CN118898600B - 基于ai视觉检测的全自动分析仪样本状态评估方法 - Google Patents

Abstract

本发明公开了基于AI视觉检测的全自动分析仪样本状态评估方法，涉及检测设备技术领域，该方法包括：利用高分辨率相机采集样本试剂卡及TIP头监测图像，进行边缘识别确定目标区域，配置关键识别点，对边缘及目标区域进行关键点识别匹配获得结果，利用预设容差阈值判别，不满足时发送停止检测指令并生成提醒信息。解决了现有检测方法在确定样本应处标准位置时的精度低，导致检测准确性低、适应性差、问题发现不及时的技术问题，通过对样本标准位置的精准监测，达到了提高检测准确性、增强了适应性、确保问题及时发现的技术效果。

Description

基于AI视觉检测的全自动分析仪样本状态评估方法

技术领域

本申请涉及检测设备技术领域，尤其涉及基于AI视觉检测的全自动分析仪样本状态评估方法。

背景技术

在医疗检测领域，全自动分析仪的应用极为广泛。然而，在样本状态评估方面，问题却较为突出。传统的全自动分析仪样本状态评估往往依赖机械传感器或简单光学检测，易受环境因素影响，致使检测准确性不高。不同类型的样本试剂卡和TIP头具有不同的特性，传统检测方法适应性欠佳，通常需要针对不同样本进行专门调整和校准。此外，由于传统方法难以精准确定样本的位置精度，当位置精度不够时，很容易造成检测结果不准确，甚至可能需要对样本进行重新采集，这不仅极大地影响了检测效率，还增加了检测成本和时间成本。

现阶段相关技术中，检测方法在确定样本应处标准位置时的精度低，导致检测准确性低、适应性差、问题发现不及时的技术问题。

发明内容

本申请通过提供基于AI视觉检测的全自动分析仪样本状态评估方法，采用利用高分辨率相机采集样本试剂卡及TIP头监测图像，进行边缘识别确定目标区域，配置关键识别点，对边缘及目标区域进行关键点识别匹配获得结果，利用预设容差阈值判别，不满足时发送停止检测指令并生成提醒信息，实现了通过对样本标准位置的精准监测，达到了提高检测准确性、增强了适应性、确保问题及时发现的技术效果。

本申请提供基于AI视觉检测的全自动分析仪样本状态评估方法，包括：

利用高分辨率相机采集样本试剂卡及TIP头的监测图像；对所述监测图像进行边缘识别，获取样本试剂卡以及TIP头的边缘，确定目标区域，所述目标区域为边缘分割内的图像区域；分别配置所述样本试剂卡以及TIP头的关键识别点，所述关键识别点包括多个像素点及其标定位置；利用所述关键识别点对所述边缘及对应目标区域进行关键点识别匹配，获得匹配结果；利用预设容差阈值对所述匹配结果进行判别，当不满足所述预设容差阈值时，发送停止检测指令并生成提醒信息。

拟通过本申请提出的基于AI视觉检测的全自动分析仪样本状态评估方法，首先利用高分辨率相机采集样本试剂卡及TIP头监测图像，进行边缘识别确定目标区域，配置关键识别点，对边缘及目标区域进行关键点识别匹配获得结果，利用预设容差阈值判别，不满足时发送停止检测指令并生成提醒信息，达到了通过对样本标准位置的精准监测，达到了提高检测准确性、增强了适应性、确保问题及时发现的技术效果。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的附图做简单的介绍，本申请中使用了流程图来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

图1为本申请实施例提供的基于AI视觉检测的全自动分析仪样本状态评估方法的流程示意图；

图2为本申请实施例提供的基于AI视觉检测的全自动分析仪样本状态评估方法的生成提醒信息流程示意图。

具体实施方式

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步的详细描述，所描述的实施例不应视为对本申请的限制，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它实施例，都属于本申请保护的范围。

在以下的描述中，涉及“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合，所涉及的术语“第一\第二”仅仅是区别类似的对象，不代表针对对象的特定排序。术语“包括”和“具有”以及任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的；

本申请实施例提供了基于AI视觉检测的全自动分析仪样本状态评估方法，如图1所示，所述方法包括：

步骤S100，利用高分辨率相机采集样本试剂卡及TIP头的监测图像。具体而言，在利用高分辨率相机采集样本试剂卡及TIP头的监测图像时，首先要确保相机处于良好工作状态，检查并优化各项参数设置，同时保证相机固定装置稳定可靠，对于样本检测，需准备合适的采集环境，确保光照均匀稳定，将相机准确定位在能完整覆盖样本试剂卡及TIP头的位置，根据样本特性调整角度和距离，不同类型的有形样本可能需要相机微调，通过手动或自动触发方式启动图像采集，采集过程要确保速度快以避免样本变化，对时间敏感的有形样本可使用高速相机或连续采集模式，采集到的图像需及时存储和传输，可使用高速存储卡或传输到计算机或服务器，大规模检测可采用分布式存储和并行处理技术，并对图像编号和标记以便准确识别和检索，为后续样本状态评估提供高质量图像数据。

