CN116205912B - 肾损伤因子人工智能解析系统和方法 - Google Patents

肾损伤因子人工智能解析系统和方法 Download PDF

Info

Publication number
CN116205912B
CN116205912B CN202310472440.6A CN202310472440A CN116205912B CN 116205912 B CN116205912 B CN 116205912B CN 202310472440 A CN202310472440 A CN 202310472440A CN 116205912 B CN116205912 B CN 116205912B
Authority
CN
China
Prior art keywords
content
sample
kidney injury
plate body
estimated
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.)
Active
Application number
CN202310472440.6A
Other languages
English (en)
Other versions
CN116205912A (zh
Inventor
王保君
李明刚
汤莉君
张林松
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.)
Beijing Kewei Clinical Diagnostic Reagents Co ltd
Original Assignee
Beijing Kewei Clinical Diagnostic Reagents 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 Beijing Kewei Clinical Diagnostic Reagents Co ltd filed Critical Beijing Kewei Clinical Diagnostic Reagents Co ltd
Priority to CN202310472440.6A priority Critical patent/CN116205912B/zh
Publication of CN116205912A publication Critical patent/CN116205912A/zh
Application granted granted Critical
Publication of CN116205912B publication Critical patent/CN116205912B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/0012—Biomedical image inspection
    • 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
    • G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
    • G01N33/6893—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids related to diseases not provided for elsewhere
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2333/00—Assays involving biological materials from specific organisms or of a specific nature
    • G01N2333/435—Assays involving biological materials from specific organisms or of a specific nature from animals; from humans
    • G01N2333/705—Assays involving receptors, cell surface antigens or cell surface determinants
    • G01N2333/70503—Immunoglobulin superfamily, e.g. VCAMs, PECAM, LFA-3
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/34—Genitourinary disorders
    • G01N2800/347—Renal failures; Glomerular diseases; Tubulointerstitial diseases, e.g. nephritic syndrome, glomerulonephritis; Renovascular diseases, e.g. renal artery occlusion, nephropathy
    • 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
    • G06T2207/20084—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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30084—Kidney; Renal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Urology & Nephrology (AREA)
  • Software Systems (AREA)
  • Immunology (AREA)
  • Hematology (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Biotechnology (AREA)
  • Cell Biology (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Microbiology (AREA)
  • Databases & Information Systems (AREA)
  • Radiology & Medical Imaging (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

一种肾损伤因子人工智能解析系统及方法，属于人工智能检测试剂技术领域。所述系统包括：含量估测设备，用于基于视觉检测模式估测样品中肾损伤因子的含量，并执行自适应的稀释处理，以获得样品稀释液；智能检测器件，用于采用人工智能模型以基于每个孔体盛放的设定体积的样品稀释液的颜色成像特征以及多项检测参数分析对应孔体内包埋的样品稀释液的肾损伤因子的含量。通过本发明，能够采用针对性的视觉检测机制对样品中肾损伤因子的含量进行粗略式估测，并基于估测结果自适应选择适当的稀释倍数，同时还采用人工智能模型对稀释后样品中的肾损伤因子的含量进行智能分析，从而尽可能减少肾损伤因子浓度数据的检测误差。

