CN107228942B - 基于稀疏自编码神经网络的荧光免疫层析检测方法及装置 - Google Patents

基于稀疏自编码神经网络的荧光免疫层析检测方法及装置 Download PDF

Info

Publication number
CN107228942B
CN107228942B CN201710646398.XA CN201710646398A CN107228942B CN 107228942 B CN107228942 B CN 107228942B CN 201710646398 A CN201710646398 A CN 201710646398A CN 107228942 B CN107228942 B CN 107228942B
Authority
CN
China
Prior art keywords
fluorescence
neural network
sparse
immune chromatography
detection
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
CN201710646398.XA
Other languages
English (en)
Other versions
CN107228942A (zh
Inventor
姜海燕
陈建国
杜民
李玉榕
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.)
Fuzhou University
Original Assignee
Fuzhou University
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 Fuzhou University filed Critical Fuzhou University
Priority to CN201710646398.XA priority Critical patent/CN107228942B/zh
Publication of CN107228942A publication Critical patent/CN107228942A/zh
Application granted granted Critical
Publication of CN107228942B publication Critical patent/CN107228942B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
    • G01N33/558—Immunoassay; Biospecific binding assay; Materials therefor using diffusion or migration of antigen or antibody
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
    • G01N33/531—Production of immunochemical test materials
    • G01N33/532—Production of labelled immunochemicals
    • G01N33/533—Production of labelled immunochemicals with fluorescent label
    • 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
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Hematology (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Urology & Nephrology (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Medicinal Chemistry (AREA)
  • Computational Linguistics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Microbiology (AREA)
  • Food Science & Technology (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Biotechnology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Cell Biology (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明涉及一种基于稀疏自编码神经网络的荧光免疫层析检测方法及装置。该装置包括光电信号检测单元、机械扫描单元、STM32微处理器控制单元及建立有荧光检测稀疏自编码神经网络模块和荧光免疫层析检测数据数据库的计算机；机械扫描单元控制荧光试条的移动，光电信号检测单元检测荧光试条在移动中的荧光强度变化，并转换为电信号数据，而后经由STM32微处理器控制单元传输给计算机进行滤波处理消除包括基线的背景干扰，通过荧光检测稀疏自编码神经网络模块和荧光免疫层析检测数据数据库进行数据分析，获得荧光免疫层析检测结果。本发明避免了对检测数据的特征值提取，可以直接根据检测数据，通过分层的方式学习数据的特征表示，提高荧光免疫层析检测效果。

