开云优惠体育网页版入口

专利名称：一种面向生物样品检测的样品试管状态检测方法及系统

专利类型：发明专利

专利申请号：CN202411356872.1

专利申请（专利权）人：石家庄博瑞迪生物技术有限公司,石家庄博瑞迪生物技术有限公司广州分公司
权利人地址：河北省石家庄市高新区太行南大街769号京石协作创新示范园内202号厂房B(A12)栋504

专利发明（设计）人：叶伟健,杜江圣,张嘉楠,钱长嵩

专利摘要：本发明公开了一种面向生物样品检测的样品试管状态检测方法及系统，涉及试管状态检测领域，本发明通过将模型集成到实时监测系统中，实现了自动化的样品检测流程，减少了人工干预，提高了检测过程的连续性和响应速度。

主权利要求：
1.一种面向生物样品检测的样品试管状态检测方法，其特征在于，包括以下步骤：S1.分别采集样品试管的试管状态数据、样品光谱数据和样品信息数据，并根据试管状态数据通过边缘检测采集试管容量数据和试管液位数据；
S2.根据所采集得到的试管容量数据、试管液位数据、样品光谱数据和样品信息数据进行特征提取和特征融合；
S3.分别构建MAML元模型和包含有SiameseNetworks、SNNs和CapsNets基模型；
S4.通过基模型分别对融合后的特征进行预测，并通过元模型对基模型的预测进行整合并作为新特征进行预测；
S5.根据预测结果对样品试管进行合格定性，并筛选出合格与不合格的样品试管；
其中，所述步骤S4具体包括以下子步骤：
S401.通过SiameseNetworks基模型比较样品试管的容量特征和液位特征，对样品的相似性和差异性进行识别；
S402.通过SNNs响应光谱特征的时间序列变化，对生化反应速率进行预测；
S403.通过CapsNets基模型分析样品在试管中的分布和形态，对样品的填充状态和沉淀物进行识别；
S404.对基模型输出特征进行融合，并通过元模型对特征进行综合预测，输出预测结果。
2.如权利要求1所述的一种面向生物样品检测的样品试管状态检测方法，其特征在于，所述步骤S401中，对样品的相似性和差异性进行识别，具体通过定义的损失函数进行识别，其损失函数定义为：；
其中，所述 表示SiameseNetworks的损失值，用于衡量待检测样品数据与参考样品数据之间的差异，所述 表示第i个待检测样品数据的特征向量，所述表示与 对应的参考样品数据的特征向量，所述i表示索引。
3.如权利要求1所述的一种面向生物样品检测的样品试管状态检测方法，其特征在于，所述步骤S402中，对生化反应速率进行预测，具体通过模拟生物神经元的尖峰活动进行预测，其流程为：；
其中，所述 表示在时间t+1时刻，第i个神经元的膜电位，所述 表示波长，所述 表示第i个神经元与 波段光谱数据之间的突触权重，所述 表示在时间t时刻，波长为 的光谱数据，所述 表示在时间t?1时刻，第i个神经元的膜电位，所述 表示膜电位的时间常数，影响神经元响应的时间尺度，所述 表示第i个神经元的外部输入电流。
4.如权利要求1所述的一种面向生物样品检测的样品试管状态检测方法，其特征在于，所述步骤S403中，对样品的填充状态和沉淀物进行识别，具体通过动态路由算法对特征信息进行整合，其流程为：；
其中，所述 表示第j个胶囊在第k+1次迭代的输出向量，所述 表示在第k次迭代中，从第i层胶囊到第j层胶囊的路由权重，所述 表示第i层胶囊的输出向量，代表低级胶囊的特征。
5.如权利要求1所述的一种面向生物样品检测的样品试管状态检测方法，其特征在于，所述步骤S404中，对基模型输出特征进行融合具体表示为：；
其中，所述 表示融合后的综合特征向量，用于表示样品的全面特性，所述 表示来自SpikingNeuralNetworks的时间序列特征，所述 表示来自CapsuleNetworks的形态和结构特征，所述 表示来自SiameseNetworks的相似性特征。
6.如权利要求1所述的一种面向生物样品检测的样品试管状态检测方法，其特征在于，所述步骤S404中，通过元模型对特征进行综合预测，输出预测结果具体包括以下子步骤：S4041.通过MAML模型对样品试管合格预测任务进行适应，所述MAML模型表示为：；
