CN113624973A - 一种链格孢霉毒素荧光免疫层析快速检测方法 - Google Patents
一种链格孢霉毒素荧光免疫层析快速检测方法 Download PDFInfo
- Publication number
- CN113624973A CN113624973A CN202110780559.0A CN202110780559A CN113624973A CN 113624973 A CN113624973 A CN 113624973A CN 202110780559 A CN202110780559 A CN 202110780559A CN 113624973 A CN113624973 A CN 113624973A
- Authority
- CN
- China
- Prior art keywords
- fluorescence
- image
- detection
- value
- gray
- 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.)
- Withdrawn
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 70
- 239000003053 toxin Substances 0.000 title claims abstract description 28
- 231100000765 toxin Toxicity 0.000 title claims abstract description 28
- 238000003317 immunochromatography Methods 0.000 title claims abstract description 25
- 241000223602 Alternaria alternata Species 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000002073 fluorescence micrograph Methods 0.000 claims abstract description 36
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000003745 diagnosis Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 5
- 238000006243 chemical reaction Methods 0.000 claims abstract description 4
- 230000035945 sensitivity Effects 0.000 claims abstract description 4
- 239000000126 substance Substances 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 12
- 241000223600 Alternaria Species 0.000 claims description 11
- 238000004587 chromatography analysis Methods 0.000 claims description 9
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000000018 DNA microarray Methods 0.000 claims description 3
- 241000221960 Neurospora Species 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000001917 fluorescence detection Methods 0.000 claims description 3
- 239000007791 liquid phase Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 1
- 230000006872 improvement Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000000813 microbial effect Effects 0.000 abstract description 2
- 238000002405 diagnostic procedure Methods 0.000 abstract 1
- 108700012359 toxins Proteins 0.000 description 15
- 238000004140 cleaning Methods 0.000 description 2
- 238000012864 cross contamination Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000003018 immunoassay Methods 0.000 description 2
- 206010007269 Carcinogenicity Diseases 0.000 description 1
- 208000000461 Esophageal Neoplasms Diseases 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 240000005979 Hordeum vulgare Species 0.000 description 1
- 235000007340 Hordeum vulgare Nutrition 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 231100000678 Mycotoxin Toxicity 0.000 description 1
