CN116642893A - 一种抗原检测试剂视觉智能检测方法、装置、设备及介质 - Google Patents
一种抗原检测试剂视觉智能检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116642893A CN116642893A CN202310905820.4A CN202310905820A CN116642893A CN 116642893 A CN116642893 A CN 116642893A CN 202310905820 A CN202310905820 A CN 202310905820A CN 116642893 A CN116642893 A CN 116642893A
- Authority
- CN
- China
- Prior art keywords
- hole
- water gap
- suspected
- antigen detection
- points
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 135
- 239000000427 antigen Substances 0.000 title claims abstract description 78
- 102000036639 antigens Human genes 0.000 title claims abstract description 78
- 108091007433 antigens Proteins 0.000 title claims abstract description 78
- 239000003153 chemical reaction reagent Substances 0.000 title claims abstract description 44
- 230000000007 visual effect Effects 0.000 title claims abstract description 42
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 81
- 230000007547 defect Effects 0.000 claims abstract description 54
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000004891 communication Methods 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 150000007523 nucleic acids Chemical class 0.000 description 2
- 102000039446 nucleic acids Human genes 0.000 description 2
- 108020004707 nucleic acids Proteins 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- LKCWBDHBTVXHDL-RMDFUYIESA-N amikacin Chemical compound O([C@@H]1[C@@H](N)C[C@H]([C@@H]([C@H]1O)O[C@@H]1[C@@H]([C@@H](N)[C@H](O)[C@@H](CO)O1)O)NC(=O)[C@@H](O)CCN)[C@H]1O[C@H](CN)[C@@H](O)[C@H](O)[C@H]1O LKCWBDHBTVXHDL-RMDFUYIESA-N 0.000 description 1
- 229960004821 amikacin Drugs 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000017188 evasion or tolerance of host immune response Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- 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