步骤S200，对所述监测图像进行边缘识别，获取样本试剂卡以及TIP头的边缘，确定目标区域，所述目标区域为边缘分割内的图像区域。具体而言，对监测图像进行边缘识别时，先通过计算图像像素点变化得到水平梯度和垂直梯度，以此提取边缘信息并构建边缘图，接着对边缘图进行异常识别，针对孤立噪声点采用边缘腐蚀操作清除，对不连续边缘采用边缘膨胀操作连接，确定了样本试剂卡以及TIP头的边缘后，将边缘分割内的图像区域确定为目标区域，该区域包含关键信息，是后续分析处理的重要对象。

在一种可能的实现方式中，对所述监测图像进行边缘识别，获取样本试剂卡以及TIP头的边缘，确定目标区域，所述目标区域为边缘分割内的图像区域，步骤S200进一步包括步骤S210，分别计算所述监测图像的像素点变化，得到水平梯度、垂直梯度，根据所述水平梯度、垂直梯度提取边缘信息。具体地，对于监测图像，分别计算其像素点变化以得到水平梯度和垂直梯度，在图像处理中，通常可以通过对相邻像素的灰度值进行差分计算来实现，具体来说，对于水平梯度，可以计算图像中每一行相邻像素之间的灰度差值，反映了图像在水平方向上的灰度变化情况，垂直梯度则是通过计算每一列相邻像素之间的灰度差值得到，体现了图像在垂直方向上的灰度变化，梯度值的大小代表了像素点在相应方向上的变化强度，根据得到的水平梯度和垂直梯度，可以提取边缘信息，由于边缘通常出现在图像中灰度值发生突变的地方，而梯度值较大的地方往往对应着这种突变区域，可以通过设定一个合适的梯度阈值，将梯度值大于该阈值的像素点确定为潜在的边缘点，从而提取出边缘信息。

步骤S220，利用所述水平梯度与所述垂直梯度进行组合，基于所述边缘信息构建边缘图。具体地，在得到水平梯度和垂直梯度后，利用两个梯度进行组合来构建边缘图，边缘图的构建是基于每个像素的梯度幅值，梯度幅值是水平梯度和垂直梯度的平方和的平方根，代表了边缘的强度，通过计算图像中每个像素的梯度幅值，得到一个反映边缘强度的图像，在构建边缘图的过程中，将水平梯度和垂直梯度的信息综合起来，能够更全面地反映图像中的显著变化区域，构建出来的边缘图可以更加清晰地显示出图像中的边缘位置和强度，为后续的边缘分析和处理提供了基础。

步骤S230，对所述边缘图进行异常识别，确定异常边缘点及异常类别。具体地，对构建好的边缘图进行异常识别是一个关键步骤，需要分析边缘图中的每个像素点，判断其是否属于异常边缘点，异常边缘点通常表现为与周围像素点明显不同的特征，是由于噪声、图像缺陷或其他异常情况引起的，通过对边缘图的分析，可以确定异常边缘点的位置，并进一步确定异常类别，异常类别包括孤立噪声点、不连续边缘等，孤立噪声点通常是由于随机噪声或图像采集过程中的干扰引起的，表现为单个像素点或小区域的异常高梯度值，不连续边缘则是指边缘在某些地方出现中断或不连续的情况，是由于图像中的物体遮挡、光照不均匀或其他因素导致的。

步骤S240，针对所述异常类别采用边缘膨胀或边缘腐蚀操作，对所述异常边缘点进行边缘增强。具体地，针对不同的异常类别，采用相应的边缘膨胀或边缘腐蚀操作来对异常边缘点进行边缘增强，如果异常类别为孤立噪声点，利用边缘腐蚀操作进行孤立点清除，边缘腐蚀操作是一种形态学处理方法，它通过缩小图像中的目标区域来去除孤立的噪声点，对于孤立噪声点，边缘腐蚀操作可以有效地将其从边缘图中去除，从而提高边缘的准确性，当异常类别为不连续边缘时，利用边缘膨胀操作使图像中边缘区域扩张，边缘膨胀操作可以使边缘更加连续，通过预设卷积核对缺失图像区域中每个图像进行邻域白色像素判定，当存在邻域像素为白色像素时将当前像素变为白色，从而连接不连续的边缘部分，可以修复不连续的边缘，提高边缘图的完整性和准确性，通过分别计算监测图像的像素点变化得到水平梯度和垂直梯度，提取边缘信息，构建边缘图，进行异常识别并采用相应的操作进行边缘增强，可以有效地处理监测图像中的边缘问题，为后续的样本状态评估提供更加准确和可靠的边缘信息。

