一种基于卷积神经网络的金免疫层析检测方法及装置制造方法及图纸

本发明专利技术涉及一种基于卷积神经网络的金免疫层析检测方法及装置。该装置包括用于放置金免疫层析试条的试条平台、STM32微处理器、CCD图像扫描模块、LED阵列光学照明模块、计算机；STM32微处理器用于控制LED阵列光学照明模块及CCD图像扫描模块的工作，而后采集的金免疫层析试条的CCD图像经STM32微处理器传输给计算机处理；计算机将STM32微处理器传输的金免疫层析试条的CCD图像作为多层卷积神经网络模型的输入层，采用训练后的多层卷积神经网络模型进拟合，并利用回归分析，获得金免疫层析检测结果。本发明专利技术避免了对试条图像的特征值提取，通过CCD采集金免疫层析试条特定时刻t1及反应终止时刻t2的图像，通过分层的方式学习数据的特征表示，提高金免疫层析检测效果。

A method and device for gold immunochromatography detection based on convolution neural network

The present invention relates to a method and device for detection of gold immunochromatography based on a convolution neural network. The device includes a place for the gold immunochromatographic test strip platform, STM32 microprocessor, CCD image scanning module, LED array optical lighting module, computer; STM32 microprocessor is used to control the LED array illumination module and CCD image scanning module, and then set the gold immunochromatographic test strip by STM32 microprocessor CCD image transmission to the computer; the computer will goldimmunochromatographic STM32 microprocessor transmission test strip CCD image as the input layer model of multi-layer convolution neural network, using multi-layer convolution neural network model trained in fitting, and by using regression analysis, obtained gold immunochromatographic assay results. The invention avoids the extraction of the feature value of the test strip image, and collects the image of T1 at the specific time of the gold immunochromatography strip and the T2 of the reaction termination time by CCD, and studies the feature expression of the data through stratified way, so as to improve the detection effect of the gold immunochromatography.

