CN117197487A - 一种免疫胶体金诊断试纸条自动识别系统 - Google Patents
一种免疫胶体金诊断试纸条自动识别系统 Download PDFInfo
- Publication number
- CN117197487A CN117197487A CN202311140648.4A CN202311140648A CN117197487A CN 117197487 A CN117197487 A CN 117197487A CN 202311140648 A CN202311140648 A CN 202311140648A CN 117197487 A CN117197487 A CN 117197487A
- Authority
- CN
- China
- Prior art keywords
- feature
- test strip
- classification
- image
- feature map
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 144
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 title claims abstract description 75
- 238000003745 diagnosis Methods 0.000 title claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 59
- 239000013076 target substance Substances 0.000 claims abstract description 26
- 238000002405 diagnostic procedure Methods 0.000 claims description 54
- 238000013527 convolutional neural network Methods 0.000 claims description 51
- 238000010586 diagram Methods 0.000 claims description 46
- 238000000034 method Methods 0.000 claims description 35
- 230000009467 reduction Effects 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013145 classification model Methods 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000000427 antigen Substances 0.000 description 2
- 102000036639 antigens Human genes 0.000 description 2
- 108091007433 antigens Proteins 0.000 description 2
- 239000012472 biological sample Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008105 immune reaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及智能识别领域，其具体地公开了一种免疫胶体金诊断试纸条自动识别系统，其采用基于深度学习的人工智能检测技术，通过对检测试纸条图像进行特征提取从而来判断其是否包含目标待检测物质。这样，可以自动化地判断检测结果，减少了人为判断的主观性和不确定性。
Description
技术领域
本申请涉及智能识别领域，且更为具体地，涉及一种免疫胶体金诊断试纸条自动识别系统。
背景技术
免疫胶体金诊断试纸条是一种常用于快速检测生物样本中特定物质的试纸条。它采用免疫反应原理，利用胶体金颗粒作为信号标记物，通过与目标物质结合产生可见的颜色变化来进行分析。使用免疫胶体金诊断试纸条时，将待测样本添加到试纸条上，待测样本与试纸上的抗体或抗原结合后，胶体金标记物会与复合物会在反应区形成可见的颜色线条。如果目标物质存在于样本中，会出现与目标物质相关的颜色线条。同时，控制线也会出现，确认试纸条正常工作。
确认是否存在目标物质一般是通过看颜色线条的方式，那么在看颜色线条的过程中存在问题，比如当目标物质浓度低导致产生的颜色线条不明显，使用者不能根据试纸条的显示进行准确判断，对检测结果抱有不确定性。
因此，需要一种优化的免疫胶体金诊断试纸条自动识别方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种免疫胶体金诊断试纸条自动识别系统，其采用基于深度学习的人工智能检测技术，通过对检测试纸条图像进行特征提取从而来判断其是否包含目标待检测物质。这样，可以自动化地判断检测结果，减少了人为判断的主观性和不确定性。
根据本申请的一个方面，提供了一种免疫胶体金诊断试纸条自动识别系统，其包括：
数据采集模块，用于获取检测试纸条的图像；
降噪模块，用于将所述检测试纸条的图像通过基于自动编解码器的降噪模块以得到降噪后试纸条图像；
颜色空间转换模块，用于将所述降噪后试纸条图像从RGB颜色空间转化到YCbCr颜色空间并提取各个通道的LBP纹理特征直方图；
纹理特征编码模块，用于将所述各个通道的LBP纹理特征直方图分别通过作为特征提取器的第一卷积神经网络模型以得到多个纹理特征图，并将所述多个纹理特征图进行级联以得到纹理特征图；
颜色特征编码模块，用于将所述降噪后试纸条图像通过作为特征提取器的第二卷积神经网络模型以得到颜色特征图；
特征融合模块，用于融合所述颜色特征图和所述纹理特征图以得到分类特征图；
优化模块，用于计算所述分类特征图的稀疏化分类特征图；
检测结果生成模块，用于将所述稀疏化分类特征图通过分类器以得到分类结果，所述分类结果用于表示所述检测试纸条是否包含目标待检测物质。