Description

肾损伤因子人工智能解析系统和方法
技术领域
本发明涉及人工智能检测试剂技术领域，尤其涉及一种肾损伤因子人工智能解析系统和方法。
背景技术
肾损伤因子-1（kidney injury molecule-1，KIM-1）属免疫球蛋白基因超家族成员，主要表达于损伤后肾脏近曲小管中，而在正常组织中几乎不表达。经过研究显示尿KIM-1是反映急性肾损伤AKI的敏感生物标志物，且其数值一定程度上与疾病的严重程度有关，尿液KIM-1在管型出现前、肾损伤后12小时内即可被检测出，且肾小管坏死患者KIM-1升高程度显著高于其他形式的肾损伤，因此尿KIM-1可作为缺血性肾小管损伤的敏感性早期诊断指标。此外，多项研究均提示尿KIM-1可作为肾脏损伤早期诊断敏感的标志物及预测死亡或肾脏替代治疗的指标。
示例地，中国发明专利公开文本CN107942072 A提出的一种肾损伤因子1检测试剂盒，所述检测试剂盒包括七个储存组件，分别用于储存KIM-1校准品、KIM-1质控品、酶结合物工作液、磁珠工作液、清洗液、底物溶液和前处理试剂；磁珠工作液包括标记有KIM-1抗体的羧基磁珠，酶结合物工作液包括碱性磷酸酶标记的抗KIM-1抗体。本发明还公开了检测肾损伤因子1的检测方法。本发明公开的检测试剂盒，最低检测限为0.1ng/ml；线性范围为0.1-1000ng/ml，检测灵敏度高，线性范围宽，检测时长缩短至15分钟，并简化了检测步骤。
示例地，中国发明专利公开文本CN108152278 A提出的一种尿液检测方法及装置，应用于电子设备，方法包括：获取浸润尿液的检测试纸的图像；获取颜色校正色块显示于图像中的颜色向量值，及颜色校正色块的真实颜色向量值；根据颜色校正色块的颜色向量值与真实颜色向量值的差值对图像进行偏色校正处理；获取浸润有尿液的尿液检测色块的位置信息，及偏色校正处理后的尿液检测色块中浸润有尿液部分的校正颜色向量值；根据浸润有尿液的色块的位置信息，确定与该尿液检测色块匹配的色块参考颜色向量值集合；确定尿液检测色块中浸润有尿液的部分的校正颜色向量值与其匹配的色块参考颜色向量值集合中的颜色向量值匹配结果，得到尿液检测结果。应用本发明实施例，可以对尿液进行准确检测。
现有技术中肾损伤因子的检测存在两处瓶颈：第一、无法对样品中肾损伤因子的含量进行有效估测，以基于估测含量的数值分布范围自适应选择适当的稀释倍数，导致稀释后样品中肾损伤因子的浓度很难处于最佳检测范围；第二、缺乏对稀释后样品中肾损伤因子的浓度的针对性、高精度的检测机制。上述两处瓶颈的存在，导致检测到的肾损伤因子的浓度数据缺乏真实性和可靠性。
发明内容
为了解决现有技术中的技术缺陷，本发明提供了一种肾损伤因子人工智能解析系统和方法，能够采用针对性的视觉检测机制对样品中肾损伤因子的含量进行粗略式估测，并基于估测含量的数值分布范围自适应选择适当的稀释倍数，以使稀释后样品中肾损伤因子的浓度处于最佳检测范围，尤为关键的是，还能够采用人工智能模型对稀释后样品中的肾损伤因子的含量进行精确检测，从而尽可能减少肾损伤因子浓度的检测偏差。
根据本发明的第一方面，提供了一种肾损伤因子人工智能解析系统，所述系统包括：
含量估测设备，用于基于视觉检测模式估测样品中肾损伤因子的含量，并在估测的含量在第一含量范围内时，对估测样品执行第一体积等比的稀释处理，以获得样品稀释液，在估测的含量在第二含量范围内时，对估测样品执行第二体积等比的稀释处理，以获得样品稀释液，在估测的含量在第三含量范围内时，对估测样品执行第三体积等比的稀释处理，以获得样品稀释液，以及在估测的含量在第四含量范围内时，对估测样品执行第四体积等比的稀释处理，以获得样品稀释液；
多孔酶标板体，是一种经事先放置各份样品稀释液的透明塑料板体，透明塑料板体上设置多排大小均匀一致的孔体，每一孔体内都包埋对应的一份样品稀释液，多孔酶标板体上每个孔体盛放设定体积的对应的样品稀释液；
分割采集器件，包括定向采集设备、特征识别设备以及图像分割设备，所述定向采集设备用于面对所述多孔酶标板体进行板体所在场景的图像采集，以获得板体场景图像，所述特征识别设备与所述定向采集设备连接，用于基于透明塑料板体的预设亮度数值范围检测接收到的板体场景图像中的每一个板体像素点，所述图像分割设备基于所述板体成像图像中的各个板体像素点的分布位置对所述板体成像图像进行分割，以获得各个孔体分别对应的各个孔体子图像；
智能检测器件，与所述分割采集器件连接，用于将设定体积、孔体子图像构成像素点总数、多孔酶标板体中的孔体数量以及孔体子图像各个构成像素点的青色分量数值、品红色分量数值、黄色分量数值和黑色分量数值作为深度神经网络的多份输入内容，以运行所述深度神经网络，获得所述深度神经网络输出的所述孔体子图像对应孔体内包埋的样品稀释液的肾损伤因子的含量；
其中，将设定体积、孔体子图像构成像素点总数、多孔酶标板体中的孔体数量以及孔体子图像各个构成像素点的青色分量数值、品红色分量数值、黄色分量数值和黑色分量数值作为深度神经网络的多份输入内容，以运行所述深度神经网络，获得所述深度神经网络输出的所述孔体子图像对应孔体内包埋的样品稀释液的肾损伤因子的含量包括：所述孔体子图像中各个构成像素点总数越多，所述深度神经网络的隐层的数量越多；
