基于实时图像的IHA加样设备异常行为识别系统及方法
本发明涉及间接血凝试验,尤其涉及一种基于实时图像的iha加样设备异常行为识别系统及方法。
背景技术:
1、在免疫学检测领域,间接血凝试验(indirect hemagglutination assay, iha)作为一种重要的定性或半定量分析手段,广泛应用于传染病筛查、抗体效价测定等临床检验场景。其中,红细胞悬液的加样精度与反应过程中的流体行为稳定性直接影响检测结果的准确性和重复性。在自动化iha加样设备运行过程中,移液器在完成液体吸取与释放操作时,常因液体表面张力、粘度变化或管路残留等因素导致挂滴现象,即加样结束后移液头仍悬挂液滴;同时,红细胞悬液在反应板中沉降不均、团聚或形成非牛顿流体行为,也会引发沉降异常,进而干扰后续光学读取或反应动力学分析。这些异常行为若未能及时识别与纠正,将导致假阳性或假阴性结果,严重影响诊断可靠性。
2、传统加样质量监控主要依赖称重法、电容传感或简单的图像阈值检测,难以实现对微尺度液滴动态行为(如挂滴形态演变、液滴断裂过程)及红细胞沉降微观特征的实时、非接触式监测。近年来,基于机器视觉的检测技术逐渐应用于实验室自动化系统中,但多数方法仅关注静态图像分析,缺乏对动态流场信息的有效建模,且易受光照波动、容器反光等环境噪声干扰,导致识别灵敏度和鲁棒性不足。此外,现有技术通常将挂滴识别与沉降分析割裂处理,未能结合流体力学先验知识与多模态视觉特征进行联合推断,难以准确区分生理性的缓慢沉降与病理性的聚集或凝集异常。
3、上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
技术实现思路
1、本发明的主要目的在于提供一种基于实时图像的iha加样设备异常行为识别系统及方法,旨在解决现有iha加样设备缺乏能够融合动态流场建模与多模态视觉特征的实时监测手段,难以精准区分微尺度挂滴形态演变与红细胞非均匀沉降等复杂流体异常,导致检测质量控制水平不足的技术问题。
2、为实现上述目的,本发明提供一种基于实时图像的iha加样设备异常行为识别方法,所述方法包括:
3、实时获取目标加样位的待识别反应板图像和移液器动态图像;其中,所述移液器动态图像通过工业相机阵列和高速视觉传感器进行采集,所述高速视觉传感器采集的参数包括移液头坐标、液滴形态和液位高度;
4、对所述反应板图像进行语义分割,得到液体区域先验信息;将所述移液器动态图像分割为若干关键帧序列数据,并根据所述液体区域先验信息对各关键帧序列数据分别进行背景降噪处理;
5、实时获取所述目标加样位的液面流场数据,通过光学流反演,得到红细胞悬液的流场分布模型;采用纹理分析算法,基于所述待识别反应板图像提取红细胞沉积纹理特征,生成悬液均一性特征图;
6、根据背景降噪处理后的各关键帧序列数据和所述流场分布模型进行对比分析,获得初步识别结果;
7、根据所述流场分布模型、预设的红细胞沉降物理模式和所述悬液均一性特征图进行综合分析,得到液态异常标签;利用液态异常标签和流场分布模型,对所述初步识别结果进行修正,得到所述目标加样位的红细胞悬液挂滴与沉降异常行为识别结果。
8、可选地,所述根据背景降噪处理后的各关键帧序列数据和所述流场分布模型进行对比分析,获得初步识别结果,包括:
9、根据所述背景降噪处理后的各关键帧序列数据和所述流场分布模型,对所述流场分布模型进行特征空间映射,分离出液态响应信号和光学环境噪声;
10、对所述液态响应信号进行特征降维,获得多视角视觉特征集合;
11、利用贝叶斯优化框架,实时更新所述多视角视觉特征集合的特征权重,获得最优视觉特征子集;其中,所述贝叶斯优化框架用于描述特征分类性能与权重参数之间的关联映射;
12、基于所述最优视觉特征子集,得到所述初步识别结果。
13、可选地,在所述利用贝叶斯优化框架,实时更新所述多视角视觉特征集合之前,还包括:
14、获取历史样本图像数据,对所述历史样本图像数据进行特征提取,获得样本视觉向量;并获取所述历史样本图像数据对应的异常真实标签;其中,所述样本视觉向量包括液滴几何参数和红细胞分布密度参数;
15、根据所述样本视觉向量的方差贡献率,从所述样本视觉向量中筛选出显著视觉特征;并利用高斯过程回归构建所述显著视觉特征与异常真实标签之间的非线性映射关系;
16、根据所述非线性映射关系,获得所述贝叶斯优化框架。
17、可选地,所述显著视觉特征包括移液头挂液长度,所述液滴几何参数包括液滴断裂点加速度;所述利用高斯过程回归构建所述显著视觉特征与异常真实标签之间的非线性映射关系,包括:
18、根据液滴断裂点加速度和异常真实标签,构建目标函数模型;
19、基于所述目标函数模型和所述移液头挂液长度,获得异常识别准确率;
20、利用所述高斯过程回归记录所述目标函数模型的超参数、所述移液头挂液长度和所述异常识别准确率,获得优化结果;将所述优化结果记录为所述非线性映射关系。
21、可选地,所述根据所述流场分布模型、预设的红细胞沉降物理模式和所述悬液均一性特征图进行综合分析,得到液态异常标签,包括:
22、根据所述目标加样位的加样操作的时间信息,获取相同操作周期内的流体序列数据,并将所述流体序列数据拆分为流体动作序列;
23、根据所述悬液均一性特征图设定基于纹理相似度的特征条件,并按照所述特征条件从所述流体动作序列中筛选出若干标准流体帧,得到筛选结果;
24、基于筛选结果、所述流场分布模型以及预设的红细胞沉降物理模式进行推演,得到若干液态异常标签。
25、可选地,所述筛选结果的流体帧中包含非牛顿流体团块;所述基于筛选结果、所述流场分布模型以及预设的红细胞沉降物理模式进行推演,得到若干液态异常标签,包括:
26、提取筛选结果的流体帧中每个非牛顿流体团块的边界像素点;
27、以所述非牛顿流体团块的边界像素点为基准,截断筛选结果中每个包含非牛顿流体团块的流体帧中的液面接触线,并提取所述液面接触线的形态特征点,将各形态特征点相连,得到液态接触关系;
28、基于所述液态接触关系,调用预先训练的半监督聚类模型,获得异常类别预测;
29、根据所述异常类别预测以及流场分布模型,在预设的红细胞沉降物理模式基础上进行推演,获得若干流体分布模式,并将所述流体分布模式确定为液态异常标签。
30、可选地,所述实时获取所述目标加样位的液面流场数据,通过光学流反演,得到红细胞悬液的流场分布模型,包括:
31、通过高频补光灯阵列获取所述目标加样位的液面流场数据,并根据液面流场数据确定初始流场模型;其中,所述液面流场数据包括液滴下落的轨迹信息和液面波动的纹理信息;
32、对所述轨迹信息和纹理信息进行频谱分析,获得液面的动态衰减特性和相位变化特性;
33、通过小波变换对所述动态衰减特性和相位变化特性进行分解,确定频谱特征频段和能量衰减范围;
34、根据所述频谱特征频段和能量衰减范围,确定模型修正参数;
35、基于流体动力学方程进行光学流反演,根据液面流场数据构建流场模型;基于所述流场模型,利用所述模型修正参数对所述初始流场模型的下一迭代步进行预测,得到所述红细胞悬液的流场分布模型。
36、可选地,所述利用液态异常标签和流场分布模型,对所述初步识别结果进行修正,得到所述目标加样位的红细胞悬液挂滴与沉降异常行为识别结果,包括:
37、从所述初步识别结果中获取背景降噪处理后的各关键帧序列数据和所述流场分布模型的多个差异特征属性;每个差异特征属性包括若干空间像素节点;