在一种可能的实现方式中，针对所述异常类别采用边缘膨胀或边缘腐蚀操作，对所述异常边缘点进行边缘增强，步骤S240进一步包括步骤S241，所述异常类别包括孤立噪声点、不连续边缘，其中当所述异常类别为孤立噪声点时，利用边缘腐蚀操作进行孤立点清除当所述异常类别为不连续边缘时，利用边缘膨胀操作使图像中边缘区域扩张，其中通过预设卷积核对缺失图像区域中每个图像进行邻域白色像素判定，当存在邻域像素为白色像素时将当前像素变为白色，而连接不连续的边缘部分。具体地，明确异常类别包括孤立噪声点和不连续边缘，孤立噪声点通常是由于随机因素产生的单个或小区域的异常像素点，这些点与周围像素的特征差异较大，可能会对边缘检测的准确性产生干扰，不连续边缘则是指在图像中边缘出现中断或不连续的情况，可能是由于物体遮挡、光照变化等原因导致的，当异常类别为孤立噪声点时，采用边缘腐蚀操作进行孤立点清除，边缘腐蚀是一种形态学处理方法，其基本原理是通过缩小图像中的目标区域来去除孤立的噪声点，具体过程为：对于监测图像中的每个像素点，检查其周围的邻域像素，如果一个像素点被判定为孤立噪声点，即其周围的像素与该点的特征差异较大，且该点在边缘检测中表现为孤立的高梯度值点，那么就对该点进行边缘腐蚀操作，边缘腐蚀操作通常是使用一个特定大小的结构元素（如一个小的矩形或圆形区域），将该结构元素在图像上移动，对于每个像素位置，如果结构元素所覆盖的区域内的像素值大部分为背景值（例如黑色或低灰度值），则将中心像素点的值也设置为背景值。通过这种方式，可以逐渐去除孤立的噪声点，使边缘检测结果更加准确，当异常类别为不连续边缘时，利用边缘膨胀操作使图像中边缘区域扩张，边缘膨胀的目的是连接不连续的边缘部分，以提高边缘检测的完整性，具体步骤为：通过预设卷积核对缺失图像区域中每个图像进行邻域白色像素判定，预设卷积核通常是一个具有特定形状和大小的矩阵，用于对图像进行卷积操作，在进行边缘膨胀时，将卷积核在图像上移动，对于每个像素位置，检查卷积核所覆盖的区域内的像素值，如果存在邻域像素为白色像素（即具有较高的灰度值或符合边缘特征的像素值），则将当前像素变为白色，从而实现边缘区域的扩张。这样可以连接不连续的边缘部分，使边缘更加连续和完整，通过对不同异常类别的针对性处理，即利用边缘腐蚀操作清除孤立噪声点，利用边缘膨胀操作连接不连续边缘，可以有效地改善边缘检测结果，为后续的样本状态评估提供更加准确和可靠的边缘信息。

步骤S300，分别配置所述样本试剂卡以及TIP头的关键识别点，所述关键识别点包括多个像素点及其标定位置。具体而言，首先收集不同环境下样本试剂卡以及TIP头的图像数据并进行分析，提取关键点的坐标和边缘特征，根据其结构构建结构网格，定义关键点之间的连接边关系，利用这些建立训练图数据。然后通过对训练图数据的处理和分析，例如利用图神经网络训练收敛及与标准模板判定验证等方式，确定关键识别点的标定位置及其对应像素点，且标定位置需考虑实际使用情况和检测要求，以便为后续样本状态评估提供依据和支持。

在一种可能的实现方式中，分别配置所述样本试剂卡以及TIP头的关键识别点，所述关键识别点包括多个像素点及其标定位置，步骤S300进一步包括步骤S310，获取不同环境下的图像数据，提取关键点的坐标、边缘特征作为节点特征，根据样本试剂卡以及TIP头的结构，构建结构网格，定义每个关键点之间的连接边关系，每个连接边特征为几何距离或相对角度，建立训练图数据。具体地，获取不同环境下的图像数据，不同环境可以包括不同的光照条件、角度、样本状态等，目的是为了让后续的分析能够适应各种实际情况，从这些图像数据中提取关键点的坐标和边缘特征作为节点特征，关键点可以是样本试剂卡以及TIP头上具有显著特征的点，比如特定的标记点、角点等，坐标确定了点在图像中的位置，边缘特征则描述了这些点周围的图像特征，这些特征可以帮助区分不同的物体和状态，根据样本试剂卡以及TIP头的结构，构建结构网格，结构网格是对物体结构的一种抽象表示，它可以更好地描述物体的形状和特征，在构建结构网格时，需要考虑物体的几何形状、尺寸以及关键点的分布等因素，定义每个关键点之间的连接边关系，连接边特征为几何距离或相对角度，几何距离可以是两个关键点之间的实际距离，相对角度则可以描述两个关键点之间的方向关系，通过定义连接边关系，可以建立起关键点之间的联系，形成一个整体的结构模型，建立训练图数据，数据集中包含了关键点的坐标、边缘特征以及连接边关系等信息，为后续的训练提供了基础。

步骤S320，利用图神经网络对所述训练图数据进行训练收敛，以通过相邻图特征聚合来更新节点特征，从而得到全局的样本试剂卡以及TIP头的位置信息。具体地，利用图神经网络对训练图数据进行训练收敛，图神经网络是一种专门用于处理图结构数据的神经网络，通过相邻图特征聚合来更新节点特征，在训练过程中，图神经网络会将每个关键点作为一个节点，通过节点之间的连接边关系，将相邻节点的特征进行聚合，从而更新当前节点的特征，聚合过程可以不断重复，直到网络收敛，即节点特征不再发生明显变化，得到全局的样本试剂卡以及TIP头的位置信息，全局位置信息是通过对所有关键点的位置和特征进行综合分析得到的，可以更准确地反映物体的整体位置和状态。

步骤S330，通过所述位置信息与标准模板进行判定验证，确定所述关键识别点的标定位置及其对应像素点。具体地，通过位置信息与标准模板进行判定验证，标准模板是预先定义好的样本试剂卡以及TIP头的理想位置和特征，将得到的全局位置信息与标准模板进行比较，判断是否符合要求，如果存在偏差，可以通过调整图神经网络的参数或者重新提取关键点等方式进行优化，通过判定验证，可以确定关键识别点的标定位置及其对应像素点，标定位置是经过验证后的关键点的准确位置，对应像素点则是在图像中与标定位置对应的具体像素，标定位置和像素点将用于后续的样本状态评估和检测，通过获取不同环境下的图像数据、构建结构网格、利用图神经网络进行训练收敛以及与标准模板进行判定验证等步骤，可以准确地确定样本试剂卡以及TIP头的关键识别点的标定位置及其对应像素点，为样本状态评估提供可靠的依据。

在一种可能的实现方式中，利用图神经网络对所述训练图数据进行训练收敛，以通过相邻图特征聚合来更新节点特征，从而得到全局的样本试剂卡以及TIP头的位置信息，步骤S320进一步包括步骤S321，将所述样本试剂卡的四个角点、插入端标记作为一阶节点，将所述TIP头底部的边缘点、吸液口点及上部的标记点作为一阶节点，每个节点的初始特征包括节点坐标、形状特征。具体地，将样本试剂卡的四个角点和插入端标记作为一阶节点，同时将TIP头底部的边缘点、吸液口点及上部的标记点也作为一阶节点，每个节点都有其特定的初始特征，包括节点坐标和形状特征，节点坐标明确了节点在图像中的具体位置，而形状特征则描述了节点周围区域的形状特点，例如角点的尖锐程度、标记点的圆形度等。这些初始特征为后续的特征生长提供了基础。

步骤S322，基于所述一阶节点的初始特征进行特征生长，获得二阶节点，所述二阶节点与所述一阶节点具有相对位置或夹角变化的特征生长关系。具体地，基于一阶节点的初始特征进行特征生长，获得二阶节点，二阶节点与一阶节点具有相对位置或夹角变化的特征生长关系，二阶节点的特征是通过分析其与一阶节点之间的相对位置和夹角变化而得到的，例如，如果一阶节点是样本试剂卡的一个角点，那么二阶节点可能是与该角点相邻的某个特定区域的中心点，其特征可以通过计算与角点的距离、连线与坐标轴的夹角变化等方式确定。

