当前位置：首页 > ai >正文

人工智能辅助荧光浓度检测系统：基于YOLO与RGB分析的Python实现

ai 2025/9/7 11:50:52

人工智能辅助荧光浓度检测系统：基于YOLO与RGB分析的Python实现

第一部分：项目概述与系统架构

1.1 任务核心与挑战

任务核心：开发一个Python程序，能够接收用户上传的荧光图像，利用YOLO（You Only Look Once）目标检测模型定位图像中的特定荧光区域，提取该区域的RGB颜色值，并通过预先建立的数学模型（RGB比值与浓度之间的关系）计算出未知样本的浓度。

技术挑战：

图像质量：用户上传的图片可能存在光照不均、背景干扰、白平衡不准、格式不一等问题。
精确定位：需要准确识别并定位出图片中承载荧光物质的区域（如微孔板中的孔、试管、试纸条等），排除无关背景。
颜色提取：从定位到的区域中提取出有代表性的RGB值，需要考虑是取平均值、中值还是特定区域的值。
模型建立：RGB值与浓度之间的关系（校准曲线）并非简单的线性关系，可能需要多项式、指数或对数模型来拟合。
系统集成：将计算机视觉（YOLO）、图像处理（OpenCV）、数据建模（Scikit-learn）和Web交互（Flask/Django）等技术无缝集成。

1.2 系统架构设计

一个完整的系统应包含以下模块：

用户交互层（Web前端）：允许用户上传图片、查看检测结果和历史记录。
业务逻辑层（Python后端）：处理HTTP请求，协调各个模块的工作流程。
视觉处理层（YOLO + OpenCV）：加载YOLO模型，执行目标检测，并提取ROI（Region of Interest）。
颜色分析层（OpenCV + NumPy）：处理ROI，计算其RGB统计特征（均值、标准差等）。
浓度计算层（Scikit-learn / SciPy）：应用预定义的校准模型，将RGB值或其衍生特征转换为浓度值。
数据持久层（数据库）：存储用户上传的图片、分析结果和校准模型数据。

用户 -> [Web前端] -> [Python后端] -> [YOLO模型] -> [RGB提取] -> [浓度计算] -> [数据库]结果展示 <-        <-          <-          <-          <-

本文将深度聚焦于业务逻辑层、视觉处理层、颜色分析层和浓度计算层的核心实现，并提供关于其他层的实现思路。

第二部分：环境配置与依赖库

在开始编写代码之前，需要配置一个强大的Python环境。推荐使用conda或venv创建虚拟环境。

2.1 所需库及其作用

# 核心计算机视觉库
pip install opencv-python  # OpenCV核心库，用于图像处理
pip install opencv-python-headless  # 无GUI支持的OpenCV，适用于服务器部署
pip install ultralytics  # 一个非常流行且易用的YOLOv8封装库，强烈推荐# 科学计算与数据处理
pip install numpy  # 数组计算的核心库
pip install scipy  # 科学计算，用于曲线拟合和优化
pip install pandas  # 数据处理和分析
pip install scikit-learn  # 机器学习，用于建立回归模型# Web框架（可选，用于构建完整应用）
pip install flask  # 轻量级Web框架
pip install django  # 重量级全功能Web框架# 图像处理辅助
pip install pillow  # Python图像处理库（PIL的分支），常用于处理上传的图片
pip install matplotlib  # 绘图库，用于结果可视化和调试# 其他工具
pip install tqdm  # 进度条工具

2.2 安装说明

对于ultralytics库，它简化了YOLO模型的下载、训练和推理过程。如果您需要使用官方Darknet版本的YOLO，过程会更为复杂，需要从源码编译OpenCV和Darknet。本文以ultralytics (YOLOv8) 为例，因为它的易用性和高性能。

第三部分：YOLO模型准备与推理

3.1 模型选择与准备

YOLO模型需要先被训练来识别您的特定荧光容器（如96孔板、试管、检测线等）。

数据收集：收集数百张包含目标容器（如微孔板）的图片，在不同光照、角度下拍摄。
数据标注：使用标注工具（如LabelImg、CVAT、Roboflow）框出目标区域，并赋予标签（例如well）。
模型训练：
- 如果您使用ultralytics YOLOv8，训练命令非常简单：yolo detect train data=your_dataset.yaml model=yolov8n.pt epochs=100
- 训练完成后，会得到一个best.pt权重文件。
模型放置：将训练好的best.pt模型文件放在项目目录中，例如./models/fluorescence_detector.pt。