- 206010030155 Oesophageal carcinoma Diseases 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 206010043275 Teratogenicity Diseases 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 241000219094 Vitaceae Species 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007670 carcinogenicity Effects 0.000 description 1
- 231100000260 carcinogenicity Toxicity 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000004101 esophageal cancer Diseases 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000004186 food analysis Methods 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 235000021021 grapes Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000004895 liquid chromatography mass spectrometry Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000002636 mycotoxin Substances 0.000 description 1
- 229930000184 phytotoxin Natural products 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 235000020095 red wine Nutrition 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 231100000211 teratogenicity Toxicity 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/58—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving labelled substances
- G01N33/582—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving labelled substances with fluorescent label
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
- G01N33/5308—Immunoassay; Biospecific binding assay; Materials therefor for analytes not provided for elsewhere, e.g. nucleic acids, uric acid, worms, mites
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
- G01N33/558—Immunoassay; Biospecific binding assay; Materials therefor using diffusion or migration of antigen or antibody
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Molecular Biology (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- Hematology (AREA)
- Urology & Nephrology (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Cell Biology (AREA)
- Biotechnology (AREA)
- Medicinal Chemistry (AREA)
- Microbiology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Food Science & Technology (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Tropical Medicine & Parasitology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明属于微生物检测技术领域,公开了一种链格孢霉毒素荧光免疫层析快速检测方法,将待检测样品与免疫层析诊断试纸进行接触反应;将反应后的免疫层析诊断试纸通过荧光免疫层析试条检测模块进行检测,对不低于传感器检测灵敏度的物质含量的荧光进行捕捉显示;对荧光图像进行预处理;对处理后的荧光图像进行分析,得到分析后的检测数据及检测结果;将得到的分析后的检测数据及检测结果利用卷积神经网络进行数据分析与处理,得到荧光免疫层析检测结果。本发明计算出来的荧光图像的平均像素值准确率极高,实现定量分析的计算分析速度很快,大大节省了人力成本,克服传统方式的局限性,提高效率,且对分类的种类没有限制。
Description
技术领域
本发明属于微生物检测技术领域,尤其涉及一种链格孢霉毒素荧光免疫层析快速检测方法。
背景技术
