CN114049370A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN114049370A
CN114049370A CN202111301635.1A CN202111301635A CN114049370A CN 114049370 A CN114049370 A CN 114049370A CN 202111301635 A CN202111301635 A CN 202111301635A CN 114049370 A CN114049370 A CN 114049370A
Authority
CN
China
Prior art keywords
sample
image
deep learning
concentration
data storage
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Withdrawn
Application number
CN202111301635.1A
Other languages
English (en)
Inventor
马晓晨
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202111301635.1A priority Critical patent/CN114049370A/zh
Publication of CN114049370A publication Critical patent/CN114049370A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • 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
    • G06T2207/10024—Color 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及化学定量分析技术领域，且公开了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，包括以下步骤：S1、首先利用开源的框架openCV构建图像分割的算法并采用一种二值化的方法对图像进行预处理，从而可以从复杂环境中识别并分割出需要识别的样本对象；本发明具有良好的泛化性能，可以因地制宜填入不同的数据集训练，虽然准确率不及实验室方法，但相比于传统的检测方法非常的便携，仅需一部手机即可使用，并且深度学习算法带来了较好的鲁棒性，在较为复杂的光照条件下也能正常使用。

Description

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
技术领域
本发明涉及化学定量分析技术领域，具体为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。
背景技术
现有的溶液浓度定量技术，比如乳酸浓度的精确分析，需要较为复杂的设备以及较长的反应时间，难以在室外较为直观的进行分析处理。而亦如PH试纸这简单样的分析手段又不够精确。本发明希望通过智能手机这种便携式移动设备，对于溶液的浓度有一个较为精确的测量，虽然不及专业仪器在实验室的测量方法，但是对于野外科考，便携式化验等等场合具有相当的应用价值，现有同类便携式溶液浓度检测技术的问题在于，由于使用的是传统图像识别方法，对于智能手机这样本身不是用于化学测量的设备，需要将其放置于一套特别的设备盒中，并利用良好的固定光源辅助，才能进行溶液浓度较为精确的监测，实质上仍然需要携带较为大量的器材才能实现，仍然是不够便携的方案，如果光照条件发生改变(比如由荧光灯换为白炽灯)，此类方法将难以继续检测溶液浓度。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了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，解决了上述背景技术中所存在的问题。
(二)技术方案
为实现上述目的，本发明提供如下技术方案：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，包括以下步骤：
S1、首先利用开源的框架openCV构建图像分割的算法并采用一种二值化的方法对图像进行预处理，从而可以从复杂环境中识别并分割出需要识别的样本对象，具体如下：
(1)、利用sobel算子计算图像X轴、Y轴连续变化情况的二阶导数，判定边界，得到照片内所有样品的边缘信息；
(2)、采用“阈值投影法”确定图片内边界的分布情况，并根据“样本瓶”的图像特征，设计了一个函数进行框选，随后就可以分割出想要的图像；
S2、将分割好的样本输入一种基于卷积神经网络模型设计的神经网络框架，此时该框架可以较好的对该图像进行分类处理，得到样本图像中溶液的预测浓度值，经过验证可以具有较好的准确率以及鲁棒性，具体如下：
将样本图片构建为100×50×3的RGB图片数据，转换为15000维的向量，输入到神经网络框架中，经过卷积、池化提取特征、最后映射到一个数值，即最后的浓度值。
优选的，所述步骤S2中，将样本以8∶2的比例分为训练集和测试集，一个用于修正模型进度，一个用于验证模型精度，预测浓度能达到80％的准确率。
优选的，所述方法还包括一套B/S通信协议框架，B/S通信协议框架包括前端交互模块和后端系统，其中后端系统包括数据存储模块、图像分割模块和深度学习计算模块，前端交互模块用于拍摄待测样本照片以及从数据存储模块下载样品结果并显示输出样品结果，数据存储模块用于存储数据，图像分割模块用于对拍摄的图像进行分割，并框选出实际真正需要识别的样本部分的图像，深度学习计算模块用于对样本图片进行分类，得到预测的溶液浓度，并再次存储到数据存储模块中。
优选的，所述B/S通信协议架构的工作流程为：首先用户启动APP，并拍摄待测样本照片，然后将拍摄到的样本图片上传到后端系统中的数据存储模块中，然后后端系统中的图像分割模块会对数据存储模块中的样本照片进行分割，并框选出实际真正需要识别的样本部分的图像，再交由后端系统中的深度学习计算模块对样本图片进行分类，得到预测的溶液浓度，并将溶液浓度数据再次存入到数据存储模块中，最后，前端交互模块从数据存储模块中下载得到溶液浓度数据，并显示输出样品结果。
(三)有益效果
本发明提供了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，具备以下有益效果：
本发明具有良好的泛化性能，可以因地制宜填入不同的数据集训练，虽然准确率不及实验室方法，但相比于传统的检测方法非常的便携，仅需一部手机即可使用，并且深度学习算法带来了较好的鲁棒性，在较为复杂的光照条件下也能正常使用。
附图说明
图1为本发明的流程示意图；
图2为本发明中B/S通信协议框架的原理示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明提供一种技术方案：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，包括以下步骤：
S1、首先利用开源的框架openCV构建图像分割的算法并采用一种二值化的方法对图像进行预处理，从而可以从复杂环境中识别并分割出需要识别的样本对象，具体如下：
(1)、利用sobel算子计算图像X轴、Y轴连续变化情况的二阶导数，判定边界，得到照片内所有样品的边缘信息；
(2)、采用“阈值投影法”确定图片内边界的分布情况，并根据“样本瓶”的图像特征，设计了一个函数进行框选，随后就可以分割出想要的图像；
S2、将分割好的样本输入一种基于卷积神经网络模型设计的神经网络框架，此时该框架可以较好的对该图像进行分类处理，得到样本图像中溶液的预测浓度值，经过验证可以具有较好的准确率以及鲁棒性，具体如下：
将样本图片构建为100×50×3的RGB图片数据，转换为15000维的向量，输入到神经网络框架中，经过卷积、池化提取特征、最后映射到一个数值，即最后的浓度值，将样本以8∶2的比例分为训练集和测试集，一个用于修正模型进度，一个用于验证模型精度，预测浓度能达到80％的准确率。
如图2所示，方法还包括一套B/S通信协议框架，B/S通信协议框架包括前端交互模块和后端系统，其中后端系统包括数据存储模块、图像分割模块和深度学习计算模块，前端交互模块用于拍摄待测样本照片以及从数据存储模块下载样品结果并显示输出样品结果，数据存储模块用于存储数据，图像分割模块用于对拍摄的图像进行分割，并框选出实际真正需要识别的样本部分的图像，深度学习计算模块用于对样本图片进行分类，得到预测的溶液浓度，并再次存储到数据存储模块中。
B/S通信协议架构的工作流程为：首先用户启动APP，并拍摄待测样本照片，然后将拍摄到的样本图片上传到后端系统中的数据存储模块中，然后后端系统中的图像分割模块会对数据存储模块中的样本照片进行分割，并框选出实际真正需要识别的样本部分的图像，再交由后端系统中的深度学习计算模块对样本图片进行分类，得到预测的溶液浓度，并将溶液浓度数据再次存入到数据存储模块中，最后，前端交互模块从数据存储模块中下载得到溶液浓度数据，并显示输出样品结果。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (4)

1.一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，其特征在于：包括以下步骤：
S1、首先利用开源的框架openCV构建图像分割的算法并采用一种二值化的方法对图像进行预处理，从而可以从复杂环境中识别并分割出需要识别的样本对象，具体如下：
(1)、利用sobel算子计算图像X轴、Y轴连续变化情况的二阶导数，判定边界，得到照片内所有样品的边缘信息；
(2)、采用“阈值投影法”确定图片内边界的分布情况，并根据“样本瓶”的图像特征，设计了一个函数进行框选，随后就可以分割出想要的图像；
S2、将分割好的样本输入一种基于卷积神经网络模型设计的神经网络框架，此时该框架可以较好的对该图像进行分类处理，得到样本图像中溶液的预测浓度值，经过验证可以具有较好的准确率以及鲁棒性，具体如下：
将样本图片构建为100×50×3的RGB图片数据，转换为15000维的向量，输入到神经网络框架中，经过卷积、池化提取特征、最后映射到一个数值，即最后的浓度值。
2.根据权利要求1所述的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，其特征在于：所述步骤S2中，将样本以8∶2的比例分为训练集和测试集，一个用于修正模型进度，一个用于验证模型精度，预测浓度能达到80％的准确率。
3.根据权利要求1所述的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，其特征在于：所述方法还包括一套B/S通信协议框架，B/S通信协议框架包括前端交互模块和后端系统，其中后端系统包括数据存储模块、图像分割模块和深度学习计算模块，前端交互模块用于拍摄待测样本照片以及从数据存储模块下载样品结果并显示输出样品结果，数据存储模块用于存储数据，图像分割模块用于对拍摄的图像进行分割，并框选出实际真正需要识别的样本部分的图像，深度学习计算模块用于对样本图片进行分类，得到预测的溶液浓度，并再次存储到数据存储模块中。
4.根据权利要求3所述的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，其特征在于：所述B/S通信协议架构的工作流程为：首先用户启动APP，并拍摄待测样本照片，然后将拍摄到的样本图片上传到后端系统中的数据存储模块中，然后后端系统中的图像分割模块会对数据存储模块中的样本照片进行分割，并框选出实际真正需要识别的样本部分的图像，再交由后端系统中的深度学习计算模块对样本图片进行分类，得到预测的溶液浓度，并将溶液浓度数据再次存入到数据存储模块中，最后，前端交互模块从数据存储模块中下载得到溶液浓度数据，并显示输出样品结果。
CN202111301635.1A 2021-11-04 2021-11-04 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 Withdrawn CN114049370A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111301635.1A CN114049370A (zh) 2021-11-04 2021-11-04 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111301635.1A CN114049370A (zh) 2021-11-04 2021-11-04 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

Publications (1)

Publication Number Publication Date
CN114049370A true CN114049370A (zh) 2022-02-15

Family

ID=80207156

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111301635.1A Withdrawn CN114049370A (zh) 2021-11-04 2021-11-04 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

Country Status (1)

Country Link
CN (1) CN114049370A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115937103A (zh) * 2022-11-19 2023-04-07 吉林大学 基于深度学习的碱性磷酸酶浓度检测方法及应用软件

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115937103A (zh) * 2022-11-19 2023-04-07 吉林大学 基于深度学习的碱性磷酸酶浓度检测方法及应用软件

Similar Documents

Publication Publication Date Title
WO2017067023A1 (zh) 一种基于专用试纸对体液的检测方法
RU2582268C2 (ru) Тестовое устройство
JP7228585B2 (ja) 分析測定を行うための方法および装置
JP7278276B2 (ja) 発色反応に基づいて分析測定を行うための方法および装置
CN107764976B (zh) 土壤氮素快速诊断方法及在线监测系统
WO2013120191A1 (en) Informative diagnostic kit and device for immunochromatographic detection
WO2019153934A1 (zh) 一种移动终端定量分析干化学检测试条的系统和方法
CN104198695A (zh) 一种对胶体金试纸条显色结果分析的方法
WO2014178062A2 (en) Method and system for analysing body fluids
US20220146408A1 (en) Method for detection and interpretation of results indicated on a photographed diagnostic test
CN106526177A (zh) 基于胶体金试纸条的生物标志物检测系统及方法
EP3907697A1 (en) Method and apparatus for acquiring information
CN114419038A (zh) 轮毂表面缺陷的识别方法及装置、存储介质、电子设备
WO2022267799A1 (zh) 水质检测方法及水质检测装置
AU2021270341A1 (en) Method of evaluating the quality of a color reference card
CN117392042A (zh) 缺陷检测方法、缺陷检测设备及存储介质
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
US20220270228A1 (en) Method and apparatus for obtaining information
CN103903002A (zh) 环境亮度检测方法和系统
CN114264648A (zh) 一种水质检测试纸识别方法和系统
Zhao et al. A customizable automated container-free multi-strip detection and line recognition system for colorimetric analysis with lateral flow immunoassay for lean meat powder based on machine vision and smartphone
KR20230042706A (ko) Lfa 테스트 스트립의 신경망 분석
KR20130086690A (ko) 휴대용 장치에서 구동되는 비색 분석 시스템 및 이를 이용한 비색 분석 방법
TW202219494A (zh) 缺陷檢測方法及檢測裝置
KR20180055320A (ko) 가정용 수질 검사 키트를 이용한 수질 검사 방법.

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

Application publication date: 20220215

WW01 Invention patent application withdrawn after publication