CN113177591A - 一种pH检测方法 - Google Patents

一种pH检测方法 Download PDF

Info

Publication number
CN113177591A
CN113177591A CN202110467298.7A CN202110467298A CN113177591A CN 113177591 A CN113177591 A CN 113177591A CN 202110467298 A CN202110467298 A CN 202110467298A CN 113177591 A CN113177591 A CN 113177591A
Authority
CN
China
Prior art keywords
area
value
detection
rgb data
rgb
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
CN202110467298.7A
Other languages
English (en)
Inventor
邱世婷
侯雪
韩梅
李莹
宋君
雷绍荣
郭灵安
贺光云
覃蜀迪
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.)
ANALYSIS AND DETERMINATION CENTER SICHUAN ACADEMY OF AGRICULTURAL SCIENCES
Original Assignee
ANALYSIS AND DETERMINATION CENTER SICHUAN ACADEMY OF AGRICULTURAL SCIENCES
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 ANALYSIS AND DETERMINATION CENTER SICHUAN ACADEMY OF AGRICULTURAL SCIENCES filed Critical ANALYSIS AND DETERMINATION CENTER SICHUAN ACADEMY OF AGRICULTURAL SCIENCES
Priority to CN202110467298.7A priority Critical patent/CN113177591A/zh
Publication of CN113177591A publication Critical patent/CN113177591A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/46—Measurement of colour; Colour measuring devices, e.g. colorimeters
    • G01J3/462—Computing operations in or between colour spaces; Colour management systems
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • 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
    • G01N21/75—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated
    • G01N21/77—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator
    • G01N21/78—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator producing a change of colour
    • G01N21/80—Indicating pH value
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Evolutionary Computation (AREA)
  • Pathology (AREA)
  • Mathematical Physics (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Plasma & Fusion (AREA)
  • Computing Systems (AREA)
  • Investigating Or Analysing Materials By The Use Of Chemical Reactions (AREA)
  • Investigating Or Analyzing Non-Biological Materials By The Use Of Chemical Means (AREA)

Abstract

本发明公开了一种pH检测方法，其包括以下步骤：S1、获取红色区、绿色区和蓝色区在标准环境下的RGB数据；S2、获取检测区域在与待测液体反应后的现场RBG值，并获取红色区、绿色区和蓝色区在现场的RGB数据；S3、获取现场RGB数据与标准环境下RGB数据的偏差百分比；S4、根据偏差百分比将检测区域在与待测液体反应后的现场RBG值进行重构，得到重构后的RGB值；S5、根据重构后的RGB值进行颜色识别，获取待测液体的pH值，完成pH检测。本发明可以快速的进行pH检测，且检测过程解决因不同设备、不同环境对检测的影响，避免了因人为识别颜色的主观因素对检测结果的影响，可以有效提高pH值的检测准确率。

