CN114612401A - 一种模型训练方法、装置、设备和存储介质 - Google Patents

一种模型训练方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN114612401A
CN114612401A CN202210206628.1A CN202210206628A CN114612401A CN 114612401 A CN114612401 A CN 114612401A CN 202210206628 A CN202210206628 A CN 202210206628A CN 114612401 A CN114612401 A CN 114612401A
Authority
CN
China
Prior art keywords
rabbit igg
sample
training
micropore
model
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
CN202210206628.1A
Other languages
English (en)
Inventor
宋鹏飞
段思璇
杨曦
黄开竹
张权
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.)
Xian Jiaotong Liverpool University
Original Assignee
Xian Jiaotong Liverpool University
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 Xian Jiaotong Liverpool University filed Critical Xian Jiaotong Liverpool University
Priority to CN202210206628.1A priority Critical patent/CN114612401A/zh
Publication of CN114612401A publication Critical patent/CN114612401A/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
    • 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
    • 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
    • G06T2207/10056—Microscopic image

Landscapes

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

Abstract

本发明公开了一种模型训练方法、装置、设备和存储介质。其中，该方法包括：分别采集不同光照条件下样本兔IgG的微孔图像；其中，不同样本兔IgG的浓度不同；根据所采集的微孔图像，确定训练样本；采用所述训练样本，对神经网络模型进行训练，得到浓度检测模型；所述浓度检测模型用于对待检测兔IgG的浓度进行识别。通过本发明的技术方案，能够在不同光照条件下进行ELISA实验时，都可以获得准确的待检测兔IgG的浓度识别结果。

Description

一种模型训练方法、装置、设备和存储介质
技术领域
本发明实施例涉及计算机领域，尤其涉及一种模型训练方法、装置、设备和存储介质。
背景技术
现阶段在进行ELISA(enzyme linked immunosorbent assay，酶联免疫吸附测定)实验时，ELISA实验比色检测处理的高灵敏度对环境条件，尤其是光照条件的要求较高。因此，如何在保证ELISA实验的实验准确度的同时，降低ELISA实验对环境条件的要求，是需要解决的问题。
发明内容
本发明实施例提供一种模型训练方法、装置、设备和存储介质，以使在不同光照条件下进行ELISA实验时，都可以得到准确的ELISA实验的实验结果。
第一方面，本发明实施例提供了一种模型训练方法，包括：
分别采集不同光照条件下样本兔IgG的微孔图像；其中，不同样本兔IgG的浓度不同；
