一种基于机器学习的免疫层析浓度检测方法及系统与流程

本发明涉及免疫层析浓度检测领域，特别是涉及一种基于机器学习的免疫层析浓度检测方法及系统。

背景技术：

免疫层析是一种将纳米颗粒作为标记物的快速检测方法，主要应用于医学检测、食品安全检测、农牧业等多个领域中。免疫层析检测作为常用的快速检测方法，将层析法和免疫检测的优点有效的结合在一起，同时免疫层析法具有操作简单、检测快速、重复性好、特异性和敏感性高、取样量少的优点，在试纸条检测过程中无需复杂的仪器或仅需简单的仪器，操作人员无需专业培训，因此免疫层析检测非常适合现场快检和大规模筛查之用，具有广阔的应用前景。

纳米粒子具有生物专一性的优点，可以保证粒子的特异性结合和识别。其中胶体金纳米粒子具有高电子密度、介电特性和催化作用，能与多种生物大分子结合，在免疫层析领域已经取得了重大进展。利用胶体金纳米粒子作为生物标记物具有单一试剂，单步操作的显著优点，同时全部试剂可在室温长期保存，在现场技术中应用广泛。

传统的对于胶体金检测信号提取的方法包括基于特征提取的小波变换方法、边缘算子检测定位、传统去噪策略和生物建模方法，但是这些方法都具有计算复杂、定位模糊、边缘错位的情况，对于不同浓度样本和多目标检测的差异性较大，检测精度随着检测类别的增加下降，弱阳性样本漏检率高。因此，有必要改进鉴别方法以实现对免疫层析图像的自动读取与分类。

技术实现要素：

本发明的目的是提供一种基于机器学习的免疫层析浓度检测方法及系统，以解决传统的样品浓度检测方法对于不同浓度样本和多目标检测的差异性较大，检测精度随着检测类别的增加下降，弱阳性样本漏检率高的问题。

为实现上述目的，本发明提供了如下方案：

一种基于机器学习的免疫层析浓度检测方法，包括：

获取人绒毛膜促性腺激素hcg和心梗三项的免疫层析试纸条图像；

对所述免疫层析试纸条图像进行预处理，确定预处理后的免疫层析试纸条图像；

根据所述预处理后的免疫层析试纸条图像构建u-net语义分割网络；

将待测样本输入到所述u-net语义分割网络，以前景和背景分割的方式，输出目标检测区域；所述待测样本为待测的人绒毛膜促性腺激素hcg和心梗三项的免疫层析试纸条图像；

将所述目标检测区域内的像素点强度划分为rgb三通道向量强度输入到分类网络，按照所述待测样本的浓度范围，输出所述待测样本的浓度类别；所述浓度类别包括高浓度类别、中浓度类别以及低浓度类别。

可选的，所述对所述免疫层析试纸条图像进行预处理，确定预处理后的免疫层析试纸条图像，具体包括：

对所述免疫层析试纸条图像进行去噪和归一化处理，将所述免疫层析试纸条图像的尺寸调整为256*256，确定调整后的免疫层析试纸条图像；

利用形态学方法对所述调整后的免疫层析试纸条图像进行扩充，确定预处理后的免疫层析试纸条图像；所述形态学方法包括平移扩充方法以及翻转扩充方法。

可选的，所述u-net语义分割网络具体包括：压缩路径以及扩展路径；

所述压缩路径包括多层卷积层以及最大池化层；所述卷积层包括两个3x3卷积核，相邻的两层卷积层之间通过激活函数模块相连接，所述卷积层用于对输入的图像数据进行卷积计算，并完成卷积输出；最后一层卷积层与所述最大池化层相连接，所述最后一层卷积层的输出数据作为所述最大池化层的输入数据输入至所述最大池化层；其中，对每一层的所述卷积层内的图像数据进行下采样操作，以获取压缩图像数据；

所述扩展路径包括多层反卷积层；所述反卷积层包括一个3×3卷积核，相邻的两层反卷积层之间通过激活函数模块相连接，所述反卷积层用于对输入的所述压缩图像数据进行反卷积计算，并完成反卷积输出；其中，对每一层的所述反卷积层内的压缩图像数据进行上采样操作，以获取还原图像数据。

可选的，所述将所述目标检测区域内的像素点强度划分为rgb三通道向量强度输入到分类网络，按照所述待测样本的浓度范围，输出所述待测样本的浓度类别，之前还包括：

构建随机森林树模型；

以rgb三通道向量强度为输入，以类标签为输出，训练随机森林树模型，构建所述分类网络；所述类标签对应所述浓度类别。

一种基于机器学习的免疫层析浓度检测系统，包括：

免疫层析试纸条图像获取模块，用于获取人绒毛膜促性腺激素hcg和心梗三项的免疫层析试纸条图像；

预处理模块，用于对所述免疫层析试纸条图像进行预处理，确定预处理后的免疫层析试纸条图像；

u-net语义分割网络构建模块，用于根据所述预处理后的免疫层析试纸条图像构建u-net语义分割网络；

目标检测区域输出模块，用于将待测样本输入到所述u-net语义分割网络，以前景和背景分割的方式，输出目标检测区域；所述待测样本为待测的人绒毛膜促性腺激素hcg和心梗三项的免疫层析试纸条图像；

浓度类别输出模块，用于将所述目标检测区域内的像素点强度划分为rgb三通道向量强度输入到分类网络，按照所述待测样本的浓度范围，输出所述待测样本的浓度类别；所述浓度类别包括高浓度类别、中浓度类别以及低浓度类别。

可选的，所述预处理模块具体包括：

调整模块，用于对所述免疫层析试纸条图像进行去噪和归一化处理，将所述免疫层析试纸条图像的尺寸调整为256*256，确定调整后的免疫层析试纸条图像；

扩充模块，用于利用形态学方法对所述调整后的免疫层析试纸条图像进行扩充，确定预处理后的免疫层析试纸条图像；所述形态学方法包括平移扩充方法以及翻转扩充方法。

可选的，所述u-net语义分割网络具体包括：压缩路径以及扩展路径；

所述压缩路径包括多层卷积层以及最大池化层；所述卷积层包括两个3x3卷积核，相邻的两层卷积层之间通过激活函数模块相连接，所述卷积层用于对输入的图像数据进行卷积计算，并完成卷积输出；最后一层卷积层与所述最大池化层相连接，所述最后一层卷积层的输出数据作为所述最大池化层的输入数据输入至所述最大池化层；其中，对每一层的所述卷积层内的图像数据进行下采样操作，以获取压缩图像数据；

所述扩展路径包括多层反卷积层；所述反卷积层包括一个3×3卷积核，相邻的两层反卷积层之间通过激活函数模块相连接，所述反卷积层用于对输入的所述压缩图像数据进行反卷积计算，并完成反卷积输出；其中，对每一层的所述反卷积层内的压缩图像数据进行上采样操作，以获取还原图像数据。

可选的，还包括：

随机森林树模型构建模块，用于构建随机森林树模型；

分类网络构建模块，用于以rgb三通道向量强度为输入，以类标签为输出，训练随机森林树模型，构建所述分类网络；所述类标签对应所述浓度类别。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了一种基于机器学习的免疫层析浓度检测方法及系统，通过构建u-net语义分割网络，在检测过程中学习像素语义级别的特征，消除样本差异性；同时，利用分类网络确定待测样本的浓度类别，检测结构与类别关联度低，从而避免了检测精度随着检测类别的增加下降的问题；此外，整个检测过程，均为人为干预，从而提高了样本类别检测精度，降低了弱阳性样本漏检率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明所提供的基于机器学习的免疫层析浓度检测方法流程图；

图2为本发明所提供的u-net语义分割网络网络结构示意图；

图3为本发明所提供的基于机器学习的免疫层析浓度检测方法应用到实际中的流程图；

图4为本发明所提供的不同单浓度和多浓度下的分割效果示意图；

图5为本发明所提供的本发明所提供的基于机器学习的免疫层析浓度检测系统结构图。

具体实施方式

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。

本发明的目的是提供一种基于机器学习的免疫层析浓度检测方法及系统，能够消除样本差异性、避免了检测精度随着检测类别的增加下降的问题，提高了样本类别检测精度，降低了弱阳性样本漏检率。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明所提供的基于机器学习的免疫层析浓度检测方法流程图，如图1所示，一种基于机器学习的免疫层析浓度检测方法，包括：

