通过非侵入性手段诊断甲壳类动物的疾病、生理变化或其他内部状况的方法和系统与流程

通过非侵入性手段诊断甲壳类动物的疾病、生理变化或其他内部状况的方法和系统
1.相关申请的交叉引用
2.本技术要求以下申请的优先权：2019年8月20日提交的第62/889,313号美国临时专利申请；2020年1月3日提交的第62/956,751号美国临时申请；2020年1月3日提交的第62/956,759号美国临时申请；以及2020年1月3日提交的第62/956,764号美国临时专利申请。每个申请的主题均通过引用整体并入本文。
技术领域
3.本发明涉及识别甲壳类动物的内部状况。


背景技术：

4.水产养殖，即鱼类、甲壳类动物、软体动物、水生植物、藻类和其他生物的养殖，是增长最快的食品领域，并且很快将为人类消费提供最多的甲壳类动物。然而，由于人口增长、发展中国家可支配收入的增加(与肉类饮食的增加相吻合)、沿海人口的增加和普遍的健康意识(这往往促使消费者购买甲壳类蛋白质)，对海鲜的需求不断增加。野生甲壳类动物资源已经达到极限，世界市场越来越注重更加可持续化和对环境负责，这意味着增加野生甲壳类动物的捕捞量是不可行的。


技术实现要素：

5.鉴于通过捕捞野生甲壳类动物来满足世界需求是不可行的，水产养殖代表了一种自然的解决方案。然而，增加水产养殖的使用会引发其他问题，例如疾病增加、生长和饲养效率低下以及废物管理。也就是说，虽然甲壳类动物养殖在过去几十年中呈指数级增长，但从小型孵化场向大型工业孵化场和育苗所的转变(必须跟上不断增长的需求)已经在甲壳类物种中引入了疾病和繁殖问题。例如，在甲壳类动物养殖场增加甲壳类动物的数量，而不采取缓解措施，随着甲壳类动物彼此之间距离的增加，疾病的流行率也会增加。随着越来越多的甲壳类动物彼此靠近，使得追踪甲壳类动物的大小和有效分配饲料变得更加困难，生长和饲养的低效率增加，并且更多的甲壳类动物导致更多的甲壳类动物废物，这增加了甲壳类动物养殖场对其附近区域的环境影响。
6.例如，甲壳类动物(例如，特别是虾类)的大多数圈养状况会导致雌性受到抑制，从而阻止它们发育成熟的卵巢。虽然已经开发出诸如眼柄切除等技术来刺激雌性甲壳类动物发育成熟的卵巢和产卵，但这一过程既是劳动密集型的，也是侵入性的，并且引起了伦理问题。同样，种群稠密的单一养殖场使病毒感染迅速传播。由于病毒是通过水本身进行传播的，因此病毒对养殖的甲壳类动物和野生种群都构成威胁。此外，细菌感染如弧菌病也可能迅速传播，死亡率接近70％。虽然可以基于外部特性检测弧菌病(例如，受感染的甲壳类动物可能变得虚弱和分不清方向，并且可能在角质层上有深色伤口)，但检测通常为时已晚，无法保存受感染的样本和/或将受感染的样本分拣出来以防止疾病传播到其他样本。
7.本文还公开了用于改进水产养殖的方法和系统，其允许提高水产养殖环境中甲壳类动物的数量和收获效率，同时仍减轻上述问题。例如，这些方法和系统可以应用于检测和预测生理变化，例如蜕皮以及疾病感染、发育阶段和/或其他内部状况。例如，这些方法和系统可以用于检测和/或预测甲壳类动物中的任何功能或机制(及其变化)。例如，这些方法和系统基于非侵入性手段成功地预测甲壳类动物何时可能蜕皮以及确定甲壳类动物是否已经蜕皮。此外，这些非侵入性手段依赖于甲壳类动物的外部图像，因此可以按比例缩放以用于数以千计的甲壳类动物的整个批次。
8.这些方法和系统还可以应用于甲壳类动物的选择性育种和监测，以识别具有优良性状、经历生理变化(例如，蜕皮)和/或具有特定内部状况(例如，疾病感染)的甲壳类动物。在常规系统中，在甲壳类动物成熟到长成期和/或甲壳类动物达到特定大小之前，甲壳类动物分拣是不可能的。在此之前，可以进行侵入性基因测试来确定性别并识别与某些疾病相关的生物标志物，但这些基因测试可能会导致样本死亡(例如，受精卵的粉碎)和/或是耗时的。此外，即使在长成期，分拣也会是一个既费时又费力的手动过程。
9.与常规方法相比，本文描述了用于识别甲壳类动物性状的非侵入性过程的方法和系统。此外，基于本文所描述的方法和系统，可以在甲壳类动物只有2-4克和/或仍在卵中时确定某些性状，并且对于某些遗传生物标志物具有超过90％的准确度。由于该过程是非侵入性的，并且依赖于基于甲壳类动物卵和/或甲壳类动物秧苗的外部图像的表型特性检测，因此不会威胁到样本的生存能力。因为样本的生存能力没有受到威胁并且识别出遗传性状，所以可以按照常规方法所看不到的大小和/或成熟度水平将甲壳类动物分拣到给定的性别或抗病性。可用于养殖的甲壳类动物的效率和数量因此增加，而没有上述缺点。
10.上面讨论的进步的关键是基于外部图像检测甲壳类动物的某些表型特性，如下所述。由于单个批次中的样本(例如卵和/或秧苗)的数量可能数以万计，对于这些进步而言，快速有效地检测表型特性也很重要。为此，下面讨论的方法和系统描述了使用经过训练的人工神经网络。这些人工神经网络用甲壳类动物在不同生命阶段(例如，受精卵、无节幼体、海蟹幼体、大眼幼体、幼后期、幼形和/或成年)、在特定年龄(例如，受精后35天以内、受精后90天以内和/或受精后120天以内)和/或特定大小(例如，长度小于1毫米、长度小于1厘米、长度超过10厘米等)的数据集进行训练并且基于包括表型特性的图像集。在一些实施例中，人工神经网络可以用甲壳类动物在给定蜕皮之前和之后的图像进行训练。在一些实施例中，人工神经网络可以用甲壳类动物在病原体存在之前和之后的图像进行训练。
11.在一方面，描述了用于基于外部特性识别甲壳类动物的内部状况的方法和系统。例如，该系统可以包括接收第一甲壳类动物的图像集，其中第一甲壳类动物的图像集包括第一甲壳类动物的表型特性。在一些实施例中，甲壳类动物可以是虾苗，并且甲壳类动物的图像集可以包括第一虾苗的外部第一视角图像和第一虾苗的外部第二视角图像。附加地或替代地，虾苗的图像集可以在虾苗的鳃被水合时或在虾苗被镇静时生成，以减少对虾苗的压力。在一些实施例中，甲壳类动物可以处于幼体阶段，并且甲壳类动物的图像集可以包括约一半幼体的景深(depth of field)。在一些实施例中，甲壳类动物可以是受精卵，并且甲壳类动物的图像集可以包括约一半受精卵的景深。在一些实施例中，可以使用检测波长在约400纳米至约1100纳米之间的电磁辐射的成像设备来创建图像集，和/或可以将不同性别的甲壳类动物一起成像。例如，通过标准化包含表型特性的甲壳类动物图像集的收集和制
备(例如，通过减少压力、不同性别一起成像、标准化样本大小和/或使用一致的图像参数)，可以消除系统偏差。对于卵和幼体图像，可以使用放置在复合显微镜的显微镜目镜中的目镜测微计来捕获图像。
12.然后，系统可以基于第一甲壳类动物的图像集生成第一像素阵列，并且用第一甲壳类动物的基因型生物标志物标记第一像素阵列。例如，可以将图像集中检测到的表型特性转换为人工神经网络可以快速有效地处理的形式。在一些实施例中，这可以包括表示红色、绿色、蓝色或灰度图像的一个或多个向量、阵列和/或矩阵。此外，在一些实施例中，系统可以另外将图像集从一个或多个向量、阵列和/或矩阵的集合转换为一个或多个向量、阵列和/或矩阵的另一集合。例如，系统可以将具有红色阵列、绿色阵列和蓝色的图像集转换为灰度色彩阵列。
13.然后，系统可以训练人工神经网络以基于标记的第一像素阵列检测甲壳类动物中的基因型生物标志物。例如，系统可以生成第一甲壳类动物的图像集，并且对第一甲壳类动物进行基因测试以确定第一甲壳类动物中的基因型生物标志物(例如，16s rrna基因和/或性别的七个高变区的测序)。有关16s rrna基因及其与抗病性的关系及其生物标志物的更多讨论，请参见cornejo-granados，f.，lopez-zavala，a.a.，gallardo-becerra，l.等人的“microbiome of pacific whiteleg shrimp reveals differential bacterial community composition between wild，aquacultured and ahpnd/ems outbreak conditions(太平洋白腿虾的微生物组揭示了野生、水产养殖和ahpnd/ems爆发条件之间不同的细菌群落组成)”，sci rep7，11783(2017)，其全文以引用方式并入本文。
14.然后，将特定基因型生物标志物的存在与一种或多种表型特性相关联。例如，人工神经网络可以对基因型生物标志物进行分类。然后基于第一数据集(例如，包括第一甲壳类动物和其他动物的数据)训练人工神经网络以当存在特定表型特性时将样本分类为具有给定的基因型生物标志物。
