CN111077150A - 一种基于计算机视觉和神经网络的大便智能分析方法 - Google Patents

一种基于计算机视觉和神经网络的大便智能分析方法 Download PDF

Info

Publication number
CN111077150A
CN111077150A CN201911401385.1A CN201911401385A CN111077150A CN 111077150 A CN111077150 A CN 111077150A CN 201911401385 A CN201911401385 A CN 201911401385A CN 111077150 A CN111077150 A CN 111077150A
Authority
CN
China
Prior art keywords
stool
image
color
excrement
analysis
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
Application number
CN201911401385.1A
Other languages
English (en)
Inventor
王海霞
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.)
First Affiliated Hospital of Chongqing Medical University
Original Assignee
First Affiliated Hospital of Chongqing Medical 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 First Affiliated Hospital of Chongqing Medical University filed Critical First Affiliated Hospital of Chongqing Medical University
Priority to CN201911401385.1A priority Critical patent/CN111077150A/zh
Publication of CN111077150A publication Critical patent/CN111077150A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns

Abstract

本发明公开了一种基于计算机视觉和神经网络的大便智能分析方法，属于数字图像处理技术和机器学习技术领域。方法包括：检测大便颜色；获取大便3D图像，并自动化分析得出大便性状；根据大便颜色和大便性状获取镜检图像，并通过分析镜检图像得出大便有形成分；对大便颜色、大便性状和大便有形成分的分析结果进行整合并分类。本申请能够实现对大便的智能自动化分析，准确识别大便颜色、性状，有针对性地挑取有形成分进行检测，并对结果进行分类，是对传统大便识别技术的有效补充，并且相对传统识别方法效率更高，还可以减少检测人员视觉上的不适感。

