CN108830824A - 输液液面视觉检测报警系统及其检测方法 - Google Patents
输液液面视觉检测报警系统及其检测方法 Download PDFInfo
- Publication number
- CN108830824A CN108830824A CN201810335458.0A CN201810335458A CN108830824A CN 108830824 A CN108830824 A CN 108830824A CN 201810335458 A CN201810335458 A CN 201810335458A CN 108830824 A CN108830824 A CN 108830824A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- value
- component
- gray
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000007788 liquid Substances 0.000 title claims abstract description 81
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 230000001815 facial effect Effects 0.000 title claims abstract description 13
- 238000001802 infusion Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims description 15
- 239000000284 extract Substances 0.000 claims description 10
- 230000010412 perfusion Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000003628 erosive effect Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 5
- 230000010339 dilation Effects 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 241000238097 Callinectes sapidus Species 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000007797 corrosion Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 230000002159 abnormal effect Effects 0.000 abstract description 3
- 230000006855 networking Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 5
- 239000003205 fragrance Substances 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 239000003978 infusion fluid Substances 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 238000005286 illumination Methods 0.000 description 3
- 210000000746 body region Anatomy 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920000573 polyethylene Polymers 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
- A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
- A61M5/168—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body
- A61M5/16831—Monitoring, detecting, signalling or eliminating infusion flow anomalies
- A61M5/1684—Monitoring, detecting, signalling or eliminating infusion flow anomalies by detecting the amount of infusate remaining, e.g. signalling end of infusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Hematology (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Anesthesiology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Vascular Medicine (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Infusion, Injection, And Reservoir Apparatuses (AREA)
Abstract
本发明属于医疗设备技术领域,具体是一种输液液面视觉检测报警系统及其检测方法。包括视频采集卡、计算机、计算机显示屏、图像处理软件,以及声光电报警装置,视频采集卡安装在计算机的主机上并与摄像机连接,视频采集卡把视频图像传送给计算机,计算机显示屏显示视频图像,计算机与声光电报警装置连接。本发明采用的是视觉检测与分析技术,较已有的装置而言,具有稳定可靠,装置简单,组网灵活,便于管理等优势。摄像头对输液设备的实时监控,并通过图像处理对检测出的视频、图像模块进行具体分析,在输液装置出现异常时及时向医护人员报警。
Description
技术领域
本发明属于医疗设备技术领域,具体是一种输液液面视觉检测报警系统及其检测方法。
背景技术
在医疗科技发达的今天,一些病房中的配置跟不上医疗科技的发展。由于病人输液时医护人员看管不当致使液体将要滴尽时也未能及时发现需要更换液体,给病人和病人家属造成不必要的伤害。与此同时,随着各种疾病发病率的增加,医护人员的压力和责任也越来越大,本项发明正是基于此,通过视觉处理技术,在输液器中液体达到某一临界值时通过传输装置及时通知医务人员,从而避免造成不必要的损失。