Description

一种pH检测方法
技术领域
本发明涉及pH检测领域，具体涉及一种pH检测方法。
背景技术
氢离子浓度指数(hydrogen ion concentration)是指溶液中氢离子的总数和总物质的量的比，一般称为“pH”或者“pH值”。目前有很多方法来测定溶液的pH：
1、使用pH指示剂。在待测溶液中加入pH指示剂，不同的指示剂根据不同的pH会变化颜色，根据指示剂的研究就可以确定pH的范围。滴定时，可以作精确的pH标准。
2、使用pH试纸。pH试纸有广泛试纸和精密试纸，用玻璃棒蘸一点待测溶液到试纸上，然后根据试纸的颜色变化对照标准比色卡可以得到溶液的pH。
3、使用pH计。pH计是一种测定溶液pH的仪器，它通过pH选择电极(如玻璃电极)来测定出溶液的pH。pH计可以精确到小数点后两位。
方法1和2是根据显示的颜色，与标准色卡相比对，通过人眼主观对比获得一个pH值，此二种方法操作简便快速，所需溶液少，成本低廉，但其易主观因素人眼判断等误差会影响测量结果的准确性。方法3是利用测量电极与参比电极组成的工作电池在溶液中测得的电位差的原理，可获得精准至小数点后三位的pH读数。但该法通常需要标准溶液进行不断校准，所需测量的溶液用量多，玻璃电极不易保存，操作繁琐，耗时长，测定时受温度影响明显，不方便携带，仅适合在实验室内进行。
在方法1和方法2的基础上，出现了通过移动设备(例如手机)对指示剂或者试纸进行拍照，并通过识别照片颜色来确定pH值的方式，但是不同的移动设备所拍摄的照片存在不同的色差，且同一设备在不同环境中的拍摄效果也不尽相同，该方式也会存在不可避免的误差。
发明内容
针对现有技术中的上述不足，本发明提供的一种pH检测方法解决了现有pH检测方法由于人为读数或设备参数造成测量不准的问题。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种pH检测方法，其包括以下步骤：
S1、在pH试纸上构建检测区域、红色区、绿色区和蓝色区，并获取红色区、绿色区和蓝色区在标准环境下的RGB数据；
S2、将待测液体滴至pH试纸的检测区域，获取检测区域在与待测液体反应后的现场RBG值，并获取红色区、绿色区和蓝色区在现场的RGB数据；
S3、将红色区、绿色区和蓝色区在现场的RGB数据分别与红色区、绿色区和蓝色区在标准环境下的RGB数据进行对比，获取现场RGB数据与标准环境下RGB数据的偏差百分比；
S4、根据偏差百分比将检测区域在与待测液体反应后的现场RBG值进行重构，得到重构后的RGB值；
S5、根据重构后的RGB值进行颜色识别，获取待测液体的pH值，完成pH检测。
进一步地，步骤S1中获取红色区、绿色区和蓝色区在标准环境下的RGB数据的获取方法包括以下子步骤：
S1-1、在标准环境下分别对红色区、绿色区和蓝色区进行位置框选，并分别获取红色框选区、绿色框选区和蓝色框选区的中心点；
S1-2、以各个框选区的中心点为中心，分别构建目标区域；其中目标区域的面积为其所在框选区的二分之一；
S1-3、在标准环境下分别获取各个目标区域中每一像素点的色相、饱和度和亮度；
S1-4、对于每个目标区域，将其所有像素点的色相值取平均数作为其色相代表值；
S1-4、对于每个目标区域，将其色相代表值、饱和度和亮度组合得到对应的HSB色彩值；
S1-5、将HSB色彩值转换为RGB色彩空间内的RGB值，将该RGB值作为对应目标区域的RBG数据，分别得到红色区、绿色区和蓝色区在标准环境下的RGB数据。
进一步地，步骤S1-1中进行位置框选的具体方法包括以下子步骤：
