CN111833325A - 一种基于深度学习的胶体金试剂条检测方法及*** - Google Patents

一种基于深度学习的胶体金试剂条检测方法及*** Download PDF

Info

Publication number
CN111833325A
CN111833325A CN202010658407.9A CN202010658407A CN111833325A CN 111833325 A CN111833325 A CN 111833325A CN 202010658407 A CN202010658407 A CN 202010658407A CN 111833325 A CN111833325 A CN 111833325A
Authority
CN
China
Prior art keywords
image
gray value
colloidal gold
reagent strip
standard
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
Application number
CN202010658407.9A
Other languages
English (en)
Inventor
应玉龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei Colorful Spectrum Technology Co ltd
Original Assignee
Hefei Colorful Spectrum Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei Colorful Spectrum Technology Co ltd filed Critical Hefei Colorful Spectrum Technology Co ltd
Priority to CN202010658407.9A priority Critical patent/CN111833325A/zh
Publication of CN111833325A publication Critical patent/CN111833325A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
    • G06K7/1404—Methods for optical code recognition
    • G06K7/1408—Methods for optical code recognition the method being specifically adapted for the type of code
    • G06K7/1417—2D bar codes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
    • G06K7/1404—Methods for optical code recognition
    • G06K7/1439—Methods for optical code recognition including a method step for retrieval of the optical code
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Toxicology (AREA)
  • Electromagnetism (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的胶体金试剂条检测方法及***，涉及胶体金试剂条检测技术领域，将获取到的待检测图像输送到已训练完成的深度学习神经网络模型中进行图像分割，得到标准色卡图像、胶体金试剂条图像和携带图像标准参数的二维码图像；对二维码图像进行解析得到标准灰度值，对标准色卡进行解析得到读取灰度值，以标准灰度值为基准，拟合出读取灰度值的灰度值校正曲线；对胶体金试剂条图像进行解析得到显色灰度值，利用灰度值校正曲线对显色灰度值进行校正，得到校正后的显色灰度值，将校正后的显色灰度值匹配预先设置的生物学计算算法，得到胶体金试剂条的检测结果；采用本申请的检测方法提高了胶体金试剂条图像的检测结果的精度。

