基于Android系统的金标试条定量检测仪的研制

丑佳文 赵立宏 董 佳 王希勤

(南华大学电气工程学院,湖南 衡阳 421001)

金标免疫层析测定是一种快速诊断技术，是利用抗原、抗体特异性规律和胶体金显色原理工作的[1]。因其具有简单、快速、可靠及价格低廉等优点，广泛应用于临床诊断、食品安全检测及环境检测等领域。但在其应用过程中也暴露出了一些不足，如待测样品抗原与试条测试线上抗体的特异性结合和胶体金显色属动态过程，终止反应时间长且背景易受水、胶体金及渗透不均匀等的干扰，这些因素均制约了胶体金免疫层析试条的进一步发展。近几年，随着电子信息技术和生物技术的发展，可用于对金标试条进行半定量、全定量检测的定量检测仪引起了国内外相关研究人员的重视，并且一些定量检测仪也相应出现。

目前，定量检测仪主要采用的方法有光纤扫描法、线阵CCD扫描法和图像测量法。光纤扫描法需要有机械扫描装置带动光纤传感器扫描，缺点是仪器体积大而笨重；且在较低浓度下，由于反射光强度变化很弱，导致测量结果稳定性差。线阵CCD扫描法只是用冷阴极荧光灯和线阵CCD传感器代替光纤扫描法中的发光二极管和光纤传感器，没有去掉机械扫描装置，体积仍然大且笨重。基于图像测量法设计的金标试条检测仪能够利用图像处理技术直接处理掉采集图像中的瑕疵和毛刺，并且不会受到水分引起的动态干扰的影响，不需要步进电机，可以通过计算机实现高速处理，能够短时间、高质量地完成大量试条的定量测量。图像测量法信号检测速度快，图像处理效果好，对外界环境因素依赖小，可搭配微处理器设计，适合便携式金标试条分析仪的设计。目前出现的便携式金标试条检测仪主要基于FPGA、ARM、单片机及DSP等嵌入式系统[2～4]，虽然体积小，但还没有达到方便手持的程度，而且软件开发依赖于硬件。

综合考虑成本、体积、重量及硬件依赖度等方面，笔者提出了一种基于Android系统和图像处理相结合的手持式金标试条定量分析仪，该分析仪既不受硬件更新换代过快的影响，又使体积和重量得以减小、减轻，还能节约成本，缩短研发周期，为金标试条定量检测仪的广泛应用提供了可能。

1 金标试条定量分析思路①

1.1 特征值的选取

图像特征值的选取需要满足如下要求[5]：精确地描述试条颜色特征；对条纹出现位置不敏感；能减少或消除不同试条的图像条纹强度差异等。

当光源采用纯绿色平行光照射试条的检测区时，根据朗伯-比尔定律A=α·L·C，可推导出试条控制线和测试线积分光密度(IOD)[6]：

(1)

式中I(i)和G(i)——像素i的输出电流和灰度级；

I0和G0——背景的输出电流和灰度级；

N——像素总数；

OD——光密度；

Φ——反射光强度。

IOD的绝对值依赖于试条的物理特性和用于检测的图像采集系统，由不同实验得到的数据不能通过其来进行比较。不同的试条在相同浓度下会由于纤维特性差异、湿度影响及存储条件不同等因素而表现出显色差别。而且在实际测量中，由于直线传播和散射的存在会降低反射光密度，再加上水、血液及胶体金的非均匀渗透等都会使试条上白色区域只能够反射部分入射光。然而，所有这些影响控制线和测试线的因素是相同的[7]，因此可以采用控制线积分光密度与测试线积分光密度的相对值作为特征值，即有：

(2)

其中，下标t、c分别代表测试线和控制线；Gt(i)和Gc(i)分别为测试线和控制线上像素i的灰度级；G0为背景的灰度级(由背景的平均灰度值表示)。

由式(1)、(2)可知，要得到积分光密度值，需要提取的直接量就是控制线、测试线和白色区域的灰度值。

1.2 图像处理

由于获取的图像除了试条以外还包括大量无关部分，为了剔除无关信息、减少运算量，必须对图像进行缩放，并初步提取检测窗口。同时由于受光线及图像采集设备等的影响，图像中会存在一些毛刺和瑕疵，需要对图像进行滤波。为了获得试条各部分的灰度信息，除了将图像转换为灰度图外，还需要对图像进行分割处理。

目前，用于金标试条图像分割的算法主要有模糊C均值聚类算法、遗传算法、基于遗传算法的快速模糊C均值聚类算法(FCM)、细胞神经网络算法及其优化算法[8]等。其中C均值聚类算法及其优化算法的应用比较广泛，而笔者采用的是图像分割效果较好的基于遗传算法的FCM聚类算法。

FCM聚类算法的目标函数、聚类中心和隶属度函数分别如下：

(3)

(4)

(5)

其中，uik∈[0,1]，为向量xj对聚类i的隶属度；c为聚类数；‖k-vi‖为第i个聚类中心到第j个数据点之间的距离，通常为欧氏距离；U=[uij]c×n为模糊C分割矩阵；V={vi}为聚类中心矩阵；k的取值为0,1，…，Lmax-1；Lmax为k的级数；h(k)为k的直方图。