- G06T7/10—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
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/888—Marking defects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/30—Against vector-borne diseases, e.g. mosquito-borne, fly-borne, tick-borne or waterborne diseases whose impact is exacerbated by climate change
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理领域，公开了一种抗原检测试剂视觉智能检测方法、装置、设备及介质，所述抗原检测试剂视觉智能检测方法包括：获取抗原检测试剂盒表面的RGB图像，并从所述RGB图像中定位通孔对应的位置；根据所述通孔圆形的特征，对所述通孔位置的像素点进行分析，筛选出疑似水口缺陷的区域，对所述区域的水口显著性进行分析；根据所述水口显著性的分析对所述抗原检测试剂盒是否存在所述水口缺陷进行判断。根据本发明的抗原检测试剂视觉智能检测方法，可以对抗原检测试剂盒是否存在水口缺陷进行判断，判断结果更加精确。
Description
技术领域
本发明涉及图像处理技术领域，尤其是涉及一种抗原检测试剂视觉智能检测方法、装置、设备及介质。
背景技术
奥密克戎毒株出现后，因其免疫逃逸活性和传染性更强，核酸检测的需求呈现增长趋势。抗原检测相对于核酸检测具有方便、快捷、成本低等优势，普通民众可以较方便地实现居家检测。
抗原检测试剂盒的生产已经实现自动化，但是抗原检测试剂盒的表面质量检测还存在重重问题；检测试剂盒的表面存在通孔，通孔为向试剂盒表面外侧凸起，凸起中心为一圆孔，该圆孔处可能出现水口瑕疵，需要对通孔处是否含有水口瑕疵进行检测；现有的对通孔的水口瑕疵进行检测的方法主要依赖腐蚀、膨胀等形态学分析，检测精度不足。因此，上述技术存在改进空间。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提供一种抗原检测试剂视觉智能检测方法、装置、设备及介质，以解决判断抗原检测试剂盒是否存在水口缺陷不准确的问题。
本发明第一方面实施例提供一种抗原检测试剂视觉智能检测方法，包括以下步骤：
获取抗原检测试剂盒表面的RGB图像，并从所述RGB图像中定位通孔对应的位置；
根据所述通孔圆形的特征，对所述通孔位置的像素点进行分析，筛选出疑似水口缺陷的区域，对所述区域的水口显著性进行分析；
根据所述水口显著性的分析对所述抗原检测试剂盒是否存在所述水口缺陷进行判断。
根据本发明第一方面实施例的抗原检测试剂视觉智能检测方法，将所述RGB图像转换为灰度图像，对所述灰度图像去噪处理后，使用canny边缘检测算子获取所述灰度图像的边缘图像，对所述边缘图像进行霍夫圆检测得到所述通孔边缘，其中，所述通孔边缘的像素点为通孔像素点。
根据本发明第一方面实施例的抗原检测试剂视觉智能检测方法，获取所述通孔像素点对应的曲度特征值，
式中为坐标为/>的所述通孔像素点对应的曲度特征值，/>为根据所述通孔像素点对应的曲率获取像素点的位置获取的曲率，/>为所述通孔像素点对应的曲率获取像素点包含的所述通孔像素点对应的曲率之间的标准差。
根据本发明第一方面实施例的抗原检测试剂视觉智能检测方法，所述通孔像素点通过对应的所述曲率、所述曲度特征值得到散点，多个所述散点通过DBSCAN算法进行聚类，得到多个簇；计算所述簇中对应的多个所述散点之间距离的中值，并算出多个所述中值的距离均值，通过所述距离均值对疑似通孔像素点进行一次筛选。
根据本发明第一方面实施例的抗原检测试剂视觉智能检测方法，对所述疑似通孔像素点进行标记，得到疑似通孔散点图，对所述疑似通孔散点图进行连通域分析，获取所述连通域内包含的所述散点数量以及所述散点对应的所述疑似通孔像素点的所述曲度特征值和所述曲率，确定所述疑似通孔像素点对应的预设圆，根据所述预设圆计算出圆心的凸包面积，根据所述凸包面积对所述疑似通孔像素点进行二次筛选。
根据本发明第一方面实施例的抗原检测试剂视觉智能检测方法，获得所述连通域对应的水口显著度，