S1-1-1、在不同的背景和光照环境下构建具有红色区、绿色区、蓝色区和不同pH值对应的颜色的pH试纸样本，并将其作为训练样本；
S1-1-2、通过训练样本对深度卷积神经网络进行训练，将深度卷积神经网络的全连接层的输出与训练样本的类别标签做交叉熵损失计算，以最小化损失函数为目标，通过迭代优化得到深度卷积神经网络优化后的全连接层；
S1-1-3、采用梯度下降法优化深度卷积神经网络的其余层，将优化后的深度卷积神经网络作为图像识别模型；
S1-1-4、通过YOLO目标检测将待检的目标图像输入到图像识别模型中，生成该目标图像所对应的检测框，即完成位置框选。
进一步地，步骤S1-1-2中迭代优化的具体方法为Momentum优化方法，其优化参数取值0.9，迭代次数为150。
进一步地，步骤S1-1-3中梯度下降法的学习率为0.0001，迭代次数为1000。
进一步地，步骤S2的具体方法包括以下子步骤：
S2-1、将待测液体滴至pH试纸的检测区域，通过拾色器获取检测区域在与待测液体反应后的现场RBG值；
S2-2、在现场环境下分别对红色区、绿色区和蓝色区进行位置框选，并分别获取红色框选区、绿色框选区和蓝色框选区的中心点；
S2-3、以各个框选区的中心点为中心，分别构建目标区域；其中目标区域的面积为其所在框选区的二分之一；
S2-4、在现场环境下分别获取各个目标区域中每一像素点的色相、饱和度和亮度；
S2-5、对于每个目标区域，将其所有像素点的色相值取平均数作为其色相代表值；
S2-6、对于每个目标区域，将其色相代表值、饱和度和亮度组合得到对应的HSB色彩值；
S2-7、将HSB色彩值转换为RGB色彩空间内的RGB值，将该RGB值作为对应目标区域的RBG数据，分别得到红色区、绿色区和蓝色区在现场环境下的RGB数据。
进一步地，步骤S3中欧获取现场RGB数据与标准环境下RGB数据的偏差百分比的具体方法为：
根据公式：
Figure BDA0003044674170000041
Figure BDA0003044674170000042
Figure BDA0003044674170000043
分别获取现场RGB数据与标准环境下RGB数据在R通道的偏差百分百PR、现场RGB数据与标准环境下RGB数据在G通道的偏差百分百PG和现场RGB数据与标准环境下RGB数据在B通道的偏差百分百PB；其中R1为红色区在标准环境下的RGB数据，R2为红色区在现场环境下的RGB数据，G1为绿色区在标准环境下的RGB数据，G2为绿色区在现场环境下的RGB数据，B1为蓝色区在标准环境下的RGB数据，B2为蓝色区在现场环境下的RGB数据。
进一步地，步骤S4的具体方法为：
根据公式：
Figure BDA0003044674170000051
Figure BDA0003044674170000052
Figure BDA0003044674170000053
将检测区域在与待测液体反应后的现场RBG值进行重构，分别获取重构后R通道的值
Figure BDA0003044674170000054
重构后G通道的值
Figure BDA0003044674170000055
和重构后B通道的值
Figure BDA0003044674170000056
进而得到重构后的RGB值；其中RC、GC和BC分别为检测区域在与待测液体反应后的现场R通道的值、G通道的值和B通道的值。
进一步地，步骤S5的具体方法为：
建立pH值与颜色对应的数据库，根据重构后的RGB值获取其对应的颜色，进而得到重构后的RGB值对应的pH值，即获得待测液体的pH值，完成pH检测。
