CN108395986A - 基于深度学习的人类***状瘤病毒自动分型检测装置 - Google Patents
基于深度学习的人类***状瘤病毒自动分型检测装置 Download PDFInfo
- Publication number
- CN108395986A CN108395986A CN201810243545.3A CN201810243545A CN108395986A CN 108395986 A CN108395986 A CN 108395986A CN 201810243545 A CN201810243545 A CN 201810243545A CN 108395986 A CN108395986 A CN 108395986A
- Authority
- CN
- China
- Prior art keywords
- sample
- crossbeam
- column
- pallet
- detected
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 241000701806 Human papillomavirus Species 0.000 title claims abstract description 32
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 241000700605 Viruses Species 0.000 claims abstract description 8
- 238000003205 genotyping method Methods 0.000 claims abstract description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 10
- 238000013136 deep learning model Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 abstract description 9
- 239000000284 extract Substances 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 46
- 238000000034 method Methods 0.000 description 17
- 239000003153 chemical reaction reagent Substances 0.000 description 15
- 238000003745 diagnosis Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000009396 hybridization Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000003018 immunoassay Methods 0.000 description 3
- 238000000338 in vitro Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- NBIIXXVUZAFLBC-UHFFFAOYSA-N Phosphoric acid Chemical compound OP(O)(O)=O NBIIXXVUZAFLBC-UHFFFAOYSA-N 0.000 description 2
- 208000003464 asthenopia Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 208000005623 Carcinogenesis Diseases 0.000 description 1
- 230000004544 DNA amplification Effects 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 101000803709 Homo sapiens Vitronectin Proteins 0.000 description 1
- 208000026350 Inborn Genetic disease Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 241001631646 Papillomaviridae Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 229910000147 aluminium phosphate Inorganic materials 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 230000036952 cancer formation Effects 0.000 description 1