目前:链格孢霉(Alternaria)是半知菌暗色丝孢菌中重要的一类真菌,能产生70余种真菌毒素和植物毒素,称为链格孢毒素。链格孢霉菌具有致癌性、致畸性,尤其是在食管癌的发生上尤为突出。因此,摄取链格孢毒素侵染的食品会对人体健康造成严重危害。目前科学家们已经在多种食品(如西红柿、小麦、葡萄、大米、红酒、燕麦片、大麦)中发现了链格孢毒素的存在。因此,链格孢毒素成为目前国内外科学家研究较多的主要的链格孢毒素之一。
当前,用于链格孢毒素检测的方法主要依赖于液质联用传统检测方法。然而,这些传统的检测方法通常需要大型、昂贵的仪器设备以及专业的技术人员,并且检测只能在实验室中进行,检测时间长,费时费力。
当前,荧光免疫层析技术已经被广泛应用于食品分析领域。但是,目前仅有少数的文章报道了关于免疫分析技术在链格孢毒素检测中的应用。而且,传统的免疫分析技术具有耗时长,需要大量的清洗步骤,容易引起孔与孔之间的交叉污染等弊端,不利于消除各样品检测间存在的检测误差。
通过上述分析,现有技术存在的问题及缺陷为:
现有的链格孢霉菌荧光免疫层析方式耗时长,需要大量的清洗步骤,容易引起孔与孔之间的交叉污染,不利于消除各样品检测间存在的检测误差。
发明内容
针对现有技术存在的问题,本发明提供了一种链格孢霉毒素荧光免疫层析快速检测方法。
本发明是这样实现的,一种链格孢霉毒素荧光免疫层析快速检测方法包括:
步骤一,将待检测样品与免疫层析诊断试纸进行接触反应;
步骤二,将反应后的免疫层析诊断试纸通过荧光免疫层析试条检测模块进行检测,对不低于传感器检测灵敏度的物质含量的荧光进行捕捉显示;
步骤三,获取荧光免疫层析试条检测模块采集的荧光层析试条的荧光图像,并对荧光图像进行预处理;
步骤四,对处理后的荧光图像进行分析,得到分析后的检测数据及检测结果;
步骤五,建立卷积神经网络,利用已知的链格孢霉毒素的标准荧光检测数据及检测结果对卷积神经网络算法进行训练;
步骤六,将得到的分析后的检测数据及检测结果利用卷积神经网络进行数据分析与处理,得到荧光免疫层析检测结果。
进一步,所述荧光免疫层析试条检测模块包括:
光电信号检测单元,用于通过光电传感器对荧光层析试条的荧光图像进行采集;
位移驱动单元,用于驱动光电信号检测单元进行位置移动;
控制单元,用于对光电信号检测单元和位移驱动单元的工作进行协调控制。
进一步,步骤三中,对荧光图像进行预处理的具体方法包括:
将采集到的荧光层析试条的荧光图像进行灰度化处理;
对灰度化处理后的图像数据进行数据增强,扩充数据集规模;
对增强后的图像数据进行裁剪和压缩操作,使得图像尺寸符合卷积神经网络输入的图像尺寸大小;
对图像数据进行标准化处理,将标签数据值归一化到一个小范围内,将图像数据转为二维数据集。
进一步,所述灰度化处理的方法包括:
获取荧光图像中各像素的灰度值,得到灰度矩阵;
根据灰度矩阵中各行/列的灰度值和,拟合得到行/列灰度分布线;
将灰度值和的均值除以各行/列灰度待定值,得到均衡数组中的各数值;
根据均衡数组修正灰度矩阵,得到荧光图像修正后的灰度矩阵。
进一步,所述各行/列灰度待定值的获得方法为:
将灰度值和的序号分别代入行/列灰度分布线,得到各行/列灰度待定值。
进一步,对图像数据进行标准化处理的具体方法为:
对荧光图像中各像素点的光强度进行标准化处理,得到光强度标签图;
将各点像素光强度值减去均值,然后除以方差,将光强度值归一化到0值附近,方差为1,标准化公式为:
其中,Normal_Xi为图像中各像素点经过标准化处理后像素值大小,Xi为荧光图像中各像素点的光强度值,mean为图像中所有像素点的光强度平均值,Std为光强度值方差。
进一步,步骤四中,对处理后的荧光图像进行分析采用的分析方法包括:
将荧光图像输入训练好的FCN网络模型,经过FCN分割后得到分割图像;
单独提取出每个分割图像中的目标识别区域边界,并得到分别对应包含每个目标识别区域边界的图像;
对提取出来的图像的所有非零像素的平均值进行计算,以对相应的液相生物芯片作出定量分析。
进一步,所述目标识别区域边界通过边缘检测方法。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明通过将反应后的免疫层析诊断试纸通过荧光免疫层析试条检测模块进行检测,对荧光图像进行处理分析后得到荧光免疫层析检测结果,通过设置一个FCN网络,用FCN分割图像的方法实现对荧光图像边界的定位,提取包含每个目标识别区域边界的图像;本发明计算出来的荧光图像的平均像素值准确率极高,实现定量分析的计算分析速度很快,大大节省了人力成本,克服传统方式的局限性,提高效率,且对分类的种类没有限制。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的链格孢霉毒素荧光免疫层析快速检测方法。
图2是本发明实施例提供的对荧光图像进行预处理的具体方法流程图。
图3是本发明实施例提供的灰度化处理的方法的流程图。
图4是本发明实施例提供的对处理后的荧光图像进行分析采用的分析方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种链格孢霉毒素荧光免疫层析快速检测方法,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的链格孢霉毒素荧光免疫层析快速检测方法包括:
S101,将待检测样品与免疫层析诊断试纸进行接触反应;
S102,将反应后的免疫层析诊断试纸通过荧光免疫层析试条检测模块进行检测,对不低于传感器检测灵敏度的物质含量的荧光进行捕捉显示;
S103,获取荧光免疫层析试条检测模块采集的荧光层析试条的荧光图像,并对荧光图像进行预处理;
S104,对处理后的荧光图像进行分析,得到分析后的检测数据及检测结果;
S105,建立卷积神经网络,利用已知的链格孢霉毒素的标准荧光检测数据及检测结果对卷积神经网络算法进行训练;
S106,将得到的分析后的检测数据及检测结果利用卷积神经网络进行数据分析与处理,得到荧光免疫层析检测结果。
本发明实施例中的荧光免疫层析试条检测模块包括:
光电信号检测单元,用于通过光电传感器对荧光层析试条的荧光图像进行采集;
位移驱动单元,用于驱动光电信号检测单元进行位置移动;
控制单元,用于对光电信号检测单元和位移驱动单元的工作进行协调控制。