注意：如果您的项目只是一个demo或者没有条件进行训练，可以使用一个预训练的COCO模型，它可能能检测出一些通用的“瓶瓶罐罐”（如bottle, cup），但精度会远低于专用模型。本文假设您已有一个训练好的自定义模型。

3.2 实现YOLO推理与ROI提取

以下是使用ultralytics的YOLOv8进行推理和ROI提取的核心代码。

import cv2
import numpy as np
from ultralytics import YOLO
from PIL import Image
import ioclass FluorescenceDetector:def __init__(self, model_path):"""初始化荧光检测器:param model_path: 训练好的YOLO模型(.pt文件)路径"""# 加载训练好的YOLOv8模型self.model = YOLO(model_path)# 定义类别名称（应与训练时一致）self.class_names = ['well']  # 例如：['well', 'test_strip']print(f"模型从 {model_path} 加载成功。")def predict_and_crop(self, image_source, confidence_threshold=0.7):"""对输入图像进行预测，并返回裁剪出的目标区域(ROI):param image_source: 图像源，可以是文件路径、numpy数组或PIL图像:param confidence_threshold: 置信度阈值，高于此值才被认为是有效检测:return: list 返回一个列表，每个元素是一个字典，包含ROI图像和其边界框信息"""# 使用模型进行预测results = self.model(image_source, conf=confidence_threshold)detected_rois = []# 遍历每个预测结果（如果批量处理，results会有多个元素）for result in results:# 如果检测到了目标if result.boxes is not None and len(result.boxes) > 0:# 获取原始图像orig_img = result.orig_img# 获取边界框坐标、置信度和类别IDboxes = result.boxes.xyxy.cpu().numpy()  # 边界框 [x1, y1, x2, y2]confidences = result.boxes.conf.cpu().numpy()class_ids = result.boxes.cls.cpu().numpy().astype(int)for i, box in enumerate(boxes):confidence = confidences[i]class_id = class_ids[i]class_name = self.class_names[class_id]# 确保坐标是整数x1, y1, x2, y2 = map(int, box)# 从原图中裁剪出ROIroi = orig_img[y1:y2, x1:x2]# 将ROI信息添加到列表detected_rois.append({'roi_image': roi,'bbox': (x1, y1, x2, y2),'confidence': confidence,'class_name': class_name})print(f"检测到 {class_name}，置信度: {confidence:.2f}，位置: ({x1}, {y1}, {x2}, {y2})")else:print("未检测到任何目标。")# 在这里可以返回整个图像或None，或者抛出异常，取决于您的业务逻辑# 例如：detected_rois.append({'roi_image': orig_img, 'bbox': None, ...})return detected_rois# 示例用法
if __name__ == '__main__':# 初始化检测器detector = FluorescenceDetector('./models/fluorescence_detector.pt')# 从文件读取图像image_path = 'user_uploaded_image.jpg'# 进行预测和裁剪rois = detector.predict_and_crop(image_path)# 显示或保存裁剪出的ROIfor i, roi_info in enumerate(rois):roi_img = roi_info['roi_image']cv2.imwrite(f'roi_{i}.jpg', roi_img)# 或者用matplotlib显示# plt.imshow(cv2.cvtColor(roi_img, cv2.COLOR_BGR2RGB))# plt.show()

关键点说明：

YOLO(model_path)：ultralytics库使模型加载变得极其简单。
results = self.model(image_source)：执行推理。image_source可以是路径、numpy数组、PIL图像、URL等，非常灵活。
result.boxes：包含所有检测框的信息。
result.orig_img：获取原始的OpenCV格式（BGR）图像。
我们遍历每个检测到的框，提取其坐标，并从原图中裁剪出对应的区域（ROI）。

第四部分：RGB值提取与预处理

从YOLO提取的ROI可能仍然包含一些我们不想要的边缘区域。我们需要进一步处理ROI以获取最纯净的颜色代表。

4.1 ROI后处理与颜色提取策略

    def extract_dominant_rgb(self, roi_image, method='mean', mask_percentage=0.8):"""从ROI图像中提取主导RGB值:param roi_image: 裁剪出的ROI图像 (numpy数组, BGR格式):param method: 提取方法，可选 'mean'（平均值）, 'median'（中值）, 'max_area'（最大连通域）:param mask_percentage: 当method为‘max_area’时，用于创建中心掩码的百分比:return: 返回一个包含R, G, B值的元组 (R, G, B)"""# 确保图像是彩色图if len(roi_image.shape) == 3:# 将BGR转换为RGB（因为OpenCV是BGR，但通常我们思维是RGB）roi_rgb = cv2.cvtColor(roi_image, cv2.COLOR_BGR2RGB)else:raise ValueError("输入图像必须是彩色的。")if method == 'mean':# 计算整个ROI的平均RGB值r_mean = np.mean(roi_rgb[:, :, 0])g_mean = np.mean(roi_rgb[:, :, 1])b_mean = np.mean(roi_rgb[:, :, 2])return (r_mean, g_mean, b_mean)elif method == 'median':# 计算整个ROI的RGB中值，对异常值更鲁棒r_median = np.median(roi_rgb[:, :, 0])g_median = np.median(roi_rgb[:, :, 1])b_median = np.median(roi_rgb[:, :, 2])return (r_median, g_median, b_median)elif method == 'max_area':# 一种更高级的方法：聚焦于ROI的中心区域，避免边缘效应的干扰height, width = roi_rgb.shape[:2]# 创建一个中心区域的掩码mask = np.zeros((height, width), dtype=np.uint8)center_x, center_y = width // 2, height // 2# 计算中心矩形的尺寸（例如，ROI大小的80%）rect_width = int(width * mask_percentage)rect_height = int(height * mask_percentage)x1 = center_x - rect_width // 2y1 = center_y - rect_height // 2x2 = center_x + rect_width // 2y2 = center_y + rect_height // 2# 确保坐标不越界x1, y1 = max(0, x1), max(0, y1)x2, y2 = min(width, x2), min(height, y2)# 在掩码上绘制白色矩形cv2.rectangle(mask, (x1, y1), (x2, y2), 255, -1)# 使用掩码计算中心区域的平均RGBmean_val = cv2.mean(roi_rgb, mask=mask)# mean_val 返回的是 [R, G, B, A] 格式，A是alpha通道，这里没有所以是0return (mean_val[0], mean_val[1], mean_val[2])else:raise ValueError(f"不支持的提取方法: {method}。请使用 'mean', 'median', 或 'max_area'。")def calculate_rgb_ratios(self, rgb_tuple):"""计算常见的RGB比值:param rgb_tuple: 包含R, G, B值的元组:return: 字典，包含各种比值"""r, g, b = rgb_tupletotal = r + g + b# 避免除以零if total == 0:return {'r/g': 0, 'r/b': 0, 'g/b': 0, 'r_norm': 0, 'g_norm': 0, 'b_norm': 0}r_norm = r / totalg_norm = g / totalb_norm = b / totalratios = {'r/g': r / g if g != 0 else 0,'r/b': r / b if b != 0 else 0,'g/b': g / b if b != 0 else 0,'r_norm': r_norm,'g_norm': g_norm,'b_norm': b_norm,# 有时单一通道的强度或对数强度更有效'r_intensity': r,'g_intensity': g,'b_intensity': b,}return ratios

4.2 图像预处理以增强鲁棒性

用户上传的图像可能不理想。在提取RGB之前，可以进行一些预处理。

    def preprocess_image(self, image):"""对图像进行预处理以提高颜色提取的稳定性:param image: 输入图像 (BGR格式):return: 预处理后的图像"""# 1. 高斯模糊：减少噪声影响blurred = cv2.GaussianBlur(image, (5, 5), 0)# 2. 直方图均衡化（在HSV或LAB空间下效果更好）# 转换到LAB颜色空间lab = cv2.cvtColor(blurred, cv2.COLOR_BGR2LAB)l, a, b = cv2.split(lab)# 对L通道进行CLAHE均衡化clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))cl = clahe.apply(l)# 合并通道并转换回BGRlimg = cv2.merge((cl, a, b))processed = cv2.cvtColor(limg, cv2.COLOR_LAB2BGR)# 也可以尝试简单的Gamma校正来调整亮度# gamma = 1.5# inv_gamma = 1.0 / gamma# table = np.array([((i / 255.0) ** inv_gamma) * 255 for i in np.arange(0, 256)]).astype("uint8")# processed = cv2.LUT(processed, table)return processed# 在 predict_and_crop 方法中，可以在预测前先预处理整个原图
# orig_img = self.preprocess_image(orig_img)
# 或者在提取ROI的RGB值前预处理单个ROI
# processed_roi = self.preprocess_image(roi)
# rgb_values = self.extract_dominant_rgb(processed_roi, method='max_area')

关键点说明：

提取方法：mean简单快速，median抗噪声，max_area能有效排除容器边缘、反光等干扰，通常是最佳选择。
颜色空间：OpenCV默认使用BGR，但我们通常用RGB来思考，所以需要转换。
比值计算：归一化的RGB值（r_norm, g_norm, b_norm）或通道比值（r/g）通常比原始绝对值对光照变化更具鲁棒性，更适合作为浓度模型的输入特征。
预处理：CLAHE（对比度受限的自适应直方图均衡化）在LAB空间处理可以有效地改善光照不均问题，而不引入太多颜色失真。

第五部分：建立浓度校准模型

这是系统的核心“大脑”，它将RGB特征映射到浓度值。

5.1 模型选择与校准数据

浓度与颜色关系通常是非线性的。常见的模型有：

多项式回归：浓度 = a * (R/G) + b * (R/G)^2 + c
指数/对数模型：浓度 = a * exp(b * R_intensity) + c 或 浓度 = a * log(R_intensity) + b
S型函数（Sigmoid）：适用于有上下限的检测，如浓度 = L / (1 + exp(-k * (R_norm - x0)))
机器学习模型：对于非常复杂的关系，可以使用随机森林或梯度提升树（如XGBoost），它们能自动学习特征交互和非线性关系。

您需要先进行校准实验：

准备一系列已知浓度的标准样本。
在标准化的条件下（光照、相机参数、容器）拍摄它们的图片。
用上面的YOLO和RGB提取程序处理这些图片，为每个已知浓度样本得到一组RGB特征（例如 r_norm, g_norm, r/g）。
这样就得到了一个数据集：(浓度, 特征1, 特征2, ...)。

5.2 实现模型拟合与预测

假设我们使用多项式回归，并用scipy.optimize.curve_fit进行拟合。

import numpy as np
from scipy.optimize import curve_fit
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error, r2_score
import joblib  # 用于保存和加载模型class ConcentrationModel:def __init__(self):self.model_params = Noneself.model_type = None  # 'poly', 'exp', 'sigmoid', 'rf'self.feature_name = None  # 使用的特征，例如 'r_norm'def create_calibration_data(self):"""创建或加载校准数据。这里应该是从数据库或CSV文件读取的事先准备好的数据。返回格式: (concentrations, features)例如: concentrations = [0.1, 0.5, 1.0, 2.0, 5.0]features = [0.2, 0.35, 0.45, 0.6, 0.75] # 对应浓度的 r_norm 值"""# 这里用虚拟数据演示# 在实际应用中，这应该从文件或数据库读取self.known_concentrations = np.array([0.1, 0.2, 0.5, 1.0, 2.0, 5.0, 10.0])self.known_features = np.array([0.15, 0.25, 0.4, 0.5, 0.65, 0.8, 0.9]) # 假设是r_normreturn self.known_concentrations, self.known_featuresdef poly_model(self, x, a, b, c):"""二次多项式模型"""return a * x**2 + b * x + cdef exp_model(self, x, a, b, c):"""指数模型"""return a * np.exp(b * x) + cdef sigmoid_model(self, x, L, k, x0):"""S型函数模型"""return L / (1 + np.exp(-k * (x - x0)))def fit_polynomial(self, degree=2):"""使用多项式拟合校准数据"""conc, feat = self.create_calibration_data()# 使用numpy的polyfit进行多项式拟合self.model_params = np.polyfit(feat, conc, degree)self.model_type = 'poly'self.feature_name = 'r_norm'print(f"多项式拟合参数: {self.model_params}")# 计算R²p = np.poly1d(self.model_params)y_pred = p(feat)r2 = r2_score(conc, y_pred)print(f"多项式拟合 R² 分数: {r2:.4f}")return r2def fit_curve(self, model_func):"""使用scipy的curve_fit进行非线性曲线拟合"""conc, feat = self.create_calibration_data()try:params, _ = curve_fit(model_func, feat, conc, maxfev=5000)self.model_params = paramsprint(f"曲线拟合参数: {params}")# 计算R²y_pred = model_func(feat, *params)r2 = r2_score(conc, y_pred)print(f"曲线拟合 R² 分数: {r2:.4f}")return r2except RuntimeError as e:print(f"曲线拟合错误: {e}")return Nonedef fit_random_forest(self, feature_data, target_data):"""使用随机森林进行拟合:param feature_data: 二维数组，每行是一个样本的所有特征，例如 [[r_norm, g_norm, r/g], ...]:param target_data: 一维数组，浓度值"""# 划分训练集和测试集X_train, X_test, y_train, y_test = train_test_split(feature_data, target_data, test_size=0.2, random_state=42)self.model = RandomForestRegressor(n_estimators=100, random_state=42)self.model.fit(X_train, y_train)self.model_type = 'rf'# 评估模型y_pred = self.model.predict(X_test)mse = mean_squared_error(y_test, y_pred)r2 = r2_score(y_test, y_pred)print(f"随机森林 MSE: {mse:.4f}, R²: {r2:.4f}")# 特征重要性if hasattr(self.model, 'feature_importances_'):print("特征重要性:", dict(zip(['feat1', 'feat2', ...], self.model.feature_importances_)))return r2def predict_concentration(self, feature_value):"""根据拟合好的模型预测浓度:param feature_value: 输入的特征值。对于多项式/曲线是单个值，对于RF是特征列表:return: 预测的浓度值"""if self.model_type == 'poly':p = np.poly1d(self.model_params)return p(feature_value)elif self.model_type == 'exp':return self.exp_model(feature_value, *self.model_params)elif self.model_type == 'sigmoid':return self.sigmoid_model(feature_value, *self.model_params)elif self.model_type == 'rf':# 确保feature_value是二维数组return self.model.predict([feature_value])[0]else:raise ValueError("模型尚未训练或类型未知。")def plot_calibration_curve(self, save_path=None):"""绘制校准曲线，用于可视化验证"""conc, feat = self.create_calibration_data()plt.figure(figsize=(10, 6))plt.scatter(feat, conc, color='blue', label='校准数据点')# 生成平滑的曲线x_smooth = np.linspace(min(feat), max(feat), 300)if self.model_type:y_smooth = self.predict_concentration(x_smooth)plt.plot(x_smooth, y_smooth, color='red', label='拟合曲线')plt.xlabel('RGB特征 (e.g., R_normalized)')plt.ylabel('浓度')plt.title('浓度 vs. RGB特征 校准曲线')plt.legend()plt.grid(True)if save_path:plt.savefig(save_path)plt.show()def save_model(self, filepath):"""保存模型参数到文件"""model_data = {'model_type': self.model_type,'model_params': self.model_params,'feature_name': self.feature_name}joblib.dump(model_data, filepath)print(f"模型已保存至 {filepath}")def load_model(self, filepath):"""从文件加载模型参数"""model_data = joblib.load(filepath)self.model_type = model_data['model_type']self.model_params = model_data['model_params']self.feature_name = model_data['feature_name']print(f"模型已从 {filepath} 加载。")# 示例：如何使用
if __name__ == '__main__':cal_model = ConcentrationModel()# 方法1: 拟合一个二次多项式r2_poly = cal_model.fit_polynomial(degree=2)conc_pred = cal_model.predict_concentration(0.6)print(f"对于特征值0.6，预测浓度为: {conc_pred:.2f}")cal_model.plot_calibration_curve()cal_model.save_model('./models/poly_calibration_model.joblib')# 方法2: 拟合一个S型曲线# cal_model.model_type = 'sigmoid'# r2_sigmoid = cal_model.fit_curve(cal_model.sigmoid_model)# 方法3: 加载一个已有的模型# new_model = ConcentrationModel()# new_model.load_model('./models/poly_calibration_model.joblib')# result = new_model.predict_concentration(0.55)

关键点说明：

curve_fit：非常强大的函数，可以拟合任何您定义的数学模型。
模型评估：始终使用决定系数（R²） 和均方误差（MSE） 等指标来评估拟合优度。R²越接近1越好。
随机森林：能处理多个特征，并且不需要预先假设模型形式，但可解释性不如参数模型。
模型持久化：使用joblib保存训练好的模型参数，这样在部署时就不需要重新训练了。