Description

一种基于计算机视觉和神经网络的大便智能分析方法
技术领域
本发明涉及数字图像处理技术和机器学习技术领域，特别是指一种基于计算机视觉和神经网络的大便智能分析方法。
背景技术
目前常用的大便检查方法有手工法和仪器法，手工法需要通过肉眼来识别大便颜色、性状，并挑取大便有异常的部位进行检测；而大便自动分析仪的应用虽然使大便常规检查方便、标准，但是对于大便颜色和性状的识别，仪器法仍然采用的是拍照后肉眼判断，对大便进行显微镜下检查也是将大便盒内所有大便添加稀释液后混匀后吸取混悬液检查。肉眼判断的过程需要对每个大便进行观看识别，添加稀释液混匀后吸取的混悬液则有可能因为异常物质量少而被稀释，从而无法在镜下发现，导致对大便性状的识别速度不够快，且对大便异常部位的挑选不够准确。
发明内容
为进一步解决上述问题，本发明提供一种基于计算机视觉和神经网络的大便智能分析方法，通过对大便颜色、性状和有形成分进行自动化分析，使得分析结果相较传统技术的更加准确全面，并减少了检测人员的生理不适感。
本发明提供一种基于计算机视觉和神经网络的大便智能分析方法，具体包括：
S11、检测大便颜色；
S12、获取大便3D图像，并自动化分析得出大便性状；
S13、根据所述大便颜色和所述大便性状获取镜检图像，并通过分析所述镜检图像得出大便有形成分；
S14、对所述大便颜色、大便性状和大便有形成分的分析结果进行整合并分类。
本申请通过提供了一种基于计算机视觉和神经网络的大便智能分析方法，能够实现对大便的智能自动化分析并对分析结果数据进行分类。方法能够准确识别大便颜色、性状，并根据这些数据信息有针对性地挑取有形成分进行进一步的检测，得到更加准确的大便智能分类结果，相较传统分析技术，本申请自动化的检测流程更多，是对传统大便自动化识别技术的有效改进和补充，并且相对传统识别方法，本申请在识别效率和准确度上更高，还可以显著地减少检测人员在传统检测过程中不可避免产生的视觉上的不适感。
优选的，检测大便颜色的过程，具体包括：
S21、向大便发射检测光源，获取大便反射的色彩数据信号，并传输至色彩分析单元；
S22、所述色彩分析单元将所述色彩数据信号转换为指令并下达至自动控制单元；
S23、所述自动控制单元根据收到的指令进行基色配比，将得到的配比数据信号传送回所述色彩分析单元；
S24、所述色彩分析单元将所述配比数据信号与所述色彩数据信号进行比对分析，将得到的比对结果数据反馈给所述自动控制单元；
S25、所述自动控制单元分析所述比对结果数据，得出大便颜色。
优选的，获取大便3D图像，并自动化分析得出大便性状的过程，具体包括：
S31、获取大便3D图像并进行预处理，使用预处理后的大便3D图像构建第一训练集和第一应用集；
S32、在第一卷积层对第一训练集中的所述大便3D图像进行逐行扫描和隔行扫描，提取所述大便3D图像的特征；
S33、对提取特征后的所述大便3D图像进行图像识别和标定，得到标定结果；
S34、通过所述大便3D图像的特征和所述标定结果构建第一卷积神经网络模型；
S35、经过第一预设次数的卷积、非线性转化和池化操作，对所述第一卷积神经网络模型进行训练；
S36、通过训练后的所述第一卷积神经网络模型对第一应用集进行分析，得出大便性状。
优选的，第一卷积网络模型中包含卷积层、Relu激活层、池化层和FC全连接层，分别在神经网络模型的自我训练和结果输出中起到卷积、非线性转化、池化和全连接操作。
优选的，池化层对卷积层卷积获得的测试结果进行压缩，对特征值按照重要程度进行排序和筛选，有效控制模型的过度拟合，将给定的样本提供合适的分类或输出，使图像中大便的颜色、性状按照有无异常进行分类和汇总。
优选的，Relu激活层，通过引入非线性激励函数，对每个卷积层进行刚性非线性转化操作，对输入内容的所有值都应用Relu函数f(x)＝max(0,x)，把神经网络模型中所有的负激活(negative activation)都变为零，并增加模型乃至整个神经网络的非线性特征。第一神经网络模型对大便性状数据进行处理时，经过多次卷积、非线性转化和池化操作之后，再将结果输入FC全连接层进行全连接操作，最后输出大便颜色和性状的分类结果。
优选的，根据所述大便颜色和所述大便性状获取镜检图像，并通过分析所述镜检图像得出大便有形成分，具体包括：
S41、根据所述大便颜色和所述大便性状确定大便异常部位，选取异常部位定量标本与固定量稀释液在预稀释检测池对大便进行稀释，通过显微镜获取有形成分的镜检图像，并进行分割处理，得到分割处理后的二值化图像，并分为第二训练集和第二应用集；
S42、对所述二值化图像进行形态学闭运算，采用连通域标定，计算连通域的面积、周长、离心率、圆形度和最小外接矩形的宽高，对所述连通域进行初筛，并使用高斯滤波处理单元，实现对所述连通域的平滑处理，然后对处理后的连通域进行二值化处理，得到二值化的连通域图；