- 231100000504 carcinogenesis Toxicity 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000005352 clarification Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 208000016361 genetic disease Diseases 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 208000003154 papilloma Diseases 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000003612 virological effect Effects 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/02—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving viable microorganisms
- C12Q1/04—Determining presence or kind of microorganism; Use of selective media for testing antibiotics or bacteriocides; Compositions containing a chemical indicator therefor
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Organic Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Zoology (AREA)
- Wood Science & Technology (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Analytical Chemistry (AREA)
- Toxicology (AREA)
- Immunology (AREA)
- Microbiology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Physics & Mathematics (AREA)
- Biotechnology (AREA)
- Biochemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Genetics & Genomics (AREA)
- Image Analysis (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Abstract
本发明公开了一种基于深度学习的人类***状瘤病毒自动分型检测装置,包括:托盘,限位器,立柱,横梁,摄像头,网络数据交换路由器以及处理器;托盘用于放置待检测样本;立柱固定在托盘的滑槽中,用于调整摄像头沿滑槽方向的位置;限位器用于防止横梁滑下;横梁用于调整和固定摄像头的高度;摄像头用于采集待检测样本图像;网络数据交换路由器用于数据交换和路由选择;处理器在接收到样本图像数据后,使用深度学习网络模型提取病毒样本特征并与待测样本进行比对,得到样本分型结果;本发明可以实时的采集待检测基因芯片样本的图像,通过处理器中深度学习算法提取样本特征,实现人类***状瘤病毒的自动分型检测。
Description
技术领域
本发明属于体外诊断试剂自动检测领域,更具体地,涉及一种基于深度学习的人类***状瘤病毒自动分型检测装置。
背景技术
体外诊断试剂是指:可单独使用或与仪器、器具、设备或***组合使用,在疾病的预防、诊断、治疗监测、预后观察、健康状态评价以及遗传性疾病的预测过程中,用于对人体样本(各种体液、细胞、组织样本等)进行体外检测的试剂、试剂盒、校准品(物)、质控品(物)等。相对于体内诊断而言,体外诊断(In Vitro Diagnosis,IVD)是指将人体样本从人体取出后,在人体体外进行检测与诊断的诊断方式。检测过程中需要相应的仪器和试剂,而这些仪器和试剂就组成了体外诊断***。目前体外诊断技术的发展方向主要分为两类:一类为高度集成、自动化的仪器诊断,另一类是简单、快速便于普及和现场检测的快速诊断。
目前国内临床进行人***状瘤病毒(Human papillomavirus,HPV)DNA检测的主要方法为实时荧光PCR与杂交捕获法,PCR-膜杂交法采用基因扩增技术及导流杂交原理,通过反向点杂交检测扩增产物与包被有型特异性探针膜杂交结果,再用碱性磷酸酶***定性检测,从而对21种HPV基因型(6、11、16、18、31、33、35、39、42、43、44、45、51、52、53、56、58、59、66、68和CP8304)进行分型检测分析,对于预防***发生具有重要的临床应用价值。目前人类***状瘤病毒体外诊断试剂分型检测主要是由操作人员通过视觉完成,但人眼检测的方法易受主观因素的影响,并且存在视觉疲劳等缺点,容易产生误检,造成人类***状瘤病毒病变的误诊。