根据所采集的微孔图像，确定训练样本；
采用所述训练样本，对神经网络模型进行训练，得到浓度检测模型；所述浓度检测模型用于对待检测兔IgG的浓度进行识别。
第二方面，本发明实施例还提供了一种模型训练装置，包括：
图像采集模块，用于分别采集不同光照条件下样本兔IgG的微孔图像；其中，不同样本兔IgG的浓度不同；
训练样本确定模块，用于根据所采集的微孔图像，确定训练样本；
模型训练模块，用于采用所述训练样本，对神经网络模型进行训练，得到浓度检测模型；所述浓度检测模型用于对待检测兔IgG的浓度进行识别。
第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所述的模型训练方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所述的模型训练方法。
本发明实施例提供的技术方案，通过采集不同光照条件下不同浓度的样本兔IgG的微孔图像，从采集到的微孔图像中确定神经网络模型的训练样本，并采用训练样本对神经网络模型进行训练得到浓度检测模型，之后采用浓度检测模型对待检测兔IgG的浓度进行识别，可以得到待检测兔IgG的浓度识别结果。上述方案，解决了在进行ELISA实验，检测兔IgG的浓度时，光照条件对实验结果会造成影响，因此在某些光照条件下进行ELISA实验时，会导致实验结果不准确的问题。实现了将神经网络模型应用于ELISA实验中，采用已知浓度的样本兔IgG在不同光照条件下的微孔图像对神经网络模型进行训练，获得浓度检测模型，采用浓度检测模型对待检测兔IgG的浓度进行检测时，可以使得在不同光照条件下进行ELISA实验时，都可以获得准确的待检测兔IgG的浓度识别结果。
附图说明
图1为本发明实施例一提供的一种模型训练方法的流程图；
图2为本发明实施例二提供的一种模型训练方法的流程图；
图3为本发明实施例三提供的一种模型训练方法的流程图；
图4为本发明实施例四提供的一种模型训练装置的结构示意图；
图5为本发明实施例五提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种模型训练方法的流程图，本实施例可适用于如何降低光照条件对ELISA实验影响的情况。其中，ELISA实验指将可溶性的抗原或抗体结合到聚苯乙烯等固相载体上，利用抗原抗体特异性结合进行免疫反应的定性和定量检测方法。ELISA实验的基本原理就是将兔IgG固定到特定的载体上进行反应，并通过酶催化底物发生化学变化将兔IgG反应通过颜色的形式显现出来。可选的，通过ELISA实验可以对兔IgG的浓度进行测定。
该方法可以由本发明实施例提供的模型训练装置来执行，该装置可以采用软件和/或硬件的方式来实现。该装置可配置于承载模型训练功能的电子设备中。可选的，结合图1所示，本实施例所提供的模型训练方法具体包括：
S110、分别采集不同光照条件下样本兔IgG的微孔图像。
其中，兔IgG是指免疫蛋白，包括抗原和抗体。微孔是指孔径小于2纳米的孔。微孔图像是指将兔IgG放入作为ELISA实验培养皿的微孔中，通过图像采集设备采集的放置有兔IgG的微孔的图像。其中，不同样本兔IgG的浓度不同。
可选的，准备不同浓度的兔IgG作为样本兔IgG，将样本兔IgG放入微孔中，每一个微孔中放置一种浓度的样本兔IgG。将放置有样本兔IgG的微孔放置在不同的光照条件下，以对样本兔IgG进行ELISA实验。进一步的通过图像采集设备连续采集不同光照条件下放置有样本兔IgG的微孔图像。其中，图像采集设备可以是任意具有拍摄功能的设备，优选的，图像采集设备可以是镜头像素≥500万像素的智能设备，比如手机。
例如，准备7种不同浓度的兔IgG作为样本兔IgG，样本兔IgG的浓度分别为0、6.7pM、67pM、670pM、6.7nM、67nM、670nM。将七种不同浓度的样本兔IgG分别放入作为实验培养皿的微孔中，并将放置样本兔IgG的微孔分别置于预设的光照条件下，例如，预设的光照条件可以是8种光照条件，8种光照条件分别为0x、50-50lx、2000lx、20052-20502x、50001x、50052-50502x、70002x、70052-70502x。使用镜头像素≥500万像素的手机，在手机自动闪光模式下对不同光照条件下放置有样本兔IgG的微孔进行拍照，获得放置有样本兔IgG的微孔图像。