其中，基于视觉检测模式估测样品中肾损伤因子的含量包括：所述含量估测设备基于肾损伤因子的颜色成像特性对样品中肾损伤因子的含量进行估测。
根据本发明的第二方面，提供了一种肾损伤因子人工智能解析方法，所述方法包括：
基于视觉检测模式估测样品中肾损伤因子的含量，并在估测的含量在第一含量范围内时，对估测样品执行第一体积等比的稀释处理，以获得样品稀释液，在估测的含量在第二含量范围内时，对估测样品执行第二体积等比的稀释处理，以获得样品稀释液，在估测的含量在第三含量范围内时，对估测样品执行第三体积等比的稀释处理，以获得样品稀释液，以及在估测的含量在第四含量范围内时，对估测样品执行第四体积等比的稀释处理，以获得样品稀释液；
采用一种经事先放置各份样品稀释液的透明塑料板体作为多孔酶标板体，透明塑料板体上设置多排大小均匀一致的孔体，每一孔体内都包埋对应的一份样品稀释液，多孔酶标板体上每个孔体盛放设定体积的对应的样品稀释液；
面对所述多孔酶标板体进行板体所在场景的图像采集，以获得板体场景图像，基于透明塑料板体的预设亮度数值范围检测接收到的板体场景图像中的每一个板体像素点，基于所述板体成像图像中的各个板体像素点的分布位置对所述板体成像图像进行分割，以获得各个孔体分别对应的各个孔体子图像；
将设定体积、孔体子图像构成像素点总数、多孔酶标板体中的孔体数量以及孔体子图像各个构成像素点的青色分量数值、品红色分量数值、黄色分量数值和黑色分量数值作为深度神经网络的多份输入内容，以运行所述深度神经网络，获得所述深度神经网络输出的所述孔体子图像对应孔体内包埋的样品稀释液的肾损伤因子的含量；
其中，将设定体积、孔体子图像构成像素点总数、多孔酶标板体中的孔体数量以及孔体子图像各个构成像素点的青色分量数值、品红色分量数值、黄色分量数值和黑色分量数值作为深度神经网络的多份输入内容，以运行所述深度神经网络，获得所述深度神经网络输出的所述孔体子图像对应孔体内包埋的样品稀释液的肾损伤因子的含量包括：所述孔体子图像中各个构成像素点总数越多，所述深度神经网络的隐层的数量越多；
其中，基于视觉检测模式估测样品中肾损伤因子的含量包括：所述含量估测设备基于肾损伤因子的颜色成像特性对样品中肾损伤因子的含量进行估测。
由此可见，本发明至少具备以下四处关键的发明点：
（1）基于肾损伤因子的颜色成像特性对样品中肾损伤因子的含量进行粗略式估测，并基于估测含量的数值分布范围自适应选择适当的稀释倍数，以使稀释后样品中肾损伤因子的浓度处于最佳检测范围；
（2）引入人工智能模型对样品中肾损伤因子的含量进行精确式检测，其中，将单个孔体的设定容积、待测孔体对应孔体子图像构成像素点总数、多孔酶标板体中的孔体数量以及待测孔体对应孔体子图像各个构成像素点的青色分量数值、品红色分量数值、黄色分量数值和黑色分量数值作为深度神经网络的多份输入内容，以运行所述深度神经网络，获得输出的所述孔体子图像对应孔体内包埋的样品稀释液的肾损伤因子的含量；
（3）引入的人工智能模型具有定制的结构和针对性设计的学习机制以保证智能检测结果的有效性，其中，定制的结构表现在待测孔体对应的孔体子图像中各个构成像素点总数越多，人工智能模型使用的深度神经网络的隐层的数量越多，针对性设计的学习机制表现在学习的次数与单个孔体容积的取值单调正向关联；
（4）面对多孔酶标板体进行板体所在场景的图像采集，以获得板体场景图像，基于透明塑料板体的预设亮度数值范围检测接收到的板体场景图像中的每一个板体像素点，并基于所述板体成像图像中的各个板体像素点的分布位置对所述板体成像图像进行分割，以获得各个孔体分别对应的各个孔体子图像，从而为每一个孔体的精细检测提供关键数据。
附图说明
以下将结合附图对本发明的实施方案进行描述，其中：
图1为根据本发明的肾损伤因子人工智能解析系统和方法的技术流程图。
图2为根据本发明的实施方案1示出的肾损伤因子人工智能解析系统的结构组件图。
图3为根据本发明的实施方案2示出的肾损伤因子人工智能解析系统的结构组件图。
图4为根据本发明的实施方案3示出的肾损伤因子人工智能解析系统的结构组件图。
图5为根据本发明的实施方案4示出的肾损伤因子人工智能解析系统的结构组件图。
图6为根据本发明的实施方案5示出的肾损伤因子人工智能解析系统的结构组件图。
具体实施方式
如图1所示，给出了根据本发明示出的肾损伤因子人工智能解析系统和方法的技术流程图。
如图1所示，本发明的具体的技术流程如下：
首先，制备稀释后样品以使得其中肾损伤因子的浓度处于最佳检测范围，为此，基于肾损伤因子的颜色成像特性对样品中肾损伤因子的含量进行粗略式估测，并基于估测含量的数值分布范围自适应选择适当的稀释倍数；
其次，将每一份样品稀释液包埋到单个孔体内，以获得多个孔体，所述多个空间均匀间隔且尺寸相等地嵌入在多孔酶标板体中，并采用针对性的图像分析机制获取每一孔体对应的孔体子图像；
再次，引入定制结构设计以及针对性学习后的人工智能模型，以基于单个孔体的设定容积、待测孔体对应孔体子图像构成像素点总数、多孔酶标板体中的孔体数量以及待测孔体对应孔体子图像精细化颜色特征智能分析待测孔体内包埋的样品稀释液的肾损伤因子的高精度含量，所述人工智能模型基于深度神经网络；