Description

一种基于深度学习的胶体金试剂条检测方法及***
技术领域
本发明涉及胶体金试剂条检测技术领域，尤其涉及一种基于深度学习的胶体金试剂条检测方法及***。
背景技术
随着生活质量的提高，人们越来越关心身体健康状况；而传统的获取身体健康指标的方式只能是去医院做各种健康指标的检查。这种方式，不但花费成本较高，而且需要去医院排队挂号、浪费时间、占用公共医疗资源；因此，用户急需一款能够在家做简单的健康检测的方案。而现有的几款基于智能手机的胶体金试剂条健康检测应用，存在严重的不足：由于手机机型差异，因此云服务端所获取的检测图像是有差异的，进而导致胶体金试剂条的检测误差大的问题；同时由于环境光强弱的差异，使得云服务端所获取的检测图像也是有差异的，导致胶体金试剂条的检测误差大的问题。
发明内容
基于背景技术存在的技术问题，本发明提出了一种基于深度学习的胶体金试剂条检测方法及***，提高了不同手机机型和不同光照条件下胶体金试剂条图像的检测结果。
本发明提出的一种基于深度学习的胶体金试剂条检测方法，包括：
将获取到的待检测图像输送到已训练完成的深度学习神经网络模型中进行图像分割，得到标准色卡图像、胶体金试剂条图像和携带图像标准参数的二维码图像；
对二维码图像进行解析得到标准灰度值，对标准色卡进行解析得到读取灰度值，以标准灰度值为基准，拟合出读取灰度值的灰度值校正曲线；
对胶体金试剂条图像进行解析得到显色灰度值，利用灰度值校正曲线对显色灰度值进行校正，得到校正后的显色灰度值；
根据检测项目，将校正后的显色灰度值匹配预先设置的生物学计算算法，得到胶体金试剂条的检测结果。
进一步地，在将获取到的待检测图像输送到已训练完成的深度学习神经网络模型中进行图像分割，得到标准色卡图像、胶体金试剂条图像和携带图像标准参数的二维码图像中，包括：
对获取到的待检测图像进行标记和分割，分别得到二维码图像、标准色卡图像和胶体金试剂条图像；
对二维码图像进行解析，得到标准色卡在标准光照环境下各灰阶区域的标准灰度值和当前检测项目的生物学算法；
对标准色卡图像进行解析，得到当前待检测图像各灰阶区域的读取灰度值；
对胶体金试剂条图像进行解析，得到当前待检测图像各显色区域的显色灰度值。
进一步地，所述深度学习神经网络模型的训练步骤：
获取多个原始训练图像数据集，对原始训练图像数据集中的每个图像进行分割，分别得到携带图像标准参数的二维码图像、标准色卡图像和胶体金试剂条图像，对二维码图像、标准色卡图像和胶体金试剂条图像进行标记；
确定根据所述原始训练图像数据集训练所述深度学习神经网络模型的训练目标；
将所述原始训练图像数据集中的原始训练图像数据，从所述深度学习神经网络模型的首层输入，根据所述训练目标训练深度学习神经网络模型。
进一步地，所述深度学习神经网络模型包括7层3×3的卷积层，上一层卷积层的输出端与下一层卷积层的输入端连接，采用PRelu作为激活函数。
进一步地，在获取多个原始训练图像数据集中，包括：
获取多个手机型号和多个光照强度下的原始训练图像；
对每个原始训练图像分别进行不同角度的旋转，得到原始训练图像数据集。
一种基于深度学习的胶体金试剂条检测***，包括分割解析模块、图像拟合模块、校正模块和匹配输出模块；
分割解析模块用于将获取到的待检测图像输送到已训练完成的深度学习神经网络模型中进行图像分割，得到标准色卡图像、胶体金试剂条图像和携带图像标准参数的二维码图像；
图像拟合模块用于对二维码图像进行解析得到标准灰度值，对标准色卡进行解析得到读取灰度值，以标准灰度值为基准，拟合出读取灰度值的灰度值校正曲线；
校正模块用于对胶体金试剂条图像进行解析得到显色灰度值，利用灰度值校正曲线对显色灰度值进行校正，得到校正后的显色灰度值；
匹配输出模块用于根据检测项目，将校正后的显色灰度值匹配预先设置的生物学计算算法，得到胶体金试剂条的检测结果。
进一步地，所述分割解析模块包括分割模块、二维码图像解析模块、标准色卡图像解析模块和胶体金试剂条图像解析模块；
分割模块用于对获取到的待检测图像进行标记和分割，分别得到二维码图像、标准色卡图像和胶体金试剂条图像；
二维码图像解析模块用于对二维码图像进行解析，得到标准色卡在标准光照环境下各灰阶区域的标准灰度值和当前检测项目的生物学算法；
标准色卡图像解析模块用于对标准色卡图像进行解析，得到当前待检测图像各灰阶区域的读取灰度值；