S120、根据所采集的微孔图像，确定训练样本。
其中，训练样本是指用于训练神经网络模型的样本数据，训练样本的样本参数包括样本兔IgG的浓度、光照条件和微孔图像的颜色。
可选的，在获得样本兔IgG的微孔图像后，随机抽取部分样本兔IgG的微孔图像作为神经网络模型的训练样本，未被抽取到作为训练样本的样本兔IgG的微孔图像作为神经网络模型的测试样本。
例如，从每种浓度的样本兔IgG的微孔图像中随机抽取90％的样本兔IgG的微孔图像作为神经网络模型的训练样本，剩余10％的样本兔IgG的微孔图像作为神经网络模型的测试样本。优选的，神经网络模型可以是GoogleNET深度学习神经网络模型。
S130、采用训练样本，对神经网络模型进行训练，得到浓度检测模型。
其中，浓度检测模型可用于对待检测兔IgG的浓度进行识别。待检测兔IgG是指未知浓度，并需要进行浓度检测的兔IgG。
可选的，本实施例中神经网络模型为GoogleNET模型，由卷积层、池化层和全连接层组成。其中，卷积层采用Inception模块，池化层为最大池化层。进一步的，卷积层可包含多个1×1、3×3和5×5卷积核分支；神经网络模型在主干网络旁侧增加了4层全连接层，2个激活函数和一个归一化函数。神经网络模型的初始学习率为0.0001，梯度下降每次迭代更新样本批次时，样本批次包含的样本数量为光照条件的个数，epoch的次数设为1000。其中，epoch为时期，一个时期为所有训练样本的一个正向传递和一个反向传递，1个epoch为使用训练集中的全部样本训练一次。
具体的，通过训练样本对神经网络模型进行模型训练，得到训练后的神经网络模型。再采用测试样本对训练后的神经网络模型进行测试，根据测试结果确定训练后的神经网络模型是否可以作为浓度检测模型。例如，若训练后的神经网络模型满足预设的识别准确率，则训练后的神经网络模型可以作为浓度检测模型；若训练后的神经网络模型不满足预设的识别准确率，则训练后的神经网络模型不可以作为浓度检测模型。识别准确率是指训练后的神经网络模型对神经网络模型的测试样本进行浓度检测，得到的浓度检测结果的准确率。预设的识别准确率可以根据实际检测需求进行设置。
进一步的，得到浓度检测模型后，可以使用浓度检测模型对待检测兔IgG的浓度进行识别，得到待检测兔IgG的ELISA实验结果。
本实施例提供的技术方案，通过采集不同光照条件下不同浓度的样本兔IgG的微孔图像，从采集到的微孔图像中确定神经网络模型的训练样本，并采用训练样本对神经网络模型进行训练得到浓度检测模型，之后采用浓度检测模型对待检测兔IgG的浓度进行识别，可以得到待检测兔IgG的浓度识别结果。上述方案，解决了在进行ELISA实验，检测兔IgG的浓度时，光照条件对实验结果会造成影响，因此在某些光照条件下进行ELISA实验时，会导致实验结果不准确的问题。实现了将神经网络模型应用于ELISA实验中，采用已知浓度的样本兔IgG在不同光照条件下的微孔图像对神经网络模型进行训练，获得浓度检测模型，采用浓度检测模型对待检测兔IgG的浓度进行检测时，可以使得在不同光照条件下进行ELISA实验时，都可以获得准确的待检测兔IgG的浓度识别结果。
实施例二
图2为本发明实施例二提供的一种模型训练方法的流程图，本实施例在上述实施例的基础上进行了优化，给出了将样本兔IgG放置在纸基孔板上的微孔中，根据纸基孔板的孔板图像确定不同光照条件下样本兔IgG的微孔图像的可选实施例。具体的，如图2所示，本实施例提供的模型训练方法可以包括：
S210、分别采集不同光照条件下纸基孔板的孔板图像。
其中，样本兔IgG放置于纸基孔板上的微孔中，且不同样本兔IgG放置于不同微孔中；不同样本兔IgG的浓度不同。
本实施例中，纸基孔板是指用纸基制作的用于进行ELISA实验的实验孔板。一个纸基上包含若干个大小均匀的微孔，在进行ELISA实验时，可以将样本兔IgG放入纸基孔板的微孔中。进一步，每一个纸基孔板的微孔中放置有一种浓度的样本兔IgG。
具体的，将放置有样本兔IgG的纸基孔板放置在不同的光照条件下，并采用图像采集设备连续采集不同光照条件下放置有样本兔IgG的纸基孔板的图像作为孔板图像。
