一种试剂的自动识别方法、装置、设备及可读存储介质与流程

1.本发明涉及自动识别技术领域，具体而言，涉及试剂的自动识别方法、装置、设备及可读存储介质。


背景技术：

2.现代社会己进入信息时代，随着计算机技术、通信技术和计算机网络技术的发展，自动化的信息处理能力和水平不断提高，并在人们社会活动和生活的各个领域得到广泛应用。在这种情况下，作为信息来源的图像识别技术越来越受到人们的重视。
3.之前人工识别试剂颜色变化的方法，既慢又不准确，也不能适配各种光线情况以及复杂的环境，并且对于实验室常用的各种颜色染料也都不能够进行适配，识别准确率较低。


技术实现要素：

4.本发明的目的在于提供一种试剂的自动识别方法、装置、设备及可读存储介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
5.第一方面，本技术提供了一种试剂的自动识别方法，包括：
6.采集孔位板上至少两个待检测试管的图像；
7.对所述待检测试管的图像进行预处理,得到所述图像的轮廓；
8.提取所有所述图像轮廓中的圆点并汇集为圆点数据集合；
9.利用支持向量机算法,对所述圆点数据集合进行分类,得到分类结果。
10.优选地，对所述待检测试管的图像进行预处理,得到所述图像的轮廓，其中包括：
11.获取第一信息，所述第一信息包括对所述待检测试管的图像进行灰度化处理，得到处理后的灰度图像；
12.获取第二信息，所述第二信息包括对所述第一信息进行二值化处理，得到处理后的二值化图像；
13.对所述第二信息进行开运算处理，其中，开运算处理为先腐蚀后膨胀，得到第一图像；
14.对所述第一图像的轮廓进行提取，得到所述第一图像中所有圆点的轮廓；
15.获取第三信息，所述第三信息包括获得每个所述圆点的轮廓的最大外切圆和每个所述圆点的最大外切圆的半径；
16.根据所述第三信息，求得所有所述圆点的最大外切圆的半径的平均值。
17.优选地，提取所有所述图像轮廓中的圆点并汇集为圆点数据集合，之后包括：
18.根据所述第三信息和所述圆点的信息，求解所述最大外切圆的外切矩形的四个点的坐标值；
19.根据四个点的所述坐标值的信息，对待检测试管的所述图像进行裁剪，得到裁剪后的图像；
20.获取放置不同颜色试剂的文件夹的具体位置信息；
21.将裁剪后的所述图像与所述文件夹的具体位置进行对应。
22.优选地，利用支持向量机算法,对所述圆点数据集合进行分类,得到分类结果，其中包括：
23.构建三个svm分类器；
24.将所述svm分类器进行训练，得到训练好的所述svm分类器；
25.根据支持向量机算法，将待测试数据输入至所述svm分类器中，得到三个分类结果；
26.对三个所述分类结果进行保存，并退出识别模式。
27.第二方面，本技术还提供了一种试剂的自动识别装置，包括：
28.采集模块：用于采集孔位板上至少两个待检测试管的图像；
29.预处理模块：用于对所述待检测试管的图像进行预处理,得到所述图像的轮廓；
30.提取模块：用于提取所有所述图像轮廓中的圆点并汇集为圆点数据集合；
31.分类模块：用于利用支持向量机算法,对所述圆点数据集合进行分类,得到分类结果。
32.第三方面，本技术还提供了一种试剂的自动识别设备，包括：
33.存储器，用于存储计算机程序；
34.处理器，用于执行所述计算机程序时实现所述试剂的自动识别方法的步骤。
35.第四方面，本技术还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于试剂的自动识别方法的步骤。
36.本发明的有益效果为：本发明是面向不同孔位全自动恒温加热仪，算法实现了自动适配不同的试剂颜色，自动识别试剂的反应结果等功能。全自动恒温加热仪是一种能够对试剂进行恒温加热，并且根据试剂的颜色变化自动识别试剂的反应结果的仪器。采用机器学习的方法自动识别试剂的颜色变化来实现实验结果的自动识别，机器学习的方法使得算法可以适配各种光线情况，各种复杂的环境，对于实验室常用的各种颜色染料都能够进行适配，并且能够达到很高的识别准确率。
37.本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
38.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
39.图1为本发明实施例中所述的试剂的自动识别方法流程示意图；
40.图2为本发明实施例中所述的试剂的自动识别装置结构示意图；
41.图3为本发明实施例中所述的试剂的自动识别设备结构示意图。
42.图中:701、采集模块；702、预处理模块；7021、第一获取单元；7022、第二获取单元；
