CN113837079A - 显微镜的自动对焦方法、装置、计算机设备和存储介质 - Google Patents
显微镜的自动对焦方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113837079A CN113837079A CN202111119572.8A CN202111119572A CN113837079A CN 113837079 A CN113837079 A CN 113837079A CN 202111119572 A CN202111119572 A CN 202111119572A CN 113837079 A CN113837079 A CN 113837079A
- Authority
- CN
- China
- Prior art keywords
- image
- focusing
- target object
- definition
- sperm
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000001514 detection method Methods 0.000 claims abstract description 64
- 230000000007 visual effect Effects 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 17
- 238000012549 training Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Microscoopes, Condenser (AREA)
- Automatic Focus Adjustment (AREA)
Abstract
本申请涉及一种显微镜的自动对焦方法、装置、计算机设备和存储介质。所述方法包括:获取一组对焦图像,一组对焦图像是在同一视野下采用多个焦距对目标对象进行拍摄得到的;对每张对焦图像进行目标检测,得到每张对焦图像中目标对象的区域,提取目标对象所在的区域,得到目标对象图像;确定目标对象图像的清晰度,根据目标对象图像的清晰度,确定目标对象图像对应的对焦图像的清晰度;根据每张对焦图像的清晰度,从多张对焦图像中确定目标图像;根据目标图像对应的对焦参数值对显微镜进行对焦。采用本方法无需人工计算图像的清晰度,避免了清晰度判断时存在较大误差的问题,提高了显微镜对焦的准确率。
Description
技术领域
本申请涉及仪器对焦领域,特别是涉及一种显微镜的自动对焦方法、装置、计算机设备和存储介质。
背景技术
光学显微镜是一种精密的光学仪器,以其精度高、抗干扰能力强、长期稳定性好等优点,在生物、医学、化学等行业占有特殊的地位,发挥着非常重要的作用。显微镜的自动对焦要求相机根据拍摄物体和场景的变化,通过相机内部的微型驱动马达,自动调节相机镜头和CCD(Charge Coupled Device,一种半导体光元件)之间的距离,保证像平面正好投影到CCD的成像表面上。这时候物体的成像比较清晰,图像细节信息丰富。
除了使用传统计算机技术对数字图像处理实现自动对焦,利用人工智能深度学习的方法实现显微镜自动对焦的方法也越来越多。该方法主要通过训练具有清晰度判定能力的神经网络模型,并将该神经网络模型配置于显微镜,使显微镜具备人类水平的精密自动对焦能力,并由此驱动显微镜自动对焦。但在神经网络模型的训练过程中需要人工参与评价图像的清晰度,通过神经网络模型进行清晰度判断时存在误差较大的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够避免清晰度判断存在较大误差的显微镜的自动对焦方法、装置、计算机设备和存储介质。
第一方面,本申请实施例提供一种显微镜的自动对焦方法,所述方法包括:
获取一组对焦图像,一组所述对焦图像是在同一视野下采用多个焦距对目标对象进行拍摄得到的;
对每张所述对焦图像进行目标检测,得到每张所述对焦图像中所述目标对象的区域,提取所述目标对象所在的区域,得到目标对象图像;
确定所述目标对象图像的清晰度,根据所述目标对象图像的清晰度,确定所述目标对象图像对应的所述对焦图像的清晰度;
根据每张所述对焦图像的清晰度,从多张所述对焦图像中确定目标图像;
根据所述目标图像对应的对焦参数值对所述显微镜进行对焦。
在其中一个实施例中,所述目标对象为精子;
所述对每张所述对焦图像进行目标检测,得到每张所述对焦图像中所述目标对象的区域,提取所述目标对象所在的区域,得到目标对象图像,包括:
通过目标检测模型对所述对焦图像进行检测,当检测得到所述对焦图像中存在精子时,得到所述精子所在的区域;
提取所述精子所在的区域,得到与每张所述对焦图像对应的精子图像。
在其中一个实施例中,所述目标对象为精子;
所述对每张所述对焦图像进行目标检测,得到每张所述对焦图像中所述目标对象的区域,提取所述目标对象所在的区域,得到目标对象图像,包括:
通过所述目标检测模型对所述对焦图像进行检测,当检测得到所述对焦图像中存在所述精子的头部时,得到所述精子的头部所在的区域;
提取所述精子的头部所在的区域,得到与每张所述对焦图像对应的所述精子图像。
在其中一个实施例中,所述目标对象图像为所述精子图像;
所述根据所述目标对象图像的清晰度,确定所述目标对象图像对应的所述对焦图像的清晰度,包括:
当检测得到所述对焦图像中存在多个所述精子时,根据多个所述精子图像对应的清晰度,确定所述精子图像对应的所述对焦图像的清晰度;
当检测得到所述对焦图像中存在一个所述精子时,将所述精子图像对应的清晰度,作为所述精子图像对应的所述对焦图像的清晰度。
在其中一个实施例中,所述根据多个所述精子图像对应的清晰度,确定所述精子图像对应的所述对焦图像的清晰度,包括:
获取所述对焦图像对应的多张所述精子图像的清晰度之和,作为所述对焦图像的清晰度。
在其中一个实施例中,所述获取一组对焦图像,包括:
获取多张原始对焦图像,确定每张所述原始对焦图像的清晰度;
根据每张所述原始对焦图像的清晰度,从多张所述原始对焦图像中筛选得到满足清晰度要求的一组所述对焦图像。
在其中一个实施例中,所述确定所述目标对象图像的清晰度,包括:
获取预设矩阵;
根据所述预设矩阵以及所述目标对象图像的像素点灰度值,得到所述目标对象图像在第一方向上的第一梯度值,以及在第二方向上的第二梯度值;
根据所述第一梯度值以及所述第二梯度值,确定所述目标对象图像的清晰度。
第二方面,本申请实施例提供一种显微镜的自动对焦装置,所述装置包括:
图像获取模块,用于获取一组对焦图像,一组所述对焦图像是在同一视野下采用多个焦距对目标对象进行拍摄得到的;
目标检测模块,用于对每张所述对焦图像进行目标检测,得到每张所述对焦图像中所述目标对象的区域,提取所述目标对象所在的区域,得到目标对象图像;
清晰度确定模块,用于确定所述目标对象图像的清晰度,根据所述目标对象图像的清晰度,确定所述目标对象图像对应的所述对焦图像的清晰度;
图像对焦模块,用于根据每张所述对焦图像的清晰度,从多张所述对焦图像中确定目标图像;根据所述目标图像对应的对焦参数值对所述显微镜进行对焦。
第三方面,本申请实施例提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一方面任一项实施例所述的显微镜的对焦方法。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面任一项实施例所述的显微镜的对焦方法。
上述显微镜的对焦方法、装置、计算机设备和存储介质,通过对对焦图像进行目标检测,获取目标对象图像;根据目标对象图像的清晰度,确定目标对象图像对应的对焦图像的清晰度;进而从对焦图像中确定目标图像,获取目标图像的对焦参数值对显微镜进行自动对焦,无需人工计算图像的清晰度,避免清晰度判断存在较大误差,提高了显微镜对焦的准确率。此外,与传统技术中需通过神经网络预测所有图像清晰度的方式相比,本申请极大地减少了模型处理图像所需的时间,从而提升了显微镜对焦的效率。
附图说明
为了更清楚地说明本说明书实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中显微镜的自动对焦方法的流程示意图;
图2为一个实施例中获取一组对焦图像步骤的流程示意图;
图2a为一个实施例中原始对焦图像的清晰度散点图;
图3为一个实施例中获取图像的清晰度步骤的流程示意图;
图4为一个实施例中得到目标对象图像步骤的流程示意图;
图5为一个实施例中显微镜的自动对焦方法的流程示意图;
图5a为一个实施例中精子图像的示意图;
图5b为一个实施例中三十张对焦图像的清晰度折线图;
图6为一个实施例中显微镜的自动对焦装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
需要说明的是,本公开的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本申请提供的显微镜的自动对焦方法,可以应用于计算机设备中。计算机设备可以是终端,或者服务器,或者终端和服务器组成的系统。计算机设备中至少部署有一种已训练的目标检测模型,目标检测模型可以使用终端或者终端外的其他计算机设备预训练完成。具体地,终端获取一组对焦图像,基于目标检测模型对对焦图像进行检测,得到目标对象图像。终端还部署有至少一种清晰度确定逻辑,具体地,终端通过清晰度确定逻辑确定目标对象图像的清晰度,根据目标对象图像的清晰度确定目标对象图像所在的对焦图像的清晰度。
其中,上述终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、便携式可穿戴设备。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统。
在一个实施例中,如图1所示,提供了一种显微镜的自动对焦方法,本实施例以该方法应用于终端进行举例说明,该方法包括以下步骤:
步骤S102,获取一组对焦图像,一组对焦图像是在同一视野下采用多个焦距对目标对象进行拍摄得到的。
其中,对焦图像可以是在同一视野下由计算机程序按一定步长自动移动显微镜的细准焦螺旋调节不同焦距,由显微镜上搭载的图像采集装置(例如数字摄像头、模拟摄像头等)拍摄得到的显微镜成像从模糊到清晰再到模糊的一组图片。焦距指目标对象样本所在的载物台与显微镜的物镜之间的距离。
目标对象是指待进行拍摄的任一种微小物体。目标对象的种类可以依实际处理需求和实际拍摄场景而定,例如,在进行精子分析时,目标对象可以是精子;在进行细菌分析时,目标对象可以是细菌。
具体地,对对焦图像进行对焦的请求可以是用户按需手动触发的,例如用户在应用界面上手动点击触发对焦请求;也可以是终端自动触发的,例如终端检测到图像采集装置的实时工作状态,自动触发对焦请求,终端响应对焦请求,获取一组对焦图像。
步骤S104,对每张对焦图像进行目标检测,得到每张对焦图像中目标对象的区域,提取目标对象的区域,得到目标对象图像。
其中,目标检测可以用于表征一种基于目标几何和统计特征的图像分割方式,目标检测模型可以采用Faster R-CNN(Faster Region-Convolutional Neural Networks,快速区域卷积神经网络模型)、SSD(Single Shot MultiBox Detector,单目多目标检测模型)、YOLO(You Only Look Once,一种小型快速目标检测模型)、PP-YOLO(PaddlePaddle-YOLO,基于YOLO模型的一种小型快速目标检测模型)等。
具体地,终端通过预先部署的已训练的目标检测模型对每张对焦图像进行检测。当目标检测模型检测得到对焦图像中存在目标对象时,获取目标对象所在的预测框,从对焦图像中裁剪出该目标对象所在的预测框,得到对焦图像对应的目标对象图像。
一个实施例中,当检测得到对焦图像中存在多个目标对象时,获取每个目标对象所在的预测框,从对焦图像中裁剪出每个目标对象所在的预测框,得到对焦图像对应的多个目标对象图像。
步骤S106,确定目标对象图像的清晰度,根据目标对象图像的清晰度,确定目标对象图像对应的对焦图像的清晰度。
其中,清晰度可以用于表征图像上各细部影纹及其边界的清晰程度。
具体地,终端通过预设的清晰度确定逻辑对每张目标对象图像进行处理,确定目标对象图像的清晰度。根据目标对象图像的清晰度,确定目标对象图像对应的对焦图像的清晰度。其中,清晰度确定逻辑包括但不限于:基于对焦清晰的图像的高频分量通常较多,对焦模糊的图像的低频分量通常较多的原理,通过获取对焦图像的频率分量来确定对焦图像的清晰度;或者,基于对焦清晰的图像的梯度差值通常较大,对焦模糊的图像的梯度差值通常较小的原理,通过获取对焦图像上相邻像素间的梯度差,来确定对焦图像的清晰度。
一个实施例中,当对焦图像对应的目标对象图像为一张时,可以将该目标对象图像的清晰度作为对应的对焦图像的清晰度。当对焦图像对应的目标对象图像为多张时,可以随机选取一张目标对象图像的清晰度作为对应的对焦图像的清晰度。或者获取多张目标对象图像的清晰度的平均值,作为对应的对焦图像的清晰度。或者获取多张目标对象图像的清晰度之和,作为对应的对焦图像的清晰度,在此不做具体限定。
步骤S108,根据对焦图像的清晰度,从多张对焦图像确定目标图像。
具体地,终端可以根据对焦图像的清晰度,随机选取一张对焦图像作为目标图像。或者根据对焦图像的清晰度的平均值,选取一张对焦图像作为目标图像。或者根据对焦图像的清晰度的极大值,选取一张对焦图像作为目标图像,在此不做具体限定。
步骤S110,根据目标图像对应的对焦参数值对显微镜进行对焦。
其中,对焦参数值可以用于表征目标对象样本所在的载物台与显微镜的物镜之间的位置关系。
具体地,终端可以通过数字图像处理软件提取目标图像的参数信息,参数信息中包括对焦参数值。进而获取采集目标图像时,目标对象样本所在的载物台与显微镜的物镜之间的位置关系信息。根据位置关系信息驱动显微镜的细准焦螺旋调节显微镜的物镜与目标对象样本所在的载物台之间的相对位置,以使目标对象样本所在的载物台与显微镜的物镜之间的距离与对焦参数值相同,从而实现显微镜的自动对焦。
进一步地,在对显微镜自动对焦之后,可以采用显微镜上搭载的图像采集设备采集显微镜视野内的图像,作为对目标对象进行研究的图像资料。
上述显微镜的自动对焦方法中,通过对对焦图像进行目标检测,获取目标对象图像;根据目标对象图像的清晰度,确定目标对象图像对应的对焦图像的清晰度;进而从对焦图像中确定目标图像,获取目标图像的对焦参数值对显微镜进行对焦,无需人工计算图像的清晰度和手动调试寻找视野中清晰的图像,避免清晰度判断存在较大误差,从而提高了显微镜对焦的准确率。此外,与传统技术中需通过神经网络预测所有图像清晰度的方式相比,本申请极大地减少了模型处理图像所需的时间,从而提升了显微镜对焦的效率。
在一个实施例中,如图2所示,步骤S102,获取一组对焦图像,包括:
步骤S202,获取多张原始对焦图像。
其中,原始对焦图像可以是图像采集装置实时采集到的、还未经修改的图像。一个示例中,多张原始对焦图像可以是通过图像采集装置进行多次采集得到的图像。另一个示例中,多张原始对焦图像还可以是图像采集装置通过显微镜实时拍摄的视频中获取的图像帧,例如,提取视频中的每一帧图像帧,作为原始对焦图像;从视频中提取预设张数的图像帧,作为原始对焦图像。
步骤S204,确定每张原始对焦图像的清晰度。
具体地,终端通过预设的清晰度确定逻辑对每张原始对焦图像进行处理,确定原始对焦图像的清晰度。清晰度确定逻辑可以参照上述实施例,在此不做阐述。
步骤S206,根据每张原始对焦图像的清晰度,从多张原始对焦图像中筛选得到满足清晰度要求的一组对焦图像。
具体地,满足清晰度要求可以是指清晰度大于预设的清晰度阈值,或者,满足一定的数量。一个实施例中,可以从原始对焦图像中筛选出清晰度大于预设的清晰度阈值的原始对焦图像,作为一组对焦图像。另一个实施例中,终端在获取每张原始对焦图像的清晰度后,可以对多张原始对焦图像进行清晰度值从高到低,或者从低到高的排序。从排序后的多张原始对焦图像中获取清晰度值最高的预设数量张的图像,作为一组对焦图像。
一个示例中,如图2a所示,在确定每张原始对焦图像的清晰度之后,还可以将原始对焦图像的清晰度数据绘制成散点图。终端可以通过获取散点图的数据,设定清晰度要求,对原始对焦图像进行筛选。
本实施例中,通过获取原始对焦图像的清晰度,根据清晰度要求对原始对焦图像进行筛选,得到满足清晰度要求的一组对焦图像,可以减少后续显微镜自动对焦的数据处理量,缩短处理时间,降低处理成本。
在一个实施例中,目标对象为精子。如图3所示,步骤S106,确定目标对象图像的清晰度,包括:
步骤S302,获取预设矩阵。
具体地,终端可以通过索贝尔算子、罗伯茨算子、坎尼算子等一阶梯度算子中的一种进行提取得到预设矩阵,在此不作具体限定。
步骤S304,根据预设矩阵以及目标对象图像的像素灰度值,得到目标对象图像在第一方向上的第一梯度值,以及在第二方向上的第二梯度值。
其中,第一方向和第二方向为互相不同的两个方向,例如,第一方向为水平方向,第二方向为垂直方向;或者,第一方向为垂直方向,第二方向为水平方向。第一梯度值可以用于表征像素点灰度值在第一方向上的梯度值。第二梯度值可以用于表征像素点灰度值在第二方向上的梯度值。
具体地,终端在获取预设矩阵后,采用预设矩阵在第一方向上的分量对目标对象图像进行卷积运算,得到目标对象图像在第一方向上的第一梯度值。采用预设矩阵在第二方向上的分量对目标对象图像进行卷积运算,得到目标对象图像在第二方向上的第二梯度值。
步骤S306,根据第一梯度值以及第二梯度值,确定目标对象图像的清晰度。
具体地,终端根据第一梯度值与第二梯度值确定目标对象图像上像素点的灰度梯度值。获取灰度梯度值大于预设阈值的像素点,根据所获取的像素点的灰度梯度值,确定目标对象图像的清晰度。
一个示例中,可以采用Tenengrad梯度函数(一种基于梯度的计算图像清晰度的函数)、拉普拉斯(Laplacian)梯度方法、方差方法、熵函数等算法得到图像的清晰度。由于熵函数是基于统计特征的,是作为衡量图像信息丰富程度的一个重要指标。图像f的信息量就是由该图像的信息熵D(f)来度量的,D(f)越大则图像越清晰。在目标对象为精子的情况下,由于精子图像对比度低,图片目标边缘轮廓不清晰,熵函数灵敏度不高,不适用于评价精子图像清晰度。
进一步地,通过大量实验对比Tenengrad梯度函数、拉普拉斯梯度方法、方差方法对精子图像的清晰度评价,发现Tenengrad梯度函数在处理精子图像时准确率最佳。以下以Tenengrad梯度函数为例说明目标对象为精子的情况下,图像的清晰度的生成过程:
首先,通过索贝尔算子获取预设矩阵。
其中,gx为索贝尔算子在水平方向上的分量,gy为索贝尔算子在垂直方向上的分量。
然后,以水平方向为第一方向,垂直方向为第二方向,根据索贝尔算子确定精子图像在第一方向上的第一梯度值,以及在第二方向上的第二梯度值。
GX=gx*f(x,y)
Gy=gy*f(x,y)
其中,f(x,y)为精子图像上像素点(x,y)的灰度值,GX为精子图像在第一方向上的第一梯度值,Gy为精子图像在第二方向上的第二梯度值;G(x,y)为精子图像上像素点(x,y)的灰度梯度值,T为阈值。
最后,根据第一梯度值和第二梯度值,确定精子图像的清晰度。
D(f)=∑y∑x|G(x,y)|
其中,D(f)为目标对象图像的清晰度,D(f)值越大,表明精子图像越清晰。
本实施例中,通过获取目标对象图像上相邻像素点间的灰度梯度差确定目标对象图像的清晰度,能够提高评价精子图像清晰度的准确率。
在一个实施例中,目标对象为精子,对每张对焦图像进行目标检测,得到每张对焦图像中目标对象的区域,提取目标对象所在的区域,得到目标对象图像,包括:通过目标检测模型对对焦图像进行检测,当检测得到对焦图像中存在精子时,得到目标对象所在的区域;提取目标对象所在的区域,得到与每张对焦图像对应的目标对象图像。
其中,目标对象所在的区域可以为精子所在的区域,也可以为精子的头部所在的区域。采用的目标检测模型可以为Faster R-CNN、SSD、YOLO、PP-YOLO等模型中的任意一种。
具体地,当目标检测模型输出的预测结果存在精子时,终端获取目标检测模型预测结果为精子的预测框,裁剪预测结果为精子的预测框,得到与每张对焦图像对应的精子图像。
一个示例中,由于显微镜自动对焦对时间和模型重量都有着严格的要求,因此目标检测模型可以采用第2版的PP-YOLO模型。以下对第2版的PP-YOLO模型的训练过程进行说明:
首先,获取若干精子图像样本。将精子图像样本的尺寸转换为640*640像素大小,得到训练图像样本。获取与每张训练图像样本对应的数据标签,得到训练图像样本与训练图像样本对应的数据标签构成的训练集。将训练集的数据输入初始PP-YOLO模型,通过初始PP-YOLO模型输出预测结果。初始PP-YOLO模型采用Paddle推理引擎(一种基于深度学习的推理引擎)以及ResNet101(一种具有101层参差网络的网络结构)参差结构进行预测。初始PP-YOLO模型采用回归损伤函数计算预测结果和训练标签之间的损失值,可以通过以下公式得到损失值:
loss=-t*log(σ(ρ))-(1-t)*log(1-σ(ρ))
其中,loss为损失值,t为锚点与预测框真实值之间的回归损失函数,p为预测分支的原始输出,σ为激活函数。
使用FP16(Float Point 16半精度浮点)进行精度计算的TensorRT优化器(一种深度学习推理优化器)对初始PP-YOLO模型的模型参数进行调整,直至损失函数达到预设阈值或者迭代次数达到预设次数,生成最终使用的PP-YOLO模型。
PP-YOLOv2(第二版本的PP-YOLO模型)在640x640输入尺寸下以68.9FPS(FramesPer Second,每秒传输帧数)的速度运行。具有TensorRT,FP16精度和Batch(批处理脚本)=1的Paddle推理引擎进一步提高了PP-YOLOv2的推理速度,达到了106.5FPS。这样的性能超过了具有大致相同数量的参数的现有目标检测模型。此外,带有ResNet101的PP-YOLOv2在COCO2017(一种用于目标检测模型的训练集)测试开发上达到了50.3%的mAP(meanAverage Precision,平均精度均值)。PP-YOLO Tiny(一种微型PP-YOLO模型)占用内存只需1.3兆,采用PP-YOLO作为检测精子的目标检测模型。PP-YOLOv2包括一个检测部分,用于构建多尺度的高级语义特征地图,来解决不同尺度下检测目标任务的难题。在PP-YOLO中,改进IoU aware loss(一种回归损伤函数)为soft label format(轻标签格式)。为了使小尺度的物体信息更容易被保存,PP-YOLOv2增加输入大小扩大目标被感知面积,从而提高模型检测性能。
本实施例中,通过目标检测模型提取精子所在的区域作为精子图像,能够避免在显微镜对焦精子图像的过程中精子发亮对对对焦产生的影响,提高对焦的准确率。
在一个实施例中,目标对象为精子,图4示例性示出了另一种得到目标对象图像步骤的流程示意图。如图4所示:
步骤S402,通过目标检测模型对对焦图像进行检测,当检测得到对焦图像中存在精子的头部时,得到精子的头部所在的区域。
具体地,目标检测模型获取若干精子头部图像样本进行训练,具体训练方式与检测方式参照上述实施例中所述的方法实现,在此不做赘述。当目标检测模型输出的预测结果存在精子的头部时,得到预测结果为精子的头部的预测框。
步骤S404,提取精子的头部所在的区域得到精子图像。
具体地,终端裁剪预测结果为精子的头部的预测框,得到与每张对焦图像对应的精子图像。
本实施例中,通过目标检测模型提取精子的头部所在的区域作为精子图像,能够避免在显微镜对焦精子图像的过程中由于精子的尾巴与背景颜色相似,边缘轮廓不清晰对对焦产生的影响,提高对焦的准确率。
在一个实施例中,如图5所示,提供了一种显微镜的对焦方法,以显微镜的对焦方法应用于采集精子图像为例,该方法包括以下步骤:
步骤S502,获取多张原始对焦图像,确定每张原始对焦图像的清晰度。具体地,多张原始对焦图像的具体获取方式可以参照上述实施例,在此不做具体阐述。终端以水平方向为第一方向,垂直方向为第二方向,通过Tenengrad梯度函数得到每张原始对焦图像的清晰度,具体实现方式可以参照上述实施例。
步骤S504,根据每张原始对焦图像的清晰度,从多张原始对焦图像中筛选得到满足清晰度要求的一组对焦图像。
具体地,按照清晰度从高到低的顺序对原始对焦图像进行排序,选取清晰度排序中前三十张原始对焦图像作为一组对焦图像。
步骤S506,通过目标检测模型对对焦图像进行检测。
具体地,通过PP-YOLOv2模型对每张对焦图像进行目标检测。PP-YOLOv2模型是使用精子头部样本图像对初始PP-YOLOv2模型进行训练得到的,模型训练过程可以参照上述实施例,在此不做具体阐述。
步骤S508,当检测得到对焦图像中存在精子的头部时,提取精子的头部所在的区域,得到精子图像。
具体地,当检测得到对焦图像中存在精子的头部时,获取目标检测模型的预测结果为精子头部的预测框,提取预测框内部图像,作为精子图像。图5a示例性示出了通过PP-YOLOv2模型得到多张精子图像的示意图。
步骤S510,确定精子图像的清晰度。
具体地,终端以水平方向为第一方向,垂直方向为第二方向,通过Tenengrad梯度函数得到每张精子图像的清晰度,具体实现方式可以参照上述实施例。
步骤S512,获取对焦图像对应的多张精子图像的清晰度之和,作为对焦图像的清晰度。
具体地,由于精子头部与背景具有较清晰的轮廓,因此使用索贝尔算子通过上述实施例中的方法获取精子图像的清晰度,将属于同一张对焦图像的所有精子图像的清晰度相加,获取对焦图像对应的多张精子图像的清晰度之和,作为对焦图像的清晰度。
步骤S514,比较每张对焦图像的清晰度,从多张对焦图像中确定目标图像。
具体地,终端从多张对焦图像中获取清晰度最大的一张对焦图像作为目标图像。图5b示例性示出了三十张对焦图像的清晰度折线图。
步骤S516,根据目标图像对应的对焦参数值对显微镜进行对焦。
具体地,根据对焦参数值对显微镜进行对焦的具体实现方式可以参照上述实施例。
本实施例中,通过获取原始对焦图像的清晰度,对原始对焦图像进行筛选得到一组对焦图像,能够减少深度学习预测精子图像耗费的时间。使用目标检测模型对对焦图像进行检测,由于精子尾部与背景的颜色相似,提取精子头部所在的区域得到精子图像,能够提高目标检测模型检测的准确率。获取精子图像的清晰度之和作为精子图像对应的对焦图像的清晰度,比较对焦图像的清晰度获取最终的目标图像,根据目标图像的参数值对显微镜进行对焦,无需人工计算清晰度,避免清晰度判断存在较大误差,能够提高判断对焦图像清晰度的准确率,实现显微镜对焦视野内目标对象清晰的功能。
应该理解的是,虽然上述流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于上述所述的显微镜的自动对焦方法实施例的描述,本公开还提供显微镜的自动对焦装置。所述装置可以包括使用了本说明书实施例所述方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思,本公开实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似,因此本说明书实施例具体的装置的实施可以参见前述方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
在一个实施例中,如图6所示,提供了一种显微镜的自动对焦装置600,包括:图像获取模块602,目标检测模块604,清晰度确定模块606,图像对焦模块608,其中:
图像获取模块602,用于获取一组对焦图像,一组对焦图像是在同一视野下采用多个焦距对目标对象进行拍摄得到的。目标检测模块604,用于对每张对焦图像进行目标检测,得到每张对焦图像中目标对象的区域,提取目标对象所在的区域,得到目标对象图像。清晰度确定模块606,用于确定目标对象图像的清晰度,根据目标对象图像的清晰度,确定目标对象图像对应的对焦图像的清晰度。图像对焦模块608,用于根据每张对焦图像的清晰度,从多张对焦图像中确定目标图像;根据目标图像对应的对焦参数值对显微镜进行对焦。
在一个实施例中,图像获取模块602,包括:原始图像获取单元,用于获取多张原始对焦图像;原始图像筛选单元,用于确定每张原始对焦图像的清晰度,根据每张原始对焦图像的清晰度,从多张原始对焦图像中筛选得到满足清晰度要求的一组对焦图像。
在一个实施例中,目标对象为精子,目标检测模块604,包括:检测单元,用于通过目标检测模型对对焦图像进行检测,当检测得到对焦图像中存在精子时,得到精子所在的区域;提取单元,用于提取精子所在的区域,得到与每张对焦图像对应的精子图像。
在一个实施例中,目标对象为精子,目标检测模块606,包括:检测单元,用于通过目标检测模型对对焦图像进行检测,当检测得到对焦图像中存在精子的头部时,得到精子的头部所在的区域;提取单元,用于提取精子的头部所在的区域,得到与每张对焦图像对应的精子图像。
在一个实施例中,清晰度确定模块606,包括:目标对象单元,用于确定目标对象图像的清晰度;对焦图像单元,用于根据目标对象图像的清晰度,确定目标对象图像对应的对焦图像的清晰度。
在一个实施例中,目标对象单元,包括:矩阵获取子单元,用于获取预设矩阵;梯度获取子单元,用于根据预设矩阵以及目标对象图像的像素点灰度值,得到目标对象图像在第一方向上的第一梯度值,以及在第二方向上的第二梯度值;清晰度确定子单元,用于根据第一梯度值以及第二梯度值,确定目标对象图像的清晰度。
在一个实施例中,目标对象为精子,对焦图像单元,用于当检测得到对焦图像中存在多个精子时,根据多个精子图像对应的清晰度,确定精子图像对应的对焦图像的清晰度;当检测得到对焦图像中存在一个精子时,将精子图像对应的清晰度,作为精子图像对应的对焦图像的清晰度。
在一个实施例中,目标对象为精子,测得到对焦图像中存在多个精子,对焦图像单元,用于获取对焦图像对应的多张精子图像的清晰度之和,作为对焦图像的清晰度。
在一个实施例中,图像对焦模块608,包括:目标图像确定单元,用于根据每张对焦图像的清晰度,从多张对焦图像中确定目标图像;显微镜对焦单元,用于根据目标图像对应的对焦参数值对显微镜进行对焦。
关于显微镜的自动对焦装置的具体限定可以参见上文中对于显微镜的自动对焦方法的限定,在此不再赘述。上述显微镜的自动对焦装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种显微镜的对焦方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种显微镜的自动对焦方法,其特征在于,所述方法包括:
获取一组对焦图像,一组所述对焦图像是在同一视野下采用多个焦距对目标对象进行拍摄得到的;
对每张所述对焦图像进行目标检测,得到每张所述对焦图像中所述目标对象的区域,提取所述目标对象所在的区域,得到目标对象图像;
确定所述目标对象图像的清晰度,根据所述目标对象图像的清晰度,确定所述目标对象图像对应的所述对焦图像的清晰度;
根据每张所述对焦图像的清晰度,从多张所述对焦图像中确定目标图像;
根据所述目标图像对应的对焦参数值对所述显微镜进行对焦。
2.根据权利要求1所述的方法,其特征在于,所述目标对象为精子;
所述对每张所述对焦图像进行目标检测,得到每张所述对焦图像中所述目标对象的区域,提取所述目标对象所在的区域,得到目标对象图像,包括:
通过目标检测模型对所述对焦图像进行检测,当检测得到所述对焦图像中存在精子时,得到所述精子所在的区域;
提取所述精子所在的区域,得到与每张所述对焦图像对应的精子图像。
3.根据权利要求1所述的方法,其特征在于,所述目标对象为精子;
所述对每张所述对焦图像进行目标检测,得到每张所述对焦图像中所述目标对象的区域,提取所述目标对象所在的区域,得到目标对象图像,包括:
通过所述目标检测模型对所述对焦图像进行检测,当检测得到所述对焦图像中存在所述精子的头部时,得到所述精子的头部所在的区域;
提取所述精子的头部所在的区域,得到与每张所述对焦图像对应的所述精子图像。
4.根据权利要求2或3所述的方法,其特征在于,所述目标对象图像为所述精子图像;
所述根据所述目标对象图像的清晰度,确定所述目标对象图像对应的所述对焦图像的清晰度,包括:
当检测得到所述对焦图像中存在多个所述精子时,根据多个所述精子图像对应的清晰度,确定所述精子图像对应的所述对焦图像的清晰度;
当检测得到所述对焦图像中存在一个所述精子时,将所述精子图像对应的清晰度,作为所述精子图像对应的所述对焦图像的清晰度。
5.根据权利要求4所述的方法,所述根据多个所述精子图像对应的清晰度,确定所述精子图像对应的所述对焦图像的清晰度,包括:
获取所述对焦图像对应的多张所述精子图像的清晰度之和,作为所述对焦图像的清晰度。
6.根据权利要求1所述的方法,其特征在于,所述获取一组对焦图像,包括:
获取多张原始对焦图像,确定每张所述原始对焦图像的清晰度;
根据每张所述原始对焦图像的清晰度,从多张所述原始对焦图像中筛选得到满足清晰度要求的一组所述对焦图像。
7.根据权利要求1所述的方法,其特征在于,所述确定所述目标对象图像的清晰度,包括:
获取预设矩阵;
根据所述预设矩阵以及所述目标对象图像的像素点灰度值,得到所述目标对象图像在第一方向上的第一梯度值,以及在第二方向上的第二梯度值;
根据所述第一梯度值以及所述第二梯度值,确定所述目标对象图像的清晰度。
8.一种显微镜的自动对焦装置,其特征在于,所述装置包括:
图像获取模块,用于获取一组对焦图像,一组所述对焦图像是在同一视野下采用多个焦距对目标对象进行拍摄得到的;
目标检测模块,用于对每张所述对焦图像进行目标检测,得到每张所述对焦图像中所述目标对象的区域,提取所述目标对象所在的区域,得到目标对象图像;
清晰度确定模块,用于确定所述目标对象图像的清晰度,根据所述目标对象图像的清晰度,确定所述目标对象图像对应的所述对焦图像的清晰度;
图像对焦模块,用于根据每张所述对焦图像的清晰度,从多张所述对焦图像中确定目标图像;根据所述目标图像对应的对焦参数值对所述显微镜进行对焦。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111119572.8A CN113837079B (zh) | 2021-09-24 | 2021-09-24 | 显微镜的自动对焦方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111119572.8A CN113837079B (zh) | 2021-09-24 | 2021-09-24 | 显微镜的自动对焦方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113837079A true CN113837079A (zh) | 2021-12-24 |
CN113837079B CN113837079B (zh) | 2024-05-14 |
Family
ID=78969705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111119572.8A Active CN113837079B (zh) | 2021-09-24 | 2021-09-24 | 显微镜的自动对焦方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113837079B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114666634A (zh) * | 2022-03-21 | 2022-06-24 | 北京达佳互联信息技术有限公司 | 画质检测结果显示方法、装置、设备及存储介质 |
CN114697548A (zh) * | 2022-03-21 | 2022-07-01 | 迈克医疗电子有限公司 | 显微图像拍摄对焦方法及装置 |
CN115174814A (zh) * | 2022-07-29 | 2022-10-11 | 科大讯飞股份有限公司 | 对焦纸面及作业学情采集方法、装置、设备及存储介质 |
CN115242979A (zh) * | 2022-07-22 | 2022-10-25 | 湖南伊鸿健康科技有限公司 | 应用于血液拍摄的对焦方法及系统、智能设备及存储介质 |
CN116320748A (zh) * | 2023-05-22 | 2023-06-23 | 深圳明锐理想科技有限公司 | 自动对焦方法、装置、电子设备及自动光学检测设备 |
WO2023124726A1 (zh) * | 2021-12-31 | 2023-07-06 | 广东利元亨智能装备股份有限公司 | Ccd拍照检测的运行控制方法、检测系统及存储介质 |
CN116723395A (zh) * | 2023-04-21 | 2023-09-08 | 深圳市橙子数字科技有限公司 | 一种基于摄像头的无感对焦方法及装置 |
CN115174814B (zh) * | 2022-07-29 | 2024-06-04 | 科大讯飞股份有限公司 | 对焦纸面及作业学情采集方法、装置、设备及存储介质 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080100703A1 (en) * | 2006-10-30 | 2008-05-01 | Olympus Corporation | Microscope system, observation method and observation program |
US20150286887A1 (en) * | 2014-04-07 | 2015-10-08 | Massachusetts Institute Of Technology | Use of Microparticle Additives to Simultaneously Enable Artifact-Free Image Registration, Auto-Focusing, and Chromatic Aberration Correction in Microscopy |
CN109085113A (zh) * | 2018-07-05 | 2018-12-25 | 深圳辉煌耀强科技有限公司 | 一种用于宫颈脱落细胞检测装置的自动对焦方法和装置 |
CN109100850A (zh) * | 2017-06-20 | 2018-12-28 | 深圳华因康基因科技有限公司 | 图像清晰度识别方法和自动聚焦方法 |
CN109635800A (zh) * | 2018-12-26 | 2019-04-16 | 深圳市捷顺科技实业股份有限公司 | 一种图像对焦方法及其相关设备 |
CN109862264A (zh) * | 2019-01-28 | 2019-06-07 | 努比亚技术有限公司 | 一种拍摄方法、终端及计算机可读存储介质 |
CN110488481A (zh) * | 2019-09-19 | 2019-11-22 | 广东工业大学 | 一种显微镜对焦方法、显微镜及相关设备 |
US20190384051A1 (en) * | 2017-01-23 | 2019-12-19 | Carl Zeiss Microscopy Gmbh | Microscope and method for viewing a specimen using a microscope |
CN110763679A (zh) * | 2019-10-31 | 2020-02-07 | 湖南爱威医疗科技有限公司 | 图像采集方法和装置、显微镜系统、计算机可读存储介质 |
CN110996002A (zh) * | 2019-12-16 | 2020-04-10 | 深圳大学 | 显微镜聚焦方法、装置、计算机设备和存储介质 |
CN111239999A (zh) * | 2020-01-08 | 2020-06-05 | 腾讯科技(深圳)有限公司 | 一种基于显微镜的光学数据处理方法、装置及存储介质 |
CN112235563A (zh) * | 2019-07-15 | 2021-01-15 | 北京字节跳动网络技术有限公司 | 一种对焦测试方法、装置、计算机设备及存储介质 |
CN112333383A (zh) * | 2020-10-27 | 2021-02-05 | 浙江华创视讯科技有限公司 | 一种自动聚焦方法及装置 |
CN112540456A (zh) * | 2020-12-03 | 2021-03-23 | 重庆奥亚医疗器械有限公司 | 一种基于仿人清晰度判定的显微镜精密自动对焦方法 |
CN112863602A (zh) * | 2021-02-22 | 2021-05-28 | 苏州贝康医疗器械有限公司 | 染色体异常的检测方法、装置、计算机设备和存储介质 |
CN112861675A (zh) * | 2021-01-28 | 2021-05-28 | 四川沃文特生物技术有限公司 | 一种粪便有形成分检测识别方法 |
WO2021134179A1 (zh) * | 2019-12-30 | 2021-07-08 | 深圳市大疆创新科技有限公司 | 对焦方法、装置、拍摄设备、可移动平台和存储介质 |
-
2021
- 2021-09-24 CN CN202111119572.8A patent/CN113837079B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080100703A1 (en) * | 2006-10-30 | 2008-05-01 | Olympus Corporation | Microscope system, observation method and observation program |
US20150286887A1 (en) * | 2014-04-07 | 2015-10-08 | Massachusetts Institute Of Technology | Use of Microparticle Additives to Simultaneously Enable Artifact-Free Image Registration, Auto-Focusing, and Chromatic Aberration Correction in Microscopy |
US20190384051A1 (en) * | 2017-01-23 | 2019-12-19 | Carl Zeiss Microscopy Gmbh | Microscope and method for viewing a specimen using a microscope |
CN109100850A (zh) * | 2017-06-20 | 2018-12-28 | 深圳华因康基因科技有限公司 | 图像清晰度识别方法和自动聚焦方法 |
CN109085113A (zh) * | 2018-07-05 | 2018-12-25 | 深圳辉煌耀强科技有限公司 | 一种用于宫颈脱落细胞检测装置的自动对焦方法和装置 |
CN109635800A (zh) * | 2018-12-26 | 2019-04-16 | 深圳市捷顺科技实业股份有限公司 | 一种图像对焦方法及其相关设备 |
CN109862264A (zh) * | 2019-01-28 | 2019-06-07 | 努比亚技术有限公司 | 一种拍摄方法、终端及计算机可读存储介质 |
CN112235563A (zh) * | 2019-07-15 | 2021-01-15 | 北京字节跳动网络技术有限公司 | 一种对焦测试方法、装置、计算机设备及存储介质 |
CN110488481A (zh) * | 2019-09-19 | 2019-11-22 | 广东工业大学 | 一种显微镜对焦方法、显微镜及相关设备 |
CN110763679A (zh) * | 2019-10-31 | 2020-02-07 | 湖南爱威医疗科技有限公司 | 图像采集方法和装置、显微镜系统、计算机可读存储介质 |
CN110996002A (zh) * | 2019-12-16 | 2020-04-10 | 深圳大学 | 显微镜聚焦方法、装置、计算机设备和存储介质 |
WO2021134179A1 (zh) * | 2019-12-30 | 2021-07-08 | 深圳市大疆创新科技有限公司 | 对焦方法、装置、拍摄设备、可移动平台和存储介质 |
CN111239999A (zh) * | 2020-01-08 | 2020-06-05 | 腾讯科技(深圳)有限公司 | 一种基于显微镜的光学数据处理方法、装置及存储介质 |
CN112333383A (zh) * | 2020-10-27 | 2021-02-05 | 浙江华创视讯科技有限公司 | 一种自动聚焦方法及装置 |
CN112540456A (zh) * | 2020-12-03 | 2021-03-23 | 重庆奥亚医疗器械有限公司 | 一种基于仿人清晰度判定的显微镜精密自动对焦方法 |
CN112861675A (zh) * | 2021-01-28 | 2021-05-28 | 四川沃文特生物技术有限公司 | 一种粪便有形成分检测识别方法 |
CN112863602A (zh) * | 2021-02-22 | 2021-05-28 | 苏州贝康医疗器械有限公司 | 染色体异常的检测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
张宁珊;金卫;: "自动对焦在PCB精度检测系统中的应用", 自动化技术与应用, no. 12, pages 91 - 94 * |
张赞超;夏顺仁;: "基于主分量分析的自动聚焦算法研究", 中国医疗器械杂志, no. 06, pages 391 - 393 * |
郑琪琪;赵娟;孙庆泽;朱红伟;刘松年;尹硕;郑秋梅;霍怡洁;: "单唇密封圈检测装置自动对焦策略研究", 机械设计, no. 08, pages 78 - 84 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023124726A1 (zh) * | 2021-12-31 | 2023-07-06 | 广东利元亨智能装备股份有限公司 | Ccd拍照检测的运行控制方法、检测系统及存储介质 |
CN114666634A (zh) * | 2022-03-21 | 2022-06-24 | 北京达佳互联信息技术有限公司 | 画质检测结果显示方法、装置、设备及存储介质 |
CN114697548A (zh) * | 2022-03-21 | 2022-07-01 | 迈克医疗电子有限公司 | 显微图像拍摄对焦方法及装置 |
CN114697548B (zh) * | 2022-03-21 | 2023-09-29 | 迈克医疗电子有限公司 | 显微图像拍摄对焦方法及装置 |
CN114666634B (zh) * | 2022-03-21 | 2024-03-19 | 北京达佳互联信息技术有限公司 | 画质检测结果显示方法、装置、设备及存储介质 |
CN115242979A (zh) * | 2022-07-22 | 2022-10-25 | 湖南伊鸿健康科技有限公司 | 应用于血液拍摄的对焦方法及系统、智能设备及存储介质 |
CN115174814A (zh) * | 2022-07-29 | 2022-10-11 | 科大讯飞股份有限公司 | 对焦纸面及作业学情采集方法、装置、设备及存储介质 |
CN115174814B (zh) * | 2022-07-29 | 2024-06-04 | 科大讯飞股份有限公司 | 对焦纸面及作业学情采集方法、装置、设备及存储介质 |
CN116723395A (zh) * | 2023-04-21 | 2023-09-08 | 深圳市橙子数字科技有限公司 | 一种基于摄像头的无感对焦方法及装置 |
CN116320748A (zh) * | 2023-05-22 | 2023-06-23 | 深圳明锐理想科技有限公司 | 自动对焦方法、装置、电子设备及自动光学检测设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113837079B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113837079B (zh) | 显微镜的自动对焦方法、装置、计算机设备和存储介质 | |
CN107624189B (zh) | 用于生成预测模型的方法和设备 | |
US9036905B2 (en) | Training classifiers for deblurring images | |
CN107392189B (zh) | 用于确定无人车的驾驶行为的方法和装置 | |
CN112329702B (zh) | 一种快速人脸密度预测和人脸检测方法、装置、电子设备及存储介质 | |
CN110736748A (zh) | 免疫组化核浆染色切片诊断方法及系统 | |
CN111027450A (zh) | 银行卡信息识别方法、装置、计算机设备及存储介质 | |
CN114399644A (zh) | 一种基于小样本目标检测方法及装置 | |
US11694331B2 (en) | Capture and storage of magnified images | |
CN112561879B (zh) | 模糊度评价模型训练方法、图像模糊度评价方法及装置 | |
CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
CN106031148A (zh) | 成像设备,成像设备中自动对焦的方法以及对应计算机程序 | |
CN115205150A (zh) | 图像的去模糊方法、装置、设备、介质及计算机程序产品 | |
CN114390201A (zh) | 对焦方法及其装置 | |
CN111242176A (zh) | 计算机视觉任务的处理方法、装置及电子系统 | |
CN113283319A (zh) | 人脸模糊度的评价方法及装置、介质和电子设备 | |
CN116721288A (zh) | 一种基于YOLOv5的安全帽检测方法及系统 | |
CN110796651A (zh) | 图像质量的预测方法及装置、电子设备、存储介质 | |
Midwinter et al. | Unsupervised defect segmentation with pose priors | |
CN115004245A (zh) | 目标检测方法、装置、电子设备和计算机存储介质 | |
JP4387889B2 (ja) | テンプレート照合装置および方法 | |
CN113378707A (zh) | 对象识别方法及装置 | |
CN110399868B (zh) | 一种滨海湿地鸟类检测方法 | |
CN111862106A (zh) | 基于光场语义的图像处理方法、计算机装置、及存储介质 | |
CN114979607B (zh) | 图像处理方法、图像处理器及电子设备 |
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 |