步骤101：获取人绒毛膜促性腺激素hcg和心梗三项的免疫层析试纸条图像。

步骤102：对所述免疫层析试纸条图像进行预处理，确定预处理后的免疫层析试纸条图像。

数据图片集的构造与预处理。借助免疫层析检测仪，采集一定数量的hcg、心梗三项层析图像数据，对图片进行去噪预处理和真实反应区域的圈定，数据的来源与纯度决定模型分类的上限，因此在数据采集过程中保证光照条件均衡，减少过曝光或者仪器自身引起的数据污染，为保证数据纯度，所以进行数据去噪的预处理。由于在u-net分割网络中要保证一定规模的训练集，而实际采集到的图片有限，所以采用基于平移、翻转扩充的方式对样本集进行重构造保证训练集扩大2-4倍。在本发明实例中，hcg的低浓度检测范围为10--100miu，中浓度范围为100—1000miu,高浓度范围为1000miu以上。

步骤103：根据所述预处理后的免疫层析试纸条图像构建u-net语义分割网络。

采用如图2所示的u-net语义分割网络，步骤一采集重新构造处理后的图像数据作为输入层输入到分割网络中，分割网络输出为前景和背景对应的label，对应图2输出的最后一层。

所述语义分割网络架构如图所示。它由一个压缩路径(左侧)和一个扩展路径(右侧)组成。

压缩路径和卷积网络的典型架构类似(包括卷积层和最大池化层)。

所述卷积层由两个3x3卷积核组成，每次卷积层对输入数据进行卷积计算完成卷积输出，卷积层输出完成后与一个激活函数(relu)模块连接，用于计算层与层之间的非线性关系，进行后与最大池化层连接(一个2x2最大化池化单位)，用于压缩图像和保持图像的特征不变性，经过上述处理过程后，将本次处理完成数据作为下一卷积层的输入，作用到下一卷积层，重复上述处理操作。在卷积层中数据实现特征通道数量加倍，将步长设为2，进行下采样操作处理(即对输入数据进行三次上述处理过程后，将第三个卷积层的输出，用于第四个卷积层输入的同时，将第四个卷积层的输出输入到下述扩展过程的上采样过程)，完成数据压缩。也就是压缩路径的最终输出作为扩展路径的输入，实现图像规模和尺度的还原。接下来介绍扩展路径的网络结构。

为了实现输出分割图片的无缝平铺，选择池化单元的规模大小非常重要，池化单元的规模选择2*2。

扩展路径中的每一步都对下采样过程中的特征映射进行上采样，然后进行2x2“向上卷积”，将特征通道数量减半，与来自压缩路径的相应池化的特征映射串联，而后连接3x3卷积核和relu激活函数，完成图像数据还原。

所述反卷积层由3×3卷积核组成，所述压缩数据输入到反卷积核，每层反卷积层对输入之前的压缩数据进行反卷积计算完成反卷积输出，反卷积层输出完成后与一个激活函数(relu)模块连接，用于计算层与层之间的非线性关系，经过上述处理过程后，将本次处理完成数据作为下一反卷积层的输入，作用到下一反卷积层，重复上述处理操作。同时为还原图像数据，将数据的实现特征通道数量减半，将步长设为2，进行上采样操作处理(即对来自压缩路径的输入数据进行三次上述处理过程后，将第三个反卷积层的输出，作为输出层的输入，输出层的激活函数选择sigmod激活函数，激活函数可以对每一个像素点进行归类并且给出其对应label(前景和背景)的概率，最终获得输出的label)，完成图像数据还原和目标分割。

其中，每一部分的操作在图2中用不同箭头表示。

在本发明的一个实施例中，假设该神经网络模型的输入为x则相应的计算公式如下：

z1＝f(w1x+b1)

z2＝f(w2z1+b2)

其中w1是第一层的权重参数，b1是第一层的偏置系数，f表示激活函数，z1是第一层的输出，得到的新计算结果z在作为高维特征的抽象化，作为下一层网络的输入，z2是下一层网络的输出，计算方式和上一层网络类似。