本发明的有益效果为：
1、本发明通过将红色区、绿色区和蓝色区在标准环境下的RGB数据与红色区、绿色区和蓝色区在现场环境下的RGB数据的差异来对检测区域的色彩进行校正，解决因不同设备、不同环境对检测的影响，提高检测准确率。
2、本发明采用的pH试纸自带检测区域、红色区、绿色区和蓝色区，便于拍照成像后的快速框选识别和色彩校正。
3、本发明通过在检测区域和自带的颜色区域中构建目标区域，可以截取中心位置处的数据，可以减小后续采用的检测数据受环境的影响，提高检测准确率。
4、本方法采用深度卷积神经网络进行位置框选，配合特定的pH试纸，可以提高框选准确性，排除照片中其余位置的色彩对框选过程的干扰。
5、本方法采用HSB色彩来作为RGB数据，既不直接采用RGB值，又能反应设备和环境对pH试纸真实颜色的畸变，并针对畸变进行校正，提高检测准确率。
6、本方法分别获取R通道、G通道和B通道的畸变，并根据该畸变结果分别对检测区域的RGB通道值进行校正，再通过校正后的通道值重构图像和颜色识别，可以准确校正设备或环境对检测区域图像三基色的影响，从三基色角度进行校正，提高校正准确度。
附图说明
图1为本方法的流程示意图；
图2为本方法中pH试纸的结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1和图2所示，该pH检测方法包括以下步骤：
S1、在pH试纸上构建检测区域、红色区、绿色区和蓝色区，并获取红色区、绿色区和蓝色区在标准环境下的RGB数据；
S2、将待测液体滴至pH试纸的检测区域，获取检测区域在与待测液体反应后的现场RBG值，并获取红色区、绿色区和蓝色区在现场的RGB数据；
S3、将红色区、绿色区和蓝色区在现场的RGB数据分别与红色区、绿色区和蓝色区在标准环境下的RGB数据进行对比，获取现场RGB数据与标准环境下RGB数据的偏差百分比；
S4、根据偏差百分比将检测区域在与待测液体反应后的现场RBG值进行重构，得到重构后的RGB值；
S5、根据重构后的RGB值进行颜色识别，获取待测液体的pH值，完成pH检测。
步骤S1中获取红色区、绿色区和蓝色区在标准环境下的RGB数据的获取方法包括以下子步骤：
S1-1、在标准环境下分别对红色区、绿色区和蓝色区进行位置框选，并分别获取红色框选区、绿色框选区和蓝色框选区的中心点；
S1-2、以各个框选区的中心点为中心，分别构建目标区域；其中目标区域的面积为其所在框选区的二分之一；
S1-3、在标准环境下分别获取各个目标区域中每一像素点的色相、饱和度和亮度；
S1-4、对于每个目标区域，将其所有像素点的色相值取平均数作为其色相代表值；
S1-4、对于每个目标区域，将其色相代表值、饱和度和亮度组合得到对应的HSB色彩值；
S1-5、将HSB色彩值转换为RGB色彩空间内的RGB值，将该RGB值作为对应目标区域的RBG数据，分别得到红色区、绿色区和蓝色区在标准环境下的RGB数据。
步骤S1-1中进行位置框选的具体方法包括以下子步骤：
S1-1-1、在不同的背景和光照环境下构建具有红色区、绿色区、蓝色区和不同pH值对应的颜色的pH试纸样本，并将其作为训练样本；
S1-1-2、通过训练样本对深度卷积神经网络进行训练，将深度卷积神经网络的全连接层的输出与训练样本的类别标签做交叉熵损失计算，以最小化损失函数为目标，通过迭代优化得到深度卷积神经网络优化后的全连接层；
S1-1-3、采用梯度下降法优化深度卷积神经网络的其余层，将优化后的深度卷积神经网络作为图像识别模型；
S1-1-4、通过YOLO目标检测将待检的目标图像输入到图像识别模型中，生成该目标图像所对应的检测框，即完成位置框选。
