CN109919054A - 一种基于机器视觉的试剂卡自动分类的检测方法 - Google Patents
一种基于机器视觉的试剂卡自动分类的检测方法 Download PDFInfo
- Publication number
- CN109919054A CN109919054A CN201910135511.7A CN201910135511A CN109919054A CN 109919054 A CN109919054 A CN 109919054A CN 201910135511 A CN201910135511 A CN 201910135511A CN 109919054 A CN109919054 A CN 109919054A
- Authority
- CN
- China
- Prior art keywords
- image
- reagent card
- obtains
- carried out
- 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.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种基于机器视觉的试剂卡自动分类的检测方法,属于图像识别领域。针对人工操作存在操作不当,试剂卡滴液量不符合试剂卡要求的可能性,也存在试剂卡结果判读时间不合适的风险,检验人员可能会产生主观误判,导致粪便检测结果无法实现标准化,且人工检测速度较慢,在一定程度上影响了工作效率,不利于有效开展和推广应用等缺点,本发明提供了一种基于机器视觉的试剂卡自动分类的检测方法,能够定时定标检测试剂卡检测结果,大大提高了检测效率。
Description
技术领域
本发明属于机器视觉技术领域,具体是一种基于机器视觉的试剂卡自动分类的检测方法。
背景技术
人体粪便隐血检测又被称为粪便潜血实验,用来检测粪便中是否隐匿红细胞或者血红蛋白,转铁蛋白的一项实验,这项检测结果可以作为判断人体消化道是否出血的一项重要指标,对检查消化道恶性肿瘤早期诊断提供了筛选指标,因此,作为检验科最常规的检测项目,粪便隐血检测有相当广泛的应用。由于粪便隐血检测试剂卡灵敏度极高,而且对滴液量和滴卡显色结果判读时间有严格要求。人工操作存在操作不当,试剂卡滴液量不符合试剂卡要求的可能性,也存在试剂卡结果判读时间不合适的风险,检验人员可能会产生主观误判,导致粪便检测结果无法实现标准化,且人工检测速度较慢,在一定程度上影响了工作效率,不利于有效开展和推广应用。为了从根本上解决定时定量定标的问题,应采用一种机器视觉检测方法对试剂卡进行检测,避免人工操作操作不当隐血结果。本发明所述方法不仅可以最大程度降低人力检测的成本,更重要的是简单易行、安全准确。
发明内容
针对人工操作存在操作不当,试剂卡滴液量不符合试剂卡要求的可能性,也存在试剂卡结果判读时间不合适的风险,检验人员可能会产生主观误判,导致粪便检测结果无法实现标准化,且人工检测速度较慢,在一定程度上影响了工作效率,不利于有效开展和推广应用等缺点,本发明提供了一种基于机器视觉的试剂卡自动分类的检测方法,能够定时定标检测试剂卡检测结果,大大提高了检测效率。
本方案的技术方案为:一种基于机器视觉的试剂卡自动分类的检测方法,该方法包括:
步骤1:通过滴液装置为试剂卡滴取定量的样本液,并等待规定时间,自动推至拍图装置下拍照;
步骤2:通过拍图装置获取试剂卡图像,并对得到的试剂卡图像进行白平衡处理,图像如图2所示;
步骤3:对步骤2中得到的图像进行截取反应区域小图,图像如图3所示;
步骤4:对步骤3得到的彩色图像进行灰度化处理,并将结果图进行快速傅里叶变换得到处理后的图像,图像如图4所示;
步骤5:采用大津阈值法对步骤4中得到的目标图像进行二值化处理,得到二值图像,图像如图5所示;
步骤6:对步骤5得到的图像进行闭运算,得到处理后的图像,通过计算得到白色区域横向坐标大于固定值的区域,将该区域的Y轴坐标作为参数值,图像如图6所示;
步骤7:用步骤6得到的Y轴坐标值,根据固定尺寸截取步骤2中经过白平衡后的试剂卡图像得到指控线区域图像,图像如图7所示;
步骤8:对步骤7得到的图像进行灰度化处理,并且通过上下像素点灰度值相减得到差值,然后通过固定阈值对目标图像进行二值化处理,得到二值图像,图像如图8所示;
步骤9:对步骤7得到的图像进行RGB通道提取,用红色通道和绿色通道的图像相减得到差值图,采用大津阈值法对该差值图像进行二值化处理,得到二值图像,图像如图9所示;
步骤10:对步骤8和步骤9得到的二值图像相交区域进行叠加,不相交的区域置为0,得到试剂卡指控线在图像中的坐标,图像如图10所示;
步骤11:采用步骤10得到的坐标,用固定尺寸截取步骤2中经过白平衡后的试剂卡图像,图像如图11所示;
步骤12:通过指控线坐标计算出检测线区域的坐标。在步骤11得到的图像上通过检测线区域的坐标截取检测线显色区域,图像如图12所示;
步骤13:提取步骤12得到图像的颜色直方图颜色特征、LBP纹理特征和HOG纹理特征,并组合生成特征向量;
步骤14:将步骤13得到的特征向量送入SVM分类器进行训练,得到分类模型。并用得到的分类模型对图像进行分类处理,如图13所示。
进一步的,所述步骤4的具体步骤为:
步骤4-1:通过最优离散傅里叶变换尺寸法,计算快速傅里叶变换的图片最佳尺寸,并对灰度图片尺寸进行修改;
步骤4-2:创建通道,快速傅里叶变换要分别计算实部和虚部,把待处理的图像作为傅里叶输入的实部、另一个全零的图像作为傅里叶输入的虚部;
