CN106056612B - 血液分层识别方法 - Google Patents

血液分层识别方法 Download PDF

Info

Publication number
CN106056612B
CN106056612B CN201610390622.9A CN201610390622A CN106056612B CN 106056612 B CN106056612 B CN 106056612B CN 201610390622 A CN201610390622 A CN 201610390622A CN 106056612 B CN106056612 B CN 106056612B
Authority
CN
China
Prior art keywords
pixels
volume
calibration
location
point
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.)
Active
Application number
CN201610390622.9A
Other languages
English (en)
Other versions
CN106056612A (zh
Inventor
谢仁祥
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.)
Profit Biotechnology (shanghai) Co Ltd
Original Assignee
Profit Biotechnology (shanghai) 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 Profit Biotechnology (shanghai) Co Ltd filed Critical Profit Biotechnology (shanghai) Co Ltd
Priority to CN201610390622.9A priority Critical patent/CN106056612B/zh
Publication of CN106056612A publication Critical patent/CN106056612A/zh
Application granted granted Critical
Publication of CN106056612B publication Critical patent/CN106056612B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06T2207/10004—Still image; Photographic image

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明揭示了一种血液分层识别方法，包括如下步骤：对样品管进行标定；每隔设定单位体积做一个标定，记录其物理高度及对应在图像中的位置；识别样品管中血液的边界；体积计算步骤；通过分段插值的算法计算体积，计算结果时根据像素位置落在的区间来做插值计算；从标定的数据中获取第一校准点的体积V1、像素位置P1，以及第二校准点的体积V2、像素位置P2；待计算点的像素位置为P3，则根据相似三角形计算V3。本发明提出的血液分层识别方法，可利用2台甚至4台摄像机，一次即可拍摄16个样品，速度比激光扫描快几十倍。利用本发明方法无生物安全隐患；每个样品都有图片，如果遇到干扰操作员容易发现。