步骤S323，基于所述二阶节点的特征继续进行特征生长，获得三阶节点，所述三阶节点与二阶节点之间具有相对位置或夹角变化的特征生长关系，持续特征生长至N阶节点，构建多层特征塔，其中2≤N≤10的正整数。具体地，基于二阶节点的特征继续进行特征生长，获得三阶节点，同样，三阶节点与二阶节点之间也具有相对位置或夹角变化的特征生长关系，按照这种方式持续进行特征生长，直到达到N阶节点，构建起多层特征塔，规定了2≤N≤10的正整数范围，保证足够的特征表达能力的同时，避免过度复杂的计算，在特征生长的过程中，每一层节点的特征都依赖于前一层节点的特征，并且通过不断分析相对位置和夹角变化来丰富特征的描述。

步骤S324，根据所述多层特征塔，进行逆向聚合，得到全局的样本试剂卡以及TIP头的位置信息。具体地，根据构建好的多层特征塔，进行逆向聚合操作，从最高阶的N阶节点开始，选择每个特征维度的最大值提取强信号特征，然后计算特征的平均值，获得全局特征向量，全局特征向量包括形状轮廓、倾斜角度、位置偏差等全局信息，将全局特征向量传递至N-1阶节点，每个N-1阶节点通过自身特征与全局特征进行聚合更新，将N-1阶节点聚合更新得到的特征与N-1阶节点的自身特征进行再次聚合更新，以此类推，直到完成一阶节点的特征聚合为止，通过逆向聚合的方式，可以得到全局的样本试剂卡以及TIP头的位置信息，位置信息是综合了多层特征塔中各个节点的特征而得到的，能够更准确地反映样本试剂卡和TIP头在图像中的位置和状态，通过确定一阶节点及初始特征、进行特征生长构建多层特征塔以及进行逆向聚合等步骤，可以有效地获取全局的样本试剂卡以及TIP头的位置信息，为样本状态评估提供重要依据。

在一种可能的实现方式中，根据所述多层特征塔，进行逆向聚合，得到全局的样本试剂卡以及TIP头的位置信息，步骤S324进一步包括步骤S3241，从所述N阶节点开始，选择每个特征维度的最大值提取强信号特征，计算特征的平均值，获得全局特征向量，包括形状轮廓、倾斜角度、位置偏差全局信息。具体地，从最高阶的N阶节点开始，由于在较高阶的节点中通常包含了更丰富的信息和更全局的特征表达，首先选择每个特征维度的最大值来提取强信号特征，因为在特征维度中，最大值往往代表了该维度上最显著的特征，能够突出重要的信息，例如，在形状特征维度中，可能某个节点的形状特征值最大，这表明该节点在形状方面具有更突出的特点。通过选择最大值，可以强化这些显著特征，提高后续分析的准确性，接着计算特征的平均值，计算平均值可以综合考虑各个节点的特征，得到一个相对稳定和具有代表性的特征值，通过对所有特征维度的平均值计算，获得全局特征向量，全局特征向量包括形状轮廓、倾斜角度、位置偏差等全局信息，形状轮廓描述了样本试剂卡和TIP头的整体形状特征，倾斜角度反映了它们在图像中的倾斜程度，位置偏差则表示它们与预期位置的偏离情况，全局信息对于准确评估样本状态至关重要。

步骤S3242，将所述全局特征向量传递至N-1阶节点，每个N-1阶节点通过自身特征与全局特征进行聚合更新。具体地，将获得的全局特征向量传递至N-1阶节点。每个N-1阶节点通过自身特征与全局特征进行聚合更新，N-1阶节点将自身原有的特征与接收到的全局特征进行融合，例如，可以通过加权求和的方式，将自身特征和全局特征按照一定的权重比例进行组合，得到更新后的特征，这样做可以使N-1阶节点的特征既包含了局部的细节信息，又结合了全局的特征趋势，提高了特征的准确性和全面性。

步骤S3243，将N-1阶节点聚合更新得到的特征与N-1阶节点的自身特征进行聚合更新，以此类推，直到完成一阶节点的特征聚合为止。具体地，将N-1阶节点聚合更新得到的特征与N-1阶节点的自身特征再次进行聚合更新，进一步强化N-1阶节点的特征，使其更加准确地反映样本的状态，以此类推，逐步将更新后的特征传递到更低阶的节点，并进行类似的聚合更新操作，直到完成一阶节点的特征聚合为止，一阶节点通常是最接近样本实际特征的节点，通过对一阶节点的特征聚合，可以将全局特征和局部特征充分融合，最终得到能够准确描述样本试剂卡和TIP头位置和状态的特征集合，通过提取强信号特征获得全局特征向量，然后逐步传递并进行聚合更新，直到完成一阶节点的特征聚合，可以有效地整合不同阶节点的特征，为样本状态评估提供准确而全面的特征信息。

