一种荧光免疫层析试纸的半定量分析方法技术

本发明专利技术提供一种荧光免疫层析试纸的半定量分析方法，基于阈值分割实现定量分析，在采集待测试纸在紫外灯光照射下的图像信息之后，通过SSR算法修正，之后将修正后的图像分块阈值分割处理，获得有关质控线C和检测线T的二值图像，确定检测线有效区，后通过参考峰值法，分别得到检测线的粗区域与精确区域，并提取区域中的十组图像信息输入经过训练的BP神经网络，由此获得检测结果，并将结果保存至MySQL数据库中。本发明专利技术可以较快完成检测区的半定量检测，同时降低人员判断带来的误差并且降低人员检测的成本。

【技术实现步骤摘要】
一种荧光免疫层析试纸的半定量分析方法
本专利技术属于图像处理领域，涉及一种荧光免疫层析试纸的半定量分析方法，特别涉及一种基于BP神经网络的荧光免疫层析试纸的半定量分析方法。
技术介绍
随着当前医疗水平的提高，试纸检测应用范围也越来越广，目前市面上采用的荧光免疫层析试纸灵敏度和特异性同一般试纸相比较高，但是其结果的读取需要通过紫外光线的激发。传统的人工读取虽然可以完成部分样本结果的读取，但是存在标准不统一、无法定量检测等问题。同时长时间面对紫外光线照射下的试纸条会导致视觉疲劳，从而可能会造成误读取等问题。而传统的机器学习算法存在样本训练时间长，算法运行速度慢，同时环境适应性较低。因此采用机器视觉和机器学习相结合的方法对荧光免疫层析试纸的半定量检测具有一定的必要性。
技术实现思路
本专利技术就以上背景，提供了一种基于阈值分割的荧光免疫层析试纸的半定量分析方法。本专利技术采用了一种分块阈值法对荧光免疫层析试纸中的检测线信息进行有效提取，并在光照修正后采取了分块阈值分割以及二值化，有效的减小了在实际操作过程中由于光线以及不同摄像模块导致的图像数据不统一的情况。最后通过导入训练好的BP神经网络得到对应的试纸信息输出。本专利技术的具体步骤如下：步骤(1)：通过微距相机采集365nm紫外灯光照射下的荧光免疫层析试纸，并通过上位机编程将微距相机采集的图像信息通过ESP32模块发送至本地端，通过python3.7读取图片数据流，准备进行图像预处理；步骤(2)：预先训练荧光免疫试纸分析的BP神经网络模型，将已知的试纸样本预处理后按照强阳性、弱阳性、强阴性、弱阴性、无效输入至训练库中，把已知样本按照8：2的比例划分训练集以及测试集导入BP神经网络进行训练，并设定迭代次数以及训练集的准确率来保证训练网络的可靠度，所采用的BP神经网络包含输入层、隐藏层、输出层三层，并且最后采取均方根误差比较法来评定误差。所述步骤2的训练过程中，把质控线C与检测线T的灰度之比Gray(T/C)与质控线C与检测线T的对比度之比Contrast(T/C)、检测线T区图像的熵Ent(T)检测线T的平均梯度G(T)、检测线T的标准差δ(T)、检测线T的相关系数Cov(T)、检测线T的R通道均值、以及图像HSV通道中检测线T的H分量、S分量、V分量作为输入量，样本的不同检测结果作为输出量。设置输入层为10个神经元，中间层包含3个隐藏神经元、输出层包含5个神经元。10个输入神经元代表相应的试纸图像信息指标，5个输出神经元代表不同的检测结果。同时，把代表试剂条检测线信息的指标归一化处理统一导入MySQL数据库中进行数据保存以及后期训练时的统一提取访问。步骤(3)：对原始图像预处理：在图像处理过程中，依次经过SSR算法修正、分块阈值提取、二值处理、形态学处理等过程，从而得到可以进行识别的试纸信息。步骤(4)：通过重心提取以及参考寻峰法，依次确定识别线的粗区域以及精确区域，并确定质控线T和检测线C的位置；步骤(5)：将提取出的试剂条信息代入训练好的荧光免疫试纸分析的BP神经网络算法，通过BP神经网络的输出来判断样本的检测结果。