一种微生物次级代谢产物制备过程产物产率评估方法

1.本发明属于微生物次级代谢产物产率评估技术领域，尤其涉及一种微生物次级代谢产物制备过程产物产率评估方法。


背景技术：

2.微生物包括：细菌、病毒、真菌以及一些小型的原生生物、显微藻类等在内的一大类生物群体，它个体微小，与人类关系密切。涵盖了有益跟有害的众多种类，广泛涉及食品、医药、工农业、环保、体育等诸多领域。教科书中，将微生物划分为以下8大类：细菌、病毒、真菌、放线菌、立克次氏体、支原体、衣原体、螺旋体。有些微生物是肉眼可以看见的，像属于真菌的蘑菇、灵芝、香菇等。还有微生物是一类由核酸和蛋白质等少数几种成分组成的“非细胞生物”；然而，现有微生物次级代谢产物制备过程产物产率评估方法采集的微生物影像不清晰；同时，不能准确确定微生物类型。
3.通过上述分析，现有技术存在的问题及缺陷为：
4.(1)现有微生物次级代谢产物制备过程产物产率评估方法采集的微生物影像不清晰。
5.(2)不能准确确定微生物类型。
6.(3)现有对微生物代谢产物进行检测分析不准确。


技术实现要素：

7.针对现有技术存在的问题，本发明提供了一种微生物次级代谢产物制备过程产物产率评估方法。
8.本发明是这样实现的，一种微生物次级代谢产物制备过程产物产率评估方法包括：
9.步骤一，通过微观影像设备采集微生物微观影像；对微生物微观影像进行增强处理；并确定微生物类型；
10.步骤二，将马尔可夫链中的相关元素进行定义，使用微生物次级代谢产物制备过程中各阶段前后的菌种浓度、代谢产物浓度、营养物质浓度等参数经验值作为建模工具的输入变量并生成概率及生成初始概率，对概率数据进行分析确定其生成产物转移概率，建立产物产率的数学评估模型；
11.步骤三，通过产物产率的数学评估模型对微生物次级代谢产物制备过程产物产率评估；并对微生物代谢产物进行检测处理；
12.所述对微生物代谢产物进行检测处理方法：
13.获取离体的标本的微生物代谢产物检测数据；将微生物代谢产物检测数据上传至云服务器；对云服务器中的微生物代谢产物检测数据进行分析，得到分析结果；展示所述分析结果；
14.所述对云服务器中的微生物代谢产物检测数据进行分析，得到分析结果之后，以
及展示所述分析结果之前，所述检测方法还包括：对所述分析结果进行干预，得到修正后的分析结果；所述展示所述分析结果，具体为：展示修正后的分析结果。
15.进一步，所述对微生物微观影像进行增强处理方法如下：
16.(1)采用第一回归网络模型对指定微生物微观影像进行处理，得到所述指定微生物微观影像的内容特征图；采用第二回归网络模型对所述指定微生物微观影像的梯度图进行处理，得到所述指定微生物微观影像的边缘特征图；
17.(2)采用融合处理模型，对所述内容特征图和所述边缘特征图进行融合处理，得到恢复微生物微观影像；
18.其中，所述第二回归网络模型包括：m个卷积块、与所述m个卷积块一一对应的m个反卷积块以及循环神经网络模型，所述m为正整数，每个所述卷积块包括多个卷积处理层，属于同一卷积块的任意两个卷积处理层的尺度相同，每个反卷积块包括的卷积处理层的个数与对应的卷积块所包括的卷积处理层的个数相等，每个反卷积块包括的卷积处理层的尺度，与对应的卷积块所包括的卷积处理层的尺度相同；
19.所述采用第二回归网络模型对所述指定微生物微观影像的梯度图进行处理，得到所述指定微生物微观影像的边缘特征图，包括：
20.采用所述m个卷积块依次对所述指定微生物微观影像的梯度图进行处理，得到中间梯度特征图；采用所述m个反卷积块依次对所述中间梯度特征图进行处理，得到第一特征图；确定所述循环神经网络模型在不同梯度方向上的权重值；基于确定权重值的所述循环神经网络模型，对所述第一特征图进行处理，得到所述指定微生物微观影像的边缘特征图。