在上述免疫胶体金诊断试纸条自动识别系统中，所述降噪模块，包括：图像特征编码单元，用于将所述检测试纸条的图像输入所述降噪模块的编码器，其中，所述编码器使用卷积层对所述检测试纸条的图像进行显式空间编码以得到图像特征；图像特征解码单元，用于将所述图像特征输入所述降噪模块的解码器，其中，所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述降噪后试纸条图像。
在上述免疫胶体金诊断试纸条自动识别系统中，所述纹理特征编码模块，用于：使用所述作为特征提取器的第一卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部矩阵的均值池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述多个纹理特征图，所述第一卷积神经网络模型的第一层的输入为所述各个通道的LBP纹理特征直方图。
在上述免疫胶体金诊断试纸条自动识别系统中，所述颜色特征编码模块，用于：使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部矩阵的均值池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述颜色特征图，所述第二卷积神经网络模型的第一层的输入为所述降噪后试纸条图像。
在上述免疫胶体金诊断试纸条自动识别系统中，所述优化模块，包括：相关参数确定单元，用于确定所述分类特征图的尺寸和通道数，其中，所述分类特征图的尺寸为H×W，H为高度，W为宽度，且通道数为C；特征描述符选取单元，用于对于所述分类特征图的每个像素位置(i,j)，提取所述分类特征图在每个像素位置的通道特征向量作为所述每个像素位置的特征描述符；欧几里德距离计算单元，用于对于所述分类特征图的每个像素位置(i,j)，计算所述每个像素位置(i,j)的特征描述符与所述分类特征图的其他像素位置(k，l)的特征描述符之间的欧式距离，并计算多个欧式距离的加和值作为所述分类特征图的每个像素位置(i,j)的得分值；最大值归一化处理单元，用于对所述所述分类特征图的每个像素位置(i,j)的得分值进行基于最大值的归一化处理以得到所述分类特征图的每个像素位置的单应概率密度值；按位置点乘单元，用于以所述分类特征图的每个像素位置的单应概率密度值构成的概率密度特征矩阵作为权重矩阵，分别对所述分类特征图的各个通道维度的特征矩阵进行按位置点乘以得到所述稀疏化分类特征图。
在上述免疫胶体金诊断试纸条自动识别系统中，所述检测结果生成模块，包括：展开单元，用于将所述稀疏化分类特征图基于行向量或列向量的展开为分类特征向量；全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面，提供了一种免疫胶体金诊断试纸条自动识别方法，其包括：
获取检测试纸条的图像；
将所述检测试纸条的图像通过基于自动编解码器的降噪模块以得到降噪后试纸条图像；
将所述降噪后试纸条图像从RGB颜色空间转化到YCbCr颜色空间并提取各个通道的LBP纹理特征直方图；
将所述各个通道的LBP纹理特征直方图分别通过作为特征提取器的第一卷积神经网络模型以得到多个纹理特征图，并将所述多个纹理特征图进行级联以得到纹理特征图；
将所述降噪后试纸条图像通过作为特征提取器的第二卷积神经网络模型以得到颜色特征图；
融合所述颜色特征图和所述纹理特征图以得到分类特征图；
计算所述分类特征图的稀疏化分类特征图；
将所述稀疏化分类特征图通过分类器以得到分类结果，所述分类结果用于表示所述检测试纸条是否包含目标待检测物质。
与现有技术相比，本申请提供的免疫胶体金诊断试纸条自动识别系统，其采用基于深度学习的人工智能检测技术，通过对检测试纸条图像进行特征提取从而来判断其是否包含目标待检测物质。这样，可以自动化地判断检测结果，减少了人为判断的主观性和不确定性。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用于提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的免疫胶体金诊断试纸条自动识别系统的系统框图。
图2为根据本申请实施例的免疫胶体金诊断试纸条自动识别系统的架构图。
图3为根据本申请实施例的免疫胶体金诊断试纸条自动识别系统中降噪模块的框图。
图4为根据本申请实施例的免疫胶体金诊断试纸条自动识别系统中优化模块的框图。
图5为根据本申请实施例的免疫胶体金诊断试纸条自动识别系统中检测结果生成模块的框图。
图6为根据本申请实施例的免疫胶体金诊断试纸条自动识别方法的流程图。
图7为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
如上述背景技术所言，免疫胶体金诊断试纸条是一种利用胶体金颗粒作为信号标记物的试纸条，通过与目标物质结合产生可见的颜色变化来快速检测生物样本中特定物质。使用时，待测样本与试纸上的抗体或抗原结合后，在反应区形成可见的颜色线条，表示目标物质的存在。然而，低浓度的目标物质可能导致颜色线条不明显，用户对检测结果仍存在不确定性。因此，期待一种优化的免疫胶体金诊断试纸条自动方案。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展为免疫胶体金诊断试纸条自动识别提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取检测试纸条的图像。应可以理解，获取待检测试纸条的图像是本申请技术方案的第一步，是整个免疫胶体金诊断试纸条自动识别的基础。通过获取检测试纸条的图像，可以将试纸条上的信息转化为数字化的数据，方便后续步骤中的数据处理和分析。同时，检测试纸条中的颜色和纹理信息是判断试纸条是否包含目标待检测物质的重要依据。
接着，将所述检测试纸条的图像通过基于自动编解码器的降噪模块以得到降噪后试纸条图像。在实际应用中，试纸条的图像可能会受到多种因素的影响，如光线条件、摄像设备的性能、手持设备的晃动等，这些因素可能导致图像中存在噪声和模糊等问题。如果直接使用带有噪声和干扰的图像进行后续处理，可能会影响后续特征提取和分类的准确性。通过将检测试纸条的图像输入到基于自动编解码器的降噪模块中，可以去除图像中的噪声和干扰，提高图像的质量和清晰度。