中国实用新型专利申请(201420833409.7)公开了一种体外诊断试剂用全自动检测仪。该方案以化学发光免疫测定技术(Chemiluminesent Immunoassay,CLIA)为原理,采用单元采取模块化设计,通过PC上位机全面管理各单元的程序操作。成本相对较高,技术成熟度在国内较弱。
中国发明专利申请(201710532986.0)公开了一种全自动微流控芯片荧光免疫检测***及其检测方法。该方案利用光电传感器将荧光信号转化成数字信号并带入相应标准曲线,计算待测物的含量。该方案对传感器精度要求高,检测过程较为繁琐。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于深度学习的人类***状瘤病毒自动分型检测装置,由此解决现有基因芯片薄膜自动分析技术存在的成本较高、准确率较低以及检测过程较复杂的技术问题。
为实现上述目的,本发明提供了一种基于深度学习的人类***状瘤病毒自动分型检测装置,包括:托盘202、限位器203、立柱205、横梁206、RGB摄像头207、网络数据交换路由器209以及处理器210;
所述限位器203固定在所述立柱205上,所述立柱205固定在所述托盘202上,所述横梁206固定在所述立柱205上,所述RGB摄像头207安装在所述横梁206上且固定在所述托盘202上方,所述网络数据交换路由器209连接所述RGB摄像头207和所述处理器210;
所述托盘202用于放置待检测样本;所述限位器203用于防止在调整所述横梁206的高度时造成的横梁滑落;所述立柱205用于支撑所述横梁206;所述横梁206用于安装和固定所述RGB摄像头207的位置;所述RGB摄像头207用于所述待检测样本的图像采集;所述网络数据交换路由器209用于向所述处理器210传输所述待检测样本的图像;所述处理器210用于采用深度学习网络模型提取预设病毒样本特征并与所述待检测样本的图像特征进行比对,得到样本分型结果。
优选地,所述装置还包括:若干个螺栓204;
所述若干个螺栓204用于在所述托盘202上固定所述立柱205的位置,以及在所述立柱205上固定所述限位器203和所述横梁206的位置。
优选地,所述限位器203和所述横梁206上均开设有方形通孔和螺栓孔,所述横梁206上开有布置数据线的线槽,所述横梁206下方有用于固定所述RGB摄像头207的螺纹孔;所述立柱205上开有一列圆形通孔,所述立柱205底部开有一对对称螺纹孔,用于通过螺栓与所述托盘202固定;所述托盘202上开有固定所述立柱205的滑槽和放置待检测样本的矩形槽。
优选地,工作时,通过调整所述立柱205底部的螺栓来调整所述RGB摄像头207沿滑槽方向的位置,通过调整所述横梁206的螺栓来调整所述RGB摄像头207的高度,以及调整所述RGB摄像头207的角度,以使所述RGB摄像头207的成像平面与待检测样本平行,并且所述RGB摄像头207的视野能够覆盖所述托盘202上整个矩形槽,以采集到完整的样本图像。
优选地,所述处理器210用于对所述待检测样本的图像进行归一化处理,处理成固定尺寸的图像,利用卷积神经网络对固定尺寸的图像进行特征学习,并对学习到的特征进行分类,得到深度学习模型,再利用深度学习模型对待测样本进行自动分型检测,得到检测结果。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)使用工业摄像头进行待检验样本图像采集,使用有效深度学习网络模型提取病毒样本特征并与待测样本进行比对,使用处理器处理整个过程从而实现检测自动化。
(2)本发明不需要人工干预,能够自动检测待检测样本,得到检测结果,避免由于环境光照等偶然因素造成的人为检测误差,从而提高了检测结果的准确度。
(3)本发明无需对输入图像做校正、图像增强、去噪、特征提取等预处理过程,对图像形变、环境光照变化、角度变化都有很好的鲁棒性。
(4)本发明检测对象的范围十分广泛,类似的需要传统视觉检测的过程都可以采用本发明来达到简化的目的,实现自动检测和快速检测。
附图说明
图1是本发明实施例提供的一种HPV体外试剂自动检测设备原理图;
图2是本发明实施例提供的一种HPV体外试剂自动检测装置的结构示意图;
图3是本发明实施例提供的一种基于深度学习的卷积神经网络的HPV体外试剂检测方法的结构图。
在所有附图中,相同的附图标记用来表示相同的元件或结构,其中:
201-21种HPV检测基因芯片,202-托盘,203-限位器,204-螺栓,205-立柱,206-横梁,207-RGB摄像头,208-数据线,209-网络数据交换路由器,210-处理器,301-待检测样本试剂成像图像,302-卷积神经网络结构图,303-检测输出结果。
具体实施方式
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仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供了一种基于深度学***,并提高检测速度和检测结果的准确度。