其中，所述 表示在新任务上适应后的模型参数，所述 表示原始模型参数，所述表示学习率，控制参数更新的步长，所述 表示在 处的适应损失函数的梯度，所述 表示融合后的综合特征向量；
S4042.通过AdamW优化器对模型参数进行更新，其更新流程表示为：；
其中，所述 表示更新后的模型参数，所述 表示一阶矩的估计值，所述 表示二阶矩的估计值，所述 表示二阶矩的指数衰减率，所述 表示常数，用于数值稳定，所述 表示权重衰减项，用于正则化控制模型复杂度；
S4043.根据试管多样性，通过构建的MAML模型对样品试管状态进行预测，所述试管多样性根据融合的基模型输出特征获。湓げ饬鞒瘫硎疚：；
其中，所述 表示元模型的最终预测结果，所述 表示元模型的集成函数，用于整合基模型的预测，所述 表示基模型对融合特征 的预测。
7.一种面向生物样品检测的样品试管状态检测系统，所述该系统基于权利要求1?6任一项所述的一种面向生物样品检测的样品试管状态检测方法实现，其特征在于，包括：数据采样模块，用于采集样品试管的试管状态数据、样品光谱数据和样品信息数据，并根据试管状态数据通过边缘检测采集试管容量数据和试管液位数据；
特征提取模块，用于根据所采集得到的试管容量数据、试管液位数据、样品光谱数据和样品信息数据进行特征提取和特征融合；
模型构建模块，用于构建MAML元模型和包含有SiameseNetworks、SNNs和CapsNets基模型；
模型预测模块，用于通过基模型分别对融合后的特征进行预测，并通过元模型对基模型的预测进行整合并作为新特征进行预测；
状态检测模块，用于根据预测结果对样品试管进行合格定性，并筛选出合格与不合格的样品试管。
8.如权利要求7所述一种面向生物样品检测的样品试管状态检测系统，其特征在于，所述模型预测模块具体包括：SiameseNetworks基模型单元，用于通过SiameseNetworks基模型比较样品试管的容量特征和液位特征，对样品的相似性和差异性进行识别；
SNNs基模型单元，用于通过SNNs响应光谱特征的时间序列变化，对生化反应速率进行预测；
CapsNets基模型单元，用于通过CapsNets基模型分析样品在试管中的分布和形态，对样品的填充状态和沉淀物进行识别；
MAML元模型单元，用于对基模型输出特征进行融合，并通过元模型对特征进行综合预测，输出预测结果。
9.如权利要求8所述一种面向生物样品检测的样品试管状态检测系统，其特征在于，所述MAML元模型单元中，对基模型输出特征进行融合具体表示为：；
其中，所述 表示融合后的综合特征向量，用于表示样品的全面特性，所述表示来自SpikingNeuralNetworks的时间序列特征，所述 表示来自CapsuleNetworks的形态和结构特征，所述 表示来自SiameseNetworks的数据相似性特征。
10.如权利要求8所述一种面向生物样品检测的样品试管状态检测系统，其特征在于，所述MAML元模型单元具体包括：适应性优化子单元，用于通过MAML模型对样品试管合格预测任务进行适应，所述MAML模型表示为：；
其中，所述 表示在新任务上适应后的模型参数，所述 表示原始模型参数，所述 表示学习率，控制参数更新的步长，所述 表示在 处的适应损失函数的梯度，所述 表示融合后的综合特征向量；
模型更新子单元，用于通过AdamW优化器对模型参数进行更新，其更新流程表示为：；
其中，所述 表示更新后的模型参数，所述 表示一阶矩的估计值，所述 表示二阶矩的估计值，所述 表示二阶矩的指数衰减率，所述 表示常数，用于数值稳定，所述表示权重衰减项，用于正则化控制模型复杂度；
模型预测子单元，用于根据试管多样性，通过构建的MAML模型对样品试管状态进行预测，所述试管多样性根据融合的基模型输出特征获。湓げ饬鞒瘫硎疚：；
