本发明涉及荧光显微分析，尤其涉及远程控制的自动荧光显微观测系统。
背景技术：
1、荧光显微镜技术是现代生物医学研究的一个重要工具，它利用荧光标记物质来观察生物样品中特定的细胞结构或分子，传统的荧光显微观测需要操作者直接对显微镜进行设置调整，这不仅操作繁琐，而且在某些情况下存在安全风险，特别是当处理具有潜在危险的样品时，此外，由于设备和技术限制，传统方法在特定荧光标记的识别和最佳激发波长的选择上往往缺乏精确性，这可能导致荧光图像的质量和准确性降低。
2、随着计算机视觉和深度学习技术的发展，自动化和智能化的荧光显微观测系统日渐成为研究领域的需求，这些技术使得可以通过自动化方法来提高荧光标记的识别精度和激发波长的选择效率，从而提高图像质量，尤其是在处理大量样品或进行长时间实验时，自动化系统可以显著提高效率和重复性。
3、然而，现有的自动化系统在实时图像质量监控和远程控制方面仍有不足。在一些高端系统中虽然集成了自动聚焦和图像分析功能，但在实时监控图像质量和根据实时数据自动调整激发波长方面尚未完全实现智能化，此外，对于需要在遥远或危险环境下操作的应用场景，如实验室安全和高通量荧光筛选，现有技术往往不能提供足够的灵活性和安全性。
4、因此，发展一种集成了先进图像处理技术、智能预测模型以及远程控制能力的自动荧光显微观测系统，以解决现有技术的这些限制，成为了该领域的迫切需求。
技术实现思路
1、基于上述目的，本发明提供了远程控制的自动荧光显微观测系统。
2、远程控制的自动荧光显微观测系统，包括：
3、可调谐荧光激发光源模块：所述可调谐荧光激发光源模块包括多个波长的激光光源，根据荧光标记特性选择激发光源，配备光亮度调节机制，控制光源的亮度，避免过度曝光和荧光淬灭；
4、智能光源控制单元：所述智能光源控制单元集成光谱分析工具，自动识别样品中荧光标记的最佳激发波长；
5、远程操作与监控界面：允许用户通过远程界面实时监控和调整光源的波长和强度，根据观测需要和反馈，微调光源设置，以优化荧光信号。
6、进一步的，所述激光光源具体包括紫外波段、蓝光波段、绿光波段、黄光至红光波段、近红外波段。
7、进一步的，所述可调谐荧光激发光源模块还包括预分析子模块，所述预分析子模块收集和分析荧光标记的基本物理和化学特性，通过引入荧光标记的已知数据评估并推荐激光光源，根据预分析模块的推荐，自动从多个激发光源中进行选择。
8、进一步的，所述光亮度调节机制具体包括使用图像分析算法分析捕获的荧光图像的荧光强度、均匀性和对比度；
9、基于分析结果，自动调整光源的强度，若荧光信号过强、过弱，将相应地减少、增加光源亮度。
10、进一步的，所述光谱分析工具具体包括：
11、光谱特征提取算法：采用基于机器学习的光谱特征提取算法，对采集的光谱数据进行分析，识别出样品中的荧光标记特征，通过训练数据集学习荧光标记的典型光谱特性，包括吸收峰和发射峰，区分不同类型的荧光标记；
12、最佳激发波长预测模型：结合光谱特征提取结果，使用最佳激发波长预测模型确定荧光标记的最佳激发波长，根据荧光标记的光谱特征，计算出最佳激发波长区间。
13、进一步的，所述光谱特征提取算法基于深度学习网络，所述深度学习网络的网络结构包括：
14、输入层：以光谱数据作为输入，若光谱数据是一维，将其转换为二维格式以适应深度学习网络；
15、卷积层：用于提取光谱数据中的特征，卷积操作的计算为：，其中，是第层在位置的特征图，是卷积核的权重，是前一层的输出，是偏置项，是激活函数；
16、池化层：用于降低特征图的维度，保留最重要信息，基于最大池化法；
17、全连接层：用于分类和回归任务，将前一层的输出映射到样本标签和目标值；
18、输出层：输出层的神经元数量与荧光标记的类别数相对应，对于分类任务，使用softmax函数来计算每个类别的概率。
19、进一步的，所述卷积层通过在输入数据上滑动小的窗口(卷积核)，并应用卷积操作来提取特征，卷积核的权重和偏置通过训练学习得到，而激活函数用于引入非线性，增强网络的表达能力，池化层通常采用最大池化，选取特征图中某邻域内的最大值，以减少数据的空间尺寸，增强模型的泛化能力，所述全连接层的计算为：，其中，是输出，分别是全连接层的权重和偏置，是前一层的输出，所述输出层的softmax函数用于将输出转换为概率分布，公式为：，其中，是给定输入样本属于类别的概率
20、进一步的，所述最佳激发波长预测模型基于灰色预测模型，使用深度学习网络输出的荧光标记特征作为输入，应用灰色预测模型gm(1,1)；
21、对深度学习网络提取的荧光标记特征进行一次累加(1ago)操作，形成新的数据序列，累加序列的公式为：，其中，是原始数据序列，是累加后的数据序列；
22、建立gm(1,1)模型：对累加序列建立一阶微分方程：，其中a和b是待估计的模型参数，使用最小二乘法来估计参数a和b，参数的估计公式为：，b和y是基于累加数据构建的矩阵和向量；