HPV体外试剂检测样本的传统视觉检测往往会受到人为因素的影响,尤其在人处于视觉疲劳状态下,人为因素对检测结果产生的影响更为明显。
深度学习通过学习一种深层的非线性网络结构,实现复杂函数逼近和输入数据表征,展现出强大的数据集本质特征的学习能力。卷积神经网络,作为一种典型的深度学习方法,是为二维图像处理而特别设计的一个多层感知器。卷积神经网络不需要人为参与特征的选取过程,可以自动地学习大量数据集中的目标特征。其权值共享和局部连接机制使得它具备优于传统技术的优点:对几何变换、形变、光照具有一定程度的不变性,同时具有良好的容错能力和学习能力。这些优点使得卷积神经网络在处理环境信息未知,推理规则不明确情况下的问题具有较大优势,并能适应待测样本的尺寸变化、旋转形变等问题。因此,卷积神经网络可以用于解决21种HPV检测基因芯片的自动分型检测问题,保证自动分型检测装置能够准确地、稳定地对待测样本进行分型检测。
如图1所示,基于深度学习方法的HPV自动分型检测装置可以实时获取HPV体外试剂待检测样本的图像,通过将样本图像传输到处理器,利用卷积神经网络自动提取待测样本的特征,最终实现待测样本的自动分型检测,得到检测结果,从而避免了人为因素带来的不利影响。本发明使用工业高清RGB摄像头来采集HPV体外试剂待测样本的图像,然后可以通过数据线连接到网络数据交换路由器,将图像数据送到网络数据交换路由器,网络数据交换路由器可以通过数据线连接到处理器,再将图像数据传送到处理器进行分型检测。
在本发明实施例中,数据的传输方式不限于以上有线传输方式,也可以采用无线数据传输方式,具体采用何种数据传输方式,本发明实施例不做唯一性限定。
在图像输入到处理器后,在深度学习网络模型中进行处理,通过卷积神经网络自主学习,从而进行特征提取的过程,建立具有表征目标的模型。卷积神经网络默认输入是图像,可以让特定的性质编码入网络结构,减少了大量参数,使前馈函数更加有效率。
当得到卷积神经网络的输出后,根据提取出的具有表征目标的特征,再依据样本特征进行分析即可实现人***状瘤病毒(HPV)DNA的自动分型检测。
在本发明实施例中,基于深度学习方法的HPV自动分型检测装置用于实时的检测分析21种HPV待检测样本;如图2所示,该装置包括:托盘202,限位器203,螺栓204,立柱205,横梁206,RGB摄像头207,数据线208,网络数据交换路由器209以及处理器210。
其中上述各器件的整***置关系为:限位器203通过螺栓固定在立柱205上,立柱205通过螺栓固定在托盘202的滑槽上,横梁206通过螺栓固定在刚性立柱205上,RGB摄像头207通过螺栓安装在刚性横梁206上且固定在托盘202上方。网络数据交换路由器209可以通过数据线连接RGB摄像头207和处理器210,待检测样本图像数据可以通过数据线经过网络数据交换路由器209传输到处理器210。
在本发明实施例中,待检测的样本可以为图2中的21种HPV检测基因芯片201。
其中,限位器203和横梁206上均开设有方形通孔和螺栓孔,横梁206上开有布置数据线的线槽,横梁206下方有用于固定RGB摄像头207的螺纹孔;立柱205上开有一列圆形通孔,立柱205底部开有一对对称螺纹孔,用于通过螺栓与托盘202固定;托盘202上开有固定立柱205的滑槽和放置待检测样本的矩形槽。
具体的,如图2所示,21种HPV检测基因芯片201置于托盘202的矩形槽中,不超出矩形槽边缘,与立柱、限位器、横梁、RGB摄像头构成一个整体;RGB摄像头207位于待检测样本上方,通过调整立柱底部的螺栓204来调整RGB摄像头207沿滑槽方向的位置,通过调整横梁206的螺栓来调整RGB摄像头207的高度,以及调整RGB摄像头207的角度,使摄像头成像平面与基因芯片平行,保证摄像头视野能够覆盖托盘202上的整个矩形槽,采集到完整的样本图像;上述的RGB摄像头207采集到21种基因芯片201的样本图像,将图像数据经由网络数据交换路由器209传输到处理器210,处理器210对接收到的图像数据进行基于深度学习的样本分析,从而得到检测结果。
其中,RGB摄像头207,可采用柏林视S908工业广角摄像头。
如图3所示,处理器具体用于:采集待检测样本图像,对待测样本图像进行归一化处理,处理成固定尺寸的图像,利用卷积神经网络对固定尺寸的图像进行特征学习,并对学习到的特征进行分类,得到深度学习模型,利用深度学习模型对待检测样本进行自动分型检测,得到检测结果(包括21种HPV基因型以及阴性)。
具体的,通过图像归一化将待测样本原始图像转化为固定尺寸的图像,优选地,图像大小可选为144×144像素。
具体的,卷积神经网络包括1个输入层、2个卷积层、2个池化层、2个全连接层和1个输出层,其整体结构为:输入层—卷积层—池化层—卷积层—池化层—全连接层—全连接层—输出层,激活函数采用ReLU函数,最后一个池化层的输出展平成一个一维的特征向量。
具体的,激活函数的表达形式如下:
f(x)=max(0,x)
具体的,两个全连接层神经元数分别为768、500。定义第l层的输出为:
其中,f(.)是激活函数,xl-1是l-1层的输出,也就是l层的输入,Wl和bl分别是l层的权值和偏置。