式中为临近混乱度，/>为偏离显著度，/>为水口显著度。式中/>为所述连通域内包含的各散点对应的各圆心的凸包的面积，/>为所述连通域内包含的各散点对应的疑似通孔像素点对应的曲度特征值的四分位差；/>为所述连通域内包含的各散点对应的疑似通孔像素点的曲度特征值的极差；/>为所述连通域内各散点对应的偏离距离，其中，/>，为所述连通域内散点的个数；/>为所述通域内包含的散点个数的可接受的误差范围；式中/>（）为归一化函数；/>为所述连通域包含的散点个数相对于可接受误差范围的数量级比值。
根据本发明第一方面实施例的抗原检测试剂视觉智能检测方法，当所述连通域对应的水口显著度大于或等于时，则所述连通域包含的各散点对应的疑似通孔像素点位置出现水口缺陷，否则认为没有明显水口缺陷。其中，/>的值设定为0.4。
本发明第二方面实施例提供一种抗原检测试剂视觉智能检测装置，包括：
获取模块，用于获取抗原检测试剂盒表面的RGB图像，并从所述RGB图像中定位通孔对应的位置；
分析模块，用于根据所述通孔圆形的特征，对所述通孔位置的像素点进行分析，筛选出疑似水口缺陷的区域，对所述区域的水口显著性进行分析；
判定模块，用于根据所述水口显著性的分析对所述抗原检测试剂盒是否存在所述水口缺陷进行判断。
本发明第三方面实施例提供一种电子设备，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，所述处理器执行所述程序，以实现如上述实施例所述的抗原检测试剂视觉智能检测方法。
本发明第四方面实施例提供一种非临时性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，以用于实现如上述实施例所述的抗原检测试剂视觉智能检测方法。
本发明通过抗原检测试剂盒表面通口位置的圆形特征对通口位置各像素点的曲度特征进行分析，通过未出现水口缺陷的通孔曲度特征的一致性将通孔上可能出现水口缺陷的各像素点筛选出来，根据筛选出的这些像素点之间的位置关系将可能对应水口缺陷的各区域划分出来；然后，结合模具制造过程中的可接受误差范围，根据水口缺陷位置由于填充不足或倒流而引起的收缩导致边缘较为曲折的特征对划分出的区域的边缘不平滑的特征进行评价；其次，由上述确定的不存在水口缺陷的通口位置确定上述划分出的区域本应对应的理想位置，根据理想位置与实际位置的偏差对划分出的区域的偏离程度进行评价；最后，根据上述两个特征的评价得到对于划分出的区域的水口特征的显著性的综合评价，根据该评价对该抗原检测试剂盒是否存在水口缺陷进行判断，进而使得判断结果更加精确。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本发明实施例的抗原检测试剂视觉智能检测方法的流程图；
图2是根据本发明实施例的抗原检测试剂视觉智能检测装置的结构示意图。
附图标记：
10-检测装置；101-获取模块；102-分析模块；103-判定模块。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
下面参考附图1和图2，描述本发明实施例的抗原检测试剂视觉智能检测方法。针对上述背景技术中心提到的现有技术在抗原检测试剂盒的生产中，检测试剂盒的表面通孔的中心圆孔处可能出现水口瑕疵，进而导致抗原检测试剂盒检测不准确的问题，本发明提出了一种抗原检测试剂视觉智能检测方法，可以对抗原检测试剂盒是否存在水口缺陷进行判断，判断结果更加精确。
具体而言，图1为本发明第一方面实施例提供一种抗原检测试剂视觉智能检测方法，包括以下步骤：
步骤一，获取抗原检测试剂盒表面的RGB（red green blue 红色 绿色 蓝色）图像，并从RGB图像中定位通孔对应的位置；具体地，在生产、组装完成的抗原检测试剂盒出口处上方设置工业相机，在每个试剂盒在工业相机的取景框中通过的过程中获取其表面图像，将获得的图像记为试剂盒表面图像，试剂盒表面图像为RGB图像；
步骤二，根据通孔圆形的特征，对通孔位置的像素点进行分析，筛选出疑似水口缺陷的区域，对区域的水口显著性进行分析；需要说明的是，水口是模型保压过短导致的水口没有凝固，造成填充不足或倒流而引起的收缩的现象，出现水口的通孔会产生变形，可能会影响到试剂的滴取，需要在对抗原检测试剂盒进行质量检测时对该缺陷进行检测；
步骤三，根据水口显著性的分析对抗原检测试剂盒是否存在水口缺陷进行判断。
综上，根据本发明第一方面的抗原检测试剂视觉智能检测方法，可以对抗原检测试剂盒是否存在水口缺陷进行判断，判断结果更加精确。
