CN113313109A - 一种荧光免疫层析试纸的半定量分析方法 - Google Patents
一种荧光免疫层析试纸的半定量分析方法 Download PDFInfo
- Publication number
- CN113313109A CN113313109A CN202110520575.6A CN202110520575A CN113313109A CN 113313109 A CN113313109 A CN 113313109A CN 202110520575 A CN202110520575 A CN 202110520575A CN 113313109 A CN113313109 A CN 113313109A
- Authority
- CN
- China
- Prior art keywords
- detection
- detection line
- line
- image
- quality control
- 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
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000012360 testing method Methods 0.000 title claims abstract description 63
- 238000012764 semi-quantitative analysis Methods 0.000 title claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 170
- 238000003908 quality control method Methods 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 42
- 239000003153 chemical reaction reagent Substances 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 29
- 230000005484 gravity Effects 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000005286 illumination Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000003018 immunoassay Methods 0.000 claims description 3
- 238000003317 immunochromatography Methods 0.000 claims description 2
- 210000002364 input neuron Anatomy 0.000 claims description 2
- 210000004205 output neuron Anatomy 0.000 claims description 2
- 238000004445 quantitative analysis Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013139 quantization Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- GCKMFJBGXUYNAG-HLXURNFRSA-N Methyltestosterone Chemical compound C1CC2=CC(=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@](C)(O)[C@@]1(C)CC2 GCKMFJBGXUYNAG-HLXURNFRSA-N 0.000 description 1
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10064—Fluorescence image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种荧光免疫层析试纸的半定量分析方法,基于阈值分割实现定量分析,在采集待测试纸在紫外灯光照射下的图像信息之后,通过SSR算法修正,之后将修正后的图像分块阈值分割处理,获得有关质控线C和检测线T的二值图像,确定检测线有效区,后通过参考峰值法,分别得到检测线的粗区域与精确区域,并提取区域中的十组图像信息输入经过训练的BP神经网络,由此获得检测结果,并将结果保存至MySQL数据库中。本发明可以较快完成检测区的半定量检测,同时降低人员判断带来的误差并且降低人员检测的成本。
Description
技术领域
本发明属于图像处理领域,涉及一种荧光免疫层析试纸的半定量分析方法,特别涉及一种基于BP神经网络的荧光免疫层析试纸的半定量分析方法。
