CN113327236B - 新型冠状病毒抗体快速检测试剂的识别方法及系统 - Google Patents
新型冠状病毒抗体快速检测试剂的识别方法及系统 Download PDFInfo
- Publication number
- CN113327236B CN113327236B CN202110624966.2A CN202110624966A CN113327236B CN 113327236 B CN113327236 B CN 113327236B CN 202110624966 A CN202110624966 A CN 202110624966A CN 113327236 B CN113327236 B CN 113327236B
- Authority
- CN
- China
- Prior art keywords
- image
- detection
- detection reagent
- processing
- video data
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 135
- 239000003153 chemical reaction reagent Substances 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 31
- 241000711573 Coronaviridae Species 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 64
- 238000005070 sampling Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 238000012216 screening Methods 0.000 claims description 33
- 238000012935 Averaging Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 206010035664 Pneumonia Diseases 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000003018 immunoassay Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请属于生物免疫检测分析技术领域，提供一种新型冠状病毒抗体快速检测试剂的识别方法及系统。所述方法包括：获取检测试剂的视频数据并抽样处理；获取只包含检测试剂的水平图像R；获取只包含结果显示区域的图像G；对图像G进行计算和处理，得到二次均值化向量V，根据向量V判断指标线的存在情况；分别统计每一个部分的指标线存在情况，得到检测试剂的检测结果。本申请提供了一种自动化检测方法，解决了检测试剂结果的识别问题，能够有效地减轻医护人员的负担，同时提升了个人居家自行检测的可行性，间接对新冠肺炎传播有一定的阻碍作用。
Description
技术领域
本申请属于生物免疫检测分析技术领域，具体涉及一种新型冠状病毒抗体快速检测试剂的识别方法及系统。
背景技术
基于胶体金法的新型冠状病毒IgM/IgG抗体快速检测试剂对于新型冠状病毒肺炎的诊断具有十分重要的意义，它是现阶段最常用的新冠肺炎检测方法之一，该方法不仅适用于医院对于新冠疑似者的判断，也适用于个人或家庭的自行诊断。但是在实际使用中，涉及以下两个问题：对于医院来说，核查试剂结果需要大量的人力资源，尤其是在大规模新冠患者排查的场景中；对于个人来说，未经过专业的指导，不容易知道试剂结果所对应的症状是什么，容易误判，从而导致不良后果。总的来说，单纯依靠人来进行试剂结果判断已经不能很好地满足现实需要。
为解决上述问题，使用计算机等设备对于试剂检测结果进行有效判断是十分必要的。近些年计算机视觉和图像识别技术日益趋于成熟，且已经在现实生活中广泛应用，如汽车车牌识别、人脸识别、工业检修、医疗图像检测，甚至于无人驾驶技术等。尤其是基于深度学习的图像识别技术，在识别准确度上有了质的提升。但是深度学习算法的使用需要大量的计算资源和训练数据，预测时间较长，很难满足实时性的要求，且可解释性差，难以使人信服。而传统图像识别算法因参数量少、算法简单且逻辑性强，目前仍被广泛使用，但传统图像识别算法对于这类检测试剂暂无适用的检测算法，无法有效地提取需要信息。因此，使用传统图像识别算法针对于这类检测试剂的外观特征设计一款新的检测算法是十分有意义的。
