CN109241970B - 尿检方法、移动终端及计算机可读存储介质 - Google Patents
尿检方法、移动终端及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109241970B CN109241970B CN201811141840.4A CN201811141840A CN109241970B CN 109241970 B CN109241970 B CN 109241970B CN 201811141840 A CN201811141840 A CN 201811141840A CN 109241970 B CN109241970 B CN 109241970B
- Authority
- CN
- China
- Prior art keywords
- urine test
- component
- contour
- preset
- description file
- 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
Links
- 238000009535 clinical urine test Methods 0.000 title claims abstract description 127
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000013598 vector Substances 0.000 claims abstract description 48
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000006243 chemical reaction Methods 0.000 claims description 60
- 238000003066 decision tree Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000007637 random forest analysis Methods 0.000 claims description 15
- 238000002562 urinalysis Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 210000002700 urine Anatomy 0.000 abstract description 13
- 238000012545 processing Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 239000003086 colorant Substances 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000016087 ovulation Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000009597 pregnancy test Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
Abstract
本发明公开了一种尿检方法、移动终端及计算机可读存储介质，该方法包括：响应用户的选择操作获取尿检项目及获取该尿检项目对应的尿检试纸的待识别图像；在预先存储的试纸的特征描述文件中获取该尿检项目对应试纸的特征描述文件；根据特征描述文件获取待识别图像的感兴趣区域；提取感兴趣区域的特征向量；将特征向量送入预先训练好的分类器中，得到该特征向量对应的分类值；根据预先存储的分类值和特征档位之间的对应关系确定该分类值对应的特征档位；将识别分类值及特征档位发送至服务器，及接收服务器发送的对识别分类值及特征档位的检测结果。本发明可使用户随时随地做尿检，避免去医院检查的复杂流程及费用，提前发现问题。
Description
技术领域
本发明涉及移动尿检技术领域，具体而言，涉及一种尿检方法、移动终端及计算机可读存储介质。
背景技术
随着移动互联网、计算机视觉及图像处理等技术的蓬勃发展，计算机的计算能力越来越强，通过计算机技术进行尿检受到越来越多的关注，通过计算机技术进行尿检不但精度高，而且更自动、更快捷、更方便、成本更低。
在传统尿常规检测中，检测者去医院进行尿液检测，而检测结果是由医师靠专业仪器的比较得到，而仪器的操作、维护、校准复杂，成本高昂，对光源稳定性、环境温度湿度都有较高要求。检测者去医院进行检测流程繁琐，费时费力。
而在现有的在移动尿检领域，进行试纸色块定位主要是把试纸放置在有定位标识的卡槽中，靠卡槽上面固定的位置标识来定位试纸色块，这种定位方式需要将试纸固定放置，对用户操作要求较高，特别对年龄大的用户来说，操作比较繁琐，除此之外，卡槽的使用也增加了使用成本。
发明内容
鉴于上述问题，本发明实施例的目的在于提供一种尿检方法、移动终端及计算机可读存储介质，以解决现有技术的不足。
根据本发明的一个实施方式，提供一种尿检方法，包括：
响应用户的选择操作获取尿检项目及获取该尿检项目对应的尿检试纸的待识别图像；
在预先存储的试纸的特征描述文件中获取该尿检项目对应试纸的特征描述文件；
根据所述特征描述文件获取所述待识别图像的感兴趣区域；
提取所述感兴趣区域的特征向量；
将所述特征向量送入预先训练好的该尿检项目对应的分类器中，得到该特征向量对应的分类值；
根据预先存储的分类值和特征档位之间的对应关系确定该分类值对应的特征档位；
将所述识别分类值及所述特征档位发送至服务器，及接收所述服务器发送的对所述识别分类值及所述特征档位的检测结果。