Description

基于稀疏自编码神经网络的荧光免疫层析检测方法及装置
技术领域
本发明荧光测流免疫层析检测技术领域，具体涉及一种基于稀疏自编码神经网络的荧光免疫层析检测方法及装置。
背景技术
荧光免疫层析技术是在侧流免疫层析技术(Lateral flow immunoassay，LFIA)的基础上，采用纳米荧光颗粒作为示踪标记物进行检测的方法。该方法灵敏度、特异度高，可重复性和稳定性好，动态检测范围广，而且能即时得出结果、适用于单人份测定等优势。荧光免疫层析技术作为一种快速检测方法，可应用在生物医学、临床、食品安全等多个领域，其检测技术的研究具有重要的意义。
目前荧光免疫层析的临床可测定项目包括心肌肌钙蛋白I、肌红蛋白、肌酸激酶同工酶、微量白蛋白、绒毛膜促性腺激素及β亚单位的含量等。农产品食品安全的检测项目包括激素类如氯霉素、链霉素、磺胺类、四环素类等，真菌毒素类如黄曲霉素B1、黄曲霉素M1及玉米赤霉烯酮等。
荧光免疫层析检测技术主要利用样品的荧光光谱特性，目前荧光免疫层析检测技术主要采用光电检测和图像检测两种方式，在图像检测的荧光免疫层析检测中，图像特征量选取多以灰度值进行数据算法分析，检测精度相较于光电检测的方法低。而上述两种传统检测方法中，均需要进行特征值的提取以进行数据分析。而深度神经网络在模式分类领域，由于避免了对图像的复杂前期预处理，可以直接输入原始图像，通过分层的方式学习图像的特征表示，因而得到了更为广泛的应用。
发明内容
本发明的目的在于提供一种基于稀疏自编码神经网络的荧光免疫层析检测方法及装置，该方法避免了对检测数据的特征值提取，可以直接根据检测数据，通过分层的方式学习数据的特征表示，提高荧光免疫层析检测效果。
为实现上述目的，本发明的技术方案是：一种基于稀疏自编码神经网络的荧光免疫层析检测方法，包括如下步骤，
S1、采集荧光层析试条检测数据及检测结果作为训练数据，建立多层的深度稀疏自编码神经网络模型，采用训练数据对网络模型进行训练；
S2、将荧光试条放入荧光免疫层析试条检测装置的移动平台，由步进电机驱动移动平台的前后移动，同时光电检测模块将荧光强度变化转换成电信号数据；
S3、采集步骤S2转换的电信号数据，并将采集到的电信号数据传送到计算机，进行滤波处理消除包括基线的背景干扰；
S4、将采集到的电信号数据作为步骤S1建立的深度稀疏自编码神经网络模型的输入；
S5、采用深度稀疏自编码神经网络模型进行数据分析与处理，得到荧光免疫层析检测结果。
在本发明一实施例中，所述步骤S1中，建立的深度稀疏自编码神经网络模型，其激活函数采用sigmoid函数f(z)＝1/(1+e^(-z))，为实现稀疏性限制，其代价目标函数为：
其中，W,b是神经网络模型参数，m是样本例数，hw，b(xi)是第i组样本神经网络输出层的输出值，yi是第i组样本对应输出值；β是控制稀疏性限制惩罚项的系数，ρ是稀疏值，是隐藏神经元j的平均激活值，s2是隐藏层中隐藏神经元的数量，是ρ与间的相对熵。
在本发明一实施例中，所述ρ取0.05。
本发明还提供了一种基于稀疏自编码神经网络的荧光免疫层析检测装置，包括光电信号检测单元、机械扫描单元、STM32微处理器控制单元及计算机，该计算机建立有荧光检测稀疏自编码神经网络模块和荧光免疫层析检测数据数据库；STM32微处理器控制单元通过机械扫描单元控制荧光试条的移动，光电信号检测单元用于检测荧光试条在移动中的荧光强度变化，并转换为电信号数据，而后经由STM32微处理器控制单元传输给计算机进行滤波处理消除包括基线的背景干扰，而后通过荧光检测稀疏自编码神经网络模块和荧光免疫层析检测数据数据库进行数据分析，获得荧光免疫层析检测结果。