然后，将所述降噪后试纸条图像从RGB颜色空间转化到YCbCr颜色空间并提取各个通道的LBP纹理特征直方图。YCbCr颜色空间是一种将亮度(Y)和色度(Cb和Cr)分开表示的颜色空间。亮度通道(Y通道)包含了图像的亮度信息，而色度通道(Cb和Cr通道)包含了图像的颜色信息。通过将降噪后试纸条图像转化到YCbCr颜色空间，可以将注意力更加集中在亮度和纹理信息上。LBP是一种用于描述图像纹理特征的方法，它通过对每个像素周围的邻域进行比较，生成局部二值模式，并将这些模式编码成直方图。LBP特征可以有效地表达图像的纹理信息，对于试纸条图像的纹理特征提取具有较好的效果。将降噪后的试纸条图像从RGB颜色空间转化到YCbCr颜色空间，并提取各个通道的LBP纹理特征直方图，可以更好地捕捉试纸条的纹理特征，提供更具区分度的特征表示。
紧接着，将所述各个通道的LBP纹理特征直方图分别通过作为特征提取器的第一卷积神经网络模型以得到多个纹理特征图，并将所述多个纹理特征图进行级联以得到纹理特征图。本领域普通技术人员应该知晓，卷积神经网络(CNN)在特征提取方面表现优异。将LBP纹理特征直方图输入到CNN中，可以利用CNN的卷积层和池化层来提取更具区分度的纹理特征。由于不同通道的LBP纹理特征直方图表示了不同的纹理信息，通过将它们分别输入到CNN中，可以分别学习每个通道的纹理特征表示。将多个纹理特征图级联在一起，可以将不同通道的纹理特征信息融合在一起，形成更综合的纹理特征表示。级联操作可以通过将多个特征图在通道维度上连接来实现。这样做可以捕捉到不同通道之间的相关性和互补性，进一步提高纹理特征的表达能力。
同时，将所述降噪后试纸条图像通过作为特征提取器的第二卷积神经网络模型以得到颜色特征图。免疫胶体金试纸条的颜色线条是判断是否存在目标检测物质的关键指标之一。第二卷积神经网络模型作为特征提取器，通过对降噪后的试纸条图像进行处理，可以提取出与颜色相关的特征信息。通过提取颜色特征图，可以更准确地表示试纸条上颜色线条的特征，进一步提高分类的准确性。
进而，融合所述颜色特征图和所述纹理特征图以得到分类特征图。应可以理解，颜色特征图和纹理特征图分别捕捉了试纸条图像的不同方面信息。颜色特征图反映了试纸条的颜色分布和色调信息，而纹理特征图则表示了试纸条的纹理结构和细节。融合颜色和纹理特征可以帮助克服单独使用其中一种特征可能遇到的限制。例如，仅使用颜色特征可能无法捕捉到试纸条的纹理细节，而仅使用纹理特征可能无法捕捉到试纸条的颜色变化。通过融合这两种特征，可以综合利用它们的优势，提高分类的准确性和鲁棒性。最后，将所述分类特征图通过分类器以得到用于表示所述检测试纸条是否包含目标待检测物质的分类结果。基于所述分类结果，可以快速帮助用户判断试纸条的检测结果，提高免疫胶体金试纸条诊断的准确性。
特别地，考虑到原始的分类特征图可能具有较高的维度，包含了大量的冗余信息。通过稀疏化处理，可以将特征图的维度降低到一个更合适的范围。这有助于减少后续分类模型的复杂性和计算负担，提高计算效率。同时，稀疏化处理可以去除特征图中的冗余信息，只保留最具有代表性的特征。这有助于提取更加鲁棒和判别性的特征表示，从而提高分类任务的性能。并且，通过稀疏化处理，可以去除特征图中的噪声和不重要的细节信息，使得分类特征图更加关注于图像中的重要特征。这有助于提高分类模型的泛化能力，使其在未见过的样本上表现更好。
具体地，计算所述分类特征图的稀疏化分类特征图，包括：确定所述分类特征图的尺寸和通道数，其中，所述分类特征图的尺寸为H×W，H为高度，W为宽度，且通道数为C；对于所述分类特征图的每个像素位置(i,j)，提取所述分类特征图在每个像素位置的通道特征向量作为所述每个像素位置的特征描述符；对于所述分类特征图的每个像素位置(i,j)，计算所述每个像素位置(i,j)的特征描述符与所述分类特征图的其他像素位置(k，l)的特征描述符之间的欧式距离，并计算多个欧式距离的加和值作为所述分类特征图的每个像素位置(i,j)的得分值；对所述所述分类特征图的每个像素位置(i,j)的得分值进行基于最大值的归一化处理以得到所述分类特征图的每个像素位置的单应概率密度值；以所述分类特征图的每个像素位置的单应概率密度值构成的概率密度特征矩阵作为权重矩阵，分别对所述分类特征图的各个通道维度的特征矩阵进行按位置点乘以得到所述稀疏化分类特征图。
在本申请的技术方案中，通过计算所述分类特征图的单应概率密度空间表示以得到一个连续且光滑的概率分布，避免了传统方法中常见的阈值选择和后处理等问题，同时，根据不同类别的像素在概率空间中的分布情况，自适应地调整分类特征图的权重，增强了所述分类特征图的特征表达的灵活性和适应性，能够适应不同场景和任务的需求。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图1为根据本申请实施例的免疫胶体金诊断试纸条自动识别系统的系统框图。如图1所示，在免疫胶体金诊断试纸条自动识别系统100中，包括：数据采集模块110，用于获取检测试纸条的图像；降噪模块120，用于将所述检测试纸条的图像通过基于自动编解码器的降噪模块以得到降噪后试纸条图像；颜色空间转换模块130，用于将所述降噪后试纸条图像从RGB颜色空间转化到YCbCr颜色空间并提取各个通道的LBP纹理特征直方图；纹理特征编码模块140，用于将所述各个通道的LBP纹理特征直方图分别通过作为特征提取器的第一卷积神经网络模型以得到多个纹理特征图，并将所述多个纹理特征图进行级联以得到纹理特征图；颜色特征编码模块150，用于将所述降噪后试纸条图像通过作为特征提取器的第二卷积神经网络模型以得到颜色特征图；特征融合模块160，用于融合所述颜色特征图和所述纹理特征图以得到分类特征图；优化模块170，用于计算所述分类特征图的稀疏化分类特征图；检测结果生成模块180，用于将所述稀疏化分类特征图通过分类器以得到分类结果，所述分类结果用于表示所述检测试纸条是否包含目标待检测物质。