背景技术
随着当前医疗水平的提高,试纸检测应用范围也越来越广,目前市面上采用的荧光免疫层析试纸灵敏度和特异性同一般试纸相比较高,但是其结果的读取需要通过紫外光线的激发。
传统的人工读取虽然可以完成部分样本结果的读取,但是存在标准不统一、无法定量检测等问题。同时长时间面对紫外光线照射下的试纸条会导致视觉疲劳,从而可能会造成误读取等问题。而传统的机器学习算法存在样本训练时间长,算法运行速度慢,同时环境适应性较低。因此采用机器视觉和机器学习相结合的方法对荧光免疫层析试纸的半定量检测具有一定的必要性。
发明内容
本发明就以上背景,提供了一种基于阈值分割的荧光免疫层析试纸的半定量分析方法。
本发明采用了一种分块阈值法对荧光免疫层析试纸中的检测线信息进行有效提取,并在光照修正后采取了分块阈值分割以及二值化,有效的减小了在实际操作过程中由于光线以及不同摄像模块导致的图像数据不统一的情况。最后通过导入训练好的BP神经网络得到对应的试纸信息输出。
本发明的具体步骤如下:
步骤(1):通过微距相机采集365nm紫外灯光照射下的荧光免疫层析试纸,并通过上位机编程将微距相机采集的图像信息通过ESP32模块发送至本地端,通过python3.7读取图片数据流,准备进行图像预处理;
步骤(2):预先训练荧光免疫试纸分析的BP神经网络模型,将已知的试纸样本预处理后按照强阳性、弱阳性、强阴性、弱阴性、无效输入至训练库中,把已知样本按照8:2的比例划分训练集以及测试集导入BP神经网络进行训练,并设定迭代次数以及训练集的准确率来保证训练网络的可靠度,所采用的BP神经网络包含输入层、隐藏层、输出层三层,并且最后采取均方根误差比较法来评定误差。
所述步骤2的训练过程中,把质控线C与检测线T的灰度之比Gray(T/C)与质控线C与检测线T的对比度之比Contrast(T/C)、检测线T区图像的熵Ent(T) 检测线T的平均梯度G(T)、检测线T的标准差δ(T)、检测线T的相关系数Cov(T)、检测线T的R通道均值、以及图像HSV通道中检测线T的H分量、S分量、V分量作为输入量,样本的不同检测结果作为输出量。设置输入层为10个神经元,中间层包含3个隐藏神经元、输出层包含5个神经元。10个输入神经元代表相应的试纸图像信息指标,5个输出神经元代表不同的检测结果。
同时,把代表试剂条检测线信息的指标归一化处理统一导入MySQL数据库中进行数据保存以及后期训练时的统一提取访问。
步骤(3):对原始图像预处理:
在图像处理过程中,依次经过SSR算法修正、分块阈值提取、二值处理、形态学处理等过程,从而得到可以进行识别的试纸信息。
步骤(4):通过重心提取以及参考寻峰法,依次确定识别线的粗区域以及精确区域,并确定质控线T和检测线C的位置;
步骤(5):将提取出的试剂条信息代入训练好的荧光免疫试纸分析的BP神经网络算法,通过BP神经网络的输出来判断样本的检测结果。
进一步的,所述步骤(3)的具体方法如下:
步骤(3-1):输入原始的试剂条图像Image(x,y),并规定滤波半径范围,出原始试剂条图像经过高斯滤波后的结果L(x,y),并通过计算得到量化后的像素并输出图像结果;
步骤(3-2):将SSR算法修正后得到的图像进行灰度化处理和二值化处理。在分割时采用基于OTSU法的分块阈值法;
步骤(3-3):对二值图像进行形态学处理,得到连续的检测线T与质控线C 区域。由于试剂过程中荧光免疫层析试纸检测线边缘的图像通常较为模糊,因此配合形态学处理可以有效地去除噪点。
进一步的,所述步骤(4)质控线和检测线确定的具体方法如下:
步骤(4-1):确定质控线C前的矩形和检测线T后的矩形,确定二者重心,在重心确定的过程中,可以认为检测线和质控线外的区域是均匀的;
步骤(4-2):以重心的作为检测区域的边界,通过矩形框选识别区域,作为待识别双线的粗识别范围。对于重心的提取方法,根据实际图像上不同位置的光强分布不同因而不同点的权重也不同,因而采用了一种根据光强密度不同的重心提取法,确定了检测线T与质控线C的大致区域。
步骤(4-3):通过绘制试剂条灰度值随长度的曲线图,由于原始的光照修正算法只能抑制大部分光照不均带来的影响,在零线附近仍存在少量分量,因此采用基于最小二乘法的零线拟合法得到垂直方向的试剂条的原始灰度值图,把均方和最小的基线作为新曲线图的零线;
步骤(4-4):通过参考寻峰法,把通过重心提取后的质控线的最大峰值作为参考标准,确定质控线T的精确区域;
步骤(4-5):步骤(4-5):首先查找重心提取后的检测线T粗区域中的最大灰度值,并且记录该点对应的坐标(x1,y1),记录最大灰度值y1的大小,比较灰度值的范围以及对称性、单峰性等属性,确定检测线T的精确位置。
进一步的,所述步骤(5)检测结果的确定方法如下:
步骤(5-1):提取质控线C与检测线T的灰度之比Gray(T/C)与质控线C与检测线T的对比度之比Contrast(T/C)、检测线T区图像的熵Ent(T)检测线T的平均梯度G(T)、检测线T的标准差δ(T)、检测线T的相关系数Cov(T)、检测线 T的R通道均值、以及图像HSV通道中检测线T的H分量、S分量、V分量十组图像信息,并进行归一化处理;