示例地，定制结构表现在待测孔体对应的孔体子图像中各个构成像素点总数越多，人工智能模型使用的深度神经网络的隐层的数量越多；
以及示例地，针对性学习表现在学习的次数与单个孔体容积的取值单调正向关联。
本发明的关键点在于：基于肾损伤因子的颜色成像特性的粗略式估测机制、基于定制结构设计以及针对性学习后的人工智能模型的高精度检测机制以及用于获取每一孔体对应的成像区域的图像分析机制。
下面，将对本发明的肾损伤因子人工智能解析系统和方法以实施方案的方式进行具体说明。
实施方案1
图2为根据本发明的实施方案1示出的肾损伤因子人工智能解析系统的结构组件图。
如图2所示，所述肾损伤因子人工智能解析系统包括以下步骤：
含量估测设备，用于基于视觉检测模式估测样品中肾损伤因子的含量，并在估测的含量在第一含量范围内时，对估测样品执行第一体积等比的稀释处理，以获得样品稀释液，在估测的含量在第二含量范围内时，对估测样品执行第二体积等比的稀释处理，以获得样品稀释液，在估测的含量在第三含量范围内时，对估测样品执行第三体积等比的稀释处理，以获得样品稀释液，以及在估测的含量在第四含量范围内时，对估测样品执行第四体积等比的稀释处理，以获得样品稀释液；
多孔酶标板体，是一种经事先放置各份样品稀释液的透明塑料板体，透明塑料板体上设置多排大小均匀一致的孔体，每一孔体内都包埋对应的一份样品稀释液，多孔酶标板体上每个孔体盛放设定体积的对应的样品稀释液；
分割采集器件，包括定向采集设备、特征识别设备以及图像分割设备，所述定向采集设备用于面对所述多孔酶标板体进行板体所在场景的图像采集，以获得板体场景图像，所述特征识别设备与所述定向采集设备连接，用于基于透明塑料板体的预设亮度数值范围检测接收到的板体场景图像中的每一个板体像素点，所述图像分割设备基于所述板体成像图像中的各个板体像素点的分布位置对所述板体成像图像进行分割，以获得各个孔体分别对应的各个孔体子图像；
示例地，在所述分割采集器件中，所述定向采集设备包括移动定向单元、采集处理单元以及参数调校单元，所述采集处理单元设置在所述移动定向单元上，所述参数调校单元与所述采集处理单元连接，用于执行所述采集处理单元的各个采集参数的实时调校处理；
智能检测器件，与所述分割采集器件连接，用于将设定体积、孔体子图像构成像素点总数、多孔酶标板体中的孔体数量以及孔体子图像各个构成像素点的青色分量数值、品红色分量数值、黄色分量数值和黑色分量数值作为深度神经网络的多份输入内容，以运行所述深度神经网络，获得所述深度神经网络输出的所述孔体子图像对应孔体内包埋的样品稀释液的肾损伤因子的含量；
示例地，可以采用MATLAB工具箱完成对作为人工智能模型的所述深度神经网络的网络测试和运行验证；
其中，将设定体积、孔体子图像构成像素点总数、多孔酶标板体中的孔体数量以及孔体子图像各个构成像素点的青色分量数值、品红色分量数值、黄色分量数值和黑色分量数值作为深度神经网络的多份输入内容，以运行所述深度神经网络，获得所述深度神经网络输出的所述孔体子图像对应孔体内包埋的样品稀释液的肾损伤因子的含量包括：所述孔体子图像中各个构成像素点总数越多，所述深度神经网络的隐层的数量越多；
示例地，所述孔体子图像中各个构成像素点总数越多，所述深度神经网络的隐层的数量越多包括：所述孔体子图像中各个构成像素点总数为500，所述深度神经网络的隐层的数量选择为10个，所述孔体子图像中各个构成像素点总数为400，所述深度神经网络的隐层的数量选择为8个，以及所述孔体子图像中各个构成像素点总数为300，所述深度神经网络的隐层的数量选择为6个；
其中，基于视觉检测模式估测样品中肾损伤因子的含量包括：所述含量估测设备基于肾损伤因子的颜色成像特性对样品中肾损伤因子的含量进行估测。
实施方案2
图3为根据本发明的实施方案2示出的肾损伤因子人工智能解析系统的结构组件图。
如图3所示，与图2不同，所述肾损伤因子人工智能解析系统还包括：
逐次学习器件，与所述智能检测器件连接，用于将完成固定数目的逐次学习操作后的深度神经网络发送给所述智能检测器件使用；
其中，所述固定数目的取值与所述设定体积的取值单调正向关联；
示例对，所述固定数目的取值与所述设定体积的取值单调正向关联包括：所述设定体积的取值为2毫升，所述固定数目的取值为100，所述设定体积的取值为1.5毫升，所述固定数目的取值为80，所述设定体积的取值为1毫升，所述固定数目的取值为60。
实施方案3
图4为根据本发明的实施方案3示出的肾损伤因子人工智能解析系统的结构组件图。
如图4所示，与图3不同，所述肾损伤因子人工智能解析系统还包括：
网络存储器件，与所述逐次学习器件连接，用于存储完成固定数目的逐次学习操作后的深度神经网络的各项网络参数；
示例地，可以选择采用闪存、FLASH存储器、MMC存储卡或者SD存储卡来实现所述网络存储器件，与所述逐次学习器件连接，用于存储完成固定数目的逐次学习操作后的深度神经网络的各项网络参数。
实施方案4
图5为根据本发明的实施方案4示出的肾损伤因子人工智能解析系统的结构组件图。
如图5所示，与图2不同，所述肾损伤因子人工智能解析系统包括以下部件：