根据本发明第一方面实施例的抗原检测试剂视觉智能检测方法，将RGB图像转换为灰度图像，对灰度图像去噪处理后，使用canny边缘检测算子获取灰度图像的边缘图像，对边缘图像进行霍夫圆检测得到通孔边缘，其中，通孔边缘的像素点为通孔像素点。
具体地，将试剂盒表面图像转换为灰度图像，记为试剂盒表面灰度图像。为防止图像中噪声的影响，对试剂盒表面灰度图像使用中值滤波进行去噪处理。进一步地，对试剂盒表面灰度图像使用canny边缘检测算子获取边缘图像，边缘图像为二值图像，记为试剂盒表面边缘图像。进一步地，对边缘图像进行霍夫圆检测，可得到通孔凸起的底侧对应的位置和通孔位置。进一步地，当通孔内侧存在水口缺陷时，未出现水口缺陷位置仍为处于同一圆上，所以通孔对应的圆也可以检测到。需要说明的是。检测到的两个圆为外侧圆完全包含内侧圆，内侧圆即对应通孔边缘，其中，通孔边缘的像素点为通孔像素点。
进一步地，通孔边缘为一闭合边缘，所以各个通孔像素点均可在通孔边缘两侧找到相邻的规定数目个通孔像素点。进一步地，对闭合边缘上包含的每个像素点，分别在其所在位置的边缘两侧找到相邻的个像素点，将这/>个像素点记为该像素点的曲率获取像素点，根据该像素点的各个曲率获取像素点的位置获取该像素点对应的曲率。其中，/>的经验值为5。进一步地，每个通孔像素点均可获得一个对应的曲率。当通孔不存在水口缺陷时，则通孔边缘较为光滑，即通孔对应的边缘上各通孔点应在同一个圆对应的边缘附近，即同一组曲率获取像素点中包含的各个通孔像素点对应的曲率差异较小。进一步地，取每个通孔像素点对应的曲率获取像素点包含的各通孔像素点对应的曲率之间的标准差，当通孔边缘越为光滑时，则该标准差越小。
根据本发明第一方面实施例的抗原检测试剂视觉智能检测方法，获取通孔像素点对应的曲度特征值，
式中为坐标为/>的通孔像素点对应的曲度特征值，/>为根据通孔像素点对应的曲率获取像素点的位置获取的曲率，/>为通孔像素点对应的曲率获取像素点包含的通孔像素点对应的曲率之间的标准差。
根据本发明第一方面实施例的抗原检测试剂视觉智能检测方法，通孔像素点通过对应的曲率、曲度特征值得到散点，多个散点通过DBSCAN算法进行聚类，得到多个簇；进一步地，计算簇中对应的多个散点之间距离的中值，并算出多个中值的距离均值，通过距离均值对疑似通孔像素点进行一次筛选。
需要说明的是，每个通孔像素点均可获取一个对应的曲率和曲度特征值，每个通孔像素点对应的这两个值都可以组成一个数组，即（曲率，曲度特征值）。进一步地，在平面直角坐标系中，根据每个通孔像素点对应的数组找到其在坐标系中对应的点的位置，得到一个对应的散点。进一步地，每个通孔像素点均有一个对应的散点，例如，在一个具体的实施例中，对这些散点以5为最少点数目，8为半径使用DBSCAN算法进行聚类，得到多个簇。进一步地，当通孔光洁无瑕疵时，边缘光滑，对应位置的各通孔像素点对应的散点位置相近，会被划分到同一个簇中，且该簇内包含的散点较为聚集；进一步地，当通孔出现了水口缺陷时，水口的通孔会产生变形，边缘不再呈光滑的圆形，处于水口缺陷位置的各通孔像素点对应的曲率和曲度特征值差异较大，对应的各散点距离也较远，这些散点无法被划分到某个簇中或被划分到多个不同的簇中，这些散点划分到的簇内各散点的位置也相对较为分散，进而以此为依据找到该通孔边缘中对应疑似为通孔缺陷的位置。
进一步地，计算得到的各个簇内包含的每个散点到其余各散点的距离的中值，计算各散点对应的中值的均值，将该距离均值作为该簇内散点分布集中程度的度量，距离均值越小，则该簇内散点分布越为集中。进一步地，取距离均值最小的簇，将该簇内各散点对应的各通孔像素点记为正常像素点，即对应通孔上无瑕疵的位置；进一步地，将其余各散点对应的各通孔像素点记为疑似通孔像素点，即对应通孔上可能存在水口缺陷的位置。
需要说明的是，制造的抗原检测试剂盒的通孔为光滑圆形，但无法保证为完美的正圆，需要为通孔的偏差设置一定的可接受误差范围，所以对各疑似通孔像素点是否对应在可接受误差范围外的水口缺陷进行评价。
进一步地，在二值图中根据各疑似通孔像素点的位置对各疑似通孔像素点进行标记，得到疑似通孔散点图。进一步地，对疑似通孔散点图进行连通域分析，筛除包含的散点个数小于等于个像素点的连通域，可以认为这些连通域内包含的散点对应的疑似通孔像素点位置在可接受的误差范围之内，其中，/>的经验值为20。进一步地，对剩余的连通域进行分析，若此时无剩余连通域，则认为该抗原检测试剂盒无水口缺陷。