15.然后，系统可以接收第二甲壳类动物的图像集，其中第二甲壳类动物的图像集包括第二甲壳类动物的表型特性。系统可以基于第二甲壳类动物的图像集生成第二像素阵列，并且将第二像素阵列输入到经过训练的神经网络中。然后，系统可以从经过训练的神经网络接收指示第二甲壳类动物具有基因型生物标志物的输出。例如，系统可以将第二数据集(例如，基因型生物标志物未知的甲壳类动物的图像集)输入到经过训练的人工神经网络中。然后，经过训练的人工神经网络可以根据基因型生物标志物对甲壳类动物的图像集进行分类。例如，第一甲壳类动物的基因型生物标志物可以是神经网络的第一分类，并且系统可以基于第二像素阵列与第一分类匹配，从神经网络生成指示第二甲壳类动物具有与第一甲壳类动物相同的基因型生物标志物的输出。
16.通过本发明的详细描述和所附附图，本发明的各种其他方面、特征和优点将变得清楚。还应理解的是，前述一般描述和以下详细描述都是示例而不限制本发明的范围。如在说明书和权利要求书中使用的，单数形式的“一”、“一个”和“该”包括复数指示，除非上下文另有明确规定。此外，如在说明书和权利要求书中使用的，术语“或”意指“和/或”，除非上下文另有明确规定。
附图说明
17.图1示出根据一个或多个实施例的指示用于检测甲壳类动物蜕皮的常见外部特性的图表。
18.图2示出根据一个或多个实施例的具有被配置为基于外部特性检测内部状况的机器学习模型的系统。
19.图3示出根据一个或多个实施例的用于基于外部特性检测内部状况的人工神经网络模型的图形表示。
20.图4示出根据一个或多个实施例的基于甲壳类秧苗的外部特性检测内部状况的说明性示例。
21.图5示出根据一个或多个实施例的基于受精卵的外部特性检测内部状况的说明性示例。
22.图6示出根据一个或多个实施例的用于基于甲壳类动物的外部特性检测内部状况的流程图。
23.图7示出根据一个或多个实施例的用于预测甲壳类动物何时将经历生理变化的流程图。
24.图8示出根据一个或多个实施例的用于检测甲壳类动物的生理变化的流程图。
25.图9示出根据一个或多个实施例的用于训练人工神经网络的流程图。
具体实施方式
26.在以下描述中，出于解释的目的，阐述了许多具体细节以提供对本发明实施例的透彻理解。然而，本领域技术人员将理解，本发明的实施例可以在没有这些具体细节或具有等效布置的情况下实施。在其他情况下，众所周知的结构和设备以框图形式示出以避免不必要地混淆本发明的实施例。
27.本文所描述的方法和系统可以成功地预测和检测甲壳类动物的性状。性状可以包括任何内部(例如，基因型、病原体感染、生理变化)或外部状况(例如，表型)。例如，本文讨论的方法和系统可用于基于一表型预测和检测其他表型(例如，不仅仅是基因型)。例如，第一表型(例如，颜色)的使用可用于预测第二表型(例如，大小、重量等)。此外，所述方法和系统可用于基于其表型识别个体样本。
28.内部状况可以包括当前的生理状况(例如，在幼形甲壳类动物体内正常发生的状况)，例如甲壳类动物的性别(例如，由性器官的发育决定)和/或甲壳类动物的发育阶段(例如，蜕皮状态)。内部状况可以包括对未来生理状况的倾向，例如生长速率、成熟日期和/或行为性状。内部状况可以包括病理状况(例如，以甲壳类动物体内对疾病的反应为中心的异常状况)，例如甲壳类动物是否患有给定疾病和/或当前是否感染了给定疾病。内部状况可以包括遗传状况(例如，基于甲壳类动物基因组形成的状况)，例如甲壳类动物是否包括给定基因型。内部状况可以包括给定生物标志物的存在(例如，生物体中的可测量物质，其存在指示疾病、感染、当前内部状况、未来内部状况和/或环境暴露)。
29.在一些实施例中，所述方法和系统可以检测甲壳类动物是否已经经历生理变化(例如，蜕皮)和/或预测甲壳类动物何时将经历生理变化。生理变化可以包括蜕皮、性成熟和/或其他生理发育。蜕皮期间的生理变化可以包括体形改变、角质层变化和/或行为变化。
这也可以包括性腺发育水平、蜕皮水平、性成熟水平、抗病性水平或健壮水平。
30.图1示出根据一个或多个实施例的指示用于检测甲壳类动物蜕皮的常见外部特性的图表。例如，图表100示出了与甲壳类动物的不同蜕皮阶段相关的各种特性。此外，图表100示出了与蜕皮阶段相关联的时间长度。时间长度以总蜕皮时间的百分比给出，因为每次蜕皮的时间可能因甲壳类动物物种而异，也可能因给定样本的年龄而异。作为参考，虾通常需要三到八周才能完成蜕皮。
31.如图表100中所示，蜕皮可以具有三个阶段，尽管在一些实施例中也可以使用额外的子阶段。在蜕皮后期期间，甲壳类动物从其先前的蜕皮中恢复并且其角质层开始变硬。在适应新大小的同时，甲壳类动物几乎没有活动和/或进食。此外，甲壳类动物可能会吸收大量的水。在此阶段期间可能会出现一些疾病，例如虾中的白斑综合症病毒(wss)，并且由于摄入水而可能导致潜在的渗透性休克。还应注意，在一些实施例中，除了检测与该阶段相关联的外部特性外，系统还可以监测其他状况(例如，使用渗透压调节来监测环境中的盐浓度)。如下所述，该信息可以被记录并与样本相关联。在蜕皮间期阶段期间，甲壳类动物是稳定的，并且角质层是有功能性的。甲壳类动物的大规模生长是连续的，且其进食活动处于最大标记。应该注意的是，即使外部特性(例如，角质层的大小)保持不变，系统也可以检测甲壳类动物的内部状况(例如，质量)。
32.例如，如下所述，这些内部特性可以基于甲壳类动物的外部可见的性状来确定。这些外部可见的特性可以包括表型特性(例如，甲壳类动物的源于其基因型与环境的相互作用的一种或多种可观察到的特性)。这些外部可见的性状可以包括与甲壳类动物的生理变化相对应的性状。例如，在蜕皮期间，与这种生理变化相关的外部可见的性状可以包括改变的体形、增加的角质层硬度以及水摄入和行为(例如，进食、交配等)的变化。在这种情况下，系统可以比较在这些生理、形态和/或行为之前和之后的甲壳类动物的图像，以训练人工神经网络，用于预测何时和/或检测其他甲壳类动物是否已经经历或将开始形态和/或行为变化。在一些实施例中，性状可以包括重量、活性病原体的存在、寄生虫的存在或疾病的存在。
33.在蜕皮间期阶段之后，甲壳类动物将在新角质层开始形成并出现时开始蜕皮前期。甲壳类动物也将经历和过渡于新旧角质层之间。这一阶段也可能与进食和其他活动的逐渐减少同时发生。系统可以监测这些变化以预测变化，如下所述。
34.在一些实施例中，系统可以包括接收第一甲壳类动物的图像集。图像集可以包括甲壳类动物的一个或多个图像。如果图像集包括多个图像，则这多个图像可以是从不同角度(例如，顶视图、侧视图、底视图等)捕获的和/或可以是基本上同时捕获的。图像集中的图像可以包括单独的图像(例如，单独存储但通过诸如序列号的公共标识符链接的图像)或一起存储的图像。图像集中的图像也可以是合成图像(例如，通过切割、裁剪、重新排列和/或重叠两个或更多个图像所创建的图像)。在一些实施例中，甲壳类动物可以是虾苗，并且甲壳类动物的图像集可以包括第一虾苗的外部第一视角图像和第一虾苗的外部第二视角图像。附加地或替代地，虾苗的图像集可以在虾苗的鳃被水合时或在虾苗被镇静时生成，以减少对虾苗的压力。在一些实施例中，幼形甲壳类动物可以是受精卵，并且幼形甲壳类动物的图像集可以包括约一半受精卵的景深和/或使得图像捕获卵黄膜、绒毛膜、卵黄、脂肪球、卵周隙或胚胎中的一个或多个的景深。
35.在一些实施例中，例如，当预测生理变化的日期范围和/或确定生理变化是否已经
发生时，图像集可以包括在预定时间间隔和预定数量(例如，两个或更多个)之后拍摄的一系列图像。时间间隔可以变化并且可以取决于被成像的样本的生命阶段(或蜕皮阶段)(例如，参考图1、图4和图5所讨论的)。例如，在一些实施例中，在幼形阶段，间隔可以从几周高达三个月，但在幼形阶段之后，间隔可以更小。当样本在海洋中时，在“长成”阶段，间隔可以增加到一个月以上。间隔也可以与特定活动有关。例如，当样本被释放到海洋中时可以进行第一次成像，并在收获时可以进行第二次成像。
36.例如，在虾中，从受精到虾苗的时间可能是二十五到三十五天。虾苗到幼形可能约需要六十天。从幼形到成年可能需要十五天。成年虾可能需要一到三天进行交配。系统可以将成像日期与这些参考时段挂钩。
37.在一些实施例中，可以使用如下成像设备来创建图像集，该成像设备检测波长在约400纳米到约1100纳米之间的电磁辐射。在一些实施例中，可以使用如下成像设备来创建图像集，该成像设备检测波长在400至500纳米之间、500至600纳米之间、700至900纳米之间或700至1100纳米之间的电磁辐射。