21.进一步，所述第一回归网络模型包括：n个卷积块，以及与所述n个卷积块一一对应的n个反卷积块，所述n为正整数，每个所述卷积块包括多个卷积处理层，属于同一卷积块的任意两个卷积处理层的尺度相同，属于不同卷积块的任意两个卷积处理层的尺度不同，每个反卷积块包括的卷积处理层的个数与对应的卷积块所包括的卷积处理层的个数相等，每个反卷积块包括的卷积处理层的尺度，与对应的卷积块所包括的卷积处理层的尺度相同；
22.所述采用第一回归网络模型对指定微生物微观影像进行处理，得到所述指定微生物微观影像的内容特征图，包括：
23.采用所述n个卷积块依次对所述指定微生物微观影像进行处理，得到中间特征图；
24.采用所述n个反卷积块依次对所述中间特征图进行处理，得到所述内容特征图。
25.进一步，所述n等于3；
26.所述n个卷积块包括第一卷积块、第二卷积块和第三卷积块，其中，所述第一卷积块包括：两个腐蚀卷积层和一个卷积层；所述第二卷积块包括：两个卷积层和一个下采样卷积层；所述第三卷积块包括：三个卷积层；
27.所述n个反卷积块包括第一反卷积块、第二反卷积块和第三反卷积块，其中，所述第一反卷积块包括：三个卷积层；所述第二反卷积块包括：一个反卷积层和两个卷积层；所述第三反卷积块包括：一个反卷积层和两个卷积层。
28.进一步，所述第二回归网络模型中属于不同卷积块的任意两个卷积处理层的尺度不同。
29.进一步，所述第二回归网络模型，还包括：下采样模型，所述下采样模型包括多个不同尺度的下采样卷积层；
30.所述确定所述循环神经网络模型在不同梯度方向上的权重值，包括：
31.采用所述多个不同尺度的下采样卷积层分别对叠加微生物微观影像进行处理，得到多个不同尺度的第二特征图，其中，所述叠加微生物微观影像为对所述指定微生物微观影像和所述梯度图进行叠加后得到的微生物微观影像；
32.对所述第一特征图和所述多个不同尺度的第二特征图进行分层处理，确定所述循环神经网络模型在不同梯度方向上的权重值。
33.进一步，所述m等于3；
34.所述m个卷积块包括第四卷积块、第五卷积块和第六卷积块，其中，所述第四卷积块包括：两个卷积层和一个下采样卷积层；第五卷积块包括：两个卷积层和一个下采样卷积层；第六卷积块包括：三个卷积层；
35.所述m个反卷积块包括第四反卷积块、第五反卷积块和第六反卷积块，其中，第四反卷积块包括：三个卷积层；第五反卷积块包括：一个反卷积层和两个卷积层；第六反卷积块包括：一个反卷积层和两个卷积层；
36.所述第一回归网络模型包括：n个卷积块，以及与所述n个卷积块一一对应的n个反卷积块；所述n为正整数，每个所述卷积块包括多个卷积处理层，属于同一卷积块的任意两个卷积处理层的尺度相同，属于不同卷积块的任意两个卷积处理层的尺度不同，每个反卷积块包括的卷积处理层的个数与对应的卷积块所包括的卷积处理层的个数相等，每个反卷积块包括的卷积处理层的尺度，与对应的卷积块所包括的卷积处理层的尺度相同；
37.其中，所述第一回归网络模型中的每个反卷积块与所述第二回归网络模型中相同尺度的反卷积块相连；
38.所述融合处理模型包括多个卷积层；
39.所述采用融合处理模型，得到恢复微生物微观影像，包括：
40.将所述内容特征图和所述边缘特征图进行叠加；
41.采用所述多个卷积层对叠加后的微生物微观影像进行处理，得到所述恢复微生物微观影像。
42.进一步，所述确定微生物类型方法如下：
43.1)将所述微生物中的至少一些施加到生长培养基测试板的测试表面，等待足以允许微生物生长以形成在所述测试表面上的时间，使用微生物微观影像捕获装置获取描绘该测试表面的至少一部分的可见光谱微生物微观影像；
44.2)提供计算机实施的预先训练的微生物微观影像分类器算法，所述微生物微观影像分类器算法被预先训练以基于描绘已知微生物的生长图案的可见光谱微生物微观影像确定微生物类型；
45.3)将所述微生物微观影像应用于该预先训练的微生物微观影像分类器算法以基于该微生物微观影像上可见的微生物生长图案确定微生物类型。