其中，所述 表示元模型的最终预测结果，所述 表示元模型的集成函数，用于整合基模型的预测，所述 表示基模型对融合特征 的预测。 说明书 : 一种面向生物样品检测的样品试管状态检测方法及系统技术领域[0001] 本发明涉及试管融合模型检测领域，具体是一种面向生物样品检测的样品试管状态检测方法及系统。背景技术[0002] 在现代科研和工业生产中，试管检测是一项基础而关键的技术。现有的技术通常依赖于一系列标准化的实验室测试流程，包括但不限于化学成分分析、光谱分析、微生物培养等方法。这些方法能够提供精确的测量结果，但往往需要较长的时间和专业的操作人员。例如，光谱分析技术通过测量样品对特定波长的光的吸收或散射，来确定样品中的化学成分。这种方法在定性和定量分析中都非常有效，但可能因设备成本高、操作复杂而限制了其在快速检测场景中的应用。微生物培养则通过观察样品在特定培养基上的生长情况来评估样品的微生物含量，这一过程通常需要数小时到数天的时间，不利于即时检测需求。[0003] 此外，传统的试管检测方法在数据处理上也存在局限性。大量的实验数据需要人工记录和分析，这不仅增加了工作量，也提高了出错率。尽管一些自动化设备能够提供部分解决方案，但它们往往专注于单一的检测任务，缺乏灵活性和适应性，难以应对多变的检测需求。[0004] 针对现有试管检测技术的局限性，特别是在快速适应性和多模态数据处理方面的不足，显得尤为突出。一方面，传统方法在面对新的检测任务或未知样品时，往往需要重新校准设备或调整实验参数，这一过程耗时且可能影响检测结果的准确性。另一方面，现有技术在处理多模态数据时，往往缺乏有效的数据融合策略，导致无法充分利用不同数据源中的信息。例如，化学成分分析和光谱数据通常由不同的设备独立完成，它们之间的关联性分析不足，限制了对样品特性全面理解的能力。[0005] 此外，现有技术在实时监测和自动化方面的不足也制约了检测效率的提升。尽管一些自动化设备能够进行样品的自动取样和分析，但它们通常缺乏智能决策支持，无法根据实时数据调整检测流程。这在处理复杂或多变的样品特性时尤其成问题，需要更高级的算法来实现快速准确的评估。[0006] 综上所述，现有试管检测技术在适应性、数据处理能力、实时监测和自动化方面存在明显的缺陷，这限制了其在快速、精准检测领域的发展和应用。针对这些缺陷，新的检测方案需要提供更加灵活、高效、智能的解决方案，以满足日益增长的检测需求。发明内容[0007] 本发明提出了一种面向生物样品检测的样品试管状态检测方法及系统，以解决上述问题。[0008] 其中，一种面向生物样品检测的样品试管状态检测方法，包括以下步骤：[0009] S1.分别采集样品试管的试管状态数据、样品光谱数据和样品信息数据，并根据试管状态数据通过边缘检测采集试管容量数据和试管液位数据；[0010] S2.根据所采集得到的试管容量数据、试管液位数据、样品光谱数据和样品信息数据进行特征提取和特征融合；[0011] S3.分别构建MAML元模型和包含有SiameseNetworks、SNNs和CapsNets基模型；[0012] S4.通过基模型分别对融合后的特征进行预测，并通过元模型对基模型的预测进行整合并作为新特征进行预测；[0013] S5.根据预测结果对样品试管进行合格定性，并筛选出合格与不合格的样品试管；[0014] 其中，所述步骤S4具体包括以下子步骤：[0015] S401.通过SiameseNetworks基模型比较样品试管的容量特征和液位特征，对样品的相似性和差异性进行识别；[0016] S402.通过SNNs响应光谱特征的时间序列变化，对生化反应速率进行预测；[0017] S403.通过CapsNets基模型分析样品在试管中的分布和形态，对样品的填充状态和沉淀物进行识别；[0018] S404.对基模型输出特征进行融合，并通过元模型对特征进行综合预测，输出预测结果。[0019] 进一步的，所述步骤S401中，对样品的相似性和差异性进行识别，具体通过定义的损失函数进行识别，其损失函数定义为：[0020] ；[0021] 其中，所述 表示SiameseNetworks的损失值，用于衡量待检测样品图像与参考样品图像之间的差异，所述 表示第i个待检测样品图像的特征向量，所述 表示与 对应的参考样品图像的特征向量。[0022] 进一步的，所述步骤S402中，对生化反应速率进行预测，具体通过模拟生物神经元的尖峰活动进行预测，其流程为：[0023] ；[0024] 其中，所述 表示在时间t+1时刻，第i个神经元的膜电位，所述 表示波长，所述 表示第i个神经元与 波段光谱数据之间的突触权重，所述 表示在时间t时刻，波长为 的光谱数据，所述 表示在时间t?1时刻，第i个神经元的膜电位，所述 表示膜电位的时间常数，影响神经元响应的时间尺度，所述 表示第i个神经元的外部输入电流。