一种基于卷积神经网络的金免疫层析检测方法及装置与流程

本发明涉及金免疫层析检测技术领域，具体为一种基于卷积神经网络的金免疫层析检测方法及装置。

背景技术：

侧流免疫层析技术(lateralflowimmunoassay,lfia)是一种将免疫技术和标记技术相结合的快速免疫检测技术。金免疫层析技术是在侧流免疫层析技术的基础上，采用纳米金颗粒作为示踪标记物进行检测的方法。该方法具有检测效率高、方法简便、无污染、试剂稳定、适用于单人份测定等优势。金免疫层析技术作为一种快速检测方法，可应用在生物医学、临床、环境检测等多个领域。目前测定项目包括：肿瘤标志物如甲胎蛋白（alphafetoprotein，afp）、前列腺特异抗原(psa)、癌胚抗原(cea)等；心梗系列如心肌钙蛋白i(tn－i)、心肌钙蛋白t(tn－t)、肌酸磷酸激酶心脏同功酶(ck－mb)等；激素系列如人绒毛腺促性腺激素（humanchorionicgonadotrophin，hcg）、促黄体激素（lh）等，其定量检测有着重要的意义。

目前金免疫层析检测技术主要采用光电反射式检测和图像检测两种方式，在光电反射式中主要缺点：（1）光电反射式光学系统较复杂，且调试比较麻烦；（2）检测对试条的尺寸规格和试条的放置位置要求严格。而且上述两种传统检测方法中，均需要进行特征值的提取以进行数据分析。而深度神经网络在模式分类领域，由于避免了对图像的复杂前期预处理，可以直接输入原始图像，通过分层的方式学习图像的特征表示，因而得到了更为广泛的应用。

技术实现要素：

本发明的目的在于提供一种基于卷积神经网络的金免疫层析检测方法及装置，避免了对试条图像的特征值提取，通过ccd采集金免疫层析试条特定时刻t1及反应终止时刻t2的图像，通过分层的方式学习数据的特征表示，提高金免疫层析检测效果。

为实现上述目的，本发明的技术方案是：一种基于卷积神经网络的金免疫层析检测方法，提供一金免疫层析检测装置，包括如下步骤，

s1、采集n个金免疫层析试条在t1、t2时刻的ccd图像以及对应检测结果作为训练数据，分别建立与t1、t2时刻对应的两个多层卷积神经网络模型，而后采用训练数据分别对两个多层卷积神经网络模型进行训练；其中，n为大于1的自然数，t1为反应过程中一预定时刻，t2为反应终止时刻；

s2、将加样后的金免疫层析试条放入金免疫层析检测装置，而后在t1、t2时刻采集金免疫层析试条的ccd图像；

s3、将t1、t2时刻采集金免疫层析试条的ccd图像分别作为对应卷积神经网络的输入层，采用训练后的两个多层卷积神经网络模型进拟合；

s4、将两个多层卷积神经网络模型的输出利用回归分析，得到金免疫层析检测结果。

在本发明一实施例中，所述两个多层卷积神经网络模型的卷积神经网络结构相同。

在本发明一实施例中，所述多层卷积神经网络模型依次由数据层、卷积层c1、子采样层s1、卷积层c2、子采样层s2、全连接层f1及输出层组成；其中，数据层即t1或t2时刻采集金免疫层析试条的ccd图像，卷积层c1含有n1个卷积核和n1个偏置，一个卷积核和一个偏置生成一个特征图，卷积层c2含有n2个卷积核和n2个偏置，一个卷积核和一个偏置生成一个特征图。

在本发明一实施例中，所述多层卷积神经网络模型的激活函数采用sigmoid函数。

本发明还提供了一种基于卷积神经网络的金免疫层析检测装置，包括试条平台、stm32微处理器、ccd图像扫描模块、led阵列光学照明模块、计算机；

所述试条平台用于放置金免疫层析试条；

所述stm32微处理器用于控制led阵列光学照明模块的照明工作，及ccd图像扫描模块对金免疫层析试条的ccd图像的采集，而后采集的金免疫层析试条的ccd图像经stm32微处理器传输给计算机处理；

