IDNEO开发了用于解释血型结果的嵌入式计算机视觉和机器学习算法

MDmulticard上的红色条带有时会由于湿度、温度、病人的输血史、手工稀释血液样本或其他因素而变形或褪色。因此，IDNEO团队需要开发能够处理波段模式和形状显著变化的算法。在项目开始时，团队只能使用有限数量的卡片。他们需要一个支持快速迭代的工作流，这样当他们收到更多带有金宝app不同带模式和形状的卡片时，就可以轻松地改进算法。

Grifols和IDNEO希望尽快交付原型，以便临床工作人员在算法部署到生产硬件之前提供软件反馈。由于团队的工作时间很短，他们希望采用敏捷开发方法，使他们能够结合客户的输入，并对变化的需求快速做出反应。

IDNEO工程师在MATLAB中开发了图像处理、计算机视觉和机器学习算法，然后生成代码，用于制作使用嵌入式编码器的MDmulticard阅读器的Android实现^®．

核心图像分析算法，由MATLAB和image Processing Toolbox™开发，执行颜色均衡和白平衡，将图像转换到CIELUV颜色空间，计算颜色差异，然后在图像中指示波段模式的卡片上定位基准标记。IDNEO团队将波段分析添加到核心算法中，创建图像的二进制版本，然后应用形态学操作获得卡上每个波段的骨架图像。

接下来，他们用从骨骼图像中提取的特征来训练线性回归分类器。该分类器可检测出实带(分类为阳性)、无带(分类为阴性)和混合带(分类为可疑)，这可能发生在患者以前输血时。

在对Grifols提供的图像进行算法测试后，工程师使用MATLAB App Designer设计了一个用户界面。他们使用MATLAB Compiler™生成了一个独立的MATLAB应用程序，Grifols工程师和选定的医院工作人员可以在不安装MATLAB的情况下使用。

IDNEO团队使用Embedded Coder从核心图像分析算法生成了产品C代码。他们通过比较C代码与原始MATLAB算法产生的结果来测试C代码，使用MATLAB Profiler来测量代码覆盖率。

该团队将生成的代码集成到一个Android应用程序中，该应用程序为Grifols MDmulticard阅读器提供了一个触摸屏界面。

为了配合客户紧凑的日程安排，IDNEO团队在整个开发过程中使用了Scrum流程框架和持续集成。MATLAB支金宝app持这个工作流程，用Jenkins工作测试用嵌入式编码器生成的代码与卡的图像数据库。

一个经过充分验证的读卡器的预生产原型正在西班牙的多家医院进行可用性测试。同时，IDNEO工程师继续提高他们算法的准确性，使用统计学中的分类学习应用程序和机器学习工具箱™来评估支持向量机和其他机器学习模型。金宝app

• 超过了精度要求。Blanch说:“我们的客户要求在识别正波段和负波段时精度要超过90%。“我们在MATLAB中开发的算法在样本数据集中没有产生假阳性或假阴性，所以我们超过了这个要求。”
• 项目完成时间减半。布兰奇说:“MATLAB和嵌入式编码器使我们能够将完成项目所需的时间从24个月减少到12个月，而不需要为团队增加更多的工程师。”“这种方法使团队成员能够专注于他们的特定角色，使我们更有效率，同时减少了软件缺陷的数量。”
• 优化系统交付．Blanch说:“使用Embedded Coder为设备生成C代码使我们能够集中精力开发和优化算法。“因此，我们能够在有限的时间内交付更高质量的系统。”