步骤(5-2):把提取出的试剂条信息作为BP神经网络的输入,代入训练好的分析模型。在指标选取方面,这种做法抑制了由于光照环境等不同因素导致的不同试剂样本的检测线绝对指标的变化,减少了干扰,在一定程度上提高了检测的准确度。
步骤(5-3):通过训练好的BP神经网络模型将归一化后的试纸信息指标转化为不同的样本类型指标,将无效规定为“-1”,强阳规定为“0”,弱阳规定为“1”,弱阴规定为“2”,强阴规定为“3”,把结果输出并保存至MySQL数据库中作为已测样本。
作为优选的,基于BP神经网络算法的分类法搭载样本更新的过程,其过程如下:
对新检测样本的检测信息通过MySQL数据库记录,并在MySQL数据库中达到一定数量时并确定检测结果无误时,把已检测数据作为新的已知样本重新进行训练算迭代,可以得到训练模型,从而完成样本检测的阈值更新过程。
本发明与现有方法相比,具有以下优势:
1、本发明通过引入灰度值之比、对比度之比等相对指标,进行待测样本的量化,有效的减少了由样本浓度等因素对实际试纸条的影响,并可以半定量的得出样本检测结果。并通过引入光照不均匀的修正以及分块阈值的方法,提高了检测过程的环境适应性。
2、本发明通过图像处理的方法,有效的从已知样本中提取信息用于未知样本的检测,不仅可以减少人力成本,并且可以减少由于人工判断带来的失误,一定程度上可以提高检测的效率。
附图说明
图1为本发明分析方法的流程图;
图2为本发明的BP神经网络的结构示意图;
图3为本发明多重查找算法的流程图;
图4为本发明在紫外灯光下的待检测试纸的示意图;
图5为待测试纸经过图像预处理后的示意图;
图6为用于绘制灰度曲线的试纸示意图。
具体实施方式
下面将结合附图对本发明的工作流程进行具体描述。
参见图1,一种荧光免疫层析试纸的半定量分析方法,包括以下步骤:
步骤(1):本实施例中通过OV2640微距相机采集365nm紫外灯光照射下的荧光免疫层析试纸,并通过上位机编程将微距相机采集的图像信息通过ESP32模块发送至本地端,通过python3.7读取图片数据流,通过opencv库进行图像预处理;
本实施中,所述的OV2640摄像头模块和试剂条之间的密闭黑暗空间中,搭载了365nm紫外线照明模块,LED光源具有功耗低的优点。密闭黑暗环境能够保证光源发射的光直接照射在试剂条上,从而使得试剂条上反射的光能够以最大强度被摄像头模块捕获,在摄像头模块后安置一滤光片,用于过滤掉其他频段的杂光,便于进行后期图像采集。
步骤(2):预先训练荧光免疫试纸分析的BP神经网络模型,将已知的试纸样本预处理后按照强阳性、弱阳性、强阴性、弱阴性、无效输入至训练库中,把已知样本按照8:2的比例划分训练集以及测试集导入BP神经网络进行训练,并设定迭代次数以及训练集的准确率来保证训练网络的可靠度,所采用的BP神经网络包含输入层、隐藏层、输出层三层,并且最后采取均方根误差比较法来评定误差。
所述步骤2的训练过程中,把灰度平均值、对比度作为输入量,样本的不同检测结果作为输出量。设置输出层为10个神经元,中间层包含5个隐藏神经元、输出层包含5个神经元,隐藏单元的激活函数为sigmoid函数输出层的激活函数选择了softmax函数,选择的损失函数为 categorical_crossentropy函数,损失函数的公式为:
其中,M为对应的强阳、弱阳、弱阴、强阴、无效五个样本类型,yic为指示变量,用去区分检测样本与样本i的类似程度,pic为待测试纸样本属于第c类已知样本的概率。
本实例训练的过程中,采用PyCharm环境,基于numpy、TensorFlow2.4、 pandas以及MySQLdb库。硬件部分设备CPU为R5-2600X,显卡为GTX-1070Ti,采用多CUDA核心并行运算,大大提高了深度学习运算的效率。
同时,把代表试剂条检测线信息的指标归一化处理统一导入MySQL数据库中进行数据保存以及后期训练时的统一提取访问。
本实例在训练之后,随着样本数量增加,不同类型的样本存在细微区别,如弱阳性和弱阴性,为了防止过拟合,需要对试纸分析的BP神经网络的学习率进行控制,因此首先使用较大的学习率,快速得到一个比较优的解,使得总体测试集的试纸检测成功率达到某一数值,然后通过迭代逐步减小学习率,由于传统的梯度下降法容易在最小值处产生振荡,为此采用动量法作为学习率调整的算法,公式如下:
θnew=θold-Vt
其中,Vt为前t步积累的动量和;α为学习率;γ为衰减系数<1
在本实例中,原始样本信息供3000份,把训练集的准确率96%作为停止训练的标准,在通过16000次迭代以后,训练集准确率达到96.1%。
本发明的BP神经网络的结构示意图见图2。
步骤(3):对原始图像预处理:
在图像处理过程中,依次经过SSR算法修正、分块阈值提取、二值处理、形态学处理等过程,从而得到可以进行识别的试纸信息。
步骤(4):通过重心提取以及参考寻峰法,依次确定识别线的粗区域以及精确区域,并确定质控线T和检测线C的位置;