38.在一些实施例中，频闪照明可以与成像设备同步。频闪灯的闪光能量可以在10到150焦耳之间，并且放电时间短至几毫秒，通常会产生几千瓦的闪光功率。频闪光源可以是氙气闪光灯或闪光灯管，其可以具有复杂的光谱和约5,600开尔文的色温。在一些实施例中，系统可以通过使用有色凝胶获得有色光。
39.图像集可以捕获给定样本的图像。样本可以是任何生命阶段中的甲壳类动物。例如，甲壳类动物可以是成年甲壳类动物和/或幼形甲壳类动物(例如，尚未达到性成熟的甲壳类动物)。幼形甲壳类动物可以包括甲壳类虾苗、卵或幼体。应当注意，虽然本公开的实施例涉及幼形甲壳类动物，但这些实施例也适用于其他样本。特别是，这些样本可以包括任何类型的水生生物(例如，生活在水生生态系统中的生物)和/或卵生生物。
40.可以使用多个成像设备。然而，控制成像设备(例如，在成像设备上使用相同设置的相同成像设备)可以确保人工神经网络达到最佳结果。替代地，成像设备或成像设备的设置可以是随机的。使成像设备或成像设备的设置随机化可以改善人工神经网络的结果，因为没有引入非预期的偏差(例如，来自成像设备或成像设备的设置)。在一些实施例中，成像设备能够捕获高分辨率图像并且可以包括21兆像素的相机。由成像设备捕获的图像可以包括3-6兆像素的图像。
41.然后，在一些实施例中，系统可以基于第一甲壳类动物的图像集生成像素阵列。像素阵列可以指描述图像的计算机数据(例如，逐像素地)。在一些实施例中，这可以包括表示红色、绿色、蓝色或灰度图像的一个或多个向量、阵列和/或矩阵。此外，在一些实施例中，系统可以另外将图像集从一个或多个向量、阵列和/或矩阵的集合转换为一个或多个向量、阵列和/或矩阵的另一集合。例如，系统可以将具有红色阵列、绿色阵列和蓝色的图像集转换为灰度色彩阵列。
42.图2示出根据一个或多个实施例的具有被配置为基于外部特性检测内部状况的机器学习模型的计算机系统。如图2所示，系统200可以包括客户端设备202、客户端设备204或其他组件。客户端设备202和204中的每个可以包括任何类型的移动终端、固定终端或其他设备。这些设备中的每个可以经由输入/输出(以下简称“i/o”)路径接收内容和数据，并且也可以包括处理器和/或控制电路，以使用i/o路径发送和接收命令、请求和其他合适的数
据。控制电路可以包括任何合适的处理电路。这些设备中的每个也可以包括用于接收和显示数据的用户输入接口和/或显示器。举例来说，客户端设备202和204可以包括台式计算机、服务器或其他客户端设备。例如，用户可以利用一个或多个客户端设备202和204与彼此、一个或多个服务器或系统200的其他组件进行交互。应当注意，虽然本文将一个或多个操作描述为由系统200的特定组件执行，但是在一些实施例中，这些操作可以由系统200的其他组件执行。作为示例，虽然本文将一个或多个操作描述为由客户端设备202的组件执行，但是在一些实施例中，这些操作可以由客户端设备204的组件执行。应当注意，尽管本文中参考机器学习模型描述了一些实施例，但可以在其他实施例中使用其他预测模型(例如，统计模型或其他分析模型)代替机器学习模型或作为其补充(例如，在一个或多个实施例中，统计模型替代机器学习模型以及非统计模型替代非机器学习模型)。
43.这些设备中的每个还可以包括电子存储装置形式的存储器。电子存储装置可以包括以电子方式存储信息的非暂时性存储介质。电子存储装置的电子存储介质可以包括以下项之一或两者：(i)与服务器或客户端设备一体设置(例如，基本上不可移除)的系统存储装置，或(ii)经由例如端口(例如，usb端口、火线端口等)或驱动器(例如，磁盘驱动器等)可移除地连接到服务器或客户端设备的可移除存储装置。电子存储装置可以包括光学可读存储介质(例如，光盘等)、磁性可读存储介质(例如，磁带、磁性硬盘驱动器、软盘驱动器等)、基于电荷的存储介质(例如，eeprom，ram等)、固态存储介质(例如，闪存驱动器等)和/或其他电子可读存储介质中的一种或多种。电子存储装置可以包括一个或多个虚拟存储资源(例如，云存储、虚拟专用网络和/或其他虚拟存储资源)。电子存储装置可以存储软件算法、由处理器确定的信息、从服务器获得的信息、从客户端设备获得的信息、或实现本文所描述的功能的其他信息。
44.图2还包括通信路径208、210和212。通信路径208、210和212可以包括互联网、移动电话网络、移动语音或数据网络(例如，4g或lte网络)、电缆网络、公共交换电话网络或其他类型的通信网络或通信网络的组合。通信路径208、210和212可以单独地或一起包括一个或多个通信路径，例如卫星路径、光纤路径、电缆路径、支持互联网通信(例如，iptv)的路径、自由空间连接(例如，用于广播或其他无线信号)、或任何其他合适的有线或无线通信路径或这些路径的组合。计算设备可以包括链接一起操作的多个硬件、软件和/或固件组件的附加通信路径。例如，计算设备可以由作为一起操作的计算设备的计算平台的云来实现。
45.在一些实施例中，系统200可以使用一个或多个预测模型来基于外部特性预测内部状况。例如，如图2所示，系统200可以使用机器学习模型222来预测样本(例如，通过样本识别所识别的甲壳类动物)的基因型特性。该确定可以是客户端设备204上的输出(示出为输出218)。系统可以包括一个或多个神经网络(例如，如参考图3所讨论的)或其他机器学习模型。
46.作为示例，参考图2，机器学习模型222可以获取输入224并提供输出226。输入可以包括多个数据集，例如训练数据集和测试数据集。数据集可以表示诸如甲壳类动物的样本的图像(或图像集)。在一个用例中，输出226可以作为输入反馈到机器学习模型222以训练机器学习模型222(例如，单独地或结合对输出226的准确度的用户指示、与输入相关联的标记或与其他参考反馈信息一起)。在另一个用例中，机器学习模型222可以基于其对其预测(例如，输出226)的评估和参考反馈信息(例如，对准确度的用户指示、参考标记或其他信
息)来更新其配置(例如，权重、偏差或其他参数)。在另一个用例中，机器学习模型222是神经网络，可以调整连接权重以协调神经网络的预测与参考反馈之间的差异。在进一步的用例中，神经网络的一个或多个神经元(或节点)可以要求它们各自的误差通过神经网络反向发送给它们以促进更新过程(例如，误差的反向传播)。对连接权重的更新可以例如反映前向传播完成后反向传播的误差大小。这样，例如，机器学习模型222可以被训练以生成更好的预测。
47.可以训练机器学习模型222以基于像素阵列检测甲壳类动物的内部状况。例如，客户端设备202或204可以生成第一甲壳类动物的图像集(例如，经由图像捕获设备)，并且对第一甲壳类动物进行基因测试以确定第一甲壳类动物中的基因型生物标志物(例如，16s rrna基因和性别的七个高变区的测序)。然后，将特定基因型生物标志物的存在与一种或多种表型特性相关联。例如，机器学习模型222可以对内部状况(例如，基因型生物标志物)进行分类。然后，基于第一数据集(例如，包括第一甲壳类动物和其他动物的数据)训练机器学习模型222，以在存在特定表型特性时将样本分类为具有给定的基因型生物标志物。
48.然后，系统可以接收甲壳类动物的图像集，其中甲壳类动物的图像集包括第二甲壳类动物的外部特性。客户端设备202或204可以基于第二甲壳类动物的图像集生成第二像素阵列并将第二像素阵列输入到机器学习模型222中。然后，系统可以从机器学习模型222接收指示第二甲壳类动物具有与第一甲壳类动物相同的内部状况(例如，基因型生物标志物)的输出。例如，系统可以将第二数据集(例如，基因型生物标志物未知的甲壳类动物的图像集)输入到机器学习模型222中。然后，机器学习模型222可以根据基因型生物标志物对甲壳类动物的图像集进行分类。例如，第一甲壳类动物的基因型生物标志物可以是机器学习模型222的第一分类，并且系统可以基于第二像素阵列与第一分类匹配，从机器学习模型222生成第二甲壳类动物具有与第一甲壳类动物相同的基因型生物标志物的输出。
49.在一些实施例中，系统200还被配置为处理、分拣和/或转移甲壳类动物(例如，用于疫苗接种、性别隔离、转移到海洋或繁殖区等)。在这样的实施例中，可以基于外部特性实时检测内部状况(例如，当甲壳类动物沿着传送带运输或以其他方式转移时)。也就是说，在内部状况(例如，如下面图6中描述的基因型生物标志物)的输出之后，系统200可以基于所确定的内部状况对甲壳类动物进行分拣。