Description

血液分层识别方法
技术领域
本发明属于血液识别技术领域，涉及一种血液识别方法，尤其涉及一种血液分层识别方法。
背景技术
血液是血浆白细胞和血细胞组成的，由于三者密度不同，在离心后，会分成3层，见图1所示。
人的DNA只在血浆中存在，所以所有DNA测序只需对抽取血浆，在自动化测试中就需要对血浆的体积进行自动判定，由于管子的直径是已知的，问题可以转换成对空气与血浆分层处的高度H1，血浆与白细胞处的高度H2进行判定。
现有血液分层识别通常采用激光扫描法，将样品管通过自动化机械手抓取到测量位置，从上往下扫描，利用不同颜色的液体对激光吸收度不一样的原理找出H1和H2。
现有方法存在如下问题：1.由于需要进行机械运动，测量速度较慢。2.激光会对人眼造成伤害，有生物安全的隐患。3.装置处问题时，操作员无法察觉。
有鉴于此，如今迫切需要设计一种新的识别方法，以便克服现有识别方法存在的上述缺陷。
发明内容
本发明所要解决的技术问题是：提供一种血液分层识别方法，可提高识别效率及精确度。
为解决上述技术问题，本发明采用如下技术方案：
一种血液分层识别方法，所述识别方法包括如下步骤：
步骤S1、对样品管进行标定；
向样品管加入体积为V1的液体，测量其第一物理高度Hphysic1，在固定物距上对样品管进行拍照，在照片上设置感兴趣区域ROI，并记录下其对应的在图像中的位置HpictureCalib1；
每隔设定单位体积做一个标定，记录其物理高度Hphysic，及对应在图像中的位置HpictureCalib，形成标定表；
步骤S2、识别样品管中血液的边界；在固定物距上对样品管进行拍照，在图像的感兴趣区域ROI有2个颜色变化位置；统计感兴趣区域ROI每个高度所有像素的灰度值之和，生成的曲线有两个断崖式下降，从前往后找到第一个往下跳变的位置，从后向前找到第一个向上跳变的位置，从而得到2个分界处的具体图像位置；2个分界处的具体图像位置之差为待计算点的像素位置P3；
该算法由于是基于统计，有非常强的鲁棒性，即使遇到强光干扰，依然能够稳定解码，同时由于其只需对感兴趣区域ROI所有点的灰度值遍历一次，其复杂度为O(n),速度极快；
步骤S3、体积计算步骤；通过分段插值的算法计算体积，计算结果时根据像素位置落在的区间来做插值计算；根据P3在标定表中获取第一校准点、第二校准点，P1<P3<P2；从标定表中获取第一校准点的体积V1、像素位置P1，以及第二校准点的体积V2、像素位置P2；
待计算点的像素位置为P3，则根据相似三角形计算V3如下：
V3＝V1+(P3-P1)/(P2-P1)*(V2-V1)。
一种血液分层识别方法，所述识别方法包括如下步骤：
步骤S1、对样品管进行标定；每隔设定单位体积做一个标定，记录其物理高度及对应在图像中的位置；
步骤S2、识别样品管中血液的边界；在固定物距上对样品管进行拍照，在图像的感兴趣区域ROI有2个颜色变化位置；统计感兴趣区域ROI每个高度所有像素的灰度值之和，生成的像素曲线有两个断崖式下降，像素曲线图中、对应样品管图像自上而下找到第一个往下跳变的位置，像素曲线图中、对应样品管图像自下而上找到第一个向上跳变的位置，从而得到2个分界处的具体图像位置；2个分界处的具体图像位置之差为待计算点的像素位置P3；
步骤S3、体积计算步骤；通过分段插值的算法计算体积，计算结果时根据像素位置落在的区间来做插值计算；根据P3在标定的数据中获取第一校准点、第二校准点；从标定的数据中获取第一校准点的体积V1、像素位置P1，以及第二校准点的体积V2、像素位置P2；
待计算点的像素位置为P3，则根据相似三角形计算V3如下：
V3＝V1+(P3-P1)/(P2-P1)*(V2-V1)。
作为本发明的一种优选方案，步骤S1中，还包括在照片上设置感兴趣区域ROI；每个样品都有固定的位置和一定的体积范围，设置感兴趣区域ROI以减少干扰，加快计算速度。
作为本发明的一种优选方案，步骤S2中，该步骤基于统计，有非常强的鲁棒性，即使遇到强光干扰，依然能够稳定解码，同时由于其只需对感兴趣区域ROI所有点的灰度值遍历一次，其复杂度为O(n),速度极快。
作为本发明的一种优选方案，步骤S1中，标定方法包括：向样品管加入体积为V1的液体，测量其第一物理高度Hphysic1，在固定物距上对样品管进行拍照，并记录下其对应的在图像中的位置HpictureCalib1。
作为本发明的一种优选方案，步骤S3中，P1<P3<P2。
本发明的有益效果在于：本发明提出的血液分层识别方法，可利用2台甚至4台摄像机，一次即可拍摄16个样品，速度比激光扫描快几十倍。利用本发明方法无生物安全隐患；每个样品都有图片，如果遇到干扰(强光，标签、异物遮挡)操作员容易发现；此外，标志位可以手动调整。
附图说明
图1为血液形成的三层组成示意图。
图2为本发明血液分层识别方法的流程图。
图3为本发明方法检测的示意图。
图4为本发明方法中ROI每个高度所有像素的灰度。
图5为本发明方法体积计算的示意图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
实施例一
请参阅图2，本发明揭示了一种血液分层识别方法，所述识别方法包括如下步骤：
【步骤S1】对样品管进行标定。
向样品管加入体积为V1的液体，测量其第一物理高度Hphysic1，在固定物距上对样品管进行拍照，在照片上设置感兴趣区域ROI，并记录下其对应的在图像中的位置HpictureCalib1；
每隔设定单位体积做一个标定，记录其物理高度Hphysic，及对应在图像中的位置HpictureCalib，形成标定表；
【步骤S2】识别样品管中血液的边界。
在固定物距上对样品管进行拍照，在图像的感兴趣区域ROI有2个颜色变化位置，如图3所示。请参阅图4，统计感兴趣区域ROI每个高度所有像素的灰度值之和，生成的曲线有两个断崖式下降，从前往后找到第一个往下跳变的位置，从后向前找到第一个向上跳变的位置，从而得到2个分界处的具体图像位置；2个分界处的具体图像位置之差为待计算点的像素位置P3；
该算法由于是基于统计，有非常强的鲁棒性，即使遇到强光干扰，依然能够稳定解码，同时由于其只需对感兴趣区域ROI所有点的灰度值遍历一次，其复杂度为O(n),速度极快；
【步骤S3】体积计算步骤。
请参阅图5，通过分段插值的算法计算体积，计算结果时根据像素位置落在的区间来做插值计算；根据P3在标定表中获取第一校准点、第二校准点，P1<P3<P2；从标定表中获取第一校准点的体积V1、像素位置P1，以及第二校准点的体积V2、像素位置P2；
待计算点的像素位置为P3，则根据相似三角形计算V3如下：
V3＝V1+(P3-P1)/(P2-P1)*(V2-V1)。
实施例二
一种血液分层识别方法，所述识别方法包括如下步骤：
步骤S1、对样品管进行标定；每隔设定单位体积做一个标定，记录其物理高度及对应在图像中的位置；
步骤S2、识别样品管中血液的边界；在固定物距上对样品管进行拍照，在图像的感兴趣区域ROI有2个颜色变化位置；统计感兴趣区域ROI每个高度所有像素的灰度值之和，生成的像素曲线有两个断崖式下降，像素曲线图中、对应样品管图像自上而下找到第一个往下跳变的位置，像素曲线图中、对应样品管图像自下而上找到第一个向上跳变的位置，从而得到2个分界处的具体图像位置；2个分界处的具体图像位置之差为待计算点的像素位置P3；
步骤S3、体积计算步骤；通过分段插值的算法计算体积，计算结果时根据像素位置落在的区间来做插值计算；根据P3在标定的数据中获取第一校准点、第二校准点；从标定的数据中获取第一校准点的体积V1、像素位置P1，以及第二校准点的体积V2、像素位置P2；
待计算点的像素位置为P3，则根据相似三角形计算V3如下：
V3＝V1+(P3-P1)/(P2-P1)*(V2-V1)。
综上所述，本发明提出的血液分层识别方法，可利用2台甚至4台摄像机，一次即可拍摄16或32个样品，速度比激光扫描快几十倍。利用本发明方法无生物安全隐患；每个样品都有图片，如果遇到干扰(强光，标签、异物遮挡)操作员容易发现；此外，标志位可以手动调整。
这里本发明的描述和应用是说明性的，并非想将本发明的范围限制在上述实施例中。这里所披露的实施例的变形和改变是可能的，对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是，在不脱离本发明的精神或本质特征的情况下，本发明可以以其它形式、结构、布置、比例，以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下，可以对这里所披露的实施例进行其它变形和改变。