S43、根据所述二值化的连通域图构建第二卷积神经网络模型；
S44、经过第二预设次数的卷积、非线性转化和池化操作，采用随机梯度下降法对所述第二卷积神经网络模型进行训练；
S45、通过所述第二卷积神经网络模型对所述第二应用集进行分析，得出大便有形成分。
优选的，对获取到的有形成分的镜检图像进行分割处理时，将获取的镜检图像进行图像分割，使所述图像分割为最小可识别的像素点，对分割样本人工标注插值缩放，得到大小统一的带标签图像。
优选的，通过Kirsch算法进行用于图像增强的高斯滤波处理，再运用大津阈值法得到用于分割处理的阈值，从而进行阈值分割，并获取二值化的连通域图；最后，对所述二值化的连通域图进行形态学闭运算，填充细小空洞，平滑边界。
优选的，在池化层处理图像时，所述池化层对卷积层获得的测试结果进行压缩，并对特征值按照重要程度进行排序和筛选，有效控制模型的过度拟合，将连通域筛选出的经过高斯滤波处理的图像划分为若干个矩形区域，对每个子区域输出最大值，减少所得数据的大小，控制参数的数量和计算量，从而控制过度拟合。
优选的，为保证图像不被过度匹配筛选，采用Relu激活层，对每个卷积层进行刚性非线性操作，对输入内容的所有值都应用Relu函数f(x)＝max(0,x)，把所有的负激活(negative activation)都变为零，增加模型乃至整个神经网络的非线性特征，再通过tanh激活层，采用均方误差的方式计算损失函数。
优选的，神经网络模型采用随机梯度下降法进行训练。
可选的，神经网络模型采用协方差矩阵自适应演化算法进行训练。
优选的，向大便发射检测光源，获取大便反射的色彩数据信号的过程，包括：
通过标准RGB三原色的激光源检测大便的颜色，并通过激光色彩识别单元获取所述色彩数据信号，
或通过图像采集设备采集大便图像，并通过RGB识别单元获取所述色彩数据信号。
优选的，获取大便3D图像并进行预处理的过程，具体包括：
将大便样本置于透明容器中，采用3D相机拍摄大便3D图像，通过3D图像传感器获取所述大便3D图像；
依次通过灰度、二值化及加权平均法对大便3D图像进行处理，将所述大便3D图像由RGB彩色图像处理为灰度图像。
优选的，对提取特征后的所述大便3D图像进行图像识别和标定，得到标定结果的过程，具体包括：
S71、对所述灰度图像进行通道分离，生成第一输入图像；
S72、将所述第一输入图像进行高斯滤波和平滑处理，生成第二输入图像；
S73、对所述第二输入图像进行二值化处理，生成第三输入图像；
S74、对所述第三输入图像进行距离变换处理，生成第四输入图像；
S75、对所述第四输入图像进行形态学处理，得到标定结果。
优选的，所述形态学处理为形态学闭运算，填充第四输入图像的细小空洞，平滑边界。
本发明还提供一种基于计算机视觉和神经网络的大便智能分析装置，包括：
颜色检测模块，用于检测大便颜色；
性状分析模块，用于获取大便3D图像，并自动化分析得出大便性状；
有形成分分析模块，用于根据所述大便颜色和所述大便性状获取镜检图像，并通过分析所述镜检图像得出大便有形成分；
分类模块，用于对所述大便颜色、大便性状和大便有形成分的分析结果进行整合并分类。
本发明还提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，处理器执行所述计算机程序时实现上述任一种大便智能分析方法的步骤。
本发明还提供一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述任一种大便智能分析方法的步骤。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明实施例中的一种基于计算机视觉和神经网络的大便智能分析方法流程图；
图2是本发明实施例中的检测大便颜色流程图；
图3是本发明实施例中的自动化分析得出大便性状流程图；
图4是本发明实施例中的获取镜检图像并分析得出大便有形成分流程图；
图5是本发明实施例中的对大便3D图像进行图像识别和标定，得到标定结果的流程图；
图6是本发明实施例中的一种基于计算机视觉和神经网络的大便智能分析装置图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
本发明的实施例提供一种基于计算机视觉和神经网络的大便智能分析方法，具体包括：
S11、检测大便颜色；
S12、获取大便3D图像，并自动化分析得出大便性状；
S13、根据所述大便颜色和所述大便性状获取镜检图像，并通过分析所述镜检图像得出大便有形成分；
S14、对所述大便颜色、大便性状和大便有形成分的分析结果进行整合并分类。