步骤4-3:合并通道,进行快速傅里叶变换;
步骤4-4:把结果复制一份,并对图像进行傅里叶逆变换。
进一步的,所述步骤6的具体方法为:
步骤6-1:创建横向和纵向模板矩阵;
步骤6-2:用创建好的模板矩阵,对图像进行闭运算,得到结果图
步骤6-3:通过设定横向坐标阈值,遍历二值图白色区域,求出该区域的Y轴坐标。
进一步的,所述步骤13的具体方法为:
步骤13-1:通过提取图像颜色直方图,并进行PCA降维,标准化后得到18维特征;
步骤13-2:通过提取图像LBP纹理特征,并进行PCA降维,标准化后得到32维特征;
步骤13-3:通过提取图像HOG纹理特征,并进行PCA降维,标准化后得到114维特征;
步骤13-4:将三种特征合并为一个164维的特征向量用于训练。
本发明采用获取试剂卡反应区域的图像,然后对图像进行处理得到反应的结果图像,对结果图像进行识别,获得试剂卡反应对应的测试结果;提高了试剂卡反应结果的识别精度和识别效率。
附图说明
图1为本发明的基于机器视觉的试剂卡自动分类检测方法流程图。
图2为在步骤2中由相机采集到的试剂卡图像原图。
图3为在步骤3中截取反应区域的图像。
图4为在步骤4中经过快速傅里叶变换后的图像。
图5为在步骤5中经过大津阈值二值化后的二值图。
图6为在步骤6中经过开闭运算后的二值图。
图7为在步骤7中通过计算得到的坐标去截取原图得到的指控线区域目标图像。
图8为在步骤8中上下像素点灰度值相减得到的差值图,再经过二值化处理后的二值图。
图9为在步骤9中红色通道和绿色通道相减后的差值图,在经过二值化处理后的二值图。
图10为在步骤10中两张二值图相与后的结果图。
图11为在步骤11中通过计算得到的坐标去截取原图得到的目标图像。
图12为在步骤12中截取的检测线区域图像。
图13为在步骤14中用训练好的分类模型分类的结果图。
具体实施方式
一种基于机器视觉的试剂卡自动分类的检测方法,该方法包括:
步骤1:通过滴液装置为试剂卡滴取定量的样本液,并等待规定时间,自动推至拍图装置下拍照;
步骤2:通过拍图装置获取试剂卡图像,并对得到的试剂卡图像进行白平衡处理,图像如图2所示;
步骤3:对步骤2中得到的图像进行截取反应区域小图,图像如图3所示;
步骤4:对步骤3得到的彩色图像进行灰度化处理,并将结果图进行快速傅里叶变换得到处理后的图像,图像如图4所示;
所述步骤4的具体步骤为:
步骤4-1:通过最优离散傅里叶变换尺寸法,计算快速傅里叶变换的图片最佳尺寸,并对灰度图片尺寸进行修改;
步骤4-2:创建通道,快速傅里叶变换要分别计算实部和虚部,把待处理的图像作为傅里叶输入的实部、另一个全零的图像作为傅里叶输入的虚部;
步骤4-3:合并通道,进行快速傅里叶变换;
步骤4-4:把结果复制一份,并对图像进行傅里叶逆变换。
步骤5:采用大津阈值法对步骤4中得到的目标图像进行二值化处理,得到二值图像,图像如图5所示;
步骤6:对步骤5得到的图像进行闭运算,得到处理后的图像,通过计算得到白色区域横向坐标大于固定值的区域,将该区域的Y轴坐标作为参数值,图像如图6所示;
所述步骤6的具体方法为:
步骤6-1:创建横向和纵向模板矩阵;
步骤6-2:用创建好的模板矩阵,对图像进行闭运算,得到结果图
步骤6-3:通过设定横向坐标阈值,遍历二值图白色区域,求出该区域的Y轴坐标。
步骤7:用步骤6得到的Y轴坐标值,根据固定尺寸截取步骤2中经过白平衡后的试剂卡图像得到指控线区域图像,图像如图7所示;
步骤8:对步骤7得到的图像进行灰度化处理,并且通过上下像素点灰度值相减得到差值,然后通过固定阈值对目标图像进行二值化处理,得到二值图像,图像如图8所示;
步骤9:对步骤7得到的图像进行RGB通道提取,用红色通道和绿色通道的图像相减得到差值图,采用大津阈值法对该差值图像进行二值化处理,得到二值图像,图像如图9所示;
步骤10:对步骤8和步骤9得到的二值图像相交区域进行叠加,不相交的区域置为0,得到试剂卡指控线在图像中的坐标,图像如图10所示;
步骤11:采用步骤10得到的坐标,用固定尺寸截取步骤2中经过白平衡后的试剂卡图像,图像如图11所示;
步骤12:通过指控线坐标计算出检测线区域的坐标。在步骤11得到的图像上通过检测线区域的坐标截取检测线显色区域,图像如图12所示;
步骤13:提取步骤12得到图像的颜色直方图颜色特征、LBP纹理特征和HOG纹理特征,并组合生成特征向量;
所述步骤13的具体方法为:
步骤13-1:通过提取图像颜色直方图,并进行PCA降维,标准化后得到18维特征;
步骤13-2:通过提取图像LBP纹理特征,并进行PCA降维,标准化后得到32维特征;
步骤13-3:通过提取图像HOG纹理特征,并进行PCA降维,标准化后得到114维特征;
步骤13-4:将三种特征合并为一个164维的特征向量用于训练。
步骤14:将步骤13得到的特征向量送入SVM分类器进行训练,得到分类模型。并用得到的分类模型对图像进行分类处理,如图13所示。
Claims (4)
1.一种基于机器视觉的试剂卡自动分类的检测方法,该方法包括:
步骤1:通过滴液装置为试剂卡滴取定量的样本液,并等待规定时间,自动推至拍图装置下拍照;
步骤2:通过拍图装置获取试剂卡图像,并对得到的试剂卡图像进行白平衡处理;
步骤3:对步骤2中得到的图像进行截取反应区域小图;
步骤4:对步骤3得到的彩色图像进行灰度化处理,并将结果图进行快速傅里叶变换得到处理后的图像;
步骤5:采用大津阈值法对步骤4中得到的目标图像进行二值化处理,得到二值图像;