46.进一步，所述该测试板包括至少两个并列的生长培养基区域，所述区域在该相应生长培养基的类型、颜色、浓度和组成中的至少一项上不同。
47.进一步，所述确定方法还包括：
48.在获取所述微生物微观影像之前以相对于该微生物微观影像捕获装置的预定取向布置该测试板，使得这些生长培养基区域在所述微生物微观影像中呈现预定取向；和/或
49.重新定向所获取的微生物微观影像，使得这些生长培养基区域在所述微生物微观影像中呈现预定取向；
50.所述等待步骤包括将该微生物保持在温度受控的环境中，优选地保持在34至40摄氏度的恒定温度下；
51.该微生物微观影像捕获装置形成智能手机或平板电脑的一部分；
52.进一步包括将该测试板定位在微生物微观影像捕获支撑件的第一部分上并且将该微生物微观影像捕获装置定位在该微生物微观影像捕获支撑件的第二部分上，所述第二部分与该第一部分间隔开，其中，在该微生物微观影像捕获装置和该测试板定位在该微生物微观影像捕获支撑件上时执行该微生物微观影像的获取。
53.结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：
54.第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
55.本发明通过对微生物微观影像进行增强处理方法可以采用第一回归网络模型得到该指定微生物微观影像的内容特征图，该内容特征图可以反映指定微生物微观影像的场景信息，并可以采用第二回归网络模型得到该指定微生物微观影像的边缘特征图，最后对该内容特征图和该边缘特征图进行融合处理后得到恢复微生物微观影像。由于该恢复微生物微观影像能够有效恢复指定微生物微观影像的场景信息和边缘特征，因此有效改善了微生物微观影像增强处理的效果；同时，通过确定微生物类型方法接收该微生物微观影像；提供计算机实施的预先训练的微生物微观影像分类器算法，所述微生物微观影像分类器算法被预先训练以基于描绘已知微生物的生长图案的可见光谱微生物微观影像确定微生物类型；以及将该微生物微观影像应用于该预先训练的微生物微观影像分类器算法，以基于该微生物微观影像上可见的微生物生长图案准确确定微生物类型。
56.本发明通过对微生物代谢产物进行检测处理方法将微生物代谢产物检测数据上传至云服务器，来对云服务器中的微生物代谢产物检测数据进行分析，得到分析结果，相较于传统本地进行分析，能够使微生物代谢产物数据的分析更为准确。
57.第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
58.本发明通过对微生物微观影像进行增强处理方法可以采用第一回归网络模型得到该指定微生物微观影像的内容特征图，该内容特征图可以反映指定微生物微观影像的场景信息，并可以采用第二回归网络模型得到该指定微生物微观影像的边缘特征图，最后对该内容特征图和该边缘特征图进行融合处理后得到恢复微生物微观影像。由于该恢复微生物微观影像能够有效恢复指定微生物微观影像的场景信息和边缘特征，因此有效改善了微生物微观影像增强处理的效果；同时，通过确定微生物类型方法接收该微生物微观影像；提供计算机实施的预先训练的微生物微观影像分类器算法，所述微生物微观影像分类器算法被预先训练以基于描绘已知微生物的生长图案的可见光谱微生物微观影像确定微生物类型；以及将该微生物微观影像应用于该预先训练的微生物微观影像分类器算法，以基于该微生物微观影像上可见的微生物生长图案准确确定微生物类型。
附图说明
59.图1是本发明实施例提供的微生物次级代谢产物制备过程产物产率评估方法流程图。
60.图2是本发明实施例提供的对微生物微观影像进行增强处理方法流程图。
61.图3是本发明实施例提供的确定微生物类型方法流程图。
具体实施方式