胶体金试剂条图像解析模块用于对胶体金试剂条图像进行解析，得到当前待检测图像各显色区域的显色灰度值。
本发明提供的一种基于深度学习的胶体金试剂条检测方法及***的优点在于：本发明结构中提供的一种基于深度学习的胶体金试剂条检测方法及***，基于标准色卡和携带图像标准参数的二维码，对不同手机型号上所获取的胶体金试剂条图像的检测识别结果进行校正，很好地缓解了不同型号手机的拍照图像差异，进而最终缓解了不同手机机型上的检测结果差异；同时基于标准色卡和携带图像标准参数的二维码，对胶体金试剂条图像在不同强度的环境光条件的结果进行校正，很好的缓解了由于环境光强弱引入的检测误差。
附图说明
图1为本发明的结构示意图；
具体实施方式
下面，通过具体实施例对本发明的技术方案进行详细说明，在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
参照图1，本发明提出的一种基于深度学习的胶体金试剂条检测方法，包括步骤S1至S5：
S1：将获取到的待检测图像输送到已训练完成的深度学习神经网络模型中进行图像分割，得到标准色卡图像、胶体金试剂条图像和携带图像标准参数的二维码图像；
每个胶体金试剂条出厂前均匹配有标准色卡和携带图像标准参数的二维码，用户将首先将二维码、标准色卡和胶体金试剂条放置在同一平面上，通过手机端的摄像头获取包含以上三个的待检测图像，得到一张包含二维码、标准色卡和胶体金试剂条的待检测图像，然后将通过深度学习神经网络模型对获取到的待检测图像中的三个图像进行标记和分割，得到二维码图像、标准色卡图像和胶体金试剂条图像，以便得到胶体金试剂条图像对应的检测结果。
S2：对二维码图像进行解析得到标准灰度值，对标准色卡进行解析得到读取灰度值，以标准灰度值为基准，拟合出读取灰度值的灰度值校正曲线；
S3：对胶体金试剂条图像进行解析得到显色灰度值，利用灰度值校正曲线对显色灰度值进行校正，得到校正后的显色灰度值；
S4：根据检测项目，将校正后的显色灰度值匹配预先设置的生物学计算算法，得到胶体金试剂条的检测结果。
其中，生物学计算算法是二维码图像中解析出来的现有生物学算法，因为胶体金试剂条可以用于不同需求的检测，即检测项目可以为胃功能检测、肺功能检测、新冠病毒检测等，为了更准确进行胶体金试剂条的定量，每个检测项目均对应一个生物学计算算法，胶体金试剂条在实际应用中，将根据检测项目匹配预设的生物学计算算法，生成检测报告，以供使用者查看，以提高不同检测项目检测结果的准确度。
S5：将胶体金试剂图像的检测结果输送到手机端，以供用户查看。
一般是将胶体金试剂图像的检测参数生成检测报告，以便于用户查看。
一般所进行检测的项目中如果存在结果参考范围的，可以所得到的胶体金试剂图像的浓度或含量与结果参考范围进行比较，并将正常(在结果参考范围中)、偏高(高于结果参考范围)和偏低(低于结果参考范围)结果也显示在最后的检索报告中，一并推送给用户。
同时检索报告中还可以包括建议，例如当进行胃功能检测时，检测结果如果异常(偏低或者偏高)，可以建议用户减少食用刺激性食物，建议就医等，以使得用户不仅能准确获取所要检测的结果，而且能直观得到改进的方向。
检测项目与生物学计算算法存在一一对应关系，因此通过二维码解析出的检测项目的生物学计算算法直接作为预先设置的生物学计算算法，以得到胶体金试剂条图像数据对应的胶体金试剂条的检测结果，简化了用户的操作步骤，提升了用户体验。
通过步骤S1至S5，本申请通过深度学习神经网络模型对待检测图像进行标记和分割，便于通过灰度值校正曲线对胶体金试剂条图像进行修正，能输出较为准确的检测项目的检测浓度和含量，能避免传统采用手机进行检测时，由于手机参数、型号的不同，使得最终所获取检测项目的检测浓度和含量不准确的缺陷，因此本申请能适用于用户对于不同实际检测场景的需求，检测精度高，应用广泛。
本申请的胶体金试剂条检测不但可以应用于移动设备***(安卓***、ios***、等)上，还可以应用于电脑***上(windows***、linux***、等)；不仅可以应用于客户端应用中，还可以应用于web前端中。
进一步地，在步骤S1：将获取到的待检测图像输送到已训练完成的深度学习神经网络模型中进行图像分割，得到标准色卡图像、胶体金试剂条图像和携带图像标准参数的二维码图像中，包括步骤S11至S14：