进一步的，所述步骤(3)的具体方法如下：步骤(3-1)：输入原始的试剂条图像Image(x,y)，并规定滤波半径范围，出原始试剂条图像经过高斯滤波后的结果L(x,y)，并通过计算得到量化后的像素并输出图像结果；步骤(3-2)：将SSR算法修正后得到的图像进行灰度化处理和二值化处理。在分割时采用基于OTSU法的分块阈值法；步骤(3-3)：对二值图像进行形态学处理，得到连续的检测线T与质控线C区域。由于试剂过程中荧光免疫层析试纸检测线边缘的图像通常较为模糊，因此配合形态学处理可以有效地去除噪点。进一步的，所述步骤(4)质控线和检测线确定的具体方法如下：步骤(4-1)：确定质控线C前的矩形和检测线T后的矩形，确定二者重心，在重心确定的过程中，可以认为检测线和质控线外的区域是均匀的；步骤(4-2)：以重心的作为检测区域的边界，通过矩形框选识别区域，作为待识别双线的粗识别范围。对于重心的提取方法，根据实际图像上不同位置的光强分布不同因而不同点的权重也不同，因而采用了一种根据光强密度不同的重心提取法，确定了检测线T与质控线C的大致区域。步骤(4-3)：通过绘制试剂条灰度值随长度的曲线图，由于原始的光照修正算法只能抑制大部分光照不均带来的影响，在零线附近仍存在少量分量，因此采用基于最小二乘法的零线拟合法得到垂直方向的试剂条的原始灰度值图，把均方和最小的基线作为新曲线图的零线；步骤(4-4)：通过参考寻峰法，把通过重心提取后的质控线的最大峰值作为参考标准，确定质控线T的精确区域；步骤(4-5)：步骤(4-5)：首先查找重心提取后的检测线T粗区域中的最大灰度值，并且记录该点对应的坐标(x1,y1),记录最大灰度值y1的大小，比较灰度值的范围以及对称性、单峰性等属性，确定检测线T的精确位置。进一步的，所述步骤(5)检测结果的确定方法如下：步骤(5-1)：提取质控线C与检测线T的灰度之比Gray(T/C)与质控线C与检测线T的对比度之比Contrast(T/C)、检测线T区图像的熵Ent(T)检测线T的平均梯度G(T)、检测线T的标准差δ(T)、检测线T的相关系数Cov(T)、检测线T的R通道均值、以及图像HSV通道中检测线T的H分量、S分量、V分量十组图像信息，并进行归一化处理；步骤(5-2)：把提取出的试剂条信息作为BP神经网络的输入，代入训练好的分析模型。在指标选取方面，这种做法抑制了由于光照环境等不同因素导致的不同试剂样本的检测线绝对指标的变化，减少了干扰，在一定程度上提高了检测的准确度。步骤(5-3)：通过训练好的BP神经网络模型将归一化后的试纸信息指标转化为不同的样本类型指标，将无效规定为“-1”，强阳规定为“0”，弱阳规定为“1”，弱阴规定为“2”，强阴规定为“3”，把结果输出并保存至MySQL数据库中作为已测样本。作为优选的，基于BP神经网络算法的分类法搭载样本更新的过程，其过程如下：对新检测样本的检测信息通过MySQL数据库记录，并在MySQL数据库中达到一定数量时并确定检测结果无误时，把已检测数据作为新的已知样本重新进行训练算迭代，可以得到训练模型，从而完成样本检测的阈值更新过程。本专利技术与现有方法相比，具有以下优势：1、本专利技术通过引入灰度值之比、对比度之比等相对指标，进行待测样本的量化，有效的减少了由样本浓度等因素对实际试纸条的影响，并可以半定量的得出样本检测结果。并通过引入光照不均匀的修正以及分块阈值的方法，提高了检测过程的环境适应性。2、本专利技术通过图像处理的方法，有效的从已知样本中提取信息用于未知样本的检测，不仅可以减少人力成本，并且可以减少由于人工判断带来的失误，一定程度上可以提高检测的效率。附图说明图1为本专利技术分析方法本文档来自技高网...