步骤S400，利用所述关键识别点对所述边缘及对应目标区域进行关键点识别匹配，获得匹配结果。具体而言，首先准备好样本试剂卡以及TIP头的关键识别点，关键识别点包含多个像素点及其标定位置，同时拥有经边缘识别确定的边缘及对应目标区域，在进行关键点识别匹配时，将关键识别点与边缘和目标区域进行对比，在目标区域中寻找与关键识别点具有相似特征的像素点或区域作为初步匹配点，然后通过计算几何关系、比较周围环境特征等方式确认匹配的准确性，最终获得完整的匹配结果，该结果记录了每个关键识别点在边缘及目标区域中的匹配情况，为后续分析和判断提供重要依据。

步骤S500，利用预设容差阈值对所述匹配结果进行判别，当不满足所述预设容差阈值时，发送停止检测指令并生成提醒信息。具体而言，在进行关键点识别匹配后，需利用预设容差阈值进行判别，预设容差阈值是根据检测要求和实际场景预先设定的数值范围，其确定需综合考虑多种因素，将匹配结果与预设容差阈值比较，若在阈值范围内则匹配情况良好可继续检测，若超出阈值则判断是否满足停止检测条件，当匹配结果不满足预设容差阈值时，发送停止检测指令并生成提醒信息，包括问题描述、位置及可能原因等，以便操作人员快速定位问题并采取措施，保证检测过程的准确性和可靠性。

在一种可能的实现方式中，如图2所示，利用预设容差阈值对所述匹配结果进行判别，当不满足所述预设容差阈值时，发送停止检测指令并生成提醒信息，步骤S500进一步包括步骤S510，获取所述样本试剂卡的计数板位置。具体地，需要准确获取样本试剂卡的计数板位置，计数板通常是样本试剂卡上用于进行特定检测或分析的关键区域，可以通过图像识别技术、传感器检测等方法来确定计数板在样本试剂卡上的具体位置，位置信息对于后续的区域分割和污渍识别至关重要。

步骤S520，根据所述计数板位置对所述样本试剂卡的目标区域进行影响区域分割，确定核心区域、过渡区域，所述核心区域、过渡区域具有对应的决策阈值，其中所述核心区域的决策阈值小于所述过渡区域的决策阈值。具体地，根据获取到的计数板位置，对样本试剂卡的目标区域进行影响区域分割，将目标区域划分为核心区域和过渡区域，核心区域是与计数板直接相关、对检测结果影响最为关键的区域，过渡区域则是围绕核心区域的周边区域，其对检测结果的影响相对较小，核心区域和过渡区域具有对应的决策阈值，核心区域的决策阈值小于过渡区域的决策阈值，因为核心区域对检测结果的准确性要求更高，所以需要更严格的判断标准，而过渡区域的影响相对较小，可以设置相对较宽松的决策阈值。

步骤S530，通过污渍判定模块对所述目标区域进行污渍识别判定，获得污渍识别结果。具体地，通过污渍判定模块对目标区域进行污渍识别判定，污渍判定模块可以采用各种图像处理算法和技术，例如分析像素点的灰度值、颜色特征、纹理特征等，会对目标区域中的每个像素进行检查，判断是否存在污渍，如果像素的特征符合污渍的特征，就将其标记为污渍像素，最终，获得污渍识别结果，即目标区域中污渍像素的分布情况。

步骤S540，利用所述决策阈值对所述污渍识别结果进行分析判断，获得停止检测指令并生成提醒信息。具体地，利用核心区域和过渡区域的决策阈值对污渍识别结果进行分析判断，如果污渍识别结果中的污渍像素在核心区域或过渡区域超过了对应的决策阈值，就意味着样本试剂卡可能受到了污渍的严重影响，检测结果的准确性可能会受到很大影响，在这种情况下，获得停止检测指令，立即中断正在进行的检测过程，以防止错误的检测结果产生，生成提醒信息，通知相关人员样本试剂卡存在污渍问题，需要进行检查和处理，提醒信息可以包括污渍的位置、程度、可能对检测结果的影响等，以便操作人员能够快速采取相应的措施，通过获取样本试剂卡的计数板位置、进行影响区域分割、污渍识别判定以及利用决策阈值进行分析判断等步骤，可以有效地检测样本试剂卡上的污渍问题，保证检测过程的准确性和可靠性。

