[發明專利]一種基于機器學習的無外標樣品定量檢測方法

在審

• 申請號: 202211080877.7
• 申請日: 2022-09-05
• 公開（公告）號: CN115564848A
• 公開（公告）日: 2023-01-03
• 發明（設計）人: 唐盛;陳吉森;施海蔚;沈薇;李賢基
• 申請（專利權）人: 江蘇科技大學
• 主分類號: G06T7/90
• 分類號: G06T7/90;G06N3/04;G06N3/08;G16C20/20
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 張雅文

1.一種基于機器學習的無外標樣品定量檢測方法，其特征在于，包括以下步驟：

(a)將樣品滴加在媒介載體上，或滴入檢測試劑盒內，樣品成像；

(b)置入樣品圖像，自動分析圖像信號并加載經訓練的機器學習模型預測樣品濃度結果；

(c)輸出樣品定量結果。

2.根據權利要求1所述的方法，其特征在于，步驟(a)中樣品成像方式包括采用具有拍照攝像功能的設備拍攝的圖片。

3.根據權利要求1所述的方法，其特征在于，步驟(b)中所述自動分析圖像信號，包括以用戶自定義ROI為區域大小提取顏色信號均值；所述圖像信號，包括RGB、HSV顏色空間顏色信號值。

4.根據權利要求1所述的方法，其特征在于，步驟(b)中所述機器學習模型為：

y＝w₁Q+w₂S₁+…+w_nS_n+β

其中，Q，S_{_1}…S_{_m}和y∈Rⁿ；Q是定量參數向量，由與待檢測樣品濃度相關性最高的顏色參數RGBHSV六參數顏色值中的一種或多種構成；S_1…S_m分別代表影響因素向量，包括照度、拍攝距離、相機參數；y是標準濃度結果向量，由標準樣品濃度構成，β是常數項；

對全部訓練集樣品圖像分析并讀出顏色參數值，得到影響因素值；

最終，將樣品對應濃度作為標簽向量，樣品顏色參數值及影響因素值拼合構成訓練集矩陣，構建并訓練優化梯度下降損失函數。

5.根據權利要求4所述的方法，其特征在于所述機器學習模型的損失函數為：

其中，X是訓練樣本的特征矩陣，w代表權重矩陣，α取0.1。

6.根據權利要求1所述的方法，其特征在于，步驟(b)中預測樣品濃度結果的過程為：

首先，根據在各種實驗環境下拍攝的樣品數據集訓練機器學習模型，選擇預測性能最優的模型；

其次，在檢測時，自動讀取所加載樣品區域的RGB和HSV信號均值，以獲得樣本特征，根據機器學習模型預測樣品定量結果，并打印輸出至屏幕。

7.根據權利要求1所述的方法，其特征在于，所述智能設備包括智能手機或平板電腦及其他具備良好計算能力的便攜式設備。

8.根據權利要求1所述的方法，其特征在于，所述檢測試劑盒包括提供前處理、顯色檢測功能的三維結構化試劑盒，由感光底層和儲液槽構成，儲液槽為正方形，其邊長為5mm，儲液槽的凹槽深度為2mm，其內芯結構為可拆卸式條狀芯片，每條芯片能滴加6個樣品，能單獨組裝使用，每個試劑盒中最多能同時裝載4條芯片，試劑盒之間也可并排組裝使用，以達到高通量檢測。

9.一種電子裝置，包括存儲器和處理器，其特征在于，所述存儲器中存儲有智能設備程序，所述處理器被設置為運行所述智能設備程序以執行權利要求1至8任一項中所述的方法。

10.一種集成化檢測設備，所述集成化檢測設備包括一取樣筒，在取樣桶內設置有樣品架、置于樣品架上的試劑盒，其特征在于，在取樣桶內還包括一成像設備以及一檢測單元，檢測單元通過成像設備對試劑盒中樣品拍攝取樣，通過權利要求1至8中任一項所述方法，在自動完成樣品信號特征提取后，根據機器學習模型快速預測樣品濃度值。