无线传输接口，与所述智能检测器件连接，用于将接收到的多孔酶标板体各个孔体内包埋的样品稀释液的肾损伤因子的含量无线传输到远端的生物检测中心服务器处；
示例地，所述无线传输接口可以为频分双工传输接口，用于将接收到的多孔酶标板体各个孔体内包埋的样品稀释液的肾损伤因子的含量通过频分双工通信链路无线传输到远端的生物检测中心服务器处。
实施方案5
图6为根据本发明的实施方案5示出的肾损伤因子人工智能解析系统的结构组件图。
如图6所示，与图2不同，所述肾损伤因子人工智能解析系统包括以下部件：
现场显示器件，与所述智能检测器件连接，用显示接收到的多孔酶标板体各个孔体内包埋的样品稀释液的肾损伤因子的含量；
示例地，所述现场显示器件可以为LCD显示阵列或者LED显示阵列，LCD显示阵列或者LED显示阵列分别包括多个LCD显示单元或者多个LED显示单元。
接着，将继续对本发明的各个实施方案中的肾损伤因子人工智能解析系统进行进一步的说明。
在根据本发明的各个实施方案中的肾损伤因子人工智能解析系统中：
所述多孔酶标板体的规格包括40孔板体、55孔板体和96孔板体；
其中，所述含量估测设备基于肾损伤因子的颜色成像特性对样品中肾损伤因子的含量进行估测包括：所述颜色成像特性为CMYK颜色空间下的青色分量数值区间、品红色分量数值区间、黄色分量数值区间和黑色分量数值区间；
示例地，青色分量数值区间、品红色分量数值区间、黄色分量数值区间和黑色分量数值区间中每一个数值区间的上限数值或者下限数值的取值都在0-255之间，且上限数值大于对应的下限数值；
其中，所述颜色成像特性为CMYK颜色空间下的青色分量数值区间、品红色分量数值区间、黄色分量数值区间和黑色分量数值区间包括：对所述样品进行图像捕获操作以获得样品成像区域，获取所述样品成像区域中各个像素点的青色分量数值均值、品红色分量数值均值、黄色分量数值均值和黑色分量均值；
其中，所述颜色成像特性为CMYK颜色空间下的青色分量数值区间、品红色分量数值区间、黄色分量数值区间和黑色分量数值区间还包括：青色分量数值均值越接近青色分量数值区间的中间值，样品中肾损伤因子的含量越高，品红色分量数值均值越接近品红色分量数值区间的中间值，样品中肾损伤因子的含量越高，黄色分量数值均值越接近黄色分量数值区间的中间值，样品中肾损伤因子的含量越高，以及黑色分量数值均值越接近黑色分量数值区间的中间值，样品中肾损伤因子的含量越高；
其中，青色分量数值均值越接近青色分量数值区间的中间值，样品中肾损伤因子的含量越高，品红色分量数值均值越接近品红色分量数值区间的中间值，样品中肾损伤因子的含量越高，黄色分量数值均值越接近黄色分量数值区间的中间值，样品中肾损伤因子的含量越高，以及黑色分量数值均值越接近黑色分量数值区间的中间值，样品中肾损伤因子的含量越高包括：采用四输入单输出的数值公式确定样品中肾损伤因子的含量；
其中，采用四输入单输出的数值公式确定样品中肾损伤因子的含量包括：所述数值公式的四输入为青色分量数值均值与青色分量数值区间的中间值的差值的绝对值，品红色分量数值均值与品红色分量数值区间的中间值的差值的绝对值，黄色分量数值均值与黄色分量数值区间的中间值的差值的绝对值，黑色分量数值均值与黑色分量数值区间的中间值的差值的绝对值；
其中，采用四输入单输出的数值公式确定样品中肾损伤因子的含量还包括：所述数值公式的单输出为样品中肾损伤因子的含量。
在根据本发明的各个实施方案中的肾损伤因子人工智能解析系统中：
在估测的含量在第一含量范围内时，对估测样品执行第一体积等比的稀释处理，以获得样品稀释液，在估测的含量在第二含量范围内时，对估测样品执行第二体积等比的稀释处理，以获得样品稀释液，在估测的含量在第三含量范围内时，对估测样品执行第三体积等比的稀释处理，以获得样品稀释液，以及在估测的含量在第四含量范围内时，对估测样品执行第四体积等比的稀释处理，以获得样品稀释液包括：第二含量范围的含量数值低于第一含量范围的含量数值且高于第三含量范围的含量数值，第四含量范围的含量数值低于第三含量范围的含量数值；
示例地，第二含量范围的含量数值低于第一含量范围的含量数值且高于第三含量范围的含量数值，第四含量范围的含量数值低于第三含量范围的含量数值包括：第一含量范围为20-200ng/ml，第二含量范围为2-20ng/ml，第三含量范围为31.2-2000pg/ml，以及第四含量范围为≤31.2pg/ml；
其中，在估测的含量在第一含量范围内时，对估测样品执行第一体积等比的稀释处理，以获得样品稀释液，在估测的含量在第二含量范围内时，对估测样品执行第二体积等比的稀释处理，以获得样品稀释液，在估测的含量在第三含量范围内时，对估测样品执行第三体积等比的稀释处理，以获得样品稀释液，以及在估测的含量在第四含量范围内时，对估测样品执行第四体积等比的稀释处理，以获得样品稀释液还包括：第二体积等比的稀释程度低于第一体积等比的稀释程度且高于第三体积等比的稀释程度，第四体积等比的稀释程度高于第三体积等比的稀释程度；
示例地，第二体积等比的稀释程度低于第一体积等比的稀释程度且高于第三体积等比的稀释程度，第四体积等比的稀释程度高于第三体积等比的稀释程度包括：第一体积等比为1:100，第二体积等比为1:10，第三体积等比为1:2，以及第四体积等比为不做稀释。
