[发明专利]基于图像处理及KELM的医药试剂浓度定性检测方法

权利要求书

1.一种基于图像处理及KELM的医药试剂浓度定性检测方法，其特征在于，首先，将未知浓度医药试剂瓶和多个已知浓度医药试剂瓶排列放置，同时获取所有医药试剂瓶的图像，并分别提取未知浓度医药试剂瓶和已知浓度医药试剂瓶中的试剂目标区域；其次，分别对未知浓度医药试剂图像和已知浓度医药试剂图像的目标区域进行中值滤波去噪，并获取去噪后的目标区域图像的RGB和HSV特征参数；然后，把已知浓度医药试剂的特征参数和真实浓度输入到核极限学习机KELM中训练，得到最优参数和KELM模型；最后，把未知浓度医药试剂的特征参数代入KELM模型，得出未知浓度医药试剂的预测浓度，实现医药试剂浓度的定性检测。

2.根据权利要求1所述的基于图像处理及KELM的医药试剂浓度定性检测方法，其特征在于，具体包括以下步骤：

步骤1、将未知浓度医药试剂瓶和多个已知浓度医药试剂瓶排列放置，同时获取所有医药试剂瓶的图像，对图像进行基于阈值的彩色图像分割，将瓶中试剂区域与背景分离，然后将分离出来的多个区域进行腐蚀膨胀处理，分离出前n个高浓度医药试剂的目标区域图像；

步骤2、计算各高浓度医药试剂目标区域的形状中心位置，根据获取的n个形状中心位置的斜率与距离计算出剩余目标区域的形状中心位置；同时，计算多个高浓度医药试剂目标区域的长、宽平均值，得到目标区域的平均大小，然后结合形状中心位置和目标区域的平均大小确定每一个浓度医药试剂瓶图像的目标区域；

步骤3、分别对未知浓度医药试剂图像和已知浓度医药试剂图像的目标区域进行中值滤波去噪，对去噪后的目标区域图像进行3*3的分割，得到9个不同的区域，同时获取这9个区域的RGB和HSV特征参数；

步骤4、把已知浓度医药试剂的特征参数当作KELM的输入，真实浓度当作KELM的输出，同时，利用量子遗传算法对KELM模型进行优化，得出最优参数；然后把最优参数回代到KELM中，训练出医药试剂的KELM模型；

步骤5、把未知浓度医药试剂的特征参数代入KELM模型，得出未知浓度医药试剂的预测浓度，实现医药试剂浓度定性检测。

3.根据权利要求2所述的基于图像处理及KELM的医药试剂浓度定性检测方法，其特征在于，所述步骤4中，采用量子遗传算法优化KELM的惩罚系数C和核函数σ，把KELM的惩罚系数C和核函数σ当作量子遗传算法的变量，KELM的测试精度当作量子遗传算法的适应度，得出最优的惩罚系数C和核函数σ，以实现对KELM模型的优化。