62.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，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仅用以解释本发明，并不用于限定本发明。
63.一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。
64.如图1所示，本发明提供一种微生物次级代谢产物制备过程产物产率评估方法包括以下步骤：
65.s101，通过微观影像设备采集微生物微观影像；对微生物微观影像进行增强处理；并确定微生物类型；
66.s102，将马尔可夫链中的相关元素进行定义，使用微生物次级代谢产物制备过程中各阶段前后的菌种浓度、代谢产物浓度、营养物质浓度等参数经验值作为建模工具的输入变量并生成概率及生成初始概率，对概率数据进行分析确定其生成产物转移概率，建立产物产率的数学评估模型；
67.s103，通过产物产率的数学评估模型对微生物次级代谢产物制备过程产物产率评估；并对微生物代谢产物进行检测处理；
68.所述对微生物代谢产物进行检测处理方法：
69.获取离体的标本的微生物代谢产物检测数据；将微生物代谢产物检测数据上传至云服务器；对云服务器中的微生物代谢产物检测数据进行分析，得到分析结果；展示所述分析结果；
70.所述对云服务器中的微生物代谢产物检测数据进行分析，得到分析结果之后，以及展示所述分析结果之前，所述检测方法还包括：对所述分析结果进行干预，得到修正后的分析结果；所述展示所述分析结果，具体为：展示修正后的分析结果。
71.如图2所示，本发明提供的对微生物微观影像进行增强处理方法如下：
72.s201，采用第一回归网络模型对指定微生物微观影像进行处理，得到所述指定微生物微观影像的内容特征图；采用第二回归网络模型对所述指定微生物微观影像的梯度图进行处理，得到所述指定微生物微观影像的边缘特征图；
73.s202，采用融合处理模型，对所述内容特征图和所述边缘特征图进行融合处理，得到恢复微生物微观影像；
74.其中，所述第二回归网络模型包括：m个卷积块、与所述m个卷积块一一对应的m个反卷积块以及循环神经网络模型，所述m为正整数，每个所述卷积块包括多个卷积处理层，属于同一卷积块的任意两个卷积处理层的尺度相同，每个反卷积块包括的卷积处理层的个数与对应的卷积块所包括的卷积处理层的个数相等，每个反卷积块包括的卷积处理层的尺
度，与对应的卷积块所包括的卷积处理层的尺度相同；
75.所述采用第二回归网络模型对所述指定微生物微观影像的梯度图进行处理，得到所述指定微生物微观影像的边缘特征图，包括：
76.采用所述m个卷积块依次对所述指定微生物微观影像的梯度图进行处理，得到中间梯度特征图；采用所述m个反卷积块依次对所述中间梯度特征图进行处理，得到第一特征图；确定所述循环神经网络模型在不同梯度方向上的权重值；基于确定权重值的所述循环神经网络模型，对所述第一特征图进行处理，得到所述指定微生物微观影像的边缘特征图。
77.本发明提供的第一回归网络模型包括：n个卷积块，以及与所述n个卷积块一一对应的n个反卷积块，所述n为正整数，每个所述卷积块包括多个卷积处理层，属于同一卷积块的任意两个卷积处理层的尺度相同，属于不同卷积块的任意两个卷积处理层的尺度不同，每个反卷积块包括的卷积处理层的个数与对应的卷积块所包括的卷积处理层的个数相等，每个反卷积块包括的卷积处理层的尺度，与对应的卷积块所包括的卷积处理层的尺度相同；
78.所述采用第一回归网络模型对指定微生物微观影像进行处理，得到所述指定微生物微观影像的内容特征图，包括：
79.采用所述n个卷积块依次对所述指定微生物微观影像进行处理，得到中间特征图；
80.采用所述n个反卷积块依次对所述中间特征图进行处理，得到所述内容特征图。
81.本发明提供的n等于3；