50.图3示出根据一个或多个实施例的用于基于外部(例如，表型)特性检测内部状况(例如，基因型生物标志物)的人工神经网络模型的图形表示。模型300图示了人工神经网络。模型300包括输入层302。甲壳类动物的图像集可以在该层级输入到模型300中。模型300还包括一个或多个隐藏层(例如，隐藏层304和隐藏层306)。模型300可以基于大量神经单元(或人工神经元)。模型300粗略地模仿了生物大脑的工作方式(例如，经由通过轴突连接的大量生物神经元)。模型300的每个神经单元可以与模型300的许多其他神经单元连接。这样的连接可以加强或抑制它们对连接的神经单元的激活状态的影响。在一些实施例中，每个单独的神经单元可以具有将其所有输入的值组合在一起的求和函数。在一些实施例中，每个连接(或神经单元本身)可以具有使得信号在传播到其他神经单元之前必须超过的阈值函数。模型300可以是自学习和经过训练的，而不是明确编程的，并且与传统的计算机程序相比，模型300在解决问题的某些领域可以表现得更好。在训练期间，输出层308可以对应于模型300的分类(例如，给定图像集是否对应于基因型生物标志物)并且对应于该分类的已
知输入可以输入到输入层302。在一些实施例中，模型300可以包括多个层(例如，其中信号路径从前层遍历到后层)。在一些实施例中，模型300可以利用反向传播技术，其中前向刺激用于重置“前”神经单元上的权重。在一些实施例中，模型300的刺激和抑制可能更自由流动，连接以更混乱和复杂的方式相互作用。模型300还包括输出层308。在测试期间，输出层308可以指示给定输入是否对应于模型300的分类(例如，给定图像集是否对应于基因型生物标志物)。
51.图3还包括模型350，其是卷积神经网络。卷积神经网络是具有一个或多个卷积层的人工神经网络。卷积层从输入图像中提取特征。卷积通过使用输入数据的小方块学习图像特征来保留像素之间的关系。例如，可以保留受精卵的各个部分(例如，卵黄膜、绒毛膜、卵黄、脂肪球、卵周隙和/或胚胎)之间的关系。在另一个示例中，可以保留虾苗的各个部分(例如，吻部、眼睛、甲壳、腹部、小触角、触角、螯足、胸足、腹足、尾节和尾肢)之间的关系。如模型350中所示，输入层352在被输出到卷积输出360之前可以进行到卷积块354和356。在一些实施例中，模型350本身可以用作模型300的输入。
52.在一些实施例中，模型350可以实现反向残差结构，其中残差块(例如，块354)的输入和输出是薄的瓶颈层。残差层可以馈入下一层并直接馈入作为下游一层或多层的层中。瓶颈层(例如，块358)是与前几层相比包含较少神经单元的层。模型350可以使用瓶颈层来获得具有降维的输入表示。这方面的一个示例是使用具有瓶颈层的自动编码器来进行非线性降维。另外，模型350可以去除窄层(例如，块358)中的非线性，以保持表征能力。在一些实施例中，模型350的设计也可以由计算复杂度的度量(例如，浮点运算的数量)来指导。在一些实施例中，模型350可以增加所有单元处的特征图维度以涉及尽可能多的位置，而不是急剧增加执行下采样的神经单元处的特征图维度。在一些实施例中，模型350可以在下游方向上减小残差层的深度并增加其宽度。
53.在一些实施例中，模型300或模型350可以是使用相同权重同时在两个不同输入向量上协同工作以计算可比较的输出向量的孪生神经网络(例如，模型390)。例如，在孪生人工神经网络中，模型300可以包括两个卷积神经网络(例如，两个模型350)，它们不是两个不同的网络，而是同一网络(例如，模型350)的两个副本。例如，两个输入图像可以通过模型390以为每个图像生成固定长度的特征向量。如果这两个输入图像属于同一条鱼，则它们的特征向量也将是相似的，而如果这两个输入图像属于两条不同的鱼，则它们的特征向量将是不同的。然后，系统可以生成由输出sigmoid层(例如，层370)生成的相似性分数，以检测和预测生理变化和/或诊断疾病、发育阶段和/或状况。此外，作为所使用算法的一个说明性示例，系统可以依赖于孪生神经网络和/或使用相同或相似权重同时通常协同处理两个不同输入向量以计算可比较的输出向量的其他神经网络。此外，孪生神经网络不依赖于需要每个样本的多个图像、来自多个角度的图像和/或具有关键特征注释的算法。
54.图4示出根据一个或多个实施例的基于甲壳类动物的表型特性检测基因型生物标志物的说明性示例。图4包括计算机系统400，其在一些实施例中可以对应于系统200(图2)。例如，计算机系统400可以使用成像设备406来捕获图像集(例如，虾苗的图像集，包括虾苗、幼形和/或成年甲壳类动物的表型特性)。成像设备406可以并入计算机系统400和/或可由计算机系统400访问。计算机系统400还包括存储器404，其可以并入计算机系统400和/或可由计算机系统400访问。在一些实施例中，计算机系统400可以从存储器404检索图像集。
55.计算机系统400还包括控制电路402。控制电路402可以执行一个或多个处理(例如，如下文参考图6所述)以基于虾苗、幼形和/或成年甲壳类动物中的表型特性检测基因型生物标志物。控制电路402可以训练人工神经网络(例如，如上所述)，以便基于一个或多个数据集(例如，存储在存储器404中)检测基因型生物标志物。计算机系统400可以接收用户输入(例如，经由客户端设备204(图2))以基于图像集所指示的表型特性来确定基因型生物标志物。然后，计算机系统可以输出所确定的基因型(例如，作为输出218(图2))。替代地或附加地，计算机系统400可以接收用户输入(例如，经由客户端设备204(图2))以基于图像集所指示的外部特性来预测或检测性状和/或生理变化。
56.图4还包括样本(例如，虾)的图像410和图像420。图像410和图像420分别是虾在虾苗和长成阶段、幼形的示例性图像集。如图4所示，样本具有个体的外部特性，并且这些特性相对于其他外部特性和整个虾的大小、位置、颜色、蜕皮阶段和排列可以指示内部状况的存在。这些个体的外部特性是可使用图像410和图像420来识别的。例如，如图4所示，虾苗的外部特性包括虾苗各部分的大小、定位、位置、颜色、成熟度/发育水平，包括吻部、眼睛、甲壳、腹部、小触角、触角、螯足、胸足、腹足、尾节和尾肢。成像设备406可以捕获一个或多个图像集。图像集可以被转换为像素阵列并用作人工神经网络的输入。在使用卷积神经网络的实施例中，卷积层可以从输入图像中提取特征并通过使用输入数据的小方块学习图像特征(以及它们的大小、位置、颜色、成熟度/发育水平)来保留像素之间的关系。例如，吻部相对于甲壳的大小可以指示内部状况。在另一个示例中，螯足的定位可以指示另一种内部状况。此外，图像410和420中的每个可以与给定甲壳类动物的简档一起存储。该简档可以包括关于甲壳类动物的属性的信息(例如，批次、群组、家族等)以及关于甲壳类动物的其他信息(例如，重量)。系统可以将此信息与图像的时间和/或日期以及任何成像条件(例如，成像设备的设置)相关联。
57.图像410是处于幼后期、幼形阶段的虾。例如，在完成幼体发育的三个阶段后(例如，如图5中所讨论的)，样本是完全发育的虾。在一些实施例中，样本可以在孵化场中保留约两周，一旦样本达到约1厘米长的长度，就将其转移到幼形池以长到约1克。在此期间，系统可以捕获图像410。
58.图像420是在长成期间处于幼形阶段的虾。例如，当样本达到1克时，样本将需要额外的空间并被转移到长成池(或其他环境)约7到8个月，直到被收获(通常重20到30克)。在此期间，系统可以捕获图像420。
59.应当注意，样本的图像集可以包括样本的一个或多个角度，尽管图4中仅示出了单个视图。例如，在一些实施例中，可以基于特定的感兴趣的表型特性来使用附加角度。通过使用多个角度，计算机系统400可以更好地检测给定样本的外部特性。例如，多个角度允许从不同角度对个体的表型特性(例如，吻部)进行成像，这为计算机系统400提供了更完整的数据。在一些实施例中，图像集还可以包括其他特征，用于识别样本(例如，序列号、订单号和/或批次号)，用于确定样本和/或样本的一部分的规模(例如，身高、长度和/或重量的测量手段)，用于为给定的表型特性提供参考点(例如，用于比较样本颜色的调色板)，和/或用于指示其他可用于对样本进行分类的信息(例如，年龄、成熟度水平、物种、大小等的指标)。
60.应当注意，可以使用样本的多个视图。一个或多个视图可以创建表示三维样本形式的一系列标准化的正交二维图像。例如，可以使用样本的六个视图，每个投影平面平行于
对象的坐标轴之一。视图可以根据第一角度投影方案或第三角度投影方案相对于彼此定位。视图可以包括侧视图、前视图、顶视图、底视图和/或端视图。视图还可以包括平面图、立面图和/或剖面图。