在上述公式中w与b为模型参数，f为激活函数(即隐层神经元)，在本发明实施例中为激活函数(rectifiedlinear，relu)。(上述过程是对卷积单元内部的表述，描述非线性映射过程)

u-net网络的训练过程采用基于随机梯度下降的算法，随机梯度下降是通过每个样本来迭代更新一次，即在每次训练中随机选取一个样本进行梯度更新和学习，这些训练方法在常见的深度学习库(例如tensorflow，pytorch等)中几乎都有提供，将采集到的图片数据作为输入，输入到网络中后，基于梯度更新学习data与label的关系。网络的优化器采用adam算法(一种优化器算法)。它不过多地依赖人为设定的超参数，如学习率等，在学习过程中可以动态的进行学习率的调整。(以上是对其中参数的选择确定和描述)

训练过程就是将训练集所有样本输入网络，训练集包括训练数据x和训练标签y，网络在训练过程中会学习拟合x和y之间的关系，x代表特征向量，y代表对应区域的像素点组成的数值向量。

训练完成后，模型各层中的权重系数保存起来，当有新的样本集作为输入进行测试时，可以通过加载权重的方式调用模型，输出会以概率值在像素点级别上表征各个像素点的归类label，这样实际反应区域(t线和c线)和背景区域就会区分开来，从而利用u-net网络实现对新样本的归类输出，实现反应目标的区域的可视化。

网络分割部分可以替换为其他语义分割网络，但是由于u-net独有的跳变连接结构，同时在医学分割中病灶和目标区域较为固定，数据量少，因此u-net的主体分割效果优于其他常见方法。

步骤104：将待测样本输入到所述u-net语义分割网络，以前景和背景分割的方式，输出目标检测区域；所述待测样本为待测的人绒毛膜促性腺激素hcg和心梗三项的免疫层析试纸条图像。

步骤105：将所述目标检测区域内的像素点强度划分为rgb三通道向量强度输入到分类网络，按照所述待测样本的浓度范围，输出所述待测样本的浓度类别；所述浓度类别包括高浓度类别、中浓度类别以及低浓度类别。所述rgb三通道向量强度实际表示为[r,g,b]列表形式，其数值分别对应三个通道的强度大小，也是待测物浓度的具体表征。

构建树模型分类网络。所述分类网络用于分类任务，所述分类网络选择随机森林树模型。随机森林是由很多决策树构成的，不同决策树之间没有关联。当我们进行分类任务时，新的输入样本进入，就让森林中的每一棵决策树分别进行判断和分类，每个决策树会得到一个自己的分类结果，决策树的分类结果中哪一个分类最多，那么随机森林就会把这个结果当做最终的结果。其中决策树是通过一系列规则对数据进行分类的过程。它提供一种在什么条件下会得到什么值的类似规则的方法。

决策树的生成过程主要包括特征选择、决策树生成和剪枝三部分组成，其中特征选择为来自rgb三通道的三维向量，下面会有描述，决策树生成和剪枝的过程根据选择的特征评估标准，从上至下递归地生成子节点，直到数据集不可分则停止决策树停止生长，对应每一个样本划分到高、低、中浓度后决策树停止生长。

网络部分要选择合理的超参数，控制树的生长高度和分裂深度。

对上述分类模型进行训练，得到变量与对应标签的拟合关系，将所有训练数据集合都带入到模型10次(迭代10次)，带入过程指的是输入向量为rgb三通道向量强度，将步骤一预处理的数据基于cv2.imread()函数中指定读取方式进行三通道的分离，这样就得到了关于rgb的三通道的向量，得到三通道向量强度后，根据选择的特征评估标准，从上至下递归生成子节点，直到数据集不可分则停止生长，将每个样本划分为高、低、中浓度，得到每张图片训练数据的分类标签值label，所述label值用0,1,2分别代表图像浓度属于高、低、中类别，完成三变量与对应分类标签的拟合。

模型训练过程同时，对上述模型的进行监督学习过程(利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程)，所述监督学习过程根据上述提取的rgb的三通道的向量，实时调整分类模型的结构参数，使其输出对应准确的标签label，保证分类模型的精度。