本申请的实施例通过提供了一种基于计算机视觉和神经网络的大便智能分析方法，能够实现对大便的智能自动化分析并对分析结果数据进行分类。方法能够准确识别大便颜色、性状，并根据这些数据信息有针对性地挑取有形成分进行进一步的检测，得到更加准确的大便智能分类结果，相较传统分析技术，本实施例自动化的检测流程更多，是对传统大便自动化识别技术的有效改进和补充，并且相对传统识别方法，本申请在识别效率和准确度上更高，还可以显著地减少检测人员在传统检测过程中不可避免产生的视觉上的不适感。
优选的，所述大便性状，包括但不限于：
大便的形状、含水量和体积。
优选的，所述大便有形成分，包括但不限于：
有机成分，包括细胞成分和其他有机成分；
无机成分，包括生理性结晶、病理性结晶和其他无机物结晶。
优选的，对所述大便颜色、大便性状和大便有形成分的分析结果进行整合并分类的过程，包括：
将同一大便样本来源的所述大便颜色、大便性状和大便有形成分的分析结果整合并储存，并根据第二神经网络模型的有形成分分析结果对上述整合并储存的数据进行分类。
优选的，检测大便颜色的过程，具体包括：
S21、向大便发射检测光源，获取大便反射的色彩数据信号，并传输至色彩分析单元；
S22、所述色彩分析单元将所述色彩数据信号转换为指令并下达至自动控制单元；
S23、所述自动控制单元根据收到的指令进行基色配比，将得到的配比数据信号传送回所述色彩分析单元；
S24、所述色彩分析单元将所述配比数据信号与所述色彩数据信号进行比对分析，将得到的比对结果数据反馈给所述自动控制单元；
S25、所述自动控制单元分析所述比对结果数据，得出大便颜色。优选的，所述基色配比的过程，包括：
所述自动控制单元获取所述指令，并以指令中传输的RGB信息为基础，按照预设的色彩检测环境标准进行RGB基色的配比，得到配比数据信号。
优选的，所述比对分析的过程，包括：
对调整后的配比数据信号和色彩数据信号进行比对，得到比对结果数据，所述比对结果数据为预设色彩检测环境和实际色彩检测环境产生的RGB数值差。
优选的，所述自动控制单元分析所述比对结果数据，得出大便颜色的过程，包括：
所述自动控制单元根据所述比对结果数据，对因色彩检测环境不同产生的误差进行修正，得出大便颜色。
本申请的实施例通过上述检测大便颜色的过程，使得在对大便进行颜色检测时，可以降低环境影响对检测结果的干扰，提高检测的准确度。
可选的，检测大便颜色的过程，具体包括：
通过图像采集设备采集大便图像，并通过RGB识别单元获取所述色彩数据信号，并直接通过色彩分析单元分析所述色彩数据信号，得到大便颜色。
优选的，获取大便3D图像，并自动化分析得出大便性状的过程，具体包括：
S31、获取大便3D图像并进行预处理，使用预处理后的大便3D图像构建第一训练集和第一应用集；
S32、在第一卷积层对第一训练集中的所述大便3D图像进行逐行扫描和隔行扫描，提取所述大便3D图像的特征；
S33、对提取特征后的所述大便3D图像进行图像识别和标定，得到标定结果；
S34、通过所述大便3D图像的特征和所述标定结果构建第一卷积神经网络模型；
S35、经过第一预设次数的卷积、非线性转化和池化操作，对所述第一卷积神经网络模型进行训练；
S36、通过训练后的所述第一卷积神经网络模型对第一应用集进行分析，得出大便性状。
优选的，第一卷积网络模型中包含卷积层、Relu激活层、池化层和FC全连接层，分别在神经网络模型的自我训练和结果输出中起到卷积、非线性转化、池化和全连接操作。
优选的，池化层对卷积层卷积获得的测试结果进行压缩，对特征值按照重要程度进行排序和筛选，有效控制模型的过度拟合，将给定的样本提供合适的分类或输出，使图像中大便的颜色、性状按照有无异常进行分类和汇总。
优选的，Relu激活层，通过引入非线性激励函数，对每个卷积层进行刚性非线性转化操作，对输入内容的所有值都应用Relu函数f(x)＝max(0,x)，把神经网络模型中所有的负激活(negative activation)都变为零，并增加模型乃至整个神经网络的非线性特征。第一神经网络模型对大便性状数据进行处理时，经过多次卷积、非线性转化和池化操作之后，再将结果输入FC全连接层进行全连接操作，最后输出大便颜色和性状的分类结果。
在一个具体的实施例中，大便3D图像经过灰度处理，二值化输入，卷积和池化，再通过激活非线性转化和全连接层后，提取每个图像的特征，产生图像的网络输出层。第一神经网络模型经过1000张不同类型的大便3D图像的训练，训练时采用OHEM的方法提高速度，并通过反向传播算法对每层的参数进行更新和微调。
优选的，根据所述大便颜色和所述大便性状获取镜检图像，并通过分析所述镜检图像得出大便有形成分，具体包括：