图2为根据本申请实施例的免疫胶体金诊断试纸条自动识别系统的架构图。如图2所示，在该架构中，首先，获取检测试纸条的图像。接着，将所述检测试纸条的图像通过基于自动编解码器的降噪模块以得到降噪后试纸条图像。然后，将所述降噪后试纸条图像从RGB颜色空间转化到YCbCr颜色空间并提取各个通道的LBP纹理特征直方图。紧接着，将所述各个通道的LBP纹理特征直方图分别通过作为特征提取器的第一卷积神经网络模型以得到多个纹理特征图，并将所述多个纹理特征图进行级联以得到纹理特征图。同时，将所述降噪后试纸条图像通过作为特征提取器的第二卷积神经网络模型以得到颜色特征图。进而，融合所述颜色特征图和所述纹理特征图以得到分类特征图。然后，计算所述分类特征图的稀疏化分类特征图。最后，将所述稀疏化分类特征图通过分类器以得到分类结果，所述分类结果用于表示所述检测试纸条是否包含目标待检测物质。
在免疫胶体金诊断试纸条自动识别系统100中，所述数据采集模块110，用于获取检测试纸条的图像。应可以理解，获取待检测试纸条的图像是本申请技术方案的第一步，是整个免疫胶体金诊断试纸条自动识别的基础。通过获取检测试纸条的图像，可以将试纸条上的信息转化为数字化的数据，方便后续步骤中的数据处理和分析。同时，检测试纸条中的颜色和纹理信息是判断试纸条是否包含目标待检测物质的重要依据。
在免疫胶体金诊断试纸条自动识别系统100中，所述降噪模块120，用于将所述检测试纸条的图像通过基于自动编解码器的降噪模块以得到降噪后试纸条图像。在实际应用中，试纸条的图像可能会受到多种因素的影响，如光线条件、摄像设备的性能、手持设备的晃动等，这些因素可能导致图像中存在噪声和模糊等问题。如果直接使用带有噪声和干扰的图像进行后续处理，可能会影响后续特征提取和分类的准确性。自动编解码器是一种神经网络模型，可以学习输入图像的特征表示并生成重建图像。它由编码器和解码器两部分组成，编码器将输入图像压缩为低维表示，解码器则将低维表示还原为重建图像。通过训练自动编解码器，可以使其学习到输入图像的特征并去除图像中的噪声和模糊。通过将检测试纸条的图像输入到基于自动编解码器的降噪模块中，可以去除图像中的噪声和干扰，提高图像的质量和清晰度。
图3为根据本申请实施例的免疫胶体金诊断试纸条自动识别系统中降噪模块的框图。如图3所示，所述降噪模块120，包括：图像特征编码单元121，用于将所述检测试纸条的图像输入所述降噪模块的编码器，其中，所述编码器使用卷积层对所述检测试纸条的图像进行显式空间编码以得到图像特征；图像特征解码单元122，用于将所述图像特征输入所述降噪模块的解码器，其中，所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述降噪后试纸条图像。
在免疫胶体金诊断试纸条自动识别系统100中，所述颜色空间转换模块130，用于将所述降噪后试纸条图像从RGB颜色空间转化到YCbCr颜色空间并提取各个通道的LBP纹理特征直方图。应可以理解，YCbCr颜色空间是一种将亮度(Y)和色度(Cb和Cr)分开表示的颜色空间。亮度通道(Y通道)包含了图像的亮度信息，而色度通道(Cb和Cr通道)包含了图像的颜色信息。通过将降噪后试纸条图像转化到YCbCr颜色空间，可以将注意力更加集中在亮度和纹理信息上。LBP是一种用于描述图像纹理特征的方法，它通过对每个像素周围的邻域进行比较，生成局部二值模式，并将这些模式编码成直方图。LBP特征可以有效地表达图像的纹理信息，对于试纸条图像的纹理特征提取具有较好的效果。将降噪后的试纸条图像从RGB颜色空间转化到YCbCr颜色空间，并提取各个通道的LBP纹理特征直方图，可以更好地捕捉试纸条的纹理特征，提供更具区分度的特征表示。
在免疫胶体金诊断试纸条自动识别系统100中，所述纹理特征编码模块140，用于将所述各个通道的LBP纹理特征直方图分别通过作为特征提取器的第一卷积神经网络模型以得到多个纹理特征图，并将所述多个纹理特征图进行级联以得到纹理特征图。本领域普通技术人员应该知晓，卷积神经网络(CNN)在特征提取方面表现优异。卷积层是卷积神经网络最重要的层之一，通过将输入数据与一组可学习的卷积核进行卷积操作来提取输入数据的局部特征，卷积操作通过滑动窗口的方式在输入数据上进行，生成一系列的特征图；池化层用于对特征图进行下采样，减少特征图维度的同时能保留主要特征；激活函数是卷积神经网络中的一个重要组成部分，通过引入非线性变换，增强网络的表达能力和拟合复杂函数的能力。将LBP纹理特征直方图输入到CNN中，可以利用CNN的卷积层和池化层来提取更具区分度的纹理特征。由于不同通道的LBP纹理特征直方图表示了不同的纹理信息，通过将它们分别输入到CNN中，可以分别学习每个通道的纹理特征表示。将多个纹理特征图级联在一起，可以将不同通道的纹理特征信息融合在一起，形成更综合的纹理特征表示。级联操作可以通过将多个特征图在通道维度上连接来实现。这样做可以捕捉到不同通道之间的相关性和互补性，进一步提高纹理特征的表达能力。
具体地，在免疫胶体金诊断试纸条自动识别系统100中，所述纹理特征编码模块140，用于：使用所述作为特征提取器的第一卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部矩阵的均值池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述多个纹理特征图，所述第一卷积神经网络模型的第一层的输入为所述各个通道的LBP纹理特征直方图。
在免疫胶体金诊断试纸条自动识别系统100中，所述颜色特征编码模块150，用于将所述降噪后试纸条图像通过作为特征提取器的第二卷积神经网络模型以得到颜色特征图。应可以理解，免疫胶体金试纸条的颜色线条是判断是否存在目标检测物质的关键指标之一。第二卷积神经网络模型作为特征提取器，通过对降噪后的试纸条图像进行处理，可以提取出与颜色相关的特征信息。通过提取颜色特征图，可以更准确地表示试纸条上颜色线条的特征，进一步提高分类的准确性。
具体地，在免疫胶体金诊断试纸条自动识别系统100中，所述颜色特征编码模块150，用于：使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部矩阵的均值池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述颜色特征图，所述第二卷积神经网络模型的第一层的输入为所述降噪后试纸条图像。