步骤S1-1-2中迭代优化的具体方法为Momentum优化方法，其优化参数取值0.9，迭代次数为150。步骤S1-1-3中梯度下降法的学习率为0.0001，迭代次数为1000。
步骤S2的具体方法包括以下子步骤：
S2-1、将待测液体滴至pH试纸的检测区域，通过拾色器获取检测区域在与待测液体反应后的现场RBG值；
S2-2、在现场环境下分别对红色区、绿色区和蓝色区进行位置框选，并分别获取红色框选区、绿色框选区和蓝色框选区的中心点；
S2-3、以各个框选区的中心点为中心，分别构建目标区域；其中目标区域的面积为其所在框选区的二分之一；
S2-4、在现场环境下分别获取各个目标区域中每一像素点的色相、饱和度和亮度；
S2-5、对于每个目标区域，将其所有像素点的色相值取平均数作为其色相代表值；
S2-6、对于每个目标区域，将其色相代表值、饱和度和亮度组合得到对应的HSB色彩值；
S2-7、将HSB色彩值转换为RGB色彩空间内的RGB值，将该RGB值作为对应目标区域的RBG数据，分别得到红色区、绿色区和蓝色区在现场环境下的RGB数据。
步骤S3中欧获取现场RGB数据与标准环境下RGB数据的偏差百分比的具体方法为：根据公式：
Figure BDA0003044674170000091
Figure BDA0003044674170000092
Figure BDA0003044674170000093
分别获取现场RGB数据与标准环境下RGB数据在R通道的偏差百分百PR、现场RGB数据与标准环境下RGB数据在G通道的偏差百分百PG和现场RGB数据与标准环境下RGB数据在B通道的偏差百分百PB；其中R1为红色区在标准环境下的RGB数据，R2为红色区在现场环境下的RGB数据，G1为绿色区在标准环境下的RGB数据，G2为绿色区在现场环境下的RGB数据，B1为蓝色区在标准环境下的RGB数据，B2为蓝色区在现场环境下的RGB数据。
步骤S4的具体方法为：根据公式：
Figure BDA0003044674170000101
Figure BDA0003044674170000102
Figure BDA0003044674170000103
将检测区域在与待测液体反应后的现场RBG值进行重构，分别获取重构后R通道的值
Figure BDA0003044674170000104
重构后G通道的值
Figure BDA0003044674170000105
和重构后B通道的值
Figure BDA0003044674170000106
进而得到重构后的RGB值；其中RC、GC和BC分别为检测区域在与待测液体反应后的现场R通道的值、G通道的值和B通道的值。
步骤S5的具体方法为：建立pH值与颜色对应的数据库，根据重构后的RGB值获取其对应的颜色，进而得到重构后的RGB值对应的pH值，即获得待测液体的pH值，完成pH检测。
在本发明的一个实施例中，本方法可以通过手机或其他带有摄像头的移动设备来进行处理，以手机为例，使用者只需要将待测溶液滴在检测区域，等待检测区域在与待测液体反应后，采用手机将检测区域、红色区、绿色区和蓝色区拍摄在同一张照片中，通过手机的处理器运行本方法后，即可获取检测区域的真实颜色，以及该真实颜色所对应的pH值。pH值与颜色对应的数据库可事先构建，即可存放在云端亦可存放在进行检测的手机端。
综上所述，本发明可以快速的进行pH检测，且检测过程解决因不同设备、不同环境对检测的影响，避免了因人为识别颜色的主观因素对检测结果的影响，可以有效提高pH值的检测准确率。