Claims (4)

1.一种血液分层识别方法，其特征在于，所述识别方法包括如下步骤：
步骤S1、对样品管进行标定；
向样品管加入体积为V1'的液体，测量其第一物理高度Hphysic1，在固定物距上对样品管进行拍照，在照片上设置感兴趣区域ROI，并记录下其对应的在图像中的位置HpictureCalib1；
每隔设定单位体积做一个标定，记录其物理高度Hphysic，及对应在图像中的位置HpictureCalib，形成标定表；
步骤S2、识别样品管中血液的边界；在固定物距上对样品管进行拍照，在图像的感兴趣区域ROI有2个颜色变化位置；统计感兴趣区域ROI每个高度所有像素的灰度值之和，生成的曲线有两个断崖式下降，从前往后找到第一个往下跳变的位置，从后向前找到第一个向上跳变的位置，从而得到2个分界处的具体图像位置；2个分界处的具体图像位置之差为待计算点的像素位置P3；
步骤S3、体积计算步骤；通过分段插值的算法计算体积，计算结果时根据像素位置落在的区间来做插值计算；根据P3在标定表中获取第一校准点、第二校准点，P1<P3<P2；从标定表中获取第一校准点的体积V1、像素位置P1，以及第二校准点的体积V2、像素位置P2；
待计算点的像素位置为P3，则根据相似三角形计算V3如下：
V3＝V1+(P3-P1)/(P2-P1)*(V2-V1)。
2.一种血液分层识别方法，其特征在于，所述识别方法包括如下步骤：
步骤S1、对样品容器进行标定；每隔设定单位体积做一个标定，记录其物理高度及对应在图像中的位置，形成标定的数据；
步骤S2、识别样品容器中血液的边界；在固定物距上对样品容器进行拍照，在图像的感兴趣区域ROI有2个颜色变化位置；统计感兴趣区域ROI每个高度所有像素的灰度值之和，生成的像素曲线有两个断崖式下降，像素曲线图中、对应样品容器图像自上而下找到第一个往下跳变的位置，像素曲线图中、对应样品容器图像自下而上找到第一个向上跳变的位置，从而得到2个分界处的具体图像位置；2个分界处的具体图像位置之差为待计算点的像素位置P3；
步骤S3、体积计算步骤；通过分段插值的算法计算体积，计算结果时根据像素位置落在的区间来做插值计算；根据P3在标定的数据中获取第一校准点、第二校准点；从标定的数据中获取第一校准点的体积V1、像素位置P1，以及第二校准点的体积V2、像素位置P2；
待计算点的像素位置为P3，则根据相似三角形计算V3如下：
V3＝V1+(P3-P1)/(P2-P1)*(V2-V1)。
3.根据权利要求2所述的血液分层识别方法，其特征在于：
步骤S1中，标定方法包括：向样品容器加入体积为V1'的液体，测量其第一物理高度Hphysic1，在固定物距上对样品容器进行拍照，并记录下其对应的在图像中的位置HpictureCalib1。
4.根据权利要求2所述的血液分层识别方法，其特征在于：
步骤S3中，P1<P3<P2。
CN201610390622.9A 2016-06-03 2016-06-03 血液分层识别方法 Active CN106056612B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610390622.9A CN106056612B (zh) 2016-06-03 2016-06-03 血液分层识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610390622.9A CN106056612B (zh) 2016-06-03 2016-06-03 血液分层识别方法