在免疫胶体金诊断试纸条自动识别系统100中，所述特征融合模块160，用于融合所述颜色特征图和所述纹理特征图以得到分类特征图。应可以理解，颜色特征图和纹理特征图分别捕捉了试纸条图像的不同方面信息。颜色特征图反映了试纸条的颜色分布和色调信息，而纹理特征图则表示了试纸条的纹理结构和细节。融合颜色和纹理特征可以帮助克服单独使用其中一种特征可能遇到的限制。例如，仅使用颜色特征可能无法捕捉到试纸条的纹理细节，而仅使用纹理特征可能无法捕捉到试纸条的颜色变化。通过融合这两种特征，可以综合利用它们的优势，提高分类的准确性和鲁棒性。
特别地，考虑到原始的分类特征图可能具有较高的维度，包含了大量的冗余信息。通过稀疏化处理，可以将特征图的维度降低到一个更合适的范围。这有助于减少后续分类模型的复杂性和计算负担，提高计算效率。同时，稀疏化处理可以去除特征图中的冗余信息，只保留最具有代表性的特征。这有助于提取更加鲁棒和判别性的特征表示，从而提高分类任务的性能。并且，通过稀疏化处理，可以去除特征图中的噪声和不重要的细节信息，使得分类特征图更加关注于图像中的重要特征。这有助于提高分类模型的泛化能力，使其在未见过的样本上表现更好。
在免疫胶体金诊断试纸条自动识别系统100中，所述优化模块170，用于计算所述分类特征图的稀疏化分类特征图。
图4为根据本申请实施例的免疫胶体金诊断试纸条自动识别系统中优化模块的框图。如图4所示，所述优化模块170，包括：相关参数确定单元171，用于确定所述分类特征图的尺寸和通道数，其中，所述分类特征图的尺寸为H×W，H为高度，W为宽度，且通道数为C；特征描述符选取单元172，用于对于所述分类特征图的每个像素位置(i,j)，提取所述分类特征图在每个像素位置的通道特征向量作为所述每个像素位置的特征描述符；欧几里德距离计算单元173，用于对于所述分类特征图的每个像素位置(i,j)，计算所述每个像素位置(i,j)的特征描述符与所述分类特征图的其他像素位置(k，l)的特征描述符之间的欧式距离，并计算多个欧式距离的加和值作为所述分类特征图的每个像素位置(i,j)的得分值；最大值归一化处理单元174，用于对所述所述分类特征图的每个像素位置(i,j)的得分值进行基于最大值的归一化处理以得到所述分类特征图的每个像素位置的单应概率密度值；按位置点乘单元175，用于以所述分类特征图的每个像素位置的单应概率密度值构成的概率密度特征矩阵作为权重矩阵，分别对所述分类特征图的各个通道维度的特征矩阵进行按位置点乘以得到所述稀疏化分类特征图。
在免疫胶体金诊断试纸条自动识别系统100中，所述检测结果生成模块180，用于将所述稀疏化分类特征图通过分类器以得到分类结果，所述分类结果用于表示所述检测试纸条是否包含目标待检测物质。分类器作为一种机器学习模型，可以根据输入数据进行分析和判断，将其映射到不同的类别上。通过将稀疏化分类特征图输入到训练好的分类器里，可以得到用于表示所述检测试纸条是否包含目标待检测物质的分类结果。基于所述分类结果，可以快速帮助用户判断试纸条的检测结果，提高免疫胶体金试纸条诊断的准确性。
图5为根据本申请实施例的免疫胶体金诊断试纸条自动识别系统中检测结果生成模块的框图。如图5所示，所述检测结果生成模块180，包括：展开单元181，用于将所述稀疏化分类特征图基于行向量或列向量的展开为分类特征向量；全连接编码单元182，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；分类结果生成单元183，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上所述，基于本申请实施例的免疫胶体金诊断试纸条自动识别系统100被阐明，其采用基于深度学习的人工智能检测技术，通过对检测试纸条图像进行特征提取从而来判断其是否包含目标待检测物质。这样，可以自动化地判断检测结果，减少了人为判断的主观性和不确定性。
如上所述，根据本申请实施例的免疫胶体金诊断试纸条自动识别系统100可以实现在各种终端设备中，例如用于免疫胶体金诊断试纸条自动识别的服务器等。在一个示例中，根据本申请实施例的免疫胶体金诊断试纸条自动识别系统100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，该免疫胶体金诊断试纸条自动识别系统100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，该免疫胶体金诊断试纸条自动识别系统100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，该免疫胶体金诊断试纸条自动识别系统100与该终端设备也可以是分立的设备，并且该免疫胶体金诊断试纸条自动识别系统100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。
示例性方法
图6为根据本申请实施例的免疫胶体金诊断试纸条自动识别方法的流程图。如图6所示，在免疫胶体金诊断试纸条自动识别方法中，包括：S110，获取检测试纸条的图像；S120，将所述检测试纸条的图像通过基于自动编码器的降噪模块以得到降噪后试纸条图像；S130，将所述降噪后试纸条图像从RGB颜色空间转化到YCbCr颜色空间并提取各个通道的LBP纹理特征直方图；S140，将所述各个通道的LBP纹理特征直方图分别通过作为特征提取器的第一卷积神经网络模型以得到多个纹理特征图，并将所述多个纹理特征图进行级联以得到纹理特征图；S150，将所述降噪后试纸条图像通过作为特征提取器的第二卷积神经网络模型以得到颜色特征图；S160，融合所述颜色特征图和所述纹理特征图以得到分类特征图；S170，计算所述分类特征图的稀疏化分类特征图；S180，将所述稀疏化分类特征图通过分类器以得到分类结果，所述分类结果用于表示所述检测试纸条是否包含目标待检测物质。