步骤(5):将提取出的试剂条信息代入训练好的荧光免疫试纸分析的BP神经网络算法,通过BP神经网络的输出来判断样本的检测结果。
进一步的,所述步骤(3)的具体方法如下:
步骤(3-1):输入原始的试剂条图像Image(x,y),并规定滤波半径范围;
步骤(3-2):计算出原始试剂条图像经过高斯滤波后的结果L(x,y),并通过计算得到量化后的像素并输出图像结果,有以下公式:
Image(x,y)=Rea(x,y)×L(x,y)
其中,Image(x,y)为微距相机采集到的试剂条图像,Rea(x,y)为包含检测线与质控线图像数据的反射量,L(x,y)为紫外灯光照射下的反射量。
在量化过程中,限制像素的量化过程有以下公式:
Rea(x,y)=255*(Pixel-min)/(max-min)
步骤(3-3):将SSR算法修正后得到的图像进行灰度化处理和二值化处理。在分割时采用基于OTSU法的分块阈值法。为了比较检测线以及质控线的样本特征是否足够明显,把试纸待分割区域与试纸样本信息周围区域的特征信息相比较,试纸样本信息周围区域加权平均后的阈值σ用以下公式表示:
其中,pi为第i个纸样本信息周围区的像素占比,σi为第i个纸样本信息周围区的OTSU法分割后的阈值。
若把待分割区域直接采用OSTU法分割的阈值为k,则通过比较直接分割的质控线和检测线阈值和试纸样本信息周围区域加权平均后的阈值σ来确定检测线质控线的特征是否明显,变有公式:
对于检测线质控线特征明显的区域块,说明所选取试纸样本信息周围区已经超出线的位置,因此缩小所选取的区域块并重复以上操作,直到区域块检测线质控线特征不明显。
对检测线质控线特征不明显的区域块,采取如下处理方法:
其中,dst(x,y)为检测线质控线中坐标(x,y)的点经过分块阈值分割后的二值化数值,σ(x,y)为检测线质控线中坐标(x,y)的点的原始灰度值。
步骤(3-4):对二值图像进行形态学处理,得到连续的检测线T与质控线C 区域。由于试剂过程中荧光免疫层析试纸检测线边缘的图像通常较为模糊,因此配合形态学处理可以有效地去除噪点。
进一步的,所述步骤(4)质控线和检测线确定的具体方法如下:
步骤(4-1):确定质控线C前的矩形和检测线T后的矩形,确定二者重心,在重心确定的过程中,可以认为检测线和质控线外的区域是均匀的,因此通过计算区域像素的平均值得到,有公式:
其中,S为质控线和检测线以外区域的面积,Rd为质控线和检测线以外缺陷区域的点集合。
步骤(4-2):以重心的作为检测区域的边界,通过矩形框选识别区域,作为待识别双线的粗识别范围。对于重心的提取方法,根据实际图像上不同位置的光强分布不同因而不同点的权重也不同,因而采用了一种根据光强密度不同的重心提取法,确定了检测线T与质控线C的大致区域。
步骤(4-3):通过绘制试剂条灰度值随长度的曲线图,由于原始的光照修正算法只能抑制大部分光照不均带来的影响,在零线附近仍存在少量分量,因此采用基于最小二乘法的零线拟合法得到垂直方向的试剂条的原始灰度值图,把均方和最小的基线作为新曲线图的零线;
步骤(4-4):通过参考寻峰法,首先查找重心提取后的质控线C粗区域中的最大灰度值,并且记录该点对应的坐标(x0,y0),记录最大灰度值y0的大小,作为检测线T的定标标准。以(x0,y0)为基准,沿x轴正方向和负方向同时向两边查找,记录负方向第一次接触零线时的半径δ1,正方向第一次接触零线时的半径δ2,则有效半径r0有公式:
r0=min{δ1,δ2}
则可以确定质控线T的有效范围为[x0-r0,x0+r0];
步骤(4-5):首先查找重心提取后的检测线T粗区域中的最大灰度值,并且记录该点对应的坐标(x1,y1),记录最大灰度值y1的大小,比较灰度值的范围以及对称性、单峰性等属性,确定检测线T的精确位置,具体步骤如下。
步骤(4-5-1):确定检测线T中图像的单峰性,保证经过处理完的图像有效,若要保证单峰性良好,则以最大灰度值处为基准点,在检测线T的粗区域中比较检测线T峰值两侧的斜率关系,有关系式:
若满足以上关系,证明图像信息中的单峰性良好,可以用于进一步的检测线 T的精确区域划分,若不满足以上关系式则重新进行图像采集。
步骤(4-5-2):理想检测线T的峰值满足良好的对称性,通过在信息量足够的前提下保证检测线T的峰具有较好的对称性,关于对称性的表达,引入有关对称性的指标两侧方差,有关系式:
var=∑(f(x1-δ0)-f(x1-δ0))2
对两侧方差var而言,var越小代表检测线T的有效峰对称性越好,则以两侧方差最小为目标,引入目标函数:
同样的,决策变量为检测线T的精确区域的有效半径大小δ0。
而确保信息量足够,需要保证有效半径中的灰度大小恰好满足检测要求,若有效半径中的最小灰度值过大,则说明提取的仅为检测线T的峰值部分,不满足信息的一般性;若有效半径的最小灰度值过小,则会导致提取的信息位于检测线 T的边缘,其可靠性相较于中央峰值欠佳,因此在保证对称性良好的情况下合理选择有效半径大小δ0非常重要。
因此引入约束条件:
其中,k1k2为比例系数,对应的有效范围内最小灰度值的两个阈值,在该实施例中,通过实验测试得到最佳的测试数据k1=0.2,k2=0.5。
步骤(4-5-3):在确定决策变量的过程中,在查找最优有效半径δ0时提出了一种多重搜索法,步骤如下:
步骤(4-5-3-1):设置查找范围同时满足最小灰度值的最大最小约束,设置半径查找步长为1/10最大有效区域;
步骤(4-5-3-2):假设在第i次循环遍历中找到方差最小值;
步骤(4-5-3-3):判断精度要求是否达到1/200的最大有效区域,若满足精度要求,则输出查找到的最优有效半径δ0,若不满足精度要求,则跳转至步骤 (4-5-3-4);
步骤(4-5-3-4):缩小步长至原始步长的1/5,在查找到最优半径的范围中重新查找遍历区间,跳转至步骤(4-5-3-20)。
多重查找算法流程图参见图3。
此外,实施例在计算最优半径大小的同时还可以采用遗传算法、模拟退火算法等寻求局部最优解的算法。
进一步的,所述步骤(5)检测结果的确定方法如下:
步骤(5-1):提取质控线C与检测线T的灰度之比Gray(T/C),灰度值可以通过RGB图像转化成灰度图像获得,由于灰度值表征了一种色彩深浅程度,因此作为评定指标,计算公式为Gray(T/C)=Gray(T)/Gray(C)。
提取质控线C与检测线T的对比度之比Contrast(T/C),对比度表征了检测线T中灰度的差异值,对比度值越高代表检测线中的灰度反差公式,其计算公式为Contrast(T/C)=Contrast(T)/Contrast(C)。
提取检测线T区图像的熵Ent(T),熵值表达了检测线T中的信息量大小,即为可用于模型识别的数据量大小,有公式:
提取检测线T的平均梯度G(T),表达了检测线T中灰度沿垂直以及水平方向下降的大小,有公式:
其中,2r0和P分别为提取出的检测线T的精确区域的长和宽。
提取检测线T的标准差δ(T),标准差代表检测线T中的灰度平均偏离程度,反应了检测线T精确区域的灰度离散程度,有公式:
其中,G(i,j)是坐标为(i,j)的像素值,μ为灰度均值。
提取检测线T的相关系数Cov(T),相关系数代表检测线T中的信息相似程度。
提取检测线T的R通道均值,由于RGB通道中的R通道对应的为试剂条中检测线T的红色分量,由于层析试剂条的检测线以红色分量为主,因此提取R通道数值作为BP神经网络模型的一项输入。
提取图像HSV通道中检测线T的H分量、S分量、V分量,通过把原始RGB 图像转换至HSV通道,获得色调、饱和度、明度指标,有转换公式:
R'=R/255
G'=G/255
B'=B/255
检测线T区中H指标的计算:
检测线T区中S指标的计算:
检测线T区中V指标的计算:
V=max(R',G',B')
步骤(5-2):把提取出的质控线C与检测线T的灰度之比Gray(T/C)与质控线C与检测线T的对比度之比Contrast(T/C)、检测线T区图像的熵Ent(T)检测线T的平均梯度G(T)、检测线T的标准差δ(T)、检测线T的相关系数Cov(T)、检测线T的R通道均值、以及图像HSV通道中检测线T的H分量、S分量、V分量的十个指标作为输入量,并进行归一化处理,后作为BP神经网络的输入,代入训练好的分析模型。在指标选取方面,这种做法抑制了由于光照环境等不同因素导致的不同试剂样本的检测线绝对指标的变化,减少了干扰,在一定程度上提高了检测的准确度。
步骤(5-3):通过训练好的BP神经网络模型将归一化后的试纸信息指标转化为不同的样本类型指标,将无效规定为“-1”,强阳规定为“0”,弱阳规定为“1”,弱阴规定为“2”,强阴规定为“3”,把结果输出并保存至MySQL数据库中作为已测样本。
在本实施例中采用的BP神经网络模型原始样本2000组,经过5000次迭代以后,得到测试集的综合准确率为96.21%。
在本实施例中。基于BP神经网络算法的分类法搭载样本更新的过程,其过程如下:
对新检测样本的检测信息通过python中MySQLdb库中execute方法内的 insert函数向MySQL数据库中记录,并在MySQL数据库中达到一定数量时并确定检测结果无误时,把已检测数据作为新的已知样本重新进行训练算迭代,可以得到训练模型,从而完成样本检测的阈值更新过程。
在本实施例中,每新增10000个样本修正一次检测标准。
在本实施例中,硬件通讯模块主要包括通讯芯片及附属电路。通讯方式一般选用WiFi、蓝牙、射频等无线通讯方式。通讯模块与图像采集模块进行电连接,获得微型摄像头拍摄图像,并将图像数据向外发射,供智能手机上的处理软件接收。
本实施例中,整个过程搭载于基于Android10系统手机APP端,手机APP 使用Android Studio平台开发。手机显示移动APP分为人机交互界面设计,后台服务于通信设计部分。
以上仅为本发明的优选实例,但本发明的保护范围不局限于此,在本发明的基础上的相同改进替换等都要求落入本发明保护范围内。
Claims (6)
1.一种荧光免疫层析试纸的半定量分析方法,特征在于该方法基于阈值分割来进行荧光免疫层析试纸的半定量分析,具体步骤如下:
步骤(1):通过微距相机采集365nm紫外灯光照射下的荧光免疫层析试纸,并通过上位机编程将微距相机采集的图像信息通过ESP32模块发送至本地端,通过python3.7读取图片数据流,准备进行图像预处理;
步骤(2):预先训练荧光免疫试纸分析的BP神经网络模型,将已知的试纸样本预处理后按照强阳性、弱阳性、强阴性、弱阴性、无效输入至训练库中,把已知样本按照8:2的比例划分训练集以及测试集导入BP神经网络进行训练,并设定迭代次数以及训练集的准确率来保证训练网络的可靠度,所采用的BP神经网络包含输入层、隐藏层、输出层三层,并且最后采取均方根误差比较法来评定误差;
步骤(3):对原始图像预处理:
在图像处理过程中,依次经过SSR算法修正、分块阈值提取、二值处理、形态学处理等过程,从而得到可以进行识别的试纸信息;
步骤(4):通过重心提取以及参考寻峰法,依次确定识别线的粗区域以及精确区域,并确定质控线T和检测线C的位置;
步骤(5):将提取出的试剂条信息代入训练好的荧光免疫试纸分析的BP神经网络算法,通过BP神经网络的输出来判断样本的检测结果。
2.如权利要求1所述的一种荧光免疫层析试纸的半定量检测方法,其特征在于,所述步骤(2)的具体方法如下:
所述步骤2的训练过程中,把质控线C与检测线T的灰度之比Gray(T/C)与质控线C与检测线T的对比度之比Contrast(T/C)、检测线T区图像的熵Ent(T)检测线T的平均梯度G(T)、检测线T的标准差δ(T)、检测线T的相关系数Cov(T)、检测线T的R通道均值、以及图像HSV通道中检测线T的H分量、S分量、V分量作为输入量,样本的不同检测结果作为输出量。设置输入层为10个神经元,中间层包含3个隐藏神经元、输出层包含5个神经元,10个输入神经元代表相应的试纸图像信息指标,5个输出神经元代表不同的检测结果;
同时,把代表试剂条检测线信息的指标归一化处理统一导入MySQL数据库中进行数据保存以及后期训练时的统一提取访问。
3.如权利要求1所述的一种荧光免疫层析试纸的半定量检测方法,其特征在于,所述步骤(3)的具体方法如下:
步骤(3-1):输入原始的试剂条图像Image(x,y),并规定滤波半径范围,出原始试剂条图像经过高斯滤波后的结果L(x,y),并通过计算得到量化后的像素并输出图像结果;
步骤(3-2):将SSR算法修正后得到的图像进行灰度化处理和二值化处理。在分割时采用基于OTSU法的分块阈值法;
步骤(3-3):对二值图像进行形态学处理,得到连续的检测线T与质控线C区域。由于试剂过程中荧光免疫层析试纸检测线边缘的图像通常较为模糊,因此配合形态学处理可以有效地去除噪点。
4.如权利要求1所述的一种荧光免疫层析试纸的半定量检测方法,其特征在于,所述步骤(4)质控线和检测线确定的具体方法如下:
步骤(4-1):确定质控线C前的矩形和检测线T后的矩形,确定二者重心,在重心确定的过程中,可以认为检测线和质控线外的区域是均匀的;
步骤(4-2):以重心的作为检测区域的边界,通过矩形框选识别区域,作为待识别双线的粗识别范围。对于重心的提取方法,根据实际图像上不同位置的光强分布不同因而不同点的权重也不同,因而采用了一种根据光强密度不同的重心提取法,确定了检测线T与质控线C的大致区域;
步骤(4-3):通过绘制试剂条灰度值随长度的曲线图,由于原始的光照修正算法只能抑制大部分光照不均带来的影响,在零线附近仍存在少量分量,因此采用基于最小二乘法的零线拟合法得到垂直方向的试剂条的原始灰度值图,把均方和最小的基线作为新曲线图的零线;
步骤(4-4):通过参考寻峰法,把通过重心提取后的质控线的最大峰值作为参考标准,确定质控线T的精确区域;
步骤(4-5):首先查找重心提取后的检测线T粗区域中的最大灰度值,并且记录该点对应的坐标(x1,y1),记录最大灰度值y1的大小,比较灰度值的范围以及对称性、单峰性等属性,确定检测线T的精确位置。
5.如权利要求4所述的一种荧光免疫层析试纸的半定量检测方法,其特征在于,所述步骤(5)的BP神经网络算法检测步骤如下:
步骤(5-1):提取质控线C与检测线T的灰度之比Gray(T/C)与质控线C与检测线T的对比度之比Contrast(T/C)、检测线T区图像的熵Ent(T)检测线T的平均梯度G(T)、检测线T的标准差δ(T)、检测线T的相关系数Cov(T)、检测线T的R通道均值、以及图像HSV通道中检测线T的H分量、S分量、V分量十组图像信息,并进行归一化处理;
步骤(5-2):把提取出的试剂条信息作为BP神经网络的输入,代入训练好的分析模型。在指标选取方面,这种做法抑制了由于光照环境等不同因素导致的不同试剂样本的检测线绝对指标的变化,减少了干扰,在一定程度上提高了检测的准确度;
步骤(5-3):通过训练好的BP神经网络模型将归一化后的试纸信息指标转化为不同的样本类型指标,将无效规定为“-1”,强阳规定为“0”,弱阳规定为“1”,弱阴规定为“2”,强阴规定为“3”,把结果输出并保存至MySQL数据库中作为已测样本。