发明内容
针对于市面上常用的新冠病毒抗体快速检测试剂，本发明提供了一种自动化检测方法，解决了检测试剂结果的识别问题，能够有效地减轻医护人员的负担，同时提升了个人居家自行检测的可行性，间接对新冠肺炎传播有一定的阻碍作用。
为实现上述目的，本申请采用如下技术方案：
一种新型冠状病毒抗体快速检测试剂的识别方法，所述检测试剂包括卡壳和位于卡壳内的检测条，沿所述卡壳的长度方向间隔设置有滴加样品的加样口和用于观察检测条上指标线检测结果的结果显示区，所述识别方法包括如下步骤：
步骤S1：获取检测试剂的视频数据，对所述视频数据进行抽样处理，得到抽样处理后的视频数据；
步骤S2：对所述抽样处理后的视频数据进行图像处理，得到满足筛选条件的检测试剂的轮廓信息；根据所述满足筛选条件的检测试剂的轮廓信息，对图像进行旋转和裁剪，得到只包含检测试剂的水平图像R；
步骤S3：对所述水平图像R进行处理，得到只包含结果显示区域的图像G；
步骤S4：将所述图像G转为灰度图像，按图像矩阵的列方向进行像素求和，并进行二次均值化处理，得到二次均值化向量V，根据检测条上指标线的最大个数，将所述二次均值化向量V均分为若干个部分，分别求出最大值，根据所述最大值判断指标线的存在情况；
步骤S5:分别统计每一个部分的指标线存在情况，得到检测试剂的检测结果
优选的，步骤S1中，使用移动端实时获取检测试剂的视频数据，判断是否对所述视频数据进行抽样处理，若是，对所述视频数据进行抽样处理，将抽样处理后的视频数据和抽样处理标识符通过互联网实时传输给服务器；若否，将所述视频数据通过互联网实时传输给服务器；
所述服务器接收视频数据，若未收到抽样处理标识符，则服务器对所述视频数据进行抽样处理。
优选的，步骤S2中，对所述抽样处理后的视频数据进行图像处理，得到满足筛选条件的检测试剂的轮廓信息，包括如下步骤：
S21: 将图像的宽度作为固定像素值，对每一帧图像按原始比例进行缩放；
S22:将图像的颜色空间由BGR转换为HSV，然后把HSV图像拆分为色调、饱和度以及明度三个颜色模型对应的图像；
S23:对步骤S22得到的三个颜色模型对应的图像分别进行形态学运算中闭运算，得到闭运算处理后的图像，分别记为H、S、V；
S24:使用OpenCV中的findContours方法分别对H、S、V图像进行轮廓检测，得到包覆检测试剂轮廓的最小正矩形和最小斜矩形，通过比较这两类矩形的面积、位置坐标、宽高比例和旋转角度，对这两类矩形进行筛选得到满足筛选条件的轮廓信息；
S25:若步骤S24没有得到满足筛选条件的轮廓，则分别对H、S、V图像进行高斯模糊化处理、Canny边缘检测和闭运算，使用OpenCV中的findContours方法分别对H、S、V图像进行轮廓检测，得到包覆检测试剂轮廓的最小正矩形和最小斜矩形，通过比较这两类矩形的面积、位置、宽高比例和旋转角度，对这两类矩形进行筛选得到满足筛选条件的轮廓信息；
S26:若步骤S25没有得到满足要求的轮廓信息，或存在两个及其以上的轮廓信息，则对所述图像进行舍弃，检测下一帧图像，返回步骤S21。
优选的，步骤S3中，对所述水平图像R进行处理，得到只包含结果显示区域的图像G，包括如下步骤：
S31:将检测试剂的轮廓按长度方向均分为三个部分Part1，Part2和Part3，将只包含Part2的图像进行Canny处理，得到二值图像，计算二值图像中边缘点的个数，若达到设定的第一阈值，则进入步骤S32；
S32:对Part1和Part3分别依次进行高斯模糊化处理、图像灰度处理和Canny处理，得到二值图像，再分别计算二值图像中边缘点的个数，如果Part1和Part3的边缘点数量差大于设定的第二阈值，则进入步骤S33；
S33:边缘点数量多的部分为检测试剂加样口一侧，按照坐标位置对水平图像R进行裁剪，得到只包含结果显示区域的图像G。
优选的，所述步骤S5后还包括：
步骤S6:重复执行步骤S2到S5，根据5次检测结果确定最终检测结果。
优选的，所述步骤S6后还包括：
步骤S7:若步骤S6产生了最终检测结果，则服务器向对应移动端发送所述最终检测结果；若所述移动端接收到服务器的最终检测结果，则停止检测，并显示最终检测结果；否则，重复步骤S2到S6。
本申请还提供一种新型冠状病毒抗体快速检测试剂的识别系统，包括：
获取模块，用于获取检测试剂的视频数据，对所述视频数据进行抽样处理，得到抽样处理后的视频数据；