7023、处理单元；7024、提取单元；7025、第三获取单元；7026、求取单元；703、提取模块；7031、求解单元；7032、裁剪单元；7033、第四获取单元；7034、对应单元；704、分类模块；7041、构建单元；7042、获得单元；7043、输入单元；7044、保存单元；800、试剂的制动识别设备；801、处理器；802、存储器；803、多媒体组件；804、输入/输出(i/o)接口；805、通信组件。
具体实施方式
43.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
44.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
45.实施例1：
46.本实施例提供了一种试剂的自动识别方法。
47.参见图1，图中示出了本方法包括步骤s100、步骤s200、步骤s300和步骤s400。
48.本发明是面向不同孔位全自动恒温加热仪，算法实现了自动适配不同的试剂颜色，自动识别试剂的反应结果等功能。全自动恒温加热仪是一种能够对试剂进行恒温加热，并且根据试剂的颜色变化自动识别试剂的反应结果的仪器。全自动恒温加热仪通常有多种孔位规格，仪器中孔位板上下通透，孔位板上方安装均光的灯板，下方装有摄像头，灯板的灯可以通过孔位板上的试管孔，摄像头可以拍摄到试管底部的颜色。
49.对于摄像头拍摄到的图像，首先进行孔位自动适配和定位操作，得到孔位板的规格，n排，m列；摄像头中所有圆点和实际孔位板中的孔位的对应关系，即m序列中第一个坐标代表孔位板中左上角的孔位，最后一个坐标代表孔位板中右下角的孔位，从第一个坐标开始每n个坐标代表一列；孔位板中每个孔位的精准圆心坐标
50.然后是本算法所要实现的功能：利用上述得到的信息实现自动适配不同的试剂颜色，自动识别实验结果功能。自动识别算法的实现主要分为两个部分，第一部分是机器在第一次使用时需要完成的：识别算法训练学习部分；第二部分是在机器训练学习好之后的实际使用部分。下面是算法的详细实现过程：
51.s100、采集孔位板上至少两个待检测试管的图像。
52.可以理解的是，在本步骤之前还包括：
53.进入调试模式，然后使用者需要指定哪种颜色代表阳性试剂，哪种颜色代表阴性试剂。在本实施例中，红色代表阳性试剂，黄色代表阴性试剂。
54.需要说明的是，首先在孔位板上随机放置装有红色试剂的试管和黄色试剂的试管，然后进行图像采集，重复上述过程多次，并保证装有红色试剂试管、装有黄色试剂试管以及不放置试管的孔位出现的总次数相等。至少采集20张图像，采集的图像越多，识别的准
确率越高。另外，在实际实验过程中，根据颜色判断阴性和阳性最大的难点在于很多试剂颜色并不是标准的黄色或者红色，而是介于两者之间的渐变色，所以在采集图像过程中，孔位板上放置的试管中试剂的颜色尽可能接近实际实验中试管中试剂的颜色，且尽量包含全面。
55.s200、对所述待检测试管的图像进行预处理,得到所述图像的轮廓。
56.可以理解的是，在s200步骤中包括：
57.获取第一信息，所述第一信息包括对所述待检测试管的图像进行灰度化处理，得到处理后的灰度图像；
58.获取第二信息，所述第二信息包括对所述第一信息进行二值化处理，得到处理后的二值化图像；
59.对所述第二信息进行开运算处理，其中，开运算处理为先腐蚀后膨胀，得到第一图像；
60.对所述第一图像的轮廓进行提取，得到所述第一图像中所有圆点的轮廓；
61.获取第三信息，所述第三信息包括获得每个所述圆点的轮廓的最大外切圆和每个所述圆点的最大外切圆的半径；
62.根据所述第三信息，求得所有所述圆点的最大外切圆的半径的平均值。
63.需要说明的是，本实施中，首先将采集到的图像进行二值化处理，得到二值化图像，然后对二值化图像进行先腐蚀后膨胀操作，再然后对图像进行轮廓查找，得到每个圆点轮廓，再然后找到每个轮廓的最大外切圆，得到每个圆点的最大外切圆的半径r，求得所有圆点的最大外切圆的半径平均值
64.s300、提取所有所述图像轮廓中的圆点并汇集为圆点数据集合。
65.可以理解的是，在本步骤中，包括：
66.根据所述第三信息和所述圆点的信息，求解所述最大外切圆的外切矩形的四个点的坐标值；
67.根据四个点的所述坐标值的信息，对待检测试管的所述图像进行裁剪，得到裁剪后的图像；
68.获取放置不同颜色试剂的文件夹的具体位置信息；
69.将裁剪后的所述图像与所述文件夹的具体位置进行对应。
70.将每个圆点裁剪下来单独保存，制作成数据集。由于图像保存的格式只能为矩形，所以需要裁剪最大外切圆的外切矩形。这里根据前面得到的圆心坐标和最大外切圆半径可以求得最大外切圆的外切矩形的四个点的坐标，然后根据四个点的坐标完成裁剪，随后将裁剪下来的图像按放置试剂的颜色进行分开保存在不同的文件夹中，其中没有放置试管的孔位放置在名称为“a”的文件夹中，放置了黄色溶液试管的孔位放置在名称为“b”的文件夹中，放置了红色溶液试管的孔位放置在名称为“c”的文件夹中，abc则分别为三种数据的标签。