[0025] 进一步的，所述步骤S403中，对样品的填充状态和沉淀物进行识别，具体通过动态路由算法对特征信息进行整合，其流程为：[0026] ；[0027] 其中，所述 表示第j个胶囊在第k+1次迭代的输出向量，所述 表示在第k次迭代中，从第i层胶囊到第j层胶囊的路由权重，所述 表示第i层胶囊的输出向量，代表低级胶囊的特征。[0028] 进一步的，所述步骤S404中，对基模型输出特征进行融合具体表示为：[0029] ；[0030] 其中，所述 表示融合后的综合特征向量，用于表示样品的全面特性，所述表示来自SpikingNeuralNetworks的时间序列特征，所述 表示来自CapsuleNetworks的形态和结构特征，所述 表示来自SiameseNetworks的图像相似性特征。[0031] 进一步的，所述步骤S404中，通过元模型对特征进行综合预测，输出预测结果具体包括以下子步骤：[0032] S4041.通过MAML模型对样品试管合格预测任务进行适应，所述MAML算法表示为：[0033] ；[0034] 其中，所述 表示在新任务上适应后的模型参数，所述 表示原始模型参数，所述 表示学习率，控制参数更新的步长，所述表示在 处的适应损失函数 的梯度，所述 表示融合后的综合特征向量；[0035] S4042.通过AdamW优化器对模型参数进行更新，其更新流程表示为：[0036] ；[0037] 其中，所述 表示更新后的模型参数，所述 表示一阶矩的估计值，所述 表示二阶矩的估计值，所述 表示二阶矩的指数衰减率，所述 表示常数，用于数值稳定，所述 表示权重衰减项，用于正则化控制模型复杂度；[0038] S4043.根据试管多样性，通过构建的MAML模型对样品试管状态进行预测，所述试管多样性根据融合的基模型输出特征获。湓げ饬鞒瘫硎疚：[0039] ；[0040] 其中，所述 表示元模型的最终预测结果，所述 表示元模型的集成函数，用于整合基模型的预测，所述 表示基模型对融合特征 的预测。[0041] 进一步的，提出一种面向生物样品检测的样品试管状态检测系统，所述该系统基于上述任一项所述的一种面向生物样品检测的样品试管状态检测方法实现，包括：[0042] 数据采样模块，用于采集样品试管的试管状态数据、样品光谱数据和样品信息数据，并根据试管状态数据通过Canny边缘检测采集试管容量数据和试管液位数据；[0043] 特征提取模块，用于根据所采集得到的试管容量数据、试管液位数据、样品光谱数据和样品信息数据进行特征提取和特征融合；[0044] 模型构建模块，用于构建MAML元模型和包含有SiameseNetworks、SNNs和CapsNets基模型；[0045] 模型预测模块，用于通过基模型分别对融合后的特征进行预测，并通过元模型对基模型的预测进行整合并作为新特征进行预测；[0046] 状态检测模块，用于根据预测结果对样品试管进行合格定性，并筛选出合格与不合格的样品试管；[0047] 进一步的，所述模型预测模块具体包括：[0048] SiameseNetworks基模型单元，用于通过SiameseNetworks基模型比较样品试管的容量特征和液位特征，对样品的相似性和差异性进行识别；[0049] SNNs基模型单元，用于通过SNNs响应光谱特征的时间序列变化，对生化反应速率进行预测；[0050] CapsNets基模型单元，用于通过CapsNets基模型分析样品在试管中的分布和形态，对样品的填充状态和沉淀物进行识别；[0051] MAML元模型单元，用于对基模型输出特征进行融合，并通过元模型对特征进行综合预测，输出预测结果。[0052] 进一步的，所述MAML元模型单元中，对基模型输出特征进行融合具体表示为：[0053] ；[0054] 其中，所述 表示融合后的综合特征向量，用于表示样品的全面特性，所述表示来自SpikingNeuralNetworks的时间序列特征，所述 表示来自CapsuleNetworks的形态和结构特征，所述 表示来自SiameseNetworks的相似性特征。