S11：对获取到的待检测图像进行标记和分割，分别得到二维码图像、标准色卡图像和胶体金试剂条图像；
通过深度学习神经网络模型对待检测图像进行标记和分割。
S12：对二维码图像进行解析，得到标准色卡在标准光照环境下各灰阶区域的标准灰度值和当前检测项目的生物学算法；
二维码对应的标准灰度值是在标准光照的灯箱环境下，测试每一批次标准色卡的每个灰阶区域的标准灰度值，将该标准灰度值保存在二维码中。例如预先设置11个灰阶区域，则对应得到11个标准灰度值。
S13：对标准色卡图像进行解析，得到当前待检测图像各灰阶区域的读取灰度值；
标准色卡是作为胶体金试剂条图像显色时的灰度值比较的基准，标准色卡由于手机摄像头本身的图像处理作用，使得标准色卡存在一定的失真，因此本申请同时设置了二维码图像，以修正不同手机端摄像头对标准色卡图像的处理影响，使得本申请中的胶体金试剂条图像能适用于不同规格手机端的图像获取，不会因为不同手机端对待检测图像存在一定的预处理而使得胶体金试剂条图像最终对应的检测结果存在较大误差的缺陷。
S14：对进行解析，得到当前待检测图像各显色区域的显色灰度值。
胶体金试剂条图像与标准色卡图像是在同一手机端的同一摄像头设置相同参数下的两个图像，因此二维码图像、标准色卡图像和胶体金试剂条图像是在同一手机摄像头、同一摄像头参数下所得到的三个图像，因此摄像头对以上三个图像本身的图像处理过程是一致的，因此该三个图像经过深度学习神经网络模型中标记分割后，具有图像的可比性。
通过步骤S11至S14，实现了对待检测图像的获取和分割，便于之后该待检测图像的进一步处理。
进一步地，在步骤S2：对二维码图像进行解析得到标准灰度值，对标准色卡进行解析得到读取灰度值，以标准灰度值为基准，拟合出读取灰度值的灰度值校正曲线中，包括步骤S21至S22：
S21对二维码图像进行解析得到标准灰度值，对标准色卡进行解析得到读取灰度值；
解析后的二维码图像包括了标准灰度值和当前检测项目的生物学算法，解析后的标准色卡图像包括读取灰度值，理论上标准灰度值与读取灰度值是一致的，但是由于不同手机端的摄像头对图像有不同的图像处理过程，使得读取灰度值与标准灰度值存在一定的图像差异。
S22：以标准灰度值为基准，拟合出读取灰度值的灰度值校正曲线。
灰度值校正曲线可以通过以下公式进行拟合：
Y＝A×X2+B×X+C
其中，X是原始读取灰度值，Y是标准灰度值，A、B、C为参数值。
拟合过程中，采用最小二乘法，以标准灰度值为Y轴(基准)，读取灰度值为X轴，拟合以标准灰度值为基准，读取灰度值的灰度值校正曲线。
拟合计算过程中，是根据二维码中保留的11个色阶的标准灰度值(出厂前在标准光源环境测量的灰度值)，和移动端(如手机)拍摄的图像中计算出来的11个色阶的读取灰度值，计算出A、B、C的参数值，拟合出上述的校正曲线。
根据步骤S21至S22可知，由于胶体金试剂条图像与标准色卡图像的拍摄环境和拍摄参数均一致，因此读取灰度值与标准灰度值的拟合曲线可以用于校正显色灰度值，得到显色灰度值校正后的值；应理解的是，此时所得到校正后的显色灰度值是对手机端直接上传的显色灰度值的校正，避免了不同手机型号在不同光照环境下随获取的标准色卡图像和胶体金试剂条图像上的图像差异，实现对不同手机型号、不同光照环境下胶体金试剂条检测结果的校正，缓解了光照环境强弱导致的检测误差，能够适应用户的各种检测场景。
在步骤S3：对胶体金试剂条图像进行解析得到显色灰度值，利用灰度值校正曲线对显色灰度值进行校正，得到校正后的显色灰度值中，包括步骤S31至S32：
S31：对胶体金试剂条图像进行解析得到显色灰度值；
S32：将显色灰度值带入灰度值校正曲线中进行校正，得到校正后的显色灰度值。
通过步骤S3至S32，得到校正后的显色灰度值，实现了不同手机端上传待检测图像时对待检测图像进行图像预处理的影响。
进一步地，所述深度学习神经网络模型的训练步骤S51至S53：
S51：获取多个原始训练图像数据集，对原始训练图像数据集中的每个图像进行标记，
分别对每个图像的二维码图像、标准色卡图像、胶体金试剂条图像进行标记分割；
针对获取多个原始训练图像数据集包括：获取多个手机型号和多个光照强度下的原始训练图像；对每个原始训练图像分别进行不同角度的旋转，得到原始训练图像数据集。
采用不同型号的手机在不同环境下的对原始训练图像进行获取。