第六部分：系统集成与完整工作流

现在我们将所有模块组合起来，形成一个完整的流程。

class FluorescenceAnalysisSystem:def __init__(self, yolo_model_path, calibration_model_path):self.detector = FluorescenceDetector(yolo_model_path)self.cal_model = ConcentrationModel()self.cal_model.load_model(calibration_model_path)def analyze_image(self, image_path):"""完整的分析流程1. 检测并裁剪ROI2. 提取RGB特征3. 预测浓度"""print(f"开始分析图像: {image_path}")# Step 1: YOLO检测与裁剪rois = self.detector.predict_and_crop(image_path)if not rois:return {"error": "未在图像中检测到目标区域"}results = []for i, roi_info in enumerate(rois):roi_img = roi_info['roi_image']# Step 2: 提取RGB特征# 可以选择预处理 roi_img = self.detector.preprocess_image(roi_img)rgb_values = self.detector.extract_dominant_rgb(roi_img, method='max_area')rgb_ratios = self.detector.calculate_rgb_ratios(rgb_values)# Step 3: 预测浓度# 假设我们的校准模型使用的是 'r_norm' 特征feature_for_prediction = rgb_ratios['r_norm']try:predicted_concentration = self.cal_model.predict_concentration(feature_for_prediction)except Exception as e:predicted_concentration = Noneprint(f"浓度预测失败: {e}")# 收集结果result = {'roi_id': i,'bbox': roi_info['bbox'],'confidence': roi_info['confidence'],'rgb_values': rgb_values,'rgb_ratios': rgb_ratios,'predicted_concentration': predicted_concentration}results.append(result)print(f"ROI {i} - RGB: {rgb_values}, R_normalized: {feature_for_prediction:.3f}, 预测浓度: {predicted_concentration}")return results# 示例：完整流程
if __name__ == '__main__':# 初始化整个系统system = FluorescenceAnalysisSystem(yolo_model_path='./models/fluorescence_detector.pt',calibration_model_path='./models/poly_calibration_model.joblib')# 分析用户上传的图像analysis_results = system.analyze_image('new_unknown_sample.jpg')# 打印结果for res in analysis_results:print(f"检测区域 {res['roi_id']} 的浓度为: {res['predicted_concentration']:.4f} units")

第七部分：扩展思路与优化方向

Web应用集成（Flask示例）：

from flask import Flask, request, jsonify, render_template
import os
from werkzeug.utils import secure_filenameapp = Flask(__name__)
app.config['UPLOAD_FOLDER'] = './uploads'
app.config['MAX_CONTENT_LENGTH'] = 16 * 1024 * 1024  # 16MB limit# 在应用启动时加载系统（重量级对象，只加载一次）
analysis_system = None
def get_analysis_system():global analysis_systemif analysis_system is None:analysis_system = FluorescenceAnalysisSystem('./models/fluorescence_detector.pt','./models/poly_calibration_model.joblib')return analysis_system@app.route('/')
def index():return render_template('upload.html')@app.route('/api/analyze', methods=['POST'])
def analyze_api():if 'file' not in request.files:return jsonify({'error': 'No file uploaded'}), 400file = request.files['file']if file.filename == '':return jsonify({'error': 'No selected file'}), 400if file:filename = secure_filename(file.filename)filepath = os.path.join(app.config['UPLOAD_FOLDER'], filename)file.save(filepath)system = get_analysis_system()results = system.analyze_image(filepath)# 清理上传的文件（可选）os.remove(filepath)return jsonify({'results': results})if __name__ == '__main__':os.makedirs(app.config['UPLOAD_FOLDER'], exist_ok=True)app.run(debug=True)

数据库集成：使用SQLite或PostgreSQL存储每次分析的结果、原始图像和提取的特征，用于后续模型重训练和优化。
高级特性：
- 多目标支持：同时处理图像中的多个孔或试管。
- 背景扣除：拍摄一张空白对照图片，从样本图片中减去背景颜色。
- 质量控制（QC）：检查提取的RGB值是否在合理的范围内，或者检测的置信度是否足够高，否则向用户发出警告。
- 不确定性估计：基于校准数据的拟合残差，为预测浓度提供一个置信区间。