[发明专利]一种基于深度学习的胶体金试剂条检测方法及系统

权利要求书

1.一种基于深度学习的胶体金试剂条检测方法，其特征在于，包括：

将获取到的待检测图像输送到已训练完成的深度学习神经网络模型中进行图像分割，得到标准色卡图像、胶体金试剂条图像和携带图像标准参数的二维码图像；

对二维码图像进行解析得到标准灰度值，对标准色卡进行解析得到读取灰度值，以标准灰度值为基准，拟合出读取灰度值的灰度值校正曲线；

对胶体金试剂条图像进行解析得到显色灰度值，利用灰度值校正曲线对显色灰度值进行校正，得到校正后的显色灰度值；

根据检测项目，将校正后的显色灰度值匹配预先设置的生物学计算算法，得到胶体金试剂条的检测结果。

2.根据权利要求1所述的基于深度学习的胶体金试剂条检测方法，其特征在于，在将获取到的待检测图像输送到已训练完成的深度学习神经网络模型中进行图像分割，得到标准色卡图像、胶体金试剂条图像和携带图像标准参数的二维码图像中，包括：

对获取到的待检测图像进行标记和分割，分别得到二维码图像、标准色卡图像和胶体金试剂条图像；

对二维码图像进行解析，得到标准色卡在标准光照环境下各灰阶区域的标准灰度值和当前检测项目的生物学算法；

对标准色卡图像进行解析，得到当前待检测图像各灰阶区域的读取灰度值；

对胶体金试剂条图像进行解析，得到当前待检测图像各显色区域的显色灰度值。

3.根据权利要求1所述的基于深度学习的胶体金试剂条检测方法，其特征在于，所述深度学习神经网络模型的训练步骤：

获取多个原始训练图像数据集，对原始训练图像数据集中的每个图像进行标记；

确定根据所述原始训练图像数据集训练所述深度学习神经网络模型的训练目标；

将所述原始训练图像数据集中的原始训练图像数据，从所述深度学习神经网络模型的首层输入，根据所述训练目标训练深度学习神经网络模型。

4.根据权利要求3所述的基于深度学习的胶体金试剂条检测方法，其特征在于，所述深度学习神经网络模型包括7层3×3的卷积层，上一层卷积层的输出端与下一层卷积层的输入端连接，采用PRelu作为激活函数。

5.根据权利要求4所述的基于深度学习的胶体金试剂条检测方法，其特征在于，在获取多个原始训练图像数据集中，包括：

获取多个手机型号和多个光照强度下的原始训练图像；

对每个原始训练图像分别进行不同角度的旋转，得到原始训练图像数据集。

6.一种基于深度学习的胶体金试剂条检测系统，其特征在于，包括分割解析模块、图像拟合模块、校正模块和匹配输出模块；

分割解析模块用于将获取到的待检测图像输送到已训练完成的深度学习神经网络模型中进行图像分割，得到标准色卡图像、胶体金试剂条图像和携带图像标准参数的二维码图像；

图像拟合模块用于对二维码图像进行解析得到标准灰度值，对标准色卡进行解析得到读取灰度值，以标准灰度值为基准，拟合出读取灰度值的灰度值校正曲线；

校正模块用于对胶体金试剂条图像进行解析得到显色灰度值，利用灰度值校正曲线对显色灰度值进行校正，得到校正后的显色灰度值；

匹配输出模块用于根据检测项目，将校正后的显色灰度值匹配预先设置的生物学计算算法，得到胶体金试剂条的检测结果。

7.根据权利要求6所述的基于深度学习的胶体金试剂条检测系统，其特征在于，所述分割解析模块包括分割模块、二维码图像解析模块、标准色卡图像解析模块和胶体金试剂条图像解析模块；

分割模块用于对获取到的待检测图像进行标记和分割，分别得到二维码图像、标准色卡图像和胶体金试剂条图像；

二维码图像解析模块用于对二维码图像进行解析，得到标准色卡在标准光照环境下各灰阶区域的标准灰度值和当前检测项目的生物学算法；

标准色卡图像解析模块用于对标准色卡图像进行解析，得到当前待检测图像各灰阶区域的读取灰度值；

胶体金试剂条图像解析模块用于对胶体金试剂条图像进行解析，得到当前待检测图像各显色区域的显色灰度值。