在对每个原始训练图像分别进行不同角度的旋转中，可以对每个原始训练图像分别进行45度、90度、135度、180度、225度、270度、315度旋转以及左右翻转，构建出较大的训练样本集，对这些旋转后的每个图像备份，对其中一份进行标记分割。
所述原始训练图像数据集包括未标记的图像和对应的已标记图像。
S52：确定根据所述原始训练图像数据集训练所述深度学习神经网络模型的训练目标；
所述深度学习神经网络模型包括7层3×3的卷积层，上一层卷积层的输出端与下一层卷积层的输入端连接，采用PRelu作为激活函数。
深度学习神经网络模型的卷积层所包括的卷积核为二维矩阵。7层3×3的卷积核对图像的作用效果，相当于一层15×15的卷积核。假设输入的待处理图像的图像分辨率为100×100，卷积操作不改变大小。对于一层包括m个15×15的卷积核的卷积层，通过该卷积层对待处理图像进行卷积操作时，需要进行100×100×15×15×m次乘法操作。而对于每层包括m个3×3的卷积核的7层卷积层，通过这7层卷积层对待处理图像进行卷积操作时，需要进行100×100×3×3×m×7次乘法操作，约掉相同部分，分别剩下15×15＝225和3×3×7＝63。显然，用7层3×3的卷积层代替一层15×15的卷积层可以减少近七成的计算量。因此，在本方案中对每层卷积层使用尺寸为3×3的卷积核，可以提升深度学习神经网络模型的运算速度。而且，更多的卷积层在一定程度上可提高深度学习神经网络模型的表达能力。因此可以实现对待检测图像的标记和分割。
而且，在为深度学习神经网络模型的卷积层设置激活函数时，选取PRelu函数为激活函数。采用PRelu函数作为激活函数可以得到更快的收敛速度，因为PRelu函数的输出均值更接近于0，深度学习迭代计算中收敛更快。
S53：将所述原始训练图像数据集中的原始训练图像数据，从所述深度学习神经网络模型的首层输入，根据所述训练目标训练深度学习神经网络模型。
通过已标注的图像对深度学习神经网络模型进行训练，通过未标记的图像经过深度学习神经网络模型后得到分割后的图像，与之前对应的已标注的图像进行比较，可以修正深度学习神经网络模型，以提高深度学习神经网络模型的图像处理准确度。
在通过已训练好的深度学习神经网络模型对实际的待检测图像进行图像处理时，会对待检测图像进行图像标记和分割，可以减少待检测图像由于倾斜、被拍摄角度等影响，得到分割后的待检测图像，以实现通过胶体金试剂条图像的修正输出较为准确的检测结果。
一种基于深度学习的胶体金试剂条检测***，包括分割解析模块、图像拟合模块、校正模块和匹配输出模块；
分割解析模块用于将获取到的待检测图像输送到已训练完成的深度学习神经网络模型中进行图像分割，得到标准色卡图像、胶体金试剂条图像和携带图像标准参数的二维码图像；
图像拟合模块用于对二维码图像进行解析得到标准灰度值，对标准色卡进行解析得到读取灰度值，以标准灰度值为基准，拟合出读取灰度值的灰度值校正曲线；
校正模块用于对胶体金试剂条图像进行解析得到显色灰度值，利用灰度值校正曲线对显色灰度值进行校正，得到校正后的显色灰度值；
匹配输出模块用于根据检测项目，将校正后的显色灰度值匹配预先设置的生物学计算算法，得到胶体金试剂条的检测结果。
进一步地，所述分割解析模块包括分割模块、二维码图像解析模块、标准色卡图像解析模块和胶体金试剂条图像解析模块；
分割模块用于对获取到的待检测图像进行标记和分割，分别得到二维码图像、标准色卡图像和胶体金试剂条图像；
二维码图像解析模块用于对二维码图像进行解析，得到标准色卡在标准光照环境下各灰阶区域的标准灰度值和当前检测项目的生物学算法；
标准色卡图像解析模块用于对标准色卡图像进行解析，得到当前待检测图像各灰阶区域的读取灰度值；
胶体金试剂条图像解析模块用于对胶体金试剂条图像进行解析，得到当前待检测图像各显色区域的显色灰度值。
一种计算机可读储存介质，所述计算机可读存储介质上存储有若干获取分类程序，所述若干获取分类程序用于被处理器调用并执行如上所述的胶体金试剂条检测方法。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明较佳的具体实施方式，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种基于深度学习的胶体金试剂条检测方法，其特征在于，包括：