82.所述n个卷积块包括第一卷积块、第二卷积块和第三卷积块，其中，所述第一卷积块包括：两个腐蚀卷积层和一个卷积层；所述第二卷积块包括：两个卷积层和一个下采样卷积层；所述第三卷积块包括：三个卷积层；
83.所述n个反卷积块包括第一反卷积块、第二反卷积块和第三反卷积块，其中，所述第一反卷积块包括：三个卷积层；所述第二反卷积块包括：一个反卷积层和两个卷积层；所述第三反卷积块包括：一个反卷积层和两个卷积层。
84.本发明提供的第二回归网络模型中属于不同卷积块的任意两个卷积处理层的尺度不同。
85.本发明提供的第二回归网络模型，还包括：下采样模型，所述下采样模型包括多个不同尺度的下采样卷积层；
86.所述确定所述循环神经网络模型在不同梯度方向上的权重值，包括：
87.采用所述多个不同尺度的下采样卷积层分别对叠加微生物微观影像进行处理，得到多个不同尺度的第二特征图，其中，所述叠加微生物微观影像为对所述指定微生物微观影像和所述梯度图进行叠加后得到的微生物微观影像；
88.对所述第一特征图和所述多个不同尺度的第二特征图进行分层处理，确定所述循环神经网络模型在不同梯度方向上的权重值。
89.本发明提供的m等于3；
90.所述m个卷积块包括第四卷积块、第五卷积块和第六卷积块，其中，所述第四卷积块包括：两个卷积层和一个下采样卷积层；第五卷积块包括：两个卷积层和一个下采样卷积层；第六卷积块包括：三个卷积层；
91.所述m个反卷积块包括第四反卷积块、第五反卷积块和第六反卷积块，其中，第四
反卷积块包括：三个卷积层；第五反卷积块包括：一个反卷积层和两个卷积层；第六反卷积块包括：一个反卷积层和两个卷积层；
92.所述第一回归网络模型包括：n个卷积块，以及与所述n个卷积块一一对应的n个反卷积块；所述n为正整数，每个所述卷积块包括多个卷积处理层，属于同一卷积块的任意两个卷积处理层的尺度相同，属于不同卷积块的任意两个卷积处理层的尺度不同，每个反卷积块包括的卷积处理层的个数与对应的卷积块所包括的卷积处理层的个数相等，每个反卷积块包括的卷积处理层的尺度，与对应的卷积块所包括的卷积处理层的尺度相同；
93.其中，所述第一回归网络模型中的每个反卷积块与所述第二回归网络模型中相同尺度的反卷积块相连；
94.所述融合处理模型包括多个卷积层；
95.所述采用融合处理模型，得到恢复微生物微观影像，包括：
96.将所述内容特征图和所述边缘特征图进行叠加；
97.采用所述多个卷积层对叠加后的微生物微观影像进行处理，得到所述恢复微生物微观影像。
98.如图3所示，本发明提供的确定微生物类型方法如下：
99.s301，将所述微生物中的至少一些施加到生长培养基测试板的测试表面，等待足以允许微生物生长以形成在所述测试表面上的时间，使用微生物微观影像捕获装置获取描绘该测试表面的至少一部分的可见光谱微生物微观影像；
100.s302，提供计算机实施的预先训练的微生物微观影像分类器算法，所述微生物微观影像分类器算法被预先训练以基于描绘已知微生物的生长图案的可见光谱微生物微观影像确定微生物类型；
101.s303，将所述微生物微观影像应用于该预先训练的微生物微观影像分类器算法以基于该微生物微观影像上可见的微生物生长图案确定微生物类型。
102.本发明提供的该测试板包括至少两个并列的生长培养基区域，所述区域在该相应生长培养基的类型、颜色、浓度和组成中的至少一项上不同。
103.本发明提供的确定方法还包括：
104.在获取所述微生物微观影像之前以相对于该微生物微观影像捕获装置的预定取向布置该测试板，使得这些生长培养基区域在所述微生物微观影像中呈现预定取向；和/或
105.重新定向所获取的微生物微观影像，使得这些生长培养基区域在所述微生物微观影像中呈现预定取向；
106.所述等待步骤包括将该微生物保持在温度受控的环境中，优选地保持在34至40摄氏度的恒定温度下；