根据本发明第一方面实施例的抗原检测试剂视觉智能检测方法，对疑似通孔像素点进行标记，得到疑似通孔散点图，进一步地，对疑似通孔散点图进行连通域分析，获取连通域内包含的散点数量以及散点对应的疑似通孔像素点的曲度特征值和曲率，确定疑似通孔像素点对应的预设圆，进一步地，根据预设圆计算出圆心的凸包面积，根据凸包面积对疑似通孔像素点进行二次筛选。
具体地，获取该连通域内包含的散点数量，以及各散点对应的疑似通孔像素点对应的曲度特征值和曲率。进一步地，根据每个疑似通孔像素点的曲率和该像素点的位置可确定一个圆，获取圆的圆心坐标。进一步地，取每个连通域内包含的各散点对应的各圆心，取这些圆心的凸包，计算凸包内包含的像素点的个数，即凸包的面积。进一步地，当该连通域包含的各疑似通孔像素点对应位置为水口缺陷时，则该连通域较为曲折，对应的圆心位置差异较大，即凸包的面积较大。进一步地，取该连通域内包含的各散点对应的疑似通孔像素点对应的曲度特征值的四分位差，当四分位差越小时，则这些曲度特征值分布越为集中。
进一步地，从通孔像素点中除去下文进行分析的连通域内包含的散点对应的各疑似通孔像素点，剩余像素点记为无瑕疵像素点。进一步地，使用最小二乘法将各个无瑕疵像素点与圆进行拟合，获得拟合圆的方程，将圆在图像中对应的像素点进行标记。进一步地，取连通域内每个散点对应的疑似通孔像素点与标记的像素点之间的欧氏距离，取这些距离的最小值作为该散点对应的偏离距离。
根据本发明第一方面实施例的抗原检测试剂视觉智能检测方法，获得连通域对应的水口显著度，
式中为临近混乱度，/>为偏离显著度，/>为水口显著度。式中/>为连通域内包含的各散点对应的各圆心的凸包的面积，/>为连通域内包含的各散点对应的疑似通孔像素点对应的曲度特征值的四分位差；/>为连通域内包含的各散点对应的疑似通孔像素点的曲度特征值的极差；/>为连通域内各散点对应的偏离距离，其中，/>，/>为连通域内散点的个数；/>为通域内包含的散点个数的可接受的误差范围；式中/>（）为归一化函数；/>为连通域包含的散点个数相对于可接受误差范围的数量级比值。需要说明的是，数量级比值越大时，则该连通域相对于可接受误差范围越大，该连通域越可能对应水口缺陷位置。
进一步地，当该连通域内各散点对应位置与未出现水口缺陷的位置拟合出的轨迹的偏离程度越大、包含的散点个数越多、这些散点对应的曲度变化越为繁杂时，则该连通域对应位置越可能为出现水口缺陷的位置。
根据本发明第一方面实施例的抗原检测试剂视觉智能检测方法，当连通域对应的水口显著度大于或等于时，则连通域包含的各散点对应的疑似通孔像素点位置出现水口缺陷，否则认为没有明显水口缺陷。其中，/>的值设定为0.4。
至此，完成对抗原检测试剂盒的水口缺陷的视觉智能检测。
综上所述，根据本发明第一方面的抗原检测试剂视觉智能检测方法，通过抗原检测试剂盒表面通口位置的圆形特征对通口位置各像素点的曲度特征进行分析，通过未出现水口缺陷的通孔曲度特征的一致性将通孔上可能出现水口缺陷的各像素点筛选出来，根据筛选出的这些像素点之间的位置关系将可能对应水口缺陷的各区域划分出来；然后，结合模具制造过程中的可接受误差范围，根据水口缺陷位置由于填充不足或倒流而引起的收缩导致边缘较为曲折的特征对划分出的区域的边缘不平滑的特征进行评价；其次，由上述确定的不存在水口缺陷的通口位置确定上述划分出的区域本应对应的理想位置，根据理想位置与实际位置的偏差对划分出的区域的偏离程度进行评价；最后，根据上述两个特征的评价得到对于划分出的区域的水口特征的显著性的综合评价，根据该评价对该抗原检测试剂盒是否存在水口缺陷进行判断，进而使得判断结果更加精确。
本发明第二方面实施例提供一种抗原检测试剂视觉智能检测装置10，如图2所示，包括：
获取模块101，具体地，获取模块101用于获取抗原检测试剂盒表面的RGB图像，并从RGB图像中定位通孔对应的位置；
分析模块102，具体地，分析模块102用于根据通孔圆形的特征，对通孔位置的像素点进行分析，筛选出疑似水口缺陷的区域，对区域的水口显著性进行分析；
判定模块103，具体地，判定模块103用于根据水口显著性的分析对抗原检测试剂盒是否存在水口缺陷进行判断。
综上，本发明第二方面的抗原检测试剂视觉智能检测装置10，可以对抗原检测试剂盒是否存在水口缺陷进行判断，判断结果更加精确。
本发明第三方面实施例提供一种电子设备，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，处理器执行程序，以实现如上述实施例的抗原检测试剂视觉智能检测方法。