在上述的尿检方法中，所述尿检试纸包括两定位块和预定数量的反应块，所述两定位块分别位于所述尿检试纸的两端，所述预定数量的反应块分别根据预设分布间距等距分布在所述两定位块之间；
所述“根据所述特征描述文件获取所述待识别图像的感兴趣区域”包括：
提取所述待识别图像中的所述定位块及反应块的轮廓；
将各个轮廓的特征与所述特征描述文件中的特征进行对比，根据对比结果在各个轮廓中识别出所述定位块对应的轮廓；
以所述定位块对应的轮廓为基准，获取两定位块之间的所述反应块的预定区域作为感兴趣区域。
在上述的尿检方法中，所述“提取所述待识别图像中的所述定位块及反应块的轮廓”之前还包括：
将所述待识别图像转换成HSV色域空间，并将HSV色域空间进行通道拆分，获取S通道分量，及提取所述S通道分量中的所有轮廓。
在上述的尿检方法中，所述“将各个轮廓的特征与所述特征描述文件中的特征进行对比，根据对比结果在各个轮廓中识别出所述定位块的轮廓”包括：
识别各个轮廓的颜色值、轮廓的长宽比；
将各个颜色值分别和所述特征描述文件中预定颜色值进行对比及将各个轮廓的长宽比分别和所述特征描述文件中预定长宽比进行对比；
将所述颜色值和所述预定颜色值相同且所述轮廓的长宽比和所述预定长宽比相同的轮廓识别为所述定位块对应的轮廓。
在上述的尿检方法中，所述“以所述定位块的轮廓为基准，获取两定位块之间的所述反应块的预定区域作为感兴趣区域”包括：
计算两个定位块对应的轮廓之间两距离最近的侧边的中心点，及计算两中心点之间的距离；
根据所述预设分布间距及反应块的尺寸得到预定数量的反应块区域；
在每一反应块区域，以该反应块区域的质点为中心，提取预设区域作为感兴趣区域。
在上述的尿检方法中，所述“提取所述感兴趣区域的特征向量”包括：
将所述感兴趣区域的图像的色域空间转换为HSV色域矩阵及LAB色域矩阵；
将所述HSV色域矩阵及所述LAB色域矩阵进行通道拆分，获取H分量、S分量、V分量、L分量、A分量及B分量，及将所述H分量、S分量、V分量、L分量、A分量及B分量组成一特征向量。
在上述的尿检方法中，所述“将所述感兴趣区域的图像的色域空间转换为HSV色域矩阵及LAB色域矩阵”包括：
以所述尿检试纸的白色部分为基准对将所述感兴趣区域的图像进行白平衡处理；
及将经过白平衡处理的感兴趣区域的图像转换为HSV色域矩阵及LAB色域矩阵。
在上述的尿检方法中，所述分类器为随机森林分类器。
在上述的尿检方法中，所述预先训练好的分类器通过如下方式获得：
根据所述感兴趣区域的特征向量及该特征向量对应的分类，构造多棵决策树分类器；
通过预先存储的训练样本对所述多棵决策树分类器进行训练，并根据训练结果调整所述决策树分类器中的属性节点，重复执行训练过程直至所述决策树分类器的分类准确率达到预设阈值；
将训练好的所述多棵决策树组合为一随机森林分类器。
在上述的尿检方法中，每棵决策树分类器的构造过程包括：
根据预定数量的构建样本，计算所述特征向量中每一分量的信息增益；
选取信息增益最大的分量作为根属性节点，及根据所述根属性节点的测试结果将所述预定数量的构建样本划分为不同的子集；
在每一子集的构建样本中，计算除根属性节点对应的分量外剩余的所有分量的信息增益，将信息增益最大的分量作为该子集的子属性节点，递归划分子集及产生子属性节点的过程直至划分的子集中所有构建样本均指向同一分类。
根据本发明的另一个实施方式，提供一种尿检装置，包括：
第一获取模块，用于响应用户的选择操作获取尿检项目及获取该尿检项目对应的尿检试纸的待识别图像；
第二获取模块，用于在预先存储的试纸的特征描述文件中获取该尿检项目对应试纸的特征描述文件；
第三获取模块，用于根据所述特征描述文件获取所述待识别图像的感兴趣区域；
提取模块，用于提取所述感兴趣区域的特征向量；
分类模块，用于将所述特征向量送入预先训练好的该尿检项目对应的分类器中，得到该特征向量对应的识别分类值；
确定模块，用于根据预先存储的分类值和特征档位之间的对应关系确定该识别分类值对应的特征档位；
发送接收模块，用于将所述识别分类值及所述特征档位发送至服务器，及接收服务器发送的对所述识别分类值及所述特征档位的检测结果。
根据本发明的又一个实施方式，提供一种移动终端，所述移动终端包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述移动终端执行上述的尿检方法。
根据本发明的再一个实施方式，提供一种计算机可读存储介质，其存储有上述的移动终端中所使用的所述计算机程序。
本公开的实施例提供的技术方案可以包括如下有益效果：
本发明中一种尿检方法、移动终端及计算机可读存储介质，可使用户随时随地做尿检，避免去医院检查的复杂流程及费用；将机器学习应用到尿检领域，通过深度学习的思想，建立尿检试纸分类器，得到尿检试纸特征向量同分类值之间的关系，提高识别精度、提升匹配识别效率，有效节约时间成本，为患者早发现问题争取时间。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明保护范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本发明第一实施例提供的一种尿检方法的流程示意图。
图2示出了本发明实施例提供的一种尿检试纸结构示意图。
图3示出了本发明第二实施例提供的一种尿检方法的流程示意图。
图4本发明实施例提供的一种分类器训练的流程示意图。
图5本发明实施例提供的一种分类器构建的流程示意图。
图6示出了本发明实施例提供的一种尿检装置的结构示意图。
元件符号说明：