在本发明一实施例中，所述机械扫描单元包括用于放置荧光试条的移动平台及驱动该移动平台前后移动的步进电机。
在本发明一实施例中，所述光电信号检测单元包括激发光源、光电二极管、接收光纤、发射光纤、滤光片、匀光片，激发光源发射激发光通过发射光纤照射至荧光试条上，接收光纤用于接收荧光试条产生的荧光，经滤光片后进入硅光电管。
在本发明一实施例中，所述接收光纤的光纤头为扁平的椭圆形，并与荧光层新试条检测区的检测线相匹配，发射光纤为6条，该6条发射光纤均匀的分布在接收光纤周围，经匀光片后用于激发荧光试条。
在本发明一实施例中，还包括一与所述STM32微处理器控制单元连接的存储单元。
相较于现有技术，本发明具有以下有益效果：本发明避免了对检测数据的特征值提取，可以直接根据检测数据，通过分层的方式学习数据的特征表示，提高荧光免疫层析检测效果。
附图说明
图1为本发明荧光免疫层析检测整体框图。
图2为本发明荧光免疫层析光电检测系统示意图。
图3为本发明接收光纤光纤头、发射光纤光纤头截面示意图。
图4为本发明荧光免疫层析检测装置工作流程图。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
本发明的一种基于稀疏自编码神经网络的荧光免疫层析检测方法，包括如下步骤，
S1、采集荧光层析试条检测数据及检测结果作为训练数据，建立多层的深度稀疏自编码神经网络模型，采用训练数据对网络模型进行训练；
S2、将荧光试条放入荧光免疫层析试条检测装置的移动平台，由步进电机驱动移动平台的前后移动，同时光电检测模块将荧光强度变化转换成电信号数据；
S3、采集步骤S2转换的电信号数据，并将采集到的电信号数据传送到计算机，进行滤波处理消除包括基线的背景干扰；
S4、将采集到的电信号数据作为步骤S1建立的深度稀疏自编码神经网络模型的输入；
S5、采用深度稀疏自编码神经网络模型进行数据分析与处理，得到荧光免疫层析检测结果。
所述步骤S1中，建立的深度稀疏自编码神经网络模型，其激活函数采用sigmoid函数f(z)＝1/(1+e^(-z))，为实现稀疏性限制，其代价目标函数为：
其中，W,b是神经网络模型参数，m是样本例数，hw，b(xi)是第i组样本神经网络输出层的输出值，yi是第i组样本对应输出值；β是控制稀疏性限制惩罚项的系数，ρ是稀疏值，是隐藏神经元j的平均激活值，s2是隐藏层中隐藏神经元的数量，是ρ与间的相对熵。所述ρ取0.05。
本发明还提供了一种基于稀疏自编码神经网络的荧光免疫层析检测装置，包括光电信号检测单元、机械扫描单元、STM32微处理器控制单元及计算机，该计算机建立有荧光检测稀疏自编码神经网络模块和荧光免疫层析检测数据数据库；STM32微处理器控制单元通过机械扫描单元控制荧光试条的移动，光电信号检测单元用于检测荧光试条在移动中的荧光强度变化，并转换为电信号数据，而后经由STM32微处理器控制单元传输给计算机进行滤波处理消除包括基线的背景干扰，而后通过荧光检测稀疏自编码神经网络模块和荧光免疫层析检测数据数据库进行数据分析，获得荧光免疫层析检测结果。还包括一与所述STM32微处理器控制单元连接的存储单元。
所述机械扫描单元包括用于放置荧光试条的移动平台及驱动该移动平台前后移动的步进电机。所述光电信号检测单元包括激发光源、光电二极管、接收光纤、发射光纤、滤光片、匀光片，激发光源发射激发光通过发射光纤照射至荧光试条上，接收光纤用于接收荧光试条产生的荧光，经滤光片后进入硅光电管。所述接收光纤的光纤头为扁平的椭圆形，并与荧光层新试条检测区的检测线相匹配，发射光纤为6条，该6条发射光纤均匀的分布在接收光纤周围，经匀光片后用于激发荧光试条。
以下为本发明的具体实现过程。
本发明的一种基于稀疏自编码神经网络的荧光免疫层析检测方法，包括以下步骤：