步骤6:对步骤5得到的图像进行闭运算,得到处理后的图像,通过计算得到白色区域横向坐标大于固定值的区域,将该区域的Y轴坐标作为参数值;
步骤7:用步骤6得到的Y轴坐标值,根据固定尺寸截取步骤2中经过白平衡后的试剂卡图像得到指控线区域图像;
步骤8:对步骤7得到的图像进行灰度化处理,并且通过上下像素点灰度值相减得到差值,然后通过固定阈值对目标图像进行二值化处理,得到二值图像;
步骤9:对步骤7得到的图像进行RGB通道提取,用红色通道和绿色通道的图像相减得到差值图,采用大津阈值法对该差值图像进行二值化处理,得到二值图像;
步骤10:对步骤8和步骤9得到的二值图像相交区域进行叠加,不相交的区域置为0,得到试剂卡指控线在图像中的坐标;
步骤11:采用步骤10得到的坐标,用固定尺寸截取步骤2中经过白平衡后的试剂卡图像;
步骤12:通过指控线坐标计算出检测线区域的坐标。在步骤11得到的图像上通过检测线区域的坐标截取检测线显色区域;
步骤13:提取步骤12得到图像的颜色直方图颜色特征、LBP纹理特征和HOG纹理特征,并组合生成特征向量;
步骤14:将步骤13得到的特征向量送入SVM分类器进行训练,得到分类模型。并用得到的分类模型对图像进行分类处理。
2.如权利要求1所述的一种基于机器视觉的试剂卡自动分类的检测方法,其特征在于所述步骤4的具体步骤为:
步骤4-1:通过最优离散傅里叶变换尺寸法,计算快速傅里叶变换的图片最佳尺寸,并对灰度图片尺寸进行修改;
步骤4-2:创建通道,快速傅里叶变换要分别计算实部和虚部,把待处理的图像作为傅里叶输入的实部、另一个全零的图像作为傅里叶输入的虚部;
步骤4-3:合并通道,进行快速傅里叶变换;
步骤4-4:把结果复制一份,并对图像进行傅里叶逆变换。
3.如权利要求1所述的一种基于机器视觉的试剂卡自动分类的检测方法,其特征在于所述步骤6的具体方法为:
步骤6-1:创建横向和纵向模板矩阵;
步骤6-2:用创建好的模板矩阵,对图像进行闭运算,得到结果图
步骤6-3:通过设定横向坐标阈值,遍历二值图白色区域,求出该区域的Y轴坐标。
4.如权利要求1所述的一种基于机器视觉的试剂卡自动分类的检测方法,其特征在于所述步骤13的具体方法为:
步骤13-1:通过提取图像颜色直方图,并进行PCA降维,标准化后得到18维特征;
步骤13-2:通过提取图像LBP纹理特征,并进行PCA降维,标准化后得到32维特征;
步骤13-3:通过提取图像HOG纹理特征,并进行PCA降维,标准化后得到114维特征;
步骤13-4:将三种特征合并为一个164维的特征向量用于训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910135511.7A CN109919054B (zh) | 2019-02-25 | 2019-02-25 | 一种基于机器视觉的试剂卡自动分类的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910135511.7A CN109919054B (zh) | 2019-02-25 | 2019-02-25 | 一种基于机器视觉的试剂卡自动分类的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109919054A true CN109919054A (zh) | 2019-06-21 |
CN109919054B CN109919054B (zh) | 2023-04-07 |
Family
ID=66962172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910135511.7A Active CN109919054B (zh) | 2019-02-25 | 2019-02-25 | 一种基于机器视觉的试剂卡自动分类的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919054B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113096125A (zh) * | 2021-05-11 | 2021-07-09 | 上海宝藤生物医药科技股份有限公司 | 低密度脂蛋白试剂浓度的确定方法、装置及存储介质 |
CN113327236A (zh) * | 2021-06-04 | 2021-08-31 | 天津大学 | 新型冠状病毒抗体快速检测试剂的识别方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110090247A1 (en) * | 2008-06-04 | 2011-04-21 | Hitachi High-Technologies Corporation | Particle image analysis method and apparatus |
CN103335955A (zh) * | 2013-06-19 | 2013-10-02 | 华南农业大学 | 一种水质在线监测方法与装置 |
CN103543277A (zh) * | 2013-09-13 | 2014-01-29 | 中国科学院苏州生物医学工程技术研究所 | 一种基于灰度分析与种类识别的血型结果识别算法 |