S41、根据所述大便颜色和所述大便性状确定大便异常部位，选取异常部位定量标本与固定量稀释液在预稀释检测池对大便进行稀释，通过显微镜获取有形成分的镜检图像，并进行分割处理，得到分割处理后的二值化图像，并分为第二训练集和第二应用集；
S42、对所述二值化图像进行形态学闭运算，采用连通域标定，计算连通域的面积、周长、离心率、圆形度和最小外接矩形的宽高，对所述连通域进行初筛，并使用高斯滤波处理单元，实现对所述连通域的平滑处理，然后对处理后的连通域进行二值化处理，得到二值化的连通域图；
S43、根据所述二值化的连通域图构建第二卷积神经网络模型；
S44、经过第二预设次数的卷积、非线性转化和池化操作，采用随机梯度下降法对所述第二卷积神经网络模型进行训练；
S45、通过所述第二卷积神经网络模型对所述第二应用集进行分析，得出大便有形成分。
优选的，对获取到的有形成分的镜检图像进行分割处理时，将获取的镜检图像进行图像分割，使所述图像分割为最小可识别的像素点，对分割样本人工标注插值缩放，得到大小统一的带标签图像。
优选的，通过Kirsch算法进行用于图像增强的高斯滤波处理，再运用大津阈值法得到用于分割处理的阈值，从而进行阈值分割，并获取二值化的连通域图；最后，对所述二值化的连通域图进行形态学闭运算，填充细小空洞，平滑边界。
优选的，在池化层处理图像时，所述池化层对卷积层获得的测试结果进行压缩，并对特征值按照重要程度进行排序和筛选，有效控制模型的过度拟合，将连通域筛选出的经过高斯滤波处理的图像划分为若干个矩形区域，对每个子区域输出最大值，减少所得数据的大小，控制参数的数量和计算量，从而控制过度拟合。
优选的，为保证图像不被过度匹配筛选，采用Relu激活层，对每个卷积层进行刚性非线性操作，对输入内容的所有值都应用Relu函数f(x)＝max(0,x)，把所有的负激活(negative activation)都变为零，增加模型乃至整个神经网络的非线性特征，再通过tanh激活层，采用均方误差的方式计算损失函数。
优选的，神经网络模型采用随机梯度下降法进行训练。
可选的，神经网络模型采用协方差矩阵自适应演化算法进行训练。
在一个具体的实施例中，镜检图像经过灰度处理，二值化输入，卷积和池化，再通过激活非线性转化和全连接层后，提取每个图像的特征，产生图像的网络输出层。第二神经网络模型经过1000张不同类型的镜检图像的训练，训练时采用OHEM的方法提高速度，并通过反向传播算法对每层的参数进行更新和微调。
优选的，向大便发射检测光源，获取大便反射的色彩数据信号的过程，包括：
通过标准RGB三原色的激光源检测大便的颜色，并通过激光色彩识别单元获取所述色彩数据信号，
或通过图像采集设备采集大便图像，并通过RGB识别单元获取所述色彩数据信号。
优选的，获取大便3D图像并进行预处理的过程，具体包括：
将大便样本置于透明容器中，采用3D相机拍摄大便3D图像，通过3D图像传感器获取所述大便3D图像；
依次通过灰度、二值化及加权平均法对大便3D图像进行处理，将所述大便3D图像由RGB彩色图像处理为灰度图像。
在一个具体的实施例中，将训练的RGB颜色模式的彩色图像处理成仅包含0和255值的图像，0代表黑色，255代表白色，然后将R、G、B三个分量以不同的权值进行加权平均，得到灰度图像，公式表现为：
Gray(i，j)＝0.299*R(i，j)+0.578*G(i，j)+0.114*B(i，j)
其中，(i，j)代表图像中i行j列的像素点。
在一个具体的实施例中，灰度处理函数为：[cv2.cvtColor()]：cv2.COLOR_BGR2GRAY
优选的，对提取特征后的所述大便3D图像进行图像识别和标定，得到标定结果的过程，具体包括：
S71、对所述灰度图像进行通道分离，生成第一输入图像；
S72、将所述第一输入图像进行高斯滤波和平滑处理，生成第二输入图像；
S73、对所述第二输入图像进行二值化处理，生成第三输入图像；
S74、对所述第三输入图像进行距离变换处理，生成第四输入图像；
S75、对所述第四输入图像进行形态学处理，得到标定结果。
在一个具体的实施例中，将大便3D图像由彩色图像处理为灰色图像之后，对所述灰色图像进行通道分离，选择合适的通道作为输入图像；进行高斯滤波处理，高斯滤波使用cv2.GaussianBlur()函数，通过低通滤波器，输出图像的每个像素点是原图像上对应像素点与周围像素点的加权和，利用滤波器实现对图像的平滑处理，在高斯滤波处理后将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果，二值化设定一个阈值T，用T将图像数据分成两部分：大于T的像素群和小于T的像素群。然后对图像进行距离变换处理，使用distanceTransform方法计算图像中每一个非零点距离最近的零点的距离，它将二值图像再次变换为灰度图像。