61.图5示出根据一个或多个实施例的基于受精卵和幼体阶段中的表型特性检测基因型生物标志物的说明性示例。图5包括计算机系统500，其在一些实施例中可以对应于系统200(图2)。例如，计算机系统500可以使用成像设备506来捕获图像集(例如，受精卵的图像集，包括受精卵和幼体阶段的表型特性)。成像设备506可以并入计算机系统500和/或可由计算机系统500访问。计算机系统500还包括存储器504，其可以并入计算机系统500中和/或可由计算机系统500访问。在一些实施例中，计算机系统500可以从存储器504中检索图像集。
62.计算机系统500还包括控制电路502。控制电路502可以执行一个或多个处理(例如，如下文参考图6所描述的)以基于受精卵中的表型特性来检测基因型生物标志物。控制电路502可以训练人工神经网络(例如，如上所述)以便基于一个或多个数据集(例如，存储在存储器504中)检测基因型生物标志物。计算机系统可以接收用户输入(例如，经由客户端设备204(图2))以基于图像集所指示的表型特性来确定基因型生物标志物。然后，计算机系统500可以输出所确定的基因型(例如，作为输出218(图2))。替代地或附加地，计算机系统500可以接收用户输入(例如，经由客户端设备204(图2))以基于图像集所指示的外部特性来预测或检测性状和/或生理变化。
63.图5还包括可由计算机系统500处理的四个图像(例如，图像510、图像520、图像530和图像540)。图像510、图像520、图像530和图像540分别是受精卵和幼体阶段的示例性图像集。如图5所示，每个样本都具有个体的外部特性，并且这些外部特性相对于其他外部特性和受精卵或幼体整体而言的大小、位置和排列可以指示内部状况的存在。例如，在每个样本中，一些卵部分(例如，卵黄膜、绒毛膜、卵黄、脂肪球、卵周隙和/或胚胎)相对于其他卵部分的大小和位置提供了基因型生物标志物的指示。
64.例如，如图5所示，图像510中的受精卵的外部特性包括受精卵的各部分(例如，卵黄膜、绒毛膜、卵黄、脂肪球、卵周隙和/或胚胎)的大小、定位、位置、颜色、成熟度/发育水平。成像设备506可以捕获一个或多个图像集。图像集可以转换为像素阵列并用作人工神经网络的输入。在使用卷积神经网络的实施例中，卷积层可以从输入图像中提取特征并通过使用输入数据的小方块学习图像特征(以及它们的大小、位置、颜色和/或成熟度/发育水平)来保留像素之间的关系。例如，卵黄膜相对于绒毛膜的大小可以指示内部状况。在另一个示例中，脂肪球的位置可以指示另一种内部状况。
65.在一些实施例中，图像集还可以包括其他特征，用于识别样本(例如，序列号、订单号和/或批次号)，用于确定样本和/或样本的一部分的规模(例如，高度、长度和/或重量的测量手段)，用于为给定的表型特性提供参考点(例如，用于比较样本颜色的调色板)，和/或用于指示其他可用于对样本进行分类的信息(例如，年龄、成熟度水平、物种、大小等的指标)。此外，图像520、530和540中的每个可以与给定甲壳类动物的简档一起存储。该简档可以包括关于甲壳类动物的属性的信息(例如，批次、群组、家族等)以及关于甲壳类动物的其他信息(例如，重量)。系统可以将此信息与图像的时间和/或日期以及任何成像条件(例如，成像设备的设置)相关联。
66.系统还可以以类似的方式捕获和分析图像520、530和540。图像520是虾在无节幼体阶段的图像，该阶段在孵化后持续不到两天。在这个阶段期间，它的身体可能由胸部和腹部、头部和尾节组成。样本还可以包括无节幼体的眼睛。无节幼体也可以包括三对附器，第一对和第二对作为触角，并且第三对作为下颌骨。系统可以使用长度、位置和用途(例如，附器在进食和推进中的使用)对样本进行分类。
67.图像530是虾在海蟹幼体阶段的图像，该阶段持续三到五天。在此期间，样本开始发育其眼睛并延长身体长度，系统可以检测和分析这些情况。样本还开始其进食(例如，食用藻类)的行为惯例。海蟹幼体使用胸部附器(例如，颚足和胸足)游泳。海蟹幼体有两个有柄的复眼(它们相对于其身体的大小可由系统测量)。海蟹幼体还有两个颚足。系统可以测量它们在喙突和侧刺之间的长度和位置。最前面的颚足包含用于进食的内肢，系统可以监测内肢的使用以对样本进行分类。
68.图像540是虾在糠虾幼体阶段的图像，该阶段持续三到五天。在此期间，头部和胸部有甲壳，并且存在所有的头部和胸部附器。然而，胸部附器相似且具二叉型外肢。除了测量这些特征的大小、位置和长度之外，系统还可以监测样本的行为以对样本进行分类。
69.图6示出根据一个或多个实施例的用于识别甲壳类动物的基因型生物标志物的过程的流程图。例如，过程600可以表示由如图1至图5所示的一个或多个设备进行的步骤，用于基于表型特性识别甲壳类动物的基因型生物标志物。
70.在步骤602，过程600接收(例如，使用控制电路402(图4)或控制电路502(图5))第一甲壳类动物的图像集。第一甲壳类动物的图像集可以包括第一甲壳类动物的外部特性(例如，表型特性)。在一些实施例中，图像集可能是使用并入计算机系统(例如，计算机系统400(图4)或计算机系统500(图5))和/或可由计算机系统访问的成像设备(例如，成像设备406(图4)或成像设备506(图5))捕获的，用于识别甲壳类动物的基因型生物标志物。在一些实施例中，图像集可能是从并入计算机系统和/或可由计算机系统访问的存储器(例如，存储器404(图4)或存储器504(图5))中检索得到的。
71.在一些实施例中，甲壳类动物可以是虾苗(如上面参考图4所讨论的)，并且甲壳类动物的图像集可以包括第一虾苗的外部第一视角图像和第一虾苗的外部第二视角图像。附加地或替代地，虾苗的图像集可以在虾苗的鳃被水合时或在虾苗被镇静时生成，以减少对虾苗的压力。例如，为了减少对虾苗的压力，可以在使虾苗离开水的时间最小化的同时捕获图像集。该时间量(例如，1秒、2秒、5-10秒等)应该足够短，以免虾苗的鳃脱水而使虾苗的呼吸费力。同样地，在一些实施例中，虾苗可以首先进入液体镇静剂溶液，其中可以在图像集被捕获之前使虾苗镇静。在一些实施例中，甲壳类动物可以是受精卵(如上面参考图5所讨论的)，并且甲壳类动物的图像集可以包括约一半受精卵的景深。
72.在步骤604，过程600基于第一甲壳类动物的图像集生成(例如，使用控制电路402(图4)或控制电路502(图5))第一像素阵列。例如，可以将图像集中检测到的外部特性(例如，表型特性)转换为人工神经网络能够快速有效地处理的形式。在一些实施例中，过程600可以包括表示红色、绿色、蓝色或灰度图像(例如，如参考图3所讨论的)的一个或多个向量、阵列和/或矩阵。此外，在一些实施例中，过程600可以另外将图像集从一个或多个向量、阵列和/或矩阵的集合转换为一个或多个向量、阵列和/或矩阵的另一集合。例如，过程600可以将具有红色阵列、绿色阵列和蓝色的图像集转换为灰度色彩阵列。
73.在步骤606，过程600用第一甲壳类动物的内部状况(例如，基因型生物标志物)标记(例如，使用控制电路402(图4)或控制电路502(图5))第一像素阵列。例如，过程600可以包括用样本标识符标记给定样本，该样本标识符可用于将基因型生物标志物(例如，如从第一甲壳类动物的基因测试所确定的)与第一像素阵列匹配。在一些实施例中，样本标识符可以指示图像中的特定x、y坐标和给定样本的批次号。例如，在一些实施例中，为了消除偏差，过程600可以将多个样本一起成像并且跟踪给定样本在多个样本的图像中的位置。在另一个示例中，样本标识符可以指示批次内的特定顺序。
74.在步骤608，过程600训练(例如，使用控制电路402(图4)或控制电路502(图5))人工神经网络，以基于标记的第一像素阵列检测甲壳类动物的内部状况(例如，基因型生物标志物)。例如，系统可以生成第一甲壳类动物的图像集，并对第一甲壳类动物进行基因测试以确定第一甲壳类动物中的基因型生物标志物。然后，过程600可以使用人工神经网络将基因型生物标志物的存在与图像集中的一个或多个表型特性相关联。例如，如参考图3所讨论的，人工神经网络可以具有对基因型生物标志物的分类。然后，基于第一数据集(例如，包括第一甲壳类动物和其他动物的数据)训练人工神经网络，以在存在特定表型特性时将样本分类为具有给定的基因型生物标志物。
