[發(fā)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?zhí)枺?/td>: 202211080877.7
• 申請日: 2022-09-05
• 公開（公告）號: CN115564848A
• 公開（公告）日: 2023-01-03
• 發(fā)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

本發(fā)明提出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以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。通過將傳統(tǒng)比色法的概念與流行的機器學習方法相結合，開發(fā)了一套智能設備算法，使得相較傳統(tǒng)比色法更便捷、快速的樣品檢測方案成為可能。

技術領域

本發(fā)明涉及一種基于機器學習的無外標樣品定量檢測方法，屬于人工智能比色樣品分析技術領域。

背景技術

機器學習是一門多領域交叉學科，涉及概率論、統(tǒng)計學、逼近論、凸分析、算法復雜度理論等多門學科，是人工智能核心，是使計算機具有智能的根本途徑。專門研究計算機怎樣模擬或實現(xiàn)人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。

現(xiàn)有的傳統(tǒng)實驗室檢測方法存在檢測設備體積大、成本高、操作復雜等缺陷，通常只能用于實驗室和醫(yī)院，這限制了它們在資源有限的環(huán)境下的應用。相較于傳統(tǒng)實驗室方法，智能設備具有良好的便攜性、低成本、可靠性、靈活性等優(yōu)勢，非常適合現(xiàn)場快速樣品檢測。

智能設備具備出色的成像能力和優(yōu)秀的運算效率且方便攜帶。這幫助科研工作者們解決了許多難題。近年來，智能設備比色法已成為一種即時快速的現(xiàn)場樣品檢測技術，其廣泛應用于生物、化學、醫(yī)藥、臨床等領域。然而，目前的智能比色法方案仍需要外標定量溶液、外部檢測硬件等繁雜工序，因此我們提出更便捷的解決方案，即通過機器學習的方式實現(xiàn)更便捷、快速的樣品檢測。

發(fā)明內容

技術方案：針對當前比色檢測方法的局限性，為了實現(xiàn)上述目的，本發(fā)明采用以下技術方案：

一種基于機器學習的無外標樣品定量檢測方法，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。

在本申請的一個實施例中，所述步驟(a)中滴加的樣品體積為50μL

在本申請的一個實施例中，步驟(b)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。

在本申請的一個實施例中，步驟(c)中所述程序自動分析圖像信號，自動分析圖像信號，包括以用戶自定義ROI為區(qū)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。

在本申請的一個實施例中，所述步驟(b)中所述圖像信號，包括RGB、HSV顏色空間顏色信號值。

在本申請的一個實施例中，

(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(shù)向量，由與待檢測樣品濃度相關性最高的顏色參數(shù)RGBHSV六參數(shù)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(shù)；y是標準濃度結果向量，由標準樣品濃度構成，β是常數(shù)項；對全部訓練集樣品圖像分析并讀出顏色參數(shù)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(shù)值及影響因素值拼合構成訓練集矩陣，構建并訓練優(yōu)化梯度下降損失函數(shù)。

在本申請的一個實施例中，所述機器學習模型的損失函數(shù)為：