具体的,两个卷积层卷积核大小都为5×5,和输入特征图之间局部连接,输出特征图的个数分别为32、48,每一卷积层步长分别为3、4,零填充都为4。对于卷积层的每一种输出的特征图有:
其中,Mj表示选择的输入特征图组合,是输入的第i种特征图和输出的第j种特征图之间的连接所用的卷积核,是第j种特征图对应的偏置,f(.)是激活函数。
具体的,两个池化层参数一样,采取的池化方式为最大值池化,池化尺寸为2×2,步长为1。对于池化层的每一种输出特征图有:
其中,down(.)表示一个下采样函数,是l-1层的第j种输出特征图,分别是l层的第j种输出特征图的乘性偏置、加性偏置。
具体的,一个输出层神经元数为22,即21种HPV检测基因芯片分型数和一个标记。
具体的,所述深度学习神经网络模型学习参数(模型训练)的过程如下:
定义第n个样本的平方误差代价函数En:
其中c是label的维度,对于分类问题,意味着这些样本能被分为c类。表示第n个样本的labeltn的第k维,是第n个样本的网络输出的第k维。给定一个包含N个样例的数据集,我们可以定义整体平方误差代价函数EN:
利用梯度下降法更新权值,更新公式如下:
其中和是l层更新之前的权值和偏置,和是l层更新之后的权值和偏置,η是学***方误差代价函数EN对和的偏导数。
下面结合附图对本发明的实施例做详细的介绍:
首先,装置的安装:将立柱205放入托盘202的滑槽中,移至中间位置;通过螺栓204将限位器203固定在立柱合适高度,以摄像头207不碰触托盘的高度为下限;通过螺栓将横梁206固定在合适高度;通过螺栓将摄像头207按图2固定在合适位置;使用数据线连接摄像头、网络数据交换路由器和处理器。
其次,设备调试:检测开始前,需对数据传输链路进行检查,以及对摄像头207的位置进行调整,保证摄像头采集到平整的图像;通过调整立柱底部、横梁固定处、摄像头固定处的螺栓调整摄像头空间位置;通过摄像头自身机构调整摄像头的角度。
然后,检测开始:将21种HPV检测基因芯片201放置在托盘202的矩形槽中,工业高清摄像头207拍摄到待检测样本的图像,通过数据线208经网络数据交换路由器209传输到处理器210,在图像输入到处理器后,在深度学习网络模型中进行处理,训练好的卷积神经网络自主提取特征,全连接层对提取到的样本特征进一步分析,最终输出待测样本的分型结果,实现人***状瘤病毒(HPV)DNA的自动分型检测。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于深度学习的人类***状瘤病毒自动分型检测装置,其特征在于,包括:托盘(202)、限位器(203)、立柱(205)、横梁(206)、RGB摄像头(207)、网络数据交换路由器(209)以及处理器(210);
所述限位器(203)固定在所述立柱(205)上,所述立柱(205)固定在所述托盘(202)上,所述横梁(206)固定在所述立柱(205)上,所述RGB摄像头(207)安装在所述横梁(206)上且固定在所述托盘(202)上方,所述网络数据交换路由器(209)连接所述RGB摄像头(207)和所述处理器(210);
所述托盘(202)用于放置待检测样本;所述限位器(203)用于防止在调整所述横梁(206)的高度时造成的横梁滑落;所述立柱(205)用于支撑所述横梁(206);所述横梁(206)用于安装和固定所述RGB摄像头(207)的位置;所述RGB摄像头(207)用于所述待检测样本的图像采集;所述网络数据交换路由器(209)用于向所述处理器(210)传输所述待检测样本的图像;所述处理器(210)用于采用深度学习网络模型提取预设病毒库的病毒样本特征并与所述待检测样本的图像特征进行比对,得到样本分型结果。
2.根据权利要求1所述的装置,其特征在于,所述装置还包括:若干个螺栓(204);
所述若干个螺栓(204)用于在所述托盘(202)上固定所述立柱(205)的位置,以及在所述立柱(205)上固定所述限位器(203)和所述横梁(206)的位置。
3.根据权利要求2所述的装置,其特征在于,所述限位器(203)和所述横梁(206)上均开设有方形通孔和螺栓孔,所述横梁(206)上开有布置数据线的线槽,所述横梁(206)下方有用于固定所述RGB摄像头(207)的螺纹孔;所述立柱(205)上开有一列圆形通孔,所述立柱(205)底部开有一对对称螺纹孔,用于通过螺栓与所述托盘(202)固定;所述托盘(202)上开有固定所述立柱(205)的滑槽和放置待检测样本的矩形槽。
4.根据权利要求2或3所述的装置,其特征在于,工作时,通过调整所述立柱(205)底部的螺栓来调整所述RGB摄像头(207)沿滑槽方向的位置,通过调整所述横梁(206)上的螺栓来调整所述RGB摄像头(207)的高度,以及调整所述RGB摄像头(207)的角度,以使所述RGB摄像头(207)的成像平面与待检测样本平行,并且所述RGB摄像头(207)的视野能够覆盖所述托盘(202)上整个矩形槽,以采集到完整的样本图像。