(1)采集一定数量的荧光层析试条检测数据及检测结果作为训练数据，建立一个多层的深度稀疏自编码神经网络模型，采用训练数据对网络模型进行训练。
(2)将荧光试条放入荧光免疫层析试条检测装置，由步进电机驱动移动平台的前后移动，同时光电检测模块将荧光强度变化转换成电信号。
(3)并通过STM32的A/D接口采集，并将采集到的数据传送到计算机，进行滤波等处理消除基线和其他背景干扰。
(4)将采集到的数据作为稀疏自编码神经网络的输入。
(5)采用稀疏自编码神经网络进行数据分析与处理，得到荧光免疫层析检测结果。
本发明还提供了一种基于稀疏自编码神经网络的荧光免疫层析检测装置，其特征在于：包括光电信号检测单元，机械扫描单元，STM32微处理器控制系统以及计算机的数据处理与分析及数据管理平台。扫描仪采用STM32微处理器作为控制系统，并采用稀疏自编码神经网络进行数据训练与分析，获得检测结果。
荧光免疫层析检测装置框图如图1所示。主要包括光电信号检测单元，机械扫描单元，STM32微处理器控制系统以及在计算机上建立的荧光检测稀疏自编码神经网络模型和荧光免疫层析检测数据数据库。
扫描仪采用STM32微处理器作为控制系统，检测时由步进电机驱动移动平台的前后移动，同时光电检测模块将荧光强度变化转换成电信号，并通过STM32的A/D接口采集。并将采集到的数据传送到计算机，进行滤波等处理以消除基线和其他背景干扰。在计算机上存储有荧光免疫层析检测数据及对应检测结果的数据库，并利用该数据库建立稀疏自编码神经网络。将采集到的数据作为稀疏自编码神经网络的输入，采用稀疏自编码神经网络进行数据分析，获得检测结果。
激发光光电检测模块是集激发光源2、硅光电管1、接收光纤3、发射光纤4、滤光片5、匀光片6为一体的模块，见图2。根据荧光的光谱特性，激发光源采用紫外光LED，为了获得均匀的激发光照，提高检测准确度，发射光纤4和接收光纤3的结构如图3图所示。接收光纤光纤头为扁平的椭圆形状，与荧光层析试条检测区的检测线相匹配，以提高检测线区域的灵敏度。6个发射光纤光纤头均匀分布在接收光纤的周围，经匀光片后用于激发荧光试条。硅光电管1选用对荧光波长感应敏感的硅光电二极管，提高检测准确度和精度。
如图4所示，为本发明荧光免疫层析检测流程图，检测开始时，试条7在光电检测模块的紫外激发光的激发下发射荧光。步进电机驱动移动平台的前后移动，同时光电检测模块将荧光强度的变化转换成电信号，并通过STM32的A/D接口采集，并将采集到的数据传送到计算机。计算机先将采集到的数据进行滤波等处理后，作为稀疏自编码神经网络的输入，通过分层的方式学习数据的特征表示，提高荧光免疫层析检测效果。
本发明中建立的荧光免疫层析检测装置的稀疏自编码神经网络模型，其激活函数采用sigmoid函数f(z)＝1/(1+e^(-z))。为了实现稀疏性限制，代价目标函数为：
其中，W,b是神经网络模型参数，m是样本例数，hw，b(xi)是第i组样本神经网络输出层的输出值，yi是第i组样本对应输出值；β是控制稀疏性限制惩罚项的系数，ρ是稀疏值，是隐藏神经元j的平均激活值，s2是隐藏层中隐藏神经元的数量，是ρ与间的相对熵。所述ρ取0.05。
采用一定数量的荧光层析试条检测数据及对应检测结果作为训练数据，采集处理后的数据作为输入，检测结果作为标签。采用训练数据对神经网络模型各个隐含层进行逐层训练，得到稀疏子自编码网络模型的w,b等参数。
将采集到的数据作为稀疏自编码神经网络的输入。采用稀疏自编码神经网络进行数据分析与处理，得到荧光免疫层析检测结果。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (6)