23、利用估计的参数，预测激发波长，预测模型公式为：，其中是预测的累加值。
24、进一步的，还包括实时反馈机制，所述实时反馈机制基于图像处理算法，根据图像处理算法结果调整激发波长，确保只激发目标荧光标记，减少非特异性荧光，所述图像处理算法还包括基于索贝尔算子的边缘检测，调整激发波长通过改变激光光源的输出波长以及使用不同的滤光片来实现。
25、进一步的，所述索贝尔算子通过计算图像亮度的空间梯度来检测边缘，使用两个的矩阵（卷积核），分别用于水平和垂直方向的边缘检测：
26、；；其中，*表示卷积操作，a是输入的图像；边缘强度g计算为：；过度曝光检测：若某区域的边缘强度过低（意味着整个区域亮度接近一致），表明该区域过度曝光；
27、非特异性荧光检测：若检测到其他高边缘强度区域（表明有清晰的亮暗对比），表明存在非特异性荧光。
28、本发明的有益效果：
29、本发明，利用cnn模型结合灰色预测模型，准确地识别荧光标记的特性，并预测其最佳激发波长，使得系统能够智能化地适应不同的荧光标记，确保以最合适的波长进行激发，大幅提高了实验的准确性，减少重复性，在实验条件变化或使用不同的荧光标记时，系统能够自动调整，保证了高质量的荧光成像效果。
30、本发明，通过实时边缘检测算法，能够监控荧光图像的质量，特别是识别过度曝光或非特异性荧光的问题，这种实时反馈机制允许系统自动调整激发波长和曝光设置，以优化图像质量，不仅减少了手动调整的需要，也保证了在自动化操作过程中能持续获得高质量的荧光图像，特别适用于长时间的实验观察。
31、本发明，远程控制功能为用户提供了极大的便利，尤其是在需要处理危险或难以接近的样本时，操作者可以在安全的环境中，通过远程界面监控实验进程，并在需要时进行调整，不仅提高了操作的安全性，也使得实验过程更加高效和灵活。
1.远程控制的自动荧光显微观测系统，其特征在于，包括：
2.根据权利要求1所述的远程控制的自动荧光显微观测系统，其特征在于，所述激光光源具体包括紫外波段、蓝光波段、绿光波段、黄光至红光波段、近红外波段。
3.根据权利要求2所述的远程控制的自动荧光显微观测系统，其特征在于，所述可调谐荧光激发光源模块还包括预分析子模块，所述预分析子模块收集和分析荧光标记的基本物理和化学特性，通过引入荧光标记的已知数据评估并推荐激光光源，根据预分析模块的推荐，自动从多个激发光源中进行选择。
4.根据权利要求3所述的远程控制的自动荧光显微观测系统，其特征在于，所述光亮度调节机制具体包括使用图像分析算法分析捕获的荧光图像的荧光强度、均匀性和对比度；
5.根据权利要求4所述的远程控制的自动荧光显微观测系统，其特征在于，所述光谱分析工具具体包括：
6.根据权利要求5所述的远程控制的自动荧光显微观测系统，其特征在于，所述光谱特征提取算法基于深度学习网络，所述深度学习网络网络结构包括：
7.根据权利要求6所述的远程控制的自动荧光显微观测系统，其特征在于，所述卷积层通过在输入数据上滑动小的窗口，并应用卷积操作来提取特征，卷积核的权重和偏置通过训练学习得到，而激活函数用于引入非线性，增强网络的表达能力，池化层通常采用最大池化，选取特征图中某邻域内的最大值，以减少数据的空间尺寸，增强模型的泛化能力，所述全连接层的计算为：，其中，是输出，和分别是全连接层的权重和偏置，是前一层的输出，所述输出层的softmax函数用于将输出转换为概率分布，公式为：其中，是给定输入下样本属于类别的概率。
8.根据权利要求5所述的远程控制的自动荧光显微观测系统，其特征在于，所述最佳激发波长预测模型基于灰色预测模型，使用深度学习网络输出的荧光标记特征作为输入，应用灰色预测模型gm(1,1)；对深度学习网络提取的荧光标记特征进行一次累加操作，形成新的数据序列，累加序列的公式为：其中，是原始数据序列，是累加后的数据序列；建立gm(1,1)模型：对累加序列建立一阶微分方程：，其中a和b是待估计的模型参数，使用最小二乘法来估计参数a和b，参数的估计公式为：，其中，b和y是基于累加数据构建的矩阵和向量；利用估计的参数，预测激发波长，预测模型公式为：，其中是预测的累加值。
9.根据权利要求4所述的远程控制的自动荧光显微观测系统，其特征在于，还包括实时反馈机制，所述实时反馈机制基于图像处理算法，根据图像处理算法结果调整激发波长，确保只激发目标荧光标记，减少非特异性荧光，所述图像处理算法还包括基于索贝尔算子的边缘检测，调整激发波长通过改变激光光源的输出波长以及使用不同的滤光片来实现。
10.根据权利要求9所述的远程控制的自动荧光显微观测系统，其特征在于，所述索贝尔算子通过计算图像亮度的空间梯度来检测边缘，使用两个的矩阵，分别用于水平和垂直方向的边缘检测：其中，*表示卷积操作，a是输入的图像；边缘强度g计算为：；过度曝光检测：若某区域的边缘强度过低，表明该区域过度曝光；
