CN102880880B - 基于模糊神经网络的药敏反应自动识别方法及设备 - Google Patents

Abstract

本发明提供一种利用模糊神经网络自动识别药敏反应结果的方法，主要包括采集含有多孔药敏反应信息的图像、对采集的图像预处理、对多孔的药敏反应信息图像进行分割、模糊神经网络自动识别等步骤。本发明可以自动对微生物药敏反应情况的图像信息进行识别。本发明具有自动化程度高、测量准确及效率高等优点；相对于目前的半自动化的检测方法，本发明提高了药敏反应测试设备的效率和正确率，降低了检测成本和劳动强度。

Description

基于模糊神经网络的药敏反应自动识别方法及设备

技术领域

本发明属于图像处理和模糊神经网络自动识别领域，是图像处理技术和模糊神经网络技术的应用，特别是涉及模糊神经网络药敏反应自动识别方法。

背景技术

在药物过敏反应识别方面，目前最先进的是半自动控制，必须根据标本显示的结果逐个点击输入，人工成本高。但随着社会的发展，人们更追求高效率和更高的正确率，对仪器的自动化程度要求将越来越高。如果再依靠半自动控制的方式，将会增加人力消耗，这样就造成了成本的增加或检测效率及准确度的降低。

发明内容

目的：为了克服现有技术中存在的不足，本发明提供一种能实现全自动检测，降低药物过敏反应检测成本的基于模糊神经网络的药敏反应自动识别方法及设备。

技术方案：为解决上述技术问题，本发明采用的技术方案为：其特征在于：包括如下步骤：

（1）、利用已有的样本，对模糊神经网络进行训练和学习；

（2）、对待测样本进行处理，并通过托盘自动输入到识别装置中；

（3）、采集含有多孔药敏反应信息的待测样本图像；

（4）、对采集得到的待测样本图像进行预处理；

（5）、将含多孔药敏反应信息的图像分割成多个单孔药敏反应信息图像；

（6）、测出单孔药敏反应信息图像中各个像素点的RGB值，通过分段，将RGB值相对接近的80%的像素点的RGB值求平均，得到该单孔图像的RGB值为(r,g,b)，输入到训练好的模糊神经网络中进行识别；

（7）、根据步骤（6）得到的结果，计算出每个单孔药敏反应的结果，进行最后汇总，得到并输出送检样本的整体检测报告。

所述步骤（1）中的模糊神经网络的训练和学习是指：

（1a）、处理训练样本：以微生物A的药敏反应检测为例，其表示强烈敏感的反应颜色为(r₀,g₀,b₀)，作为其表征RGB值；用[-1 -0.7 -0.3 0 0.3 0.7 1]表示微生物对该药物的敏感情况，分别为强烈敏感，敏感，微弱敏感，中介，微弱耐药，耐药，非常耐药；取O=[O₁,O₂,...,O_n]表示X的样本所对应的耐药性情况，即期望值，则O_k=[1,-0.7,-0.3,0,0.3,0.7,1]，k=1,2,...,n；取微生物A已知的n种药敏结果样本，摄取图像，进行图像预处理；

（1b）、获取训练样本数据集:取得每个样本图像的各像素点的RGB值，得到：

X=[X₁,X₂,...,X_n]

其中，n表示样本的个数，X_k是每个样本的RGB值，由各样本中像素点RGB值相对接近的80%的像素点的RGB求均值得到；X_k为三维矢量，即X_k=[r_k,g_k,b_k],k=1,2,...,n；

X_k的计算方法为：假设X_k=[X_k1,X_k2,...,X_km]，m表示一个样本图像的像素点数，X_ki是三维矢量，即X_ki=[r_ki,g_ki,b_ki],i＝1,2,...,m；

计算得到每个样本集的所有像素点的RGB均值，即计算公式如下：

${\stackrel{\‾}{r}}_k=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{r}_{\mathrm{ki}}}{m},$ ${\stackrel{\‾}{g}}_k=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{g}_{\mathrm{ki}}}{m},$ ${\stackrel{\‾}{b}}_k=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{b}_{\mathrm{ki}}}{m},$ k=1，2，...,n