在一个示例中，在上述免疫胶体金诊断试纸条自动识别方法中，所述将所述检测试纸条的图像通过基于自动编码器的降噪模块以得到降噪后试纸条图像，包括：将所述检测试纸条的图像输入所述降噪模块的编码器，其中，所述编码器使用卷积层对所述检测试纸条的图像进行显式空间编码以得到图像特征；将所述图像特征输入所述降噪模块的解码器，其中，所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述降噪后试纸条图像。
在一个示例中，在上述免疫胶体金诊断试纸条自动识别方法中，所述将所述各个通道的LBP纹理特征直方图分别通过作为特征提取器的第一卷积神经网络模型以得到多个纹理特征图，并将所述多个纹理特征图进行级联以得到纹理特征图，包括：使用所述作为特征提取器的第一卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部矩阵的均值池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的最后一层的输出为所述多个纹理特征图，所述第一卷积神经网络模型的第一层的输入为所述各个通道的LBP纹理特征直方图。
在一个示例中，在上述免疫胶体金诊断试纸条自动识别方法中，所述将所述降噪后试纸条图像通过作为特征提取器的第二卷积神经网络模型以得到颜色特征图，包括：使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部矩阵的均值池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述颜色特征图，所述第二卷积神经网络模型的第一层的输入为所述降噪后试纸条图像。
在一个示例中，在上述免疫胶体金诊断试纸条自动识别方法中，所述计算所述分类特征图的稀疏化分类特征图，包括：确定所述分类特征图的尺寸和通道数，其中，所述分类特征图的尺寸为H×W，H为高度，W为宽度，且通道数为C；对于所述分类特征图的每个像素位置(i,j)，提取所述分类特征图在每个像素位置的通道特征向量作为所述每个像素位置的特征描述符；对于所述分类特征图的每个像素位置(i,j)，计算所述每个像素位置(i,j)的特征描述符与所述分类特征图的其他像素位置(k，l)的特征描述符之间的欧式距离，并计算多个欧式距离的加和值作为所述分类特征图的每个像素位置(i,j)的得分值；对所述所述分类特征图的每个像素位置(i,j)的得分值进行基于最大值的归一化处理以得到所述分类特征图的每个像素位置的单应概率密度值；以所述分类特征图的每个像素位置的单应概率密度值构成的概率密度特征矩阵作为权重矩阵，分别对所述分类特征图的各个通道维度的特征矩阵进行按位置点乘以得到所述稀疏化分类特征图。
在一个示例中，在上述免疫胶体金诊断试纸条自动识别方法中，所述将所述稀疏化分类特征图通过分类器以得到分类结果，所述分类结果用于表示所述检测试纸条是否包含目标待检测物质，包括：将所述稀疏化分类特征图基于行向量或列向量的展开为分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上所述，基于本申请实施例的免疫胶体金诊断试纸条自动识别方法被阐明，其采用基于深度学习的人工智能检测技术，通过对检测试纸条图像进行特征提取从而来判断其是否包含目标待检测物质。这样，可以自动化地判断检测结果，减少了人为判断的主观性和不确定性。
示例性电子设备
下面，参考图7来描述根据本申请实施例的电子设备。
图7为根据本申请实施例的电子设备的框图。
如图7所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的免疫胶体金诊断试纸条自动识别方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如检测试纸条的图像等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括判断检测试纸条是否包含目标待检测物质的结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图7中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的免疫胶体金诊断试纸条自动识别方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的免疫胶体金诊断试纸条自动识别方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
Claims (6)
1.一种免疫胶体金诊断试纸条自动识别系统，其特征在于，包括：
数据采集模块，用于获取检测试纸条的图像；
降噪模块，用于将所述检测试纸条的图像通过基于自动编解码器的降噪模块以得到降噪后试纸条图像；
颜色空间转换模块，用于将所述降噪后试纸条图像从RGB颜色空间转化到YCbCr颜色空间并提取各个通道的LBP纹理特征直方图；
纹理特征编码模块，用于将所述各个通道的LBP纹理特征直方图分别通过作为特征提取器的第一卷积神经网络模型以得到多个纹理特征图，并将所述多个纹理特征图进行级联以得到纹理特征图；
颜色特征编码模块，用于将所述降噪后试纸条图像通过作为特征提取器的第二卷积神经网络模型以得到颜色特征图；
特征融合模块，用于融合所述颜色特征图和所述纹理特征图以得到分类特征图；
优化模块，用于计算所述分类特征图的稀疏化分类特征图；
检测结果生成模块，用于将所述稀疏化分类特征图通过分类器以得到分类结果，所述分类结果用于表示所述检测试纸条是否包含目标待检测物质。
2.根据权利要求1所述的免疫胶体金诊断试纸条自动识别系统，其特征在于，所述降噪模块，包括：
图像特征编码单元，用于将所述检测试纸条的图像输入所述降噪模块的编码器，其中，所述编码器使用卷积层对所述检测试纸条的图像进行显式空间编码以得到图像特征；
图像特征解码单元，用于将所述图像特征输入所述降噪模块的解码器，其中，所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述降噪后试纸条图像。
3.根据权利要求2所述的免疫胶体金诊断试纸条自动识别系统，其特征在于，所述纹理特征编码模块，用于：
使用所述作为特征提取器的第一卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：