将获取到的待检测图像输送到已训练完成的深度学习神经网络模型中进行图像分割，得到标准色卡图像、胶体金试剂条图像和携带图像标准参数的二维码图像；
对二维码图像进行解析得到标准灰度值，对标准色卡进行解析得到读取灰度值，以标准灰度值为基准，拟合出读取灰度值的灰度值校正曲线；
对胶体金试剂条图像进行解析得到显色灰度值，利用灰度值校正曲线对显色灰度值进行校正，得到校正后的显色灰度值；
根据检测项目，将校正后的显色灰度值匹配预先设置的生物学计算算法，得到胶体金试剂条的检测结果。
2.根据权利要求1所述的基于深度学习的胶体金试剂条检测方法，其特征在于，在将获取到的待检测图像输送到已训练完成的深度学习神经网络模型中进行图像分割，得到标准色卡图像、胶体金试剂条图像和携带图像标准参数的二维码图像中，包括：
对获取到的待检测图像进行标记和分割，分别得到二维码图像、标准色卡图像和胶体金试剂条图像；
对二维码图像进行解析，得到标准色卡在标准光照环境下各灰阶区域的标准灰度值和当前检测项目的生物学算法；
对标准色卡图像进行解析，得到当前待检测图像各灰阶区域的读取灰度值；
对胶体金试剂条图像进行解析，得到当前待检测图像各显色区域的显色灰度值。
3.根据权利要求1所述的基于深度学习的胶体金试剂条检测方法，其特征在于，所述深度学习神经网络模型的训练步骤：
获取多个原始训练图像数据集，对原始训练图像数据集中的每个图像进行标记；
确定根据所述原始训练图像数据集训练所述深度学习神经网络模型的训练目标；
将所述原始训练图像数据集中的原始训练图像数据，从所述深度学习神经网络模型的首层输入，根据所述训练目标训练深度学习神经网络模型。
4.根据权利要求3所述的基于深度学习的胶体金试剂条检测方法，其特征在于，所述深度学习神经网络模型包括7层3×3的卷积层，上一层卷积层的输出端与下一层卷积层的输入端连接，采用PRelu作为激活函数。
5.根据权利要求4所述的基于深度学习的胶体金试剂条检测方法，其特征在于，在获取多个原始训练图像数据集中，包括：
获取多个手机型号和多个光照强度下的原始训练图像；
对每个原始训练图像分别进行不同角度的旋转，得到原始训练图像数据集。
6.一种基于深度学习的胶体金试剂条检测***，其特征在于，包括分割解析模块、图像拟合模块、校正模块和匹配输出模块；
分割解析模块用于将获取到的待检测图像输送到已训练完成的深度学习神经网络模型中进行图像分割，得到标准色卡图像、胶体金试剂条图像和携带图像标准参数的二维码图像；
图像拟合模块用于对二维码图像进行解析得到标准灰度值，对标准色卡进行解析得到读取灰度值，以标准灰度值为基准，拟合出读取灰度值的灰度值校正曲线；
校正模块用于对胶体金试剂条图像进行解析得到显色灰度值，利用灰度值校正曲线对显色灰度值进行校正，得到校正后的显色灰度值；
匹配输出模块用于根据检测项目，将校正后的显色灰度值匹配预先设置的生物学计算算法，得到胶体金试剂条的检测结果。
7.根据权利要求6所述的基于深度学习的胶体金试剂条检测***，其特征在于，所述分割解析模块包括分割模块、二维码图像解析模块、标准色卡图像解析模块和胶体金试剂条图像解析模块；
分割模块用于对获取到的待检测图像进行标记和分割，分别得到二维码图像、标准色卡图像和胶体金试剂条图像；
二维码图像解析模块用于对二维码图像进行解析，得到标准色卡在标准光照环境下各灰阶区域的标准灰度值和当前检测项目的生物学算法；
标准色卡图像解析模块用于对标准色卡图像进行解析，得到当前待检测图像各灰阶区域的读取灰度值；
胶体金试剂条图像解析模块用于对胶体金试剂条图像进行解析，得到当前待检测图像各显色区域的显色灰度值。
CN202010658407.9A 2020-07-09 2020-07-09 一种基于深度学习的胶体金试剂条检测方法及*** Pending CN111833325A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010658407.9A CN111833325A (zh) 2020-07-09 2020-07-09 一种基于深度学习的胶体金试剂条检测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010658407.9A CN111833325A (zh) 2020-07-09 2020-07-09 一种基于深度学习的胶体金试剂条检测方法及***