600-尿检装置；610-第一获取模块；620-第二获取模块；630-第三获取模块；640-提取模块；650-分类模块；660-确定模块；670-发送接收模块。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
图1示出了本发明第一实施例提供的一种尿检方法的流程示意图。
该尿检方法包括如下步骤：
在步骤S110中，响应用户的选择操作获取尿检项目及获取尿检项目对应的尿检试纸的待识别图像。
用户在所有的尿检项目中选择想要检查的尿检项目，选择尿检项目后，启动摄像装置采集该尿检项目对应的尿检试纸的待识别图像。
其中所述尿检试纸为经过尿液浸泡后充分反应的尿检试纸。
在步骤S120中，在预先存储的试纸的特征描述文件中获取该尿检项目对应的特征描述文件。
具体地，每一尿检试纸均具有一个特征描述文件，该特征描述文件中包括：该尿检试纸定位块的颜色、每一定位块的长宽比，反应块的个数，每相邻最近两反应块之间的分布间距，反应块和分布间距的宽度比，反应块的类型(如Glu、Cre等)等内容。对于不同类型的尿检试纸，反应块的个数不同，反应块检测的项目也不相同。
在步骤S130中，根据特征描述文件获取待识别图像的感兴趣区域。
所述尿检试纸可根据尿检项目的不同分为尿11项试纸、尿14项试纸、早孕试纸及排卵试纸等。
每一尿检项目的尿检试纸的反应块的数目及构造成分均不相同。
进一步地，所述尿检试纸包括两个定位块及预定数量的反应块，两定位块分别位于所述的尿检试纸的两端，所述预定数量的反应块分别根据预设的分布间距等距分布在两个定位块之间。
如图2所示为本发明实施例提出的一种尿检试纸的结构示意图，定义横向的方向为宽度方向。该尿检试纸为尿14项试纸，该尿14项试纸两端设置有两定位块A，两定位块之间根据预设距离a等距分布有15个反应块B，每一反应块的宽度为2a，每一反应块B均表示检查不同的项目。
在未检测时，即未浸入尿液时，图2中所示的15个反应块的颜色可为无色或呈现出与底部制成的白板同样的颜色，此时，反应块还未与尿液中的成分进行反应；在将该尿检试纸充分浸入尿液后，反应块B与尿液反应后，15个反应块的颜色随着尿检项目的不同可呈现出完全不同的颜色或部分相同/相似的颜色。
其中，为了便于后续定位块的识别及尿检试纸方向的确定，所述两个定位块A还可以在图2中横向上设置为不同宽度，所述两个定位块A还可以设置为与反应块均不同的颜色。两定位块A的颜色可相同也可不同。
进一步地，所述“获取待识别图像的感兴趣区域”包括：
提取所述待识别图像中的所有轮廓，其中，所述所有轮廓包括所述定位块的轮廓和所述反应块的轮廓。
本实施例中，可首先对待识别图像进行分割，在分割的图像中提取该图像中的所有轮廓，值得注意的是，提取出的所有轮廓中可能包含定位块轮廓、反应块轮廓及其他噪声图像的轮廓。
在一些其他的实施例中，还可基于OpenCV平台中findContours函数查找待识别图像中的所有轮廓。
在所述所有轮廓中识别出所述定位块对应的轮廓。
进一步地，“在所述所有轮廓中识别出所述定位块对应的轮廓”具体包括：
识别出所有轮廓的颜色值及所有轮廓的长宽比。
具体地，在所有轮廓中，分别识别每一轮廓对应的颜色值及该轮廓的长度和宽度，并根据长度和宽度计算长宽比。
本实施例中，所述颜色值可表示为BGR值，可用于在OpenCV平台中进行处理。在一些其他的实施例中，所述颜色值还可以表示为RGB值。
根据预先存储的所述试纸的特征描述文件中获取定位块的预定颜色值、预定长宽比。
将所有识别出的颜色值分别和所述预定颜色值进行对比及将所有识别出的长宽比分别和所述预定长宽比进行对比；
将所述颜色值和所述预定颜色值相同且长宽比和所述预定长宽比相同的轮廓识别为所述定位块对应的轮廓。
将每一轮廓的颜色值与预定颜色值进行对比，及将长宽比与预定长宽比进行对比，若一轮廓的颜色值与预定颜色值相同且长宽比与与预定长宽比相同，则将该轮廓识别为定位块对应的轮廓。
由于图像中可能存在噪声污染等情况，在查找不到与颜色值与预定颜色值相同和/或长宽比与预定长宽比相同的轮廓时，可根据实际经验设定一颜色阈值和一长宽比阈值，存在以下三种情况均可将轮廓S识别为定位对应的轮廓：
第一种情况：轮廓S的颜色值和预定颜色值不同但是轮廓S的颜色值和预定颜色值之间的差值小于或等于所述颜色阈值，且轮廓S的长宽比和预定长宽比不同但是轮廓S的长宽比和预定长宽比之间的差值小于或等于所述长宽比阈值；
第二种情况：轮廓S的颜色值和预定颜色值不同但是轮廓S的颜色值和预定颜色值之间的差值小于或等于所述颜色阈值，且轮廓S的长宽比和预定长宽比相同；
第三种情况：轮廓S的颜色值和预定颜色值相同，且轮廓S的长宽比和预定长宽比不同但是轮廓S的长宽比和预定长宽比之间的差值小于或等于所述长宽比阈值。
如图2，由于定位块有两个，且长宽比不同，所以，可将每一轮廓的颜色值与第一定位块的预定颜色值进行对比及将长宽比与该第一定位块的预定长宽比进行对比，进而根据对比结果识别出该第一定位块对应的轮廓；再将每一轮廓的颜色值与第二定位块的预定颜色值进行对比及将长宽比与该第二定位块的预定长宽比进行对比，进而根据对比结果识别出该第二定位块对应的轮廓。
以所述定位块对应的轮廓为基准，获取两定位块之间所有反应块的预定区域作为感兴趣区域。
进一步地，所示“以所述定位块对应的轮廓为基准，获取两定位块之间所有反应块的预定区域作为感兴趣区域”包括：
计算两个定位块对应的轮廓之间两距离最近的侧边的中心点，及计算两中心点之间的距离；根据所述预设分布间距及反应块的尺寸得到预定数量的反应块区域；在每一反应块区域，以该反应块区域的质点为中心，提取预设区域作为感兴趣区域。
在识别出两定位块对应的轮廓后，识别出两定位块对应的轮廓之间距离最近的两个侧边，如图2所示为尿检试纸左边的定位块的靠近反应块B的边，及尿检试纸右边的定位块的靠近反应块B的边，两条距离最近的两个侧边的中心点之间的距离为46a。