Publications (2)

Publication Number Publication Date
CN106056612A CN106056612A (zh) 2016-10-26
CN106056612B true CN106056612B (zh) 2019-01-11

Family

ID=57169476

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610390622.9A Active CN106056612B (zh) 2016-06-03 2016-06-03 血液分层识别方法

Country Status (1)

Country Link
CN (1) CN106056612B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110132961A (zh) * 2018-02-09 2019-08-16 宝山钢铁股份有限公司 快速测定脱硫循环浆液中石膏石灰石及烟尘比例的方法
CN110643565A (zh) * 2018-06-26 2020-01-03 深圳市北科生物科技有限公司 基于视觉识别的高可靠细胞自动分离方法及其装置
CN110363719B (zh) * 2019-07-01 2021-07-27 湖南开启时代智能科技有限公司 一种细胞分层图像处理方法及系统
CN110986775A (zh) * 2019-12-18 2020-04-10 上海纳奥生物科技有限公司 一种离心样本分层液体体积获取方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6077442A (en) * 1996-11-19 2000-06-20 Sarstedt Ag & Co. Automatically pressing a filter into a blood-collection tube
CN102985181A (zh) * 2010-02-17 2013-03-20 罗伯特·A·莱温 使用阵列成像系统成像和分析离心分析管来执行血液学分析的方法和设备
CN103776768A (zh) * 2013-10-25 2014-05-07 北京倍肯恒业科技发展有限责任公司 一种干式血液细胞分析方法
US20150024426A1 (en) * 2012-03-12 2015-01-22 Biosurfit S.A. Blood cell counting device and method
CN104662559A (zh) * 2012-05-14 2015-05-27 高斯外科公司 用于估计液体罐中的血液成分的量的系统和方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6077442A (en) * 1996-11-19 2000-06-20 Sarstedt Ag & Co. Automatically pressing a filter into a blood-collection tube
CN102985181A (zh) * 2010-02-17 2013-03-20 罗伯特·A·莱温 使用阵列成像系统成像和分析离心分析管来执行血液学分析的方法和设备
US20150024426A1 (en) * 2012-03-12 2015-01-22 Biosurfit S.A. Blood cell counting device and method
CN104662559A (zh) * 2012-05-14 2015-05-27 高斯外科公司 用于估计液体罐中的血液成分的量的系统和方法
CN103776768A (zh) * 2013-10-25 2014-05-07 北京倍肯恒业科技发展有限责任公司 一种干式血液细胞分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于定量离心分层技术的快速血液检测关键技术与装置研究;崔秀美;《中国博士学位论文全文数据库 医药卫生科技辑》;20131115;正文第四章 *

Also Published As

Publication number Publication date
CN106056612A (zh) 2016-10-26

Similar Documents

Publication Publication Date Title
CN106056612B (zh) 血液分层识别方法
CN107347151B (zh) 双目摄像头遮挡检测方法及装置
CN104079827B (zh) 一种光场成像自动重对焦方法
TWI416945B (zh) 影像處理裝置、影像處理方法及電腦可讀取媒體
CN106197612B (zh) 一种基于机器视觉的透明瓶装液位检测方法
CN107358627B (zh) 基于Kinect相机的果实尺寸检测方法
CN105407265B (zh) 可互换透镜装置、图像捕获装置和控制方法
CN107631782B (zh) 一种基于Harris角点检测的水位检测方法
CN106017367B (zh) 一种郁闭度的测定方法和装置
JP2010093422A (ja) 撮像装置
CN109657607B (zh) 一种基于人脸识别的人脸目标测距方法、装置及存储介质
CN110246124A (zh) 基于深度学习的目标尺寸测量方法及系统
CN105744268A (zh) 摄像头遮挡检测方法及装置
CN105812790B (zh) 图像传感器感光面与光轴垂直度的评测方法及光学测试卡
CN104748791B (zh) 采用图像视觉处理技术的水环境监测装置的工作方法
JP2010510543A (ja) 合焦支援システムおよび合焦支援方法
CN106023153B (zh) 一种测量水体中气泡的方法
WO2021115239A1 (zh) 藻类分析方法
CN101930606A (zh) 一种图像边缘检测的景深扩展方法
CN104200457A (zh) 基于广角摄像的离散型冠层叶面积指数检测系统和方法
CN104766310B (zh) 光源检测系统和检测方法
CN108830881B (zh) 一种运动生物的视频追踪方法和装置
CN111257186A (zh) 渗流体积的测量方法及装置
CN105806780A (zh) 基于多视觉的小通道气液两相流相含率测量系统和方法
CN104866837B (zh) 字画微观纹理的图像采集装置及其采集方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant