CN114170157A - Poct试纸检测方法、装置、电子设备及存储介质 - Google Patents

Poct试纸检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114170157A
CN114170157A CN202111398116.1A CN202111398116A CN114170157A CN 114170157 A CN114170157 A CN 114170157A CN 202111398116 A CN202111398116 A CN 202111398116A CN 114170157 A CN114170157 A CN 114170157A
Authority
CN
China
Prior art keywords
detection
image
recognition
ratio
poct
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
CN202111398116.1A
Other languages
English (en)
Inventor
戴国华
周英敏
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.)
Suzhou Ganjiang Biotechnology Co ltd
Original Assignee
Suzhou Ganjiang Biotechnology Co ltd
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 Suzhou Ganjiang Biotechnology Co ltd filed Critical Suzhou Ganjiang Biotechnology Co ltd
Priority to CN202111398116.1A priority Critical patent/CN114170157A/zh
Publication of CN114170157A publication Critical patent/CN114170157A/zh
Pending 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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G01N33/52—Use of compounds or compositions for colorimetric, spectrophotometric or fluorometric investigation, e.g. use of reagent paper and including single- and multilayer analytical elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Hematology (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Urology & Nephrology (AREA)
  • Chemical & Material Sciences (AREA)
  • Biotechnology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Food Science & Technology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Microbiology (AREA)
  • Cell Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种POCT试纸检测方法、装置、电子设备及存储介质，所述方法包括：获取目标POCT试纸的图像；基于至少一种检测模型分别对所述图像进行图像识别，得到各所述检测模型各自输出的识别结果；所述识别结果包括：指示信息及所述指示信息的概率；所述指示信息包括阳性或阴性；根据各所述检测模型各自输出的识别结果，确定所述图像对应的检测结果。本发明提供的方法，能够提升目标POCT试纸检测结果的准确性，以及便于用户能够及时获知检测结果。

Description

POCT试纸检测方法、装置、电子设备及存储介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种POCT试纸检测方法、装置、电子设备及存储介质。
背景技术
体外诊断(In Vitro Diagnosis，IVD)是指在人体之外通过对人体的样本进行检测而获取临床诊断信息的产品和服务。IVD是临床医学诊断、治疗及预防等医疗决策的基础，IVD的检测结果对临床医疗决策的影响超过70％，是临床医生决定治疗方案的科学依据。随着社会的发展和科技的进步，医疗器械在生命健康领域发挥的作用越来越大，而且越来越多的IVD产品正逐步被普通用户作为家里的必备品，其中，现场快速检验(point-of-care testing，POCT)具有携带方便，操作便捷、检测快速成本较低等优点，成为IVD产品的一个重要分支。
然而，家用的POCT产品通常是由普通的用户自己使用，由于用户并没有专业医学知识背景，也并没有医生实时来解释测试结果。因此，在实际使用中的检测结果的判定和解释上，用户通常都会产生各种不确定性和怀疑，由此带来的困扰降低了用户的产品体验感。
发明内容
本发明提供一种POCT试纸检测方法、装置、电子设备和存储介质，用以解决现有技术中用户对试纸检测结果的判定和解释产生的不确定性和怀疑的缺陷，实现提升了试纸检测结果的准确性，以及便于用户及时获知检测结果。
本发明提供一种POCT试纸检测方法，包括：
获取目标POCT试纸的图像；
基于至少一种检测模型分别对所述图像进行图像识别，得到各所述检测模型各自输出的识别结果；所述识别结果包括：指示信息及所述指示信息的概率；所述指示信息包括阳性或阴性；
根据各所述检测模型各自输出的识别结果，确定所述图像对应的检测结果。
根据本发明提供的一种POCT试纸检测方法，所述基于至少一种检测模型分别对所述图像进行图像识别，得到各所述检测模型各自输出的识别结果，包括：
基于预设扫描框对所述图像进行扫描，获取所述图像中与所述预设扫描框对应的子图像；
基于至少一种检测模型分别对所述子图像进行图像识别，得到各所述检测模型各自输出的识别结果。
根据本发明提供的一种POCT试纸检测方法，所述检测模型包括RGB颜色检测模型；所述基于至少一种检测模型分别对所述子图像进行图像识别，得到各所述检测模型各自输出的识别结果，包括：
将所述子图像转换为HSV空间，对所述子图像进行灰度处理，得到所述子图像的边界；
在所述边界的第一比值与所述预设扫描框的第二比值匹配的情况下，将所述子图像由HSV空间转换为RGB颜色空间，计算所述子图像中各个像素点的R分量占比；所述第一比值为所述边界的长度与宽度的比值；所述第二比值为所述预设扫描框的长度与宽度的比值；
将所述子图像中R分量占比的极大值对应的像素点确定为控制带对应的像素点；计算所述控制带对应的像素点数量与所述子图像的像素点数量之比，得到所述控制带的概率；
将所述子图像中所述控制带的一侧的各个像素点中，R分量占比的次极大值对应的像素点确定为测试带对应的像素点；计算所述测试带对应的像素点数量与所述子图像的像素点数量之比，得到所述测试带的概率；
基于所述控制带的概率和所述测试带的概率，确定所述RGB颜色检测模型输出的所述识别结果。
根据本发明提供的一种POCT试纸检测方法，所述检测模型包括轮廓检测模型；所述基于至少一种检测模型分别对所述子图像进行图像识别，得到各所述检测模型各自输出的识别结果，包括：
对所述子图像进行轮廓检测，得到所述子图像的至少一个边界线；
基于各所述边界线中像素点数量大于预设门限的边界线，确定至少一个矩形检测条；
计算各所述矩形检测条的长度与所述预设扫描框的长度的第三比值；
基于各所述矩形检测条中第三比值与预设值匹配的目标矩形检测条，确定控制带和测试带；
基于所述控制带的数量、所述测试带的数量，及所述目标矩形检测条的数量，确定所述控制带的概率和所述测试带的概率。
基于所述控制带的概率和所述测试带的概率，确定所述轮廓检测模型输出的所述识别结果。
根据本发明提供的一种POCT试纸检测方法，所述检测模型包括CNN网络模型；所述基于至少一种检测模型分别对所述子图像进行图像识别，得到各所述检测模型各自输出的识别结果，包括：
将所述子图像输入至CNN网络模型，得到所述CNN网络模型输出的所述识别结果；其中，所述CNN网络模型是基于样本子图像进行训练后得到的。
根据本发明提供的一种POCT试纸检测方法，所述根据各所述检测模型各自输出的识别结果，确定所述图像对应的检测结果，包括：
根据各所述检测模型各自输出的识别结果、及各所述识别结果的权重，确定所述图像对应的检测结果。
本发明还提供一种POCT试纸检测装置，包括：
获取模块，用于获取目标POCT试纸的图像；
识别模块，用于基于至少一种检测模型分别对所述图像进行图像识别，得到各所述检测模型各自输出的识别结果；所述识别结果包括：指示信息及所述指示信息的概率；所述指示信息包括阳性或阴性；
确定模块，用于根据各所述检测模型各自输出的识别结果，确定所述图像对应的检测结果。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述POCT试纸检测方法的步骤。
本发明还提供一种非暂态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如上述任一种所述POCT试纸检测方法的步骤。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述POCT试纸检测方法的步骤。
本发明提供的POCT试纸检测方法，通过至少一种检测模型分别对目标POCT试纸的图像进行图像识别，得到各检测模型各自输出的识别结果，从而确定目标POCT试纸的图像的检测结果，提升了目标POCT试纸的图像的检测结果的准确性，以及便于用户能够及时获知检测结果。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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是本发明提供的POCT试纸检测方法的流程示意图之一；
图2是本发明提供的POCT试纸检测方法的流程示意图之二；
图3是本发明提供的目标POCT试纸的图像示意图；
图4是本发明提供的POCT试纸检测方法的流程示意图之三；
图5是本发明提供的POCT试纸检测方法的流程示意图之四；
图6是本发明提供的POCT试纸检测方法的流程示意图之五；
图7是本发明提供的POCT试纸检测方法的流程示意图之六；
图8是本发明提供的POCT试纸检测装置的结构示意图；
图9是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
下面结合图1-图7描述本发明的POCT试纸检测方法。
图1为本发明提供的POCT试纸检测方法的流程示意图之一，如图1所示，该方法包括：
步骤110，获取目标POCT试纸的图像。
可选地，本发明提供的POCT试纸检测方法可应用于试纸检测结果的判定和分析场景中。本发明提供的POCT试纸检测方法的执行主体可以为本发明提供的POCT试纸检测装置，例如电子设备、或者该试纸检测装置中的用于执行POCT试纸检测方法的控制模块。
可选地，目标POCT试纸是基于POCT技术得到的试纸。目标POCT试纸的图像可以通过手机、相机或者摄像机等拍摄方式进行获取，也可以通过读取已拍摄照片的方式获取。
步骤120，基于至少一种检测模型分别对所述图像进行图像识别，得到各所述检测模型各自输出的识别结果；所述识别结果包括：指示信息及所述指示信息的概率；所述指示信息包括阳性或阴性。
需要说明的是，在使用至少一种检测模型对图像进行图像识别之前，需要先对图像进行预处理；其中，预处理的方式包括以下至少一种：图像灰度变换、图像高斯滤波、图像轮廓检测。
可选地，至少一种检测模型包括RGB颜色检测模型、轮廓检测模型和CNN网络模型。
步骤130，根据各所述检测模型各自输出的识别结果，确定所述图像对应的检测结果。
可选地，检测结果包括以下至少一种：阳性、阴性、拍照不合格。
本发明提供的POCT试纸检测方法，通过至少一种检测模型分别对目标POCT试纸的图像进行图像识别，得到各检测模型各自输出的识别结果，从而确定目标POCT试纸的图像的检测结果，提升了目标POCT试纸的图像的检测结果的准确性，以及便于用户能够及时获知检测结果。
可选地，图2为本发明提供的POCT试纸检测方法的流程示意图之二，如图2所示，该方法包括：
步骤210，获取目标POCT试纸的图像。
步骤220，基于预设扫描框对所述图像进行扫描，获取所述图像中与所述预设扫描框对应的子图像。
可选地，预设扫描框为预先设置的与目标POCT试纸的图像中扫描框对应的扫描框，预设扫描框的长度与宽度之比是固定的。
具体地，将预设扫描框对目标POCT试纸的图像进行扫描，在目标POCT试纸的图像中匹配到与预设扫描框的大小相同的区域，从而得到目标POCT试纸图像中扫描框对应的子图像。
步骤230，基于至少一种检测模型分别对所述子图像进行图像识别，得到各所述检测模型各自输出的识别结果。
可选地，使用至少一种检测模型对子图像进行图像识别，得到该检测模型输出的识别结果。
步骤240，根据各所述检测模型各自输出的识别结果，确定所述图像对应的检测结果。
可选地，关于步骤240的说明和解释，可以参照上述针对步骤130的说明和解释，且能达到相同的技术效果，为避免重复，这里不再赘述。
本发明提供的POCT试纸检测方法，通过获取目标POCT试纸的图像中与预设扫描框对应的子图像，再将至少一种检测模型分别对子图像进行图像识别，得到各检测模型各自输出的识别结果，从而确定目标POCT试纸的图像的检测结果，提升了目标POCT试纸的图像的检测结果的准确性，以及便于用户能够及时获知检测结果。
图3为本发明提供的目标POCT试纸的图像示意图，如图3所示，该目标POCT试纸的图像300包括样滴孔310、扫描框320；其中，扫描框中有测试带3201、控制带3202。在实际使用过程中，用户将待测物滴入样滴孔310，扫描框中出现测试带3201和控制带3202两条红色的带状矩形条，用户使用手机对其结果进行拍照，得到目标POCT试纸的图像。
下面对本发明提供的POCT试纸检测方法中使用的三种检测模型进行详细说明：
1)RGB颜色检测模型：
根据获取的与预设扫描框对应的子图像，将子图像转换为HSV空间，对子图像进行灰度处理，得到子图像的边界；在边界的第一比值与预设扫描框的第二比值匹配的情况下，将子图像由HSV空间转换为RGB颜色空间，计算子图像中各个像素点的R分量占比；其中，第一比值为边界的长度与宽度的比值，第二比值为预设扫描框的长度与宽度的比值；将子图像中R分量占比的极大值对应的像素点确定为控制带对应的像素点；计算控制带对应的像素点数量与子图像的像素点数量之比，得到控制带的概率；将子图像中控制带的一侧的各个像素点中，R分量占比的次极大值对应的像素点确定为测试带对应的像素点；计算测试带对应的像素点数量与子图像的像素点数量之比，得到测试带的概率；基于控制带的概率和测试带的概率，确定RGB颜色检测模型输出的识别结果。
可选地，图4为本发明提供的POCT试纸检测方法的流程示意图之三，如图4所示，该方法包括：
步骤401，获取目标POCT试纸的图像。
步骤402，基于预设扫描框对所述图像进行扫描，获取图像中与预设扫描框对应的子图像。
可选地，关于步骤402的说明和解释，可以参照上述针对步骤220的说明和解释，且能达到相同的技术效果，为避免重复，这里不再赘述。
步骤403，将扫描框区对应的子图像转换为HSV空间，得到子图像中每个像素点在HSV空间的三个分量。
步骤404，对每个像素点的S分量进行二值化处理，得到黑白图像。
步骤405，使用灰度投影法对S分量进行垂直方向和水平方向进行灰度投影，得到图像的边界，即扫描框的边界。
步骤406，判断边界的第一比值与预设扫描框的第二比值是否匹配；在边界的第一比值与预设扫描框的第二比值匹配的情况下，转换至步骤407；在边界的第一比值与预设扫描框的第二比值不匹配的情况下，流程结束；第一比值为所述边界的长度与宽度的比值；第二比值为所述预设扫描框的长度与宽度的比值。
需要说明的是，预先设置扫描框的长度与宽度的比值为第二比值，且该第二比值是固定不变的。根据得到子图像的边界，计算边界的长度与宽度的比值，得到第一比值，判断第一比值与第二比值是否相同；若相同，则说明边界的第一比值与预设扫描框的第二比值匹配。
步骤407，将子图像由HSV空间转换为RGB颜色空间，计算子图像中各个像素点的R分量占比。
可选地，在边界的第一比值与预设扫描框的第二比值匹配的情况下，将子图像由HSV空间转换为RGB颜色空间，得到子图像中每个像素点在RGB颜色空间的三个分量；计算子图像中每一行像素点的R分量与R、G、B三个分量总和的占比。
步骤408，对子图像进行平滑滤波，去除图像中的噪声。
步骤409，将子图像中R分量占比的极大值对应的像素点确定为控制带对应的像素点；计算控制带对应的像素点数量与子图像的像素点数量之比，得到控制带的概率。
具体地，根据计算得到的子图像中每一行像素点的R分量与R、G、B三个分量总和的占比，得到每一行R分量占比的极大值，将每一行R分量占比的极大值对应的像素点为控制带对应的像素点；计算控制带对应的像素点的数量与子图像的像素点数量之比，得到控制带的概率。
步骤410，将子图像中控制带的一侧的各个像素点中，R分量占比的次极大值对应的像素点确定为测试带对应的像素点；计算测试带对应的像素点数量与子图像的像素点数量之比，得到测试带的概率。
具体地，在子图像中控制带的左侧的各个像素点中，得到每一行像素点的R分量占比的次极大值，将每一行像素点的R分量占比的次极大值对应的像素点为测试带对应的像素点；计算测试带对应的像素点的数量与子图像的像素点数量之比，得到测试带的概率。
步骤411，基于控制带的概率和测试带的概率，确定RGB颜色检测模型输出的识别结果。
可选地，在预设的控制带和测试带对应检测结果为阳性或者阴性的情况下，将控制带的概率与测试带的概率相乘，得到RGB颜色检测模型输出的识别结果。
本发明提供的POCT试纸检测方法，通过获取目标POCT试纸的图像中与预设扫描框对应的子图像，将子图像转换为HSV空间，对S分量进行二值化处理，再转换为RGB颜色空间，计算子图像中每个像素点的R分量占比，根据每个像素点的R分量占比的极大值和次极大值确定控制带与测试带，以及控制带与测试带的概率，得到RGB颜色检测模型输出的识别结果，从而确定目标POCT试纸的图像的检测结果，提升了目标POCT试纸的图像的检测结果的准确性，以及便于用户能够及时获知检测结果。
2)轮廓检测模型：
根据获取的与预设扫描框对应的子图像，对子图像进行轮廓检测，得到子图像的至少一个边界线；基于各边界线中像素点数量大于预设门限的边界线，确定至少一个矩形检测条；计算各矩形检测条的长度与预设扫描框的长度的第三比值；基于各矩形检测条中第三比值与预设值匹配的目标矩形检测条，确定控制带和测试带；基于控制带的数量、测试带的数量，及目标矩形检测条的数量，确定控制带的概率和测试带的概率；基于控制带的概率和测试带的概率，确定轮廓检测模型输出的识别结果。
可选地，图5为本发明提供的POCT试纸检测方法的流程示意图之四，如图5所示，该方法包括：
步骤501，获取目标POCT试纸的图像。
步骤502，基于预设扫描框对图像进行扫描，获取图像中与预设扫描框对应的子图像。
可选地，关于步骤502的说明和解释，可以参照上述针对步骤220的说明和解释，且能达到相同的技术效果，为避免重复，这里不再赘述。
步骤503，对子图像进行轮廓检测，得到子图像的至少一个边界线。
可选地，使用canny检测算法对子图像进行轮廓检测，得到子图像的至少一个边界线。
步骤504，判断各边界线的像素点数量是否大于预设门限的边界线；其中，预设门限的边界线的像素点的数量可以为20个像素点。在各边界线的像素点数量大于预设门限的边界线的情况下，转至步骤505；在各边界线的像素点数量小于等于预设门限的边界线的情况下，流程结束。
步骤505，将各边界线根据各边界线的像素点数量进行排序，将各边界线组成至少一个矩形检测条。
步骤506，计算各矩形检测条的长度与预设扫描框的长度的第三比值。
可选地，将各矩形检测条的长度依次与预设扫描框的长度之比，得到第三比值。
步骤507，判断各矩形检测条中第三比值与预设值是否匹配。在各矩形检测条的第三比值与预设值匹配的情况下，转至步骤508；在各矩形检测条的第三比值与预设值不匹配的情况下，流程结束。
步骤508，确定第三比值对应的目标矩形检测条为控制带和测试带；再根据控制带与测试带的相对位置关系，右侧的目标矩形检测条为控制带，该控制带左侧的目标矩形检测条为测试带。
需要说明的是，预设值为预设扫描框中控制带、测试带与扫描框的长度之比，例如，控制带、测试带与扫描框的长度之比为1：1：5。
步骤509，基于控制带的数量、测试带的数量，及目标矩形检测条的数量，确定控制带的概率和测试带的概率。
可选地，计算控制带对应的目标矩形检测条的数量与目标矩形检测条的数量之比，得到控制带的概率；计算测试带对应的目标矩形检测条的数量与目标矩形检测条的数量之比，得到测试带的概率。
步骤510，基于控制带的概率和测试带的概率，确定轮廓检测模型输出的识别结果。
可选地，在预设的控制带和测试带对应检测结果为阳性或者阴性的情况下，将控制带的概率与测试带的概率相乘，得到轮廓检测模型输出的识别结果。
本发明提供的POCT试纸检测方法，通过获取目标POCT试纸的图像中与预设扫描框对应的子图像，对子图像进行轮廓检测，得到子图像的边界线，将边界线组成多个矩形检测条，得到矩形检测条对应的控制带与测试带的概率，得到轮廓检测模型输出的识别结果，从而确定目标POCT试纸的图像的检测结果，提升了目标POCT试纸的图像的检测结果的准确性，以及便于用户能够及时获知检测结果。
3)CNN网络模型：
根据获取的与预设扫描框对应的子图像，将子图像输入至CNN网络模型，得到CNN网络模型输出的识别结果；其中，CNN网络模型是基于样本子图像进行训练后得到的。
可选地，图6为本发明提供的POCT试纸检测方法的流程示意图之五，如图6所示，该方法包括：
步骤601，获取目标POCT试纸的图像。
步骤602，基于预设扫描框对所述图像进行扫描，获取图像中与预设扫描框对应的子图像。
可选地，关于步骤602的说明和解释，可以参照上述针对步骤220的说明和解释，且能达到相同的技术效果，为避免重复，这里不再赘述。
步骤603，将子图像输入至CNN网络模型，首先经过CNN网络模型的卷积层，对子图像进行卷积操作。
步骤604，再将卷积层输出的结果经过池化层，降低子图像对应的数据的维数；其中，池化层至少包括以下一种：最大池化、最小池化、平均池化、权重池化。
步骤605，再将池化层输出的结果经过全连接层，得到控制带和测试带。
步骤606，将全连接层输出的结果经过输出层，得到CNN网络模型输出的识别结果。
需要说明的是，CNN网络模型是基于样本子图像进行训练后得到的；CNN网络模型输出结果为测试带和控制带的概率。
本发明提供的POCT试纸检测方法，通过获取目标POCT试纸的图像中与预设扫描框对应的子图像，将子图像输入至CNN网络模型，依次经过卷积层、池化层、全连接层和输出层，得到CNN网络模型输出的识别结果，从而确定目标POCT试纸的图像的检测结果，提升了目标POCT试纸的图像的检测结果的准确性，以及便于用户能够及时获知检测结果。
可选地，图7为本发明提供的POCT试纸检测方法的流程示意图之六，如图7所示，该方法包括：
步骤710，获取目标POCT试纸的图像。
步骤720，对图像进行预处理；其中，预处理的方式包括以下至少一种：图像灰度变换、图像高斯滤波、图像轮廓检测。
步骤730，基于RGB颜色检测模型、轮廓检测模型和CNN网络模型分别对图像进行图像识别，得到各检测模型各自输出的识别结果；识别结果包括：指示信息及指示信息的概率；指示信息包括阳性或阴性。
步骤740，使用投票表决模型对各检测模型各自输出的识别结果、及各识别结果的权重进行计算，得到投票表决模型输出图像对应的检测结果；其中，投票表决模型是经过样本图像进行训练后得到的。
例如，RGB颜色检测模型输出的识别结果为阳性，阳性对应的概率为80％，阳性对应的权重为40％；轮廓检测模型输出的识别结果为阳性，阳性对应的概率为90％，阳性对应的权重为40％；CNN网络模型输出的识别结果为阳性，阳性对应的概率为95％，阳性对应的权重为20％；投票表决模型根据各检测模型各自输出的识别结果及各识别结果的权重，计算(80％*40％+90％*40％+95％*20％)/3＝29％，则投票表决模型输出图像对应的检测结果为阳性的概率为29％；根据预先设定的概率大于80％为阳性、概率小于40％为阴性、概率在40％与80％之间为拍照不合格，确定图像对应的检测结果为阴性。
本发明提供的POCT试纸检测方法，通过各检测模型各自输出的识别结果及其对应的权重，使用投票表决模型对各检测模型各自输出的识别结果及其对应的权重进行计算，确定目标POCT试纸的图像的检测结果，提升了目标POCT试纸的图像的检测结果的准确性，以及便于用户能够及时获知检测结果。
下面对本发明提供的POCT试纸检测装置进行描述，下文描述的POCT试纸检测装置与上文描述的POCT试纸检测方法可相互对应参照。
本发明提供一种POCT试纸检测装置，图8为本发明提供的POCT试纸检测装置的结构示意图，如图8所示，POCT试纸检测装置800包括：获取模块801、识别模块802、确定模块803；其中：
获取模块801，用于获取目标POCT试纸的图像；
识别模块802，用于基于至少一种检测模型分别对所述图像进行图像识别，得到各所述检测模型各自输出的识别结果；所述识别结果包括：指示信息及所述指示信息的概率；所述指示信息包括阳性或阴性；
确定模块803，用于根据各所述检测模型各自输出的识别结果，确定所述图像对应的检测结果。
本发明提供的POCT试纸检测装置，通过至少一种检测模型分别对目标POCT试纸的图像进行图像识别，得到各检测模型各自输出的识别结果，从而确定目标POCT试纸的图像的检测结果，提升了目标POCT试纸的图像的检测结果的准确性，以及便于用户能够及时获知检测结果。
可选地，识别模块802，具体用于：
基于预设扫描框对所述图像进行扫描，获取所述图像中与所述预设扫描框对应的子图像；
基于至少一种检测模型分别对所述子图像进行图像识别，得到各所述检测模型各自输出的识别结果。
可选地，所述检测模型包括RGB颜色检测模型；识别模块802，具体用于：
将所述子图像转换为HSV空间，对所述子图像进行灰度处理，得到所述子图像的边界；
在所述边界的第一比值与所述预设扫描框的第二比值匹配的情况下，将所述子图像由HSV空间转换为RGB颜色空间，计算所述子图像中各个像素点的R分量占比；所述第一比值为所述边界的长度与宽度的比值；所述第二比值为所述预设扫描框的长度与宽度的比值；
将所述子图像中R分量占比的极大值对应的像素点确定为控制带对应的像素点；计算所述控制带对应的像素点数量与所述子图像的像素点数量之比，得到所述控制带的概率；
将所述子图像中所述控制带的一侧的各个像素点中，R分量占比的次极大值对应的像素点确定为测试带对应的像素点；计算所述测试带对应的像素点数量与所述子图像的像素点数量之比，得到所述测试带的概率；
基于所述控制带的概率和所述测试带的概率，确定所述RGB颜色检测模型输出的所述识别结果。
可选地，所述检测模型包括轮廓检测模型；识别模块802，具体用于：
对所述子图像进行轮廓检测，得到所述子图像的至少一个边界线；
基于各所述边界线中像素点数量大于预设门限的边界线，确定至少一个矩形检测条；
计算各所述矩形检测条的长度与所述预设扫描框的长度的第三比值；
基于各所述矩形检测条中第三比值与预设值匹配的目标矩形检测条，确定控制带和测试带；
基于所述控制带的数量、所述测试带的数量，及所述目标矩形检测条的数量，确定所述控制带的概率和所述测试带的概率。
基于所述控制带的概率和所述测试带的概率，确定所述轮廓检测模型输出的所述识别结果。
可选地，所述检测模型包括CNN网络模型；识别模块802，具体用于：
将所述子图像输入至CNN网络模型，得到所述CNN网络模型输出的所述识别结果；其中，所述CNN网络模型是基于样本子图像进行训练后得到的。
可选地，确定模块803，具体用于：
根据各所述检测模型各自输出的识别结果、及各所述识别结果的权重，确定所述图像对应的检测结果。
图9为本发明提供的一种电子设备的实体结构示意图，如图9所示，该电子设备900可以包括：处理器(processor)910、通信接口(Communications Interface)920、存储器(memory)930和通信总线940，其中，处理器910，通信接口920，存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令，以执行POCT试纸检测方法，该方法包括：获取目标POCT试纸的图像；基于至少一种检测模型分别对所述图像进行图像识别，得到各所述检测模型各自输出的识别结果；所述识别结果包括：指示信息及所述指示信息的概率；所述指示信息包括阳性或阴性；根据各所述检测模型各自输出的识别结果，确定所述图像对应的检测结果。
此外，上述的存储器930中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的POCT试纸检测方法，该方法包括：获取目标POCT试纸的图像；基于至少一种检测模型分别对所述图像进行图像识别，得到各所述检测模型各自输出的识别结果；所述识别结果包括：指示信息及所述指示信息的概率；所述指示信息包括阳性或阴性；根据各所述检测模型各自输出的识别结果，确定所述图像对应的检测结果。
又一方面，本发明还提供一种非暂态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以执行上述各方法提供的POCT试纸检测方法，该方法包括：获取目标POCT试纸的图像；基于至少一种检测模型分别对所述图像进行图像识别，得到各所述检测模型各自输出的识别结果；所述识别结果包括：指示信息及所述指示信息的概率；所述指示信息包括阳性或阴性；根据各所述检测模型各自输出的识别结果，确定所述图像对应的检测结果。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种POCT试纸检测方法，其特征在于，包括：
获取目标POCT试纸的图像；
基于至少一种检测模型分别对所述图像进行图像识别，得到各所述检测模型各自输出的识别结果；所述识别结果包括：指示信息及所述指示信息的概率；所述指示信息包括阳性或阴性；
根据各所述检测模型各自输出的识别结果，确定所述图像对应的检测结果。
2.根据权利要求1所述的POCT试纸检测方法，其特征在于，所述基于至少一种检测模型分别对所述图像进行图像识别，得到各所述检测模型各自输出的识别结果，包括：
基于预设扫描框对所述图像进行扫描，获取所述图像中与所述预设扫描框对应的子图像；
基于至少一种检测模型分别对所述子图像进行图像识别，得到各所述检测模型各自输出的识别结果。
3.根据权利要求2所述的POCT试纸检测方法，其特征在于，所述检测模型包括RGB颜色检测模型；所述基于至少一种检测模型分别对所述子图像进行图像识别，得到各所述检测模型各自输出的识别结果，包括：
将所述子图像转换为HSV空间，对所述子图像进行灰度处理，得到所述子图像的边界；
在所述边界的第一比值与所述预设扫描框的第二比值匹配的情况下，将所述子图像由HSV空间转换为RGB颜色空间，计算所述子图像中各个像素点的R分量占比；所述第一比值为所述边界的长度与宽度的比值；所述第二比值为所述预设扫描框的长度与宽度的比值；
将所述子图像中R分量占比的极大值对应的像素点确定为控制带对应的像素点；计算所述控制带对应的像素点数量与所述子图像的像素点数量之比，得到所述控制带的概率；
将所述子图像中所述控制带的一侧的各个像素点中，R分量占比的次极大值对应的像素点确定为测试带对应的像素点；计算所述测试带对应的像素点数量与所述子图像的像素点数量之比，得到所述测试带的概率；
基于所述控制带的概率和所述测试带的概率，确定所述RGB颜色检测模型输出的所述识别结果。
4.根据权利要求2所述的POCT试纸检测方法，其特征在于，所述检测模型包括轮廓检测模型；所述基于至少一种检测模型分别对所述子图像进行图像识别，得到各所述检测模型各自输出的识别结果，包括：
对所述子图像进行轮廓检测，得到所述子图像的至少一个边界线；
基于各所述边界线中像素点数量大于预设门限的边界线，确定至少一个矩形检测条；
计算各所述矩形检测条的长度与所述预设扫描框的长度的第三比值；
基于各所述矩形检测条中第三比值与预设值匹配的目标矩形检测条，确定控制带和测试带；
基于所述控制带的数量、所述测试带的数量，及所述目标矩形检测条的数量，确定所述控制带的概率和所述测试带的概率；
基于所述控制带的概率和所述测试带的概率，确定所述轮廓检测模型输出的所述识别结果。
5.根据权利要求2所述的POCT试纸检测方法，其特征在于，所述检测模型包括CNN网络模型；所述基于至少一种检测模型分别对所述子图像进行图像识别，得到各所述检测模型各自输出的识别结果，包括：
将所述子图像输入至CNN网络模型，得到所述CNN网络模型输出的所述识别结果；其中，所述CNN网络模型是基于样本子图像进行训练后得到的。
6.根据权利要求1所述的POCT试纸检测方法，其特征在于，所述根据各所述检测模型各自输出的识别结果，确定所述图像对应的检测结果，包括：
根据各所述检测模型各自输出的识别结果、及各所述识别结果的权重，确定所述图像对应的检测结果。
7.一种POCT试纸检测装置，其特征在于，包括：
获取模块，用于获取目标POCT试纸的图像；
识别模块，用于基于至少一种检测模型分别对所述图像进行图像识别，得到各所述检测模型各自输出的识别结果；所述识别结果包括：指示信息及所述指示信息的概率；所述指示信息包括阳性或阴性；
确定模块，用于根据各所述检测模型各自输出的识别结果，确定所述图像对应的检测结果。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述POCT试纸检测方法的步骤。
9.一种非暂态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如权利要求1至6任一项所述POCT试纸检测方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述POCT试纸检测方法的步骤。
CN202111398116.1A 2021-11-23 2021-11-23 Poct试纸检测方法、装置、电子设备及存储介质 Pending CN114170157A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111398116.1A CN114170157A (zh) 2021-11-23 2021-11-23 Poct试纸检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111398116.1A CN114170157A (zh) 2021-11-23 2021-11-23 Poct试纸检测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114170157A true CN114170157A (zh) 2022-03-11

Family

ID=80480433

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111398116.1A Pending CN114170157A (zh) 2021-11-23 2021-11-23 Poct试纸检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114170157A (zh)

Similar Documents

Publication Publication Date Title
US10810735B2 (en) Method and apparatus for analyzing medical image
CN107633237B (zh) 图像背景分割方法、装置、设备及介质
CN111598049B (zh) 作弊识别方法和装置、电子设备、以及介质
CN110348385B (zh) 活体人脸识别方法和装置
CN111415339B (zh) 一种复杂纹理工业产品图像缺陷检测方法
CN111415304A (zh) 基于级联深度网络的水下视觉增强方法和装置
CN113378804A (zh) 一种自助采样的检测方法、装置、终端设备和存储介质
CN105718931A (zh) 用于确定采集图像中的杂斑的系统和方法
JP2020197915A (ja) 画像処理装置、画像処理方法、及びプログラム
Saleh et al. Adaptive uncertainty distribution in deep learning for unsupervised underwater image enhancement
CN111862040A (zh) 人像图片质量评价方法、装置、设备及存储介质
CN109767468B (zh) 脏器体积检测方法及装置
CN114170157A (zh) Poct试纸检测方法、装置、电子设备及存储介质
CN111951233B (zh) 一种鱼刺残留检测方法及系统
CN112949585A (zh) 一种眼底图像血管的识别方法、装置、电子设备及存储介质
CN112598633A (zh) 基于暗通道和亮通道的眼底图像质量评估方法
CN112329497A (zh) 一种目标识别方法、装置及设备
CN117474915B (zh) 一种异常检测方法、电子设备及存储介质
CN114255203B (zh) 一种鱼苗数量估计方法及系统
CN112597914B (zh) 一种图像处理方法及装置
CN114565538B (zh) 一种内镜图像处理方法、系统、存储介质及设备
Tworski et al. Camera quality assessment in real-world conditions
US11551356B2 (en) Object detection method, object detection system for 3D mammogram, and non-transitory computer-readable storage medium
CN114140433A (zh) 油雾的确定方法、装置、存储介质及电子装置
CN114663359A (zh) 用于对猪只肌内脂肪含量进行检测的方法及其相关产品

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