所述计算机建立有多层卷积神经网络模型和金免疫层析检测数据库，将stm32微处理器传输的金免疫层析试条的ccd图像作为多层卷积神经网络模型的输入层，采用训练后的多层卷积神经网络模型进拟合，并利用回归分析，获得金免疫层析检测结果。

在本发明一实施例中，所述ccd图像扫描模块包括ccd相机及与ccd相机匹配的ccd镜头，所述led阵列光学照明模块包括led阵列、用于为led阵列提供电源的led恒流源及设于led阵列前方的匀光片。

在本发明一实施例中，所述ccd镜头位于试条平台正上方，所述led阵列包括若干等间距绕设于ccd镜头周围的led光源，每个led光源前方均设有一匀光片。

在本发明一实施例中，所述多层卷积神经网络模型依次由数据层、卷积层c1、子采样层s1、卷积层c2、子采样层s2、全连接层f1及输出层组成；其中，数据层即t1或t2时刻采集金免疫层析试条的ccd图像，卷积层c1含有n1个卷积核和n1个偏置，一个卷积核和一个偏置生成一个特征图，卷积层c2含有n2个卷积核和n2个偏置，一个卷积核和一个偏置生成一个特征图。

在本发明一实施例中，所述多层卷积神经网络模型的激活函数采用sigmoid函数。

相较于现有技术，本发明具有以下有益效果：本发明避免了对试条图像的特征值提取，通过ccd采集金免疫层析试条特定时刻t1及反应终止时刻t2的图像，通过分层的方式学习数据的特征表示，提高金免疫层析检测效果。

附图说明

图1为本发明金免疫层析检测装置整体框图。

图2为本发明金免疫层析检测ccd图像采集及led阵列照明示意图。

图3为ccd镜头与led阵列俯视图。

图4为本发明荧光免疫层析检测装置工作流程图。

图5为本发明金免疫层析检测的卷积神经网络模型示意图。

具体实施方式

下面结合附图，对本发明的技术方案进行具体说明。

本发明的一种基于卷积神经网络的金免疫层析检测方法，提供一金免疫层析检测装置，包括如下步骤，

s1、采集n个金免疫层析试条在t1、t2时刻的ccd图像以及对应检测结果作为训练数据，分别建立与t1、t2时刻对应的两个多层卷积神经网络模型，而后采用训练数据分别对两个多层卷积神经网络模型进行训练；其中，n为大于1的自然数，t1为反应过程中一预定时刻，t2为反应终止时刻；

s2、将加样后的金免疫层析试条放入金免疫层析检测装置，而后在t1、t2时刻采集金免疫层析试条的ccd图像；

s3、将t1、t2时刻采集金免疫层析试条的ccd图像分别作为对应卷积神经网络的输入层，采用训练后的两个多层卷积神经网络模型进拟合；

s4、将两个多层卷积神经网络模型的输出利用回归分析，得到金免疫层析检测结果。

所述两个多层卷积神经网络模型的卷积神经网络结构相同。所述多层卷积神经网络模型依次由数据层、卷积层c1、子采样层s1、卷积层c2、子采样层s2、全连接层f1及输出层组成；其中，数据层即t1或t2时刻采集金免疫层析试条的ccd图像，卷积层c1含有n1个卷积核和n1个偏置，一个卷积核和一个偏置生成一个特征图，卷积层c2含有n2个卷积核和n2个偏置，一个卷积核和一个偏置生成一个特征图。所述多层卷积神经网络模型的激活函数采用sigmoid函数。

本发明还提供了一种基于卷积神经网络的金免疫层析检测装置，包括试条平台、stm32微处理器、ccd图像扫描模块、led阵列光学照明模块、计算机；

所述试条平台用于放置金免疫层析试条；

所述stm32微处理器用于控制led阵列光学照明模块的照明工作，及ccd图像扫描模块对金免疫层析试条的ccd图像的采集，而后采集的金免疫层析试条的ccd图像经stm32微处理器传输给计算机处理；