5.根据权利要求4所述的装置,其特征在于,所述处理器(210)用于对所述待检测样本的图像进行归一化处理,处理成固定尺寸的图像,利用卷积神经网络对固定尺寸的图像进行特征学习,并对学习到的特征进行分类,得到深度学习模型,再利用深度学习模型对待测样本进行自动分型检测,得到检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810243545.3A CN108395986A (zh) | 2018-03-23 | 2018-03-23 | 基于深度学习的人类***状瘤病毒自动分型检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810243545.3A CN108395986A (zh) | 2018-03-23 | 2018-03-23 | 基于深度学习的人类***状瘤病毒自动分型检测装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108395986A true CN108395986A (zh) | 2018-08-14 |
Family
ID=63092959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810243545.3A Pending CN108395986A (zh) | 2018-03-23 | 2018-03-23 | 基于深度学习的人类***状瘤病毒自动分型检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108395986A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109872307A (zh) * | 2019-01-30 | 2019-06-11 | 腾讯科技(深圳)有限公司 | 一种检测生物组织图像中肿块的方法、相应设备及介质 |
CN110009619A (zh) * | 2019-04-02 | 2019-07-12 | 清华大学深圳研究生院 | 一种基于荧光编码的液相生物芯片的图像分析方法 |
CN110243823A (zh) * | 2019-05-08 | 2019-09-17 | 华中科技大学 | 基于支持向量机的小儿佝偻病自动筛查装置及其使用方法 |
CN110414539A (zh) * | 2019-08-05 | 2019-11-05 | 腾讯科技(深圳)有限公司 | 一种提取特征描述信息的方法和相关装置 |
CN113160159A (zh) * | 2021-04-13 | 2021-07-23 | 王永彬 | Hpv检测及病理分析***和方法 |
CN113655057A (zh) * | 2021-08-24 | 2021-11-16 | 威世药业(如皋)有限公司 | 一种检测冷冻干燥处理对痘苗病毒毒力影响的设备 |
CN113850200A (zh) * | 2021-09-27 | 2021-12-28 | 广东凯普制造有限公司 | 一种基因芯片的判读方法、装置、设备及存储介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050231723A1 (en) * | 2003-09-19 | 2005-10-20 | Blasenheim Barry J | Optical camera alignment |
CN201166776Y (zh) * | 2008-02-04 | 2008-12-17 | 黄启智 | 可折叠便携式图像采集仪 |
CN101462112A (zh) * | 2009-01-12 | 2009-06-24 | 浙江省农业科学院 | 雌雄蚕卵激光分选仪及分选方法 |
CN103149150A (zh) * | 2013-01-31 | 2013-06-12 | 厦门大学 | 一种悬挂式检测台 |
CN203327124U (zh) * | 2013-05-24 | 2013-12-04 | 西安理工大学 | 可调高度的消影摄像平台 |
CN203966178U (zh) * | 2014-07-08 | 2014-11-26 | 国家电网公司 | 一种电力营销信息采集*** |
CN105681635A (zh) * | 2016-03-10 | 2016-06-15 | 成都川睿科技有限公司 | 一种全方位可调节式监控摄像头 |
CN106248559A (zh) * | 2016-07-14 | 2016-12-21 | 中国计量大学 | 一种基于深度学习的白细胞五分类方法 |
CN205938364U (zh) * | 2016-01-25 | 2017-02-08 | 安徽胜佳和电子科技有限公司 | 一种监控摄像头 |
CN106485717A (zh) * | 2016-09-12 | 2017-03-08 | 上海影城有限公司 | 一种基于卷积神经网络的图像特征提取方法及*** |
CN106780466A (zh) * | 2016-12-21 | 2017-05-31 | 广西师范大学 | 一种基于卷积神经网络的宫颈细胞图像识别方法 |
CN206533474U (zh) * | 2017-03-02 | 2017-09-29 | 天津市恒润丰电子科技有限公司 | 一种高度可调式监控设备 |