75.在步骤610，过程600接收(例如，使用控制电路402(图4)或控制电路502(图5))第二甲壳类动物的图像集。第二甲壳类动物的图像集可以包括第二甲壳类动物的外部特性(例如，表型特性)。在一些实施例中，第二甲壳类动物的图像集可以以与第一甲壳类动物相同的排列和/或位置来表征第二甲壳类动物。附加地或替代地，对于第二甲壳类动物的图像集，其他参数(例如，轴向对齐、图像设备设置、图像质量等)可以与第一甲壳类动物的图像集相同，以使图像集标准化。附加地或替代地，在捕获图像集之前准备第二甲壳类动物所采取的步骤(例如，出水时间、喂食时间表、镇静水平)可以是相同的，以使图像集标准化。附加地或替代地，可以首先对要为其捕获图像集的甲壳类动物的批次进行分拣(例如，基于大小、年龄、成熟度水平、环境因素)，以使图像集标准化。然而，在一些情况下，甲壳类动物可以未分拣或可以主动未分拣以防止引入偏差(例如，在成像之前对雄性样本和雌性样本进行分拣所引起的偏差)。例如，过程600可以在成像之前阻止分拣，以防止成像参数的细微变化影响所捕获的图像。在一些情况下，过程600可以对图像集进行归一化以解决系统中的偏差。
76.在步骤612，过程600基于第二甲壳类动物的图像集生成(例如，使用控制电路402(图4)或控制电路502(图5))第二像素阵列。例如，与第一像素阵列一样，可以将图像集中检测到的外部特性(例如，表型特性)转换为人工神经网络能够快速有效地处理的形式。这种形式可以与第一像素阵列的形式相同。在一些实施例中，过程600可以标准化第二阵列以便解决系统中的偏差。在一些实施例中，这可以包括表示红色、绿色、蓝色或灰度图像的一个或多个向量、阵列和/或矩阵(例如，如参考图3所讨论的)。此外，在一些实施例中，过程600可以另外将图像集从一个或多个向量、阵列和/或矩阵的集合转换为一个或多个向量、阵列和/或矩阵的另一集合。例如，过程600可以将具有红色阵列、绿色阵列和蓝色的图像集转换为灰度色彩阵列。
77.在步骤614，过程600将第二像素阵列输入(例如，使用控制电路402(图4)或控制电路502(图5))到经过训练的神经网络中。例如，如上面参考图3所讨论的，过程600可以将第
二数据集(例如，基因型生物标志物未知的甲壳类动物的图像集)输入到经过训练的人工神经网络中。然后，经过训练的人工神经网络可以根据基因型生物标志物对甲壳类动物的图像集进行分类。例如，第一甲壳类动物的基因型生物标志物可以是神经网络的第一分类，并且系统可以基于第二像素阵列与第一分类匹配来从神经网络生成指示第二甲壳类动物具有与第一甲壳类动物相同的基因型生物标志物的输出。
78.在步骤616，过程600从经过训练的神经网络输出(例如，使用控制电路402(图4)或控制电路502(图5))指示第二甲壳类动物具有内部状况(例如，基因型生物标志物)。例如，过程600可以基于第二像素阵列确定第二甲壳类动物被包括在与第一甲壳类动物相同的分类中。因为第一甲壳类动物被确定为具有给定的基因型生物标志物，所以过程600确定第二甲壳类动物具有相同的基因型生物标志物。
79.在一些实施例中，过程600可以进一步自动处理、分拣和/或转移甲壳类动物(例如，用于疫苗接种、性别隔离、转移到海洋或繁殖区等)。在这样的实施例中，可以基于外部特性实时检测内部状况(例如，当甲壳类动物沿着传送带运输或以其他方式转移时)。即，在内部状况(例如，如下文图6中描述的基因型生物标志物)的输出之后，过程600可以基于所确定的内部状况对甲壳类动物进行分拣。例如，可以将被确定为具有第一内部特性的甲壳类动物分拣到第一组中，并且可以将被确定为具有第二内部特性的甲壳类动物分拣到第二组中。
80.预期图6的步骤或描述可以与本公开的任何其他实施例一起使用。此外，参考图6描述的步骤和描述可以按替代顺序进行或并行进行，以便进一步实现本公开的目的。例如，这些步骤中的每个可以按任何顺序执行或并行执行或基本上同时执行以减少滞后或提高系统或方法的速度。此外，应该注意的是，参考图1至图5讨论的任何装置或设备都可以用于执行图6中的一个或多个步骤。
81.图7示出根据一个或多个实施例的用于预测甲壳类动物何时将经历生理变化的流程图。例如，过程700描述了基于外部特性预测甲壳类动物的生理变化的日期的方法。在一些实施例中，生理变化可以包括蜕皮和/或日期范围可以指示蜕皮将开始、发生和/或完成。系统可以在时间测量中指示日期范围(例如，时间、天、月份等)或可以将日期范围表示为概率(例如，在特定日期范围内蜕皮的可能性和/或可以包括对概率的置信水平)。在一些实施例中，生理变化是性成熟，并且第一日期范围可以包括第二甲壳类动物性成熟的日期(或其他时间和/或概率)。系统还可以检测具有不同年龄、重量、长度、性别、群组或其他属性的甲壳类动物的生理变化。例如，系统可以识别高达2克、5克、高达100克、高达200克和/或超过200克的甲壳类动物中的生理变化。
82.在步骤702，过程700接收(例如，使用系统200(图2)的一个或多个组件的控制电路)第一甲壳类动物的图像集。例如，第一甲壳类动物的图像集可以包括第一甲壳类动物的第一外部特性。图像集可以包括甲壳类动物的一个或多个图像和/或可以包括甲壳类动物的一个或多个视图。在一些实施例中，系统可以包括甲壳类动物的单个顶视图或单个侧视图。图像可以包括甲壳类动物的整个长度(例如，从头到尾)或可以仅包括甲壳类动物的一些部分。例如，系统可以仅包括甲壳类动物的头部(例如，从嘴到鳃)。替代地或附加地，图像可以聚焦于甲壳类动物的特定部分(例如，尾节或颚足)。每个图像集都标记有图像所对应的甲壳类动物。每个标记可以另外包括用于表示甲壳类动物的序列号或其他标识符。
83.在步骤704，过程700基于第一甲壳类动物的图像集(例如，如上所述)生成(例如，使用系统200(图2)的一个或多个组件的控制电路)第一像素阵列。在步骤706，过程700用第一甲壳类动物的生理变化的第一日期范围标记(例如，使用系统200(图2)的一个或多个组件的控制电路)第一像素阵列。
84.在步骤708，过程700训练(例如，使用系统200(图2)的一个或多个组件的控制电路)人工神经网络以基于标记的第一像素阵列确定第一日期范围。应当注意，在一些实施例中，系统可以训练人工神经网络以基于其他标记的像素阵列确定其他日期范围。例如，系统可以接收第三甲壳类动物的图像集，其中第三甲壳类动物的图像集包括第三甲壳类动物的第二外部特性。然后，系统可以使用控制电路基于第三甲壳类动物的图像集生成第三像素阵列。系统可以使用控制电路用第三甲壳类动物的生理变化的第三日期范围标记第三像素阵列，并使用控制电路训练人工神经网络以基于标记的第三像素阵列确定第三日期范围。
85.例如，人工神经网络可以包括卷积神经网络和/或第一日期范围可以对应于人工神经网络的第一分类并且第三日期范围可以对应于人工神经网络的第二分类。然后，系统可以将输入的图像(例如，甲壳类动物的图像)分类为对应于第一分类和/或第二分类。例如，系统可以将第二像素阵列输入到人工神经网络中，并且系统可以确定第二像素阵列是对应于第一分类还是第二分类。
86.在步骤710，过程700接收(例如，使用系统200(图2)的一个或多个组件的控制电路)第二甲壳类动物的图像集，其中第二甲壳类动物的图像集包括第二甲壳类动物的第一外部特性。
87.在步骤712，过程700基于第二甲壳类动物的图像集生成(例如，使用系统200(图2)的一个或多个组件的控制电路)第二像素阵列。
88.在步骤714，过程700将第二像素阵列输入(例如，使用系统200(图2)的一个或多个组件的控制电路)到人工神经网络中。在步骤716，过程700从人工神经网络接收(例如，使用系统200(图2)的一个或多个组件的控制电路)指示第二甲壳类动物具有生理变化的第一日期范围的输出。
89.在一些实施例中，系统还可以包括基于输出对第二甲壳类动物进行分拣。例如，系统可以控制分拣机构，该分拣机构输出致使该机构分拣甲壳类动物和/或用日期范围标记特定甲壳类动物(例如，在与甲壳类动物相关联的简档中)的信号。
90.预期图7的步骤或描述可以与本公开的任何其他实施例一起使用。此外，参考图7描述的步骤和描述可以按替代顺序执行或并行执行，以便进一步实现本公开的目的。例如，这些步骤中的每个可以按任何顺序执行或并行执行或基本上同时执行以减少滞后或提高系统或方法的速度。此外，应该注意的是，参考图1至图5讨论的任何装置或设备都可以用于执行图7中的一个或多个步骤。
91.图8示出根据一个或多个实施例的用于检测甲壳类动物的生理变化的流程图。例如，过程800描述了基于外部特性预测甲壳类动物的生理变化的方法。在一些实施例中，生理变化可以包括蜕皮和/或日期范围可以指示蜕皮将开始、发生和/或完成。系统可以指示甲壳类动物是否已经开始或完成了生理变化和/或概率(例如，蜕皮的可能性和/或可以包括对概率的置信水平)。
92.在一些实施例中，第一生理变化可以是绝对表皮硬度、预定表皮水平或表皮硬度