第一处理模块，用于对所述抽样处理后的视频数据进行图像处理，得到满足筛选条件的检测试剂的轮廓信息；根据所述满足筛选条件的检测试剂的轮廓信息，对图像进行旋转和裁剪，得到只包含检测试剂的水平图像R；
第二处理模块，用于对所述水平图像R进行处理并裁剪，得到只包含结果显示区域的图像G；
计算模块，用于将所述图像G转为灰度图像，按图像矩阵的列方向进行像素求和并进行二次均值化处理，得到二次均值化向量V，根据检测条上指标线的最大个数，将所述二次均值化向量V均分为若干个部分，分别求出最大值，根据所述最大值判断指标线的存在情况；
确定模块，用于分别统计每一个部分的指标线存在情况，得到检测试剂的检测结果及最终检测结果。
本申请的新型冠状病毒抗体快速检测试剂的识别方法及系统解决了新型冠状病毒抗体检测试剂结果的识别问题，能够有效地减轻医护人员的负担，同时提升了个人居家自行检测的可行性，间接对新冠肺炎传播有一定的阻碍作用。
附图说明
图1是本申请新型冠状病毒抗体快速检测试剂的简化示意图；
其中，1、卡壳，2、检测条，3、加样口，4、结果显示区；
图2是本申请新型冠状病毒抗体快速检测试剂的识别方法步骤示意图；
图3是本申请新型冠状病毒抗体快速检测试剂的识别系统的结构示意图。
具体实施方式
下面结合本申请实施例中的附图，对本申请实施例的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
如图1所示为本申请新型冠状病毒抗体快速检测试剂的简化示意图，所述检测试剂包括卡壳1和位于卡壳内的检测条2，沿所述卡壳1的长度方向间隔设置有滴加样品的加样口3和用于观察检测条上指标线检测结果的结果显示区4，根据检测结果的不同，检测条2内指标线出现的个数不同。
如图2所示为本申请新型冠状病毒抗体快速检测试剂的识别方法步骤示意图，包括：
步骤S1：获取检测试剂的视频数据，对所述视频数据进行抽样处理，得到抽样处理后的视频数据；
步骤S1中，使用移动端实时获取检测试剂的视频数据，判断是否对所述视频数据进行抽样处理，若是，对所述视频数据进行抽样处理，将抽样处理后的视频数据和抽样处理标识符通过互联网实时传输给服务器；若否，将所述视频数据通过互联网实时传输给服务器；
所述服务器接收视频数据，若未收到抽样处理标识符，则服务器对所述视频数据进行抽样处理。
步骤S2：对所述抽样处理后的视频数据进行图像处理，得到满足筛选条件的检测试剂的轮廓信息；根据所述满足筛选条件的检测试剂的轮廓信息，对图像进行旋转和裁剪，得到只包含检测试剂的水平图像R；
步骤S2中，对所述抽样处理后的视频数据进行图像处理，得到满足筛选条件的检测试剂的轮廓信息，包括如下步骤：
S21: 将图像的宽度作为固定像素值，对每一帧图像按原始比例进行缩放；
S22:将图像的颜色空间由BGR转换为HSV，然后把HSV图像拆分为色调、饱和度以及明度三个颜色模型对应的图像；
S23:对步骤S22得到的三个颜色模型对应的图像分别进行形态学运算中闭运算，得到闭运算处理后的图像，分别记为H、S、V；
S24:使用OpenCV中的findContours方法分别对H、S、V图像进行轮廓检测，得到包覆检测试剂轮廓的最小正矩形和最小斜矩形，通过比较这两类矩形的面积、位置坐标、宽高比例和旋转角度，对这两类矩形进行筛选得到满足筛选条件的轮廓信息；
S25:若步骤S24没有得到满足筛选条件的轮廓，则分别对H、S、V图像进行高斯模糊化处理、Canny边缘检测和闭运算，使用OpenCV中的findContours方法分别对H、S、V图像进行轮廓检测，得到包覆检测试剂轮廓的最小正矩形和最小斜矩形，通过比较这两类矩形的面积、位置、宽高比例和旋转角度，对这两类矩形进行筛选得到满足筛选条件的轮廓信息；
S26:若步骤S25没有得到满足要求的轮廓信息，或存在两个及其以上的轮廓信息，则对所述图像进行舍弃，检测下一帧图像，返回步骤S21。
步骤S3：对所述水平图像R进行处理，得到只包含结果显示区域的图像G；
步骤S3中，对所述水平图像R进行处理，得到只包含结果显示区域的图像G，包括如下步骤：
S31:将检测试剂的轮廓按长度方向均分为三个部分Part1，Part2和Part3，将只包含Part2的图像进行Canny处理，得到二值图像，计算二值图像中边缘点的个数，若达到设定的第一阈值，则进入步骤S32；
S32:对Part1和Part3分别依次进行高斯模糊化处理、图像灰度处理和Canny处理，得到二值图像，再分别计算二值图像中边缘点的个数，如果Part1和Part3的边缘点数量差大于设定的第二阈值，则进入步骤S33；
S33:边缘点数量多的部分为检测试剂加样口一侧，按照坐标位置对水平图像R进行裁剪，得到只包含结果显示区域的图像G。
步骤S4：将所述图像G转为灰度图像，按图像矩阵的列方向进行像素求和，并进行二次均值化处理，得到二次均值化向量V，根据检测条上指标线的最大个数，将所述二次均值化向量V均分为若干个部分，分别求出最大值，根据所述最大值判断指标线的存在情况；
步骤S5:分别统计每一个部分的指标线存在情况，得到检测试剂的检测结果。
步骤S5后还包括：步骤S6:重复执行步骤S2到S5，根据5次检测结果确定最终检测结果。
如图3所示，本申请一种新型冠状病毒抗体快速检测试剂的识别系统，包括：
获取模块，用于获取检测试剂的视频数据，对所述视频数据进行抽样处理，得到抽样处理后的视频数据；
第一处理模块，用于对所述抽样处理后的视频数据进行图像处理，得到满足筛选条件的检测试剂的轮廓信息；根据所述满足筛选条件的检测试剂的轮廓信息，对图像进行旋转和裁剪，得到只包含检测试剂的水平图像R；
第二处理模块，用于对所述水平图像R进行处理，得到只包含结果显示区域的图像G；
计算模块，用于将所述图像G转为灰度图像，按图像矩阵的列方向进行像素求和，并进行二次均值化处理，得到二次均值化向量V，根据检测条上指标线的最大个数，将所述二次均值化向量V均分为若干个部分，分别求出最大值，根据所述最大值判断指标线的存在情况；
确定模块，用于分别统计每一个部分的指标线存在情况，得到检测试剂的检测结果及最终检测结果。
最终的检测结果通过互联网实时传输给用户的界面系统。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (6)
1.一种新型冠状病毒抗体快速检测试剂的识别方法，所述检测试剂包括卡壳和位于卡壳内的检测条，沿所述卡壳的长度方向间隔设置有滴加样品的加样口和用于观察检测条上指标线检测结果的结果显示区，其特征在于，所述识别方法包括如下步骤：
步骤S1：获取检测试剂的视频数据，对所述视频数据进行抽样处理，得到抽样处理后的视频数据；
步骤S2：对所述抽样处理后的视频数据进行图像处理，得到满足筛选条件的检测试剂的轮廓信息；根据所述满足筛选条件的检测试剂的轮廓信息，对图像进行旋转和裁剪，得到只包含检测试剂的水平图像R；
步骤S3：对所述水平图像R进行处理，得到只包含结果显示区域的图像G；
步骤S4：将所述图像G转为灰度图像，按图像矩阵的列方向进行像素求和，并进行二次均值化处理，得到二次均值化向量V，根据检测条上指标线的最大个数，将所述二次均值化向量V均分为若干个部分，分别求出最大值，根据所述最大值判断指标线的存在情况；
步骤S5:分别统计每一个部分的指标线存在情况，得到检测试剂的检测结果；
其中，步骤S2中，对所述抽样处理后的视频数据进行图像处理，得到满足筛选条件的检测试剂的轮廓信息，包括如下步骤：
S21:将图像的宽度作为固定像素值，对每一帧图像按原始比例进行缩放；
S22:将图像的颜色空间由BGR转换为HSV，然后把HSV图像拆分为色调、饱和度以及明度三个颜色模型对应的图像；
S23:对步骤S22得到的三个颜色模型对应的图像分别进行形态学运算中闭运算，得到闭运算处理后的图像，分别记为H、S、V；
S24:使用OpenCV中的findContours方法分别对H、S、V图像进行轮廓检测，得到包覆检测试剂轮廓的最小正矩形和最小斜矩形，通过比较这两类矩形的面积、位置坐标、宽高比例和旋转角度，对这两类矩形进行筛选得到满足筛选条件的轮廓信息；
S25:若步骤S24没有得到满足筛选条件的轮廓，则分别对H、S、V图像进行高斯模糊化处理、Canny边缘检测和闭运算，使用OpenCV中的findContours方法分别对H、S、V图像进行轮廓检测，得到包覆检测试剂轮廓的最小正矩形和最小斜矩形，通过比较这两类矩形的面积、位置、宽高比例和旋转角度，对这两类矩形进行筛选得到满足筛选条件的轮廓信息；
S26:若步骤S25没有得到满足要求的轮廓信息，或存在两个及其以上的轮廓信息，则对所述图像进行舍弃，检测下一帧图像，返回步骤S21。
2.根据权利要求1所述的新型冠状病毒抗体快速检测试剂的识别方法，其特征在于，步骤S1中，使用移动端实时获取检测试剂的视频数据，判断是否对所述视频数据进行抽样处理，若是，对所述视频数据进行抽样处理，将抽样处理后的视频数据和抽样处理标识符通过互联网实时传输给服务器；若否，将所述视频数据通过互联网实时传输给服务器；