优选的，对所述灰度图像形态学处理，对二值化的图像经过去除噪音形成的斑点后采集平滑目标的轮廓。
优选的，所述形态学处理为形态学闭运算，填充第四输入图像的细小空洞，平滑边界。
本发明的实施例还提供一种基于计算机视觉和神经网络的大便智能分析装置，包括：
颜色检测模块81，用于检测大便颜色；
性状分析模块82，用于获取大便3D图像，并自动化分析得出大便性状；
有形成分分析模块83，用于根据所述大便颜色和所述大便性状获取镜检图像，并通过分析所述镜检图像得出大便有形成分；
分类模块84，用于对所述大便颜色、大便性状和大便有形成分的分析结果进行整合并分类。
优选的，所述颜色检测模块81，包括：
色彩识别单元，用于获取大便的色彩数据信息；
色彩分析单元，用于将所述色彩数据信号转换为指令，并下达至自动控制单元；将获取的配比数据信号与所述色彩数据信号进行比对分析，将得到的比对结果数据反馈给所述自动控制单元；
自动控制单元，用于根据收到的指令进行基色配比，将得到的配比数据信号传送回所述色彩分析单元；所述自动控制单元分析所述比对结果数据，得出大便颜色。
优选的，所述性状分析模块82，包括：
预处理单元，用于获取大便3D图像并进行预处理，使用预处理后的大便3D图像构建第一训练集和第一应用集；
特征提取单元，用于在第一卷积层对第一训练集中的所述大便3D图像进行逐行扫描和隔行扫描，提取所述大便3D图像的特征；
识别标定单元，用于对提取特征后的所述大便3D图像进行图像识别和标定，得到标定结果；
第一预构建单元，用于通过所述大便3D图像的特征和所述标定结果构建第一卷积神经网络模型；
第一模型训练单元，用于经过第一预设次数的卷积、非线性转化和池化操作，对所述第一卷积神经网络模型进行训练；
性状分析单元，用于通过训练后的所述第一卷积神经网络模型对第一应用集进行分析，得出大便性状。
优选的，所述有形成分分析模块83，包括：
镜检处理单元，用于根据所述大便颜色和所述大便性状确定大便异常部位，选取异常部位定量标本与固定量稀释液在预稀释检测池对大便进行稀释，通过显微镜获取有形成分的镜检图像，并进行分割处理，得到分割处理后的二值化图像，并分为第二训练集和第二应用集；
连通域处理单元，用于对所述二值化图像进行形态学闭运算，采用连通域标定，计算连通域的面积、周长、离心率、圆形度和最小外接矩形的宽高，对所述连通域进行初筛，并使用高斯滤波处理单元，实现对所述连通域的平滑处理，然后对处理后的连通域进行二值化处理，得到二值化的连通域图；
第二预构建单元，用于根据所述二值化的连通域图构建第二卷积神经网络模型；
第二模型训练单元，用于经过第二预设次数的卷积、非线性转化和池化操作，采用随机梯度下降法对所述第二卷积神经网络模型进行训练；
有形成分分析单元，用于通过所述第二卷积神经网络模型对所述第二应用集进行分析，得出大便有形成分。
本发明的实施例还提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，处理器执行所述计算机程序时实现上述任一种大便智能分析方法的步骤。
本发明的实施例还提供一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述任一种大便智能分析方法的步骤。
上述所有可选技术方案，可以采用任意结合形成本公开的可选实施例，在此不再一一赘述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
以上，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，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于计算机视觉和神经网络的大便智能分析方法，其特征在于，包括：
S11、检测大便颜色；
S12、获取大便3D图像，并自动化分析得出大便性状；
S13、根据所述大便颜色和所述大便性状获取镜检图像，并通过分析所述镜检图像得出大便有形成分；
S14、对所述大便颜色、大便性状和大便有形成分的分析结果进行整合并分类。
2.根据权利要求1所述的一种大便智能分析方法，其特征在于，所述检测大便颜色的过程，具体包括：
S21、向大便发射检测光源，获取大便反射的色彩数据信号，并传输至色彩分析单元；
S22、所述色彩分析单元将所述色彩数据信号转换为指令并下达至自动控制单元；
S23、所述自动控制单元根据收到的指令进行基色配比，将得到的配比数据信号传送回所述色彩分析单元；
S24、所述色彩分析单元将所述配比数据信号与所述色彩数据信号进行比对分析，将得到的比对结果数据反馈给所述自动控制单元；