变化。系统可以进一步检测具有不同年龄、重量、长度、性别、群组或其他属性的甲壳类动物的生理变化。例如，系统可以识别高达2克、5克、高达100克、高达200克和/或超过200克的甲壳类动物中的生理变化。
93.在步骤802，过程800接收(例如，使用系统200(图2)的一个或多个组件的控制电路)第一甲壳类动物的图像集。例如，第一甲壳类动物的图像集可以包括第一甲壳类动物的第一外部特性。
94.在步骤804，过程800基于第一甲壳类动物的图像集生成(例如，使用系统200(图2)的一个或多个组件的控制电路)第一像素阵列。在步骤806，过程800用第一甲壳类动物的第一生理变化标记(例如，使用系统200(图2)的一个或多个组件的控制电路)第一像素阵列。在步骤808，过程800训练(例如，使用系统200(图2)的一个或多个组件的控制电路)人工神经网络以基于标记的第一像素阵列检测第一生理变化。应当注意，在一些实施例中，系统可以训练人工神经网络以基于其他标记的像素阵列确定是否发生了其他生理变化。例如，系统可以接收第三甲壳类动物的图像集，其中第三甲壳类动物的图像集包括第三甲壳类动物的第二外部特性。然后，系统可以使用控制电路基于第三甲壳类动物的图像集生成第三像素阵列。系统可以使用控制电路用第三甲壳类动物的生理变化标记第三像素阵列，并使用控制电路训练人工神经网络以基于标记的第三像素阵列检测第三甲壳类动物的生理变化。
95.例如，人工神经网络可以包括卷积神经网络和/或第一生理变化可以对应于人工神经网络的第一分类，并且第二生理变化可以对应于人工神经网络的第二分类。然后，系统可以将输入的图像(例如，甲壳类动物的图像)分类为对应于第一分类和/或第二分类。例如，系统可以将第二像素阵列输入到人工神经网络中，并且系统可以确定第二像素阵列是对应于第一分类还是第二分类。
96.在步骤810，过程800接收(例如，使用系统200(图2)的一个或多个组件的控制电路)第二甲壳类动物的图像集。例如，第二甲壳类动物的图像集可以包括第二甲壳类动物的第一外部特性。在步骤812，过程800基于第二甲壳类动物的图像集生成(例如，使用系统200(图2)的一个或多个组件的控制电路)第二像素阵列。在步骤814，过程800将第二像素阵列输入(例如，使用系统200(图2)的一个或多个组件的控制电路)到人工神经网络中。
97.在步骤816，过程800从人工神经网络接收(例如，使用系统200(图2)的一个或多个组件的控制电路)指示第二甲壳类动物具有第一生理变化的输出。
98.在一些实施例中，系统还可以包括基于输出对第二甲壳类动物进行分拣。例如，系统可以控制分拣机构，该分拣机构输出致使该机构分拣甲壳类动物和/或用日期范围标记特定甲壳类动物(例如，在与甲壳类动物相关的简档中)的信号。
99.预期图8的步骤或描述可以与本公开的任何其他实施例一起使用。此外，参考图8描述的步骤和描述可以按替代顺序进行或并行进行，以便进一步实现本公开的目的。例如，这些步骤中的每个可以按任何顺序执行或并行执行或基本上同时执行以减少滞后或提高系统或方法的速度。此外，应该注意的是，参考图1至图5讨论的任何装置或设备都可以用于执行图8中的一个或多个步骤。
100.图9示出根据一个或多个实施例的用于训练人工神经网络的流程图。例如，图9描述了以下过程：通过使用具有对应的性状标记的包括2500到3000只甲壳类动物的第一训练图像集来训练人工神经网络，以产生准确度超过百分之九十九的用于基于外部特性检测甲
壳类动物的生理变化的人工神经网络，其中这2500到3000只甲壳类动物共享第一属性。
101.在步骤902，过程900基于甲壳类动物属性来选择数据集。例如，可以训练系统以识别具有共同群组、年龄、性别、长度和/或重量的甲壳类动物。因此，系统可以首先选择具有特定属性的甲壳类动物的数据集。可以用与每个甲壳类动物相关联的标识符(例如，序列号)来记录特定属性。在一些实施例中，序列号可以与每个甲壳类动物的标记相关联。
102.在步骤904，过程900准备图像集。例如，系统可以准备用于训练人工神经网络的数据。例如，系统可以随机化第一训练特性或控制第一训练特性。例如，第一训练特性可以是用于捕获第一训练图像集的成像设备和/或第一训练图像集的图像背景。
103.在步骤906，过程900使用具有对应的生理变化标记的包括甲壳类动物的第一训练图像集来训练人工神经网络。例如，系统可以使用如下第一训练图像集来训练人工神经网络，该第一训练图像集包括2500到3000只甲壳类动物并具有对应的生理变化标记，其中这2500到3000只甲壳类动物共享第一属性。例如，系统可以训练人工神经网络以检测一种或多种生理变化，其可以包括可将一种甲壳类动物(或一组甲壳类动物)与另一种区分开来的任何特性。生理变化可以包括对特性的任何定量或定性描述，例如早期性腺发育、早期蜕皮、早期性成熟、抗病性和/或健壮性。生理变化也可以结合其他甲壳类动物、发育进程和/或与其他甲壳类动物的平均进程的比较来描述。
104.在一些实施例中，第一训练图像集可以包括2500到3000只甲壳类动物中的每个的图像集，并且该图像集可以包括2500到3000只甲壳类动物中的每个在第一时间和第二时间处的一系列图像。第一时间和第二时间可以处于预定时间并且可以基于年龄、重量和/或大小。例如，2500到3000只甲壳类动物中的每个可以是幼体甲壳类动物或低于200克。
105.在一些实施例中，第一训练图像集可以包括2500至3000只甲壳类动物在光周期处理期间的图像。例如，系统可以监测甲壳类动物每天接收光照的时间段。然后，系统可以使用这些时间段来确定何时收集每个甲壳类动物的图像集。
106.在步骤908，过程900使用没有对应的性状标记的包括甲壳类动物的图像的第二训练图像集来训练人工神经网络。例如，系统可以通过使用第二训练图像集训练人工神经网络来训练人工神经网络，该第二训练图像集包括2500到20,000张未标记甲壳类动物的图像且没有对应的生理变化标记并且是第一属性的一部分。
107.预期图9的步骤或描述可以与本公开的任何其他实施例一起使用。此外，参考图9描述的步骤和描述可以按替代顺序进行或并行进行，以便进一步实现本公开的目的。例如，这些步骤中的每个可以按任何顺序执行或并行执行或基本上同时执行以减少滞后或提高系统或方法的速度。此外，应该注意的是，参考图1至图5讨论的任何装置或设备都可以用于执行图9中的一个或多个步骤。
108.尽管已经为了说明的目的基于当前被认为是最实用和优选的实施例详细描述了本发明，但是应当理解，这样的细节仅用于该目的并且本发明不限于所公开的实施例，而是相反，旨在涵盖在所附权利要求的范围内的修改和等效布置。例如，应当理解，本发明预期，在可能的范围内，任何实施例的一个或多个特征可以与任何其他实施例的一个或多个特征组合。
109.参考以下列举的实施例将更好地理解本技术：
110.1、一种基于外部特性识别甲壳类动物的内部状况的方法，所述方法包括：使用控
制电路接收第一甲壳类动物的图像集，其中第一甲壳类动物的图像集包括第一甲壳类动物的表型特性；使用控制电路基于第一甲壳类动物的图像集生成第一像素阵列；使用控制电路，用第一甲壳类动物的基因型生物标志物标记第一像素阵列；使用控制电路训练人工神经网络，以基于标记的第一像素阵列检测第一甲壳类动物的基因型生物标志物；使用控制电路接收第二甲壳类动物的图像集，其中第二甲壳类动物的图像集包括第二甲壳类动物的表型特性；使用控制电路基于第二甲壳类动物的图像集生成第二像素阵列；使用控制电路将第二像素阵列输入到经过训练的神经网络中；以及使用控制电路从经过训练的神经网络接收指示第二甲壳类动物具有基因型生物标志物的输出。
111.2、根据实施例1所述的方法，其中第一甲壳类动物是第一虾苗，第二甲壳类动物是第二虾苗，并且其中第一甲壳类动物的图像集包括第一虾苗的外部第一视角图像和第一虾苗的外部第二视角图像，并且第二甲壳类动物的图像集包括第二虾苗的外部第一视角图像和第二虾苗的外部第二视角图像。
112.3、根据实施例2所述的方法，其中第一甲壳类动物的图像集是在第一甲壳类动物的鳃被水合时或在第一甲壳类动物被镇静时生成的。
113.4、根据权利要求1所述的方法，其中第一甲壳类动物是第一甲壳类动物受精卵，并且第二甲壳类动物是第二甲壳类动物受精卵，并且其中第一甲壳类动物的图像集包括具有第一受精卵的约一半的景深的第一受精卵的图像，并且第二甲壳类动物的图像集包括具有第二受精卵的约一半的景深的第一受精卵的图像。