107.该微生物微观影像捕获装置形成智能手机或平板电脑的一部分；
108.进一步包括将该测试板定位在微生物微观影像捕获支撑件的第一部分上并且将该微生物微观影像捕获装置定位在该微生物微观影像捕获支撑件的第二部分上，所述第二部分与该第一部分间隔开，其中，在该微生物微观影像捕获装置和该测试板定位在该微生物微观影像捕获支撑件上时执行该微生物微观影像的获取。
109.二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
110.本发明通过对微生物微观影像进行增强处理方法可以采用第一回归网络模型得到该指定微生物微观影像的内容特征图，该内容特征图可以反映指定微生物微观影像的场景信息，并可以采用第二回归网络模型得到该指定微生物微观影像的边缘特征图，最后对该内容特征图和该边缘特征图进行融合处理后得到恢复微生物微观影像。由于该恢复微生物微观影像能够有效恢复指定微生物微观影像的场景信息和边缘特征，因此有效改善了微生物微观影像增强处理的效果；同时，通过确定微生物类型方法接收该微生物微观影像；提供计算机实施的预先训练的微生物微观影像分类器算法，所述微生物微观影像分类器算法被预先训练以基于描绘已知微生物的生长图案的可见光谱微生物微观影像确定微生物类型；以及将该微生物微观影像应用于该预先训练的微生物微观影像分类器算法，以基于该微生物微观影像上可见的微生物生长图案准确确定微生物类型。
111.应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
112.三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。
113.本发明通过对微生物微观影像进行增强处理方法可以采用第一回归网络模型得到该指定微生物微观影像的内容特征图，该内容特征图可以反映指定微生物微观影像的场景信息，并可以采用第二回归网络模型得到该指定微生物微观影像的边缘特征图，最后对该内容特征图和该边缘特征图进行融合处理后得到恢复微生物微观影像。由于该恢复微生物微观影像能够有效恢复指定微生物微观影像的场景信息和边缘特征，因此有效改善了微生物微观影像增强处理的效果；同时，通过确定微生物类型方法接收该微生物微观影像；提供计算机实施的预先训练的微生物微观影像分类器算法，所述微生物微观影像分类器算法被预先训练以基于描绘已知微生物的生长图案的可见光谱微生物微观影像确定微生物类型；以及将该微生物微观影像应用于该预先训练的微生物微观影像分类器算法，以基于该微生物微观影像上可见的微生物生长图案准确确定微生物类型。
114.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种微生物次级代谢产物制备过程产物产率评估方法，其特征在于，所述微生物次级代谢产物制备过程产物产率评估方法包括以下步骤：步骤一，通过微观影像设备采集微生物微观影像；对微生物微观影像进行增强处理；并确定微生物类型；步骤二，将马尔可夫链中的相关元素进行定义，使用微生物次级代谢产物制备过程中各阶段前后的菌种浓度、代谢产物浓度、营养物质浓度等参数经验值作为建模工具的输入变量并生成概率及生成初始概率，对概率数据进行分析确定其生成产物转移概率，建立产物产率的数学评估模型；步骤三，通过产物产率的数学评估模型对微生物次级代谢产物制备过程产物产率评估；并对微生物代谢产物进行检测处理；所述对微生物代谢产物进行检测处理方法：获取离体的标本的微生物代谢产物检测数据；将微生物代谢产物检测数据上传至云服务器；对云服务器中的微生物代谢产物检测数据进行分析，得到分析结果；展示所述分析结果；所述对云服务器中的微生物代谢产物检测数据进行分析，得到分析结果之后，以及展示所述分析结果之前，所述检测方法还包括：对所述分析结果进行干预，得到修正后的分析结果；所述展示所述分析结果，具体为：展示修正后的分析结果。