S25、所述自动控制单元分析所述比对结果数据，得出大便颜色。
3.根据权利要求1所述的一种大便智能分析方法，其特征在于，所述获取大便3D图像，并自动化分析得出大便性状的过程，具体包括：
S31、获取大便3D图像并进行预处理，使用预处理后的大便3D图像构建第一训练集和第一应用集；
S32、在第一卷积层对第一训练集中的所述大便3D图像进行逐行扫描和隔行扫描，提取所述大便3D图像的特征；
S33、对提取特征后的所述大便3D图像进行图像识别和标定，得到标定结果；
S34、通过所述大便3D图像的特征和所述标定结果构建第一卷积神经网络模型；
S35、经过第一预设次数的卷积、非线性转化和池化操作，对所述第一卷积神经网络模型进行训练；
S36、通过训练后的所述第一卷积神经网络模型对第一应用集进行分析，得出大便性状。
4.根据权利要求3所述的一种大便智能分析方法，其特征在于，根据所述大便颜色和所述大便性状获取镜检图像，并通过分析所述镜检图像得出大便有形成分，具体包括：
S41、根据所述大便颜色和所述大便性状确定大便异常部位，选取异常部位定量标本与固定量稀释液在预稀释检测池对大便进行稀释，通过显微镜获取有形成分的镜检图像，并进行分割处理，得到分割处理后的二值化图像，并分为第二训练集和第二应用集；
S42、对所述二值化图像进行形态学闭运算，采用连通域标定，计算连通域的面积、周长、离心率、圆形度和最小外接矩形的宽高，对所述连通域进行初筛，并使用高斯滤波处理单元，实现对所述连通域的平滑处理，然后对处理后的连通域进行二值化处理，得到二值化的连通域图；
S43、根据所述二值化的连通域图构建第二卷积神经网络模型；
S44、经过第二预设次数的卷积、非线性转化和池化操作，采用随机梯度下降法对所述第二卷积神经网络模型进行训练；
S45、通过所述第二卷积神经网络模型对所述第二应用集进行分析，得出大便有形成分。
5.根据权利要求2所述的一种大便智能分析方法，其特征在于，所述向大便发射检测光源，获取大便反射的色彩数据信号的过程，包括：
通过标准RGB三原色的激光源检测大便的颜色，并通过激光色彩识别单元获取所述色彩数据信号，
或通过图像采集设备采集大便图像，并通过RGB识别单元获取所述色彩数据信号。
6.根据权利要求3或4所述的一种大便智能分析方法，其特征在于，所述获取大便3D图像并进行预处理的过程，具体包括：
将大便样本置于透明容器中，采用3D相机拍摄大便3D图像，通过3D图像传感器获取所述大便3D图像；
依次通过灰度、二值化及加权平均法对大便3D图像进行处理，将所述大便3D图像由RGB彩色图像处理为灰度图像。
7.根据权利要求6所述的一种大便智能分析方法，其特征在于，所述对提取特征后的所述大便3D图像进行图像识别和标定，得到标定结果的过程，具体包括：
S71、对所述灰度图像进行通道分离，生成第一输入图像；
S72、将所述第一输入图像进行高斯滤波和平滑处理，生成第二输入图像；
S73、对所述第二输入图像进行二值化处理，生成第三输入图像；
S74、对所述第三输入图像进行距离变换处理，生成第四输入图像；
S75、对所述第四输入图像进行形态学处理，得到标定结果。
8.一种基于计算机视觉和神经网络的大便智能分析装置，其特征在于，包括：
颜色检测模块，用于检测大便颜色；
性状分析模块，用于获取大便3D图像，并自动化分析得出大便性状；
有形成分分析模块，用于根据所述大便颜色和所述大便性状获取镜检图像，并通过分析所述镜检图像得出大便有形成分；
分类模块，用于对所述大便颜色、大便性状和大便有形成分的分析结果进行整合并分类。
9.一种电子设备，其特征在于，所述设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的一种大便智能分析方法的步骤。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的一种大便智能分析方法的步骤。
CN201911401385.1A 2019-12-30 2019-12-30 一种基于计算机视觉和神经网络的大便智能分析方法 Pending CN111077150A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911401385.1A CN111077150A (zh) 2019-12-30 2019-12-30 一种基于计算机视觉和神经网络的大便智能分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911401385.1A CN111077150A (zh) 2019-12-30 2019-12-30 一种基于计算机视觉和神经网络的大便智能分析方法