识别出两定位块距离最近的两条侧边后，分别计算两条侧边的中心点相对于所述待识别图像的坐标，及根据两条侧边的中心点坐标计算两中心点之间的距离。其中，所述坐标可以为像素坐标，还可以为欧式距离坐标。
如图2所示，以预设的分布间距a为步长，每移动一个步长a便可得到一宽度为2a的反应块，提取所有反应块的区域。在每一反应块的区域，计算该反应块的质点(也可为中心点)，以该质点为中心，提取预设区域作为感兴趣区域，
所述预设区域可以为圆形区域，还可以为方形区域、三角区域等均匀的图形区域。
如图2所示，在每一反应块区域，以质点为中心，提取以10像素为半径的圆形区域作为感兴趣区域。
进一步地，以所述尿检试纸的白平衡块为基准对将所述感兴趣区域的图像进行白平衡处理；及将经过白平衡处理的感兴趣区域的图像转换为HSV色域矩阵及LAB色域矩阵。
所述尿检试纸还包括白平衡块，如图2中所示，C为白平衡块，若尿检试纸中未设置白平衡块，还可将尿检试纸的白色部分作为白平衡块。
为了提高识别精度，在提取感兴趣区域的特征向量之前，还可以根据所述尿检试纸的白平衡块对所述感兴趣区域做白平衡操作，能够有效去除拍照环境色温造成的偏色。
具体地，如在OpenCV平台中，获得白平衡块R、G、B通道的平均值avg_r、avg_g、avg_b，取Scale＝(avg_r+avg_g+avg_b)/3，计算R、G、B三个通道的增益系数：
Kr＝Scale/avg_r
Kg＝Scale/avg_g
Kb＝Scale/avg_b
将Kr、Kg及Kb分别作用于感兴趣区域的R、G、B通道，即：
convertScaleAbs(r,r,Kr)
convertScaleAbs(g,g,Kg)
convertScaleAbs(b,b,Kb)
将白平衡处理后的感兴趣区域的图像转换为HSV色域矩阵及LAB色域矩阵。
在步骤S140中，提取感兴趣区域的特征向量。
进一步地，所述“提取感兴趣区域的特征向量”包括：
将所述感兴趣区域的图像的色域空间转换为HSV色域矩阵及LAB色域矩阵；将所述HSV色域矩阵及所述LAB色域矩阵进行通道拆分，获取H分量、S分量、V分量、L分量、A分量及B分量，及将所述H分量、S分量、V分量、L分量、A分量及B分量组成一特征向量。
在步骤S150中，将特征向量送入预先训练好的该尿检项目对应的分类器中，得到该特征向量对应的识别分类值。
得到所述感兴趣区域的特征向量后，将所述特征向量作为输入，送入预先训练好的该尿检项目对应的分类器中，经过分类可得到一输出为浮点数的识别分类值。
本实施例中，所述分类器可为随机森林分类器。随机森林分类器的训练效率比较高，特征选择容易、数据确实敏感性高，结果预设准确率高，算法的泛化能力强。在一些其他的实施例中，所述分类器还可以为支持向量机、Adaboost分类器等。
其中，每一尿检项目均对应有一分类器，该分类器通过对应尿检项目的样本进行构建及训练获得，可对该尿检项目的尿检试纸进行分类识别。
进一步地，所述预先训练好的分类器通过如下方式获得：
根据所述感兴趣区域的特征向量及该特征向量对应的分类，构造多棵决策树分类器；通过预先存储的训练样本对所述多棵决策树分类器进行训练，并根据训练结果调整所述决策树分类器中的属性节点，重复执行训练过程直至所述决策树分类器的分类准确率达到预设阈值；将训练好的所述多棵决策树组合为一随机森林分类器。
在步骤S160中，根据预先存储的分类值和特征档位之间的对应关系确定该识别分类值对应的特征档位。
本实施例中，所述对应关系可通过表格进行描述。
| 分类值 | 特征档位 |
| M1 | 1 |
| M2 | 2 |
| …… | …… |
若分类后得到的识别分类值为M1，该分类值M1对应的特征档位为1档；若分类后得到的识别分类值为M2，该分类值M2对应的特征档位为2档，等等。
在步骤S170中，将识别分类值及特征档位发送至服务器，及接收服务器发送的对识别分类值及特征档位的检测结果。
将识别出的识别分类值及特征档位发送至服务器，服务器对该识别分类值及特征档位进行分析，匹配对应的检测结果，及将检测结果推送到用户所在的终端。
另外，服务器还可以将针对该检测结果的专家建议推送到用户所在的终端以供用户查看，使用户提早发现问题，随时掌握自己的健康情况。
实施例2
图3示出了本发明第二实施例提供的一种尿检方法的流程示意图。
该尿检方法包括如下所述的步骤：
在步骤S210中，响应用户的选择操作获取尿检项目及获取该尿检项目对应的尿检试纸的待识别图像。
在步骤S220中，在预先存储的试纸的特征描述文件中获取该尿检项目对应试纸的特征描述文件。
在步骤S230中，对待识别图像进行预处理。
具体地，对待识别图像进行中值滤波，滤波孔径尺寸优选size(3,3)，可有效消除脉冲噪声，而且还可以很好的保护图像的尖锐的边缘。
在中值滤波后，对中值滤波后的图像进行均值滤波，滤波孔径尺寸优选size(3,3)，进一步平滑图像，滤去噪声。
将均值滤波后的图像进行白平衡处理。如图2所示，尿检试纸还包括白平衡块C，以该白平衡块为校正基准，采用灰度世界算法进行白平衡处理，有效消除光照环境对颜色显现的影响。若尿检试纸中没有设置白平衡块，可将定位块A旁边的空白区域作为白平衡块。
在步骤S240中，提取预处理后的待识别图像中的定位块和反应块的轮廓。
进一步地，可通过以下方式提取所有轮廓：
对待识别图像进行二值化处理，其中，二值化阈值可为128。
对二值化的图像进行形态学处理，执行腐蚀与膨胀操作，可消除噪声，分割独立的图像元素以及连通相邻的图像元素。
基于腐蚀与膨胀操作后的图像，查找所有轮廓。其中，所有轮廓中包含定位块轮廓和反应块轮廓等。
进一步地，还可以将预处理后的待识别图像转换为HSV色域空间，将HSV色域空间进行通道拆分，提取S通道分量，S通道分量表示饱和度。一种颜色，可以看成是某种光谱色与白色混合的结果，其中光谱色所占的比例愈大，颜色接近光谱色的程度就愈高，颜色的饱和度也就愈高。饱和度高，颜色则深而艳。光谱色的白光成分为0，饱和度达到最高。
基于提取的S通道分量提取所有轮廓。
在步骤S250中，将各个轮廓的特征与特征描述文件中的特征进行对比，根据对比结果在各个轮廓中识别出定位块对应的轮廓。
进一步地，所述“在所有轮廓中识别出定位块对应的轮廓”包括：
识别所有轮廓的颜色值、轮廓的长宽比；
根据预先存储的所述试纸的特征描述文件中获取定位块的预定颜色值、预定长宽比；
将所有识别出的颜色值分别和所述预定颜色值进行对比及将所有识别出的长宽比分别和所述预定长宽比进行对比；
将所述颜色值和所述预定颜色值相同且所述轮廓的长宽比和所述预定长宽比相同的轮廓识别为所述定位块对应的轮廓。
在步骤S260中，以定位块对应的轮廓为基准，获取两定位块之间的反应块的预定区域作为感兴趣区域。
进一步地，所述“以定位块对应的轮廓为基准，获取两定位块之间所有反应块的预定区域作为感兴趣区域”包括：
计算两个定位块对应的轮廓之间两距离最近的侧边的中心点，及计算两中心点之间的距离；
根据所述预设分布间距及反应块的尺寸得到预定数量的反应块区域；
在每一反应块区域，以该反应块区域的质点为中心，提取预设区域作为感兴趣区域。
进一步地，还可根据两定位块的位置判断尿检试纸是否为正向的，其中，可以根据预先设定的规则确定试纸的方向，例如，以大定位块在右表示正向，若尿检试纸为反向的，则需要将该尿检试纸进行翻转处理；若尿检试纸为正向的，直接进行后续的处理。
还可以根据两定位块的质心(中心点)坐标判断尿检试纸是否有旋转角度，若尿检试纸有旋转角度，可将尿检试纸根据旋转角度进行旋转操作；若尿检试纸没有旋转，继续进行后续的处理。
具体地，可根据两定位块的质心坐标，利用三角函数计算尿检试纸的旋转角度。
在进行翻转操作或旋转操作时，可通过OpenCV平台中的flip()函数进行旋转或翻转。
在步骤S270中，将感兴趣区域的图像的色域空间转换为HSV色域矩阵及LAB色域矩阵。
在步骤S280中，将HSV色域矩阵及所述LAB色域矩阵进行通道拆分，获取H分量、S分量、V分量、L分量、A分量及B分量，及将H分量、S分量、V分量、L分量、A分量及B分量组成一特征向量。
在步骤S290中，将特征向量送入预先训练好的分类器中，得到该特征向量对应的识别分类值。
进一步地，所述分类器可为随机森林分类器。
进一步地，如图4所示，所述预先训练好的分类器通过如下方式获得：
在步骤S410中，根据感兴趣区域的特征向量及该特征向量对应的分类，构造多棵决策树分类器。
进一步地，如图5所示，构造决策树分类器包括：
在步骤S510中，根据预定数量的构建样本，计算特征向量中每一分量的信息增益。
所述每一构建样本中包括该尿检试纸的感兴趣区域对应的特征向量和该尿检试纸对应的分类，其分类可以通过对应的分类标签进行表示，如1类、2类等。
信息增益可以同归以下方式进行计算：
Gain(A)＝I(s1,s2,…sm)-E(A)
其中，s为构建样本的数目，共有m个分类，该m个分类分别对应Ci，pi为任一样本属于类别Ci的概率，pi＝si/s,i∈(1,2,…m)，特征向量中某一分量具有v个不同取值，利用该分量将构建样本划分为v个子集，sij为子集sj中属于类别Ci的样本集合，pij为子集sj中任一样本属于类别Ci的概率。
在步骤S520中，选取信息增益最大的分量作为根属性节点，及根据根属性节点的测试结果将预定数量的构建样本划分为不同的子集。
将所有分量的信息增益进行对比，选择最大的信息增益对应的分量作为根属性节点，在该根属性节点下，根据该根属性节点的测试结果可将构建样本划分为不同的子集，该子集中包含了每一测试结果包含的构建样本。
在步骤S530中，在每一子集的构建样本中，计算除根属性节点对应的分量外剩余的所有分量的信息增益，将信息增益最大的分量作为该子集的子属性节点。
在其中一子集的构建样本中，计算除了跟属性节点对应的分量之外的剩余所有分量的信息增益，同样选择信息增益最大的分量作为该子集的子属性节点。在剩余的每一子集的构建样本中均递归上述的方法构造子属性节点。
在步骤S540中，判断划分的子集中所有构建样本是否均指向同一分类。
在上述的划分的所有子集中，判断该子集对应的所有构建样本是否均指向一种分类，若所有子集对应的构建样本均指向一种分类，前进至步骤S450，若所有子集对应的构建样本中至少有一个子集对应的构建样本未指向一种分类，返回至步骤S430，继续根据该至少一个子集的构建样本构建子属性节点。
在步骤S550中，将所有属性节点及属性节点对应的测试结果构成决策树。
在步骤S420中，通过预先存储的训练样本对多棵决策树分类器进行训练，并根据训练结果调整决策树分类器中的属性节点。
在构建好的多棵决策树分类器后，通过预先存储的训练样本对该多棵决策树分类器进行训练，根据训练结果的分类准确率不断调整决策树分类器中的属性节点。
其中，每一训练样本中包括尿检试纸感兴趣区域的特征向量及该尿检试纸对应的分类。可选择预定数量的反应后的尿检试纸图片，标注好反应块的位置，提取感兴趣区域，将每一尿检试纸的感兴趣区域的特征向量及该尿检试纸的分类存储为一条样本，可将预定数量的样本一部分作为构建样本，一部分作为训练样本，一部分作为测试样本。
其中，所述预定数量可为几千张、几万张等。
在步骤S430中，判断分类准确率是否达到预设阈值。
在每一次训练完毕后，均判断训练结果的分类准确率是否达到预设阈值，若训练结果的分类准确率达到预设阈值，前进至步骤S340；若训练结果的分类准确率未达到预设阈值，返回至步骤S320。
进一步地，还可判断预设次数训练结果的分类准确率是否均达到预设阈值，若预设次数训练结果的分类准确率均达到预设阈值，结束训练过程；若预设次数训练结果中至少有一个训练结果的分类准确率未达到预设阈值，继续对该决策树分类器进行训练。
在步骤S440中，将训练好的多棵决策树组合为一随机森林分类器。
对构建的多棵决策树分类器分别进行训练，该多棵决策树分类器均训练完成后，将训练好的多棵决策树组合为一随机森林分类器。
在通过随机森林分类器进行分类时，该随机森林分类器内多棵决策树分类器均对该输入的特征向量进行分类，每一棵决策树分类器均对分类结果进行投票，票数最多的分类结果即作为该随机森林分类器的输出。
例如，假设随机森林中有3棵子决策树，2棵子树的分类结果是A类，1棵子树的分类结果是B类，那么随机森林的分类结果就是A类。
在步骤S300中，根据预先存储的分类值和特征档位之间的对应关系确定该识别分类值对应的特征档位。
与步骤S140相同，在此不再赘述。
在步骤S310中，将识别分类值及特征档位发送至服务器，接收服务器发送的对识别分类值及特征档位的检测结果。
实施例3
图6示出了本发明实施例提供的一种尿检装置的结构示意图。
所述尿检装置600包括第一获取模块610、第二获取模块620、第三获取模块630、提取模块640、分类模块650、确定模块660及发送接收模块670。
第一获取模块610，用于响应用户的选择操作获取尿检项目及获取该尿检项目对应的尿检试纸的待识别图像。
第二获取模块620，用于在预先存储的试纸的特征描述文件中获取该尿检项目对应试纸的特征描述文件。
第三获取模块630，用于根据所述特征描述文件获取所述待识别图像的感兴趣区域。
提取模块640，用于提取所述感兴趣区域的特征向量。
分类模块650，用于将所述特征向量送入预先训练好的该尿检项目对应的分类器中，得到该特征向量对应的识别分类值。
确定模块660，用于根据预先存储的分类值和特征档位之间的对应关系确定该识别分类值对应的特征档位。
发送接收模块670，用于将所述识别分类值及所述特征档位发送至服务器，及接收服务器发送的对所述识别分类值及所述特征档位的检测结果。
本发明实施例还提供了一种移动终端，该移动终端可以包括智能电话、平板电脑等。该移动终端包括存储器和处理器，存储器可用于存储计算机程序，处理器通过运行所述计算机程序，从而使移动终端执行上述尿检方法或者上述尿检装置中的各个模块的功能。
存储器可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据移动终端的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明实施例还提供了一种计算机存储介质，用于储存上述移动终端中使用的所述计算机程序。
至此，本发明提供了一种尿检方法、移动终端及计算机可读存储介质，无需额外的化学分析仪器，将尿检试纸的待识别图像进行图像处理，提取出感兴趣区域及感兴趣区域的特征向量；将机器学习应用到尿检领域，通过深度学习的思想，建立尿检试纸分类器，将感兴趣区域的特征向量送入尿检试纸分类器得到分类值，根据分类值同特征档位之间的映射关系，得到尿检试纸对应的特征档位，可根据特征档位得到该尿检试纸的识别结果，提高识别精度、提升匹配识别效率，有效节约时间成本，为患者早发现问题争取时间，方便了用户和患者随时掌握自己的健康状况。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、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，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种尿检方法，其特征在于，包括：
响应用户的选择操作获取尿检项目及获取该尿检项目对应的尿检试纸的待识别图像；
在预先存储的试纸的特征描述文件中获取该尿检项目对应试纸的特征描述文件；
根据所述特征描述文件获取所述待识别图像的感兴趣区域；
提取所述感兴趣区域的特征向量；
将所述特征向量送入预先训练好的该尿检项目对应的分类器中，得到该特征向量对应的识别分类值；
根据预先存储的分类值和特征档位之间的对应关系确定该识别分类值对应的特征档位；
将所述识别分类值及所述特征档位发送至服务器，及接收所述服务器发送的对所述识别分类值及所述特征档位的检测结果；
所述尿检试纸包括两定位块和预定数量的反应块，所述两定位块分别位于所述尿检试纸的两端，所述预定数量的反应块分别根据预设分布间距等距分布在所述两定位块之间；
所述“根据所述特征描述文件获取所述待识别图像的感兴趣区域”包括：
提取所述待识别图像中的所述定位块及所述反应块的轮廓；
将各个轮廓的特征与所述特征描述文件中的特征进行对比，根据对比结果在各个轮廓中识别出所述定位块的轮廓；
以所述定位块的轮廓为基准，获取两定位块之间的所述反应块的预定区域作为感兴趣区域，包括：
计算两个定位块的轮廓之间两距离最近的侧边的中心点，及计算两中心点之间的距离；
根据所述预设分布间距及反应块的尺寸得到预定数量的反应块区域；
在每一反应块区域，以该反应块区域的质点为中心，提取预设区域作为感兴趣区域。
2.根据权利要求1所述的尿检方法，其特征在于，所述“将各个轮廓的特征与所述特征描述文件中的特征进行对比，根据对比结果在各个轮廓中识别出所述定位块的轮廓”包括：
识别各个轮廓的颜色值、轮廓的长宽比；
将各个颜色值分别和所述特征描述文件中预定颜色值进行对比及将各个轮廓的长宽比分别和所述特征描述文件中预定长宽比进行对比；