Publications (1)

Publication Number Publication Date
CN111833325A true CN111833325A (zh) 2020-10-27

Family

ID=72901249

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010658407.9A Pending CN111833325A (zh) 2020-07-09 2020-07-09 一种基于深度学习的胶体金试剂条检测方法及***

Country Status (1)

Country Link
CN (1) CN111833325A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114441511A (zh) * 2020-10-30 2022-05-06 深圳市瑞图生物技术有限公司 一种干化学检测装置、减小检测装置之间数据差异的方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014190926A (ja) * 2013-03-28 2014-10-06 Ushio Inc 点検用試験片および分析装置
CN105606608A (zh) * 2016-03-28 2016-05-25 广州博厚生物科技有限公司 基于图像灰度处理的数据计算方法及其在检测领域的应用
CN106404783A (zh) * 2016-09-29 2017-02-15 网易（杭州）网络有限公司 试纸检测方法和装置
CN106526177A (zh) * 2016-11-05 2017-03-22 深圳市前海安测信息技术有限公司 基于胶体金试纸条的生物标志物检测***及方法
CN106851043A (zh) * 2016-12-22 2017-06-13 深圳市安健科技股份有限公司 扫描仪出厂校正方法及***
CN109166130A (zh) * 2018-08-06 2019-01-08 北京市商汤科技开发有限公司 一种图像处理方法及图像处理装置
CN110161234A (zh) * 2019-03-18 2019-08-23 深圳和而泰智能控制股份有限公司 一种胶体金试纸检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014190926A (ja) * 2013-03-28 2014-10-06 Ushio Inc 点検用試験片および分析装置
CN105606608A (zh) * 2016-03-28 2016-05-25 广州博厚生物科技有限公司 基于图像灰度处理的数据计算方法及其在检测领域的应用
CN106404783A (zh) * 2016-09-29 2017-02-15 网易（杭州）网络有限公司 试纸检测方法和装置
CN106526177A (zh) * 2016-11-05 2017-03-22 深圳市前海安测信息技术有限公司 基于胶体金试纸条的生物标志物检测***及方法
CN106851043A (zh) * 2016-12-22 2017-06-13 深圳市安健科技股份有限公司 扫描仪出厂校正方法及***
CN109166130A (zh) * 2018-08-06 2019-01-08 北京市商汤科技开发有限公司 一种图像处理方法及图像处理装置
CN110161234A (zh) * 2019-03-18 2019-08-23 深圳和而泰智能控制股份有限公司 一种胶体金试纸检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114441511A (zh) * 2020-10-30 2022-05-06 深圳市瑞图生物技术有限公司 一种干化学检测装置、减小检测装置之间数据差异的方法
CN114441511B (zh) * 2020-10-30 2024-06-04 深圳市瑞图生物技术有限公司 一种干化学检测装置、减小检测装置之间数据差异的方法

Similar Documents

Publication Publication Date Title
CN106546581B (zh) 试纸检测卡智能检测***以及试纸检测卡智能分析方法
CN111598913B (zh) 一种基于机器人视觉的图像分割方法和***
CN109902662B (zh) 一种行人重识别方法、***、装置和存储介质
CN112257676A (zh) 一种指针式仪表读数方法、***以及巡检机器人
CN111869193A (zh) 颜色校正
CN112345534B (zh) 一种基于视觉的泡罩板中颗粒的缺陷检测方法及***
CN112070711A (zh) 一种微液滴图像检测法中微液滴的分析方法
CN113095444B (zh) 图像标注方法、装置及存储介质
CN117152152B (zh) 检测试剂盒的生产管理***及方法
CN112149707B (zh) 图像采集控制方法、装置、介质及设备
CN113128522B (zh) 目标识别方法、装置、计算机设备和存储介质
CN111833325A (zh) 一种基于深度学习的胶体金试剂条检测方法及***
CN114299291A (zh) 一种可解释的人工智能医疗图像语义分割方法
CN111124863A (zh) 智能设备性能测试方法、装置及智能设备
CN116563841B (zh) 配电网设备标识牌的检测方法、检测装置和电子设备
CN113962980A (zh) 基于改进yolov5x的玻璃容器瑕疵检测方法及***
CN117804344A (zh) 宽度测量方法及装置
CN110210314B (zh) 人脸检测方法、装置、计算机设备及存储介质
CN110298347B (zh) 一种基于GrayWorld与PCA-CNN的汽车尾气分析仪屏幕的识别方法
CN116128853A (zh) 一种产线装配检测方法、***、计算机及可读存储介质
CN113569940B (zh) 一种基于知识迁移和概率校正的少样本目标检测方法
CN114049370A (zh) 一种基于深度学习方法的智能移动终端有色溶液浓度检测方法
CN114757941A (zh) 变电站设备缺陷的识别方法、装置、电子设备及存储介质
CN116109543A (zh) 一种数据快速识别读取方法及装置、计算机可读存储介质
CN110827261A (zh) 图像质量检测方法及装置、存储介质及电子设备

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