示例性的，可以准备和光照条件数目相同的纸基孔板，每一个纸基孔板上都放置有相同的样本兔IgG，再将放置有样本兔IgG的纸基孔板分别放置在不同光照条件下，每一种光照条件下放置一个放置有样本兔IgG的纸基孔板，且每一个光照条件下放置的纸基孔板相同。分别采用图像采集设备在相同的时间连续采集每一种光照条件下的放置有样本兔IgG的纸基孔板的图像，获得孔板图像。
S220、根据所采集的孔板图像，确定不同光照条件下样本兔IgG的微孔图像。
具体的，每一个采集的孔板图像均包含有放置有样本兔IgG的微孔图像，对所采集的孔板图像进行图像提取，提取出孔板图像上的样本兔IgG的微孔图像。
进一步的，提取出样本兔IgG的微孔图像后，对每一个样本兔IgG的微孔图像进行标记，标记每一个样本兔IgG的微孔图像的参数。其中，样本兔IgG的微孔图像的参数包括微孔图像中样本兔IgG的浓度和微孔图像中样本兔IgG接受的光照条件等。
可选的，在确定样本兔IgG的微孔图像时，可以根据微孔的尺寸信息，从纸基孔板图像中提取出微孔图像，具体的，可以通过如下子步骤实现：
S2201、根据纸基孔板上的微孔的尺寸信息，对所采集的孔板图像上的微孔区域进行提取。
其中，微孔区域是指孔板图像上微孔所在的区域，微孔区域的大小是根据微孔的尺寸信息确定的。
具体的，确定纸基孔板的微孔的尺寸信息，在获得孔板图像后，根据微孔的尺寸信息，对孔板图像上的微孔区域进行图像提取，其中，提取的微孔区域的尺寸应大于或等于微孔的尺寸。示例性的，可以根据纸基孔板的微孔的尺寸信息，将纸基孔板裁剪为相同像素大小的方块区域作为微孔区域，每一个微孔区域中包含一个完整的微孔。
可选的，为保证对微孔区域提取的准确性，根据纸基孔板上的微孔的尺寸信息，对所采集的孔板图像上的微孔区域进行提取之前，还可以对所采集的孔板图像进行图像处理；其中，图像处理包括灰度处理、二值化处理、高斯模糊和边缘提取中的至少一项。
其中，灰度处理是指对所采集的孔板图像进行灰度化处理，经过灰度化处理后，可以获得孔板图像。二值化处理，就是通过对孔板图像进行灰度化处理，使孔板图像呈现出明显的只有黑和白的视觉效果。高斯模糊是一种图像处理效果，通过高斯模糊可以减少孔板图像噪声以及降低细节层次。边缘提取，指数字图像处理中，对于图片轮廓的一个处理。孔板图像上灰度值变化比较剧烈的地方，定义为孔板图像的边缘。
具体的，在对所采集的孔板图像上的微孔区域进行提取之前，可以采用OpenCV对孔板图像进行图像处理，图像处理包括灰度处理、二值化处理、高斯模糊和边缘提取中的至少一项。例如，采用OpenCV对孔板图像进行灰度处理或/和二值化处理，得到孔板图像的灰度图像，使孔板图像呈现出明显的只有黑和白的视觉效果。再通过高斯模糊减少孔板图像的灰度图像的噪声，得到去噪后的灰度图像。对去噪后的灰度图像进行边缘提取，确定完整的孔板图像的灰度图像。在获得完整的孔板图像的灰度图像后，根据纸基孔板上的微孔的尺寸信息，对孔板图像的灰度图像上的微孔区域进行提取。
S2202、根据提取的微孔区域，确定不同光照条件下样本兔IgG的微孔图像。
具体的，每一个微孔区域中包含一个样本兔IgG的微孔图像。对提取的微孔区域进行灰度化处理，将灰度化处理后的微孔区域作为样本兔IgG的微孔图像，并对获得的样本兔IgG的微孔图像进行标记，标记出每一个样本兔IgG的微孔图像中样本兔IgG的浓度和所在的光照条件。
可选的，在提取出微孔区域后，还可以将微孔区域的平均灰度值作为微孔图像的灰度值。
需要说明的是，根据纸基孔板上微孔的尺寸信息，对孔板图像上的微孔区域进行提取，根据提取的微孔区域确定微孔图像，可以得到大小均匀的微孔图像，将大小均匀的微孔图像作为神经网络模型的训练样本图像，可以保证训练后的神经网络模型对待检测兔IgG的浓度检测精度。
S230、根据所采集的微孔图像，确定训练样本。
具体的，确定样本兔IgG的微孔图像并获得微孔图像的灰度值后，随机抽取部分样本兔IgG的微孔图像作为神经网络模型的训练样本，未被抽取到作为训练样本的样本兔IgG的微孔图像作为神经网络模型的测试样本。其中，样本参数包括微孔图像的灰度值、微孔图像中样本兔IgG的浓度和光照条件。
可以理解的是，将微孔图像的灰度值作为神经网络模型训练样本的参数，可以进一步的提高模型训练效率和训练后的神经网络模型对待检测兔IgG的浓度检测精度。
S240、采用训练样本，对神经网络模型进行训练，得到浓度检测模型；浓度检测模型用于对待检测兔IgG的浓度进行识别。