根据分别将每个样本的m_i从小到大排列，去掉后面20%对应的像素点，对剩余80%的像素点的RGB值取平均数，最终得到X_k=[r_k,g_k,b_k]；

令Y=[Y₁,Y₂,...,Y_n]表示实际输出值，最终得到n个训练样本对(X,Y)；

（1c）、模糊化:输入样本经模糊化后得到神经网络输入值，模糊化公式为：

$u_k=e^{-\frac{{(r_k-r_0)}^2+{(g_k-g_0)}^2+{(b_k-b_0)}^2}{{\mathrm{\σ}}_k}},$ k=1,2，...,n

其中,u_k为一维矢量，σ_k为隶属度函数的宽度；神经网络输入样本为U=[u₁,u₂,...,u_n]；

（1d）、神经网络权值的确定：以U为输入，O为期望输出，设定偏差e=1e^-5，经过标准的BP神经网络学习，确定模糊神经网络中间三层的连接权值；

（1e）、反模糊化：将神经网络的输出O反模糊化，Y为最终模糊神经网络的输出；计算方法如下：

$Y_k=\frac{\left|O_{k,q}\right|}{\underset{q=1}{\overset{m}{\mathrm{\Σ}}}\left|O_{k,q}\right|}.$

所述步骤（2）中对待测物处理，并通过托盘自动输入到识别设备是指：

（2a）、检验药敏反应状况时，选择不同的试液、不同部位或不同物体，根据不同方法和器具，遵守无菌操作规程采取标本，注意待测物不被污染；

（2b）、标准试剂板为12*8=96孔；在试剂板加样的时候，按固定顺序加样；

（2c）、仪器的托盘与试剂板完全契合，并标明试剂板的输入方向，试剂板在放入托盘后被固定住；当试剂板正确放入托盘后，按下装置上的托盘进出按钮，把试剂板送入识别设备中；

（2d）、试剂板送入后，选择所测样品的物体、部位和种类；设备的前端位置设有触摸屏，操作人员根据待测物和所检验药敏性的药品的实际情况进行选择；通过触摸屏软键盘输入待测样品的基本信息，通过输入的相应信息，系统将自动选择相应的模糊神经网络进行识别。

所述步骤（4）中对所采集得到的待测样本图像进行预处理是指：采用中值滤波法，去除多孔药敏反应信息待测样本图像的噪声，得到无噪声的多孔药敏反应待测样本图像。

所述步骤（5）中，将含多孔的药敏反应信息图像分割成只含有单孔药敏反应信息的图像是指：试剂板的规格是12*8，摄下的图像中每个孔的位置均固定；按照设定好的尺寸，在固定的坐标位置处分割，得到多幅单孔图像。

所述步骤（6）中测出单孔药敏反应信息图像中各个像素点的RGB值，通过分段，将RGB值相对接近的80%的像素点的RGB值求平均，得到该单孔图像的RGB值(r，g,b)，输入到训练好的模糊神经网络中进行识别是指：

（6a）、通过图像分割后，每个单孔的图像大小固定，可得其中心点坐标为(x₀,y₀)，孔的半径为R₀，则在以(x₀,y₀)为圆心，R₀为半径的区域内，取每个像素点(x_i,y_i)的RGB值(r_i,g_i,b_i)，得到m个像素点的RGB值，为(r₁,g₁,b₁),(r₂,g₂,b₂),...,(r_m,g_m,b_m)；

（6b）、每个孔都固定了所检测的微生物和药物种类，将其药敏反应表示强烈敏感的RGB值(r₀,g₀,b₀)定义为其表征RGB值；

计算得到待测样本所有像素点的RGB的均值，即计算公式如下：

$\stackrel{\‾}{r}=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{r}_i}{m},$ $\stackrel{\‾}{g}=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{g}_i}{m},$ $\stackrel{\‾}{b}=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{b}_i}{m}$