实施方案6
本发明的实施方案6提供一种肾损伤因子人工智能解析方法，包括以下步骤：
S701：基于视觉检测模式估测样品中肾损伤因子的含量，并在估测的含量在第一含量范围内时，对估测样品执行第一体积等比的稀释处理，以获得样品稀释液，在估测的含量在第二含量范围内时，对估测样品执行第二体积等比的稀释处理，以获得样品稀释液，在估测的含量在第三含量范围内时，对估测样品执行第三体积等比的稀释处理，以获得样品稀释液，以及在估测的含量在第四含量范围内时，对估测样品执行第四体积等比的稀释处理，以获得样品稀释液；
S702：采用一种经事先放置各份样品稀释液的透明塑料板体作为多孔酶标板体，透明塑料板体上设置多排大小均匀一致的孔体，每一孔体内都包埋对应的一份样品稀释液，多孔酶标板体上每个孔体盛放设定体积的对应的样品稀释液；
S703：面对所述多孔酶标板体进行板体所在场景的图像采集，以获得板体场景图像，基于透明塑料板体的预设亮度数值范围检测接收到的板体场景图像中的每一个板体像素点，基于所述板体成像图像中的各个板体像素点的分布位置对所述板体成像图像进行分割，以获得各个孔体分别对应的各个孔体子图像；
示例地，面对所述多孔酶标板体进行板体所在场景的图像采集可以采用分割采集器件来执行，在所述分割采集器件中，采用的定向采集设备包括移动定向单元、采集处理单元以及参数调校单元，所述采集处理单元设置在所述移动定向单元上，所述参数调校单元与所述采集处理单元连接，用于执行所述采集处理单元的各个采集参数的实时调校处理；
S704：将设定体积、孔体子图像构成像素点总数、多孔酶标板体中的孔体数量以及孔体子图像各个构成像素点的青色分量数值、品红色分量数值、黄色分量数值和黑色分量数值作为深度神经网络的多份输入内容，以运行所述深度神经网络，获得所述深度神经网络输出的所述孔体子图像对应孔体内包埋的样品稀释液的肾损伤因子的含量；
示例地，可以采用MATLAB工具箱完成对作为人工智能模型的所述深度神经网络的网络测试和运行验证；
其中，将设定体积、孔体子图像构成像素点总数、多孔酶标板体中的孔体数量以及孔体子图像各个构成像素点的青色分量数值、品红色分量数值、黄色分量数值和黑色分量数值作为深度神经网络的多份输入内容，以运行所述深度神经网络，获得所述深度神经网络输出的所述孔体子图像对应孔体内包埋的样品稀释液的肾损伤因子的含量包括：所述孔体子图像中各个构成像素点总数越多，所述深度神经网络的隐层的数量越多；
示例地，所述孔体子图像中各个构成像素点总数越多，所述深度神经网络的隐层的数量越多包括：所述孔体子图像中各个构成像素点总数为500，所述深度神经网络的隐层的数量选择为10个，所述孔体子图像中各个构成像素点总数为400，所述深度神经网络的隐层的数量选择为8个，以及所述孔体子图像中各个构成像素点总数为300，所述深度神经网络的隐层的数量选择为6个；
其中，基于视觉检测模式估测样品中肾损伤因子的含量包括：所述含量估测设备基于肾损伤因子的颜色成像特性对样品中肾损伤因子的含量进行估测。
另外，在根据本发明的肾损伤因子人工智能解析系统和方法中：
将完成固定数目的逐次学习操作后的深度神经网络发送给所述智能检测器件使用包括：将某一孔体内包埋的样品稀释液的肾损伤因子的已知含量作为深度神经网络的输出内容，将设定体积、某一孔体对应的孔体子图像构成像素点总数、多孔酶标板体中的孔体数量以及某一孔体对应的孔体子图像各个构成像素点的青色分量数值、品红色分量数值、黄色分量数值和黑色分量数值作为深度神经网络的多份输入内容，完成一次学习操作；
以及其中，将某一孔体内包埋的样品稀释液的肾损伤因子的已知含量作为深度神经网络的输出内容，将设定体积、某一孔体对应的孔体子图像构成像素点总数、多孔酶标板体中的孔体数量以及某一孔体对应的孔体子图像各个构成像素点的青色分量数值、品红色分量数值、黄色分量数值和黑色分量数值作为深度神经网络的多份输入内容，完成一次学习操作包括：在输入到所述深度神经网络之前，对设定体积、某一孔体对应的孔体子图像构成像素点总数、多孔酶标板体中的孔体数量以及某一孔体对应的孔体子图像各个构成像素点的青色分量数值、品红色分量数值、黄色分量数值和黑色分量数值分别进行二值化处理，以及作为所述深度神经网络的输出内容的某一孔体内包埋的样品稀释液的肾损伤因子的已知含量为二进制数值表示模式。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的实施方式的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。在本说明书的描述中，参考术语“一个实施方式”、“某些实施方式”、“示意性实施方式”、“示例”、“具体示例”或“一些示例”等的描述意指结合所述实施方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施方案，可以理解的是，上述实施方案是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施方案进行变化、修改、替换和变型。

