CN117152152A - 检测试剂盒的生产管理系统及方法 - Google Patents
检测试剂盒的生产管理系统及方法 Download PDFInfo
- Publication number
- CN117152152A CN117152152A CN202311423191.8A CN202311423191A CN117152152A CN 117152152 A CN117152152 A CN 117152152A CN 202311423191 A CN202311423191 A CN 202311423191A CN 117152152 A CN117152152 A CN 117152152A
- Authority
- CN
- China
- Prior art keywords
- surface state
- sequence
- topological
- image
- state feature
- 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 98
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 118
- 239000013598 vector Substances 0.000 claims abstract description 93
- 230000007547 defect Effects 0.000 claims abstract description 62
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000013136 deep learning model Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 88
- 238000013527 convolutional neural network Methods 0.000 claims description 46
- 238000000605 extraction Methods 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 16
- 230000000903 blocking effect Effects 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000004378 air conditioning Methods 0.000 claims description 2
- 238000007726 management method Methods 0.000 abstract description 34
- 238000004422 calculation algorithm Methods 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000013135 deep learning Methods 0.000 abstract description 8
- 238000007689 inspection Methods 0.000 abstract description 6
- 238000003908 quality control method Methods 0.000 description 19
- 239000000047 product Substances 0.000 description 18
- 238000010586 diagram Methods 0.000 description 6
- 238000011179 visual inspection Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 239000003153 chemical reaction reagent Substances 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 208000035473 Communicable disease Diseases 0.000 description 1
- 208000026350 Inborn Genetic disease Diseases 0.000 description 1
- 208000024556 Mendelian disease Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000003326 Quality management system Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000003149 assay kit Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002845 discoloration Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 208000037920 primary disease Diseases 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 210000003296 saliva Anatomy 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
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
- G06T7/0004—Industrial image inspection
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- 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]
-
- 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
- G06T2207/30108—Industrial image inspection
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种检测试剂盒的生产管理系统及方法,其获取由摄像头采集的检测试剂盒的表面状态图像;提取所述表面状态图像的局部状态特征以得到表面状态特征向量的序列;提取所述表面状态特征向量的序列的一致性特征以得到图像块间一致性拓扑特征矩阵;利用深度学习模型来融合所述表面状态特征向量的序列和所述图像块间一致性拓扑特征矩阵以得到包含拓扑信息的全局表面状态特征矩阵;以及,基于所述包含拓扑信息的全局表面状态特征矩阵,确定是否存在表面缺陷。这样,可以结合图像处理技术和深度学习算法来实现智能化的表面缺陷检测,进而减少人工检查的工作量,提高检测效率。
Description
技术领域
本发明涉及智能化生产管理技术领域,尤其涉及一种检测试剂盒的生产管理系统及方法。
背景技术
检测试剂盒是一种用于快速检测人体或动物的某些疾病或状况的医疗器械。检测试剂盒的生产过程需要严格遵守质量标准,以确保产品的安全性和有效性。
通常,在检测试剂盒的生产管理过程中需要进行质量控制。然而,传统的质量控制方法通常需要人工进行视觉检查,这不仅耗时耗力,而且容易出现主观误差和漏检。因此,期待一种优化的方案。
发明内容
本发明提供一种检测试剂盒的生产管理系统及方法,其获取由摄像头采集的检测试剂盒的表面状态图像;提取所述表面状态图像的局部状态特征以得到表面状态特征向量的序列;提取所述表面状态特征向量的序列的一致性特征以得到图像块间一致性拓扑特征矩阵;利用深度学习模型来融合所述表面状态特征向量的序列和所述图像块间一致性拓扑特征矩阵以得到包含拓扑信息的全局表面状态特征矩阵;以及,基于所述包含拓扑信息的全局表面状态特征矩阵,确定是否存在表面缺陷。这样,可以结合图像处理技术和深度学习算法来实现智能化的表面缺陷检测,以减少人工检查的工作量,提高检测效率。
本发明还提供了一种检测试剂盒的生产管理方法,其包括:
获取由摄像头采集的检测试剂盒的表面状态图像;
提取所述表面状态图像的局部状态特征以得到表面状态特征向量的序列;
提取所述表面状态特征向量的序列的一致性特征以得到图像块间一致性拓扑特征矩阵;
利用深度学习模型来融合所述表面状态特征向量的序列和所述图像块间一致性拓扑特征矩阵以得到包含拓扑信息的全局表面状态特征矩阵;以及
基于所述包含拓扑信息的全局表面状态特征矩阵,确定是否存在表面缺陷。
优选的,提取所述表面状态图像的局部状态特征以得到表面状态特征向量的序列,包括:
将所述表面状态图像进行图像分块处理以得到表面状态图像块的序列;
将所述表面状态图像块的序列分别通过基于卷积神经网络模型的表面状态特征提取器以得到所述表面状态特征向量的序列。
优选的,所述基于卷积神经网络模型的表面状态特征提取器包括输入层、卷积层、池化层、激活层和输出层。
优选的,提取所述表面状态特征向量的序列的一致性特征以得到图像块间一致性拓扑特征矩阵,包括:
计算所述表面状态特征向量的序列中任意两个表面状态特征向量之间的余弦相似度以得到由多个余弦相似度组成的图像块间一致性拓扑矩阵;及
将所述图像块间一致性拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述图像块间一致性拓扑特征矩阵。
优选的,利用深度学习模型来融合所述表面状态特征向量的序列和所述图像块间一致性拓扑特征矩阵以得到包含拓扑信息的全局表面状态特征矩阵,包括:
将所述图像块间一致性拓扑特征矩阵和所述表面状态特征向量的序列通过图神经网络模型以得到所述包含拓扑信息的全局表面状态特征矩阵。
优选的,基于所述包含拓扑信息的全局表面状态特征矩阵,确定是否存在表面缺陷,包括:
将所述包含拓扑信息的全局表面状态特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否存在表面缺陷。
优选的,所述的检测试剂盒的生产管理方法,还包括训练步骤:对所述基于卷积神经网络模型的表面状态特征提取器、所述基于卷积神经网络模型的拓扑特征提取器、所述图神经网络模型和所述分类器进行训练;
其中,所述训练步骤,包括:
获取训练数据,所述训练数据包括由摄像头采集的检测试剂盒的训练表面状态图像,以及,是否存在表面缺陷的真实值;
将所述训练表面状态图像进行图像分块处理以得到训练表面状态图像块的序列;
将所述训练表面状态图像块的序列分别通过所述基于卷积神经网络模型的表面状态特征提取器以得到训练表面状态特征向量的序列;
对所述训练表面状态特征向量的序列进行特征分布校正以得到校正后表面状态特征向量的序列;
计算所述校正后表面状态特征向量的序列中任意两个校正后表面状态特征向量之间的余弦相似度以得到由多个余弦相似度组成的训练图像块间一致性拓扑矩阵;
将所述训练图像块间一致性拓扑矩阵通过所述基于卷积神经网络模型的拓扑特征提取器以得到训练图像块间一致性拓扑特征矩阵;
将所述训练图像块间一致性拓扑特征矩阵和所述训练表面状态特征向量的序列通过所述图神经网络模型以得到包含拓扑信息的训练全局表面状态特征矩阵;
对所述包含拓扑信息的训练全局表面状态特征矩阵进行特征分布校正以得到校正后包含拓扑信息的全局表面状态特征矩阵;
将所述校正后包含拓扑信息的全局表面状态特征矩阵通过分类器以得到分类损失函数值;以及
以所述分类损失函数值来对所述基于卷积神经网络模型的表面状态特征提取器、所述基于卷积神经网络模型的拓扑特征提取器、所述图神经网络模型和所述分类器进行训练。
本发明还提供了一种检测试剂盒的生产管理系统,其包括:
表面状态图像获取模块,用于获取由摄像头采集的检测试剂盒的表面状态图像;
表面状态特征提取模块,用于提取所述表面状态图像的局部状态特征以得到表面状态特征向量的序列;
一致性拓扑特征提取模块,用于提取所述表面状态特征向量的序列的一致性特征以得到图像块间一致性拓扑特征矩阵;
融合模块,用于利用深度学习模型来融合所述表面状态特征向量的序列和所述图像块间一致性拓扑特征矩阵以得到包含拓扑信息的全局表面状态特征矩阵;以及
表面缺陷确定模块,用于基于所述包含拓扑信息的全局表面状态特征矩阵,确定是否存在表面缺陷。
优选的,所述表面状态特征提取模块,包括:
图像分块处理单元,用于将所述表面状态图像进行图像分块处理以得到表面状态图像块的序列;
表面状态特征提取单元,用于将所述表面状态图像块的序列分别通过基于卷积神经网络模型的表面状态特征提取器以得到所述表面状态特征向量的序列。
优选的,所述基于卷积神经网络模型的表面状态特征提取器包括输入层、卷积层、池化层、激活层和输出层。
本发明利用摄像头采集检测试剂盒的表面状态图像,并结合图像处理技术和深度学习算法来实现智能化的表面缺陷检测,可以实现对检测试剂盒表面状态的自动化检测和缺陷判定,减少了人工视觉检查的主观误差和漏检问题,提高了质量控制的效率和准确性,实现自动化、数字化和智能化的质量控制。
附图说明
为了更清楚地说明本发明实施例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简单地介绍,显而易见地,下面描述中的附图仅仅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。在附图中:
图1为本发明实施例中提供的一种检测试剂盒的生产管理方法的流程图。
图2为本发明实施例中提供的一种检测试剂盒的生产管理方法的系统架构的示意图。
图3为本发明实施例中提供的一种检测试剂盒的生产管理系统的框图。
图4为本发明实施例中提供的一种检测试剂盒的生产管理方法的应用场景图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,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的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅只是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
检测试剂盒是一种医疗器械,用于快速、简便地检测人体或动物的某些疾病或状况,通常由一系列试剂、反应容器和相关配件组成,可以在临床医疗、实验室或家庭环境中使用。检测试剂盒的设计目的是提供一种方便、准确和可靠的方法来诊断疾病或检测特定的生物标志物,可以用于检测各种疾病,包括感染性疾病、慢性疾病、遗传性疾病、代谢性疾病和肿瘤等。
使用检测试剂盒进行检测通常非常简单。一般情况下,用户只需采集样本(如血液、尿液、唾液或组织样本),将样本与试剂混合,然后观察结果。结果可能是目测的颜色变化、光学信号的变化或使用特定仪器进行测量,根据不同的检测原理,一些检测试剂盒还可能需要进行进一步的处理步骤。
检测试剂盒的优点在于其快速性、便携性和易于操作,它们可以在医疗机构、实验室或家庭中使用,为医生、实验室技术人员和普通人提供了一种方便的工具来进行初步的疾病筛查、诊断和检测。
在检测试剂盒的生产管理过程中,质量控制是至关重要的,以确保产品的质量、准确性和可靠性。以下是一些常见的质量控制措施和步骤:选择和采购高质量的原材料是确保最终产品质量的重要一步,生产商需要与可靠的供应商建立合作关系,确保原材料符合规定的标准和规范。在生产过程中,需要验证用于检测的方法和程序的准确性和可靠性,这包括验证试剂的灵敏度、特异性和稳定性,以及确保检测结果与参考方法或标准相符合。建立和实施质量管理体系是确保产品质量的重要一环,这包括制定和执行质量控制标准、程序和文件,记录和跟踪所有生产过程中的数据和结果,以及进行内部审核和不断改进。每个生产批次都应进行严格的控制和追踪,生产商需要确保每个批次的原材料、生产工艺和质量控制步骤的一致性,并进行必要的检测和验证,以确保产品的一致性和可靠性。生产商需要定期对生产设备进行校准和验证,以确保其准确性和可靠性,这包括校准仪器、验证温度控制系统、验证试剂和设备的性能等。对于长期使用的检测试剂盒,生产商需要进行产品稳定性研究,以确定产品的有效期和储存条件,这包括对产品在不同温度和湿度条件下的稳定性进行评估和验证。生产商通常会参与外部质量控制计划,例如与认可的质量控制组织合作,参加盲样品测试和比对试验,以评估产品的性能和准确性。
传统的质量控制方法中,人工进行视觉检查是一种常见的方式。然而,这种方法存在一些缺点,包括耗时耗力、主观误差和漏检的问题,为了解决这些问题,现代质量控制方法引入了自动化和数字化技术,以提高效率和准确性。例如,利用计算机视觉和图像处理技术,开发自动化检测系统可以替代传统的人工视觉检查,这些系统可以对产品进行高速、高精度的检测,通过图像分析和模式识别算法来检测缺陷、异物或其他质量问题。机器学习和人工智能技术可以用于质量控制中的自动化检测和分类,通过对大量训练数据进行学习,机器学习算法可以自动识别和分类产品中的缺陷或异常情况,从而提高检测的准确性和效率。使用各种传感器可以实时检测和测量产品的特征和性能。例如,使用光学传感器可以检测产品的尺寸、形状和颜色等特征;使用压力传感器可以检测产品的密封性能,这些传感器可以与自动化系统集成,实现实时的质量控制和反馈。通过收集和分析大量的质量数据,可以应用统计方法和数据分析技术来识别潜在的质量问题和趋势,可以帮助制造商及时采取纠正措施,预防质量问题的发生,并改进生产过程。利用物联网和云计算技术,可以实现对生产过程和产品质量的远程监控和追溯,制造商可以通过实时监控设备和传感器数据,追踪产品的生产过程,并及时发现和解决潜在的质量问题。
在本发明的一个实施例中,图1为本发明实施例中提供的一种检测试剂盒的生产管理方法的流程图。图2为本发明实施例中提供的一种检测试剂盒的生产管理方法的系统架构的示意图。如图1和图2所示,根据本发明实施例的检测试剂盒的生产管理方法,包括:110,获取由摄像头采集的检测试剂盒的表面状态图像;120,提取所述表面状态图像的局部状态特征以得到表面状态特征向量的序列;130,提取所述表面状态特征向量的序列的一致性特征以得到图像块间一致性拓扑特征矩阵;140,利用深度学习模型来融合所述表面状态特征向量的序列和所述图像块间一致性拓扑特征矩阵以得到包含拓扑信息的全局表面状态特征矩阵;以及,150,基于所述包含拓扑信息的全局表面状态特征矩阵,确定是否存在表面缺陷。
在所述步骤110中,在获取表面状态图像时,摄像头的设置和校准非常重要。确保摄像头的分辨率足够高,以捕捉细微的表面细节。同时,光照条件也需要适当控制,以避免阴影和反射对图像质量的影响。通过获取表面状态图像,可以提供对检测试剂盒表面的视觉信息,这为后续的特征提取和表面缺陷检测提供了基础。
在所述步骤120中,在提取局部状态特征时,选择合适的特征描述或特征提取方法,方法包括局部二值模式、方向梯度直方图等,选择适合检测试剂盒表面特征的方法可以提高特征的区分度和鲁棒性。通过提取局部状态特征,可以捕捉到表面的细节和纹理信息,这些特征可以用于后续的特征分析和缺陷检测。
在所述步骤130中,在提取一致性特征时,定义图像块的邻接关系和相似性度量。一致性特征可以通过计算图像块之间的相似性或一致性指标,例如互信息、相关系数等。同时,选择合适的图像块大小和重叠度,以平衡特征的准确性和计算效率,通过提取一致性特征,可以捕捉到图像块之间的拓扑关系和相互作用,这些特征可以帮助建立图像块的一致性拓扑特征矩阵,提供更全面的表面状态信息。
在所述步骤140中,在利用深度学习模型进行特征融合时,设计合适的网络结构和损失函数。网络结构应能够有效地融合局部特征序列和一致性拓扑特征矩阵,同时保持对表面状态的判别能力。损失函数的设计应考虑到缺陷检测的目标,例如二分类损失函数或多分类损失函数。通过深度学习模型的融合,可以将局部特征序列和一致性拓扑特征矩阵结合起来,形成包含拓扑信息的全局表面状态特征矩阵,这种融合可以提高特征的表达能力和鲁棒性,有助于更准确地检测表面缺陷。
在所述步骤150中,在基于全局表面状态特征矩阵进行缺陷检测时,需要选择合适的分类算法或模型。例如,支持向量机、卷积神经网络等,模型的训练需要使用标注的缺陷样本和正常样本进行,以建立准确的分类模型。通过基于全局表面状态特征矩阵进行缺陷检测,可以判断检测试剂盒表面是否存在缺陷,这种方法可以通过结合局部特征、拓扑信息和深度学习模型的优势,提高缺陷检测的准确性和鲁棒性。
通过以上步骤的执行,可以实现对检测试剂盒表面状态的自动化检测和缺陷判定,减少了人工视觉检查的主观误差和漏检问题,提高了质量控制的效率和准确性。
针对上述技术问题,本申请的技术构思是利用摄像头采集检测试剂盒的表面状态图像,并结合图像处理技术和深度学习算法来实现智能化的表面缺陷检测。
通过摄像头采集图像,可以实现对检测试剂盒表面状态的自动化获取,无需人工干预,这大大提高了质量控制的效率,节省了人力资源。利用图像处理技术对采集的图像进行预处理,例如去噪、增强对比度等,可以提升图像质量,减少噪声对缺陷检测的干扰。同时,深度学习算法可以学习表面缺陷的特征表示,能够从大量的图像数据中提取有意义的特征,从而实现准确的缺陷检测。深度学习算法具有较强的学习能力和泛化能力,可以检测多种类型的表面缺陷,包括划痕、裂纹、异物等,通过训练模型并提供多样的缺陷样本,可以实现对不同类型缺陷的识别和分类。利用摄像头采集图像的实时性,可以实现对检测试剂盒表面状态的实时监控。一旦出现缺陷,系统可以立即发出警报或触发相应的处理措施,避免缺陷产品进入下一步骤的生产流程。通过记录和保存采集的图像数据,可以实现对每个检测试剂盒的质量状态进行追溯,这对于后续的质量分析和改进提供了宝贵的数据支持,有助于优化生产流程和产品质量。
利用摄像头采集检测试剂盒的表面状态图像,并结合图像处理技术和深度学习算法来实现智能化的表面缺陷检测,可以提高质量控制的效率和准确性,减少人为因素的干扰,实现自动化、数字化和智能化的质量控制。
基于此,在本申请的技术方案中,首先获取由摄像头采集的检测试剂盒的表面状态图像。应可以理解,检测试剂盒的表面缺陷会在摄像头采集的表面状态图像中显现,例如,从表面状态图像中可以观察到检测试剂盒是否出现划痕、污渍和变色等表面缺陷。
然后,提取所述表面状态图像的局部状态特征以得到表面状态特征向量的序列。也就是,捕捉所述表面状态图像中关于检测试剂盒的表面状态隐含特征信息。
在本申请的一个具体示例中,提取所述表面状态图像的局部状态特征以得到表面状态特征向量的序列,包括:将所述表面状态图像进行图像分块处理以得到表面状态图像块的序列;将所述表面状态图像块的序列分别通过基于卷积神经网络模型的表面状态特征提取器以得到所述表面状态特征向量的序列。
其中,所述基于卷积神经网络模型的表面状态特征提取器包括输入层、卷积层、池化层、激活层和输出层。
通过将表面状态图像进行分块处理,可以将整个图像分解为多个局部图像块,这样做可以更好地捕捉局部细节和纹理特征,因为不同的图像块可能具有不同的表面状态,有助于提高表面状态特征的丰富性和多样性。将大尺寸的表面状态图像分块处理后,每个图像块的大小相对较小,从而减少了特征提取和处理的计算复杂度,这使得特征提取过程更加高效,并且可以处理更大规模的图像数据。
将表面状态图像块的序列分别通过基于卷积神经网络模型的表面状态特征提取器以得到表面状态特征向量的序列。卷积神经网络(CNN)在图像处理领域具有卓越的性能,通过使用基于CNN的表面状态特征提取器,可以从每个图像块中提取高级语义特征,这些特征能够捕捉到图像中的抽象特征,如边缘、纹理、形状等,从而更好地表示表面状态。通过使用基于CNN的表面状态特征提取器,可以利用其学习能力和泛化能力,从大量的图像块中提取有意义的特征,这些特征具有较好的鲁棒性,对于不同形状、尺寸和光照条件的图像块都能够有效地提取特征,从而提高表面状态特征的可靠性和可泛化性。基于CNN的表面状态特征提取器在提取特征时保留了图像块的空间信息,这对于后续的特征融合和缺陷检测非常重要,因为表面状态的缺陷通常与其在图像中的位置和周围环境有关。
将表面状态图像进行图像分块处理以得到表面状态图像块的序列和使用基于卷积神经网络模型的表面状态特征提取器提取表面状态特征向量的序列,可以提高特征的多样性、鲁棒性和可泛化性,从而为后续的缺陷检测提供更准确和可靠的特征表示。
接着,提取所述表面状态特征向量的序列的一致性特征以得到图像块间一致性拓扑特征矩阵。在本申请的一个具体示例中,提取所述表面状态特征向量的序列的一致性特征以得到图像块间一致性拓扑特征矩阵,包括:计算所述表面状态特征向量的序列中任意两个表面状态特征向量之间的余弦相似度以得到由多个余弦相似度组成的图像块间一致性拓扑矩阵;及,将所述图像块间一致性拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述图像块间一致性拓扑特征矩阵。
这里,计算所述表面状态特征向量的序列中任意两个表面状态特征向量之间的余弦相似度以刻画检测试剂盒表面的局部状态特征之间的相似性。应可以理解,若检测试剂盒的表面出现缺陷,则整体的差异性较大,那么相似相也就越小,也就是,如果某个区域与其他区域的纹理和表面状态差异较大,说明该区域可能存在表面缺陷。
其中,通过计算余弦相似度,可以量化图像块之间的相似性,余弦相似度是一种常用的相似度度量方法,它能够衡量两个向量在方向上的相似程度。通过计算图像块间的余弦相似度,可以判断它们在表面状态特征上的一致性,即它们是否具有相似的特征表示。通过构建图像块间一致性拓扑矩阵,可以捕捉图像块之间的拓扑关系,拓扑关系反映了图像块在空间上的相对位置和连接方式。一致性拓扑矩阵中的每个元素代表了两个图像块之间的相似性,可以用于描述它们之间的拓扑关系,例如相邻、连接等。
将图像块间一致性拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到图像块间一致性拓扑特征矩阵。基于卷积神经网络的拓扑特征提取器可以从图像块间一致性拓扑矩阵中提取高级的拓扑特征,这些特征能够捕捉图像块之间的关联性和拓扑结构,例如局部连接、全局连接等,通过学习这些拓扑特征,可以更好地表示图像块间的一致性关系。
基于卷积神经网络的拓扑特征提取器具有较强的学习能力和泛化能力,可以从大量的图像块间一致性拓扑矩阵中提取有意义的特征,并能够处理不同类型和规模的拓扑结构,这提高了拓扑特征的鲁棒性和泛化性,使其适用于不同的表面状态检测任务。基于卷积神经网络的拓扑特征提取器在提取特征时保留了图像块间的空间信息,这对于后续的拓扑特征分析和缺陷检测非常重要,因为图像块间的拓扑关系通常与表面状态的缺陷有关。
通过计算余弦相似度构建图像块间一致性拓扑矩阵,并使用基于卷积神经网络模型的拓扑特征提取器提取拓扑特征,可以捕捉图像块间的一致性关系和拓扑结构,提高表面状态的一致性分析和缺陷检测的准确性和可靠性。
进一步地,将所述图像块间一致性拓扑特征矩阵和所述表面状态特征向量的序列通过图神经网络模型以得到包含拓扑信息的全局表面状态特征矩阵。在本申请的一个具体实施例中,利用深度学习模型来融合所述表面状态特征向量的序列和所述图像块间一致性拓扑特征矩阵以得到包含拓扑信息的全局表面状态特征矩阵,包括:将所述图像块间一致性拓扑特征矩阵和所述表面状态特征向量的序列通过图神经网络模型以得到所述包含拓扑信息的全局表面状态特征矩阵。这里,图神经网络模型可以利用图像块间的拓扑结构信息,即图像块之间的相邻关系和相似度,来增强图像块的表面状态特征的表达能力。图神经网络模型可以通过消息传递机制,将相邻或相似的图像块之间的信息进行交互和聚合,从而实现对整个检测试剂盒表面状态的全局理解。
继而,将所述包含拓扑信息的全局表面状态特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否存在表面缺陷。在本申请的一个具体实施例中,基于所述包含拓扑信息的全局表面状态特征矩阵,确定是否存在表面缺陷,包括:将所述包含拓扑信息的全局表面状态特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否存在表面缺陷。
通过使用分类器对全局表面状态特征矩阵进行分类,可以实现自动化的表面缺陷检测。分类器可以学习和识别不同类型的表面缺陷模式,如裂纹、划痕、凹陷等,这样可以减少人工检查的工作量,提高检测效率,并且可以快速发现和定位表面缺陷。通过将包含拓扑信息的全局表面状态特征矩阵通过分类器进行缺陷分类,可以实现自动化、准确性高、可靠性强的表面缺陷检测,这将为质量控制提供有效的工具,帮助快速发现和解决表面缺陷问题,提高产品质量和生产效率。
在本申请的一个实施例中,所述检测试剂盒的生产管理方法,还包括训练步骤:对所述基于卷积神经网络模型的表面状态特征提取器、所述基于卷积神经网络模型的拓扑特征提取器、所述图神经网络模型和所述分类器进行训练;其中,所述训练步骤,包括:获取训练数据,所述训练数据包括由摄像头采集的检测试剂盒的训练表面状态图像,以及,是否存在表面缺陷的真实值;将所述训练表面状态图像进行图像分块处理以得到训练表面状态图像块的序列;将所述训练表面状态图像块的序列分别通过所述基于卷积神经网络模型的表面状态特征提取器以得到训练表面状态特征向量的序列;对所述训练表面状态特征向量的序列进行特征分布校正以得到校正后表面状态特征向量的序列;计算所述校正后表面状态特征向量的序列中任意两个校正后表面状态特征向量之间的余弦相似度以得到由多个余弦相似度组成的训练图像块间一致性拓扑矩阵;将所述训练图像块间一致性拓扑矩阵通过所述基于卷积神经网络模型的拓扑特征提取器以得到训练图像块间一致性拓扑特征矩阵;将所述训练图像块间一致性拓扑特征矩阵和所述训练表面状态特征向量的序列通过所述图神经网络模型以得到包含拓扑信息的训练全局表面状态特征矩阵;对所述包含拓扑信息的训练全局表面状态特征矩阵进行特征分布校正以得到校正后包含拓扑信息的全局表面状态特征矩阵;将所述校正后包含拓扑信息的全局表面状态特征矩阵通过分类器以得到分类损失函数值;以及,以所述分类损失函数值来对所述基于卷积神经网络模型的表面状态特征提取器、所述基于卷积神经网络模型的拓扑特征提取器、所述图神经网络模型和所述分类器进行训练。
在本申请的技术方案中,所述训练表面状态特征向量的序列中的每个训练表面状态特征向量表达相应的表面状态图像块在全局图像空间域下的局部图像空间域内的图像语义特征,这样,将所述训练图像块间一致性拓扑特征矩阵和所述训练表面状态特征向量的序列通过图神经网络模型后,可以进一步获得局部图像空间域内的图像语义特征在全局图像空间域内的图像语义特征相似性拓扑下的拓扑关联表示,但是,考虑到所述包含拓扑信息的训练全局表面状态特征矩阵的与所述训练表面状态特征向量对应的每个全局表面状态特征向量,例如行特征向量的表达独立性,所述包含拓扑信息的训练全局表面状态特征矩阵作为整体对于各个局部图像空间域内的图像语义特征表达仍然可能存在不均衡。
这里,本申请的申请人发现,这种不均衡在很大程度上与特征表达尺度相关,即特征向量的局部图像空间域下的图像语义特征表达尺度,和各个特征向量间的特征矩阵的全局图像空间域下的局部图像空间域分布的图像语义特征关联尺度,例如,可以理解为相对于进行图像空间域划分的尺度,局部图像空间域内与局部图像空间域间的尺度分布相对于图像语义特征分布越不均衡,则所述包含拓扑信息的训练全局表面状态特征矩阵的整体表达也越不均衡。
因此,优选地,对于所述训练表面状态特征向量的序列中的每个训练表面状态特征向量,例如记为以及所述包含拓扑信息的训练全局表面状态特征矩阵,例如记为/>进行基于特征尺度的优化,表示为:以如下优化公式对于所述训练表面状态特征向量的序列中的每个训练表面状态特征向量/>以及所述包含拓扑信息的训练全局表面状态特征矩阵进行基于特征尺度的优化;其中,所述优化公式为:
;
;
其中,是所述训练表面状态特征向量的序列中的每个训练表面状态特征向量,是所述包含拓扑信息的训练全局表面状态特征矩阵,/>是所述训练表面状态特征向量/>的长度,/>是所述训练表面状态特征向量/>的第/>个特征值,/>表示所述训练表面状态特征向量/>的二范数的平方,/>是所述包含拓扑信息的训练全局表面状态特征矩阵的尺度,即宽度乘以高度,且/>表示所述包含拓扑信息的训练全局表面状态特征矩阵的Frobenius范数的平方,/>是所述包含拓扑信息的训练全局表面状态特征矩阵每个位置的特征值,/>是每个训练表面状态特征向量的优化权重,/>是所述训练全局表面状态特征矩阵的优化权重。
这里,上述基于特征尺度的优化可以通过类标准柯西分布式的尾部分布加强机制,来基于特征尺度对高维特征空间内的特征概率密度分布进行多层次分布结构的相关性约束,以使得具有不同尺度的高维特征的概率密度分布在整体概率密度空间内进行均匀性展开,从而弥补特征尺度偏差导致的概率密度收敛异质性。这样,在训练过程中的每次迭代时,以上述权重对所述训练表面状态特征向量的序列中的每个训练表面状态特征向量进行加权,并以权重/>对从优化后的训练表面状态特征向量的序列得到的包含拓扑信息的训练全局表面状态特征矩阵进行加权,就可以提升校正后包含拓扑信息的全局表面状态特征矩阵在概率密度域内的表达收敛性,从而提升其通过分类器得到的分类结果的准确性。
综上,基于本发明实施例的检测试剂盒的生产管理方法被阐明,其利用摄像头采集检测试剂盒的表面状态图像,并结合图像处理技术和深度学习算法来实现智能化的表面缺陷检测。
图3为本发明实施例中提供的一种检测试剂盒的生产管理系统的框图。如图3所示,所述检测试剂盒的生产管理系统200,包括:表面状态图像获取模块210,用于获取由摄像头采集的检测试剂盒的表面状态图像;表面状态特征提取模块220,用于提取所述表面状态图像的局部状态特征以得到表面状态特征向量的序列;一致性拓扑特征提取模块230,用于提取所述表面状态特征向量的序列的一致性特征以得到图像块间一致性拓扑特征矩阵;融合模块240,用于利用深度学习模型来融合所述表面状态特征向量的序列和所述图像块间一致性拓扑特征矩阵以得到包含拓扑信息的全局表面状态特征矩阵;以及,表面缺陷确定模块250,用于基于所述包含拓扑信息的全局表面状态特征矩阵,确定是否存在表面缺陷。
在所述检测试剂盒的生产管理系统中,所述表面状态特征提取模块,包括:图像分块处理单元,用于将所述表面状态图像进行图像分块处理以得到表面状态图像块的序列;表面状态特征提取单元,用于将所述表面状态图像块的序列分别通过基于卷积神经网络模型的表面状态特征提取器以得到所述表面状态特征向量的序列。
在所述检测试剂盒的生产管理系统中,所述基于卷积神经网络模型的表面状态特征提取器包括输入层、卷积层、池化层、激活层和输出层。
本领域技术人员可以理解,上述检测试剂盒的生产管理系统中的各个步骤的具体操作已经在上面参考图1到图2的检测试剂盒的生产管理方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本发明实施例的检测试剂盒的生产管理系统200可以实现在各种终端设备中,例如用于检测试剂盒的生产管理的服务器等。在一个示例中,根据本发明实施例的检测试剂盒的生产管理系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该检测试剂盒的生产管理系统200可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该检测试剂盒的生产管理系统200同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该检测试剂盒的生产管理系统200与该终端设备也可以是分立的设备,并且该检测试剂盒的生产管理系统200可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图4为本发明实施例中提供的一种检测试剂盒的生产管理方法的应用场景图。如图4所示,在该应用场景中,首先,获取由摄像头采集的检测试剂盒的表面状态图像(例如,如图4中所示意的C);然后,将获取的表面状态图像输入至部署有检测试剂盒的生产管理算法的服务器(例如,如图4中所示意的S)中,其中所述服务器能够基于检测试剂盒的生产管理算法对所述表面状态图像进行处理,以确定是否存在表面缺陷。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种检测试剂盒的生产管理方法,其特征在于,包括:
获取由摄像头采集的检测试剂盒的表面状态图像;
提取所述表面状态图像的局部状态特征以得到表面状态特征向量的序列;
提取所述表面状态特征向量的序列的一致性特征以得到图像块间一致性拓扑特征矩阵;
利用深度学习模型来融合所述表面状态特征向量的序列和所述图像块间一致性拓扑特征矩阵以得到包含拓扑信息的全局表面状态特征矩阵;以及
基于所述包含拓扑信息的全局表面状态特征矩阵,确定是否存在表面缺陷。
2.根据权利要求1所述的检测试剂盒的生产管理方法,其特征在于,提取所述表面状态图像的局部状态特征以得到表面状态特征向量的序列,包括:
将所述表面状态图像进行图像分块处理以得到表面状态图像块的序列;
将所述表面状态图像块的序列分别通过基于卷积神经网络模型的表面状态特征提取器以得到所述表面状态特征向量的序列。