所述服务器接收视频数据，若未收到抽样处理标识符，则服务器对所述视频数据进行抽样处理。
3.根据权利要求1所述的新型冠状病毒抗体快速检测试剂的识别方法，其特征在于，步骤S3中，对所述水平图像R进行处理，得到只包含结果显示区域的图像G，包括如下步骤：
S31:将检测试剂的轮廓按长度方向均分为三个部分Part1，Part2和Part3，将只包含Part2的图像进行Canny处理，得到二值图像，计算二值图像中边缘点的个数，若达到设定的第一阈值，则进入步骤S32；
S32:对Part1和Part3分别依次进行高斯模糊化处理、图像灰度处理和Canny处理，得到二值图像，再分别计算二值图像中边缘点的个数，如果Part1和Part3的边缘点数量差大于设定的第二阈值，则进入步骤S33；
S33:边缘点数量多的部分为检测试剂加样口一侧，按照坐标位置对水平图像R进行裁剪，得到只包含结果显示区域的图像G。
4.根据权利要求1所述的新型冠状病毒抗体快速检测试剂的识别方法，其特征在于，所述步骤S5后还包括：
步骤S6:重复执行步骤S2到S5，根据5次检测结果确定最终检测结果。
5.根据权利要求4所述的新型冠状病毒抗体快速检测试剂的识别方法，其特征在于，所述步骤S6后还包括：
步骤S7:若步骤S6产生了最终检测结果，则服务器向对应移动端发送所述最终检测结果；若所述移动端接收到服务器的最终检测结果，则停止检测，并显示最终检测结果；否则，重复步骤S2到S6。
6.一种新型冠状病毒抗体快速检测试剂的识别系统，其特征在于，包括：
获取模块，用于获取检测试剂的视频数据，对所述视频数据进行抽样处理，得到抽样处理后的视频数据；
第一处理模块，用于对所述抽样处理后的视频数据进行图像处理，得到满足筛选条件的检测试剂的轮廓信息；根据所述满足筛选条件的检测试剂的轮廓信息，对图像进行旋转和裁剪，得到只包含检测试剂的水平图像R；
第二处理模块，用于对所述水平图像R进行处理，得到只包含结果显示区域的图像G；
计算模块，用于将所述图像G转为灰度图像，按图像矩阵的列方向进行像素求和，并进行二次均值化处理，得到二次均值化向量V，根据检测条上指标线的最大个数，将所述二次均值化向量V均分为若干个部分，分别求出最大值，根据所述最大值判断指标线的存在情况；
确定模块，用于分别统计每一个部分的指标线存在情况，得到检测试剂的检测结果及最终检测结果；
其中，第一处理模块对所述抽样处理后的视频数据进行图像处理，得到满足筛选条件的检测试剂的轮廓信息，包括如下步骤：
S21:将图像的宽度作为固定像素值，对每一帧图像按原始比例进行缩放；
S22:将图像的颜色空间由BGR转换为HSV，然后把HSV图像拆分为色调、饱和度以及明度三个颜色模型对应的图像；
S23:对步骤S22得到的三个颜色模型对应的图像分别进行形态学运算中闭运算，得到闭运算处理后的图像，分别记为H、S、V；
S24:使用OpenCV中的findContours方法分别对H、S、V图像进行轮廓检测，得到包覆检测试剂轮廓的最小正矩形和最小斜矩形，通过比较这两类矩形的面积、位置坐标、宽高比例和旋转角度，对这两类矩形进行筛选得到满足筛选条件的轮廓信息；
S25:若步骤S24没有得到满足筛选条件的轮廓，则分别对H、S、V图像进行高斯模糊化处理、Canny边缘检测和闭运算，使用OpenCV中的findContours方法分别对H、S、V图像进行轮廓检测，得到包覆检测试剂轮廓的最小正矩形和最小斜矩形，通过比较这两类矩形的面积、位置、宽高比例和旋转角度，对这两类矩形进行筛选得到满足筛选条件的轮廓信息；
S26:若步骤S25没有得到满足要求的轮廓信息，或存在两个及其以上的轮廓信息，则对所述图像进行舍弃，检测下一帧图像，返回步骤S21。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110624966.2A CN113327236B (zh) | 2021-06-04 | 2021-06-04 | 新型冠状病毒抗体快速检测试剂的识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110624966.2A CN113327236B (zh) | 2021-06-04 | 2021-06-04 | 新型冠状病毒抗体快速检测试剂的识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113327236A CN113327236A (zh) | 2021-08-31 |
| CN113327236B true CN113327236B (zh) | 2022-08-02 |
Family
ID=77421022
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110624966.2A Active CN113327236B (zh) | 2021-06-04 | 2021-06-04 | 新型冠状病毒抗体快速检测试剂的识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113327236B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114496261B (zh) * | 2022-03-31 | 2022-07-12 | 北京乐普诊断科技股份有限公司 | 新型冠状病毒抗原检测方法、系统、设备及可读存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104266673A (zh) * | 2014-09-26 | 2015-01-07 | 博奥生物集团有限公司 | 一种利用摄像头识别反应单元种类的方法 |
| CN107330377A (zh) * | 2017-06-08 | 2017-11-07 | 暨南大学 | 一种桥梁防撞系统中的虚拟航道构建与船舶偏航检测方法 |
| CN112381819A (zh) * | 2020-12-07 | 2021-02-19 | 云南省烟草公司昆明市公司 | 基于hsv颜色模型的植保雾滴检测方法 |
| CN112528712A (zh) * | 2019-09-19 | 2021-03-19 | 武汉华大智造科技有限公司 | 试剂盒检测装置、试剂盒检测方法、存储介质 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1233614B1 (fr) * | 2001-02-16 | 2012-08-08 | C.H.I. Development Mgmt. Ltd. XXIX, LLC | Système de transmission et de traitement vidéo pour générer une mosaique utilisateur |
| CN108510477B (zh) * | 2018-03-15 | 2021-08-24 | 深圳市飞点健康管理有限公司 | 试纸色块的定位方法及装置 |
| US10835122B2 (en) * | 2018-05-14 | 2020-11-17 | Reliant Immune Diagnostics, Inc. | System and method for image processing of medical test results using generalized curve field transform |
| CN109146882A (zh) * | 2018-10-26 | 2019-01-04 | 北京纳百生物科技有限公司 | 一种食品安全胶体金试纸分析装置及其应用 |
| CN109919054B (zh) * | 2019-02-25 | 2023-04-07 | 电子科技大学 | 一种基于机器视觉的试剂卡自动分类的检测方法 |
| CN110133261A (zh) * | 2019-06-12 | 2019-08-16 | 湖南伊鸿健康科技有限公司 | 一种胶体金试纸显色结果的检测装置、系统及方法 |
| CN110599552B (zh) * | 2019-08-30 | 2022-03-29 | 杭州电子科技大学 | 一种基于计算机视觉的pH试纸检测方法 |
| CN111337669A (zh) * | 2020-03-03 | 2020-06-26 | 南通大学 | 一种快速检测新型冠状病毒检测试纸及检测方法 |
| CN111504985A (zh) * | 2020-03-07 | 2020-08-07 | 云南省烟草质量监督检测站 | 一种农残快检试纸质量稳定性评价方法 |
-
2021