综上，本发明第三方面的电子设备，可以对抗原检测试剂盒是否存在水口缺陷进行判断，判断结果更加精确。
本发明第四方面实施例提供一种非临时性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，以用于实现如上述实施例的抗原检测试剂视觉智能检测方法。
综上，本发明第四方面的非临时性计算机可读存储介质，可以对抗原检测试剂盒是否存在水口缺陷进行判断，判断结果更加精确。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
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至少一个该特征。在本发明的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或N个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种抗原检测试剂视觉智能检测方法，其特征在于，包括：
获取抗原检测试剂盒表面的RGB图像，并从所述RGB图像中定位通孔对应的位置；
根据所述通孔圆形的特征，对所述通孔位置的像素点进行分析，筛选出疑似水口缺陷的区域，对所述区域的水口显著性进行分析；
根据所述水口显著性的分析对所述抗原检测试剂盒是否存在所述水口缺陷进行判断。
2.根据权利要求1所述的抗原检测试剂视觉智能检测方法，其特征在于，将所述RGB图像转换为灰度图像，对所述灰度图像去噪处理后，使用canny边缘检测算子获取所述灰度图像的边缘图像，对所述边缘图像进行霍夫圆检测得到所述通孔边缘，其中，所述通孔边缘的像素点为通孔像素点。
3.根据权利要求2所述的抗原检测试剂视觉智能检测方法，其特征在于，获取所述通孔像素点对应的曲度特征值，
式中为坐标为/>的所述通孔像素点对应的曲度特征值，/>为根据所述通孔像素点对应的曲率获取像素点的位置获取的曲率，/>为所述通孔像素点对应的曲率获取像素点包含的所述通孔像素点对应的曲率之间的标准差。
4.根据权利要求3所述的抗原检测试剂视觉智能检测方法，其特征在于，所述通孔像素点通过对应的所述曲率、所述曲度特征值得到散点，多个所述散点通过DBSCAN算法进行聚类，得到多个簇；计算所述簇中对应的多个所述散点之间距离的中值，并算出多个所述中值的距离均值，通过所述距离均值对疑似通孔像素点进行一次筛选。
5.根据权利要求4所述的抗原检测试剂视觉智能检测方法，其特征在于，对所述疑似通孔像素点进行标记，得到疑似通孔散点图，对所述疑似通孔散点图进行连通域分析，获取所述连通域内包含的所述散点数量以及所述散点对应的所述疑似通孔像素点的所述曲度特征值和所述曲率，确定所述疑似通孔像素点对应的预设圆，根据所述预设圆计算出圆心的凸包面积，根据所述凸包面积对所述疑似通孔像素点进行二次筛选。
6.根据权利要求5所述的抗原检测试剂视觉智能检测方法，其特征在于，获得所述连通域对应的水口显著度，
式中为临近混乱度，/>为偏离显著度，/>为水口显著度，式中/>为所述连通域内包含的各散点对应的各圆心的凸包的面积，/>为所述连通域内包含的各散点对应的疑似通孔像素点对应的曲度特征值的四分位差；/>为所述连通域内包含的各散点对应的疑似通孔像素点的曲度特征值的极差；/>为所述连通域内各散点对应的偏离距离，其中，/>，/>为所述连通域内散点的个数；/>为所述通域内包含的散点个数的可接受的误差范围；式中（）为归一化函数；/>为所述连通域包含的散点个数相对于可接受误差范围的数量级比值。
7.根据权利要求6所述的抗原检测试剂视觉智能检测方法，其特征在于，当所述连通域对应的水口显著度大于或等于时，则所述连通域包含的各散点对应的疑似通孔像素点位置出现水口缺陷，否则认为没有明显水口缺陷，其中，/>的值设定为0.4。
8.一种抗原检测试剂视觉智能检测装置，其特征在于，包括：
获取模块，用于获取抗原检测试剂盒表面的RGB图像，并从所述RGB图像中定位通孔对应的位置；
分析模块，用于根据所述通孔圆形的特征，对所述通孔位置的像素点进行分析，筛选出疑似水口缺陷的区域，对所述区域的水口显著性进行分析；
判定模块，用于根据所述水口显著性的分析对所述抗原检测试剂盒是否存在所述水口缺陷进行判断。