在一种可能的实现方式中，通过污渍判定模块对所述目标区域进行污渍识别判定，获得污渍识别结果，步骤S530进一步包括步骤S531，获取所述监测图像中目标区域的像素点灰度值，基于两个像素间的灰度关系构建灰度共生矩阵，其中，矩阵中每个元素表示图像中相邻两个像素具有预设灰度值对的共现次数。具体地，从监测图像中确定目标区域，在获取目标区域像素点灰度值时，同时考虑可能受指纹影响的区域，如中心或边缘区域，对区域进行更加细致的灰度值获取，基于两个像素间的灰度关系构建灰度共生矩阵，对于目标区域中的每一对相邻像素，统计它们具有预设灰度值对的共现次数，就像对可能受指纹影响的特定区域进行灰度关系分析并构建矩阵一样，为后续纹理特征提取做好准备。

步骤S532，根据所述灰度共生矩阵提取不同角度的纹理特征，其中，通过所述灰度共生矩阵计算像素灰度对比度、灰度分布均匀度、灰度分布相似度、灰度分布复杂度，确定污渍特征，其中所述污渍特征为像素灰度对比度以及灰度分布复杂度高、且灰度分布均匀度以及灰度分布相似度低的区域。具体地，根据构建好的灰度共生矩阵提取不同角度的纹理特征，在提取纹理特征时，对每个目标区域，分别计算0度、45度、90度和135度方向的GLCM，因为指纹有方向性，其纹理在不同角度上的变化会有所不同，通过多方向的GLCM计算可以捕捉到这些微小变化，丰富纹理特征的提取，更好地确定是否存在指纹以及污渍等异常情况，通过灰度共生矩阵计算像素灰度对比度、灰度分布均匀度、灰度分布相似度、灰度分布复杂度等特征，其中，像素灰度对比度反映图像中像素灰度级之间的对比程度，对于可能含有指纹或污渍的区域，由于指纹的凹凸形态或者污渍导致的灰度变化，会使灰度差异增加，从而导致对比度增大，可根据公式Contrast=∑(i−j)²P(i,j)计算，这里P(i,j)是GLCM中的概率值，i和j是灰度值。能量反映图像的灰度分布均匀程度，对于含有指纹的区域，由于其灰度分布较为复杂，能量值通常较低，公式为Energy=∑P(i,j)²，同质性衡量灰度值在图像中的分布相似程度，在指纹区域，由于细微的纹理变化，同质性会相对较低，公式为Homogeneity=∑P(i,j)/(1+|i−j|)，熵反映图像中灰度分布的复杂度，指纹区域的复杂纹理会导致熵值较高，公式为Entropy=−∑P(i,j)log(P(i,j))，确定污渍特征为像素灰度对比度以及灰度分布复杂度高，且灰度分布均匀度以及灰度分布相似度低的区域，在确定污渍特征的过程中，同时提取的对比度、能量、同质性、熵等纹理特征，不仅可以用于确定污渍特征，还可以分析哪些区域的纹理特征异常，结合指纹区域的特征（通常指纹区域的对比度较高、能量较低、熵较高，同质性较低），能够检测出指纹的存在，进一步提高对目标区域的分析准确性。

本申请实施例采用利用高分辨率相机采集样本试剂卡及TIP头监测图像，进行边缘识别确定目标区域，配置关键识别点，对边缘及目标区域进行关键点识别匹配获得结果，利用预设容差阈值判别，不满足时发送停止检测指令并生成提醒信息，达到了通过对样本标准位置的精准监测，达到了提高检测准确性、增强了适应性、确保问题及时发现的技术效果。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合和替代。任何在本申请的精神和原则之内所做的修改、等同替换和改进等，均应包含在本申请保护范围之内。在一些情况下，在本申请中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

Claims (5)

1.基于AI视觉检测的全自动分析仪样本状态评估方法，其特征在于，所述方法包括：

利用高分辨率相机采集样本试剂卡及TIP头的监测图像；

对所述监测图像进行边缘识别，获取样本试剂卡以及TIP头的边缘，确定目标区域，所述目标区域为边缘分割内的图像区域；

分别配置所述样本试剂卡以及TIP头的关键识别点，所述关键识别点包括多个像素点及其标定位置；

利用所述关键识别点对所述边缘及对应目标区域进行关键点识别匹配，获得匹配结果；

利用预设容差阈值对所述匹配结果进行判别，当不满足所述预设容差阈值时，发送停止检测指令并生成提醒信息；

其中，分别配置所述样本试剂卡以及TIP头的关键识别点，所述关键识别点包括多个像素点及其标定位置，包括：

获取不同环境下的图像数据，提取关键点的坐标、边缘特征作为节点特征，根据样本试剂卡以及TIP头的结构，构建结构网格，定义每个关键点之间的连接边关系，每个连接边特征为几何距离或相对角度，建立训练图数据；