WO2019001209A1 (zh) * | 2017-06-28 | 2019-01-03 | 苏州比格威医疗科技有限公司 | 基于三维卷积神经网络的视网膜oct图像的分类算法 |
CN208857289U (zh) * | 2018-03-23 | 2019-05-14 | 余晖 | 基于深度学习的人类***状瘤病毒自动分型检测装置 |
CN110243823A (zh) * | 2019-05-08 | 2019-09-17 | 华中科技大学 | 基于支持向量机的小儿佝偻病自动筛查装置及其使用方法 |
CN215525164U (zh) * | 2021-09-28 | 2022-01-14 | 济南市疾病预防控制中心 | 一种水果农残留检测取样装置 |
-
2018
- 2018-03-23 CN CN201810243545.3A patent/CN108395986A/zh active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050231723A1 (en) * | 2003-09-19 | 2005-10-20 | Blasenheim Barry J | Optical camera alignment |
CN201166776Y (zh) * | 2008-02-04 | 2008-12-17 | 黄启智 | 可折叠便携式图像采集仪 |
CN101462112A (zh) * | 2009-01-12 | 2009-06-24 | 浙江省农业科学院 | 雌雄蚕卵激光分选仪及分选方法 |
CN103149150A (zh) * | 2013-01-31 | 2013-06-12 | 厦门大学 | 一种悬挂式检测台 |
CN203327124U (zh) * | 2013-05-24 | 2013-12-04 | 西安理工大学 | 可调高度的消影摄像平台 |
CN203966178U (zh) * | 2014-07-08 | 2014-11-26 | 国家电网公司 | 一种电力营销信息采集*** |
CN205938364U (zh) * | 2016-01-25 | 2017-02-08 | 安徽胜佳和电子科技有限公司 | 一种监控摄像头 |
CN105681635A (zh) * | 2016-03-10 | 2016-06-15 | 成都川睿科技有限公司 | 一种全方位可调节式监控摄像头 |
CN106248559A (zh) * | 2016-07-14 | 2016-12-21 | 中国计量大学 | 一种基于深度学习的白细胞五分类方法 |
CN106485717A (zh) * | 2016-09-12 | 2017-03-08 | 上海影城有限公司 | 一种基于卷积神经网络的图像特征提取方法及*** |
CN106780466A (zh) * | 2016-12-21 | 2017-05-31 | 广西师范大学 | 一种基于卷积神经网络的宫颈细胞图像识别方法 |
CN206533474U (zh) * | 2017-03-02 | 2017-09-29 | 天津市恒润丰电子科技有限公司 | 一种高度可调式监控设备 |
WO2019001209A1 (zh) * | 2017-06-28 | 2019-01-03 | 苏州比格威医疗科技有限公司 | 基于三维卷积神经网络的视网膜oct图像的分类算法 |
CN208857289U (zh) * | 2018-03-23 | 2019-05-14 | 余晖 | 基于深度学习的人类***状瘤病毒自动分型检测装置 |
CN110243823A (zh) * | 2019-05-08 | 2019-09-17 | 华中科技大学 | 基于支持向量机的小儿佝偻病自动筛查装置及其使用方法 |
CN215525164U (zh) * | 2021-09-28 | 2022-01-14 | 济南市疾病预防控制中心 | 一种水果农残留检测取样装置 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109872307A (zh) * | 2019-01-30 | 2019-06-11 | 腾讯科技(深圳)有限公司 | 一种检测生物组织图像中肿块的方法、相应设备及介质 |
CN109872307B (zh) * | 2019-01-30 | 2022-01-07 | 腾讯科技(深圳)有限公司 | 一种检测生物组织图像中肿块的方法、相应设备及介质 |
CN110009619A (zh) * | 2019-04-02 | 2019-07-12 | 清华大学深圳研究生院 | 一种基于荧光编码的液相生物芯片的图像分析方法 |
CN110243823A (zh) * | 2019-05-08 | 2019-09-17 | 华中科技大学 | 基于支持向量机的小儿佝偻病自动筛查装置及其使用方法 |
CN110243823B (zh) * | 2019-05-08 | 2021-01-05 | 华中科技大学 | 基于支持向量机的小儿佝偻病自动筛查装置及其使用方法 |