CN105096342A (zh) * | 2015-08-11 | 2015-11-25 | 杭州景联文科技有限公司 | 一种基于傅里叶描述子和方向梯度直方图的入侵检测算法 |
CN106446777A (zh) * | 2016-08-29 | 2017-02-22 | 广东工业大学 | 基于卷积神经网络的无创血糖数据处理方法及系统 |
CN107155350A (zh) * | 2014-07-30 | 2017-09-12 | 马修·库珀 | 用于诊断、预后和确认先兆子痫的方法与组合物 |
CN107328776A (zh) * | 2017-06-23 | 2017-11-07 | 华中科技大学 | 一种免疫层析试纸卡的快速检测方法 |
CN108120724A (zh) * | 2017-04-27 | 2018-06-05 | 桂林电子科技大学 | 医用试纸的纸病检测系统 |
CN108564114A (zh) * | 2018-03-28 | 2018-09-21 | 电子科技大学 | 一种基于机器学习的人体粪便白细胞自动识别方法 |
CN108593643A (zh) * | 2018-03-13 | 2018-09-28 | 重庆交通大学 | 基于智能移动终端的尿液检测方法 |
CN109272001A (zh) * | 2018-09-28 | 2019-01-25 | 深圳市飞点健康管理有限公司 | 尿检识别分类器的构造训练方法、装置及计算机设备 |
-
2019
- 2019-02-25 CN CN201910135511.7A patent/CN109919054B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110090247A1 (en) * | 2008-06-04 | 2011-04-21 | Hitachi High-Technologies Corporation | Particle image analysis method and apparatus |
CN103335955A (zh) * | 2013-06-19 | 2013-10-02 | 华南农业大学 | 一种水质在线监测方法与装置 |
CN103543277A (zh) * | 2013-09-13 | 2014-01-29 | 中国科学院苏州生物医学工程技术研究所 | 一种基于灰度分析与种类识别的血型结果识别算法 |
CN107155350A (zh) * | 2014-07-30 | 2017-09-12 | 马修·库珀 | 用于诊断、预后和确认先兆子痫的方法与组合物 |
CN105096342A (zh) * | 2015-08-11 | 2015-11-25 | 杭州景联文科技有限公司 | 一种基于傅里叶描述子和方向梯度直方图的入侵检测算法 |
CN106446777A (zh) * | 2016-08-29 | 2017-02-22 | 广东工业大学 | 基于卷积神经网络的无创血糖数据处理方法及系统 |
CN108120724A (zh) * | 2017-04-27 | 2018-06-05 | 桂林电子科技大学 | 医用试纸的纸病检测系统 |
CN107328776A (zh) * | 2017-06-23 | 2017-11-07 | 华中科技大学 | 一种免疫层析试纸卡的快速检测方法 |
CN108593643A (zh) * | 2018-03-13 | 2018-09-28 | 重庆交通大学 | 基于智能移动终端的尿液检测方法 |
CN108564114A (zh) * | 2018-03-28 | 2018-09-21 | 电子科技大学 | 一种基于机器学习的人体粪便白细胞自动识别方法 |
CN109272001A (zh) * | 2018-09-28 | 2019-01-25 | 深圳市飞点健康管理有限公司 | 尿检识别分类器的构造训练方法、装置及计算机设备 |
Non-Patent Citations (3)
Title |
---|
TAHA J. ALHINDI等: "《Comparing LBP, HOG and Deep Features for Classification of Histopathology Images》", 《ARXIV》 * |
李露: "《基于支持向量机的微柱血型卡图像识别研究与应用》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
罗刚银: "《全自动血型分析系统关键技术的研究》", 《中国博士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113096125A (zh) * | 2021-05-11 | 2021-07-09 | 上海宝藤生物医药科技股份有限公司 | 低密度脂蛋白试剂浓度的确定方法、装置及存储介质 |
CN113096125B (zh) * | 2021-05-11 | 2024-05-31 | 上海宝藤生物医药科技股份有限公司 | 低密度脂蛋白试剂浓度的确定方法、装置及存储介质 |
CN113327236A (zh) * | 2021-06-04 | 2021-08-31 | 天津大学 | 新型冠状病毒抗体快速检测试剂的识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109919054B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
