基于CMUTs的荧光-质量双响应气体检测传感器、系统及方法

    公开(公告)号:CN118706806A

    公开(公告)日:2024-09-27

    申请号:CN202410872659.X

    申请日:2024-07-01

    Abstract: 本发明属于MEMS气体传感器技术领域,公开了基于CMUTs的荧光‑质量双响应气体检测传感器、系统及方法,本发明传感器包括CMUTs,CMUTs具有振动薄膜和空腔,振动薄膜表面设有用于对目标痕量气体进行检测的敏感层,敏感层能够引起荧光强度变化。本发明能够利用敏感层附气体后的质量改变引起CMUTs的特征频率变化,使得CMUTs的阻抗/相位‑频率曲线发生偏移,因此可以据此表征检测被吸附目标气体的质量或浓度。本发明敏感层能够引起荧光强度变化,利用脉冲荧光激发光纤,能够产生能量转移后荧光强度变化,通过荧光强度变化来检测气体种类和浓度。综上,本发明对现有CMUTs进行改造,并结合CMUTs谐振器和法布里‑珀罗腔,可实现高选择性、高灵敏度和低功耗的生化物质检测。

    一种基于深度学习的染色体自动分割和分类方法

    公开(公告)号:CN113658150A

    公开(公告)日:2021-11-16

    申请号:CN202110970922.5

    申请日:2021-08-23

    Abstract: 本发明公开了一种基于深度学习的染色体自动分割和分类方法,包括以下步骤:获取染色体图像并使用Attention U‑Net模型过滤细胞杂质;分割染色体并裁剪出各个染色体区域图像;对获取的染色体区域提取特征并训练支持向量机、随机森林、逻辑回归分类器,采用投票法进行模型集成,进而识别重叠\粘连染色体或单条染色体;对判别为重叠\粘连染色体分别设计单独的分割模块,针对重叠染色体,利用先分离再拼接的办法分割,针对粘连染色体,利用凸缺陷点检测的方法进行分割;将标注好类型的染色体训练数据分别输入到24分类模型ResNet20、ResNet32、ResNet44模型中进行训练,然后用堆叠法进行模型集成,输出最终的染色体分类结果以及染色体核型分析图,以便进行染色体异常识别。

    一种基于深度学习的染色体自动分割和分类方法

    公开(公告)号:CN113658150B

    公开(公告)日:2022-12-09

    申请号:CN202110970922.5

    申请日:2021-08-23

    Abstract: 本发明公开了一种基于深度学习的染色体自动分割和分类方法,包括以下步骤:获取染色体图像并使用Attention U‑Net模型过滤细胞杂质;分割染色体并裁剪出各个染色体区域图像;对获取的染色体区域提取特征并训练支持向量机、随机森林、逻辑回归分类器,采用投票法进行模型集成,进而识别重叠\粘连染色体或单条染色体;对判别为重叠\粘连染色体分别设计单独的分割模块,针对重叠染色体,利用先分离再拼接的办法分割,针对粘连染色体,利用凸缺陷点检测的方法进行分割;将标注好类型的染色体训练数据分别输入到24分类模型ResNet20、ResNet32、ResNet44模型中进行训练,然后用堆叠法进行模型集成,输出最终的染色体分类结果以及染色体核型分析图,以便进行染色体异常识别。

Patent Agency Ranking