[发明专利]基于卷积神经网络与时序特征的鸡蛋胚胎分类方法

权利要求书

1.基于卷积神经网络与时序特征的鸡蛋胚胎分类方法，其特征在于，包括以下步骤：

(1)利用近红外激光和传感器透过胚蛋采集胚蛋心跳信号数据；

(2)对步骤(1)中采集到的数据进行预处理，对采集到的胚蛋心跳信号进行低通和高通滤波以滤除部分噪声；

(3)利用步骤(2)中处理后的时序数据生成二维心跳波形图构建数据集；

(4)搭建卷积神经网络；

(5)利用步骤(4)中的卷积神经网络对制作的小规模鸡蛋胚胎心跳数据集进行训练和测试；

(6)根据步骤(5)中的结果调整超参数继续训练网络直到得到性能最佳的网络模型。

2.根据权利要求1所述的基于卷积神经网络与时序特征的鸡蛋胚胎分类方法，其特征在于，步骤(1)中采集数据时，将鸡蛋放在激光器和传感器之间，传感器接收透过鸡蛋的光，然后将采集到的信号进行放大并转换为数字信号；对每个鸡蛋胚胎以62.5hz采样频率连续采集8s的数据，得到500个一维离散数据点。

3.根据权利要求1所述的基于卷积神经网络与时序特征的鸡蛋胚胎分类方法，其特征在于，步骤(2)中，对采集到的数据进行降噪处理，通过2阶巴特沃斯高通滤波器，采样频率为fs＝62.5hz进行处理。

4.根据权利要求1所述的基于卷积神经网络与时序特征的鸡蛋胚胎分类方法，其特征在于，步骤(3)中，构建二维心跳波形图数据集，将滤波后的数据去除前150个数据点，得到波形图。

5.根据权利要求1所述的基于卷积神经网络与时序特征的鸡蛋胚胎分类方法，其特征在于，步骤(4)中，卷积神经网络ESRNet，其核心为SE-Res模块，ESRNet由Conv层、SE-Res模块、pooling层、ReLU层、BN层、scale层和全连接层组成；

输入数据到Conv层，Conv层输出到Pool1层，Pool1层依次输出到多个SE-Res模块，之后输出到Pool2层，Pool2层输出到FC层，FC层输出到Softmax层，Softmax层输出最终胚蛋分类结果。

6.根据权利要求1所述的基于卷积神经网络与时序特征的鸡蛋胚胎分类方法，其特征在于，SE-Res模块分为SE-Res模块a和SE-Res模块b；

SE-Res模块a包含两个分支，来自上层的数据X依次经过BN层和ReLU层后进入两个分支，两个分支的数据在Elwise汇总后输出经过模块处理后的数据其中第一分支输入与输出直接连接在一起；第二分支包含两个Conv层，一个BN层，两个Scale层，一个ReLU层和一个SE block；在第二分支中，来自上层的数据依次经过Conv1层、BN层、Scale层和Conv2层；由Conv2层分别输出至Scale层和SE block，SE block输出至Scale层，Scale层输出至Elwise；

SE-Res模块b包含两个分支，来自上层的数据X依次经过BN层和ReLU层后进入两个分支，两个分支的数据在Elwise汇总后输出经过模块处理后的数据其中第一分支中，来自上层的数据经过Conv3层输出至Elwise；第二分支包含两个Conv层，一个BN层，两个Scale层，一个ReLU层和一个SE block；在第二分支中，来自上层的数据依次经过Conv1层、BN层、Scale层和Conv2层；由Conv2层分别输出至Scale层和SE block，SE block输出至Scale层，Scale层输出至Elwise；

SE-Res模块a中两个分支的输出通道相同，SE-Res模块b中两个分支的输出通道不同；Conv1,Conv2,和Conv3表示卷积层，其中Conv1滤波器kernel尺寸为3×3，stride为2；Conv2滤波器kernel尺寸为3×3，stride为1；Conv3滤波器kernel尺寸为1×1，stride为2。

7.根据权利要求1所述的基于卷积神经网络与时序特征的鸡蛋胚胎分类方法，其特征在于，步骤(5)中，设置输入图像的大小为227×227像素；进行数据扩充，将图像随机裁剪至227×227像素；使用基本尺寸3×3的卷积核。

8.根据权利要求1所述的基于卷积神经网络与时序特征的鸡蛋胚胎分类方法，其特征在于，步骤(6)中，设置最小batch size为40，权重衰减为0.0001，动量为0.9，初始学习率为0.01。