其中，m为像素点的个数；

根据将所有的m值从小到大排列，去掉后面20%对应的像素点，对剩余80%的像素点的RGB值取平均数，得到(r,g,b)；

(6c).将得到的(r,g,b)输入到相对应的模糊神经网络中，计算输出，即得到该单孔样本的检测识别结果。

有益效果：(1)、本发明能够全自动检测识别药敏反应结果，一次性输出一批测试结果，大大降低了劳动强度、减少了出结果的时间，既降低了检测成本，又提高了效率；

(2)、本发明采用了模糊神经网络智能识别技术，可将误差控制到很小的范围内，大大降低了识别的错误率；

(3)、本发明提出了一种新的检测药敏反应的方法，即利用大量样本的测试结果来检测待测物的药敏反应，结果准确可靠，而且样本可以定期更新，适用性强；

(4)、本发明利用摄像头获得药敏反应的信息，避免了人眼观测带来的误差，具有良好的智能性，提高了检测的正确性。

附图说明

图1为本发明的操作过程简易方框图；

图2为本发明的设备示意图；

图3为本发明中模糊神经网络结构图；

图4为本发明中模糊神经网络药敏反应自动识别方法的流程图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

实施本发明的操作过程简易方框图如图1所示，待测物处理后输入到智能识别装置，通过模糊神经网络识别系统进行识别，经过一段时间，结果便可打印输出。

本发明的设别构造简图如图2所示，设备含有托盘1，摄像头2，触摸屏3，托盘进出按钮4，存储设备5。待测物送入装置后，利用触摸屏3设定待测物的基本信息等，摄像头2在良好光照条件下进行多孔药敏反应信息图像的采集，对摄像头2采集的含有多孔药敏反应信息的图像用存储设备5进行存储，然后通过模糊神经网络识别系统处理得到结果，并将结果通过触摸屏显示出来，也可连接打印机进行打印输出。

本发明中的模糊神经网络系统具体学习过程如下：

该FNN由6层构成，分别是输入层L₁，模糊化层L₂，L₃、L₄和L₅层则构成一个普通的BP神经网络，L₆是输出层。

（1）、输入层L₁：输入向量为X=[X₁,X₂,...,X_n],输入层结点的个数N₁为n，该层的各个结点与输入向量的各分量X_i连接，权值为1；

（2）、模糊化层L₂：采用非单值模糊产生器，隶属度函数为

$u_k=e^{-\frac{{(r_k-r_0)}^2+{(g_k-g_0)}^2+{(b_k-b_0)}^2}{{\mathrm{\σ}}_k}}$

其中，(r₀,g₀,b₀)为表征RGB值，即药敏反应表示强烈敏感的RGB值，σ_k为隶属度函数的宽度。模糊化后得到U=[u₁,u₂,...,u_n]，作为中间层BP神经网络的输入；

（4）、BP神经网络层L₃、L₄和L₅：根据基本BP算法，采用误差反向传播反复调整网络权值，直到误差控制到e^-5的范围内；

（5）、输出层L₆：反模糊化处理，处理方式如下：

$Y_k=\frac{\left|O_{k,q}\right|}{\underset{q=1}{\overset{m}{\mathrm{\Σ}}}\left|O_{k,q}\right|}$

式中，O_k,q为中间BP神经网络层的输出，Y_k为整体模糊神经网络（FNN）的输出，k=1,2,...,n,q=1,2,...,m。

本实施例自动检测药敏反应信息图像其具体流程如图3所示，包括如下步骤：

（1）、利用已有的样本，对模糊神经网络进行训练和学习；

（2）、对待测样本进行处理，并通过托盘自动输入到识别装置中；

（3）、采集含有多孔药敏反应信息的待测样本图像；

（4）、对采集得到的待测样本图像进行预处理；

（5）、将含多孔药敏反应信息的图像分割成多个单孔药敏反应信息图像；

（6）、测出单孔药敏反应信息图像中各个像素点的RGB值，通过分段，将RGB值相对接近的80%的像素点的RGB值求平均，得到该单孔图像的RGB值为(r,g,b)，输入到训练好的模糊神经网络中进行识别；

（7）、根据步骤（6）得到的结果，计算出每个单孔药敏反应的结果，进行最后汇总，得到并输出送检样本的整体检测报告。

所述步骤（1）中的模糊神经网络的训练和学习是指：

（1a）、处理训练样本：以微生物A的药敏反应检测为例，其表示强烈敏感的反应颜色为(r₀,g₀,b₀)，作为其表征RGB值；用[-1 -0.7 -0.3 0 0.3 0.7 1]表示微生物对该药物的敏感情况，分别为强烈敏感，敏感，微弱敏感，中介，微弱耐药，耐药，非常耐药；取O=[O₁,O₂,...,O_n]表示X的样本所对应的耐药性情况，即期望值，则O_k=[1,-0.7,-0.3,0,0.3,0.7,1]，k=1,2,...,n；取微生物A已知的n种药敏结果样本，摄取图像，进行图像预处理；