Claims (10)

1.一种肾损伤因子人工智能解析系统，其特征在于，所述系统包括：
含量估测设备，用于基于视觉检测模式估测样品中肾损伤因子的含量，并在估测的含量在第一含量范围内时，对估测样品执行第一体积等比的稀释处理，以获得样品稀释液，在估测的含量在第二含量范围内时，对估测样品执行第二体积等比的稀释处理，以获得样品稀释液，在估测的含量在第三含量范围内时，对估测样品执行第三体积等比的稀释处理，以获得样品稀释液，以及在估测的含量在第四含量范围内时，对估测样品执行第四体积等比的稀释处理，以获得样品稀释液；
多孔酶标板体，是一种经事先放置各份样品稀释液的透明塑料板体，透明塑料板体上设置多排大小均匀一致的孔体，每一孔体内都包埋对应的一份样品稀释液，多孔酶标板体上每个孔体盛放设定体积的对应的样品稀释液；
分割采集器件，包括定向采集设备、特征识别设备以及图像分割设备，所述定向采集设备用于面对所述多孔酶标板体进行板体所在场景的图像采集，以获得板体场景图像，所述特征识别设备与所述定向采集设备连接，用于基于透明塑料板体的预设亮度数值范围检测接收到的板体场景图像中的每一个板体像素点，所述图像分割设备基于所述板体场景图像中的各个板体像素点的分布位置对所述板体场景图像进行分割，以获得各个孔体分别对应的各个孔体子图像；
智能检测器件，与所述分割采集器件连接，用于将设定体积、孔体子图像构成像素点总数、多孔酶标板体中的孔体数量以及孔体子图像各个构成像素点的青色分量数值、品红色分量数值、黄色分量数值和黑色分量数值作为深度神经网络的多份输入内容，以运行所述深度神经网络，获得所述深度神经网络输出的所述孔体子图像对应孔体内包埋的样品稀释液的肾损伤因子的含量；
其中，将设定体积、孔体子图像构成像素点总数、多孔酶标板体中的孔体数量以及孔体子图像各个构成像素点的青色分量数值、品红色分量数值、黄色分量数值和黑色分量数值作为深度神经网络的多份输入内容，以运行所述深度神经网络，获得所述深度神经网络输出的所述孔体子图像对应孔体内包埋的样品稀释液的肾损伤因子的含量包括：所述孔体子图像中各个构成像素点总数越多，所述深度神经网络的隐层的数量越多；
其中，基于视觉检测模式估测样品中肾损伤因子的含量包括：所述含量估测设备基于肾损伤因子的颜色成像特性对样品中肾损伤因子的含量进行估测。
2.如权利要求1所述的肾损伤因子人工智能解析系统，其特征在于，所述系统还包括：
逐次学习器件，与所述智能检测器件连接，用于将完成固定数目的逐次学习操作后的深度神经网络发送给所述智能检测器件使用；
其中，所述固定数目的取值与所述设定体积的取值单调正向关联。
3.如权利要求2所述的肾损伤因子人工智能解析系统，其特征在于，所述系统还包括：
网络存储器件，与所述逐次学习器件连接，用于存储完成固定数目的逐次学习操作后的深度神经网络的各项网络参数。
4.如权利要求1所述的肾损伤因子人工智能解析系统，其特征在于，所述系统还包括：
无线传输接口，与所述智能检测器件连接，用于将接收到的多孔酶标板体各个孔体内包埋的样品稀释液的肾损伤因子的含量无线传输到远端的生物检测中心服务器处。
5.如权利要求1所述的肾损伤因子人工智能解析系统，其特征在于，所述系统还包括：
现场显示器件，与所述智能检测器件连接，用显示接收到的多孔酶标板体各个孔体内包埋的样品稀释液的肾损伤因子的含量。
6.如权利要求1-5任一所述的肾损伤因子人工智能解析系统，其特征在于：
所述多孔酶标板体的规格包括40孔板体、55孔板体和96孔板体；
其中，所述含量估测设备基于肾损伤因子的颜色成像特性对样品中肾损伤因子的含量进行估测包括：所述颜色成像特性为CMYK颜色空间下的青色分量数值区间、品红色分量数值区间、黄色分量数值区间和黑色分量数值区间。
7.如权利要求6所述的肾损伤因子人工智能解析系统，其特征在于：
所述颜色成像特性为CMYK颜色空间下的青色分量数值区间、品红色分量数值区间、黄色分量数值区间和黑色分量数值区间包括：对所述样品进行图像捕获操作以获得样品成像区域，获取所述样品成像区域中各个像素点的青色分量数值均值、品红色分量数值均值、黄色分量数值均值和黑色分量均值；
其中，所述颜色成像特性为CMYK颜色空间下的青色分量数值区间、品红色分量数值区间、黄色分量数值区间和黑色分量数值区间还包括：青色分量数值均值越接近青色分量数值区间的中间值，样品中肾损伤因子的含量越高，品红色分量数值均值越接近品红色分量数值区间的中间值，样品中肾损伤因子的含量越高，黄色分量数值均值越接近黄色分量数值区间的中间值，样品中肾损伤因子的含量越高，以及黑色分量数值均值越接近黑色分量数值区间的中间值，样品中肾损伤因子的含量越高。
8.如权利要求7所述的肾损伤因子人工智能解析系统，其特征在于：
青色分量数值均值越接近青色分量数值区间的中间值，样品中肾损伤因子的含量越高，品红色分量数值均值越接近品红色分量数值区间的中间值，样品中肾损伤因子的含量越高，黄色分量数值均值越接近黄色分量数值区间的中间值，样品中肾损伤因子的含量越高，以及黑色分量数值均值越接近黑色分量数值区间的中间值，样品中肾损伤因子的含量越高包括：采用四输入单输出的数值公式确定样品中肾损伤因子的含量；
其中，采用四输入单输出的数值公式确定样品中肾损伤因子的含量包括：所述数值公式的四输入为青色分量数值均值与青色分量数值区间的中间值的差值的绝对值，品红色分量数值均值与品红色分量数值区间的中间值的差值的绝对值，黄色分量数值均值与黄色分量数值区间的中间值的差值的绝对值，黑色分量数值均值与黑色分量数值区间的中间值的差值的绝对值；
其中，采用四输入单输出的数值公式确定样品中肾损伤因子的含量还包括：所述数值公式的单输出为样品中肾损伤因子的含量。
9.如权利要求1-5任一所述的肾损伤因子人工智能解析系统，其特征在于：
在估测的含量在第一含量范围内时，对估测样品执行第一体积等比的稀释处理，以获得样品稀释液，在估测的含量在第二含量范围内时，对估测样品执行第二体积等比的稀释处理，以获得样品稀释液，在估测的含量在第三含量范围内时，对估测样品执行第三体积等比的稀释处理，以获得样品稀释液，以及在估测的含量在第四含量范围内时，对估测样品执行第四体积等比的稀释处理，以获得样品稀释液包括：第二含量范围的含量数值低于第一含量范围的含量数值且高于第三含量范围的含量数值，第四含量范围的含量数值低于第三含量范围的含量数值；
其中，在估测的含量在第一含量范围内时，对估测样品执行第一体积等比的稀释处理，以获得样品稀释液，在估测的含量在第二含量范围内时，对估测样品执行第二体积等比的稀释处理，以获得样品稀释液，在估测的含量在第三含量范围内时，对估测样品执行第三体积等比的稀释处理，以获得样品稀释液，以及在估测的含量在第四含量范围内时，对估测样品执行第四体积等比的稀释处理，以获得样品稀释液还包括：第二体积等比的稀释程度低于第一体积等比的稀释程度且高于第三体积等比的稀释程度，第四体积等比的稀释程度高于第三体积等比的稀释程度。
10.一种肾损伤因子人工智能解析方法，其特征在于，所述方法包括：
基于视觉检测模式估测样品中肾损伤因子的含量，并在估测的含量在第一含量范围内时，对估测样品执行第一体积等比的稀释处理，以获得样品稀释液，在估测的含量在第二含量范围内时，对估测样品执行第二体积等比的稀释处理，以获得样品稀释液，在估测的含量在第三含量范围内时，对估测样品执行第三体积等比的稀释处理，以获得样品稀释液，以及在估测的含量在第四含量范围内时，对估测样品执行第四体积等比的稀释处理，以获得样品稀释液；
采用一种经事先放置各份样品稀释液的透明塑料板体作为多孔酶标板体，透明塑料板体上设置多排大小均匀一致的孔体，每一孔体内都包埋对应的一份样品稀释液，多孔酶标板体上每个孔体盛放设定体积的对应的样品稀释液；
面对所述多孔酶标板体进行板体所在场景的图像采集，以获得板体场景图像，基于透明塑料板体的预设亮度数值范围检测接收到的板体场景图像中的每一个板体像素点，基于所述板体场景图像中的各个板体像素点的分布位置对所述板体场景图像进行分割，以获得各个孔体分别对应的各个孔体子图像；
将设定体积、孔体子图像构成像素点总数、多孔酶标板体中的孔体数量以及孔体子图像各个构成像素点的青色分量数值、品红色分量数值、黄色分量数值和黑色分量数值作为深度神经网络的多份输入内容，以运行所述深度神经网络，获得所述深度神经网络输出的所述孔体子图像对应孔体内包埋的样品稀释液的肾损伤因子的含量；
其中，将设定体积、孔体子图像构成像素点总数、多孔酶标板体中的孔体数量以及孔体子图像各个构成像素点的青色分量数值、品红色分量数值、黄色分量数值和黑色分量数值作为深度神经网络的多份输入内容，以运行所述深度神经网络，获得所述深度神经网络输出的所述孔体子图像对应孔体内包埋的样品稀释液的肾损伤因子的含量包括：所述孔体子图像中各个构成像素点总数越多，所述深度神经网络的隐层的数量越多；
其中，基于视觉检测模式估测样品中肾损伤因子的含量包括：基于肾损伤因子的颜色成像特性对样品中肾损伤因子的含量进行估测。
CN202310472440.6A 2023-04-27 2023-04-27 肾损伤因子人工智能解析系统和方法 Active CN116205912B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310472440.6A CN116205912B (zh) 2023-04-27 2023-04-27 肾损伤因子人工智能解析系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310472440.6A CN116205912B (zh) 2023-04-27 2023-04-27 肾损伤因子人工智能解析系统和方法