对所述输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于局部矩阵的均值池化处理以得到池化特征图；
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第一卷积神经网络模型的最后一层的输出为所述多个纹理特征图，所述第一卷积神经网络模型的第一层的输入为所述各个通道的LBP纹理特征直方图。
4.根据权利要求3所述的免疫胶体金诊断试纸条自动识别系统，其特征在于，所述颜色特征编码模块，用于：
使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：
对所述输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于局部矩阵的均值池化处理以得到池化特征图；
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述第二卷积神经网络模型的最后一层的输出为所述颜色特征图，所述第二卷积神经网络模型的第一层的输入为所述降噪后试纸条图像。
5.根据权利要求4所述的免疫胶体金诊断试纸条自动识别系统，其特征在于，所述优化模块，包括：
相关参数确定单元，用于确定所述分类特征图的尺寸和通道数，其中，所述分类特征图的尺寸为H×W，H为高度，W为宽度，且通道数为C；
特征描述符选取单元，用于对于所述分类特征图的每个像素位置(i,j)，提取所述分类特征图在每个像素位置的通道特征向量作为所述每个像素位置的特征描述符；
欧几里德距离计算单元，用于对于所述分类特征图的每个像素位置(i,j)，计算所述每个像素位置(i,j)的特征描述符与所述分类特征图的其他像素位置(k，l)的特征描述符之间的欧式距离，并计算多个欧式距离的加和值作为所述分类特征图的每个像素位置(i,j)的得分值；
最大值归一化处理单元，用于对所述分类特征图的每个像素位置(i,j)的得分值进行基于最大值的归一化处理以得到所述分类特征图的每个像素位置的单应概率密度值；
按位置点乘单元，用于以所述分类特征图的每个像素位置的单应概率密度值构成的概率密度特征矩阵作为权重矩阵，分别对所述分类特征图的各个通道维度的特征矩阵进行按位置点乘以得到所述稀疏化分类特征图。
6.根据权利要求5所述的免疫胶体金诊断试纸条自动识别系统，其特征在于，所述检测结果生成模块，包括：
展开单元，用于将所述稀疏化分类特征图基于行向量或列向量的展开为分类特征向量；
全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；
分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311140648.4A CN117197487B (zh) | 2023-09-05 | 2023-09-05 | 一种免疫胶体金诊断试纸条自动识别系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311140648.4A CN117197487B (zh) | 2023-09-05 | 2023-09-05 | 一种免疫胶体金诊断试纸条自动识别系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117197487A true CN117197487A (zh) | 2023-12-08 |
| CN117197487B CN117197487B (zh) | 2024-04-12 |
Family
ID=88993547
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311140648.4A Active CN117197487B (zh) | 2023-09-05 | 2023-09-05 | 一种免疫胶体金诊断试纸条自动识别系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117197487B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111832405A (zh) * | 2020-06-05 | 2020-10-27 | 天津大学 | 一种基于hog和深度残差网络的人脸识别方法 |
| WO2021057690A1 (zh) * | 2019-09-24 | 2021-04-01 | 华为技术有限公司 | 构建神经网络的方法与装置、及图像处理方法与装置 |
| WO2022022695A1 (zh) * | 2020-07-31 | 2022-02-03 | 华为技术有限公司 | 图像识别方法和装置 |
| CN115375691A (zh) * | 2022-10-26 | 2022-11-22 | 济宁九德半导体科技有限公司 | 基于图像的半导体扩散纸源缺陷检测系统及其方法 |
| CN115410050A (zh) * | 2022-11-02 | 2022-11-29 | 杭州华得森生物技术有限公司 | 基于机器视觉的肿瘤细胞检测设备及其方法 |
| CN115661090A (zh) * | 2022-11-01 | 2023-01-31 | 安徽万方织染有限公司 | 纺织面料的智能化加工工艺及其系统 |
| CN116012837A (zh) * | 2022-12-09 | 2023-04-25 | 绍兴尔蓉科技有限公司 | 基于无损探测的食材质量检测系统及其检测方法 |
| WO2023070447A1 (zh) * | 2021-10-28 | 2023-05-04 | 京东方科技集团股份有限公司 | 模型训练方法、图像处理方法、计算处理设备及非瞬态计算机可读介质 |
| WO2023082453A1 (zh) * | 2021-11-15 | 2023-05-19 | 深圳须弥云图空间科技有限公司 | 一种图像处理方法及装置 |
-
2023
