试纸识别方法、装置、存储介质及设备制造方法及图纸

本发明专利技术实施例提供一种试纸识别方法、装置、存储介质及设备，属于图像处理技术领域。所述方法包括：获取待识别图像，所述待识别图像包括待识别试纸图像；利用基于第一种深度学习的图像识别方法，在所述待识别图像中提取所述待识别试纸图像；利用预设类别模型，识别所述待识别试纸图像中的标志所属的类别，并提取所述类别对应的检测线信息；利用基于第二种深度学习的图像识别方法，从所述待识别试纸图像中确定识别线位置；利用规则性图像处理方法，根据所述识别线位置对应的图像亮度值以及所述检测线信息确定试纸检测结果。本发明专利技术实施例适用于试纸识别过程。用于试纸识别过程。用于试纸识别过程。

【技术实现步骤摘要】
试纸识别方法、装置、存储介质及设备


[0001]本专利技术涉及图像处理
，具体地涉及一种试纸识别方法、装置、存储介质及设备。

技术介绍

[0002]女性妊娠类试纸是科学备孕和人工助孕的主要手段之一。女性妊娠类试纸主要包含排卵试纸和早孕试纸两大类。排卵试纸主要是通过检测促黄体生成激素(Luteinizing hormone，LH)的峰值水平，来预知何时排卵。早孕试纸主要是通过检测绒毛膜促性腺激素(Human Choionic Gonadotophin，HCG)，来确定是否怀孕以及判断胚胎发育情况。对于上述两大类试纸，目前主要通过人眼观测对比检测线(T)和对照线(C)的颜色深浅，来判断待检测指标的阴阳性。当检测线(T)比对照线(C)深或相等，则试纸显示为阳性；否则，试纸显示为阴性，而人眼识别往往存在偏差。
[0003]随着移动互联网、物联网和人工智能的兴起，小型化的数据采集设备、基于智能手机的试纸图像识别方法逐渐成为主流。在现有技术中，一般存在两种识别方式，一种是基于深度学习的图像识别方法，使用卷积神经网络，训练图像的深度学习模型，提取图像的深度学习特征并且构建成数据库，最后通过SVM(Support Vector Machine，支持向量机)对特征进行分类识别；另一种是基于规则性图像信息进行特征提取的图像识别方法，首先进行Harris角点检测标定图像，接着将图像空间从RGB转换到CIELAB，计算试纸颜色与标准比色卡色块之间的色差，再用最近邻算法将试纸颜色分类到比色卡对应的类别，来完成试纸测量指标的解析。但是对于上述现有技术中试纸识别的方法，无法避免试纸检测结果受复杂背景的影响，而且受多种类品牌试纸的影响，现有技术中的识别技术无法做到通用性识别。