本实施例提供的技术方案，采用纸基孔板进行ELISA实验，将样本兔IgG放置于纸基孔板的微孔中，再将放置样本兔IgG的纸基孔板分别放置在不同的光照条件下，在不同的光照条件下连续采集纸基孔板的图像，从采集到的纸基孔板的图像中提取出不同光照条件下样本兔IgG的微孔图像以作为神经网络模型的训练样本。解决了在采集样本兔IgG的微孔图像确定神经网络模型的训练样本时，放置样本兔IgG的微孔不一致造成的训练样本存在颜色误差的问题。采用纸基孔板进行ELISA实验，纸基孔板上的微孔尺寸均匀，可以保证每一个样本兔IgG所在的微孔尺寸条件一直，避免了微孔尺寸不同对微孔图像造成的影响，进一步提高了采用浓度检测模型对待检测兔IgG的浓度进行识别的准确性。
实施例三
图3为本发明实施例三提供的一种模型训练方法的流程图，本实施例在上述实施例的基础上进行了优化，给出了对神经网络模型进行训练时，根据模型训练任务完成指标确定训练后的神经网络模型是否可以作为浓度检测模型的优选实施例。具体的，如图3所示，本实施例提供的模型训练方法可以包括：
S310、分别采集不同光照条件下样本兔IgG的微孔图像。
其中，不同样本兔IgG的浓度不同。
S320、根据所采集的微孔图像，确定训练样本。
S330、采用训练样本，对神经网络模型进行训练。
具体的，通过训练样本对神经网络模型进行模型训练，得到训练后的神经网络模型。再采用测试样本对训练后的神经网络模型进行测试，根据测试结果确定训练后的神经网络模型是否可以作为浓度检测模型。
S340、若根据混淆矩阵、接受者操作特征曲线和识别准确率中的至少一项指标，识别到模型训练任务完成，则将训练后的神经网络模型，作为浓度检测模型。
其中，混淆矩阵也称误差矩阵，是表示精度评价的一种标准格式，混淆矩阵的识别成功率越高，训练得到的神经网络模型对待检测的兔IgG的浓度检测精度越高。接受者操作特性曲线是指在光照条件下，以样本兔IgG在不同光照条件下所得的虚报概率P(y/N)为横坐标，以击中概率P(y/SN)为纵坐标，画得的各点的连线，可以根据接受者操作特性曲线的曲线面积确定训练得到的神经网络模型对待检测的兔IgG的浓度检测精度。识别准确率是指训练后的神经网络模型对神经网络模型的测试样本进行浓度检测，得到的浓度检测结果的准确率。
具体的，采用神经网络模型的测试样本对训练后的神经网络模型进行测试，根据测试结果获得训练后的神经网络模型的混淆矩阵的识别成功率、接受者操作特征曲线的曲线面积和识别准确率；若训练后的神经网络模型的混淆矩阵的识别成功率、接受者操作特征曲线的曲线面积和识别准确率中至少一项指标符合模型训练任务完成指标，则确定模型训练任务完成，将训练后的神经网络模型，作为浓度检测模型。
示例性的，预设模型训练任务完成指标中混淆矩阵指标为识别成功率100％，接受者操作特性曲线的曲线面积为1和识别准确率为100％。可以采用神经网络模型的测试样本对训练后的神经网络模型进行测试，并根据测试结果确定训练后的神经网络模型的混淆矩阵的识别成功率、接受者操作特征曲线的曲线面积和识别准确率。可选的，可以预设训练后的神经网络模型的混淆矩阵的识别成功率、接受者操作特征曲线的曲线面积和识别准确率三个指标中的任意一个指标符合模型训练任务完成指标中三个指标中的一个，即确定模型训练任务完成；还可以预设训练后的神经网络模型的混淆矩阵的识别成功率、接受者操作特征曲线的曲线面积和识别准确率三个指标均符合模型训练任务完成指标时，确定模型训练任务完成，将训练后的神经网络模型，作为浓度检测模型。
S350、采用浓度检测模型用于对待检测兔IgG的浓度进行识别。
本实施例提供的技术方案，根据混淆矩阵、接受者操作特征曲线和识别准确率确定模型训练任务完成指标，若训练后的神经网络模型满足模型训练任务完成指标中的任意指标，则可以将训练后的神经网络模型，作为浓度检测模型。上述方案，通过混淆矩阵、接受者操作特征曲线和识别准确率确定模型训练任务完成指标，可以判断训练后的神经网络模型对兔IgG的浓度的识别准确率，在识别准确率符合要求时，再将训练后的神经网络模型作为浓度检测模型，从而保证了浓度检测模型对待检测兔IgG的浓度识别准确度。
实施例四
