【技术领域】
[0001] 本
发明涉及
图像识别技术领域，具体涉及一种离心样本分层液体体积获取方法。【背景技术】
[0002] 离心在医学研究和医院检测方面应用非常广泛，血液的分离主要是分离出不同
密度互不相溶的液体，现有常见是人工查看分层现象，对不同层面液体尽心取样，或者是通过激光扫描法，从上往下扫描，根据不同
颜色液体对激光的吸收程度不一样的原理找出分层坐标，然后自动取样。人工查看取样存在以下问题：工作重复性高，长时间试验取样会导致注意
力下降，随着试验级数的增加，误操作率也同时增加。激光扫描法存在以下问题：由于需要机械运动，测量速度较慢。激光会对人眼造成伤害，具有
生物安全隐患。
[0003] 有鉴于此，需要对现有的离心样本试管的样品识别方式进行改进，以克服其存在的问题。【发明内容】
[0004] 为解决前述问题，本发明提供了离心样本分层液体体积获取方法，无需人工识别以及激光扫描。
[0005] 为了达到上述目的，本发明采用如下技术方案：
[0006] 一种离心样本分层液体体积获取方法，包括如下步骤：
[0007] 采集离心后的试管的图像，对图像进行预处理，经过预处理后，对预处理过的图像进行识别，获取试管内各液体分层交界面的
像素位置，根据各液体分层交界面的像素位置计算各液体分层的体积。
[0008] 可选的，对图像进行预处理包括对采集的图像采用平滑方法去除噪声。
[0009] 可选的，对预处理过的图像进行识别采用YOLO
算法，识别出各液体分层交界面的像素位置，再根据图像的像素高度计算出每个液体分层交界面的实际位置。
[0010] 可选的，液体分层交界面的实际位置计算公式为：
[0011]
[0012] 其中，hzn为由上至下起算第n个液体分层交界面，hcm为整个图像高度所对应的真实高度，hs为整个图像像素高度。
[0013] 可选的，液体分层交界面的实际位置计算公式为：
[0014]
[0015] 其中，s为试管横截面积。
[0016] 可选的，采集离心后的试管的图像使用微型工业相机。
[0017] 可选的，离心后的试管由机械手抓取至
图像采集工位，所述图像采集工位位于
密闭空间内。
[0018] 可选的，在所述密闭空间内设有白色
背光光源，用于在图像采集过程中补光。
[0019] 本发明所提供的方法具有如下有益效果：
[0020] 本发明所提供的方法，实现了离心后样本的自动取样，代替了繁重的人工试验作业，减轻了检测研究人员的工作负担，同时也避免了由于人体疲劳、注意力不集中所带来的误判、误操作的情况。并且，采用图像识别的方式，无需激光扫描，提升了对离心样本的识别速度，又不会对人眼造成伤害，离心样本分层后每层坐标值是分层液体相对试管底部的坐标，避免机械抓手夹住试管位置不同对得出的分层液体坐标的影响。
[0021] 本发明的这些特点和优点将会在下面的具体实施方式以及
附图中进行详细的揭露。本发明最佳的实施方式或手段将结合附图来详尽表现，但并非是对本发明技术方案的限制。另外，在每个下文和附图中出现的这些特征、要素和组件是具有多个，并且为了表示方便而标记了不同的符号或数字，但均表示相同或相似构造或功能的部件。【附图说明】
[0022] 下面结合附图对本发明作进一步说明：
[0024] 图2为本发明实施例中离心样本的示意图。【具体实施方式】
[0025] 下面结合本发明实施例的附图对本发明实施例的技术方案进行解释和说明，但下述实施例仅为本发明的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得其他实施例，都属于本发明的保护范围。
[0026] 在本
说明书中引用的“一个实施例”或“实例”或“例子”意指结合实施例本身描述的特定特征、结构或特性可被包括在本
专利公开的至少一个实施例中。短语“在一个实施例中”在说明书中的各位置的出现不必都是指同一个实施例。
[0027] 实施例
[0028] 如图1所示，本实施例提供了一种离心样本分层液体体积获取方法。离心是指分离出不同密度互不相溶的液体，离心后的样本如图2所指示，本实施例中采用3层液体的离心样本。本实施例所提供的离心样本分层液体体积获取方法包括如下步骤：