所述计算机建立有多层卷积神经网络模型和金免疫层析检测数据库，将stm32微处理器传输的金免疫层析试条的ccd图像作为多层卷积神经网络模型的输入层，采用训练后的多层卷积神经网络模型进拟合，并利用回归分析，获得金免疫层析检测结果。所述ccd图像扫描模块包括ccd相机及与ccd相机匹配的ccd镜头，所述led阵列光学照明模块包括led阵列、用于为led阵列提供电源的led恒流源及设于led阵列前方的匀光片。所述ccd镜头位于试条平台正上方，所述led阵列包括若干等间距绕设于ccd镜头周围的led光源，每个led光源前方均设有一匀光片。

所述多层卷积神经网络模型依次由数据层、卷积层c1、子采样层s1、卷积层c2、子采样层s2、全连接层f1及输出层组成；其中，数据层即t1或t2时刻采集金免疫层析试条的ccd图像，卷积层c1含有n1个卷积核和n1个偏置，一个卷积核和一个偏置生成一个特征图，卷积层c2含有n2个卷积核和n2个偏置，一个卷积核和一个偏置生成一个特征图。所述多层卷积神经网络模型的激活函数采用sigmoid函数。

以下为本发明的具体实现实例。

本发明的金免疫层析检测装置框图如图1所示。主要包括ccd图像扫描，led阵列光学照明，stm32微处理器控制系统以及在计算机上建立的卷积神经网络模型和金免疫层析检测数据库。装置采用stm32微处理器作为控制系统，stm32控制led恒流源和led阵列照明装置等。并将采集到的图像数据传送到计算机，进行滤波等处理。在计算机上存储有金免疫层析图像及对应检测结果的数据库，并利用该数据库建立卷积神经网络模型。将采集到的t1和t2的图像作为对应卷积神经网络的输入层，采用训练后的卷积神经网络进拟合，并对两个模型输出利用回归分析，获得检测结果。

本发明金免疫层析检测ccd图像采集及led阵列照明如图2、3所示。为了获得均匀的led照明，5个led光源5等经过匀光片6后，均匀分布在ccd镜头4的周围，合理布局led灯为接收区域提供均匀的光照。ccd相机3通过ccd镜头，在led阵列的光照下，采集特定t1和t2时刻的置于试条平台2的试条图像，并将图像数据传送计算机。装置中的ccd相机、led光源用支架1固定。

本发明的荧光免疫层析检测装置工作流程如图4所示。首先建立两个多层的卷积神经网络模型，将n个金免疫层析试条t1及t2时刻的ccd图像及对应检测结果作为训练数据，对两个深度神经网络模型进行训练，得到模型参数。

检测开始时，在stm32的控制下led阵列照明及计时器等开始工作，当试条加样后放在试条平台上，计时器开始工作，在t1及t2时刻ccd图像传感器采集试条的图像，并将采集到的图像数据传送到计算机。计算机先将图像进行滤波等处理后，把t1及t2时刻ccd图像作为对应卷积神经网络的输入层，通过分层的方式学习数据的特征表示，然后经过回归分析，提高荧光免疫层析检测效果。

本发明的金免疫层析检测的卷积神经网络模型示意图如图5所示。

两个卷积神经网络结构相同，共有5层（不包含数据层和输出层），数据层为试条的ccd图像，两个卷积层c1和c2，两个子采样层s1和s2，1个全连接层f1。c1卷积层中含有n1个卷积核和偏置，一个卷积层和一个偏置生成一个特征图。c2卷积层中含有n2个卷积核和偏置，一个卷积层和一个偏置生成一个特征图。子采样层s2经过全连接层f1得到输出结果。激活函数采用sigmoid函数。

采用一定数量的金层析试条检测数据及对应检测结果作为训练数据，采集处理后的图像数据作为输入，检测结果作为标签。采用训练数据对神经网络模型各个隐含层进行逐层训练，得到网络模型的w,b等参数。

将滤波后的t1和t2图像作为对应卷积神经网络的输入层，采用训练后的卷积神经网络进拟合，最后将两个卷积神经网络的输出进行回归分析，得到金免疫层析检测结果。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。