1.一种基于稀疏自编码神经网络的荧光免疫层析检测方法，其特征在于：包括如下步骤，
S1、采集荧光层析试条检测数据及检测结果作为训练数据，建立多层的深度稀疏自编码神经网络模型，采用训练数据对网络模型进行训练；
S2、将荧光试条放入荧光免疫层析试条检测装置的移动平台，由步进电机驱动移动平台的前后移动，同时光电检测模块将荧光强度变化转换成电信号数据；
S3、采集步骤S2转换的电信号数据，并将采集到的电信号数据传送到计算机，进行滤波处理消除包括基线的背景干扰；
S4、将采集到的电信号数据作为步骤S1建立的深度稀疏自编码神经网络模型的输入；
S5、采用深度稀疏自编码神经网络模型进行数据分析与处理，得到荧光免疫层析检测结果；
所述步骤S1中，建立的深度稀疏自编码神经网络模型，其激活函数采用sigmoid函数f(z)＝1/(1+e^(-z))，为实现稀疏性限制，其代价目标函数为：
其中，W,b是神经网络模型参数，m是样本例数，hw，b(xi)是第i组样本神经网络输出层的输出值，yi是第i组样本对应输出值；β是控制稀疏性限制惩罚项的系数，ρ是稀疏值，是隐藏神经元j的平均激活值，s2是隐藏层中隐藏神经元的数量，是ρ与间的相对熵；所述ρ取0.05。
2.一种基于稀疏自编码神经网络的荧光免疫层析检测装置，其特征在于：包括光电信号检测单元、机械扫描单元、STM32微处理器控制单元及计算机，该计算机建立有荧光检测稀疏自编码神经网络模块和荧光免疫层析检测数据数据库；STM32微处理器控制单元通过机械扫描单元控制荧光试条的移动，光电信号检测单元用于检测荧光试条的荧光强度变化，并转换为电信号数据，而后经由STM32微处理器控制单元传输给计算机进行滤波处理消除包括基线的背景干扰，而后通过荧光检测稀疏自编码神经网络模块和荧光免疫层析检测数据数据库进行数据分析，获得荧光免疫层析检测结果；所述荧光检测稀疏自编码神经网络模块建立的深度稀疏自编码神经网络模型，其激活函数采用sigmoid函数f(z)＝1/(1+e^(-z))，为实现稀疏性限制，其代价目标函数为：
其中，W,b是神经网络模型参数，m是样本例数，hw，b(xi)是第i组样本神经网络输出层的输出值，yi是第i组样本对应输出值；β是控制稀疏性限制惩罚项的系数，ρ是稀疏值，是隐藏神经元j的平均激活值，s2是隐藏层中隐藏神经元的数量，是ρ与间的相对熵；所述ρ取0.05。
3.根据权利要求2所述的基于稀疏自编码神经网络的荧光免疫层析检测装置，其特征在于：所述机械扫描单元包括用于放置荧光试条的移动平台及驱动该移动平台前后移动的步进电机。
4.根据权利要求2所述的基于稀疏自编码神经网络的荧光免疫层析检测装置，其特征在于：所述光电信号检测单元包括激发光源、光电二极管、接收光纤、发射光纤、滤光片、匀光片，激发光源发射激发光通过发射光纤照射至荧光试条上，接收光纤用于接收荧光试条产生的荧光，经滤光片后进入硅光电管。
5.根据权利要求4所述的基于稀疏自编码神经网络的荧光免疫层析检测装置，其特征在于：所述接收光纤的光纤头为扁平的椭圆形，并与荧光层新试条检测区的检测线相匹配，发射光纤为6条，该6条发射光纤均匀的分布在接收光纤周围，经匀光片后用于激发荧光试条。
6.根据权利要求2所述的基于稀疏自编码神经网络的荧光免疫层析检测装置，其特征在于：还包括一与所述STM32微处理器控制单元连接的存储单元。
CN201710646398.XA 2017-08-01 2017-08-01 基于稀疏自编码神经网络的荧光免疫层析检测方法及装置 Active CN107228942B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710646398.XA CN107228942B (zh) 2017-08-01 2017-08-01 基于稀疏自编码神经网络的荧光免疫层析检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710646398.XA CN107228942B (zh) 2017-08-01 2017-08-01 基于稀疏自编码神经网络的荧光免疫层析检测方法及装置