上述分类模型的分类结果一共包括3类，包括低浓度、中浓度和高浓度三类。对于输入分类网络的每一张图片在训练阶段它的label已经明确，0对应低浓度，1应中浓度，2对应高浓度，对于每一个样本，随机森林会根据样本的r,g,b的数值依次递归的生成树模型，最终实现样本的归类说明。

对应不同浓度，训练集部分一共对应525张图片以供模型学习。其中分类网络的输入是步骤二u-net网络的输出结果，将分割完成的反应区域的数据进行调整(指的是统一图片尺寸大小)，调整到统一尺寸280*60像素点后输入，由分类网络对数据进行分类。

运用混淆矩阵对上述分类模型的分类结果进行统计，进一步验证分类模型的精度。(混淆矩阵是在机器学习中用于判别分类是否正确的统计指标，包括作出正确判断的肯定记录(真阳性)、作出错误判断的肯定记录(假阴性)、作出正确判断的否定记录(真阴性)以及作出错误判断的否定记录(假阳性)，利用混淆矩阵来度量模型的精确度)指标对测试集上的误差进行校准说明，在测试的27例实例中，有1例为误分类，判别精度达到96.3％。

在测试集上进行浓度归类给出参考结果。

分割、分类网络在训练集上训练完成后，模型权重和结构会被保存下来。当在拿到新的训练样本后，将样本调整到和训练样本同样规模的数据大小后输入u-net分割网络，u-net网络的输出作为树模型分类网络的输入，而后分类网络输出待测样本的浓度范围。

接下来，进一步的介绍利用训练好的机器学习模型辅助识别免疫层析浓度的具体步骤：采集新实验条件下的免疫层析图像数据，采集的方法与训练步骤中的相同。将图像调整成256*256像素点后输入步骤二构建的u-net分割网络，网络输出会可视化给出反应的目标区域，进一步地，目标区域的像素点强度被划分成rgb三通道数据输入分类网络，将问题转化为多变量的回归策略，(多变量指的是rgb三通道向量强度，回归是与便签y变量的拟合)则步骤三构建的分类网络最终成功给出待测样本的所属类别。

网络分类部分可以替换为其他简单模型，例如逻辑回归模型(lrmodel)或其他判别网络，但由于树模型分裂节点的多样性，同时本任务复杂度适中，树模型已经能够很好的完成分类任务。

在实际操作过程中，模型训练成功以后可重复应用，无需反复验证，因为反映模型泛化能力的网络权重参数已经在网络内部实时保存，在面对新任务时通过非线性映射直接实现类别归类。

检测目标多样性，在训练阶段，网络的学习特征包括多目标物的检测生成，因此对于不同数目的检测目标均可给出判定结果。

在实际应用中，如图3所示，一种基于机器学习的免疫层析浓度检测方法，具体包括：数据采集与预处理装置1，实际待测样本2，网络结构3，分割结果4，具体网络参数5，检测过程6。

数据采集与预处理装置1采用基于大恒相机的免疫层析检测仪进行收集，图像扩充采用基于像素点的平移、翻转、加噪，调整对比度运作，图像规模统一调整为256*256的像素点大小；同时装置集成的上位机部分对收集以后的图像进行校准与归一化处理，整个装置集成在x*y*z的密闭环境中，上层配备有检测上位机的可视化界面，箱体内部集成了固定焦距的采集方案。

实际待测样本2展示了待检样本的具体实物图，抗体(ab2)固定在t线部位，抗体(ab1)对同一抗原的不同表位进行nps标记，当np标记的抗体随着被测样本流动时(被认为含有抗原)，它与样本中的抗原相互作用，该复合物与nc膜上涂布在测试线上的抗体相互作用，形成夹心机构；当目标物中含有多种抗原时，各个物质在nc膜的不同区域被特异性捕捉，形成我们的待检样本结构。

网络结构3整体网路结构包括卷积层、池化层、反卷积层和跳变连接结构；下采样部分4个小单元一共存在9层网络，反卷积部分存在有12层网络，辅之以输入层和输出层，整个网络结构一共由23层搭建完成。

分割结果4以实例方式展示了网络的真实分割效果，具体的分割结果以背景图片和mask掩码的方式给出，其中背景底色展示了整个反应室的具体规模，mask掩码部分实现对层析图像的精准分割。