71.s400、利用支持向量机算法,对所述圆点数据集合进行分类,得到分类结果。
72.可以理解的是，在本步骤中，其中包括：
73.构建三个svm分类器；
74.将所述svm分类器进行训练，得到训练好的所述svm分类器；
75.根据支持向量机算法，将待测试数据输入至所述svm分类器中，得到三个分类结果；
76.对三个所述分类结果进行保存，并退出识别模式。
77.需要说明的是，以支持向量机(support vector machine,svm)构建三分类器：svm本身是一个二分类器，下面将其构造成一个三分类器，以完成黄色、红色试剂以及空置孔位(abc)的三分类任务。首先选择a,b；a,c；b,c所对应的数据集分成三组分别训练三个svm分类器，得到三个训练好的svm分类器——f(x)
a,b
，f(x)
a,c
，f(x)
b,c
。在进行实际测试时，把测试数据d放入三个svm分类器中，得到三个分类结果，最后采取投票的形式，得到最终分类结果。具体投票规则为：
78.设a＝b＝c＝0；
79.f(d)
a,b
的测试结果是a类，则a＝a+1；否则b＝b+1；
80.f(d)
a,c
的测试结果是a类，则a＝a+1；否则c＝c+1；
81.f(d)
b,c
的测试结果是b类，则b＝b+1；否则c＝c+1；
82.最后取a,b,c中值最大的代表测试数据属于的类别。
83.在实际使用过程中，只需要将摄像头采集到的图像进行预处理，得到摄像头中所有圆点和实际孔位板中的孔位的对应关系m、孔位板中每个孔位的精准圆心坐标所有圆点的最大外切圆的半径平均值然后根据这些数据将图像中所有圆点都裁剪下来，输入到svm三分类器中，即可得到最终的识别结果，实验结果会根据实际孔位和图像中圆点的对应关系显示在表格中，并自动保存在excel表格中。
84.综上所述，本发明采用机器学习的方法自动识别试剂的颜色变化来实现实验结果的自动识别，机器学习的方法使得算法可以适配各种光线情况，各种复杂的环境，对于实验室常用的各种颜色染料都能够进行适配，并且能够达到很高的识别准确率。
85.实施例2：
86.如图2所示，本实施例提供了一种试剂的自动识别装置，参见图2所述装置包括采集模块701、预处理模块702、提取模块703和分类模块704，其中：
87.采集模块701：用于采集孔位板上至少两个待检测试管的图像；
88.预处理模块702：用于对所述待检测试管的图像进行预处理,得到所述图像的轮廓；
89.提取模块703：用于提取所有所述图像轮廓中的圆点并汇集为圆点数据集合；
90.分类模块704：用于利用支持向量机算法,对所述圆点数据集合进行分类,得到分类结果。
91.具体地，预处理模块702，其中包括第一获取单元7021、第二获取单元7022、处理单元7023、提取单元7024、第三获取单元7025和求取单元7026，其中：
92.第一获取单元7021：用于获取第一信息，所述第一信息包括对所述待检测试管的图像进行灰度化处理，得到处理后的灰度图像；
93.第二获取单元7022：用于获取第二信息，所述第二信息包括对所述第一信息进行二值化处理，得到处理后的二值化图像；
94.处理单元7023：用于对所述第二信息进行开运算处理，其中，开运算处理为先腐蚀后膨胀，得到第一图像；
95.提取单元7024：用于对所述第一图像的轮廓进行提取，得到所述第一图像中所有圆点的轮廓；
96.第三获取单元7025：用于获取第三信息，所述第三信息包括获得每个所述圆点的轮廓的最大外切圆和每个所述圆点的最大外切圆的半径；
97.求取单元7026：用于根据所述第三信息，求得所有所述圆点的最大外切圆的半径的平均值。
98.具体地，提取模块703，之后包括求解单元7031、裁剪单元7032、第四获取单元7033和对应单元7034，其中：
99.求解单元7031：用于根据所述第三信息和所述圆点的信息，求解所述最大外切圆的外切矩形的四个点的坐标值；
100.裁剪单元7032：用于根据四个点的所述坐标值的信息，对待检测试管的所述图像进行裁剪，得到裁剪后的图像；
101.第四获取单元7033：用于获取放置不同颜色试剂的文件夹的具体位置信息；
102.对应单元7034：用于将裁剪后的所述图像与所述文件夹的具体位置进行对应。
103.具体地，分类模块704，其中包括构建单元7041、获得单元7042、输入单元7043和保存单元7044，其中：
104.构建单元7041：用于构建三个svm分类器；
