一种有形成分分析仪的自动聚焦方法与流程

1.本发明属于自动聚焦领域；具体涉及一种有形成分分析仪的自动聚焦方法。


背景技术：

2.传统的基于图像处理的自动聚焦方法一般采用聚焦评价函数方法，通过在不同位置拍摄图像，计算不同位置图像的聚焦评价函数值，取聚焦评价函数的最大值处的位置作为焦点位置。由于聚焦评价函数可能出现多峰的情况，容易造成得到的聚焦位置不准确。


技术实现要素：

3.本发明提供了一种有形成分分析仪的自动聚焦方法，用以解决传统评价函数法存在的聚焦位置不准确的问题。
4.本发明通过以下技术方案实现：
5.一种有形成分分析仪的自动聚焦方法,所述自动聚焦方法包括以下步骤：
6.步骤1：自动聚焦装置的聚焦驱动电机5驱动平面流动池2，使聚焦液流经平面流动池2；
7.步骤2：基于步骤1的经聚焦液流经的平面流动池2，从起始位置开始，以相同步长向前移动，在每个位置拍摄m张图像，共移动n个位置；
8.步骤3：对步骤2中的m*n张图像中的每张图像进行图像分割,获得标准粒子图像；
9.步骤4：基于步骤3的标准粒子图像构建深度神经网络模型；
10.步骤5：对步骤4的深度神经网络模型进行训练，得到网络参数；
11.步骤6：对步骤5的训练后的深度神经网络模型做线性回归，回归直线与横轴的交点位置即为焦点位置。
12.进一步的，自动聚焦装置包括光源1、平面流动池2、物镜3、摄像机4和聚焦驱动电机5，所述摄像机4的镜头安装物镜3，所述摄像机4的镜头与光源1设置在平面流动池2的两侧，所述摄像机4的镜头对准平面流动池2进行拍摄，所述聚焦驱动电机5驱动平面流动池2进行移动。
13.进一步的，所述步骤1的聚焦液含有每微升1000
±
50浓度的标准粒子。
14.进一步的，所述步骤2的起始位置为聚焦驱动电机5开始驱动时的平面流动池2的位置。
15.进一步的，所述步骤3具体为，将拍摄到的图片进行裁剪保留标准粒子，从而获得标准粒子图像。
16.进一步的，所述步骤5的深度神经网络模型进行训练具体包括以下步骤：
17.步骤5.1：将每个位置的标准粒子与一个数值对应起来作为该粒子的标签，数值的范围是[
‑
q,q]，用以构建训练集；
[0018]
步骤5.2：将训练集的每个数据输入至深度神经网络模型中，进行自下而上的训练至全连接层输出，从而完成训练深度神经网络，得到深度神经网络的参数。
[0019]
进一步的，所述步骤5.2中的深度神经网络模型从下而上分别为输入层、多个卷积层、池化层与全连接层。
[0020]
进一步的，所述步骤6的线性回归具体包括以下步骤：
[0021]
步骤6.1：拍摄图像经过图像分割在每个位置得到m
i
个标准粒子图像；
[0022]
步骤6.2：用训练好的深度神经网络模型作用于每个位置的标准粒子，得到该粒子的实际输出值；
[0023]
步骤6.3：用标准粒子的位置作为横坐标x，用标准粒子的实际输出值作为纵坐标y，构建直角坐标系，标准粒子的起始位置为坐标原点，得到数据点集合(x
i
,y
i
)；
[0024]
步骤6.4：对数据点集合做线性回归，得到回归直线；
[0025]
步骤6.5：回归直线与标准粒子的横坐标x的交点位置就是自动聚焦的焦点位置。
[0026]
进一步的，所述步骤6.4的线性回归公式为y＝b0+b1x
[0027]
其中，其中，其中，其中，
[0028]
其中，b0表示回归直线的截距，b1表示回归直线的斜率，x
i
为第i个标准粒子的横坐标，y
i
为第i个标准粒子的纵坐标，n为标准粒子的个数，为标准粒子横坐标的均值，为标准粒子纵坐标的均值。
[0029]
本发明的有益效果是：
[0030]
本发明提高了聚焦精度。
[0031]
本发明计算简单，易于实施。
附图说明
[0032]
附图1是本发明的流程图。
[0033]
附图2是本发明的不同位置的标准粒子图像，反映出在聚焦过程的不同位置处标准微粒的形态的差异图。
[0034]
附图3是本发明的拟合直线示例图。
[0035]
附图4是本发明的自动聚焦装置示意图。
具体实施方式
[0036]
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0037]
实施例1
[0038]
一种有形成分分析仪的自动聚焦方法,所述自动聚焦方法包括以下步骤：
[0039]
一种有形成分分析仪的自动聚焦方法,所述自动聚焦方法包括以下步骤：
[0040]
步骤1：自动聚焦装置的聚焦驱动电机5驱动平面流动池2，使聚焦液流经平面流动池2；
[0041]
步骤2：基于步骤1的经聚焦液流经的平面流动池2，从起始位置开始，以相同步长向前移动，在每个位置拍摄m张图像，共移动n个位置；
[0042]
步骤3：对步骤2中的m*n张图像中的每张图像进行图像分割,获得标准粒子图像；
