像数据集,为后续模型训练提供标准的训练及测试样本。(2)鉴于鸡胚图像之间存在血管特征相似性以及蛋壳背景纹路与裂纹胚裂缝特征相似性问题,本文研究了CNN网络组成结构及工作原理,设计了自定义的CNN模型,并对学习率、激活函数、新增局部响应归一化层以及全连接层新增Dropout层进行了说明;基于Tensor Flow GPU框架下(NVIDIA Ge Force 9500 GT,内存32G),对2类数据集、2种不同分辨率ROI图像数据集、2种分类器进行了验证分析,结果表明经过ROI提取、224×224大小、SVM分类器的自定义CNN的分类效果较为理想,平均分类准确率达92.47%。(3)为获得更高鸡胚图像分类准确率,本文以224×224大小的6类ROI鸡胚图像数据集为模型训练与测试样本,研究了基于Alex Net模型的迁移学习方法:特征迁移和微调迁移。特征迁移中,将Image Net数据集上预训练的Alex Net模型作为特征提取器,提取鸡胚图像4096维的深度特征,并将其输入SVM分类器进行分类。微调迁移中,利用Image Net数据集进行预训练,得到Alex Net模型的全部初始化参数,利用鸡胚图像数据集训练并获得该模型的全部微调优化参数;经实验验证,结果表明微调迁移的分类准确性较为理想,活胚分类准确率为96.2%,未受精胚分类准确率为96.2%,裂纹胚分类准确率为95.6%,污染胚分类准确率为95.2%,溶血胚分类准确率为95.6%,弱胚分类准确率为94.8%,其平均分类准确率达到了95.6%,基本满足了9-11日龄SPF鸡胚图像分类准确率的要求。