具体网络参数5单独给出了23层网络的空间结构，可视化实现了以卷积核为代表的运算子在整个实例方法中的学习结果和featuremap的变化情况，最终输出层实现与输入层相同规模的语义像素点判别归类。

检测过程6对整个方法在训练和测试阶段的核心运算进行了说明，训练阶段由前向推导与反向传播组成，基于梯度下降的参数拟合方法对图片特征进行了记忆学习与拟合，同时卷积神经网络固有的参数共享与局部感知野实现从训练集到测试集的迁移应用，当输入新的待检样本时，在测试阶段加载的学习参数给出判别效果。

图4为本发明所提供的不同单浓度和多浓度下的分割效果示意图，如图4所示，针对弱样本和多目标检测下的hcg和心梗三项待检物，该发明实例均在无人为干预的情况下直接给出检测指标和划分结果。

在该测试用例下，该发明方法比目前通用的传统方法在psnr和iou指标上均有明显改进。其中，iou是评价目标检测器在图像分割和像素分类任务中的重要指标；使用模型中保存的权重圈出的反应区域与金标准进行比对，搜索矩形框顶点和右下角的坐标，计算得到分割任务的平均iou为93.41％，高于常规方法；对于峰值信噪比的评价体系，我们使用训练模型的多次平均值作为最终结果，与其他聚类和机器学习算法进行比较，该模型的psnr平均提高了4db左右，最终该模型的平均精度为97.46％，损失函数降至0.0174。

图5为本发明所提供的基于机器学习的免疫层析浓度检测系统结构图，如图5所示，一种基于机器学习的免疫层析浓度检测系统，包括：

免疫层析试纸条图像获取模块501，用于获取人绒毛膜促性腺激素hcg和心梗三项的免疫层析试纸条图像。

预处理模块502，用于对所述免疫层析试纸条图像进行预处理，确定预处理后的免疫层析试纸条图像。

所述预处理模块502具体包括：调整模块，用于对所述免疫层析试纸条图像进行去噪和归一化处理，将所述免疫层析试纸条图像的尺寸调整为256*256，确定调整后的免疫层析试纸条图像；扩充模块，用于利用形态学方法对所述调整后的免疫层析试纸条图像进行扩充，确定预处理后的免疫层析试纸条图像；所述形态学方法包括平移扩充方法以及翻转扩充方法。

u-net语义分割网络构建模块503，用于根据所述预处理后的免疫层析试纸条图像构建u-net语义分割网络。

所述u-net语义分割网络具体包括：压缩路径以及扩展路径；

所述压缩路径包括多层卷积层以及最大池化层；所述卷积层包括两个3x3卷积核，相邻的两层卷积层之间通过激活函数模块相连接，所述卷积层用于对输入的图像数据进行卷积计算，并完成卷积输出；最后一层卷积层与所述最大池化层相连接，所述最后一层卷积层的输出数据作为所述最大池化层的输入数据输入至所述最大池化层；其中，对每一层的所述卷积层内的图像数据进行下采样操作，以获取压缩图像数据；

所述扩展路径包括多层反卷积层；所述反卷积层包括一个3×3卷积核，相邻的两层反卷积层之间通过激活函数模块相连接，所述反卷积层用于对输入的所述压缩图像数据进行反卷积计算，并完成反卷积输出；其中，对每一层的所述反卷积层内的压缩图像数据进行上采样操作，以获取还原图像数据。

目标检测区域输出模块504，用于将待测样本输入到所述u-net语义分割网络，以前景和背景分割的方式，输出目标检测区域；所述待测样本为待测的人绒毛膜促性腺激素hcg和心梗三项的免疫层析试纸条图像。

浓度类别输出模块505，用于将所述目标检测区域内的像素点强度划分为rgb三通道向量强度输入到分类网络，按照所述待测样本的浓度范围，输出所述待测样本的浓度类别；所述浓度类别包括高浓度类别、中浓度类别以及低浓度类别。

本发明还包括：随机森林树模型构建模块，用于构建随机森林树模型；分类网络构建模块，用于以rgb三通道向量强度为输入，以类标签为输出，训练随机森林树模型，构建所述分类网络；所述类标签对应所述浓度类别。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。