CN110414539A (zh) * | 2019-08-05 | 2019-11-05 | 腾讯科技(深圳)有限公司 | 一种提取特征描述信息的方法和相关装置 |
CN113160159A (zh) * | 2021-04-13 | 2021-07-23 | 王永彬 | Hpv检测及病理分析***和方法 |
CN113655057A (zh) * | 2021-08-24 | 2021-11-16 | 威世药业(如皋)有限公司 | 一种检测冷冻干燥处理对痘苗病毒毒力影响的设备 |
CN113850200A (zh) * | 2021-09-27 | 2021-12-28 | 广东凯普制造有限公司 | 一种基因芯片的判读方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108395986A (zh) | 基于深度学习的人类***状瘤病毒自动分型检测装置 | |
CN109948469A (zh) | 基于深度学习的巡检机器人仪表自动检测识别方法 | |
DK2973397T3 (en) | Tissue-object-based machine learning system for automated assessment of digital whole-slide glass | |
CN109858540B (zh) | 一种基于多模态融合的医学图像识别***及方法 | |
US10304188B1 (en) | Apparatus and method for automated cell analysis | |
CN103984979B (zh) | 无透镜衍射成像的藻类自动检测计数装置及方法 | |
Poostchi et al. | Malaria parasite detection and cell counting for human and mouse using thin blood smear microscopy | |
CN105678793B (zh) | 一种基于图像融合的猕猴桃溃疡病的早期诊断方法及装置 | |
CN109544526A (zh) | 一种慢性萎缩性胃炎图像识别***、装置和方法 | |
CN106132266A (zh) | 图像处理装置、图像处理方法以及图像处理程序 | |
US20210090248A1 (en) | Cervical cancer diagnosis method and apparatus using artificial intelligence-based medical image analysis and software program therefor | |
CN109448854A (zh) | 一种肺结核检测模型的构建方法及应用 | |
TW202105245A (zh) | 用於分析活檢樣本影像以決定其癌變機率之方法 | |
CN117152152B (zh) | 检测试剂盒的生产管理***及方法 | |
US20230274538A1 (en) | Adaptable Automated Interpretation of Rapid Diagnostic Tests Using Self-Supervised Learning and Few-Shot Learning | |
CN109670530A (zh) | 一种萎缩性胃炎图像识别模型的构建方法及其应用 | |
CN111798408B (zh) | 一种内窥镜干扰图像检测与分级***及方法 | |
CN102636656B (zh) | 一种全自动尿有形成分分析仪的校准方法 | |
CN109997199A (zh) | 基于深度学习的结核病检查方法 | |
CN208857289U (zh) | 基于深度学习的人类***状瘤病毒自动分型检测装置 | |
Hao et al. | Automatic detection of fungi in microscopic leucorrhea images based on convolutional neural network and morphological method | |
Sun et al. | Study on rice grain mildewed region recognition based on microscopic computer vision and YOLO-v5 model | |
CN117095393A (zh) | 基于显微高光谱成像技术的微生物检测方法、***、电子设备及存储介质 | |
CN110243823A (zh) | 基于支持向量机的小儿佝偻病自动筛查装置及其使用方法 | |
Liu et al. | Automatic identification of human erythrocytes in microscopic fecal specimens |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |