CN109800777A - 一种尿检试纸生理指标自动识别方法 - Google Patents
一种尿检试纸生理指标自动识别方法 Download PDFInfo
- Publication number
- CN109800777A CN109800777A CN201811109601.0A CN201811109601A CN109800777A CN 109800777 A CN109800777 A CN 109800777A CN 201811109601 A CN201811109601 A CN 201811109601A CN 109800777 A CN109800777 A CN 109800777A
- Authority
- CN
- China
- Prior art keywords
- test paper
- image
- urine test
- group
- network
- 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
Links
Landscapes
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
一种尿检试纸生理指标自动识别方法,其特征是包括如下步骤:步骤(1)获取用户上传的尿检试纸图像;步骤(2)对获取的尿检试纸进行图像增强处理;步骤(3)对增强后的图片做自适应阈值分割,得到各个待测试项:指尿检试纸上每个色块位置;步骤(4)不同手机摄像头参数不同;步骤(5)对于每一个测试项训练一个BP神经网络,将步骤4经色差纠正后的色块输入到对应的BP神经网络中,得到色块对应的类别;步骤(6)根据色块对应的类别比对标准比色卡得到对应的生理指标。该识别方法简单精确,避免了光照干扰以及人眼比色准确率低的问题,可用于慢性肾病患者、糖尿病患者、高血压患者等慢性疾病的早期诊断和随访以及健康人群的早期筛查。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种尿检试纸生理指标自动识 别方法。
背景技术
尿常规是医学检验“三大常规”项目之一,尿常规指标是反映身体健康 状况的基本指标之一。尿常规检查内容通常包括尿的颜色、透明度、酸碱度、 红细胞、白细胞、蛋白质、比重及尿糖定性等。其中检测指标中蛋白质含量 偏高往往和慢性肾炎相关;尿比重偏低往往和慢性肾炎、尿崩症相关;尿糖 阳性往往与肾性糖尿、糖尿病及甲状腺功能亢进等相关。不少的慢性肾病、 糖尿病早期患者都可以通过尿常规检测筛查出来。目前在医院,大多数尿常 规检测都通过尿液分析仪进行。尿液分析仪一般都配有专用的尿检试纸,试 纸带上等距分布着若干个测试项目,每个测试项目上都含有专门的化学试剂, 与尿液接触后会发生颜色反应,尿液分析仪可以通过分析颜色变化程度来量 化相关的生理指标。
尿常规检查对于早期慢性肾病、糖尿病筛查等慢性疾病具有重要的作 用。然而虽然尿液分析仪可以精确的测量尿液的各项生理指标,但是大多数 尿液分析仪对于个人来说过于昂贵,频繁到医疗机构排队检查既浪费大量的 时间,又增加了较高的经济负担,而传统的人眼对比识别的方法容易受到主 观因素的影响,识别准确率较低。因此,提出了一种尿检试纸生理指标自动 识别方法,使得用户可以通过手机扫描试纸就可得到较为精确的测量结果, 具有成本低廉,操作简单,识别准确率高的优点,可以很好满足早期慢性肾脏病、糖尿病等患者的初步筛查以及定期随访需求。
发明内容
本发明一种尿检试纸生理指标自动识别方法是通过图像分割、图像识 别技术,自动的解析试纸上各个测试项的生理指标,优点在于可以排除光照 干扰,避免人眼比色准确率较低的问题。
为了实现上述目的,本发明采用的技术方案如下:
一种尿检试纸生理指标自动识别方法,包括如下步骤:
步骤(1)获取用户上传的尿检试纸图像,包括测试后试纸样本以及背景 卡,尿检试纸图像上包含各个待测试项,对尿检试纸图像进行图像增强处理, 所述的图像增强处理依次包括灰度处理、滤波处理、颜色平滑处理;
步骤(2)对获取的尿检试纸进行图像增强处理;
步骤(3)对增强后的图片做自适应阈值分割,得到各个待测试项:指尿 检试纸上每个色块位置;
步骤(4)不同手机摄像头参数不同,图片采集的环境也不同,拍出的照 片存在一定色差,需要对原图像做色差纠正;
步骤(5)对于每一个测试项训练一个BP神经网络,将步骤4经色差纠正 后的色块输入到对应的BP神经网络中,得到色块对应的类别;
步骤(6)根据色块对应的类别比对标准比色卡得到对应的生理指标。
所述步骤(2)的具体流程如下:
步骤(2.0)将上传的图片转化为灰度图片,具体转化公式如下:
Gray=0.299*R+0.587*G+0.114*B
其中,R代表红色,G代表绿色,B代表蓝色,
步骤(2.1)对灰度图进行均值滤波,并用gamma变换对图像进行对比 度增强,其中均值滤波卷积核大小为5*5,gamma变换参数为1.25;
步骤(2.2)对转换后的图片基于Mean shift算法做图像颜色平滑处理。
所述步骤(3)具体算法流程如下:
步骤(3.0)对经步骤(1)处理后的尿检试纸图像进行二值化处理;
步骤(3.1)对二值化后的尿检试纸图像做膨胀处理,减少孤立点和噪 点;
步骤(3.2)对膨胀处理后的图像做扫描,标记出图片中所有的连通域, 具体算法为:
步骤(3.2.0)逐行扫描图像,将每行中连续的白色像素(白色像素是 指RGB值为(255,255,255)的像素点)组成的序列称为团,并记下团的起 点,终点和行号;
步骤(3.2.1)在逐行扫描中,对于除第一行外的所有行里的某一个团 r,如果团r与上一行中的所有团都没有重合区域,则给团r一个新的标号;如 果团r仅与上一行中一个团有重合区域,则将上一行中与团r有重合区域的团的 标号赋给团r;如果团r与上一行中的2个及以上的团有重合区域,则记R表示 上一行中与该团有重合区域的所有团集合,将R中团的最小标号赋给团r,并 将R中任意两个团之间的标号对都加入到等价对集合C中,表示因为团r的连 接作用现在R中的任意两个团之间都是等价的R;
步骤(3.2.2)将集合C中等价对转换为等价序列,例如 {(1,2),(2,3),(4,5),(5,7),(6,7)}转换为{(1,2,3),(4,5,6,7)},对于在等价序列中的所有团 赋予相同的的新标号;
步骤(3.2.3)将每个团的标号填入标记图像中,有相同标号的团就组 成一个连通域。
步骤(3.3)对上一步骤找到的连通域,计算其最小外围矩阵,过滤掉 最小外围矩阵面积不在[450,1000]之间或者外围矩阵长宽比不在[1/1.2,1.2] 之间或者连通域非凸的所有连通域,剩下的连通域即为待测试项所在的色块。
所述步骤(3.0)包括以下步骤:
对经步骤1处理后的尿检试纸图像的每个像素点P(i,j),其中i,j分别表示该 点距图像左上角位置的横向和纵向距离,记wij表示点P(i,j)处的灰度值,计算以 像素点P(i,j)为中心,blocksize范围内其它点灰度值的高斯加权平均其 中计算公式为若则将点P(i,j)的当前像素RGB值设为(255,255,255),反之 则设为(0,0,0)。实验中blocksize取35,delta取5(注:35和5是实验中 取的数值,算法本身对此没有限制)。
所述步骤(4)采用的是基于BP神经网络2的色差纠正技术,具体步骤如 下:
步骤(4.0)色差纠正网络数据预处理:在用户上传的数据中包含背景卡, 背景卡上有标准比色卡,这些标准比色卡上每个色块的RGB数值是已知的, 因此网络的输入为待纠正的标准比色卡每个色块的RGB,真实值为已知的对应 的实际数值,由于BP神经网络具有很强的拟合能力,可以直接在RGB色彩空 间做色差纠正,无需转换到LAB或者HSV空间;
步骤(4.1)初始化BP神经网络,采用的网络结构包含输入层、隐藏层、 输出层。输入层有3个神经元,分别对应于待纠正数据的R,G,B值;
隐藏层包含50个神经元,采用ReLu激活函数,公式为f(x)=max(x,0)。 输出层有3个神经元,分别对应预测的R,G,B值;输出层与隐藏层激活函 数为Sigmoid,公式为隐藏层与输入层权重按正态分布N(0,0.05) 随机初始化,隐藏层与输出层权重按正态分布N(0,0.04)随机初始化;
步骤(4.2)迭代优化参数,通过随机梯度下降算法对网络参数进行 优化;具体流程为:
步骤步骤(4.2.0)首先定义优化目标函数,其中m为一次训练样本数目, yi1,yi2,yi3为第i个样本的真实R,G,B值。w为网络的权重,λ为超参数,表
示正则化项的权重;
步骤(4.2.1)从数据集中抽取若干条数据作为一个批次总计m个样 本,按照如下公式更新:
步骤(4.2.2)重复步骤(4.2.1)过程直至网络收敛或者达到最大的 迭代次数;
步骤(4.3)网络训练完成后即可用于色差纠正,输入待纠正的RGB 值,输出为纠正后的RGB值。
所述步骤(5)包括如下步骤:
步骤(5.0)分类网络数据预处理:将每个测试项色块像素值统一缩 放成16*16,每个像素灰度值归一化到(0,1)区间,并对数据做PCA降维到 100维向量;
步骤(5.1)初始化BP神经网络,采用的网络结构包含输入层、隐藏 层、输出层、Softmax层;输入层有100个神经元,对于与输入色块降维 后的灰度值;隐藏层包含200个神经元,采用ReLu激活函数,公式为 f(x)=max(x,0)。输出层单元数目与该测试项有多少个类别对应,输出层 与隐藏层激活函数为ReLU;输出层后接Softmax层,对输出的数值归一化,表示对应类别的概率,归一化公式为隐藏层与输入 层权重按正态分布N(0,0.01)随机初始化,隐藏层与输出层权重按正态分布 N(0,0.05)随机初始化;
步骤(5.2)迭代优化参数,通过随机梯度下降算法对网络参数进行 优化;具体流程为:
步骤(5.2.0)首先定义优化目标函数为带二次正则项的交叉熵其中m为一次训练样本数目,yij为样本真实类别的one-hot编码的第j位, hθ(xij)为样本为第j类的预测概率,w为网络的权重,λ为超参数,表示正 则化项的权重;
步骤(5.2.1)从数据集中抽取若干条数据作为一个批次总计m个样 本,按照如下公式更新:
步骤(5.2.2)重复5.2.1过程直至网络收敛或者达到最大的迭代次 数。
步骤(5.3)网络训练完成后即可用于类别预测,输入图像,输出为 对应的类别。
本发明的有益效果是:
本发明属于图像处理技术领域,具体为一种尿检试纸生理指标自动识别 方法。其核心是通过一系列图像增强、图像分割与识别算法自动量化尿检试 纸测试项的指标。用户使用试纸尿检后,通过手机端拍照采集试纸图像,上 传到云端;云端集成了图像处理方法,经过处理后将结果返回到手机。云端 图像处理算法首先对用户上传的图像做增强处理;然后对图像做分割找到各 个测试项所在的色块;随后对图像做基于BP(back propagation)神经网络 的色差纠正;最后对色差纠正后的图像色块做基于BP神经网络的分类,得到 对应的离散化的生理指标。
该识别方法简单精确,避免了光照干扰以及人眼比色准确率低的问题, 可用于慢性肾病患者、糖尿病患者、高血压患者等慢性疾病的早期诊断和随 访以及健康人群的早期筛查。
附图说明
图1是本发明的尿检试纸与背景卡比对的示意图,待测定项目包括:蛋白 质、潜血和pH值。
图2是本发明的实施例的用户上传的尿检试纸图片。
图3是图2的用户上传的尿检试纸图片经过图像处理之后的示意图。
图4是对图3的图像经过处理和删选之后得道的试纸测试项所在色块的示 意图。
图5是将图像输入到色差纠正网络得到颜色纠正后的图像。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实 施例,对本发明进行进一步详细说明。应对理解,此处所描述的具体实施例 仅用于解释本发明,并不用于限定本发明。
如图1至至图5,一种尿检试纸生理指标自动识别方法,包括如下步骤:
步骤(1)获取用户上传的尿检试纸图像,包括测试后试纸样本以及背景 卡,尿检试纸图像上包含各个待测试项,对尿检试纸图像进行图像增强处理, 所述的图像增强处理依次包括灰度处理、滤波处理、颜色平滑处理;
步骤(2)对获取的尿检试纸进行图像增强处理;
步骤(3)对增强后的图片做自适应阈值分割,得到各个待测试项:指尿 检试纸上每个色块位置;
步骤(4)不同手机摄像头参数不同,图片采集的环境也不同,拍出的照 片存在一定色差,需要对原图像做色差纠正;
步骤(5)对于每一个测试项训练一个BP神经网络,将步骤4经色差纠正 后的色块输入到对应的BP神经网络中,得到色块对应的类别;
步骤(6)根据色块对应的类别比对标准比色卡得到对应的生理指标。
所述步骤(2)的具体流程如下:
步骤(2.0)将上传的图片转化为灰度图片,具体转化公式如下:
Gray=0.299*R+0.587*G+0.114*B
其中,R代表红色,G代表绿色,B代表蓝色,
步骤(2.1)对灰度图进行均值滤波,并用gamma变换对图像进行对比 度增强,其中均值滤波卷积核大小为5*5,gamma变换参数为1.25;
步骤(2.2)对转换后的图片基于Mean shift算法做图像颜色平滑处理。
所述步骤(3)具体算法流程如下:
步骤(3.0)对经步骤(1)处理后的尿检试纸图像进行二值化处理;
步骤(3.1)对二值化后的尿检试纸图像做膨胀处理,减少孤立点和噪 点;
步骤(3.2)对膨胀处理后的图像做扫描,标记出图片中所有的连通域, 具体算法为:
步骤(3.2.0)逐行扫描图像,将每行中连续的白色像素(白色像素是 指RGB值为(255,255,255)的像素点)组成的序列称为团,并记下团的起 点,终点和行号;
步骤(3.2.1)在逐行扫描中,对于除第一行外的所有行里的某一个团 r,如果团r与上一行中的所有团都没有重合区域,则给团r一个新的标号;如 果团r仅与上一行中一个团有重合区域,则将上一行中与团r有重合区域的团的 标号赋给团r;如果团r与上一行中的2个及以上的团有重合区域,则记R表示 上一行中与该团有重合区域的所有团集合,将R中团的最小标号赋给团r,并 将R中任意两个团之间的标号对都加入到等价对集合C中,表示因为团r的连 接作用现在R中的任意两个团之间都是等价的R;
步骤(3.2.2)将集合C中等价对转换为等价序列,例如{(1,2),(2,3),(4,5),(5,7),(6,7)}转换为{(1,2,3),(4,5,6,7)},对于在等价序列中的所有团 赋予相同的的新标号;
步骤(3.2.3)将每个团的标号填入标记图像中,有相同标号的团就组 成一个连通域。
步骤(3.3)对上一步骤找到的连通域,计算其最小外围矩阵,过滤掉 最小外围矩阵面积不在[450,1000]之间或者外围矩阵长宽比不在[1/1.2,1.2] 之间或者连通域非凸的所有连通域,剩下的连通域即为待测试项所在的色块。
所述步骤(3.0)包括以下步骤:
对经步骤1处理后的尿检试纸图像的每个像素点P(i,j),其中i,j分别表示该 点距图像左上角位置的横向和纵向距离,记wij表示点P(i,j)处的灰度值,计算以 像素点P(i,j)为中心,blocksize范围内其它点灰度值的高斯加权平均其 中计算公式为若则将点P(i,j)的当前像素RGB值设为(255,255,255),反之 则设为(0,0,0)。实验中blocksize取35,delta取5,注:35和5是实验中 取的数值,算法本身对此没有限制。
所述步骤(4)采用的是基于BP神经网络3的色差纠正技术,具体步骤如 下:
步骤(4.0)色差纠正网络数据预处理:在用户上传的数据中包含背景卡, 背景卡上有标准比色卡,这些标准比色卡上每个色块的RGB数值是已知的, 因此网络的输入为待纠正的标准比色卡每个色块的RGB,真实值为已知的对应 的实际数值,由于BP神经网络具有很强的拟合能力,可以直接在RGB色彩空 间做色差纠正,无需转换到LAB或者HSV空间;
步骤(4.1)初始化BP神经网络,采用的网络结构包含输入层、隐藏层、 输出层。输入层有3个神经元,分别对应于待纠正数据的R,G,B值;
隐藏层包含50个神经元,采用ReLu激活函数,公式为f(x)=max(x,0)。 输出层有3个神经元,分别对应预测的R,G,B值;输出层与隐藏层激活函 数为Sigmoid,公式为隐藏层与输入层权重按正态分布N(0,0.05) 随机初始化,隐藏层与输出层权重按正态分布N(0,0.04)随机初始化;
步骤(4.2)迭代优化参数,通过随机梯度下降算法对网络参数进行 优化;具体流程为:
步骤步骤(4.2.0)首先定义优化目标函数,其中m为一次训练样本数目, yi1,yi2,yi3为第i个样本的真实R,G,B值。w为网络的权重,λ为超参数,表
示正则化项的权重;
步骤(4.2.1)从数据集中抽取若干条数据作为一个批次总计m个样 本,按照如下公式更新:
步骤(4.2.2)重复步骤(4.2.1)过程直至网络收敛或者达到最大的 迭代次数;
步骤(4.3)网络训练完成后即可用于色差纠正,输入待纠正的RGB 值,输出为纠正后的RGB值。
所述步骤(5)包括如下步骤:
步骤(5.0)分类网络数据预处理:将每个测试项色块像素值统一缩 放成16*16,每个像素灰度值归一化到(0,1)区间,并对数据做PCA降维到 100维向量;
步骤(5.1)初始化BP神经网络,采用的网络结构包含输入层、隐藏 层、输出层、Softmax层;输入层有100个神经元,对于与输入色块降维 后的灰度值;隐藏层包含200个神经元,采用ReLu激活函数,公式为 f(x)=max(x,0)。输出层单元数目与该测试项有多少个类别对应,输出层 与隐藏层激活函数为ReLU;输出层后接Softmax层,对输出的数值归一化,表示对应类别的概率,归一化公式为隐藏层与输入 层权重按正态分布N(0,0.01)随机初始化,隐藏层与输出层权重按正态分布 N(0,0.05)随机初始化;
步骤(5.2)迭代优化参数,通过随机梯度下降算法对网络参数进行 优化;具体流程为:
步骤(5.2.0)首先定义优化目标函数为带二次正则项的交叉熵其中m为一次训练样本数目,yij为样本真实类别的one-hot编码的第j位, hθ(xij)为样本为第j类的预测概率,w为网络的权重,λ为超参数,表示正 则化项的权重;
步骤(5.2.1)从数据集中抽取若干条数据作为一个批次总计m个样 本,按照如下公式更新:
步骤(5.2.2)重复5.2.1过程直至网络收敛或者达到最大的迭代次 数。
步骤(5.3)网络训练完成后即可用于类别预测,输入图像,输出为 对应的类别。
Mean shift算法为现有技术,具体参见Comaniciu D,Meer P.Mean shift: Arobust approach toward feature space analysis[J].IEEE Transactions on patternanalysis and machine intelligence,2002,24(5):603-619.
基于BP神经网络为现有技术,具体参见Rumelhart,David E.,GeoffreyE.Hinton,and Ronald J.Williams."Learning representations by back-propagatingerrors."nature 323.6088(1986):533.
下面以一份尿检试纸展示该方法的具体实施方式:
(1)图2为用户上传的尿检试纸图片。
(2)对获取的图片增强处理,对图片进行均值滤波和gamma变换;用Mean shift算法进行图像的平滑处理,得道如图3所示图像,可以看出处理后的图 片去掉了各个色块之间以及测试试纸边缘的干扰,有助于之后的二值化和连 通域分析。
(3)对平滑处理后的图片进行自适应阈值分割,首先是对图像进行局部 自适应阈值分析,得到二值化后的图像;随后对二值化的图像做连通域分析和 形态学膨胀处理;最后是通过面积,长宽比以及凸性筛选出符合条件的连通 域,即为试纸测试项所在色块,如图4。
(4)将图像输入到色差纠正网络得到颜色纠正后的图像,如图5。
(5)将色差纠正后的图像的每个色块裁剪为16*16,经PCA降维到100 维向量后输入到BP神经网络分类器,得到每个类别的概率。每个色块经算法 预测后会得到一个类别概率,选择概率最高的类别作为分类结果。例如:图4 中潜血这一项预测的结果为第一类概率为75.2%,第二类概率为10.3%,第三 类概率为8.4%,第四类概率为4.1%,第五类概率为2.0%,则最终潜血这一项 的结果为第一类,其他测试项同理可得。
(6)根据类别得到对应的生理指标,图4中潜血预测结果为第一类,对 应的生理指标为阴性,其他测试项同理可得。
以上显示和描述了本发明专利的基本原理、主要特征和本发明专利的优 点。本行业的技术人员应该了解,本发明专利不受上述实施例的限制,上述 实施例和说明书中描述的仅为本发明专利的优选例,并不用来限制本发明专 利,在不脱离本发明专利精神和范围的前提下,本发明专利还会有各种变化 和改进,这些变化和改进都落入要求保护的本发明专利范围内。本发明专利 要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种尿检试纸生理指标自动识别方法,其特征是包括如下步骤:
步骤(1)获取用户上传的尿检试纸图像,包括测试后试纸样本以及背景卡,尿检试纸图像上包含各个待测试项,对尿检试纸图像进行图像增强处理,所述的图像增强处理依次包括灰度处理、滤波处理、颜色平滑处理;
步骤(2)对获取的尿检试纸进行图像增强处理;
步骤(3)对增强后的图片做自适应阈值分割,得到各个待测试项:指尿检试纸上每个色块位置;
步骤(4)不同手机摄像头参数不同,图片采集的环境也不同,拍出的照片存在一定色差,需要对原图像做色差纠正;
步骤(5)对于每一个测试项训练一个BP神经网络,将步骤4经色差纠正后的色块输入到对应的BP神经网络中,得到色块对应的类别;
步骤(6)根据色块对应的类别比对标准比色卡得到对应的生理指标。
2.根据权利要求1所述的尿检试纸生理指标自动识别方法,其特征是所述步骤(2)的具体流程如下:
步骤(2.0)将上传的图片转化为灰度图片,具体转化公式如下:
Gray=0.299*R+0.587*G+0.114*B
其中,R代表红色,G代表绿色,B代表蓝色,
步骤(2.1)对灰度图进行均值滤波,并用gamma变换对图像进行对比度增强,其中均值滤波卷积核大小为5*5,gamma变换参数为1.25;
步骤(2.2)对转换后的图片基于Mean shift算法做图像颜色平滑处理。
3.根据权利要求1所述的尿检试纸生理指标自动识别方法,其特征是所述步骤(3)具体算法流程如下:
步骤(3.0)对经步骤(1)处理后的尿检试纸图像进行二值化处理;
步骤(3.1)对二值化后的尿检试纸图像做膨胀处理,减少孤立点和噪点;
步骤(3.2)对膨胀处理后的图像做扫描,标记出图片中所有的连通域,具体算法为:
步骤(3.2.0)逐行扫描图像,将每行中连续的白色像素(白色像素是指RGB值为(255,255,255)的像素点)组成的序列称为团,并记下团的起点,终点和行号;
步骤(3.2.1)在逐行扫描中,对于除第一行外的所有行里的某一个团r,如果团r与上一行中的所有团都没有重合区域,则给团r一个新的标号;如果团r仅与上一行中一个团有重合区域,则将上一行中与团r有重合区域的团的标号赋给团r;如果团r与上一行中的2个及以上的团有重合区域,则记R表示上一行中与该团有重合区域的所有团集合,将R中团的最小标号赋给团r,并将R中任意两个团之间的标号对都加入到等价对集合C中,表示因为团r的连接作用现在R中的任意两个团之间都是等价的R;
步骤(3.2.2)将集合C中等价对转换为等价序列,例如{(1,2),(2,3),(4,5),(5,7),(6,7)}转换为{(1,2,3),(4,5,6,7)},对于在等价序列中的所有团赋予相同的的新标号;
步骤(3.2.3)将每个团的标号填入标记图像中,有相同标号的团就组成一个连通域。
步骤(3.3)对上一步骤找到的连通域,计算其最小外围矩阵,过滤掉最小外围矩阵面积不在[450,1000]之间或者外围矩阵长宽比不在[1/1.2,1.2]之间或者连通域非凸的所有连通域,剩下的连通域即为待测试项所在的色块。
4.根据权利要求3所述的尿检试纸生理指标自动识别方法,其特征是所述步骤(3.0)包括以下步骤:
对经步骤1处理后的尿检试纸图像的每个像素点P(i,j),其中i,j分别表示该点距图像左上角位置的横向和纵向距离,记wij表示点P(i,j)处的灰度值,计算以像素点P(i,j)为中心,blocksize范围内其它点灰度值的高斯加权平均其中计算公式为若则将点P(i,j)的当前像素RGB值设为(255,255,255),反之则设为(0,0,0)。
5.根据权利要求1所述的尿检试纸生理指标自动识别方法,其特征是所述步骤(4)采用的是基于BP神经网络的色差纠正技术,具体步骤如下:
步骤(4.0)色差纠正网络数据预处理:在用户上传的数据中包含背景卡,背景卡上有标准比色卡,这些标准比色卡上每个色块的RGB数值是已知的,因此网络的输入为待纠正的标准比色卡每个色块的RGB,真实值为已知的对应的实际数值,由于BP神经网络具有很强的拟合能力,可以直接在RGB色彩空间做色差纠正,无需转换到LAB或者HSV空间;
步骤(4.1)初始化BP神经网络,采用的网络结构包含输入层、隐藏层、输出层。输入层有3个神经元,分别对应于待纠正数据的R,G,B值;
隐藏层包含50个神经元,采用ReLu激活函数,公式为f(x)=max(x,0)。输出层有3个神经元,分别对应预测的R,G,B值;输出层与隐藏层激活函数为Sigmoid,公式为隐藏层与输入层权重按正态分布N(0,0.05)随机初始化,隐藏层与输出层权重按正态分布N(0,0.04)随机初始化;
步骤(4.2)迭代优化参数,通过随机梯度下降算法对网络参数进行优化;具体流程为:
步骤步骤(4.2.0)首先定义优化目标函数,其中m为一次训练样本数目,yi1,yi2,yi3为第i个样本的真实R,G,B值。w为网络的权重,λ为超参数,表示正则化项的权重;
步骤(4.2.1)从数据集中抽取若干条数据作为一个批次总计m个样本,按照如下公式更新:
步骤(4.2.2)重复步骤(4.2.1)过程直至网络收敛或者达到最大的迭代次数;
步骤(4.3)网络训练完成后即可用于色差纠正,输入待纠正的RGB值,输出为纠正后的RGB值。
6.根据权利要求1所述的尿检试纸生理指标自动识别方法,其特征是所述步骤(5)包括如下步骤:
步骤(5.0)分类网络数据预处理:将每个测试项色块像素值统一缩放成16*16,每个像素灰度值归一化到(0,1)区间,并对数据做PCA降维到100维向量;
步骤(5.1)初始化BP神经网络,采用的网络结构包含输入层、隐藏层、输出层、Softmax层;输入层有100个神经元,对于与输入色块降维后的灰度值;隐藏层包含200个神经元,采用ReLu激活函数,公式为f(x)=max(x,0)。输出层单元数目与该测试项有多少个类别对应,输出层与隐藏层激活函数为ReLU;输出层后接Softmax层,对输出的数值归一化,表示对应类别的概率,归一化公式为隐藏层与输入层权重按正态分布N(0,0.01)随机初始化,隐藏层与输出层权重按正态分布N(0,0.05)随机初始化;
步骤(5.2)迭代优化参数,通过随机梯度下降算法对网络参数进行优化;具体流程为:
步骤(5.2.0)首先定义优化目标函数为带二次正则项的交叉熵其中m为一次训练样本数目,yij为样本真实类别的one-hot编码的第j位,hθ(xij)为样本为第j类的预测概率,w为网络的权重,λ为超参数,表示正则化项的权重;
步骤(5.2.1)从数据集中抽取若干条数据作为一个批次总计m个样本,按照如下公式更新:
步骤(5.2.2)重复5.2.1过程直至网络收敛或者达到最大的迭代次数。
步骤(5.3)网络训练完成后即可用于类别预测,输入图像,输出为对应的类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811109601.0A CN109800777A (zh) | 2018-09-21 | 2018-09-21 | 一种尿检试纸生理指标自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811109601.0A CN109800777A (zh) | 2018-09-21 | 2018-09-21 | 一种尿检试纸生理指标自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109800777A true CN109800777A (zh) | 2019-05-24 |
Family
ID=66556160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811109601.0A Pending CN109800777A (zh) | 2018-09-21 | 2018-09-21 | 一种尿检试纸生理指标自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109800777A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110223290A (zh) * | 2019-06-19 | 2019-09-10 | 深圳市亚辉龙生物科技股份有限公司 | 膜条评估方法、装置、计算机设备和存储介质 |
CN110243818A (zh) * | 2019-07-17 | 2019-09-17 | 深圳市象形字科技股份有限公司 | 一种利用尿检仪进行饮食健康监控的方法 |
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 |
CN110456050A (zh) * | 2019-07-11 | 2019-11-15 | 台州云海医疗科技有限公司 | 便携式智能数字化寄生虫体外诊断仪 |
CN112132154A (zh) * | 2020-09-02 | 2020-12-25 | 杭州棒糖网络科技有限公司 | 一种早孕试纸t线加深方法 |
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 |
CN113313109A (zh) * | 2021-05-13 | 2021-08-27 | 中国计量大学 | 一种荧光免疫层析试纸的半定量分析方法 |
CN113569866A (zh) * | 2021-07-15 | 2021-10-29 | 桂林电子科技大学 | 一种基于深度学习识别hpv试纸的方法 |
CN116626029A (zh) * | 2023-07-20 | 2023-08-22 | 津泰(天津)医疗器械有限公司 | 一种用于糖尿病氯化钴试纸色差的检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014178062A2 (en) * | 2013-02-25 | 2014-11-06 | Biosense Technologies Private Ltd | Method and system for analysing body fluids |
CN105223196A (zh) * | 2015-10-16 | 2016-01-06 | 长春孚宗科技股份有限公司 | 一种基于智能终端的尿液分析方法 |
CN105223197A (zh) * | 2015-10-16 | 2016-01-06 | 长春孚宗科技股份有限公司 | 一种不依赖专业仪器的尿液分析方法 |
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 |
CN105973885A (zh) * | 2016-05-27 | 2016-09-28 | 宋秀龙 | 一种基于颜色识别的快速检测系统和快速干化学检测方法 |
CN106228551A (zh) * | 2016-07-19 | 2016-12-14 | 清华大学 | 基于图像分割技术产生滤波器的自适应分解方法 |
CN107024595A (zh) * | 2017-05-31 | 2017-08-08 | 重庆恭逸科技有限公司 | 一种具有尿检功能的马桶盖 |
WO2018066811A1 (ko) * | 2016-10-07 | 2018-04-12 | 주식회사 에코메트론 | 소변분석용 스트립 및 이를 이용한 소변분석 방법 |
CN108152278A (zh) * | 2017-11-22 | 2018-06-12 | 沈阳普泽众康医药科技有限公司 | 一种尿液检测方法及装置 |
-
2018
- 2018-09-21 CN CN201811109601.0A patent/CN109800777A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014178062A2 (en) * | 2013-02-25 | 2014-11-06 | Biosense Technologies Private Ltd | Method and system for analysing body fluids |
CN105223196A (zh) * | 2015-10-16 | 2016-01-06 | 长春孚宗科技股份有限公司 | 一种基于智能终端的尿液分析方法 |
CN105223197A (zh) * | 2015-10-16 | 2016-01-06 | 长春孚宗科技股份有限公司 | 一种不依赖专业仪器的尿液分析方法 |
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 |
CN105973885A (zh) * | 2016-05-27 | 2016-09-28 | 宋秀龙 | 一种基于颜色识别的快速检测系统和快速干化学检测方法 |
CN106228551A (zh) * | 2016-07-19 | 2016-12-14 | 清华大学 | 基于图像分割技术产生滤波器的自适应分解方法 |
WO2018066811A1 (ko) * | 2016-10-07 | 2018-04-12 | 주식회사 에코메트론 | 소변분석용 스트립 및 이를 이용한 소변분석 방법 |
CN107024595A (zh) * | 2017-05-31 | 2017-08-08 | 重庆恭逸科技有限公司 | 一种具有尿检功能的马桶盖 |
CN108152278A (zh) * | 2017-11-22 | 2018-06-12 | 沈阳普泽众康医药科技有限公司 | 一种尿液检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
曹惠珍: "基于改进卷积神经网络的图像分类研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
赵光艺等: "基于颜色实现尿液成分检测方法及实验研究", 《安阳工学院学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110223290A (zh) * | 2019-06-19 | 2019-09-10 | 深圳市亚辉龙生物科技股份有限公司 | 膜条评估方法、装置、计算机设备和存储介质 |
CN110456050A (zh) * | 2019-07-11 | 2019-11-15 | 台州云海医疗科技有限公司 | 便携式智能数字化寄生虫体外诊断仪 |
CN110456050B (zh) * | 2019-07-11 | 2022-07-19 | 台州云海医疗科技有限公司 | 便携式智能数字化寄生虫体外诊断仪 |
CN110243818A (zh) * | 2019-07-17 | 2019-09-17 | 深圳市象形字科技股份有限公司 | 一种利用尿检仪进行饮食健康监控的方法 |
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 |
CN112132154A (zh) * | 2020-09-02 | 2020-12-25 | 杭州棒糖网络科技有限公司 | 一种早孕试纸t线加深方法 |
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 |
CN113313109A (zh) * | 2021-05-13 | 2021-08-27 | 中国计量大学 | 一种荧光免疫层析试纸的半定量分析方法 |
CN113569866A (zh) * | 2021-07-15 | 2021-10-29 | 桂林电子科技大学 | 一种基于深度学习识别hpv试纸的方法 |
CN116626029A (zh) * | 2023-07-20 | 2023-08-22 | 津泰(天津)医疗器械有限公司 | 一种用于糖尿病氯化钴试纸色差的检测方法 |
CN116626029B (zh) * | 2023-07-20 | 2023-09-22 | 津泰(天津)医疗器械有限公司 | 一种用于糖尿病氯化钴试纸色差的检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800777A (zh) | 一种尿检试纸生理指标自动识别方法 | |
Man et al. | Classification of breast cancer histopathological images using discriminative patches screened by generative adversarial networks | |
CN106803247B (zh) | 一种基于多级筛选卷积神经网络的微血管瘤图像识别方法 | |
CN106295124B (zh) | 多种图像检测技术综合分析基因子图相似概率量的方法 | |
dos Santos Ferreira et al. | Convolutional neural network and texture descriptor-based automatic detection and diagnosis of glaucoma | |
CN112215117A (zh) | 一种基于宫颈细胞学图像的异常细胞识别方法及系统 | |
CN108734108B (zh) | 一种基于ssd网络的裂纹舌识别方法 | |
Taher et al. | Bayesian classification and artificial neural network methods for lung cancer early diagnosis | |
Alkassar et al. | Going deeper: magnification‐invariant approach for breast cancer classification using histopathological images | |
CN115994907B (zh) | 用于食品检测机构综合信息的智能处理系统及方法 | |
CN109886346A (zh) | 一种心肌mri图像分类系统 | |
Lin et al. | Determination of the varieties of rice kernels based on machine vision and deep learning technology | |
Ren et al. | An improved U-net based retinal vessel image segmentation method | |
Panda et al. | Glauconet: patch-based residual deep learning network for optic disc and cup segmentation towards glaucoma assessment | |
CN117015796A (zh) | 处理组织图像的方法和用于处理组织图像的系统 | |
Chengdong et al. | Establishing and validating a spotted tongue recognition and extraction model based on multiscale convolutional neural network | |
CN114864075A (zh) | 一种基于病理图像的胶质瘤级别分析方法及装置 | |
CN113205085B (zh) | 一种图像识别方法和装置 | |
Al Jannat et al. | Detection of multiple sclerosis using deep learning | |
Wang et al. | SERR-U-Net: squeeze-and-excitation residual and recurrent block-based U-Net for automatic vessel segmentation in retinal image | |
CN113420793A (zh) | 一种基于改进的卷积神经网络ResNeSt50的胃印戒细胞癌分类方法 | |
CN117036288A (zh) | 一种面向全切片病理图像的肿瘤亚型诊断方法 | |
Kareem | An evaluation algorithms for classifying leukocytes images | |
CN111860591A (zh) | 基于间隔自适应特征选择融合的宫颈细胞图像分类方法 | |
Peng et al. | Blood vessels segmentation by using cdnet |
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 |