将所述颜色值和所述预定颜色值相同且所述轮廓的长宽比和所述预定长宽比相同的轮廓识别为所述定位块对应的轮廓。
3.根据权利要求1所述的尿检方法，其特征在于，所述“提取所述感兴趣区域的特征向量”包括：
将所述感兴趣区域的图像的色域空间转换为HSV色域矩阵及LAB色域矩阵；
将所述HSV色域矩阵及所述LAB色域矩阵进行通道拆分，获取H分量、S分量、V分量、L分量、A分量及B分量，及将H分量、S分量、V分量、L分量、A分量及B分量组成一特征向量。
4.根据权利要求1所述的尿检方法，其特征在于，所述分类器为随机森林分类器。
5.根据权利要求4所述的尿检方法，其特征在于，所述预先训练好的分类器通过如下方式获得：
根据所述感兴趣区域的特征向量及该特征向量对应的分类，构造多棵决策树分类器；
通过预先存储的训练样本对所述多棵决策树分类器进行训练，并根据训练结果调整所述决策树分类器中的属性节点，重复执行训练过程直至所述决策树分类器的分类准确率达到预设阈值；
将训练好的所述多棵决策树组合为一随机森林分类器。
6.根据权利要求5所述的尿检方法，其特征在于，每棵决策树分类器的构造过程包括：
根据预定数量的构建样本，计算所述特征向量中每一分量的信息增益；
选取信息增益最大的分量作为根属性节点，及根据所述根属性节点的测试结果将所述预定数量的构建样本划分为不同的子集；
在每一子集的构建样本中，计算除根属性节点对应的分量外剩余的所有分量的信息增益，将信息增益最大的分量作为该子集的子属性节点，递归划分子集及产生子属性节点的过程直至划分的子集中所有构建样本均指向同一分类。
7.一种移动终端，其特征在于，所述移动终端包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述移动终端执行权利要求1至6任一项所述的尿检方法。
8.一种计算机存储介质，其特征在于，所述计算机存储介质储存有权利要求7所述移动终端中所用的所述计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811141840.4A CN109241970B (zh) | 2018-09-28 | 2018-09-28 | 尿检方法、移动终端及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811141840.4A CN109241970B (zh) | 2018-09-28 | 2018-09-28 | 尿检方法、移动终端及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109241970A CN109241970A (zh) | 2019-01-18 |
| CN109241970B true CN109241970B (zh) | 2021-07-30 |
Family
ID=65054030
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811141840.4A Active CN109241970B (zh) | 2018-09-28 | 2018-09-28 | 尿检方法、移动终端及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109241970B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110455789A (zh) * | 2019-07-18 | 2019-11-15 | 深圳市象形字科技股份有限公司 | 一种利用尿检仪进行饮水量监控装置及方法 |
| CN110991465B (zh) * | 2019-11-15 | 2023-05-23 | 泰康保险集团股份有限公司 | 一种物体识别方法、装置、计算设备及存储介质 |
| CN112950575A (zh) * | 2021-02-26 | 2021-06-11 | 广州万孚生物技术股份有限公司 | 检测结果确定方法、装置、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105160317A (zh) * | 2015-08-31 | 2015-12-16 | 电子科技大学 | 一种基于区域分块行人性别识别方法 |
| CN105388147A (zh) * | 2015-10-21 | 2016-03-09 | 深圳市宝凯仑生物科技有限公司 | 一种基于专用试纸对体液的检测方法 |
| CN106353514A (zh) * | 2016-09-22 | 2017-01-25 | 南京精全生物医药科技有限公司 | 一种评估待检测个体性激素代谢状态的系统 |
| CN106651199A (zh) * | 2016-12-29 | 2017-05-10 | 冶金自动化研究设计院 | 基于决策树方法的蒸汽管网调度规则系统 |
| CN108280440A (zh) * | 2018-02-09 | 2018-07-13 | 三亚中科遥感研究所 | 一种果林识别方法和系统 |
-
2018
- 2018-09-28 CN CN201811141840.4A patent/CN109241970B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105160317A (zh) * | 2015-08-31 | 2015-12-16 | 电子科技大学 | 一种基于区域分块行人性别识别方法 |
| CN105388147A (zh) * | 2015-10-21 | 2016-03-09 | 深圳市宝凯仑生物科技有限公司 | 一种基于专用试纸对体液的检测方法 |