William et al. | A pap-smear analysis tool (PAT) for detection of cervical cancer from pap-smear images | |
Di Cataldo et al. | Computer-aided techniques for chromogenic immunohistochemistry: status and directions | |
US10747986B2 (en) | Automated analysis of cellular samples having intermixing of analytically distinct patterns of analyte staining | |
Di Cataldo et al. | Automated segmentation of tissue images for computerized IHC analysis | |
Dundar et al. | Computerized classification of intraductal breast lesions using histopathological images | |
Valkonen et al. | Cytokeratin-supervised deep learning for automatic recognition of epithelial cells in breast cancers stained for ER, PR, and Ki-67 | |
JP2022084796A (ja) | 画像処理のための自動アッセイ評価および正規化 | |
US11631171B2 (en) | Automated detection and annotation of prostate cancer on histopathology slides | |
Lejeune et al. | Quantification of diverse subcellular immunohistochemical markers with clinicobiological relevancies: validation of a new computer‐assisted image analysis procedure | |
JP2021506003A (ja) | デジタル病理学分析結果の格納および読み出し方法 | |
US20220351860A1 (en) | Federated learning system for training machine learning algorithms and maintaining patient privacy | |
US11959848B2 (en) | Method of storing and retrieving digital pathology analysis results | |
WO2019232910A1 (zh) | 眼底图像分析方法、计算机设备和存储介质 | |
CN109919054A (zh) | 一种基于机器视觉的试剂卡自动分类的检测方法 | |
Al-Lahham et al. | Automating proliferation rate estimation from Ki-67 histology images | |
JP2023100730A (ja) | 自動化された原位置ハイブリッド形成分析のためのシステム | |
CN105354405A (zh) | 基于机器学习的免疫组化图像自动化判读系统 | |
López et al. | Automated quantification of nuclear immunohistochemical markers with different complexity | |
Swiderska-Chadaj et al. | Content-based analysis of Ki-67 stained meningioma specimens for automatic hot-spot selection | |
Hiary et al. | Automated segmentation of stromal tissue in histology images using a voting Bayesian model | |
Zhang et al. | Microscope based her2 scoring system | |
Galton et al. | Ontological levels in histological imaging | |
CN117425912A (zh) | 将组织化学染色图像转换成合成免疫组织化学(ihc)图像 | |
CN113920095A (zh) | 用于宫颈图像的分析管理的装置和方法、设备及存储介质 | |
Ficarra et al. | Computer-aided evaluation of protein expression in pathological tissue images |
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 |