[0055] 进一步的，所述MAML元模型单元具体包括：[0056] 适应性优化子单元，用于通过MAML模型对样品试管合格预测任务进行适应，所述MAML算法表示为：[0057] ；[0058] 其中，所述 表示在新任务上适应后的模型参数，所述 表示原始模型参数，所述 表示学习率，控制参数更新的步长，所述 表示在 处的适应损失函数的梯度，所述 表示融合后的综合特征向量；[0059] 模型更新子单元，用于通过AdamW优化器对模型参数进行更新，其更新流程表示为：[0060] ；[0061] 其中，所述 表示更新后的模型参数，所述 表示一阶矩的估计值，所述 表示二阶矩的估计值，所述 表示二阶矩的指数衰减率，所述 表示常数，用于数值稳定，所述 表示权重衰减项，用于正则化控制模型复杂度；[0062] 模型预测子单元，用于根据试管多样性，通过构建的MAML模型对样品试管状态进行预测，所述试管多样性根据融合的基模型输出特征获。湓げ饬鞒瘫硎疚：[0063] ；[0064] 其中，所述 表示元模型的最终预测结果，所述 表示元模型的集成函数，用于整合基模型的预测，所述 表示基模型对融合特征 的预测。[0065] 本发明的有益效果是：[0066] 本发明通过将模型集成到实时监测系统中，实现了自动化的样品检测流程，减少了人工干预，提高了检测过程的连续性和响应速度。附图说明[0067] 图1为本发明实施例提供的方法流程图。具体实施方式[0068] 下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。[0069] 为了使本发明的目的，技术方案及优点更加清楚明白，结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。[0070] 因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。[0071] 而且，术语“包括”，“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程，方法，物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程，方法，物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程，方法，物品或者设备中还存在另外的相同要素。[0072] 以下结合实施例对本发明的特征和性能作进一步的详细描述。[0073] 其中，如图1，一种面向生物样品检测的样品试管状态检测方法，包括以下步骤：[0074] S1.分别采集样品试管的试管状态图像、样品光谱数据和样品信息数据，并根据试管状态图像通过边缘检测采集试管容量数据和试管液位数据；[0075] S2.根据所采集得到的试管容量数据、试管液位数据、样品光谱数据和样品信息数据进行特征提取和特征融合；[0076] S3.分别构建MAML元模型和包含有SiameseNetworks、SNNs和CapsNets基模型；[0077] S4.通过基模型分别对融合后的特征进行预测，并通过元模型对基模型的预测进行整合并作为新特征进行预测；[0078] S5.根据预测结果对样品试管进行合格定性，并筛选出合格与不合格的样品试管；[0079] 其中，所述步骤S4具体包括以下子步骤：[0080] S401.通过SiameseNetworks基模型比较样品试管的容量特征和液位特征，对样品的相似性和差异性进行识别；[0081] S402.通过SNNs响应光谱特征的时间序列变化，对生化反应速率进行预测；[0082] S403.通过CapsNets基模型分析样品在试管中的分布和形态，对样品的填充状态和沉淀物进行识别；[0083] S404.对基模型输出特征进行融合，并通过元模型对特征进行综合预测，输出预测结果。[0084] 具体的，上述实施例采用MAML（Model?AgnosticMeta?Learning）算法，模型能够快速适应新的检测任务，仅需极少量的样本即可完成对新样品特性的学习，减少传统检测方法中对大量标准样品的依赖。