6.如权利要求1所述的一种荧光免疫层析试纸的半定量检测方法,基于BP神经网络算法的分类法搭载样本更新的过程,其过程如下:
对新检测样本的检测信息通过MySQL数据库记录,并在MySQL数据库中达到一定数量时并确定检测结果无误时,把已检测数据作为新的已知样本重新进行训练迭代,可以得到训练模型,从而完成样本检测的阈值更新过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110520575.6A CN113313109A (zh) | 2021-05-13 | 2021-05-13 | 一种荧光免疫层析试纸的半定量分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110520575.6A CN113313109A (zh) | 2021-05-13 | 2021-05-13 | 一种荧光免疫层析试纸的半定量分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113313109A true CN113313109A (zh) | 2021-08-27 |
Family
ID=77373170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110520575.6A Pending CN113313109A (zh) | 2021-05-13 | 2021-05-13 | 一种荧光免疫层析试纸的半定量分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313109A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114092740A (zh) * | 2021-11-11 | 2022-02-25 | 成都云芯医联科技有限公司 | 一种ai辅助下的免疫侧流传感的解析方法 |
CN114486841A (zh) * | 2022-04-07 | 2022-05-13 | 南京长健生物科技有限公司 | 一种微型荧光免疫分析仪及其图像处理方法 |
CN114511522A (zh) * | 2022-01-21 | 2022-05-17 | 长沙协大生物科技有限公司 | 一种荧光免疫法、胶体金法试剂自动判定方法 |
CN115273152A (zh) * | 2022-09-23 | 2022-11-01 | 南京晶捷生物科技有限公司 | 一种侧向免疫层析检测方法、装置及应用 |
CN117934471A (zh) * | 2024-03-22 | 2024-04-26 | 北京万泰生物药业股份有限公司 | 一种对胶体金检测结果图的图像数字化分析方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108133481A (zh) * | 2017-12-22 | 2018-06-08 | 必欧瀚生物技术(合肥)有限公司 | 一种针对荧光免疫层析试条成像系统的图像处理算法 |
CN108931636A (zh) * | 2018-07-02 | 2018-12-04 | 威海纽普生物技术有限公司 | 测定st2的荧光免疫层析检测试剂盒及其制备方法 |
CN109242848A (zh) * | 2018-09-21 | 2019-01-18 | 西华大学 | 基于otsu和ga-bp神经网络墙纸缺陷检测与识别方法 |
CN109800777A (zh) * | 2018-09-21 | 2019-05-24 | 上海营阅企业管理服务中心(有限合伙) | 一种尿检试纸生理指标自动识别方法 |
WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
CN111931663A (zh) * | 2020-08-12 | 2020-11-13 | 天津博硕科技有限公司 | 一种基于深度学习的荧光免疫层析定量图像寻峰算法 |
-
2021
- 2021-05-13 CN CN202110520575.6A patent/CN113313109A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
CN108133481A (zh) * | 2017-12-22 | 2018-06-08 | 必欧瀚生物技术(合肥)有限公司 | 一种针对荧光免疫层析试条成像系统的图像处理算法 |
CN108931636A (zh) * | 2018-07-02 | 2018-12-04 | 威海纽普生物技术有限公司 | 测定st2的荧光免疫层析检测试剂盒及其制备方法 |
CN109242848A (zh) * | 2018-09-21 | 2019-01-18 | 西华大学 | 基于otsu和ga-bp神经网络墙纸缺陷检测与识别方法 |