Publications (2)

Publication Number Publication Date
CN116205912A CN116205912A (zh) 2023-06-02
CN116205912B true CN116205912B (zh) 2023-07-11

Family

ID=86515983

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310472440.6A Active CN116205912B (zh) 2023-04-27 2023-04-27 肾损伤因子人工智能解析系统和方法

Country Status (1)

Country Link
CN (1) CN116205912B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102147402A (zh) * 2011-03-08 2011-08-10 江苏大学 机器视觉技术快速检测鸡蛋新鲜度的方法
CN112330695A (zh) * 2020-11-26 2021-02-05 河南耀蓝智能科技有限公司 一种基于人工智能的自动加水换水决策方法及系统
CN114207665A (zh) * 2021-04-16 2022-03-18 长沙有色冶金设计研究院有限公司 基于深度学习的水质图像分析方法、系统、设备及介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2089689A1 (en) * 2006-11-29 2009-08-19 Laboratorio Celsius S.A. Method for analyzing image data relating to agglutination assays

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102147402A (zh) * 2011-03-08 2011-08-10 江苏大学 机器视觉技术快速检测鸡蛋新鲜度的方法
CN112330695A (zh) * 2020-11-26 2021-02-05 河南耀蓝智能科技有限公司 一种基于人工智能的自动加水换水决策方法及系统
CN114207665A (zh) * 2021-04-16 2022-03-18 长沙有色冶金设计研究院有限公司 基于深度学习的水质图像分析方法、系统、设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
纸尿裤标识快速视觉检测系统研究;何冬;林玉池;冯伟昌;刘启海;宋乐;;传感器与微系统(11);全文 *

Also Published As

Publication number Publication date
CN116205912A (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
EP3486836B1 (en) Image analysis method, apparatus, program, and learned deep learning algorithm
CN111612763B (zh) 手机屏幕缺陷检测方法、装置及系统、计算机设备及介质
CN106546581B (zh) 试纸检测卡智能检测系统以及试纸检测卡智能分析方法
US11436718B2 (en) Image analysis method, image analysis apparatus, program, learned deep layer learning algorithm manufacturing method and learned deep layer learning algorithm
US11977984B2 (en) Using a first stain to train a model to predict the region stained by a second stain
US11087462B2 (en) System and method for determining a colonoscopy image
JP6517788B2 (ja) 適応的病理組織画像分解のためのシステム及び方法
JP2024038396A (ja) 画像解析方法、画像解析装置、およびプログラム
EP3143378A1 (en) Method and system for automated visual analysis of a dipstick using standard user equipment
CN108734108B (zh) 一种基于ssd网络的裂纹舌识别方法
TW201400813A (zh) 用於免疫色譜檢測的具資訊的診斷套組及裝置
CN109324039A (zh) 试纸条反应浓度检测方法、装置、存储介质及计算机设备
WO2014178062A2 (en) Method and system for analysing body fluids
CN104198695A (zh) 一种对胶体金试纸条显色结果分析的方法
CN114782329A (zh) 一种基于图像处理的轴承缺陷损伤程度评估方法及系统
CN112258544A (zh) 基于人工智能的相机滤镜自适应切换方法及系统
CN111896549A (zh) 一种基于机器学习的建筑物裂缝监测系统和方法
CN115578560A (zh) 基于深度学习的ihc膜浆表达病理图像的癌区分割方法
CN115131630A (zh) 模型训练、微卫星状态预测方法、电子设备及存储介质
CN116205912B (zh) 肾损伤因子人工智能解析系统和方法
CN113781457A (zh) 基于病理图像的细胞探测方法、装置、设备及存储介质
KR20130086690A (ko) 휴대용 장치에서 구동되는 비색 분석 시스템 및 이를 이용한 비색 분석 방법
US20080304721A1 (en) Image detection method for diagnostic plates
CN113450383B (zh) 一种免疫层析试纸定量分析方法、装置、设备和介质
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

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