此外，通过SiameseNetworks、SpikingNeuralNetworks(SNNs)、CapsuleNetworks(CapsNets)基模型的融合应用，上述方案能够全面分析样品的光谱特性、时间序列变化和形态结构，克服了单一检测手段的局限性。[0085] 进一步的，所述步骤S401中，对样品的相似性和差异性进行识别，具体通过定义的损失函数进行识别，其损失函数定义为：[0086] ；[0087] 其中，所述 表示SiameseNetworks的损失值，用于衡量待检测样品图像与参考样品图像之间的差异，所述 表示第i个待检测样品图像的特征向量，所述 表示与 对应的参考样品图像的特征向量。[0088] 具体的，所述步骤S401具体实施原理流程为：首先，收集成对的样品试管图像，每对包括一个待检测样品和一个参考样品，初始化SiameseNetworks的参数，包括共享的卷积层、激活函数，使用随机初始化或预训练的权重设置网络参数，进一步的，通过网络的前向传播提取每张图像的特征表示，将每张图像输入网络，通过卷积层和池化层得到特征图；进一步的，计算成对图像特征之间的差异，使用损失函数衡量正样本对和负样本对之间的差异。[0089] 进一步的，对于上述实施例中所述的计算成对图像特征之间的差异，该步骤用于对特征进行比较，示例性的，采用欧式距离比较，所述 表示距离度量，其次，根据特征差异，通过对比损失函数计算损失，该损失函数基于上述公开的损失函数进行进一步变换得到，即： ，其中，所述 表示边界距离，所述 表示相似性标签，如0表示不相似，1表示相似。[0090] 进一步的，所述步骤S402中，对生化反应速率进行预测，具体通过模拟生物神经元的尖峰活动进行预测，其流程为：[0091] ；[0092] 其中，所述 表示在时间t+1时刻，第i个神经元的膜电位，所述 表示波长，所述 表示第i个神经元与 波段光谱数据之间的突触权重，所述 表示在时间t时刻，波长为 的光谱数据，所述 表示在时间t?1时刻，第i个神经元的膜电位，所述 表示膜电位的时间常数，影响神经元响应的时间尺度，所述 表示第i个神经元的外部输入电流。[0093] 具体的，所述步骤S402具体实施原理流程为：选择生物神经元模型，示例性的，本实施例选择的生物神经元模型为Hodgkin?Huxley模型或LeakyIntegrate?and?Fire模型，进一步的，设计SNNs的网络架构，包括输入层、隐藏层和输出层，以及各层之间的连接模式，确定每层的神经元数量和连接权重，定义网络的拓扑结构，并设定模拟的时间步长，根据光谱数据的时间分辨率确定时间步长；进一步的，根据神经元模型更新每个神经元的膜电位状态，对每个时间步长，根据输入信号和前一时间步的膜电位状态更新膜电位 ，进一步的，训练SNNs识别试管样品中光谱数据响应速率变化，将训练好的SNNs应用于新的光谱数据，进行动态特性分析。[0094] 作为上述实施例优选的实施方案，当神经元的膜电位超过阈值时，触发尖峰并重置膜电位，检查每个神经元的膜电位是否达到阈值，触发尖峰并重置膜电位到静息状态。即：[0095] ；[0096] ；[0097] 其中，所述 表示阈值，所述 表示静息状态的信号， 即膜电位达到阈值。[0098] 进一步的，对于上述实施例中所述的突触权重，具体的，突触权重通过学习规则STDP?Spike?Timing?DependentPlasticity进行调整，根据前突触和后突触尖峰的时间差异调整权重，增强或减弱连接，即：[0099] ；[0100] 其中，所述 和 分别表示突触增强和减弱的比例常数，所述 和 分别表示后突触和前突触尖峰的时间。[0101] 进一步的，所述步骤S403中，对样品的填充状态和沉淀物进行识别，具体通过动态路由算法对特征信息进行整合，其流程为：[0102] ；[0103] 其中，所述 表示第j个胶囊在第k+1次迭代的输出向量，所述 表示在第k次迭代中，从第i层胶囊到第j层胶囊的路由权重，所述 表示第i层胶囊的输出向量，代表低级胶囊的特征。