| CN106353514A (zh) * | 2016-09-22 | 2017-01-25 | 南京精全生物医药科技有限公司 | 一种评估待检测个体性激素代谢状态的系统 |
| CN106651199A (zh) * | 2016-12-29 | 2017-05-10 | 冶金自动化研究设计院 | 基于决策树方法的蒸汽管网调度规则系统 |
| CN108280440A (zh) * | 2018-02-09 | 2018-07-13 | 三亚中科遥感研究所 | 一种果林识别方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于OpenCV的医疗试纸检测技术;农远峰;《中国优秀硕士学位论文全文数据库信息科技辑》;20170715(第07期);第I138-905页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109241970A (zh) | 2019-01-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109241970B (zh) | 尿检方法、移动终端及计算机可读存储介质 | |
| EP3101594A1 (en) | Saliency information acquisition device and saliency information acquisition method | |
| CN111738064B (zh) | 一种雾霾图像的雾浓度识别方法 | |
| CN108108731B (zh) | 基于合成数据的文本检测方法及装置 | |
| US10706326B2 (en) | Learning apparatus, image identification apparatus, learning method, image identification method, and storage medium | |
| CN109272001B (zh) | 尿检识别分类器的构造训练方法、装置及计算机设备 | |
| CN104408707A (zh) | 一种快速数字成像模糊鉴别与复原图像质量评估方法 | |
| CN107292302B (zh) | 检测图片中兴趣点的方法和系统 | |
| CN111260645B (zh) | 基于分块分类深度学习的篡改图像检测方法及系统 | |
| CN111161281A (zh) | 一种人脸区域识别方法、装置及存储介质 | |
| CN111061933A (zh) | 图片样本库构建方法、装置、可读存储介质及终端设备 | |
| CN112348028A (zh) | 一种场景文本检测方法、批改方法、装置、电子设备及介质 | |
| CN111080722A (zh) | 一种基于显著性检测的颜色迁移方法及系统 | |
| JP2006127024A (ja) | 領域分割方法及び装置、画像認識処理装置、プログラム、記録媒体 | |
| CN109741380B (zh) | 纺织品图片快速匹配方法和装置 | |
| CN108769543B (zh) | 曝光时间的确定方法及装置 | |
| CN114155172A (zh) | 一种图像处理方法和系统 | |
| CN109299295B (zh) | 蓝印花布图像数据库搜索方法 | |
| CN111753642A (zh) | 一种确定关键帧的方法及装置 | |
| CN116402781A (zh) | 缺陷检测方法、装置、计算机设备及介质 | |
| CN108133210B (zh) | 一种图像格式识别方法及装置 | |
| CN110276260B (zh) | 一种基于深度摄像头的商品检测方法 | |
| CN113095147A (zh) | 皮肤区域检测方法、系统、图像处理终端和存储介质 | |
| CN107992853B (zh) | 人眼检测方法、装置、计算机设备及存储介质 | |
| CN111242047A (zh) | 图像处理方法和装置、电子设备及计算机可读存储介质 |
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 | ||
| CP03 | Change of name, title or address |
Address after: 518000, Building B, Building 8, Shenzhen International Innovation Valley, Dashi Road, Xili Community, Xili Street, Nanshan District, Shenzhen City, Guangdong Province, China 307 Patentee after: SHENZHEN FEIDIAN HEALTH MANAGEMENT CO.,LTD. Country or region after: China Address before: 518000 b2-302, Kexing Science Park, No. 15, Keyuan Road, Yuehai street, Nanshan District, Shenzhen, Guangdong Patentee before: SHENZHEN FEIDIAN HEALTH MANAGEMENT CO.,LTD. Country or region before: China |