- 2023-09-05 CN CN202311140648.4A patent/CN117197487B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021057690A1 (zh) * | 2019-09-24 | 2021-04-01 | 华为技术有限公司 | 构建神经网络的方法与装置、及图像处理方法与装置 |
| CN111832405A (zh) * | 2020-06-05 | 2020-10-27 | 天津大学 | 一种基于hog和深度残差网络的人脸识别方法 |
| WO2022022695A1 (zh) * | 2020-07-31 | 2022-02-03 | 华为技术有限公司 | 图像识别方法和装置 |
| WO2023070447A1 (zh) * | 2021-10-28 | 2023-05-04 | 京东方科技集团股份有限公司 | 模型训练方法、图像处理方法、计算处理设备及非瞬态计算机可读介质 |
| WO2023082453A1 (zh) * | 2021-11-15 | 2023-05-19 | 深圳须弥云图空间科技有限公司 | 一种图像处理方法及装置 |
| CN115375691A (zh) * | 2022-10-26 | 2022-11-22 | 济宁九德半导体科技有限公司 | 基于图像的半导体扩散纸源缺陷检测系统及其方法 |
| CN115661090A (zh) * | 2022-11-01 | 2023-01-31 | 安徽万方织染有限公司 | 纺织面料的智能化加工工艺及其系统 |
| CN115410050A (zh) * | 2022-11-02 | 2022-11-29 | 杭州华得森生物技术有限公司 | 基于机器视觉的肿瘤细胞检测设备及其方法 |
| CN116012837A (zh) * | 2022-12-09 | 2023-04-25 | 绍兴尔蓉科技有限公司 | 基于无损探测的食材质量检测系统及其检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 张丽;闫鑫;李敏;姜丽丽;徐虹霞;张光;: "基于深度判别性特征学习的医学影像分析方法", 中国实用医药, no. 10, 10 April 2020 (2020-04-10) * |
| 李钦;游雄;李科;汤奋;: "图像深度层次特征提取算法", 模式识别与人工智能, no. 02, 15 February 2017 (2017-02-15) * |
| 蓝朝桢;施群山;崔志祥;秦剑琪;徐青;: "无人机影像与卫星影像配准的卷积神经网络方法", 测绘科学技术学报, no. 01 * |
| 詹炜;INOMJON RAMATOV;崔万新;喻晶精;: "基于候选区域的深度学习目标检测算法综述", 长江大学学报(自然科学版), no. 05 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117197487B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109344701B (zh) | 一种基于Kinect的动态手势识别方法 | |
| CN109190752B (zh) | 基于深度学习的全局特征和局部特征的图像语义分割方法 | |
| CN112465828B (zh) | 一种图像语义分割方法、装置、电子设备及存储介质 | |
| CN111401384B (zh) | 一种变电设备缺陷图像匹配方法 | |
| CN110648334A (zh) | 一种基于注意力机制的多特征循环卷积显著性目标检测方法 | |
| CN115410050B (zh) | 基于机器视觉的肿瘤细胞检测设备及其方法 | |
| CN112560831B (zh) | 一种基于多尺度空间校正的行人属性识别方法 | |
| CN112861575A (zh) | 一种行人结构化方法、装置、设备和存储介质 | |
| CN114724155B (zh) | 基于深度卷积神经网络的场景文本检测方法、系统及设备 | |
| CN107273870A (zh) | 一种监控场景下融合上下文信息的行人位置检测方法 | |
| CN112364873A (zh) | 弯曲文本图像的文字识别方法、装置及计算机设备 | |
| CN111191654A (zh) | 道路数据生成方法、装置、电子设备及存储介质 | |
| TW200529093A (en) | Face image detection method, face image detection system, and face image detection program | |
| CN109977834B (zh) | 从深度图像中分割人手与交互物体的方法和装置 | |
| CN112949451B (zh) | 通过模态感知特征学习的跨模态目标跟踪方法及系统 | |
| CN116246059A (zh) | 一种基于改进的yolo多尺度检测的车辆目标识别方法 | |
| CN107886093B (zh) | 一种字符检测方法、系统、设备及计算机存储介质 | |
| CN113971826A (zh) | 估计连续的效价和唤醒水平的动态情感识别方法和系统 | |
| WO2024027347A1 (zh) | 内容识别方法、装置、设备、存储介质及计算机程序产品 | |
| CN117173147A (zh) | 钢带加工用表面处理设备及其方法 | |
| CN116994049A (zh) | 全自动针织横机及其方法 | |
| CN117197487B (zh) | 一种免疫胶体金诊断试纸条自动识别系统 | |
| CN116229406A (zh) | 车道线检测方法、系统、电子设备及存储介质 | |
| CN108154107B (zh) | 一种确定遥感图像归属的场景类别的方法 | |
| CN116311290A (zh) | 基于深度学习的手写及打印文本检测方法和装置 |
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 |