114.5、根据实施例1-4中任一项所述的方法，还包括：接收第三甲壳类动物的图像集，其中第三甲壳类动物的图像集包括第三甲壳类动物的表型特性；基于第三甲壳类动物的图像集生成第三像素阵列；用第三甲壳类动物的基因型生物标志物标记第三像素阵列；训练神经网络以基于标记的第一像素阵列和标记的第二像素阵列检测甲壳类动物的基因型生物标志物。
115.6、根据实施例1-5中任一项所述的方法，其中第一甲壳类动物的基因型生物标志物是神经网络的第一分类，并且其中从神经网络接收指示第二甲壳类动物的基因型生物标志物的输出包括将第二像素阵列与第一分类匹配。
116.7、根据实施例1-6中任一项所述的方法，其中第一甲壳类动物的图像集和第二甲壳类动物的图像集是一起生成的，并且其中第一甲壳类动物是雄性且第二甲壳类动物是雌性。
117.8、根据实施例1-7中任一项所述的方法，其中第一甲壳类动物的图像集是使用成像设备创建的，所述成像设备检测波长在约400纳米至约1100纳米之间的电磁辐射。
118.9、根据实施例1-8中任一项所述的方法，其中第一甲壳类动物的图像集具有红色阵列、绿色阵列和蓝色阵列，并且其中基于第一甲壳类动物的图像集生成第一像素阵列进一步包括：确定第一甲壳类动物的图像集的灰度色彩阵列；以及基于灰度色彩阵列生成第一像素阵列。
119.10、根据实施例1-9中任一项所述的方法，还包括：生成第一甲壳类动物的图像集；以及对第一甲壳类动物进行基因测试，以确定第一甲壳类动物的基因型生物标志物。
120.11、根据实施例1-10中任一项所述的方法，其中第一甲壳类动物低于50克，并且其中第二甲壳类动物低于5克。
121.12、一种基于外部特性预测甲壳类动物的生理变化的日期的方法，所述方法包括：
122.使用控制电路接收第一甲壳类动物的图像集，其中第一甲壳类动物的图像集包括第一甲壳类动物的第一外部特性；
123.使用控制电路基于第一甲壳类动物的图像集生成第一像素阵列；
124.使用控制电路，用第一甲壳类动物的生理变化的第一日期范围标记第一像素阵列；
125.使用控制电路训练人工神经网络以基于标记的第一像素阵列确定第一日期范围；
126.使用控制电路接收第二甲壳类动物的图像集，其中第二甲壳类动物的图像集包括第二甲壳类动物的第一外部特性；
127.使用控制电路基于第二甲壳类动物的图像集生成第二像素阵列；
128.使用控制电路将第二像素阵列输入到人工神经网络中；以及
129.使用控制电路从人工神经网络接收指示第二甲壳类动物具有生理变化的第一日期范围的输出。
130.13、根据实施例12所述的方法，还包括：
131.使用控制电路接收第三甲壳类动物的图像集，其中第三甲壳类动物的图像集包括第三甲壳类动物的第二外部特性；
132.使用控制电路基于第三甲壳类动物的图像集生成第三像素阵列；
133.使用控制电路，用第三甲壳类动物的生理变化的第三日期范围标记第三像素阵列；
134.使用控制电路训练人工神经网络以基于标记的第三像素阵列确定第三日期范围。
135.14、根据实施例12-13中任一项所述的方法，其中第一日期范围对应于人工神经网络的第一分类并且第三日期范围对应于人工神经网络的第二分类。
136.15、根据实施例14所述的方法，其中将第二像素阵列输入到人工神经网络中包括：确定第二像素阵列是对应于第一分类还是第二分类。
137.16、根据实施例12-15中任一项所述的方法，其中人工神经网络包括卷积神经网络。
138.17、根据实施例12-16中任一项所述的方法，其中生理变化是蜕皮。
139.18、根据实施例12-17中任一项所述的方法，其中第一甲壳类动物为0-3克、2-6克、10-100克、低于200克或高于200克。
140.19、根据实施例12-18中任一项所述的方法，其中第一日期范围包括第二甲壳类动物完成蜕皮的日期。
141.20、根据实施例12-19中任一项所述的方法，其中生理变化是性成熟，并且其中第一日期范围包括第二甲壳类动物性成熟的日期。
142.21、根据实施例12-20中任一项所述的方法，还包括：基于输出对第二甲壳类动物进行分拣。
143.22、一种基于外部特性预测甲壳类动物的生理变化的日期的方法，所述方法包括：
144.使用控制电路接收第一甲壳类动物的图像集，其中第一甲壳类动物的图像集包括第一甲壳类动物的第一外部特性；
145.使用控制电路基于第一甲壳类动物的图像集生成第一像素阵列；
146.使用控制电路，用第一甲壳类动物的第一生理变化标记第一像素阵列；
147.使用控制电路训练人工神经网络以基于标记的第一像素阵列检测第一生理变化；
148.使用控制电路接收第二甲壳类动物的图像集，其中第二甲壳类动物的图像集包括第二甲壳类动物的第一外部特性；
149.使用控制电路基于第二甲壳类动物的图像集生成第二像素阵列；
150.使用控制电路将第二像素阵列输入到人工神经网络中；以及
151.使用控制电路从人工神经网络接收指示第二甲壳类动物具有第一生理变化的输出。
152.23、根据实施例22所述的方法，还包括：
153.使用控制电路接收第三甲壳类动物的图像集，其中第三甲壳类动物的图像集包括第三甲壳类动物的第二外部特性；
154.使用控制电路基于第三甲壳类动物的图像集生成第三像素阵列；
155.使用控制电路，用第二生理变化标记第三像素阵列；
156.使用控制电路训练人工神经网络以检测第二生理变化。
157.24、根据实施例22-23中任一项所述的方法，其中第一生理变化对应于人工神经网络的第一分类并且第二生理变化对应于人工神经网络的第二分类。
158.25、根据实施例24所述的方法，其中将第二像素阵列输入到人工神经网络中包括：确定第二像素阵列是对应于第一分类还是第二分类。
159.26、根据实施例22-25中任一项所述的方法，其中人工神经网络包括卷积神经网络。
160.27、根据实施例22-26中任一项所述的方法，其中第一生理变化是蜕皮。
161.28、根据实施例22-27中任一项所述的方法，其中第一生理变化是预定角质层硬度。
162.29、根据实施例22-28中任一项所述的方法，其中第一生理变化是预定角质层硬度水平或角质层的变化程度。
163.30、根据实施例22-29中任一项所述的方法，其中第一生理变化是第一甲壳类动物的预定水摄入量或第一甲壳类动物的水摄入水平的变化程度。
164.31、根据实施例22-30中任一项所述的方法，其中第一甲壳类动物高达200克。
165.32、一种人工神经网络，用于基于外部特性检测甲壳类动物的生理变化，具有超过99％的准确度，所述人工神经网络通过以下方式产生：
166.使用第一训练图像集训练人工神经网络，第一训练图像集包括2500到3000只甲壳类动物且具有对应的生理变化标记，其中该2500到3000只甲壳类动物共享第一属性。
167.33、根据实施例32所述的人工神经网络，进一步通过以下方式产生：使用第二训练图像集训练人工神经网络，第二训练图像集包括2500到20,000张未标记甲壳类动物的图像且没有对应的生理变化标记并且是第一属性的一部分。
168.34、根据实施例32-33中任一项所述的人工神经网络，其中第一属性包括群组、年龄或重量。
169.35、根据实施例32-34中任一项所述的人工神经网络，其中性状包括性腺发育水平、蜕皮水平、性成熟水平、抗病性水平或健壮性水平。
170.36、根据实施例32-35中任一项所述的人工神经网络，其中生理变化包括性腺发育、蜕皮或性成熟的完成。
171.37、根据实施例32-36中任一项所述的人工神经网络，其中训练包括：随机化第一训练特性或控制第一训练特性。
172.38、根据实施例36或37所述的人工神经网络，第一训练特性是用于捕获第一训练图像集的成像设备或第一训练图像集的图像背景。
173.39、根据实施例32-38中任一项所述的人工神经网络，其中第一训练图像集包括2500至3000只甲壳类动物中的每个的图像集，并且其中图像集包括2500至3000只甲壳类动物中的每个在第一时间和第二时间处的一系列图像。
174.40、根据实施例32-39中任一项所述的人工神经网络，其中第一训练图像集包括2500至3000只甲壳类动物在光周期处理期间的图像。
175.41、根据实施例32-40中任一项所述的人工神经网络，其中2500至3000只甲壳类动物中的每个是幼体甲壳类动物或低于200克。
176.42、一种存储指令的有形的、非暂时性的机器可读介质，所述指令在由数据处理装置执行时使所述数据处理装置执行包括根据实施例1-41中任一项所述操作的操作。
177.43、一种系统，包括：一个或多个处理器；以及存储指令的存储器，当指令由处理器执行时，使处理器实现包括根据实施例1-41中任一项所述操作的操作。