基于神经网络的血清质量识别方法、装置、设备及介质制造方法及图纸

本发明专利技术公开了一种基于神经网络的血清质量识别方法、装置、终端设备及计算机可读存储介质，通过对盛装血清样本的试管进行图像采集得到试管图像；将所述试管图像输入预设的神经网络模型中，以供所述神经网络模型输出针对所述血清样本的血清质量识别结果，其中，所述神经网络模型通过试管图像进行卷积神经网络模型训练得到。本发明专利技术能够提高进行血清质量识别的效率，和有效地减小试管上标签的影响，从而确保模型识别血清质量的准确率。确保模型识别血清质量的准确率。确保模型识别血清质量的准确率。

【技术实现步骤摘要】
基于神经网络的血清质量识别方法、装置、设备及介质


[0001]本专利技术涉及血清质量分析
，尤其涉及一种基于神经网络的血清质量识别方法、装置、终端设备及计算机可读存储介质。

技术介绍

[0002]随着社会的进步，体外诊断设备检验水平及自动化程度逐渐提高。诸如生化分析仪、免疫分析仪等体外诊断设备在针对血清进行生化或者免疫检测前，都必须对血清进行样本质量的检测，只有检测结果合格才能进一步使用样本进行相关检测。由于通常情况下通过试管采集到的血清除正常样本外，还可能会包括呈现溶血状态、乳糜状态或者黄疸状态等异常的样本，这些异常样本将是先前检测样本质量过程中需要首先筛除掉的。
[0003]以往针对血清样本的质量检测和识别从而筛选出异常样本的方式均是通过经验丰富的技术人员凭借肉眼进行观察判断，因而，不仅不同技术人员各自判断标准不一，而且整体筛选异常样本的效率也比较低下。此外，在现有技术中，还可通过预先对正常、溶血、乳糜、黄疸等状态的血清样本，在划分出各自的颜色范围之后，通过提取待检测血清的液面颜色值来对血清质量进行判断。但是，该方式极易受到盛本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的血清质量识别方法，其特征在于，所述基于神经网络的血清质量识别方法包括：对盛装血清样本的试管进行图像采集得到试管图像；将所述试管图像输入预设的神经网络模型中，以供所述神经网络模型输出针对所述血清样本的血清质量识别结果，其中，所述神经网络模型通过试管图像进行卷积神经网络模型训练得到。2.如权利要求1所述的基于神经网络的血清质量识别方法，其特征在于，所述方法通过多曝光的试管图像进行卷积神经网络模型训练；所述基于神经网络的血清质量识别方法还包括：获取多曝光的试管图像，从所述多曝光的试管图像中提取属于所述试管非标签区域的矩阵区域；将所述矩阵区域输入预设的第一卷积模块进行第一卷积神经网络模型训练，并获取所述第一卷积模块针对所述矩阵区域进行第一卷积神经网络模型训练后输出的特征图；将所述特征图进行堆叠后输入预设的第二卷积模块进行第二卷积神经网络模型训练，以得到用于针对血清样本进行血清质量识别的神经网络模型。3.如权利要求2所述的基于神经网络的血清质量识别方法，其特征在于，所述第一卷积模块和所述第二卷积模块包括：卷积层和池化层，所述第一卷积模块和所述第二卷积模块除末尾的两个卷积层之外，每两个卷积层之后连接一个池化层；所述第一卷积模块中的卷积层包括多个步长为1的第一卷积层和多个步长为2的第二卷积层，每两个第一卷积层中，输出端未连接所述池化层的第一卷积层与一个所述第二卷积层相连接；所述第一卷积模块末尾的两个第一卷积层的卷积核数量小于其它第一卷积层和所述第二卷积层的卷积核数量。4.如权利要求2或者3任一项所述的基于神经网络的血清质量识别方法，其特征在于，所述第二卷积模块的末尾连接全连接层和逻辑回归层，所述将所述特征图进行堆叠后输入预设的第二卷积模块进行第二卷积神经网络模型训练的步骤，包括：将所述特征图进行堆叠后输入预设的第二卷积模块，并获取所述第二卷积模块基于多个所述卷积层和所述池化层对所述特征图进行处理后输出的新的特征图；将所述新的特征图输入所述全连接层进行特征分类得到血清的质量类别，其中，所述质量类别包括：正常、溶血、脂血和黄疸；将所述新的特征图输入所述逻辑回归层计算各所述质量类别的概率值，以用于确定所述质量类别为所述溶血、所述脂血和所...

【专利技术属性】
技术研发人员：张洁，龚文冲，
申请(专利权)人：中元汇吉生物技术股份有限公司，
类型：发明
国别省市：