Publications (2)

Publication Number Publication Date
CN107228942A CN107228942A (zh) 2017-10-03
CN107228942B true CN107228942B (zh) 2018-10-30

Family

ID=59956739

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710646398.XA Active CN107228942B (zh) 2017-08-01 2017-08-01 基于稀疏自编码神经网络的荧光免疫层析检测方法及装置

Country Status (1)

Country Link
CN (1) CN107228942B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110057918B (zh) * 2019-05-29 2020-11-06 山东大学 强噪声背景下的复合材料损伤定量识别方法及系统
CN111103275B (zh) * 2019-12-24 2021-06-01 电子科技大学 Pat先验信息辅助的基于cnn和自适应ekf的动态fmt重建方法
CN112466468B (zh) * 2020-11-27 2024-04-23 深圳市锦欣医疗科技创新中心有限公司 一种基于稀疏编码的免疫水平预测系统、装置和存储介质
CN112816687B (zh) * 2020-12-31 2022-04-22 华南农业大学 一种利用机器学习进行图像匹配的广谱免疫传感器
CN115468941B (zh) * 2022-09-24 2024-09-06 福州大学 基于轨迹优化的荧光免疫层析试条检测系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101034062A (zh) * 2007-02-14 2007-09-12 上海新波生物技术有限公司 层析试条扫描检测方法及其扫描检测仪
CN102087214A (zh) * 2010-12-31 2011-06-08 广州万孚生物技术有限公司 荧光定量检测仪
CN102692498A (zh) * 2012-06-11 2012-09-26 华中农业大学 磺胺类药物残留检测试剂条自动读码装置及其方法
CN106447039A (zh) * 2016-09-28 2017-02-22 西安交通大学 基于自编码神经网络的无监督特征提取方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008146056A1 (en) * 2007-05-30 2008-12-04 Ruder Boskovic Institute A method for determining importance of fractions of biological mixtures separated by a chromatographic method for discrimination of cell or tissue physiological conditions

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101034062A (zh) * 2007-02-14 2007-09-12 上海新波生物技术有限公司 层析试条扫描检测方法及其扫描检测仪
CN102087214A (zh) * 2010-12-31 2011-06-08 广州万孚生物技术有限公司 荧光定量检测仪
CN102692498A (zh) * 2012-06-11 2012-09-26 华中农业大学 磺胺类药物残留检测试剂条自动读码装置及其方法
CN106447039A (zh) * 2016-09-28 2017-02-22 西安交通大学 基于自编码神经网络的无监督特征提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
小波变换在基于图像处理的金免疫层析测定中的应用;姜海燕 等;《福州大学学报( 自然科学版)》;20110430;第39卷(第2期);第222-226页 *

Also Published As

Publication number Publication date
CN107228942A (zh) 2017-10-03

Similar Documents

Publication Publication Date Title
CN107228942B (zh) 基于稀疏自编码神经网络的荧光免疫层析检测方法及装置
US11861889B2 (en) Analysis device
Qin et al. Line-scan hyperspectral imaging techniques for food safety and quality applications
US6122042A (en) Devices and methods for optically identifying characteristics of material objects
KR20200115590A (ko) 서열화 디바이스들을 위한 머신 학습 가능형 펄스 및 염기 호출
CN104931470B (zh) 一种基于荧光高光谱技术的农药残留检测装置及检测方法
CN103308676B (zh) 金标条阅读仪及检测方法
CN107944504B (zh) 木板识别及木板识别的机器学习方法、装置及电子设备
CN109858477A (zh) 用深度森林在复杂环境中识别目标物的拉曼光谱分析方法
CN102590129B (zh) 近红外检测花生中氨基酸含量的方法
CN105181912A (zh) 一种大米储藏过程中的新鲜度检测方法
CN102854194A (zh) 基于线阵ccd的物件表面缺陷检测方法及装置
US9448171B2 (en) Security aspects of multiexponential decays
CN103003660A (zh) 用于提高颗粒成像设备中的测量准确度的装置、系统和方法
CN104568824A (zh) 基于可见/近红外光谱的虾类新鲜度等级检测方法及装置
Wang et al. A portable time-domain LED fluorimeter for nanosecond fluorescence lifetime measurements
CN108593567A (zh) 基于智能手机的食品质量检测方法及系统
CN207636508U (zh) 一种单板缺陷检测系统及设备
CN108802376A (zh) 一种上转换荧光试纸的定量检测方法及装置
CN102387631B (zh) 一种免疫层析判读记录仪中光照度的自动判断和调整方法
Fauch et al. Recovery of reflection spectra in a multispectral imaging system with light emitting diodes
CN102788796A (zh) 基于高光谱图像及荧光图像多信息融合的作物氮营养诊断装置及方法
CN202372445U (zh) 一种荧光检测系统
CN112326615B (zh) 一种全自动岩屑荧光成像方法、系统、终端设备及存储介质
EP3526589A1 (en) Method and apparatus for detecting an analyte

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
GR01 Patent grant
GR01 Patent grant