【技术保护点】
1.一种荧光免疫层析试纸的半定量分析方法，特征在于该方法基于阈值分割来进行荧光免疫层析试纸的半定量分析，具体步骤如下：/n步骤(1)：通过微距相机采集365nm紫外灯光照射下的荧光免疫层析试纸，并通过上位机编程将微距相机采集的图像信息通过ESP32模块发送至本地端，通过python3.7读取图片数据流，准备进行图像预处理；/n步骤(2)：预先训练荧光免疫试纸分析的BP神经网络模型，将已知的试纸样本预处理后按照强阳性、弱阳性、强阴性、弱阴性、无效输入至训练库中，把已知样本按照8：2的比例划分训练集以及测试集导入BP神经网络进行训练，并设定迭代次数以及训练集的准确率来保证训练网络的可靠度，所采用的BP神经网络包含输入层、隐藏层、输出层三层，并且最后采取均方根误差比较法来评定误差；/n步骤(3)：对原始图像预处理：/n在图像处理过程中，依次经过SSR算法修正、分块阈值提取、二值处理、形态学处理等过程，从而得到可以进行识别的试纸信息；/n步骤(4)：通过重心提取以及参考寻峰法，依次确定识别线的粗区域以及精确区域，并确定质控线T和检测线C的位置；/n步骤(5)：将提取出的试剂条信息代入训练好的荧光免疫试纸分析的BP神经网络算法，通过BP神经网络的输出来判断样本的检测结果。/n...

【技术特征摘要】
1.一种荧光免疫层析试纸的半定量分析方法，特征在于该方法基于阈值分割来进行荧光免疫层析试纸的半定量分析，具体步骤如下：
步骤(1)：通过微距相机采集365nm紫外灯光照射下的荧光免疫层析试纸，并通过上位机编程将微距相机采集的图像信息通过ESP32模块发送至本地端，通过python3.7读取图片数据流，准备进行图像预处理；
步骤(2)：预先训练荧光免疫试纸分析的BP神经网络模型，将已知的试纸样本预处理后按照强阳性、弱阳性、强阴性、弱阴性、无效输入至训练库中，把已知样本按照8：2的比例划分训练集以及测试集导入BP神经网络进行训练，并设定迭代次数以及训练集的准确率来保证训练网络的可靠度，所采用的BP神经网络包含输入层、隐藏层、输出层三层，并且最后采取均方根误差比较法来评定误差；
步骤(3)：对原始图像预处理：
在图像处理过程中，依次经过SSR算法修正、分块阈值提取、二值处理、形态学处理等过程，从而得到可以进行识别的试纸信息；
步骤(4)：通过重心提取以及参考寻峰法，依次确定识别线的粗区域以及精确区域，并确定质控线T和检测线C的位置；
步骤(5)：将提取出的试剂条信息代入训练好的荧光免疫试纸分析的BP神经网络算法，通过BP神经网络的输出来判断样本的检测结果。


2.如权利要求1所述的一种荧光免疫层析试纸的半定量检测方法，其特征在于，所述步骤(2)的具体方法如下：
所述步骤2的训练过程中，把质控线C与检测线T的灰度之比Gray(T/C)与质控线C与检测线T的对比度之比Contrast(T/C)、检测线T区图像的熵Ent(T)检测线T的平均梯度G(T)、检测线T的标准差δ(T)、检测线T的相关系数Cov(T)、检测线T的R通道均值、以及图像HSV通道中检测线T的H分量、S分量、V分量作为输入量，样本的不同检测结果作为输出量。设置输入层为10个神经元，中间层包含3个隐藏神经元、输出层包含5个神经元，10个输入神经元代表相应的试纸图像信息指标，5个输出神经元代表不同的检测结果；
同时，把代表试剂条检测线信息的指标归一化处理统一导入MySQL数据库中进行数据保存以及后期训练时的统一提取访问。


3.如权利要求1所述的一种荧光免疫层析试纸的半定量检测方法，其特征在于，所述步骤(3)的具体方法如下：
步骤(3-1)：输入原始的试剂条图像Image(x,y)，并规定滤波半径范围，出原始试剂条图像经过高斯滤波后的结果L(x,y)，并通过计算得到量化后的像素并输出图像结果；
步骤(3-2)：将SSR算法修正后得到的图像进行灰度化处理和二值化处理。在分割时采用基于OTSU法的分块阈值法；
步骤(3-3)：对二值图像进行形态学处理，得到连续的检测线T与质控线C区域。由于试剂过程中荧光免疫层析试纸检测线边缘的图像通常较为模糊，因此配合形态学处...

【专利技术属性】
技术研发人员：金昱冏，张宇彤，焦俊章，王震，葛飞航，孔明，田晓宇，曹思睿，马静，覃广林，
申请(专利权)人：中国计量大学，浙江省人民医院，
类型：发明
国别省市：浙江;33