利用图神经网络对所述训练图数据进行训练收敛，以通过相邻图特征聚合来更新节点特征，从而得到全局的样本试剂卡以及TIP头的位置信息；

通过所述位置信息与标准模板进行判定验证，确定所述关键识别点的标定位置及其对应像素点；

其中，所述利用图神经网络对所述训练图数据进行训练收敛，以通过相邻图特征聚合来更新节点特征，从而得到全局的样本试剂卡以及TIP头的位置信息，包括：

将所述样本试剂卡的四个角点、插入端标记作为一阶节点，将所述TIP头底部的边缘点、吸液口点及上部的标记点作为一阶节点，每个节点的初始特征包括节点坐标、形状特征；

基于所述一阶节点的初始特征进行特征生长，获得二阶节点，所述二阶节点与所述一阶节点具有相对位置或夹角变化的特征生长关系；

基于所述二阶节点的特征继续进行特征生长，获得三阶节点，所述三阶节点与二阶节点之间具有相对位置或夹角变化的特征生长关系，持续特征生长至N阶节点，构建多层特征塔，其中2≤N≤10的正整数；

根据所述多层特征塔，进行逆向聚合，得到全局的样本试剂卡以及TIP头的位置信息；

其中，根据所述多层特征塔，进行逆向聚合，包括：

从所述N阶节点开始，选择每个特征维度的最大值提取强信号特征，计算特征的平均值，获得全局特征向量，包括形状轮廓、倾斜角度、位置偏差全局信息；

将所述全局特征向量传递至N-1阶节点，每个N-1阶节点通过自身特征与全局特征进行聚合更新；

将N-1阶节点聚合更新得到的特征与N-1阶节点的自身特征进行聚合更新，以此类推，直到完成一阶节点的特征聚合为止。

2.如权利要求1所述的基于AI视觉检测的全自动分析仪样本状态评估方法，其特征在于，对所述监测图像进行边缘识别，包括：

分别计算所述监测图像的像素点变化，得到水平梯度、垂直梯度，根据所述水平梯度、垂直梯度提取边缘信息；

利用所述水平梯度与所述垂直梯度进行组合，基于所述边缘信息构建边缘图；

对所述边缘图进行异常识别，确定异常边缘点及异常类别；

针对所述异常类别采用边缘膨胀或边缘腐蚀操作，对所述异常边缘点进行边缘增强。

3.如权利要求2所述的基于AI视觉检测的全自动分析仪样本状态评估方法，其特征在于，针对所述异常类别采用边缘膨胀或边缘腐蚀操作，对所述异常边缘点进行边缘增强，包括：

所述异常类别包括孤立噪声点、不连续边缘，其中当所述异常类别为孤立噪声点时，利用边缘腐蚀操作进行孤立点清除；当所述异常类别为不连续边缘时，利用边缘膨胀操作使图像中边缘区域扩张，其中通过预设卷积核对缺失图像区域中每个图像进行邻域白色像素判定，当存在邻域像素为白色像素时将当前像素变为白色，而连接不连续的边缘部分。

4.如权利要求1所述的基于AI视觉检测的全自动分析仪样本状态评估方法，其特征在于，所述方法还包括：

获取所述样本试剂卡的计数板位置；

根据所述计数板位置对所述样本试剂卡的目标区域进行影响区域分割，确定核心区域、过渡区域，所述核心区域、过渡区域具有对应的决策阈值，其中所述核心区域的决策阈值小于所述过渡区域的决策阈值；

通过污渍判定模块对所述目标区域进行污渍识别判定，获得污渍识别结果；

利用所述决策阈值对所述污渍识别结果进行分析判断，获得停止检测指令并生成提醒信息。

5.如权利要求4所述的基于AI视觉检测的全自动分析仪样本状态评估方法，其特征在于，所述通过污渍判定模块对所述目标区域进行污渍识别判定，包括：

获取所述监测图像中目标区域的像素点灰度值，基于两个像素间的灰度关系构建灰度共生矩阵，其中，矩阵中每个元素表示图像中相邻两个像素具有预设灰度值对的共现次数；

根据所述灰度共生矩阵提取不同角度的纹理特征，其中，通过所述灰度共生矩阵计算像素灰度对比度、灰度分布均匀度、灰度分布相似度、灰度分布复杂度，确定污渍特征，其中所述污渍特征为像素灰度对比度以及灰度分布复杂度高、且灰度分布均匀度以及灰度分布相似度低的区域。