近些年生物芯片检测技术已经被广泛用于众多领域,生物芯片的质量决定着检测结果的准确性。本文针对机械点样法生产制作生物芯片,结合图像相关技术对生物芯片点样过程涉及的问题进行检测方法的研究,对提高生产制作中的检测效率和精度,以及实现生产自动化具有重要意义。本文进行基于图像的生物芯片点样过程检测方法的研究,主要检测的内容包括以下三个方面:(1)生物芯片工件尺寸和位置偏移的检测,首先进行了图像采集装置的设计与搭建,并采用标准棋盘格法对相机进行标定,实现了实际物理尺寸与图像像素之间的转换。其次利用图像采集装置获取生物芯片工件图像,针对获取图像中芯片工件区域与背景区域灰度近似的问题,进行图像增强,提高目标与背景的对比度;针对传统微分边缘检测算子对噪声敏感的问题,提出主动活动轮廓模型(snake模型)提取工件边缘,该方法使用Canny边缘检测初始化轮廓模型,通过不断迭代使得曲线能量泛函极小化,从而求得目标边缘轮廓。最后利用最小二乘法拟合直线,得到直线参数,计算出工件尺寸以及偏移角度。(2)生物芯片点样点中心位置的检测,针对点样点目标较小且存在噪声的问题,提出基于亚像素级的边缘检测方法,首先使用灰度阈值分割法提取点样点区域,利用Canny边缘检测对点样点进行像素级边缘定位。随后对拟合法,插值法,矩方法的亚像素级边缘定位法进行研究与分析,利用灰度梯度方向二次曲线拟合法对点样点进行亚像素级边缘定位,针对定位后的边缘不连续的特征,通过一定规则对边缘进行圆弧的分割与合并,得到最贴合实际边缘的圆弧,最后利用最小二乘法对获取的圆弧进行圆拟合,求得点样点中心坐标。(3)生物芯片产品的分类,针对生物芯片产品质量检测问题,使用卷积神经网络的方法对点样点进行分类检测。以Faster R-CNN作为基础模型,根据生物芯片点样点的图像特征,对特征提取网络结构进行了改进,使用改进的VGG-16网络作为点样点特征的提取网络,同时针对点样点的形状特征重新设计了候选锚点框尺寸,使用改进的网络模型对生物芯片点样点进行分类检测。结果表明该方法的准确率可达97.33%,可以对生物芯片点样点进行有效的检测。