2.如权利要求1所述微生物次级代谢产物制备过程产物产率评估方法，其特征在于，所述对微生物微观影像进行增强处理方法如下：(1)采用第一回归网络模型对指定微生物微观影像进行处理，得到所述指定微生物微观影像的内容特征图；采用第二回归网络模型对所述指定微生物微观影像的梯度图进行处理，得到所述指定微生物微观影像的边缘特征图；(2)采用融合处理模型，对所述内容特征图和所述边缘特征图进行融合处理，得到恢复微生物微观影像；其中，所述第二回归网络模型包括：m个卷积块、与所述m个卷积块一一对应的m个反卷积块以及循环神经网络模型，所述m为正整数，每个所述卷积块包括多个卷积处理层，属于同一卷积块的任意两个卷积处理层的尺度相同，每个反卷积块包括的卷积处理层的个数与对应的卷积块所包括的卷积处理层的个数相等，每个反卷积块包括的卷积处理层的尺度，与对应的卷积块所包括的卷积处理层的尺度相同；所述采用第二回归网络模型对所述指定微生物微观影像的梯度图进行处理，得到所述指定微生物微观影像的边缘特征图，包括：采用所述m个卷积块依次对所述指定微生物微观影像的梯度图进行处理，得到中间梯度特征图；采用所述m个反卷积块依次对所述中间梯度特征图进行处理，得到第一特征图；确定所述循环神经网络模型在不同梯度方向上的权重值；基于确定权重值的所述循环神经网络模型，对所述第一特征图进行处理，得到所述指定微生物微观影像的边缘特征图。3.如权利要求2所述微生物次级代谢产物制备过程产物产率评估方法，其特征在于，所述第一回归网络模型包括：n个卷积块，以及与所述n个卷积块一一对应的n个反卷积块，所述n为正整数，每个所述卷积块包括多个卷积处理层，属于同一卷积块的任意两个卷积处理层的尺度相同，属于不同卷积块的任意两个卷积处理层的尺度不同，每个反卷积块包括的
卷积处理层的个数与对应的卷积块所包括的卷积处理层的个数相等，每个反卷积块包括的卷积处理层的尺度，与对应的卷积块所包括的卷积处理层的尺度相同；所述采用第一回归网络模型对指定微生物微观影像进行处理，得到所述指定微生物微观影像的内容特征图，包括：采用所述n个卷积块依次对所述指定微生物微观影像进行处理，得到中间特征图；采用所述n个反卷积块依次对所述中间特征图进行处理，得到所述内容特征图。4.如权利要求2所述微生物次级代谢产物制备过程产物产率评估方法，其特征在于，所述n等于3；所述n个卷积块包括第一卷积块、第二卷积块和第三卷积块，其中，所述第一卷积块包括：两个腐蚀卷积层和一个卷积层；所述第二卷积块包括：两个卷积层和一个下采样卷积层；所述第三卷积块包括：三个卷积层；所述n个反卷积块包括第一反卷积块、第二反卷积块和第三反卷积块，其中，所述第一反卷积块包括：三个卷积层；所述第二反卷积块包括：一个反卷积层和两个卷积层；所述第三反卷积块包括：一个反卷积层和两个卷积层。5.如权利要求2所述微生物次级代谢产物制备过程产物产率评估方法，其特征在于，所述第二回归网络模型中属于不同卷积块的任意两个卷积处理层的尺度不同。6.如权利要求5所述微生物次级代谢产物制备过程产物产率评估方法，其特征在于，所述第二回归网络模型，还包括：下采样模型，所述下采样模型包括多个不同尺度的下采样卷积层；所述确定所述循环神经网络模型在不同梯度方向上的权重值，包括：采用所述多个不同尺度的下采样卷积层分别对叠加微生物微观影像进行处理，得到多个不同尺度的第二特征图，其中，所述叠加微生物微观影像为对所述指定微生物微观影像和所述梯度图进行叠加后得到的微生物微观影像；对所述第一特征图和所述多个不同尺度的第二特征图进行分层处理，确定所述循环神经网络模型在不同梯度方向上的权重值。7.