技术实现思路

[0004]本专利技术实施例的目的是提供一种试纸识别方法、装置、存储介质及设备，解决了现有技术中对于试纸识别受复杂背景影响，导致试纸检测结果准确率低的问题，而且对于多种类品牌试纸，识别技术通用性差，在本专利技术实施例中利用深度学习和规则性图像处理混合的试纸识别方法，将试纸图像从待识别图像中抠取出来，避免了复杂背景对试纸图像的影响，然后直接通过颜色跳变确定试纸图像中的识别线的位置，提高了试纸图像的识别通用性。
[0005]为了实现上述目的，本专利技术实施例提供一种试纸识别方法，所述方法包括：获取待识别图像，所述待识别图像包括待识别试纸图像；利用基于第一种深度学习的图像识别方法，在所述待识别图像中提取所述待识别试纸图像；利用预设类别模型，识别所述待识别试纸图像中的标志所属的类别，并提取所述类别对应的检测线信息；利用基于第二种深度学习的图像识别方法，从所述待识别试纸图像中确定识别线位置；利用规则性图像处理方法，根据所述识别线位置对应的像素亮度值以及所述检测线信息确定试纸检测结果。
[0006]进一步地，所述利用基于第一种深度学习的图像识别方法，在所述待识别图像中
提取所述待识别试纸图像包括：利用预设HED模型，从所述待识别图像中获取所述待识别试纸图像对应的边缘灰度图；利用OpenCV技术，根据所述边缘灰度图在所述待识别图像中映射得到所述待识别试纸图像。
[0007]进一步地，所述预设HED模型通过下述方式建立得到：将图像样本进行预处理，得到符合指定像素尺寸的图像训练样本；将所述图像训练样本中的试纸边缘进行标记，得到图像标记样本；利用所述图像训练样本以及对应的图像标记样本对预训练HED模型进行训练，直到所述预训练HED模型的损失函数值趋于稳定时，确定所述预训练HED模型为所述预设HED模型。
[0008]进一步地，所述预设类别模型通过下述方式得到：获取试纸图像训练集，将所述试纸图像训练集中的试纸图像按照标志的类别进行分类，并存储所述类别以及其对应的检测线信息；利用所述试纸图像训练集以及每种试纸图像对应的类别对预训练CNN模型进行训练，直到所述预训练CNN模型的损失函数值趋于稳定时，确定所述预训练CNN模型为所述预设类别模型。
[0009]进一步地，所述利用基于第二种深度学习的图像识别方法，从所述待识别试纸图像中确定识别线位置包括：利用预设CRNN模型，得到所述待识别试纸图像中的区域分类，所述区域分类包括空白区域、识别线位置左侧区域以及识别线位置右侧区域；根据所述区域分类，确定所述待识别试纸图像中的所述识别线位置。
[0010]进一步地，所述利用所述预设CRNN模型，得到所述待识别试纸图像中的区域分类包括：利用所述预设CRNN模型，将所述待识别试纸图像转换为特征序列信息；根据所述特征序列信息中的颜色跳变，确定所述区域分类。
[0011]进一步地，所述CRNN模型通过下述方式建立得到：将试纸图像样本进行预处理，得到符合设定像素尺寸的试纸图像训练样本；将所述试纸图像训练样本中的区域分类进行标记，得到试纸图像标记样本；利用所述试纸图像训练样本以及对应的试纸图像标记样本对预训练CRNN模型进行训练，直到所述预训练CRNN模型的损失函数值趋于稳定时，确定所述预训练CRNN模型为所述预设CRNN模型。
[0012]进一步地，所述利用规则性图像处理方法，根据所述识别线位置对应的像素亮度值以及所述检测线信息确定试纸检测结果包括：将所述识别线位置的颜色空间转换为LAB颜色空间；提取所述识别线位置在LAB颜色空间中对应的像素亮度值；根据所述像素亮度值与所述检测线信息的比较结果，确定所述试纸检测结果。
[0013]进一步地，在所述确定试纸检测结果之后，所述方法还包括：根据所述试纸检测结果，确定所述待识别图像对应的用户的当前生理信息；将所述试纸检测结果以及所述用户的当前生理信息提供给所述用户。
[0014]进一步地，所述待识别图像还包括用户标识，在所述确定试纸检测结果之后，所述方法还包括：提取所述待识别图像中包括的用户标识；在数据库中查找所述用户标识对应的历史检测信息，所述历史检测信息包括历史试纸检测结果以及历史生理信息；根据所述历史生理信息与所述当前生理信息，确定所述用户对应的生理周期；根据所述生理周期，确定所述用户进行下一次试纸检测的建议时间，并将所述建议时间提供给所述用户。
[0015]相应地，本专利技术实施例还提供一种试纸识别装置，包括：获取单元，用于获取待识别图像，所述待识别图像包括待识别试纸图像；试纸图像提取单元，用于利用基于第一种深
度学习的图像识别方法，在所述待识别图像中提取所述待识别试纸图像；类别确定单元，用于利用预设类别模型，识别所述待识别试纸图像中的标志所属的类别，并提取所述类别对应的检测线信息；位置确定单元，用于利用基于第二种深度学习的图像识别方法，从所述待识别试纸图像中确定识别线位置；结果确定单元，用于利用规则性图像处理方法，根据所述识别线位置对应的图像亮度值以及所述检测线信息确定试纸检测结果。
[0016]进一步地，所述试纸图像提取单元还用于：利用预设HED模型，从所述待识别图像中获取所述待识别试纸图像对应的边缘灰度图；利用OpenCV技术，根据所述边缘灰度图在所述待识别图像中映本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种试纸识别方法，其特征在于，包括：获取待识别图像，所述待识别图像包括待识别试纸图像；利用基于第一种深度学习的图像识别方法，在所述待识别图像中提取所述待识别试纸图像；利用预设类别模型，识别所述待识别试纸图像中的标志所属的类别，并提取所述类别对应的检测线信息；利用基于第二种深度学习的图像识别方法，从所述待识别试纸图像中确定识别线位置；利用规则性图像处理方法，根据所述识别线位置对应的图像亮度值以及所述检测线信息确定试纸检测结果。2.根据权利要求1所述的试纸识别方法，其特征在于，所述利用基于第一种深度学习的图像识别方法，在所述待识别图像中提取所述待识别试纸图像包括：利用所述预设HED模型，从所述待识别图像中获取所述待识别试纸图像对应的边缘灰度图；利用OpenCV技术，根据所述边缘灰度图在所述待识别图像中映射得到所述待识别试纸图像。3.根据权利要求2所述的试纸识别方法，其特征在于，所述预设HED模型通过下述方式建立得到：将图像样本进行预处理，得到符合指定像素尺寸的图像训练样本；将所述图像训练样本中的试纸边缘进行标记，得到图像标记样本；利用所述图像训练样本以及对应的图像标记样本对预训练HED模型进行训练，直到所述预训练HED模型的损失函数值趋于稳定时，确定所述预训练HED模型为所述预设HED模型。4.根据权利要求1所述的试纸识别方法，其特征在于，所述预设类别模型通过下述方式得到：获取试纸图像训练集，将所述试纸图像训练集中的试纸图像按照标志的类别进行分类，并存储所述类别以及其对应的检测线信息；利用所述试纸图像训练集以及每种试纸图像对应的类别对预训练CNN模型进行训练，直到所述预训练CNN模型的损失函数值趋于稳定时，确定所述预训练CNN模型为所述预设类别模型。5.根据权利要求1所述的试纸识别方法，其特征在于，所述利用基于第二种深度学习的图像识别方法，从所述待识别试纸图像中确定识别线位置包括：利用预设CRNN模型，得到所述待识别试纸图像中的区域分类，所述区域分类...

【专利技术属性】
技术研发人员：王胤，王威，左志伟，罗培克，黄真，
申请(专利权)人：北京爱康泰科技有限责任公司，
类型：发明
国别省市：