如图2所示,本发明实施例中的步骤S103中,对荧光图像进行预处理的具体方法包括:
S201,将采集到的荧光层析试条的荧光图像进行灰度化处理;
S202,对灰度化处理后的图像数据进行数据增强,扩充数据集规模;
S203,对增强后的图像数据进行裁剪和压缩操作,使得图像尺寸符合卷积神经网络输入的图像尺寸大小;
S204,对图像数据进行标准化处理,将标签数据值归一化到一个小范围内,将图像数据转为二维数据集。
如图3所示,本发明实施例中的灰度化处理的方法包括:
S301,获取荧光图像中各像素的灰度值,得到灰度矩阵;
S302,根据灰度矩阵中各行/列的灰度值和,拟合得到行/列灰度分布线;
S303,将灰度值和的均值除以各行/列灰度待定值,得到均衡数组中的各数值;
S304,根据均衡数组修正灰度矩阵,得到荧光图像修正后的灰度矩阵。
进一步,所述各行/列灰度待定值的获得方法为:
将灰度值和的序号分别代入行/列灰度分布线,得到各行/列灰度待定值。
进一步,对图像数据进行标准化处理的具体方法为:
对荧光图像中各像素点的光强度进行标准化处理,得到光强度标签图;
将各点像素光强度值减去均值,然后除以方差,将光强度值归一化到0值附近,方差为1,标准化公式为:
其中,Normal_Xi为图像中各像素点经过标准化处理后像素值大小,Xi为荧光图像中各像素点的光强度值,mean为图像中所有像素点的光强度平均值,Std为光强度值方差。
如图4所示,本发明实施例中的步骤S104中,对处理后的荧光图像进行分析采用的分析方法包括:
S401,将荧光图像输入训练好的FCN网络模型,经过FCN分割后得到分割图像;
S402,单独提取出每个分割图像中的目标识别区域边界,并得到分别对应包含每个目标识别区域边界的图像;
S403,对提取出来的图像的所有非零像素的平均值进行计算,以对相应的液相生物芯片作出定量分析。
本发明实施例中的目标识别区域边界通过边缘检测方法。
以上所述,仅为本发明较优的具体的实施方式,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,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种链格孢霉毒素荧光免疫层析快速检测方法,其特征在于,所述链格孢霉毒素荧光免疫层析快速检测方法包括:
步骤一,将待检测样品与免疫层析诊断试纸进行接触反应;
步骤二,将反应后的免疫层析诊断试纸通过荧光免疫层析试条检测模块进行检测,对不低于传感器检测灵敏度的物质含量的荧光进行捕捉显示;
步骤三,获取荧光免疫层析试条检测模块采集的荧光层析试条的荧光图像,并对荧光图像进行预处理;
步骤四,对处理后的荧光图像进行分析,得到分析后的检测数据及检测结果;
步骤五,建立卷积神经网络,利用已知的链格孢霉毒素的标准荧光检测数据及检测结果对卷积神经网络算法进行训练;
步骤六,将得到的分析后的检测数据及检测结果利用卷积神经网络进行数据分析与处理,得到荧光免疫层析检测结果。
2.如权利要求1所述的链格孢霉毒素荧光免疫层析快速检测方法,其特征在于,所述荧光免疫层析试条检测模块包括:
光电信号检测单元,用于通过光电传感器对荧光层析试条的荧光图像进行采集;
位移驱动单元,用于驱动光电信号检测单元进行位置移动;
控制单元,用于对光电信号检测单元和位移驱动单元的工作进行协调控制。
3.如权利要求1所述的链格孢霉毒素荧光免疫层析快速检测方法,其特征在于,步骤三中,对荧光图像进行预处理的具体方法包括:
将采集到的荧光层析试条的荧光图像进行灰度化处理;
对灰度化处理后的图像数据进行数据增强,扩充数据集规模;
对增强后的图像数据进行裁剪和压缩操作,使得图像尺寸符合卷积神经网络输入的图像尺寸大小;
对图像数据进行标准化处理,将标签数据值归一化到一个小范围内,将图像数据转为二维数据集。
4.如权利要求3所述的链格孢霉毒素荧光免疫层析快速检测方法,其特征在于,所述灰度化处理的方法包括:
获取荧光图像中各像素的灰度值,得到灰度矩阵;
根据灰度矩阵中各行/列的灰度值和,拟合得到行/列灰度分布线;
将灰度值和的均值除以各行/列灰度待定值,得到均衡数组中的各数值;
根据均衡数组修正灰度矩阵,得到荧光图像修正后的灰度矩阵。
5.如权利要求4所述的链格孢霉毒素荧光免疫层析快速检测方法,其特征在于,所述各行/列灰度待定值的获得方法为:
将灰度值和的序号分别代入行/列灰度分布线,得到各行/列灰度待定值。
7.如权利要求1所述的链格孢霉毒素荧光免疫层析快速检测方法,其特征在于,步骤四中,对处理后的荧光图像进行分析采用的分析方法包括:
将荧光图像输入训练好的FCN网络模型,经过FCN分割后得到分割图像;
单独提取出每个分割图像中的目标识别区域边界,并得到分别对应包含每个目标识别区域边界的图像;
对提取出来的图像的所有非零像素的平均值进行计算,以对相应的液相生物芯片作出定量分析。
8.如权利要求7所述的链格孢霉毒素荧光免疫层析快速检测方法,其特征在于,所述目标识别区域边界通过边缘检测方法。
9.一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施如权利要求1~8任意一项所述的链格孢霉毒素荧光免疫层析快速检测方法。
10.一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1~8任意一项所述的链格孢霉毒素荧光免疫层析快速检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110780559.0A CN113624973A (zh) | 2021-07-09 | 2021-07-09 | 一种链格孢霉毒素荧光免疫层析快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110780559.0A CN113624973A (zh) | 2021-07-09 | 2021-07-09 | 一种链格孢霉毒素荧光免疫层析快速检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113624973A true CN113624973A (zh) | 2021-11-09 |