图4为本发明实施例四提供的一种模型训练装置的结构示意图，本实施例可适用于对神经网络模型进行训练，以获得得到浓度检测模型的情况，如图4所示，该模型训练装置包括：图像采集模块410、训练样本确定模块420和模型训练模块430。
其中，图像采集模块410，用于分别采集不同光照条件下样本兔IgG的微孔图像；其中，不同样本兔IgG的浓度不同；
训练样本确定模块420，用于根据所采集的微孔图像，确定训练样本；
模型训练模块430，用于采用所述训练样本，对神经网络模型进行训练，得到浓度检测模型；浓度检测模型用于对待检测兔IgG的浓度进行识别。
本实施例提供的技术方案，通过采集不同光照条件下不同浓度的样本兔IgG的微孔图像，从采集到的微孔图像中确定神经网络模型的训练样本，并采用训练样本对神经网络模型进行训练得到浓度检测模型，之后采用浓度检测模型对待检测兔IgG的浓度进行识别，可以得到待检测兔IgG的浓度识别结果。上述方案，解决了在进行ELISA实验，检测兔IgG的浓度时，光照条件对实验结果会造成影响，因此在某些光照条件下进行ELISA实验时，会导致实验结果不准确的问题。实现了将神经网络模型应用于ELISA实验中，采用已知浓度的样本兔IgG在不同光照条件下的微孔图像对神经网络模型进行训练，获得浓度检测模型，采用浓度检测模型对待检测兔IgG的浓度进行检测时，可以使得在不同光照条件下进行ELISA实验时，都可以获得准确的待检测兔IgG的浓度识别结果。
其中，图像采集模块410包括：
孔板图像采集单元，用于分别采集不同光照条件下纸基孔板的孔板图像；其中，样本兔IgG放置于纸基孔板上的微孔中，且不同样本兔IgG放置于不同微孔中；
微孔图像确定单元，用于根据所采集的孔板图像，确定不同光照条件下样本兔IgG的微孔图像。
示例性的，上述微孔图像确定单元还具体用于：
根据纸基孔板上的微孔的尺寸信息，对所采集的孔板图像上的微孔区域进行提取；
根据提取的微孔区域，确定不同光照条件下样本兔IgG的微孔图像。
进一步的，上述装置还包括：
图像处理单元，用于在根据纸基孔板上的微孔的尺寸信息，对所采集的孔板图像上的微孔区域进行提取之前，对所采集的孔板图像进行图像处理；其中，图像处理包括灰度处理、二值化处理、高斯模糊和边缘提取中的至少一项。
示例性的，上述模型训练模块430具体用于：
采用训练样本，对神经网络模型进行训练；
若根据混淆矩阵、接受者操作特征曲线和识别准确率中的至少一项指标，识别到模型训练任务完成，则将训练后的神经网络模型，作为浓度检测模型。
示例性的，上述模型训练装置中的神经网络模型为GoogleNET模型。
本实施例提供的模型训练装置可适用于上述任意实施例提供的模型训练方法，具备相应的功能和有益效果。
实施例五
图5为本发明实施例五提供的一种电子设备的结构示意图，如图5所示，该电子设备包括处理器50、存储器51、输入装置52和输出装置53；电子设备中处理器50的数量可以是一个或多个，图5中以一个处理器50为例；电子设备中的处理器50、存储器51、输入装置52和输出装置53可以通过总线或其他方式连接，图5中以通过总线连接为例。
存储器51作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的模型训练方法对应的程序指令/模块。处理器50通过运行存储在存储器51中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述的模型训练方法。
存储器51可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器51可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器51可进一步包括相对于处理器50远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置52可用于接收输入的样本兔IgG微孔图像的相关数据，以及产生与电子设备的用户设置以及功能控制有关的模型训练相关参数输入。输出装置53可包括显示屏等显示设备。
本实施例提供的电子设备可适用于上述任意实施例提供的模型训练方法，具备相应的功能和有益效果。
实施例六
本发明实施例六还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种模型训练方法，该方法包括：