9.一种电子设备，其特征在于，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，所述处理器执行所述程序，以实现如权利要求1-7任一项所述的抗原检测试剂视觉智能检测方法。
10.一种非临时性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，以用于实现如权利要求1-7任一项所述的抗原检测试剂视觉智能检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310905820.4A CN116642893B (zh) | 2023-07-24 | 2023-07-24 | 一种抗原检测试剂视觉智能检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310905820.4A CN116642893B (zh) | 2023-07-24 | 2023-07-24 | 一种抗原检测试剂视觉智能检测方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116642893A true CN116642893A (zh) | 2023-08-25 |
| CN116642893B CN116642893B (zh) | 2023-10-03 |
Family
ID=87623345
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310905820.4A Active CN116642893B (zh) | 2023-07-24 | 2023-07-24 | 一种抗原检测试剂视觉智能检测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116642893B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200124402A1 (en) * | 2019-08-27 | 2020-04-23 | Wanli Chen | Slab nozzle inspection equipment with artificial measurement error avoidance |
| CN111551565A (zh) * | 2020-06-19 | 2020-08-18 | 湖南恒岳重钢钢结构工程有限公司 | 一种基于机器视觉的风电塔筒焊缝缺陷检测装置及方法 |
| CN111951238A (zh) * | 2020-08-04 | 2020-11-17 | 上海微亿智造科技有限公司 | 产品缺陷检测方法 |
| CN114782330A (zh) * | 2022-03-31 | 2022-07-22 | 海门市博洋铸造有限公司 | 基于人工智能的炉排异常检测方法及系统 |
| CN115797358A (zh) * | 2023-02-10 | 2023-03-14 | 济宁安泰矿山设备制造有限公司 | 基于机器视觉的金属壳体自动化焊接缺陷检测方法 |
| CN115984248A (zh) * | 2023-02-09 | 2023-04-18 | 河北省农林科学院石家庄果树研究所 | 一种梨倍性育种倍体异常检测方法 |
| CN116030061A (zh) * | 2023-03-29 | 2023-04-28 | 深圳市捷超行模具有限公司 | 一种基于视觉的硅胶成型效果检测方法 |
-
2023
- 2023-07-24 CN CN202310905820.4A patent/CN116642893B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200124402A1 (en) * | 2019-08-27 | 2020-04-23 | Wanli Chen | Slab nozzle inspection equipment with artificial measurement error avoidance |
| CN111551565A (zh) * | 2020-06-19 | 2020-08-18 | 湖南恒岳重钢钢结构工程有限公司 | 一种基于机器视觉的风电塔筒焊缝缺陷检测装置及方法 |
| CN111951238A (zh) * | 2020-08-04 | 2020-11-17 | 上海微亿智造科技有限公司 | 产品缺陷检测方法 |