105.获得单元7042：用于将所述svm分类器进行训练，得到训练好的所述svm分类器；
106.输入单元7043：用于根据支持向量机算法，将待测试数据输入至所述svm分类器中，得到三个分类结果；
107.保存单元7044：用于对三个所述分类结果进行保存，并退出识别模式。
108.需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
109.实施例3：
110.相应于上面的方法实施例，本实施例中还提供了一种试剂的自动识别设备，下文描述的一种试剂的自动识别设备与上文描述的一种试剂的自动识别方法可相互对应参照。
111.图3是根据示例性实施例示出的一种试剂的自动识别设备800的框图。如图3所示，该试剂的自动识别设备800可以包括：处理器801，存储器802。该试剂的自动识别设备800还可以包括多媒体组件803，i/o接口804，以及通信组件805中的一者或多者。
112.其中，处理器801用于控制该试剂的自动识别设备800的整体操作，以完成上述的试剂的自动识别方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该试剂的自动识别设备800的操作，这些数据例如可以包括用于在该试剂的自动识别设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(static random access memory，简称sram)，电可擦除可编程只读存储器(electrically erasable programmable read-only memory，简称eeprom)，可擦除可编程只读存储器(erasable programmable read-only memory，简称eprom)，可编程只读存储器(programmable read-only memory，简称prom)，只读存储器(read-only memory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件
803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。i/o接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该试剂的自动识别设备800与其他设备之间进行有线或无线通信。无线通信，例如wi-fi，蓝牙，近场通信(near fieldcommunication，简称nfc)，2g、3g或4g，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：wi-fi模块，蓝牙模块，nfc模块。
113.在一示例性实施例中，试剂的自动识别设备800可以被一个或多个应用专用集成电路(application specific integrated circuit，简称asic)、数字信号处理器(digitalsignal processor，简称dsp)、数字信号处理设备(digital signal processing device，简称dspd)、可编程逻辑器件(programmable logic device，简称pld)、现场可编程门阵列(field programmable gate array，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的试剂的自动识别方法。
114.在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的试剂的自动识别方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由试剂的自动识别设备800的处理器801执行以完成上述的试剂的自动识别方法。
115.实施例4：
116.相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种试剂的自动识别方法可相互对应参照。
117.一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的试剂的自动识别方法的步骤。
118.该可读存储介质具体可以为u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
119.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
120.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。