Publications (1)

Publication Number Publication Date
CN111077150A true CN111077150A (zh) 2020-04-28

Family

ID=70320106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911401385.1A Pending CN111077150A (zh) 2019-12-30 2019-12-30 一种基于计算机视觉和神经网络的大便智能分析方法

Country Status (1)

Country Link
CN (1) CN111077150A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112183674A (zh) * 2020-11-06 2021-01-05 南昌航空大学 一种粪便宏观图像颜色和性状多任务识别方法及系统
CN113344914A (zh) * 2021-07-09 2021-09-03 重庆医科大学附属第一医院 基于图像识别智能分析ppd皮试结果的方法及装置
CN113390913A (zh) * 2021-06-10 2021-09-14 中国科学院高能物理研究所 基于深度学习的正电子湮没角关联测量方法及装置
CN113680695A (zh) * 2021-08-24 2021-11-23 武昌工学院 基于机器人的机器视觉垃圾分拣系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105654469A (zh) * 2015-12-22 2016-06-08 深圳贝申医疗技术有限公司 一种婴儿大便颜色的自动分析方法及系统
CN106682633A (zh) * 2016-12-30 2017-05-17 四川沃文特生物技术有限公司 基于机器视觉的粪便镜检图像有形成分的分类识别方法
CN206420781U (zh) * 2016-12-22 2017-08-18 中国移动通信有限公司研究院 一种终端、服务器及健康检测系统
CN108596038A (zh) * 2018-03-28 2018-09-28 电子科技大学 一种结合形态学分割和神经网络的粪便中红细胞识别方法
CN109588339A (zh) * 2018-11-14 2019-04-09 深圳毛小孩未来科技有限公司 基于狗粪便的狗健康状态分析及狗粪便收集方法、智能检测收集装置
CN110309329A (zh) * 2019-05-09 2019-10-08 河南萱闱堂医疗信息科技有限公司 内镜检查中智能化识别和记录消化道组织和异物的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105654469A (zh) * 2015-12-22 2016-06-08 深圳贝申医疗技术有限公司 一种婴儿大便颜色的自动分析方法及系统
CN206420781U (zh) * 2016-12-22 2017-08-18 中国移动通信有限公司研究院 一种终端、服务器及健康检测系统
CN106682633A (zh) * 2016-12-30 2017-05-17 四川沃文特生物技术有限公司 基于机器视觉的粪便镜检图像有形成分的分类识别方法
CN108596038A (zh) * 2018-03-28 2018-09-28 电子科技大学 一种结合形态学分割和神经网络的粪便中红细胞识别方法
CN109588339A (zh) * 2018-11-14 2019-04-09 深圳毛小孩未来科技有限公司 基于狗粪便的狗健康状态分析及狗粪便收集方法、智能检测收集装置
CN110309329A (zh) * 2019-05-09 2019-10-08 河南萱闱堂医疗信息科技有限公司 内镜检查中智能化识别和记录消化道组织和异物的方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112183674A (zh) * 2020-11-06 2021-01-05 南昌航空大学 一种粪便宏观图像颜色和性状多任务识别方法及系统
CN112183674B (zh) * 2020-11-06 2022-06-10 南昌航空大学 一种粪便宏观图像颜色和性状多任务识别方法及系统
CN113390913A (zh) * 2021-06-10 2021-09-14 中国科学院高能物理研究所 基于深度学习的正电子湮没角关联测量方法及装置
CN113390913B (zh) * 2021-06-10 2022-04-12 中国科学院高能物理研究所 基于深度学习的正电子湮没角关联测量方法及装置
CN113344914A (zh) * 2021-07-09 2021-09-03 重庆医科大学附属第一医院 基于图像识别智能分析ppd皮试结果的方法及装置
CN113680695A (zh) * 2021-08-24 2021-11-23 武昌工学院 基于机器人的机器视觉垃圾分拣系统

Similar Documents

Publication Publication Date Title
CN111077150A (zh) 一种基于计算机视觉和神经网络的大便智能分析方法
US10565479B1 (en) Identifying and excluding blurred areas of images of stained tissue to improve cancer scoring
US11842556B2 (en) Image analysis method, apparatus, program, and learned deep learning algorithm
CN111209876B (zh) 一种漏油缺陷检测方法及系统
JP6869490B2 (ja) 欠陥検査装置、欠陥検査方法、及びそのプログラム
CN103518224B (zh) 用于分析微生物生长的方法
CN109978822B (zh) 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法
JP7217589B2 (ja) 画像解析方法、画像解析装置、プログラム、学習済み深層学習アルゴリズムの製造方法および学習済み深層学習アルゴリズム
US11977984B2 (en) Using a first stain to train a model to predict the region stained by a second stain
CN109767422A (zh) 基于深度学习的管道检测识别方法、存储介质及机器人
CN105427275B (zh) 大田环境麦穗计数方法及装置
CN111507426B (zh) 基于视觉融合特征的无参考图像质量分级评价方法及装置
US8068132B2 (en) Method for identifying Guignardia citricarpa
CN109241867B (zh) 采用人工智能算法识别数字岩心图像的方法及装置
CN107545572A (zh) 图像中目标的处理方法和装置
CN115909006B (zh) 基于卷积Transformer的乳腺组织图像分类方法及系统
CN107543788A (zh) 一种尿红细胞畸形率检测方法及系统
CN106645180A (zh) 检查基板玻璃缺陷的方法、现场终端及服务器
CN116559111A (zh) 一种基于高光谱成像技术的高粱品种识别方法
CN114549493A (zh) 一种基于深度学习的磁芯缺陷检测系统及方法
CN113435460A (zh) 一种亮晶颗粒灰岩图像的识别方法
CN117330582A (zh) 一种高分子pe薄膜表面晶点检测系统
CN115546141A (zh) 一种基于多维度度量的小样本Mini LED缺陷检测方法及系统
CN106073823A (zh) 一种智能化医用超声图像处理设备、系统及方法
CN116110030A (zh) 目标检测方法、装置、电子设备及存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200428

RJ01 Rejection of invention patent application after publication