3.根据权利要求2所述的检测试剂盒的生产管理方法,其特征在于,所述基于卷积神经网络模型的表面状态特征提取器包括输入层、卷积层、池化层、激活层和输出层。
4. 根据权利要求3所述的检测试剂盒的生产管理方法,其特征在于,提取所述表面状态特征向量的序列的一致性特征以得到图像块间一致性拓扑特征矩阵,包括:
计算所述表面状态特征向量的序列中任意两个表面状态特征向量之间的余弦相似度以得到由多个余弦相似度组成的图像块间一致性拓扑矩阵;及
将所述图像块间一致性拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到所述图像块间一致性拓扑特征矩阵。
5.根据权利要求4所述的检测试剂盒的生产管理方法,其特征在于,利用深度学习模型来融合所述表面状态特征向量的序列和所述图像块间一致性拓扑特征矩阵以得到包含拓扑信息的全局表面状态特征矩阵,包括:
将所述图像块间一致性拓扑特征矩阵和所述表面状态特征向量的序列通过图神经网络模型以得到所述包含拓扑信息的全局表面状态特征矩阵。
6.根据权利要求5所述的检测试剂盒的生产管理方法,其特征在于,基于所述包含拓扑信息的全局表面状态特征矩阵,确定是否存在表面缺陷,包括:
将所述包含拓扑信息的全局表面状态特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否存在表面缺陷。
7.根据权利要求6所述的检测试剂盒的生产管理方法,其特征在于,还包括训练步骤:对所述基于卷积神经网络模型的表面状态特征提取器、所述基于卷积神经网络模型的拓扑特征提取器、所述图神经网络模型和所述分类器进行训练;
其中,所述训练步骤,包括:
获取训练数据,所述训练数据包括由摄像头采集的检测试剂盒的训练表面状态图像,以及,是否存在表面缺陷的真实值;
将所述训练表面状态图像进行图像分块处理以得到训练表面状态图像块的序列;
将所述训练表面状态图像块的序列分别通过所述基于卷积神经网络模型的表面状态特征提取器以得到训练表面状态特征向量的序列;
对所述训练表面状态特征向量的序列进行特征分布校正以得到校正后表面状态特征向量的序列;
计算所述校正后表面状态特征向量的序列中任意两个校正后表面状态特征向量之间的余弦相似度以得到由多个余弦相似度组成的训练图像块间一致性拓扑矩阵;
将所述训练图像块间一致性拓扑矩阵通过所述基于卷积神经网络模型的拓扑特征提取器以得到训练图像块间一致性拓扑特征矩阵;
将所述训练图像块间一致性拓扑特征矩阵和所述训练表面状态特征向量的序列通过所述图神经网络模型以得到包含拓扑信息的训练全局表面状态特征矩阵;
对所述包含拓扑信息的训练全局表面状态特征矩阵进行特征分布校正以得到校正后包含拓扑信息的全局表面状态特征矩阵;
将所述校正后包含拓扑信息的全局表面状态特征矩阵通过分类器以得到分类损失函数值;以及
以所述分类损失函数值来对所述基于卷积神经网络模型的表面状态特征提取器、所述基于卷积神经网络模型的拓扑特征提取器、所述图神经网络模型和所述分类器进行训练。
8.一种检测试剂盒的生产管理系统,其特征在于,包括:
表面状态图像获取模块,用于获取由摄像头采集的检测试剂盒的表面状态图像;
表面状态特征提取模块,用于提取所述表面状态图像的局部状态特征以得到表面状态特征向量的序列;
一致性拓扑特征提取模块,用于提取所述表面状态特征向量的序列的一致性特征以得到图像块间一致性拓扑特征矩阵;
融合模块,用于利用深度学习模型来融合所述表面状态特征向量的序列和所述图像块间一致性拓扑特征矩阵以得到包含拓扑信息的全局表面状态特征矩阵;以及
表面缺陷确定模块,用于基于所述包含拓扑信息的全局表面状态特征矩阵,确定是否存在表面缺陷。
9.根据权利要求8所述的检测试剂盒的生产管理系统,其特征在于,所述表面状态特征提取模块,包括:
图像分块处理单元,用于将所述表面状态图像进行图像分块处理以得到表面状态图像块的序列;
表面状态特征提取单元,用于将所述表面状态图像块的序列分别通过基于卷积神经网络模型的表面状态特征提取器以得到所述表面状态特征向量的序列。
10.根据权利要求9所述的检测试剂盒的生产管理系统,其特征在于,所述基于卷积神经网络模型的表面状态特征提取器包括输入层、卷积层、池化层、激活层和输出层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311423191.8A CN117152152B (zh) | 2023-10-31 | 2023-10-31 | 检测试剂盒的生产管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311423191.8A CN117152152B (zh) | 2023-10-31 | 2023-10-31 | 检测试剂盒的生产管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117152152A true CN117152152A (zh) | 2023-12-01 |
CN117152152B CN117152152B (zh) | 2024-02-02 |
Family
ID=88903085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311423191.8A Active CN117152152B (zh) | 2023-10-31 | 2023-10-31 | 检测试剂盒的生产管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117152152B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557967A (zh) * | 2024-01-11 | 2024-02-13 | 陕西开来机电设备制造有限公司 | 带式输送机安全保护智能管理系统 |
CN118052793A (zh) * | 2024-02-27 | 2024-05-17 | 北京天翊文化传媒有限公司 | 毛绒玩具生产过程实时监控系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861807A (zh) * | 2022-12-02 | 2023-03-28 | 中建新疆建工集团第三建设工程有限公司 | 建筑机械领域的墙面粉刷设备及其控制方法 |
CN116310565A (zh) * | 2023-03-23 | 2023-06-23 | 江西中翔健康产业有限公司 | 尿频尿急的中药制作方法及装置 |
CN116910611A (zh) * | 2023-06-30 | 2023-10-20 | 湖南省三联环保科技有限公司 | 基于大数据的智能环境监测系统及其方法 |
CN116949615A (zh) * | 2023-07-28 | 2023-10-27 | 海宁市海隆鑫纺织有限公司 | 纺纱机的纱线检测系统及其方法 |
CN116954264A (zh) * | 2023-09-08 | 2023-10-27 | 杭州牧星科技有限公司 | 分布式高亚音速无人机集群控制系统及其方法 |
-
2023
- 2023-10-31 CN CN202311423191.8A patent/CN117152152B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115861807A (zh) * | 2022-12-02 | 2023-03-28 | 中建新疆建工集团第三建设工程有限公司 | 建筑机械领域的墙面粉刷设备及其控制方法 |
CN116310565A (zh) * | 2023-03-23 | 2023-06-23 | 江西中翔健康产业有限公司 | 尿频尿急的中药制作方法及装置 |
CN116910611A (zh) * | 2023-06-30 | 2023-10-20 | 湖南省三联环保科技有限公司 | 基于大数据的智能环境监测系统及其方法 |
CN116949615A (zh) * | 2023-07-28 | 2023-10-27 | 海宁市海隆鑫纺织有限公司 | 纺纱机的纱线检测系统及其方法 |
CN116954264A (zh) * | 2023-09-08 | 2023-10-27 | 杭州牧星科技有限公司 | 分布式高亚音速无人机集群控制系统及其方法 |
Non-Patent Citations (1)
Title |
---|
刘艺: "体外诊断试剂盒生产线视觉检测技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557967A (zh) * | 2024-01-11 | 2024-02-13 | 陕西开来机电设备制造有限公司 | 带式输送机安全保护智能管理系统 |
CN117557967B (zh) * | 2024-01-11 | 2024-03-29 | 陕西开来机电设备制造有限公司 | 带式输送机安全保护智能管理系统 |
CN118052793A (zh) * | 2024-02-27 | 2024-05-17 | 北京天翊文化传媒有限公司 | 毛绒玩具生产过程实时监控系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117152152B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117152152B (zh) | 检测试剂盒的生产管理系统及方法 | |
CN111862067A (zh) | 一种焊接缺陷检测方法、装置、电子设备以及存储介质 | |
CN103528617B (zh) | 一种座舱仪表自动识别和检测方法及装置 | |
CN114549522A (zh) | 基于目标检测的纺织品质量检测方法 | |
JP5718781B2 (ja) | 画像分類装置および画像分類方法 | |
CN110796661B (zh) | 基于卷积神经网络的真菌显微图像分割检测方法及系统 | |
CN110729045A (zh) | 一种基于上下文感知残差网络的舌图像分割方法 | |
CN109190622A (zh) | 基于强特征和神经网络的上皮细胞分类系统和方法 | |
CN112613505A (zh) | 一种基于深度学习的细胞微核识别、定位和计数方法 | |
KR101782364B1 (ko) | 케이평균군집화를 통한 학습기반의 비전검사 방법 | |
Africa et al. | Development of a urine strip analyzer using artificial neural network using an android phone | |
CN106682604B (zh) | 一种基于深度学习的模糊图像检测方法 | |
CN112489022A (zh) | 基于放射组学的covid-19快速特征提取系统及快速诊断系统及病程预测系统 | |
CN114187292B (zh) | 棉纺纸筒的异常检测方法、装置、设备及存储介质 | |
JPH10185911A (ja) | 細胞解析装置及びその方法 | |
CN114152557B (zh) | 基于图像分析的血细胞计数方法和系统 | |
CN115661042A (zh) | 一种基于注意力机制指导的分层分类缺陷检测方法 | |
CN113139928B (zh) | 肺结节检测模型的训练方法和肺结节检测方法 | |
CN208857289U (zh) | 基于深度学习的人类乳头状瘤病毒自动分型检测装置 | |
CN111833325A (zh) | 一种基于深度学习的胶体金试剂条检测方法及系统 | |
CN117274819B (zh) | 用于多类型海域智能化监测的遥感信息提取系统 | |
CN116738352B (zh) | 视网膜血管阻塞疾病的视杆细胞异常分类方法及装置 | |
CN117575993B (zh) | 一种基于深度学习的滴度值的处理方法及系统 | |
CN114971408A (zh) | 一种实时质量控制纠偏方法、装置、设备及程序产品 | |
Deng et al. | Tongue image datasets and performance evaluation |
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 |