38、根据液态异常标签,确定对应流体分布模式的基准视觉剖面;对所述流场分布模型进行分析,获取所述流场分布模型与基准视觉剖面之间的形态偏差值;
39、从所述流场分布模型中筛选出形态偏差值大于预设形态阈值的异常节点;
40、根据异常节点与差异特征属性的空间吻合情况,对所述初步识别结果进行修正,得到红细胞悬液挂滴与沉降异常行为识别结果。
41、可选地,所述根据异常节点与差异特征属性的空间吻合情况,对所述初步识别结果进行修正,得到红细胞悬液挂滴与沉降异常行为识别结果,包括:
42、构建空间匹配度矩阵,分别计算每个异常节点与对应差异特征属性的空间重叠度和形状相似度,获得综合匹配系数;
43、若所述综合匹配系数大于预设匹配阈值,则将该异常节点标记为待修正节点,基于对应的液态异常标签的流体分布模式,更新待修正节点的异常类别预测结果;
44、若所述综合匹配系数不大于预设匹配阈值,则判定该异常节点为非液态异常的随机图像噪声误差,保留初步识别结果中的原始类别标记;
45、将所有修正后的节点类别进行垂向层序校验,依据红细胞沉降物理模式下的流体演化规律调整不合理的垂向流体状态排列,最终输出目标加样位最终的红细胞悬液挂滴与沉降异常行为识别结果。
46、此外,为实现上述目的,本发明还提供一种基于实时图像的iha加样设备异常行为识别系统,所述系统包括:
47、动态采集模块,用于实时获取目标加样位的待识别反应板图像和移液器动态图像;其中,所述移液器动态图像通过工业相机阵列和高速视觉传感器进行采集,所述高速视觉传感器采集的参数包括移液头坐标、液滴形态和液位高度;
48、降噪处理模块,用于对所述反应板图像进行语义分割,得到液体区域先验信息;将所述移液器动态图像分割为若干关键帧序列数据,并根据所述液体区域先验信息对各关键帧序列数据分别进行背景降噪处理;
49、特征重构模块,用于实时获取所述目标加样位的液面流场数据,通过光学流反演,得到红细胞悬液的流场分布模型;采用纹理分析算法,基于所述待识别反应板图像提取红细胞沉积纹理特征,生成悬液均一性特征图;
50、初判分析模块,用于根据背景降噪处理后的各关键帧序列数据和所述流场分布模型进行对比分析,获得初步识别结果;
51、修正定论模块,用于根据所述流场分布模型、预设的红细胞沉降物理模式和所述悬液均一性特征图进行综合分析,得到液态异常标签;利用液态异常标签和流场分布模型,对所述初步识别结果进行修正,得到所述目标加样位的红细胞悬液挂滴与沉降异常行为识别结果。
52、本发明提供了一种基于实时图像的iha加样设备异常行为识别方法,所述方法通过语义分割获取液体区域先验信息,并结合该信息对关键帧序列进行背景降噪处理,有效抑制容器反光、环境光干扰等噪声,增强图像特征的可信度;利用高速视觉传感器与工业相机阵列捕获移液头坐标、液滴形态及液位高度等参数,结合光学流反演技术构建红细胞悬液的流场分布模型,能够精确刻画液滴断裂、挂滴残留及液面波动等瞬态流体行为;引入预设的红细胞沉降物理模式与悬液均一性特征图,结合纹理分析提取沉积结构特征,使异常识别不仅依赖图像表观变化,更符合红细胞沉降的动力学规律,有效区分正常沉降与团聚、凝集等病理或操作性异常;通过初步识别、综合修正的双阶段分析流程,先基于视觉特征与流场模型获得初步结果,再利用液态异常标签进行反馈修正,显著降低误报率与漏报率;该方法可集成于全自动iha加样系统中,实现实时、无损、智能化的过程监控,有助于及时发现加样偏差、设备异常或试剂问题,提升检测结果的重复性与临床可靠性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com