【技术实现步骤摘要】
一种基于卷积神经网络的金免疫层析检测方法及装置
本专利技术涉及金免疫层析检测
，具体为一种基于卷积神经网络的金免疫层析检测方法及装置。
技术介绍
侧流免疫层析技术(Lateralflowimmunoassay,LFIA)是一种将免疫技术和标记技术相结合的快速免疫检测技术。金免疫层析技术是在侧流免疫层析技术的基础上，采用纳米金颗粒作为示踪标记物进行检测的方法。该方法具有检测效率高、方法简便、无污染、试剂稳定、适用于单人份测定等优势。金免疫层析技术作为一种快速检测方法，可应用在生物医学、临床、环境检测等多个领域。目前测定项目包括：肿瘤标志物如甲胎蛋白（alphafetoprotein，AFP）、前列腺特异抗原(PSA)、癌胚抗原(CEA)等；心梗系列如心肌钙蛋白I(Tn－I)、心肌钙蛋白T(Tn－T)、肌酸磷酸激酶心脏同功酶(CK－MB)等；激素系列如人绒毛腺促性腺激素（humanchorionicgonadotrophin，HCG）、促黄体激素（LH）等，其定量检测有着重要的意义。目前金免疫层析检测技术主要采用光电反射式检测和图像检测两种方式，在光电反射式中主要缺点：（1）光电反射式光学系统较复杂，且调试比较麻烦；（2）检测对试条的尺寸规格和试条的放置位置要求严格。而且上述两种传统检测方法中，均需要进行特征值的提取以进行数据分析。而深度神经网络在模式分类领域，由于避免了对图像的复杂前期预处理，可以直接输入原始图像，通过分层的方式学习图像的特征表示，因而得到了更为广泛的应用。
技术实现思路
本专利技术的目的在于提供一种基于卷积神经网络的金免疫层析检测方法及装置，避免了对试条图像的特征值提取，通过CCD采集金免疫层析试条特定时刻t1及反应终止时刻t2的图像，通过分层的方式学习数据的特征表示，提高金免疫层析检测效果。为实现上述目的，本专利技术的技术方案是：一种基于卷积神经网络的金免疫层析检测方法，提供一金免疫层析检测装置，包括如下步骤，S1、采集n个金免疫层析试条在t1、t2时刻的CCD图像以及对应检测结果作为训练数据，分别建立与t1、t2时刻对应的两个多层卷积神经网络模型，而后采用训练数据分别对两个多层卷积神经网络模型进行训练；其中，n为大于1的自然数，t1为反应过程中一预定时刻，t2为反应终止时刻；S2、将加样后的金免疫层析试条放入金免疫层析检测装置，而后在t1、t2时刻采集金免疫层析试条的CCD图像；S3、将t1、t2时刻采集金免疫层析试条的CCD图像分别作为对应卷积神经网络的输入层，采用训练后的两个多层卷积神经网络模型进拟合；S4、将两个多层卷积神经网络模型的输出利用回归分析，得到金免疫层析检测结果。在本专利技术一实施例中，所述两个多层卷积神经网络模型的卷积神经网络结构相同。在本专利技术一实施例中，所述多层卷积神经网络模型依次由数据层、卷积层C1、子采样层S1、卷积层C2、子采样层S2、全连接层F1及输出层组成；其中，数据层即t1或t2时刻采集金免疫层析试条的CCD图像，卷积层C1含有N1个卷积核和N1个偏置，一个卷积核和一个偏置生成一个特征图，卷积层C2含有N2个卷积核和N2个偏置，一个卷积核和一个偏置生成一个特征图。在本专利技术一实施例中，所述多层卷积神经网络模型的激活函数采用sigmoid函数。本专利技术还提供了一种基于卷积神经网络的金免疫层析检测装置，包括试条平台、STM32微处理器、CCD图像扫描模块、LED阵列光学照明模块、计算机；所述试条平台用于放置金免疫层析试条；所述STM32微处理器用于控制LED阵列光学照明模块的照明工作，及CCD图像扫描模块对金免疫层析试条的CCD图像的采集，而后采集的金免疫层析试条的CCD图像经STM32微处理器传输给计算机处理；所述计算机建立有多层卷积神经网络模型和金免疫层析检测数据库，将STM32微处理器传输的金免疫层析试条的CCD图像作为多层卷积神经网络模型的输入层，采用训练后的多层卷积神经网络模型进拟合，并利用回归分析，获得金免疫层析检测结果。在本专利技术一实施例中，所述CCD图像扫描模块包括CCD相机及与CCD相机匹配的CCD镜头，所述LED阵列光学照明模块包括LED阵列、用于为LED阵列提供电源的LED恒流源及设于LED阵列前方的匀光片。在本专利技术一实施例中，所述CCD镜头位于试条平台正上方，所述LED阵列包括若干等间距绕设于CCD镜头周围的LED光源，每个LED光源前方均设有一匀光片。在本专利技术一实施例中，所述多层卷积神经网络模型依次由数据层、卷积层C1、子采样层S1、卷积层C2、子采样层S2、全连接层F1及输出层组成；其中，数据层即t1或t2时刻采集金免疫层析试条的CCD图像，卷积层C1含有N1个卷积核和N1个偏置，一个卷积核和一个偏置生成一个特征图，卷积层C2含有N2个卷积核和N2个偏置，一个卷积核和一个偏置生成一个特征图。在本专利技术一实施例中，所述多层卷积神经网络模型的激活函数采用sigmoid函数。相较于现有技术，本专利技术具有以下有益效果：本专利技术避免了对试条图像的特征值提取，通过CCD采集金免疫层析试条特定时刻t1及反应终止时刻t2的图像，通过分层的方式学习数据的特征表示，提高金免疫层析检测效果。附图说明图1为本专利技术金免疫层析检测装置整体框图。图2为本专利技术金免疫层析检测CCD图像采集及LED阵列照明示意图。图3为CCD镜头与LED阵列俯视图。图4为本专利技术荧光免疫层析检测装置工作流程图。图5为本专利技术金免疫层析检测的卷积神经网络模型示意图。具体实施方式下面结合附图，对本专利技术的技术方案进行具体说明。本专利技术的一种基于卷积神经网络的金免疫层析检测方法，提供一金免疫层析检测装置，包括如下步骤，S1、采集n个金免疫层析试条在t1、t2时刻的CCD图像以及对应检测结果作为训练数据，分别建立与t1、t2时刻对应的两个多层卷积神经网络模型，而后采用训练数据分别对两个多层卷积神经网络模型进行训练；其中，n为大于1的自然数，t1为反应过程中一预定时刻，t2为反应终止时刻；S2、将加样后的金免疫层析试条放入金免疫层析检测装置，而后在t1、t2时刻采集金免疫层析试条的CCD图像；S3、将t1、t2时刻采集金免疫层析试条的CCD图像分别作为对应卷积神经网络的输入层，采用训练后的两个多层卷积神经网络模型进拟合；S4、将两个多层卷积神经网络模型的输出利用回归分析，得到金免疫层析检测结果。所述两个多层卷积神经网络模型的卷积神经网络结构相同。所述多层卷积神经网络模型依次由数据层、卷积层C1、子采样层S1、卷积层C2、子采样层S2、全连接层F1及输出层组成；其中，数据层即t1或t2时刻采集金免疫层析试条的CCD图像，卷积层C1含有N1个卷积核和N1个偏置，一个卷积核和一个偏置生成一个特征图，卷积层C2含有N2个卷积核和N2个偏置，一个卷积核和一个偏置生成一个特征图。所述多层卷积神经网络模型的激活函数采用sigmoid函数。本专利技术还提供了一种基于卷积神经网络的金免疫层析检测装置，包括试条平台、STM32微处理器、CCD图像扫描模块、LED阵列光学照明模块、计算机；所述试条平台用于放置金免疫层析试条；所述STM32微处理器用于控制LED阵列光学照明模块的照明工作，及CCD图像扫描模块对金免疫层析试条的CCD本文档来自技高网...