[0029] 离心后的试管由机械手抓取至图像采集工位，图像采集工位位于离心样本及图像采集设备的密闭空间内，设备封闭
外壳后，图像采集工位内封闭，图像的采集不受外部光源影响的环境。
[0030] 微型工业相机采集离心后的试管的图像，密闭空间内设有白色背光光源，在图像采集的过程中进行补光，避免采集的图像无法识别。
[0031] 采集离心后的试管的图像，在图像上设置图像识别区域ROI1、ROI2，对图像进行预处理，采用平滑方法去除噪声，经过预处理后，采用YOLO目标检测算法对预处理过的图像进行识别。ROI1和ROI2为YOLO目标检测算法在训练前的标定工作所需，即标定时对大量图像做ROI1和ROI2的标注，具体到本实施例中，就是框出液体分层交界面所在的位置，然后通过训练算法模型，使得模型学习到液体分层交界面的图像特征。
[0032] 由于采用了大量标注了ROI1和ROI2位置框和不同类别的液体分层交界面的样本进行训练，得到训练好的YOLO目标检测模型，做一次推断的过程就是对图像进行CNN卷积提取图像的过程，通过anchors产生一组默认的位置，经过YOLO目标检测模型网络中的权值计算，选择激活值和概率最大的预选框作为最终输出，即得到输出的两个液体分层交界面得类别框，最终根据液体分层交界面的类别框可以进行细化分析，得到实际液面所在位置。
[0033] 而YOLO目标检测算法、训练算法模型均属于
现有技术，在此不再赘述。
[0034] 本实施例中，采用卷积核来预测一系列default bounding boxes的类别分数、偏移量。YOLO算法的原理是将输入的图像分成S*S个grid单元，用多层卷积进行图像特征提取，得到S*S*(B*5+C)个
特征向量，将特征向量以矩阵的形式表示，进行目标位置框的回归和非极大值抑制的操作，这一系列操作后即可得到目标框位置和目标类别信息。这是一种基于
深度神经网络的对象识别和
定位算法，具有非常强的鲁棒性，即使遇到强光干扰，依然能够稳定解码，并且运行快速。
[0035] 识别出各液体分层交界面的像素位置，再根据图像的像素高度计算出每个液体分层交界面的实际位置。液体分层交界面的实际位置计算公式为：
[0036]
[0037] 其中，hzn为由上至下起算第n个液体分层交界面，hcm为整个图像高度所对应的真实高度，hs为整个图像像素高度。
[0038] 本实施例采用的是具有3层液体的离心样本，在计算时，液体与非液体部分的交界面也需计算在内，因此，由上至下起算，第一层液体的顶层，即第一层液体与试管内空气间交界面的实际位置为 第一层液体与第二层液体间交界面的实际位置为第二层液体与第三层液体间交界面的实际位置为 第三层液
体底层，即第三层液体与试管外界间交界面的实际位置为
[0039] 获取到各个液体分层交界面的像素位置并计算得到实际位置后，计算各个液体分层的体积，液体分层交界面的实际位置计算公式为：
[0040]
[0041] 其中，s为试管横截面积。
[0042] 由上至下起算，第一层液体的高度是第一层液体的顶层，即第一层液体与试管内空气间交界面的实际位置和第一层液体与第二层液体间交界面的实际位置之间的差值，所以，液体分层交界面的实际位置计算公式中采用hn-hn+1，具体如下：
[0043] 上层液体的体积：
[0044] 中层液体的体积：
[0045] 下层液体的体积：
[0046] 本实施例所提供的方法，实现了离心后样本的自动取样，代替了繁重的人工试验作业，减轻了检测研究人员的工作负担，同时也避免了由于人体疲劳、注意力不集中所带来的误判、误操作的情况。并且，采用图像识别的方式，无需激光扫描，提升了对离心样本的识别速度，又不会对人眼造成伤害，离心样本分层后每层坐标值是分层液体相对试管底部的坐标，避免机械抓手夹住试管位置不同对得出的分层液体坐标的影响。
[0047] 以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，熟悉该本领域的技术人员应该明白本发明包括但不限于附图和上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的
修改都将包括在
权利要求书的范围中。