- 2021-06-04 CN CN202110624966.2A patent/CN113327236B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104266673A (zh) * | 2014-09-26 | 2015-01-07 | 博奥生物集团有限公司 | 一种利用摄像头识别反应单元种类的方法 |
| CN107330377A (zh) * | 2017-06-08 | 2017-11-07 | 暨南大学 | 一种桥梁防撞系统中的虚拟航道构建与船舶偏航检测方法 |
| CN112528712A (zh) * | 2019-09-19 | 2021-03-19 | 武汉华大智造科技有限公司 | 试剂盒检测装置、试剂盒检测方法、存储介质 |
| CN112381819A (zh) * | 2020-12-07 | 2021-02-19 | 云南省烟草公司昆明市公司 | 基于hsv颜色模型的植保雾滴检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113327236A (zh) | 2021-08-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110097034B (zh) | 一种智能人脸健康程度的识别与评估方法 | |
| CN107103298B (zh) | 基于图像处理的引体向上计数系统及计数方法 | |
| TWI684997B (zh) | 骨齡評估與身高預測模型之建立方法、骨齡評估與身高預測系統及骨齡評估與身高預測方法 | |
| WO2020024127A1 (zh) | 骨龄评估与身高预测模型、其系统及其预测方法 | |
| CN110197169A (zh) | 一种非接触式的学习状态监测系统及学习状态检测方法 | |
| TWI719587B (zh) | 眼底圖像定量分析的前置處理方法及存放裝置 | |
| CN110414306B (zh) | 一种基于meanshift算法和SVM的婴儿异常行为检测方法 | |
| CN111967363B (zh) | 一种基于微表情识别和眼动追踪的对情绪预测的方法 | |
| CN104123549A (zh) | 一种用于疲劳驾驶实时监测的眼睛定位方法 | |
| CN117671774B (zh) | 一种人脸情绪智能识别分析设备 | |
| CN104077568A (zh) | 一种高精度的驾驶员行为识别与监控方法及系统 | |
| CN106952280A (zh) | 一种基于计算机视觉的喷枪喷漆量均匀度检测方法 | |
| US20240062582A1 (en) | Method and Device for Dynamic Recognition of Emotion Based on Facial Muscle Movement Monitoring | |
| CN113033481A (zh) | 结合长宽比优先的一阶全卷积目标检测（fcos）算法的手持棍棒的检测方法 | |
| CN116894978B (zh) | 一种融合面部情绪与行为多特征的线上考试防作弊系统 | |
| CN107358646A (zh) | 一种基于机器视觉的疲劳检测系统及方法 | |
| CN113327236B (zh) | 新型冠状病毒抗体快速检测试剂的识别方法及系统 | |
| CN110580697B (zh) | 一种从超声视频图像中测量胎儿颈背透明物厚度的视频图像处理方法及系统 | |
| CN113197558B (zh) | 心率与呼吸率检测方法、系统及计算机存储介质 | |
| CN106204523A (zh) | 一种图像质量度量方法及装置 | |
| CN114841968A (zh) | 一种基于YOLOv5的疲劳状态检测方法 | |
| CN104063689B (zh) | 一种基于双目立体视觉的人脸图像识别方法 | |
| CN119153002A (zh) | 基于非刚性配准的老年痴呆画钟实验自动评估方法及系统 | |
| CN117523633A (zh) | 一种基于图像深度学习的眼部上睑下垂自动识别方法 | |
| CN111091910B (zh) | 基于画钟测试的智能评估系统 |
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 |