分别采集不同光照条件下样本兔IgG的微孔图像；其中，不同样本兔IgG的浓度不同；根据所采集的微孔图像，确定训练样本；采用训练样本，对神经网络模型进行训练，得到浓度检测模型；浓度检测模型用于对待检测兔IgG的浓度进行识别。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。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，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，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)执行本发明各个实施例所述的方法。
值得注意的是，上述实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种模型训练方法，其特征在于，包括：
分别采集不同光照条件下样本兔IgG的微孔图像；其中，不同样本兔IgG的浓度不同；
根据所采集的微孔图像，确定训练样本；
采用所述训练样本，对神经网络模型进行训练，得到浓度检测模型；所述浓度检测模型用于对待检测兔IgG的浓度进行识别。
2.根据权利要求1所述的方法，其特征在于，所述分别采集不同光照条件下样本兔IgG的微孔图像，包括：
分别采集不同光照条件下纸基孔板的孔板图像；其中，样本兔IgG放置于所述纸基孔板上的微孔中，且不同样本兔IgG放置于不同微孔中；
根据所采集的孔板图像，确定不同光照条件下样本兔IgG的微孔图像。
3.根据权利要求2所述的方法，其特征在于，所述根据所采集的孔板图像，确定不同光照条件下样本兔IgG的微孔图像，包括：
根据所述纸基孔板上的微孔的尺寸信息，对所采集的孔板图像上的微孔区域进行提取；
根据提取的微孔区域，确定不同光照条件下样本兔IgG的微孔图像。
4.根据权利要求3所述的方法，其特征在于，所述根据所述纸基孔板上的微孔的尺寸信息，对所采集的孔板图像上的微孔区域进行提取之前，还包括：
对所采集的孔板图像进行图像处理；其中，图像处理包括灰度处理、二值化处理、高斯模糊和边缘提取中的至少一项。
5.根据权利要求1所述的方法，其特征在于，所述采用所述训练样本，对神经网络模型进行训练，得到浓度检测模型，包括：
采用所述训练样本，对神经网络模型进行训练；
若根据混淆矩阵、接受者操作特征曲线和识别准确率中的至少一项指标，识别到模型训练任务完成，则将训练后的神经网络模型，作为浓度检测模型。
6.根据权利要求1所述的方法，其特征在于，所述神经网络模型为GoogleNET模型。
7.一种模型训练装置，其特征在于，包括：
图像采集模块，用于分别采集不同光照条件下样本兔IgG的微孔图像；其中，不同样本兔IgG的浓度不同；
训练样本确定模块，用于根据所采集的微孔图像，确定训练样本；
模型训练模块，用于采用所述训练样本，对神经网络模型进行训练，得到浓度检测模型；所述浓度检测模型用于对待检测兔IgG的浓度进行识别。
8.根据权利要求7所述的装置，其特征在于，所述图像采集模块包括：
孔板图像采集单元，用于分别采集不同光照条件下纸基孔板的孔板图像；其中，样本兔IgG放置于纸基孔板上的微孔中，且不同样本兔IgG放置于不同微孔中；
微孔图像确定单元，用于根据所采集的孔板图像，确定不同光照条件下样本兔IgG的微孔图像。
9.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的模型训练方法。
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，该程序被处理器执行时实现如权利要求1-6中任一所述的模型训练方法。
CN202210206628.1A 2022-03-03 2022-03-03 一种模型训练方法、装置、设备和存储介质 Pending CN114612401A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210206628.1A CN114612401A (zh) 2022-03-03 2022-03-03 一种模型训练方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210206628.1A CN114612401A (zh) 2022-03-03 2022-03-03 一种模型训练方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN114612401A true CN114612401A (zh) 2022-06-10