【技术保护点】
一种基于卷积神经网络的金免疫层析检测方法，其特征在于：提供一金免疫层析检测装置，包括如下步骤，S1、采集n个金免疫层析试条在t1、t2时刻的CCD图像以及对应检测结果作为训练数据，分别建立与t1、t2时刻对应的两个多层卷积神经网络模型，而后采用训练数据分别对两个多层卷积神经网络模型进行训练；其中，n为大于1的自然数，t1为反应过程中一预定时刻，t2为反应终止时刻；S2、将加样后的金免疫层析试条放入金免疫层析检测装置，而后在t1、t2时刻采集金免疫层析试条的CCD图像；S3、将t1、t2时刻采集金免疫层析试条的CCD图像分别作为对应卷积神经网络的输入层，采用训练后的两个多层卷积神经网络模型进拟合；S4、将两个多层卷积神经网络模型的输出利用回归分析，得到金免疫层析检测结果。

【技术特征摘要】
1.一种基于卷积神经网络的金免疫层析检测方法，其特征在于：提供一金免疫层析检测装置，包括如下步骤，S1、采集n个金免疫层析试条在t1、t2时刻的CCD图像以及对应检测结果作为训练数据，分别建立与t1、t2时刻对应的两个多层卷积神经网络模型，而后采用训练数据分别对两个多层卷积神经网络模型进行训练；其中，n为大于1的自然数，t1为反应过程中一预定时刻，t2为反应终止时刻；S2、将加样后的金免疫层析试条放入金免疫层析检测装置，而后在t1、t2时刻采集金免疫层析试条的CCD图像；S3、将t1、t2时刻采集金免疫层析试条的CCD图像分别作为对应卷积神经网络的输入层，采用训练后的两个多层卷积神经网络模型进拟合；S4、将两个多层卷积神经网络模型的输出利用回归分析，得到金免疫层析检测结果。2.根据权利要求1所述的一种基于卷积神经网络的金免疫层析检测方法，其特征在于：所述两个多层卷积神经网络模型的卷积神经网络结构相同。3.根据权利要求2所述的一种基于卷积神经网络的金免疫层析检测方法，其特征在于：所述多层卷积神经网络模型依次由数据层、卷积层C1、子采样层S1、卷积层C2、子采样层S2、全连接层F1及输出层组成；其中，数据层即t1或t2时刻采集金免疫层析试条的CCD图像，卷积层C1含有N1个卷积核和N1个偏置，一个卷积核和一个偏置生成一个特征图，卷积层C2含有N2个卷积核和N2个偏置，一个卷积核和一个偏置生成一个特征图。4.根据权利要求3所述的一种基于卷积神经网络的金免疫层析检测方法，其特征在于：所述多层卷积神经网络模型的激活函数采用sigmoid函数。5.一种基于卷积神经网络的金免疫层析检测装置，其特征在于：包括试条平台、STM32微处理器、CCD图像扫描模块、LED阵列光学...

【专利技术属性】
技术研发人员：姜海燕，陈建国，杜民，李玉榕，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建,35