（1b）、获取训练样本数据集:取得每个样本图像的各像素点的RGB值，得到：

X=[X₁,X₂，...,X_n]

其中，n表示样本的个数，X_k是每个样本的RGB值，由各样本中像素点RGB值相对接近的80%的像素点的RGB求均值得到；X_k为三维矢量，即X_k=[r_k,g_k,b_k],k=1,2,...,n；

X_k的计算方法为：假设X_k=[X_k1,X_k2,...,X_km]，m表示一个样本图像的像素点数，X_ki是三维矢量，即X_ki=[r_ki,g_ki,b_ki],i＝1,2,...,m；

计算得到每个样本集的所有像素点的RGB均值，即计算公式如下：

${\stackrel{\‾}{r}}_k=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{r}_{\mathrm{ki}}}{m},$ ${\stackrel{\‾}{g}}_k=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{g}_{\mathrm{ki}}}{m},$ ${\stackrel{\‾}{b}}_k=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{b}_{\mathrm{ki}}}{m},$ k=1，2，...,n

根据分别将每个样本的m_i从小到大排列，去掉后面20%对应的像素点，对剩余80%的像素点的RGB值取平均数，最终得到X_k=[r_k,g_k,b_k]；

令Y=[Y₁,Y₂,...,Y_n]表示实际输出值，最终得到n个训练样本对(X,Y)；

（1c）、模糊化:输入样本经模糊化后得到神经网络输入值，模糊化公式为：

$u_k=e^{-\frac{{(r_k-r_0)}^2+{(g_k-g_0)}^2+{(b_k-b_0)}^2}{{\mathrm{\σ}}_k}},$ k=1,2，...,n

其中,u_k为一维矢量，σ_k为隶属度函数的宽度；神经网络输入样本为U=[u₁,u₂,...,u_n]；

（1d）、神经网络权值的确定：以U为输入，O为期望输出，设定偏差e=1e^-5，经过标准的BP神经网络学习，确定模糊神经网络中间三层的连接权值；

（1e）、反模糊化：将神经网络的输出O反模糊化，Y为最终模糊神经网络的输出；计算方法如下：

$Y_k=\frac{\left|O_{k,q}\right|}{\underset{q=1}{\overset{m}{\mathrm{\Σ}}}\left|O_{k,q}\right|}.$

所述步骤（2）中对待测物处理，并通过托盘自动输入到识别设备是指：

（2a）、检验药敏反应状况时，选择不同的试液、不同部位或不同物体，根据不同方法和器具，遵守无菌操作规程采取标本，注意待测物不被污染；

（2b）、标准试剂板为12*8=96孔；在试剂板加样的时候，按固定顺序加样；

（2c）、仪器的托盘与试剂板完全契合，并标明试剂板的输入方向，试剂板在放入托盘后被固定住；当试剂板正确放入托盘后，按下装置上的托盘进出按钮，把试剂板送入识别设备中；

（2d）、试剂板送入后，选择所测样品的物体、部位和种类；设备的前端位置设有触摸屏，操作人员根据待测物和所检验药敏性的药品的实际情况进行选择；通过触摸屏软键盘输入待测样品的基本信息，通过输入的相应信息，系统将自动选择相应的模糊神经网络进行识别。

所述步骤（4）中对所采集得到的待测样本图像进行预处理是指：采用中值滤波法，去除多孔药敏反应信息待测样本图像的噪声，得到无噪声的多孔药敏反应待测样本图像。

所述步骤（5）中，将含多孔的药敏反应信息图像分割成只含有单孔药敏反应信息的图像是指：试剂板的规格是12*8，摄下的图像中每个孔的位置均固定；按照设定好的尺寸，在固定的坐标位置处分割，得到多幅单孔图像。

所述步骤（6）中测出单孔药敏反应信息图像中各个像素点的RGB值，通过分段，将RGB值相对接近的80%的像素点的RGB值求平均，得到该单孔图像的RGB值(r，g,b)，输入到训练好的模糊神经网络中进行识别是指：