如权利要求2所述微生物次级代谢产物制备过程产物产率评估方法，其特征在于，所述m等于3；所述m个卷积块包括第四卷积块、第五卷积块和第六卷积块，其中，所述第四卷积块包括：两个卷积层和一个下采样卷积层；第五卷积块包括：两个卷积层和一个下采样卷积层；第六卷积块包括：三个卷积层；所述m个反卷积块包括第四反卷积块、第五反卷积块和第六反卷积块，其中，第四反卷积块包括：三个卷积层；第五反卷积块包括：一个反卷积层和两个卷积层；第六反卷积块包括：一个反卷积层和两个卷积层；所述第一回归网络模型包括：n个卷积块，以及与所述n个卷积块一一对应的n个反卷积块；所述n为正整数，每个所述卷积块包括多个卷积处理层，属于同一卷积块的任意两个卷积处理层的尺度相同，属于不同卷积块的任意两个卷积处理层的尺度不同，每个反卷积块包括的卷积处理层的个数与对应的卷积块所包括的卷积处理层的个数相等，每个反卷积块包括的卷积处理层的尺度，与对应的卷积块所包括的卷积处理层的尺度相同；其中，所述第一回归网络模型中的每个反卷积块与所述第二回归网络模型中相同尺度
的反卷积块相连；所述融合处理模型包括多个卷积层；所述采用融合处理模型，得到恢复微生物微观影像，包括：将所述内容特征图和所述边缘特征图进行叠加；采用所述多个卷积层对叠加后的微生物微观影像进行处理，得到所述恢复微生物微观影像。8.如权利要求1所述微生物次级代谢产物制备过程产物产率评估方法，其特征在于，所述确定微生物类型方法如下：1)将所述微生物中的至少一些施加到生长培养基测试板的测试表面，等待足以允许微生物生长以形成在所述测试表面上的时间，使用微生物微观影像捕获装置获取描绘该测试表面的至少一部分的可见光谱微生物微观影像；2)提供计算机实施的预先训练的微生物微观影像分类器算法，所述微生物微观影像分类器算法被预先训练以基于描绘已知微生物的生长图案的可见光谱微生物微观影像确定微生物类型；3)将所述微生物微观影像应用于该预先训练的微生物微观影像分类器算法以基于该微生物微观影像上可见的微生物生长图案确定微生物类型。9.如权利要求8所述微生物次级代谢产物制备过程产物产率评估方法，其特征在于，所述该测试板包括至少两个并列的生长培养基区域，所述区域在该相应生长培养基的类型、颜色、浓度和组成中的至少一项上不同。10.如权利要求8所述微生物次级代谢产物制备过程产物产率评估方法，其特征在于，所述确定方法还包括：在获取所述微生物微观影像之前以相对于该微生物微观影像捕获装置的预定取向布置该测试板，使得这些生长培养基区域在所述微生物微观影像中呈现预定取向；和/或重新定向所获取的微生物微观影像，使得这些生长培养基区域在所述微生物微观影像中呈现预定取向；所述等待步骤包括将该微生物保持在温度受控的环境中，优选地保持在34至40摄氏度的恒定温度下；该微生物微观影像捕获装置形成智能手机或平板电脑的一部分；进一步包括将该测试板定位在微生物微观影像捕获支撑件的第一部分上并且将该微生物微观影像捕获装置定位在该微生物微观影像捕获支撑件的第二部分上，所述第二部分与该第一部分间隔开，其中，在该微生物微观影像捕获装置和该测试板定位在该微生物微观影像捕获支撑件上时执行该微生物微观影像的获取。

技术总结
本发明属于微生物次级代谢产物产率评估技术领域，公开了一种微生物次级代谢产物制备过程产物产率评估方法。本发明通过对微生物微观影像进行增强处理方法可以有效改善了微生物微观影像增强处理的效果；同时，通过确定微生物类型方法接收该微生物微观影像；提供计算机实施的预先训练的微生物微观影像分类器算法，所述微生物微观影像分类器算法被预先训练以基于描绘已知微生物的生长图案的可见光谱微生物微观影像确定微生物类型；以及将该微生物微观影像应用于该预先训练的微生物微观影像分类器算法，以基于该微生物微观影像上可见的微生物生长图案准确确定微生物类型。的微生物生长图案准确确定微生物类型。的微生物生长图案准确确定微生物类型。


技术研发人员：宋鑫明 周学明 郑彩娟
受保护的技术使用者：海南师范大学
技术研发日：2023.02.16
技术公布日：2023/7/12