[0104] 具体的，所述步骤S403具体实施原理流程为：在CapsNets中，每个胶囊负责编码一个特定类型的特征，包括样品的形状、方向和位置其中的一种或多种，使用动态路由算法在不同层级的胶囊之间传递信息，通过迭代过程计算路由权重，将低层胶囊的输出传递给高层胶囊；进一步的，通过胶囊的激活，提取图像中样品的形态和结构特征，将样品的成分信息与胶囊网络的输出相结合，增强模型对样品特性的理解，进一步的，训练CapsNets识别和分类不同样品的形态特征，并将训练好的CapsNets应用于实时样品试管的分析。[0105] 进一步的，所述步骤S404中，对基模型输出特征进行融合具体表示为：[0106] ；[0107] 其中，所述 表示融合后的综合特征向量，用于表示样品的全面特性，所述表示来自SpikingNeuralNetworks的时间序列特征，所述 表示来自CapsuleNetworks的形态和结构特征，所述 表示来自SiameseNetworks的图像相似性特征。[0108] 具体的，所述步骤S404具体流程原理为：将SiameseNetworks、SpikingNeuralNetworks(SNNs)、CapsuleNetworks(CapsNets)进行融合，形成一个综合的特征表示，对齐不同来源的特征，为不同特征分配权重，将加权后的特征进行聚合，形成一个融合的特征向量。[0109] 进一步的，所述步骤S404中，通过元模型对特征进行综合预测，输出预测结果具体包括以下子步骤：[0110] S4041.通过MAML模型对样品试管合格预测任务进行适应，所述MAML算法表示为：[0111] ；[0112] 其中，所述 表示在新任务上适应后的模型参数，所述 表示原始模型参数，所述 表示学习率，控制参数更新的步长，所述 表示在 处的适应损失函数的梯度，所述 表示融合后的综合特征向量；[0113] S4042.通过AdamW优化器对模型参数进行更新，其更新流程表示为：[0114] ；[0115] 其中，所述 表示更新后的模型参数，所述 表示一阶矩的估计值，所述 表示二阶矩的估计值，所述 表示二阶矩的指数衰减率，所述 表示常数，用于数值稳定，所述 表示权重衰减项，用于正则化控制模型复杂度；[0116] S4043.根据试管多样性，通过构建的MAML模型对样品试管状态进行预测，所述试管多样性根据融合的基模型输出特征获。湓げ饬鞒瘫硎疚：[0117] ；[0118] 其中，所述 表示元模型的最终预测结果，所述 表示元模型的集成函数，用于整合基模型的预测，所述 表示基模型对融合特征 的预测。[0119] 具体的，所述步骤S404具体流程原理为：根据得到的融合特征作为输入，进行内循环更新，并计算外循环梯度，并更新模型的初始参数，结合快速适应后的模型输出和其他基模型的预测，并根据模型预测和实际检测结果的差异，调整模型参数或数据采集策略。[0120] 进一步的，提出一种面向生物样品检测的样品试管状态检测系统，所述该系统基于上述任一项所述的一种面向生物样品检测的样品试管状态检测方法实现，包括：[0121] 数据采样模块，用于采集样品试管的试管状态图像、样品光谱数据和样品信息数据，并根据试管状态图像通过Canny边缘检测采集试管容量数据和试管液位数据；[0122] 特征提取模块，用于根据所采集得到的试管容量数据、试管液位数据、样品光谱数据和样品信息数据进行特征提取和特征融合；[0123] 模型构建模块，用于构建MAML元模型和包含有SiameseNetworks、SNNs和CapsNets基模型；[0124] 模型预测模块，用于通过基模型分别对融合后的特征进行预测，并通过元模型对基模型的预测进行整合并作为新特征进行预测；[0125] 状态检测模块，用于根据预测结果对样品试管进行合格定性，并筛选出合格与不合格的样品试管；[0126] 进一步的，所述模型预测模块具体包括：[0127] SiameseNetworks基模型单元，用于通过SiameseNetworks基模型比较样品试管的容量特征和液位特征，对样品的相似性和差异性进行识别；[0128] SNNs基模型单元，用于通过SNNs响应光谱特征的时间序列变化，对生化反应速率进行预测；[0129] CapsNets基模型单元，用于通过CapsNets基模型分析样品在试管中的分布和形态，对样品的填充状态和沉淀物进行识别；[0130] MAML元模型单元，用于对基模型输出特征进行融合，并通过元模型对特征进行综合预测，输出预测结果。