Family
ID=78379348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110780559.0A Withdrawn CN113624973A (zh) | 2021-07-09 | 2021-07-09 | 一种链格孢霉毒素荧光免疫层析快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113624973A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114965995A (zh) * | 2022-05-20 | 2022-08-30 | 北京与子成科技有限公司 | 一种免疫层析分析检测系统及方法 |
-
2021
- 2021-07-09 CN CN202110780559.0A patent/CN113624973A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114965995A (zh) * | 2022-05-20 | 2022-08-30 | 北京与子成科技有限公司 | 一种免疫层析分析检测系统及方法 |
CN114965995B (zh) * | 2022-05-20 | 2023-04-11 | 河南申友医学检验所有限公司 | 一种免疫层析分析检测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lecellier et al. | Differentiation and identification of filamentous fungi by high-throughput FTIR spectroscopic analysis of mycelia | |
CN103424409B (zh) | 一种基于dsp的视觉检测系统 | |
CN110490842B (zh) | 一种基于深度学习的带钢表面缺陷检测方法 | |
CN110490836B (zh) | dPCR微阵列图像信息处理方法 | |
CN112862744B (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
CN116559111A (zh) | 一种基于高光谱成像技术的高粱品种识别方法 | |
Chavez et al. | Single kernel aflatoxin and fumonisin contamination distribution and spectral classification in commercial corn | |
CN113624973A (zh) | 一种链格孢霉毒素荧光免疫层析快速检测方法 | |
US10184144B2 (en) | Identification and/or characterization of a microbial agent using taxonomic hierarchical classification | |
Valledor et al. | Standardization of data processing and statistical analysis in comparative plant proteomics experiment | |
Tu et al. | AIseed: An automated image analysis software for high-throughput phenotyping and quality non-destructive testing of individual plant seeds | |
CN111492065A (zh) | 一种鉴别细菌革兰氏类型的系统和方法 | |
CN113011528A (zh) | 一种基于上下文和级联结构的遥感图像小目标检测方法 | |
Cheng et al. | Several mineral elements discriminate the origin of wines from three districts in China | |
CN114022415B (zh) | 一种基于单像素特征聚类建立集群的液晶屏缺陷检测方法 | |
EP2569732B1 (en) | Identification and/or characterization of a microbial agent using taxonomic hierarchical classification | |
Sun et al. | Mildew detection in rice grains based on computer vision and the YOLO convolutional neural network | |
CN114965409A (zh) | 基于图像边缘检测特征提取的三维荧光光谱有机污染物识别方法 | |
CN113850762A (zh) | 基于眼前节图像的眼病识别方法、装置、设备及存储介质 | |
CN108764367B (zh) | 一种基于关系正则化的特征图像提取装置及提取方法 | |
CN102679869B (zh) | 一种针对非金属麦拉片位置不良的视觉检测方法及其装置 | |
Rauhameri et al. | Clustering of Alpha Curves in Differential Mobility Spectrometry Data | |
Krishna et al. | Quality Analysis of Rice Grains Using Morphological Techniques | |
CN117877021A (zh) | 一种基于高光谱图像的柑橘与苹果的疫病识别方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211109 |