Claims (9)

1.一种pH检测方法，其特征在于，包括以下步骤：
S1、在pH试纸上构建检测区域、红色区、绿色区和蓝色区，并获取红色区、绿色区和蓝色区在标准环境下的RGB数据；
S2、将待测液体滴至pH试纸的检测区域，获取检测区域在与待测液体反应后的现场RBG值，并获取红色区、绿色区和蓝色区在现场的RGB数据；
S3、将红色区、绿色区和蓝色区在现场的RGB数据分别与红色区、绿色区和蓝色区在标准环境下的RGB数据进行对比，获取现场RGB数据与标准环境下RGB数据的偏差百分比；
S4、根据偏差百分比将检测区域在与待测液体反应后的现场RBG值进行重构，得到重构后的RGB值；
S5、根据重构后的RGB值进行颜色识别，获取待测液体的pH值，完成pH检测。
2.根据权利要求1所述的pH检测方法，其特征在于，步骤S1中获取红色区、绿色区和蓝色区在标准环境下的RGB数据的获取方法包括以下子步骤：
S1-1、在标准环境下分别对红色区、绿色区和蓝色区进行位置框选，并分别获取红色框选区、绿色框选区和蓝色框选区的中心点；
S1-2、以各个框选区的中心点为中心，分别构建目标区域；其中目标区域的面积为其所在框选区的二分之一；
S1-3、在标准环境下分别获取各个目标区域中每一像素点的色相、饱和度和亮度；
S1-4、对于每个目标区域，将其所有像素点的色相值取平均数作为其色相代表值；
S1-4、对于每个目标区域，将其色相代表值、饱和度和亮度组合得到对应的HSB色彩值；
S1-5、将HSB色彩值转换为RGB色彩空间内的RGB值，将该RGB值作为对应目标区域的RBG数据，分别得到红色区、绿色区和蓝色区在标准环境下的RGB数据。
3.根据权利要求2所述的pH检测方法，其特征在于，步骤S1-1中进行位置框选的具体方法包括以下子步骤：
S1-1-1、在不同的背景和光照环境下构建具有红色区、绿色区、蓝色区和不同pH值对应的颜色的pH试纸样本，并将其作为训练样本；
S1-1-2、通过训练样本对深度卷积神经网络进行训练，将深度卷积神经网络的全连接层的输出与训练样本的类别标签做交叉熵损失计算，以最小化损失函数为目标，通过迭代优化得到深度卷积神经网络优化后的全连接层；
S1-1-3、采用梯度下降法优化深度卷积神经网络的其余层，将优化后的深度卷积神经网络作为图像识别模型；
S1-1-4、通过YOLO目标检测将待检的目标图像输入到图像识别模型中，生成该目标图像所对应的检测框，即完成位置框选。
4.根据权利要求3所述的pH检测方法，其特征在于，步骤S1-1-2中迭代优化的具体方法为Momentum优化方法，其优化参数取值0.9，迭代次数为150。
5.根据权利要求3所述的pH检测方法，其特征在于，步骤S1-1-3中梯度下降法的学习率为0.0001，迭代次数为1000。
6.根据权利要求1所述的pH检测方法，其特征在于，步骤S2的具体方法包括以下子步骤：
S2-1、将待测液体滴至pH试纸的检测区域，通过拾色器获取检测区域在与待测液体反应后的现场RBG值；
S2-2、在现场环境下分别对红色区、绿色区和蓝色区进行位置框选，并分别获取红色框选区、绿色框选区和蓝色框选区的中心点；
S2-3、以各个框选区的中心点为中心，分别构建目标区域；其中目标区域的面积为其所在框选区的二分之一；
S2-4、在现场环境下分别获取各个目标区域中每一像素点的色相、饱和度和亮度；
S2-5、对于每个目标区域，将其所有像素点的色相值取平均数作为其色相代表值；
S2-6、对于每个目标区域，将其色相代表值、饱和度和亮度组合得到对应的HSB色彩值；
S2-7、将HSB色彩值转换为RGB色彩空间内的RGB值，将该RGB值作为对应目标区域的RBG数据，分别得到红色区、绿色区和蓝色区在现场环境下的RGB数据。
7.根据权利要求1所述的pH检测方法，其特征在于，步骤S3中欧获取现场RGB数据与标准环境下RGB数据的偏差百分比的具体方法为：
根据公式：
Figure FDA0003044674160000031
Figure FDA0003044674160000032
Figure FDA0003044674160000033
分别获取现场RGB数据与标准环境下RGB数据在R通道的偏差百分百PR、现场RGB数据与标准环境下RGB数据在G通道的偏差百分百PG和现场RGB数据与标准环境下RGB数据在B通道的偏差百分百PB；其中R1为红色区在标准环境下的RGB数据，R2为红色区在现场环境下的RGB数据，G1为绿色区在标准环境下的RGB数据，G2为绿色区在现场环境下的RGB数据，B1为蓝色区在标准环境下的RGB数据，B2为蓝色区在现场环境下的RGB数据。
8.根据权利要求7所述的pH检测方法，其特征在于，步骤S4的具体方法为：
根据公式：
Figure FDA0003044674160000041
Figure FDA0003044674160000042
Figure FDA0003044674160000043
将检测区域在与待测液体反应后的现场RBG值进行重构，分别获取重构后R通道的值
Figure FDA0003044674160000044
重构后G通道的值
Figure FDA0003044674160000045
和重构后B通道的值
Figure FDA0003044674160000046
进而得到重构后的RGB值；其中RC、GC和BC分别为检测区域在与待测液体反应后的现场R通道的值、G通道的值和B通道的值。
9.根据权利要求1所述的pH检测方法，其特征在于，步骤S5的具体方法为：
建立pH值与颜色对应的数据库，根据重构后的RGB值获取其对应的颜色，进而得到重构后的RGB值对应的pH值，即获得待测液体的pH值，完成pH检测。
CN202110467298.7A 2021-04-28 2021-04-28 一种pH检测方法 Pending CN113177591A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110467298.7A CN113177591A (zh) 2021-04-28 2021-04-28 一种pH检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110467298.7A CN113177591A (zh) 2021-04-28 2021-04-28 一种pH检测方法