遗传算法作为一种演化计算，能有效地搜索到全局最优解，弥补了FCM算法容易陷入局部最优的缺陷。

遗传FCM分割算法流程如下：

a. 设定种群数，初始化种群。初始化的值包括种群大小、突变概率、交叉概率和遗传代数，再加上每个个体(染色体)的基因编码在设定区间内的随机初始化；适应度设为零。

b. 用式(5)计算每个个体的分割矩阵，并对每个个体做适应性评价，即用公式fm=1/(1+fm)计算每个个体的适应度。

c. 由父代种群进化出子代种群，对当前代(父代)进行选择、交叉和突变操作得到子代种群。

d. 用式(5)计算每个个体的新分割矩阵；再将新分割矩阵代入式(4)中，计算新的聚类中心(即染色体)；计算新、旧聚类中心的距离。

e. 如果满足结束条件，即聚类中心距离小于设定值或循环次数达到更新代数值，则停止循环并计算适应度和选择最佳个体，返回分割矩阵；如果不满足，重复步骤b～d，直到满足结束条件为止。

算法中的聚类数选为3，遗传代数100，种群大小30，突变概率和交叉概率分别选为0.02和0.60，选择操作采用的是轮盘赌选择算法。

2 检测仪的设计

2.1 硬件部分

考虑到检测仪的性价比和体积，笔者采用U880F1手机和自制外壳搭建硬件平台，用手机自带的CMOS摄像头和微距摄像头采集图像(缩小空间)。自制外壳是以实际测量尺寸为依据，利用CAD软件构建外壳模型，然后用3D打印技术进行打印而得到的。顶部到中间的区域放置微距摄像头，中间到底部之间的距离在焦距范围内，底部有一个用于放置试条的槽，由于不同试条的宽度有差别，所以槽的宽度设有一定的余量。用于照明的两个LED光源放在试条槽上方一定距离处，且位置相对。

2.2 软件部分

2.2.1人机交互程序

人机交互程序模块主要在Android系统中设计用户界面、接收用户操作指令并做出相应的动作。Java程序调用手机摄像头，获取并存储试条图像，然后提取图像通过jni进行本地调用传给OpenCV的C/C++程序进行分析处理，处理结果回传至Java主程序进行显示。主要实现内容为：调用摄像头拍摄试条图像并保存，调用所采集的图片传给图像处理程序进行处理，接收处理结果并进行显示。此部分用Java语言在Eclipse中编写实现。人机交互程序流程如图1所示。

图1 人机交互程序流程

2.2.2图像处理程序

图像处理程序使用C++编写OpenCV程序，编译环境为Visual Studio，图像处理程序流程如图2所示。载入所得试条图像后对其进行缩放，提取感兴趣区域。然后对所得图像进行滤波，将其转换为灰度图。对所得灰度图进行阈值化、形态学操作，提取轮廓。再次提取感兴趣区域生成新图片，然后用遗传FCM聚类算法进行聚类，得到控制线、测试线和背景区的灰度值(特征值)，计算RIOD，代入设计好的关系函数中得到相应的浓度值。

图2 图像处理程序流程

3 实验数据与分析

为了得到相对积分光密度-浓度关系曲线，以人绒毛膜促性腺激素HCG试条为例。将HCG溶液分别稀释成10、35、75、100、150、200、300、400、500mIU/mL不同等级浓度的试液。然后将等量的以上试液分别滴定到相同数量、相同批次的HCG试条上，并严格控制试液用量。反应5min后，用自制检测仪测量它们的积分光密度值，测试数据见表1。

表1 HCG试条的测试数据

用曲线拟合方法对检测结果进行分析，可得到相对积分光密度值与浓度之间的关系式为：

RIOD=0.0023C+0.1165

(6)

以浓度为横坐标，以RIOD为纵坐标绘制关系曲线如图3所示。

图3 RIOD与HCG浓度之间的关系曲线

由图3可以看出，检测结果对HCG浓度有较好的区分等级。将RIOD与浓度的关系模型存入程序中，实际测试时，程序自动将RIOD值转换成浓度值并显示在仪器界面上。

4 结束语

以手机及其自带摄像头搭建了金标试条定量检测仪，该仪器外观小巧，方便手持的同时操作简单、成本低廉。采用基于遗传算法的快速模糊C均值聚类算法对预处理后的金标试条图像进行分割，能够精确提取试条的测试线和控制线，通过计算试条测试线和控制线的相对积分光密度值来确定待测液样本的浓度值，从而实现金标免疫层析试条的定量检测。实际HCG检测结果表明，采用该检测仪得出的RIOD与浓度之间的关系是一一对应的，对被测液浓度有较好的区分等级。该检测仪用于定量检测金标试条具有可行性。

[1] 陈曦,冯璐,刘帅,等.胶体金层析试条测试仪的设计研究[J].河北工业大学学报,2009,38(4)：66～69.

[2] 李洪梅.基于ARM的便携式试纸分析仪的研究[D].长春:吉林大学,2011.

[3] 王洋.高精度金标试纸读数仪的设计与开发[D].杭州:浙江大学,2013.

[4] 程华,王树志,陈晨,等.新型胶体金免疫层析试纸条定量分析仪的研制[J].分析仪器,2013,(1)：7～11.

[5] 李伟.基于模糊C均值聚类的图像分割算法研究[D].哈尔滨:哈尔滨工程大学,2013.

[6] 曾念寅,李玉榕,杜民.FCM聚类算法实现金免疫层析试条定量检测的研究[C].2010振动与噪声测试峰会论文集.北京:仪器仪表学报杂志社,2010:221～225.

[7] Li Y R,Zeng N Y,Du M.A Novel Image Methodology for Interpretation of Gold Immunochromatographic Strip[J].Journal of Computer,2011,6(3):540～547.

[8] Zeng N Y,Wang Z D,Zineddin B,et al.Image-Based Quantitative Analysis of Gold Immunochromatographic Strip via Cellular Neural Network Approach[J].IEEE Transactions on Medical Imaging,2014,33(5):1129～1136.