CN109919054B - 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 PDF

Info

Publication number
CN109919054B
CN109919054B CN201910135511.7A CN201910135511A CN109919054B CN 109919054 B CN109919054 B CN 109919054B CN 201910135511 A CN201910135511 A CN 201910135511A CN 109919054 B CN109919054 B CN 109919054B
Authority
CN
China
Prior art keywords
image
reagent card
features
area
carrying
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
CN201910135511.7A
Other languages
English (en)
Other versions
CN109919054A (zh
Inventor
张静
申志杰
邓鼎文
杨浩
王祥舟
杜晓辉
刘娟秀
倪光明
刘霖
刘永
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201910135511.7A priority Critical patent/CN109919054B/zh
Publication of CN109919054A publication Critical patent/CN109919054A/zh
Application granted granted Critical
Publication of CN109919054B publication Critical patent/CN109919054B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

一种基于机器视觉的试剂卡自动分类的检测方法
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得到的二值图像进行相与操作，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。
CN201910135511.7A 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 Active CN109919054B (zh)

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 CN109919054A (zh) 2019-06-21
CN109919054B true 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)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113327236B (zh) * 2021-06-04 2022-08-02 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 (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102047095B (zh) * 2008-06-04 2013-04-24 株式会社日立高新技术 粒子图像解析方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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)

* Cited by examiner, † Cited by third party
Title
《Comparing LBP, HOG and Deep Features for Classification of Histopathology Images》;Taha J. Alhindi等;《arXiv》;20180303;第1-7页 *
《全自动血型分析系统关键技术的研究》;罗刚银;《中国博士学位论文全文数据库 医药卫生科技辑》;20120915(第09期);第E053-19页 *
《基于支持向量机的微柱血型卡图像识别研究与应用》;李露;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190215(第02期);第I138-2308页 *

Also Published As

Publication number Publication date
CN109919054A (zh) 2019-06-21

Similar Documents

Publication Publication Date Title
US11199690B2 (en) Determining a degree of red blood cell deformity within a blood sample
Barbedo An automatic method to detect and measure leaf disease symptoms using digital image processing
US8111897B2 (en) Evaluation system, evaluation method, and recording medium
CN108074243B (zh) 一种细胞定位方法以及细胞分割方法
CN107328776B (zh) 一种免疫层析试纸卡的快速检测方法
US11977984B2 (en) Using a first stain to train a model to predict the region stained by a second stain
EP2847738B1 (en) Method and apparatus for image scoring and analysis
AU2016250791A1 (en) Colony contrast gathering
CN108985170A (zh) 基于三帧差分法及深度学习的输电线路悬挂物识别方法
CN103020585A (zh) 一种免疫组织阳性细胞和阴性细胞识别方法
US10395091B2 (en) Image processing apparatus, image processing method, and storage medium identifying cell candidate area
CN109872335A (zh) 一种用于pd-l1抗体染色切片的自动读片方法及其系统
CN112215790A (zh) 基于深度学习的ki67指数分析方法
US20220012884A1 (en) Image analysis system and analysis method
WO2021109152A1 (zh) 样本分析系统及方法、细胞图像分析仪及存储介质
Meimban et al. Blood cells counting using python opencv
Boukouvalas et al. Automatic segmentation method for CFU counting in single plate-serial dilution
CN109919054B (zh) 一种基于机器视觉的试剂卡自动分类的检测方法
Nakamichi et al. Classification of circulating tumor cells in fluorescence microscopy images based on SqueezeNet
CN107389957B (zh) 微柱凝胶卡凝集检测结果识别系统及血型分析仪
WO2017145172A1 (en) System and method for extraction and analysis of samples under a microscope
CN110622168A (zh) 医学图像检测
CN107356774B (zh) 微柱凝胶卡凝集检测结果识别方法
Zhang et al. A robust and high-performance white blood cell segmentation algorithm
Andreini et al. Automatic image analysis and classification for urinary bacteria infection screening

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