（6a）、通过图像分割后，每个单孔的图像大小固定，可得其中心点坐标为(x₀,y₀)，孔的半径为R₀，则在以(x₀,y₀)为圆心，R₀为半径的区域内，取每个像素点(x_i,y_i)的RGB值(r_i,g_i,b_i)，得到m个像素点的RGB值，为(r₁,g₁,b₁),(r₂,g₂,b₂),...,(r_m,g_m,b_m)；

（6b）、每个孔都固定了所检测的微生物和药物种类，将其药敏反应表示强烈敏感的RGB值(r₀,g₀,b₀)定义为其表征RGB值；

计算得到待测样本所有像素点的RGB的均值，即计算公式如下：

$\stackrel{\‾}{r}=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{r}_i}{m},$ $\stackrel{\‾}{g}=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{g}_i}{m},$ $\stackrel{\‾}{b}=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{b}_i}{m}$

其中，m为像素点的个数；

根据将所有的m值从小到大排列，去掉后面20%对应的像素点，对剩余80%的像素点的RGB值取平均数，得到(r,g,b)；

(6c).将得到的(r,g,b)输入到相对应的模糊神经网络中，计算输出，即得到该单孔样本的检测识别结果。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.基于模糊神经网络的药敏反应自动识别方法，其特征在于：包括如下步骤：

(1)、利用已有的样本，对模糊神经网络进行训练和学习；

(2)、对待测样本进行处理，并通过托盘自动输入到识别装置中；

(3)、采集含有多孔药敏反应信息的待测样本图像；

(4)、对采集得到的待测样本图像进行预处理；

(5)、将含多孔药敏反应信息的图像分割成多个单孔药敏反应信息图像；

(6)、测出单孔药敏反应信息图像中各个像素点的RGB值，通过分段，将RGB值相对接近的80％的像素点的RGB值求平均，得到该单孔图像的RGB值为(r,g,b)，输入到训练好的模糊神经网络中进行识别；具体是指：

(6a)、通过图像分割后，每个单孔的图像大小固定，可得其中心点坐标为(x₀,y₀)，孔的半径为R₀，则在以(x₀,y₀)为圆心，R₀为半径的区域内，取每个像素点(x_i,y_i)的RGB值(r_i,g_i,b_i)，得到m个像素点的RGB值，为(r₁,g₁,b₁),(r₂,g₂,b₂),...,(r_m,g_m,b_m)；

(6b)、每个孔都固定了所检测的微生物和药物种类，将其药敏反应表示强烈敏感的RGB值(r₀,g₀,b₀)定义为其表征RGB值；

计算得到待测样本所有像素点的RGB的均值，即计算公式如下：

$\stackrel{\‾}{r}=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{r}_i}{m},\stackrel{\‾}{g}=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{g}_i}{m},\stackrel{\‾}{b}=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{b}_i}{m}$

其中，m为像素点的个数；

根据将所有的m值从小到大排列，去掉后面20％对应的像素点，对剩余80％的像素点的RGB值取平均数，得到(r,g,b)；

(6c).将得到的(r,g,b)输入到相对应的模糊神经网络中，计算输出，即得到该单孔样本的检测识别结果；

(7)、根据步骤(6)得到的结果，计算出每个单孔药敏反应的结果，进行最后汇总，得到并输出送检样本的整体检测报告。

2.根据权利要求1所述的基于模糊神经网络的药敏反应自动识别方法，其特征在于：所述步骤(1)中的模糊神经网络的训练和学习是指：

(1a)、处理训练样本：对于微生物A的药敏反应检测，其表示强烈敏感的反应颜色为(r₀,g₀,b₀)，作为其表征RGB值；用[-1 -0.7 -0.3 0 0.3 0.7 1]表示微生物对药物的敏感情况，分别为强烈敏感，敏感，微弱敏感，中介，微弱耐药，耐药，非常耐药；取O＝[O₁,O₂,...,O_n]表示X的样本所对应的耐药性情况，即期望值，则O_k＝[-1,-0.7,-0.3,0,0.3,0.7,1]，k＝1,2,...,n；取微生物A已知的n种药敏结果样本，摄取图像，进行图像预处理；

(1b)、获取训练样本数据集:取得每个样本图像的各像素点的RGB值，得到：

X＝[X₁,X₂,...,X_n]