Family

ID=81860202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210206628.1A Pending CN114612401A (zh) 2022-03-03 2022-03-03 一种模型训练方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN114612401A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116338159A (zh) * 2022-12-13 2023-06-27 西交利物浦大学 一种基于智能手机本地检测的全自动纸基微流控系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116338159A (zh) * 2022-12-13 2023-06-27 西交利物浦大学 一种基于智能手机本地检测的全自动纸基微流控系统
CN116338159B (zh) * 2022-12-13 2024-02-09 西交利物浦大学 一种基于智能手机本地检测的全自动纸基微流控系统

Similar Documents

Publication Publication Date Title
CN111078908B (zh) 一种数据标注的检测方法和装置
CN113239930B (zh) 一种玻璃纸缺陷识别方法、系统、装置及存储介质
CN109977191B (zh) 问题地图检测方法、装置、电子设备和介质
CN111242955B (zh) 基于全卷积神经网络的道路表面裂缝图像分割方法
CN111597937B (zh) 鱼姿势识别方法、装置、设备及存储介质
CN113723467A (zh) 用于缺陷检测的样本收集方法、装置和设备
CN116385380A (zh) 基于深度特征的缺陷检测方法、系统、设备及存储介质
CN114612401A (zh) 一种模型训练方法、装置、设备和存储介质
CN113361487A (zh) 异物检测方法、装置、设备及计算机可读存储介质
CN113255766B (zh) 一种图像分类方法、装置、设备和存储介质
CN113298042B (zh) 遥感影像数据的处理方法及装置、存储介质、计算机设备
CN108401106B (zh) 一种拍摄参数优化方法、装置、终端及存储介质
CN111553183A (zh) 一种船只检测模型训练方法、船只检测方法及装置
CN114882204A (zh) 船名自动识别方法
CN114332058A (zh) 基于神经网络的血清质量识别方法、装置、设备及介质
CN112329810B (zh) 一种基于显著性检测的图像识别模型训练方法及装置
CN117437186A (zh) 一种基于深度学习算法的透明件表面缺陷检测方法及系统
CN116958674A (zh) 一种图像识别的方法、装置、电子设备及存储介质
CN113537203A (zh) 试纸识别方法、装置、存储介质及设备
CN116735463A (zh) 一种基于有向目标检测的硅藻尺寸自动测量方法
CN115601655A (zh) 基于卫星遥感的水体信息识别方法、装置和可读介质
CN113033539A (zh) 练字格检测方法、装置、可读介质及电子设备
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
CN108875770B (zh) 行人检测误报数据的标注方法、装置、系统和存储介质
CN112069981A (zh) 图像分类方法、装置、电子设备及存储介质

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