[0131] 进一步的，所述MAML元模型单元中，对基模型输出特征进行融合具体表示为：[0132] ；[0133] 其中，所述 表示融合后的综合特征向量，用于表示样品的全面特性，所述表示来自SpikingNeuralNetworks的时间序列特征，所述 表示来自CapsuleNetworks的形态和结构特征，所述 表示来自SiameseNetworks的图像相似性特征。[0134] 进一步的，所述MAML元模型单元具体包括：[0135] 适应性优化子单元，用于通过MAML模型对样品试管合格预测任务进行适应，所述MAML算法表示为：[0136] ；[0137] 其中，所述 表示在新任务上适应后的模型参数，所述 表示原始模型参数，所述 表示学习率，控制参数更新的步长，所述 表示在 处的适应损失函数的梯度，所述 表示融合后的综合特征向量；[0138] 模型更新子单元，用于通过AdamW优化器对模型参数进行更新，其更新流程表示为：[0139] ；[0140] 其中，所述 表示更新后的模型参数，所述 表示一阶矩的估计值，所述 表示二阶矩的估计值，所述 表示二阶矩的指数衰减率，所述 表示常数，用于数值稳定，所述 表示权重衰减项，用于正则化控制模型复杂度；[0141] 模型预测子单元，用于根据试管多样性，通过构建的MAML模型对样品试管状态进行预测，所述试管多样性根据融合的基模型输出特征获。湓げ饬鞒瘫硎疚：[0142] ；[0143] 其中，所述 表示元模型的最终预测结果，所述 表示元模型的集成函数，用于整合基模型的预测，所述 表示基模型对融合特征 的预测。[0144] 进一步的，上述实施例提出了一种基于元学习算法MAML的快速适应性模型，专门用于优化样品试管的检测流程。以下是模型构建的详细参数设置和实现步骤，包括具体的数据和实施细节：[0145] 其中，设计的MAML模型由以下层组成：[0146] 输入层：接收维度为(C,H,W)的图像数据，其中C是通道数，H和W分别是图像的高度和宽度。[0147] 四个卷积层（Conv2d），分别为conv1至conv4，配置为：[0148] conv1:32个过滤器，3x3卷积核，步长1，填充1，ReLU激活。[0149] conv2:64个过滤器，3x3卷积核，步长1，填充1，ReLU激活。[0150] conv3:128个过滤器，3x3卷积核，步长2（进行下采样），填充1，ReLU激活。[0151] conv4:256个过滤器，3x3卷积核，步长1，填充1，ReLU激活。[0152] 三个全连接层（Linear），分别为fc1至fc3，配置为：[0153] fc1:512个节点。[0154] fc2:256个节点。[0155] fc3:输出节点数根据任务需求设定，其中，二分类任务为1个节点，使用Sigmoid激活。[0156] 另外，在内循环中，模型使用支持集进行训练，支持集包含N个样品试管的图像和光谱数据，其中N=20；外循环在更大的数据集上进行，该数据集包含M个样品，其中M=600，用于优化模型的初始参数；内循环使用学习率0.01，外循环使用学习率0.001；新任务的数据集包含K个新的样品试管，其中K=5。[0157] 具体的，实验在配备NVIDIARTX3080GPU的服务器上进行，操作系统为Ubuntu20.04LTS，使用PyTorch1.8框架。使用自制的样品试管检测数据集，包含总共1000个样品试管的图像和光谱数据，每个样品224×224像素。模型在训练集上进行300次迭代训练，使用交叉熵损失函数和Adam优化器，学习率设置为0.001。在每个迭代后，模型在独立的验证集上进行评估。MAML模型的输出与SiameseNetworks、SNNs、CapsNets基模型的输出通过集成学习技术进行融合，提高检测精度。另外，使用过程中，一次对8*12个样品试管同时进行检测。[0158] 以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

专利地区：河北

专利申请日期：2024-09-27

专利公开日期：2024-11-29

专利公告号：CN118885976B