其中，n表示样本的个数，X_k是每个样本的RGB值，由各样本中像素点RGB值相对接近的80％的像素点的RGB求均值得到；X_k为三维矢量，即X_k＝[r_k,g_k,b_k],k＝1,2,...,n；

X_k的计算方法为：假设X_k＝[X_k1,X_k2,...,X_km]，m表示一个样本图像的像素点数，X_ki是三维矢量，即X_ki＝[r_ki,g_ki,b_ki],i＝1,2,...,m；

计算得到每个样本集的所有像素点的RGB均值，即计算公式如下：

${\stackrel{\‾}{r}}_k=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{r}_{\mathrm{ki}}}{m},{\stackrel{\‾}{g}}_k=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{g}_{\mathrm{ki}}}{m},{\stackrel{\‾}{b}}_k=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{b}_{\mathrm{ki}}}{m},k=\mathrm{1,2},...,n$

根据 $m_{\mathrm{ki}}={(r_{\mathrm{ki}}-{\stackrel{\‾}{r}}_k)}^2+{(g_{\mathrm{ki}}-{\stackrel{\‾}{g}}_k)}^2+{(b_{\mathrm{ki}}-{\stackrel{\‾}{b}}_k)}^2,$ 分别将每个样本的m_i从小到大排列，去掉后面20％对应的像素点，对剩余80％的像素点的RGB值取平均数，最终得到X_k＝[r_k,g_k,b_k]；

令Y＝[Y₁,Y₂,...,Y_n]表示实际输出值，最终得到n个训练样本对(X,Y)；

(1c)、模糊化:输入样本经模糊化后得到神经网络输入值，模糊化公式为：

$u_k=e^{-\frac{{(r_k-r_0)}^2+{(g_k-g_0)}^2+{(b_k-b_0)}^2}{{\mathrm{\σ}}_k}},k=\mathrm{1,2},...,n$

其中,u_k为一维矢量，σ_k为隶属度函数的宽度；神经网络输入样本为U＝[u₁,u₂,...,u_n]；

(1d)、神经网络权值的确定：以U为输入，O为期望输出，设定偏差e＝1e^-5，经过标准的BP神经网络学习，确定模糊神经网络中间三层的连接权值；

(1e)、反模糊化：将神经网络的输出O反模糊化，Y为最终模糊神经网络的输出；计算方法如下：其中，

$Y_k=\frac{\left|O_{k,q}\right|}{\underset{q=1}{\overset{m}{\mathrm{\Σ}}}\left|O_{k,q}\right|}$

其中，O_k,q为中间BP神经网络层的输出，Y_k为整体模糊神经网络的输出，k＝1,2,...,n,q＝1,2,...,m。

3.根据权利要求1所述的基于模糊神经网络的药敏反应自动识别方法，其特征在于：所述步骤(2)中对待测物处理，并通过托盘自动输入到识别设备是指：

(2a)、检验药敏反应状况时，选择不同的试液、不同部位或不同物体，根据不同方法和器具，遵守无菌操作规程采取标本，注意待测物不被污染；

(2b)、标准试剂板为12*8＝96孔；在试剂板加样的时候，按固定顺序加样；

(2c)、仪器的托盘与试剂板完全契合，并标明试剂板的输入方向，试剂板在放入托盘后被固定住；当试剂板正确放入托盘后，按下装置上的托盘进出按钮，把试剂板送入识别设备中；

(2d)、试剂板送入后，选择所测样品的物体、部位和种类；设备的前端位置设有触摸屏，操作人员根据待测物和所检验药敏性的药品的实际情况进行选择；通过触摸屏软键盘输入待测样品的基本信息，通过输入的相应信息，系统将自动选择相应的模糊神经网络进行识别。

4.根据权利要求1所述的基于模糊神经网络的药敏反应自动识别方法，其特征在于：所述步骤(4)中对所采集得到的待测样本图像进行预处理是指：采用中值滤波法，去除多孔药敏反应信息待测样本图像的噪声，得到无噪声的多孔药敏反应待测样本图像。

5.根据权利要求1所述的基于模糊神经网络的药敏反应自动识别方法，其特征在于：所述步骤(5)中，将含多孔的药敏反应信息图像分割成只含有单孔药敏反应信息的图像是指：试剂板的规格是12*8，摄下的图像中每个孔的位置均固定；按照设定好的尺寸，在固定的坐标位置处分割，得到多幅单孔图像。