CN109800777A (zh) * | 2018-09-21 | 2019-05-24 | 上海营阅企业管理服务中心(有限合伙) | 一种尿检试纸生理指标自动识别方法 |
CN111931663A (zh) * | 2020-08-12 | 2020-11-13 | 天津博硕科技有限公司 | 一种基于深度学习的荧光免疫层析定量图像寻峰算法 |
Non-Patent Citations (3)
Title |
---|
李婷婷 等: "基于显微镜数字图像的荧光免疫层析定量检测方法", 中国激光, vol. 47, no. 11 * |
陈淑丹 等: "核酸试纸条法检测结核分枝杆菌的初步研究", 中国口岸科学技术, vol. 3, no. 5 * |
高跃明 等: "二维Otsu和改进区域生长法的荧光免疫 层析试条浓度的定量检测", 传感技术学报, vol. 29, no. 9 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114092740A (zh) * | 2021-11-11 | 2022-02-25 | 成都云芯医联科技有限公司 | 一种ai辅助下的免疫侧流传感的解析方法 |
CN114511522A (zh) * | 2022-01-21 | 2022-05-17 | 长沙协大生物科技有限公司 | 一种荧光免疫法、胶体金法试剂自动判定方法 |
CN114486841A (zh) * | 2022-04-07 | 2022-05-13 | 南京长健生物科技有限公司 | 一种微型荧光免疫分析仪及其图像处理方法 |
CN114486841B (zh) * | 2022-04-07 | 2022-06-24 | 南京长健生物科技有限公司 | 一种微型荧光免疫分析仪及其图像处理方法 |
CN115273152A (zh) * | 2022-09-23 | 2022-11-01 | 南京晶捷生物科技有限公司 | 一种侧向免疫层析检测方法、装置及应用 |
CN117934471A (zh) * | 2024-03-22 | 2024-04-26 | 北京万泰生物药业股份有限公司 | 一种对胶体金检测结果图的图像数字化分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113313109A (zh) | 一种荧光免疫层析试纸的半定量分析方法 | |
US11669971B2 (en) | Colony contrast gathering | |
CN108765443B (zh) | 一种自适应颜色阈值分割的标志增强处理方法 | |
CN110389127B (zh) | 一种金属陶瓷零件识别及表面缺陷检测系统和方法 | |
CN103518224B (zh) | 用于分析微生物生长的方法 | |
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 | |
CN109800777A (zh) | 一种尿检试纸生理指标自动识别方法 | |
CN116309599B (zh) | 基于污水前置处理的水质视觉监测方法 | |
CN115994907B (zh) | 用于食品检测机构综合信息的智能处理系统及方法 | |
CN116559111A (zh) | 一种基于高光谱成像技术的高粱品种识别方法 | |
CN115294377A (zh) | 一种道路裂缝的识别系统及方法 | |
CN115830585A (zh) | 一种基于图像增强的港口集装箱号识别方法 | |
CN115359264A (zh) | 一种密集型分布的粘连细胞深度学习识别方法 | |
CN113129281B (zh) | 一种基于深度学习的小麦茎秆截面参数检测方法 | |
CN117197137B (zh) | 基于高光谱图像的组织样本分析方法及系统 | |
CN117745715A (zh) | 基于人工智能的大口径望远镜镜片缺陷检测方法 | |
CN112419278A (zh) | 一种基于深度学习的实木地板分类方法 | |
CN110930393A (zh) | 一种基于机器视觉的芯片料管计数方法、装置及系统 | |
CN115423802A (zh) | 基于深度学习的鳞状上皮肿瘤细胞图片自动分类分割方法 | |
CN111539354B (zh) | 一种液基细胞玻片扫描区域识别方法 | |
KR20230063147A (ko) | 다단계 특징 분석을 사용한 전립선 조직의 효율적인 경량 cnn과 앙상블 머신 러닝 분류 방법 및 시스템 | |
CN117952981B (zh) | 一种基于cnn卷积神经网络的智能室内灯检测装置及方法 | |
CN118097305B (zh) | 一种半导体发光元件质量的检测方法及系统 | |
CN117575993B (zh) | 一种基于深度学习的滴度值的处理方法及系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210827 |