| CN114782330A (zh) * | 2022-03-31 | 2022-07-22 | 海门市博洋铸造有限公司 | 基于人工智能的炉排异常检测方法及系统 |
| CN115984248A (zh) * | 2023-02-09 | 2023-04-18 | 河北省农林科学院石家庄果树研究所 | 一种梨倍性育种倍体异常检测方法 |
| CN115797358A (zh) * | 2023-02-10 | 2023-03-14 | 济宁安泰矿山设备制造有限公司 | 基于机器视觉的金属壳体自动化焊接缺陷检测方法 |
| CN116030061A (zh) * | 2023-03-29 | 2023-04-28 | 深圳市捷超行模具有限公司 | 一种基于视觉的硅胶成型效果检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 徐浩杰: "基于图像处理的钢包水口定位的方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, no. 1, pages 023 - 101 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116642893B (zh) | 2023-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112818988B (zh) | 一种指针式仪表自动识别读数方法及系统 | |
| CN107679535B (zh) | 一种基于模板匹配的指针式水表自动读数识别系统及方法 | |
| CN115690108B (zh) | 一种基于图像处理的铝合金杆生产质量评估方法 | |
| CN115082464A (zh) | 除尘机焊接过程中焊缝数据的识别方法及系统 | |
| CN107945155B (zh) | 一种基于Gabor滤波器的牙膏管肩缺陷检测方法 | |
| CN109300104B (zh) | 角点检测方法、装置 | |
| CN114140669B (zh) | 焊接缺陷识别模型训练方法、装置和计算机终端 | |
| CN102589435A (zh) | 噪声环境下激光束中心高效精确检测方法 | |
| CN116735612B (zh) | 一种精密电子元器件焊接缺陷检测方法 | |
| CN113074656B (zh) | 工件孔洞测量方法 | |
| CN116612112B (zh) | 一种水桶表面缺陷视觉检测方法 | |
| CN113820333B (zh) | 电池极片异常检测方法、装置、上位机及检测系统 | |
| CN113724257A (zh) | 一种碳板灰色污点检测方法、计算机设备及存储介质 | |
| CN113837204B (zh) | 一种孔洞形状识别方法、计算机设备及存储介质 | |
| AU2022283636B2 (en) | A microfluidic image analysis system | |
| CN115082472B (zh) | 一种轮毂模具浇注成型产品的质量检测方法及系统 | |
| CN116468687A (zh) | 划伤缺陷检测方法、装置及存储介质、电子设备 | |
| CN116452827A (zh) | 基于计算机视觉的油墨印刷表面质量检测方法及系统 | |
| CN115656182A (zh) | 基于张量投票主成分分析的板材点云缺陷检测方法 | |
| CN116071692A (zh) | 一种基于形态学图像处理的水尺水位识别方法及系统 | |
| CN116642893B (zh) | 一种抗原检测试剂视觉智能检测方法、装置、设备及介质 | |
| CN117058411B (zh) | 电池棱边外形瑕疵识别方法、装置、介质和设备 | |
| CN116703912B (zh) | 一种迷你主机网口完整性视觉检测方法 | |
| CN116563298B (zh) | 基于高斯拟合的十字线中心亚像素检测方法 | |
| CN111257296B (zh) | 一种检测生物芯片样本的方法、装置及存储介质 |
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 |