Publications (1)

Publication Number Publication Date
CN113177591A true CN113177591A (zh) 2021-07-27

Family

ID=76926889

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110467298.7A Pending CN113177591A (zh) 2021-04-28 2021-04-28 一种pH检测方法

Country Status (1)

Country Link
CN (1) CN113177591A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113724251A (zh) * 2021-09-26 2021-11-30 泰州市雷信农机电制造有限公司 区块链数据应用监测平台及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100214421A1 (en) * 2009-02-26 2010-08-26 Di Qu Skin Color Measurement
US20150308961A1 (en) * 2012-08-08 2015-10-29 Scanadu Incorporated Quantifying color changes of chemical test pads induced by specific concentrations of biological analytes under different lighting conditions
CN110599552A (zh) * 2019-08-30 2019-12-20 杭州电子科技大学 一种基于计算机视觉的pH试纸检测方法
CN111027605A (zh) * 2019-11-28 2020-04-17 北京影谱科技股份有限公司 基于深度学习的细粒度图像识别方法和装置
CN111175235A (zh) * 2018-04-23 2020-05-19 陈浩能 一种测量方法、测量装置和存储设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100214421A1 (en) * 2009-02-26 2010-08-26 Di Qu Skin Color Measurement
US20150308961A1 (en) * 2012-08-08 2015-10-29 Scanadu Incorporated Quantifying color changes of chemical test pads induced by specific concentrations of biological analytes under different lighting conditions
CN111175235A (zh) * 2018-04-23 2020-05-19 陈浩能 一种测量方法、测量装置和存储设备
CN110599552A (zh) * 2019-08-30 2019-12-20 杭州电子科技大学 一种基于计算机视觉的pH试纸检测方法
CN111027605A (zh) * 2019-11-28 2020-04-17 北京影谱科技股份有限公司 基于深度学习的细粒度图像识别方法和装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113724251A (zh) * 2021-09-26 2021-11-30 泰州市雷信农机电制造有限公司 区块链数据应用监测平台及方法

Similar Documents

Publication Publication Date Title
CN106546581B (zh) 试纸检测卡智能检测系统以及试纸检测卡智能分析方法
CN100443856C (zh) 一种平面叶片面积无损测量系统及其方法
CN107144531A (zh) 一种基于颜色数据分析的物质含量检测方法、系统及装置
US11192100B2 (en) Multi-factor urine test system that adjusts for lighting and timing
WO2016150134A1 (zh) 一种试纸读取方法及其验孕和排卵测试方法
CN103076589B (zh) 一种数字万用表自动检定装置及其检定方法
CN110006829B (zh) 一种基于最小二乘法的微型光谱仪标定方法
CN104251861A (zh) 一种基于智能终端的液体检测分析仪及检测方法
RU2754208C1 (ru) Способы и системы калибровки и использования камеры для определения аналита в пробе
CN108055532A (zh) 自动化匹配测试卡的方法与装置
CN109459136B (zh) 一种色度测量的方法与装置
CN105466921A (zh) 一种多样品同时检测的方法
CN105319210A (zh) 尿液分析方法
CN113177591A (zh) 一种pH检测方法
CN109949725B (zh) 一种aoi系统图像灰度标准化方法及系统
JP2019095328A (ja) 呈色反応検出システム、呈色反応検出方法及びプログラム
CN113376170B (zh) 一种产品外观检测设备的校准方法及标定块
KR20180055320A (ko) 가정용 수질 검사 키트를 이용한 수질 검사 방법.
KR101541977B1 (ko) 표준 색상표 없이 색상 자가 진단이 가능한 스마트기기 및 이를 이용한 진단 방법
CN111272673A (zh) 非纯色布匹色差检测系统及检测方法
CN112577905A (zh) 一种尿液颜色检测方法及分析仪
CN109862351A (zh) 一种摄像头模组解析度检验方法
CN114049370A (zh) 一种基于深度学习方法的智能移动终端有色溶液浓度检测方法
CN203149105U (zh) 一种数字万用表自动检定装置
CN111678913A (zh) 一种基于图像识别实现溶液浓度定量测定的实验方法

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
CB02 Change of applicant information

Country or region after: China

Address after: 610066, No. 20 Temple Road, Jinjiang District, Sichuan, Chengdu

Applicant after: Institute of agricultural quality standards and testing technology, Sichuan Academy of Agricultural Sciences

Address before: 610066, No. 20 Temple Road, Jinjiang District, Sichuan, Chengdu

Applicant before: ANALYSIS AND DETERMINATION CENTER, SICHUAN ACADEMY OF AGRICULTURAL SCIENCES

Country or region before: China