[0043]
步骤4：基于步骤3的标准粒子图像构建深度神经网络模型；
[0044]
步骤5：对步骤4的深度神经网络模型进行训练，得到网络参数；
[0045]
步骤6：对步骤5的训练后的深度神经网络模型做线性回归，回归直线与横轴的交点位置即为焦点位置。
[0046]
进一步的，如图4所示，自动聚焦装置包括光源1、平面流动池2、物镜3、摄像机4和聚焦驱动电机5，所述摄像机4的镜头安装物镜3，所述摄像机4的镜头与光源1设置在平面流动池2的两侧，所述摄像机4的镜头对准平面流动池2进行拍摄，所述聚焦驱动电机5驱动平面流动池2进行移动。
[0047]
进一步的，所述步骤1的聚焦液含有每微升1000
±
50浓度的标准粒子。
[0048]
进一步的，所述步骤2的起始位置为聚焦驱动电机5开始驱动时的平面流动池2的位置。
[0049]
进一步的，所述步骤3具体为，将拍摄到的图片进行裁剪保留标准粒子，从而获得标准粒子图像。
[0050]
进一步的，所述步骤5的深度神经网络模型进行训练具体包括以下步骤：
[0051]
步骤5.1：将每个位置的标准粒子与一个数值对应起来作为该粒子的标签，数值的范围是[
‑
q,q]，用以构建训练集；在焦点上的标准粒子对应的标签是0，用训练集训练深度神经网络，得到深度神经网络的参数；
[0052]
步骤5.2：将训练集的每个数据输入至深度神经网络模型中，进行自下而上的训练至全连接层输出，从而完成训练深度神经网络，得到深度神经网络的参数。
[0053]
从起始位置开始，在每个位置用高速相机拍摄图像，通过图像分割得到标准粒子图像，取标准粒子所在的位置为横坐标x，标准粒子的标签为纵坐标y，构建直角坐标系，起始位置为坐标系的原点。用训练好的深度神经网络作用于标准粒子图像，得到数据点集合(x
i
,y
i
)。对该数据点集合做线性回归。
[0054]
进一步的，所述步骤5.2中的深度神经网络模型从下而上分别为输入层、多个卷积层、池化层与全连接层。
[0055]
进一步的，所述步骤6的线性回归具体包括以下步骤：
[0056]
步骤6.1：拍摄图像经过图像分割在每个位置得到m
i
个标准粒子图像；
[0057]
步骤6.2：用训练好的深度神经网络模型作用于每个位置的标准粒子，得到该粒子的实际输出值；
[0058]
步骤6.3：用标准粒子的位置作为横坐标x，用标准粒子的实际输出值作为纵坐标y，构建直角坐标系，标准粒子的起始位置为坐标原点，得到数据点集合(x
i
,y
i
)；
[0059]
步骤6.4：对数据点集合做线性回归，得到回归直线；
[0060]
步骤6.5：回归直线与标准粒子的横坐标x的交点位置就是自动聚焦的焦点位置。
[0061]
进一步的，所述步骤6.4的线性回归公式为y＝b0+b1x
[0062]
其中，其中，其中，其中，
[0063]
其中，b0表示回归直线的截距，b1表示回归直线的斜率，x
i
为第i个标准粒子的横坐标，y
i
为第i个标准粒子的纵坐标，n为标准粒子的个数，为标准粒子横坐标的均值，为标准粒子纵坐标的均值。
[0064]
实施例2
[0065]
步骤s1：从起始点开始前进500步，步长为1微米，在每个位置拍摄m＝2幅图像；
[0066]
步骤s2：取固定阈值t，采用阈值分割方法对图像进行分割，得到标准粒子图像，标准粒子图像的长和宽均为40个像素，每个位置可得到m
i
个标准粒子图像，m
i
≥0；
[0067]
步骤s3：将标准粒子图像赋予标签，标签的范围为[
‑
1.0,1.0],焦点位置的标准粒子的标签值为0，位于焦点左侧的标准粒子的标签值依次减少，位于焦点右侧的标准粒子的标签值依次增加，其增加或减少的趋势呈线性，由此构建训练集；
[0068]
步骤s4：深度神经网络由多个卷积层和池化层、全连接层组成，最后一个全连接层只有一个输出节点，该神经网络的输入是40x40的标准粒子图像，标准粒子图像如图所示；
[0069]
步骤s5：深度神经网络的误差函数采用均方误差函数，用梯度下降法进行训练，经过训练，得到深度神经网络的参数；
[0070]
步骤s6：将训练好的深度神经网络用于有形成分分析仪的聚焦。从起始位置开始，拍摄图像，将每个位置的标准微粒图像送入训练好的深度神经网络，得到实际输出值，将每个粒子与直角坐标系中的一个点对应起来，标准粒子的位置作为横坐标，深度神经网络的输出值作为纵坐标，该次聚焦拍摄的所有标准粒子组成集合(x
i
,y
i
)，对该集合做线性回归，得到回归直线，回归直线与横轴的交点就是本次聚焦的焦点位置，如图所示，本次聚焦的拟合直线公式是：
[0071]
y＝0.0037x
‑
1.096
[0072]
由此求得本次聚焦的焦点位置为296。