南京军区杭州疗养院海勤疗区曾经尝试过在墨菲试管上加载传感器和电路设计的方式检测液面流速(肖征,刘劲松,王雷,张轶男,等,输液面速实时监控系统的设计与实现齐齐哈尔大学学报,2005,21,(6):55-57)其重点是区别于以往使用的电极法,侧重法等方式,利用红外线光传感器在墨菲试管处对液面进行检测,并计算出平均滴速。但如何使装置更为简便使用,测量结果更加准确他并没有进行改进。实验测量显示误差为2滴/分钟。实验采用分析与视频自动监控处理对比,说明液面滴落时需要更合适的光照,才可以使得液面图像更清晰的进入视野,在测试的试验中,分别在普通日照情景,日照情况有障碍物遮蔽情况,阴天情景,夜晚开灯与关灯情景下进行测量。其中部分光线较暗的情形得到的数据不准确,需要外加光源补充,日照情形下实验状况良好。该装置可以测量出输液容器的长宽高,以达到提前预计滴速和使用时间,用于统计各种装置下的情况。但在目前的研发过程中,针对不同形式的输液装置,很难找到一个具有公共特征的临界值点,从而为报警增加了难度。其次,由于液体流速的控制有很大一部分的人为因素干扰,对于测定透明液体液面也提出了挑战。
发明内容
本发明为了解决上述问题,提供一种输液液面视觉检测报警系统及其检测方法。
本发明采取以下技术方案:一种输液液面视觉检测报警系统,包括视频采集卡、计算机、计算机显示屏、图像处理软件,以及声光电报警装置,视频采集卡安装在计算机的主机上并与摄像机连接,视频采集卡把视频图像传送给计算机,计算机显示屏显示视频图像,计算机与声光电报警装置连接。
一种输液液面视觉检测报警系统的检测方法,包括以下步骤,
1)用摄像头正直对准一个正在进行输液的完整输液瓶,选取输液过程中间隔不小于5秒钟的两张图像;
2)提取彩色图像的红色分量R、绿色分量G和蓝色分量B,对 R、G、B 分量图像进行算术运算;
3)采用Otsu算法确定阈值,对算数运算后的图像进行二值化处理,寻找瓶体像素范围,获得二值化图像;
4)根据瓶体横向像素长度选择合适的阀值,对步骤3)得到的二值化图像进行图像切割,去除输液管部分,得到最终的瓶体像素范围;
5)在原图的R分量上保留该瓶体像素范围的R分量,其余范围数值清零;
6)对步骤5)得到的图像的像素数值采用kmeans聚类算法将其分为4类,选择数值最低的那一部分灰度数值的最大值作为二值化的阀值,得到液体像素数值的范围,进而提取液体部分;
7)提取液位图像的液位高度并计算。
所述的步骤2)采取以下方法:
201)算术运算:提取输液图像的红色分量R(x ,y)图像,绿色分量G(x ,y)图像,蓝色分量B(x,y)图像,对R,G,B分量图像按公式1进行算术运算,得到图像I(x,y);
I(x,y)=a*R(x,y)+b*G(x,y)+c*B(x,y) (1)
式中,a为红色分量系数,b为绿色分量系数,c为蓝色分量系数,取值分别为a=2,b=-0.6,c=-0.5;x=0,1,2,...,M-1,y=0,1 ,2,...,N-1,M为图像像素行数,N为图像像素列数,x和y分别代表输液瓶彩色图像的行和列。
202)二值处理:设图像中灰度为的像素数为,灰度范围为,则总的像素数为 (2)
各灰度值出现概率为
(3)
对于有
(4)
把图像中的像素用阀值T分成两类和,由灰度值在的像素组成,由灰度值在的像素组成,则区域和的概率分别为
(5)
(6)
区域和的平均灰度分别为
(7)
(8)
其中,是整幅图像的平均灰度;
(9)
两个区域的总方差为
(10)
式中,为区域的灰度均值,为整幅图像任一像素点位于区域的概率,为整幅图像的灰度均值,为区域的灰度均值,为整幅图像任一像素点位于区域的概率。
让在范围内依次取值,使最大的值便是最佳区域分割阀值。根据此阈值进行二值化,即可得到瓶体的图像。
203)膨胀运算:对上元素的集合和,使用对进行膨胀,记作,形式化的定义为:
(11)
设想有原本位于图像原点的结构元素,让在整个平面上移动,当其自身原点平移至点时能相对于其自身的映像和有公共的交集,即和至少有1个像素是重叠的,则所有这样的点构成的集合即为对的膨胀图像。
其中,S为上述二值化后得到的瓶体图像,为S和A所处的平面,即为整幅图像,z为平面上的一个点,S为用于膨胀的结构元素。
204)腐蚀运算:对上元素的集合和,使用对进行腐蚀,记作,形式化的定义为:
(12)
让原本位于图像原点的结构元素在整个平面上移动,如果当的原点平移至点时能够完全包含于中,则所有这样的点构成的集合即为对的腐蚀图像。其中,S为上述二值化后得到的瓶体图像,为S和A所处的平面(即为整幅图像),z为平面上的一个点,S为用于腐蚀的结构元素。
所述的步骤4)采取以下步骤,
401)选择阀值切割图像:为图像的像素长度,为像素坐标对应的数值,为在二值图像中像素坐标系中坐标为的那一列的数值和,为列数值和的平均值,为阀值系数,K值为瓶颈直径占瓶身最大直径的比例。
其中
(13)
(14)
若像素坐标系中某一坐标满足
(15)
则令
(16)
402)去除输液管和瓶盖的连通分量:表示的是连通分量的个数,为像素坐标为的图像对应的连通分量编号,为编号为的连通分量所包含的像素单元数,则可得到最大的连通分量编号,
(17)
通过以下条件去除瓶盖和输液管的连通分量:
(18)
连通保留最大的连通分量,去除其余连通分量后最终的瓶体提取图像.
403)确定瓶体的像素范围。
所述的步骤6)采取以下方法,
601)选取k个聚类中心点,分别为;
602)根据下面公式计算每一个样本的所属类别:
(19)
即样本到类别中心欧式距离最小的类别;
603)根据下面公式更新每一类的中心:
(20)
604)不断重复步骤603和604,直至畸变函数收敛, (21)
即所有样本到其类别中心的欧式距离平方和。
采用kmeans上述聚类算法将瓶体部分灰度数值分为4类,选择数值最低的那一部分灰度数值的最大值作为二值化的阀值,二值化后即可得到液体分量图像。
所述的步骤7)包括以下步骤,上述采用聚类算法确定阈值进行二值化得到了液体分量图,其上表面由于干扰的影响并不平整,因此需要对其高度进行修正。取液位分量每一列的像素长度为此列的液位高度,即可得到与列的个数相等的液位一组高度数值,选择液位高度数值最大数值的平均值作为液位的像素高度,即
n为液位高度数值最大50%部分的个数,为第i个液位高度的像素长度。
与现有技术相比,本发明采用的是视觉检测与分析技术,较已有的装置而言,具有稳定可靠,装置简单,组网灵活,便于管理等优势。摄像头对输液设备的实时监控,并通过图像处理对检测出的视频、图像模块进行具体分析,在输液装置出现异常时及时向医护人员报警。
附图说明
图1是本发明的装置结构示意图;
图2 是RGB色彩空间原图的灰度图;
图3是对R、G、B分量进行算数运算后的图像;
图4将输液图像进行二值化处理;
图5是对图像进行膨胀和腐蚀运算;
图6是阀值切割图像;
图7是去除瓶盖和输液管的连通分量,得到最终的瓶体提取图像;
图8是在R分量中提取瓶体区域图像;
图9是聚类算法确定阈值后的二值化图像;
图10是实施中液位百分值误差;
图中:1-输液瓶,2-墨菲试管,3-摄像机支架,4-旋钮,5-摄像机,6-视频采集卡,7-图像处理软件,8-输液瓶视觉图像,9-墨菲试管视觉图像,10-计算机显示屏,11-计算机,12-声光电报警装置。
具体实施方式
下面结合简图说明实施方案如图1所示,本发3明包括一种输液液面检测装置和一种智能图像分析与报警装置。
所述一种智能图像分析与报警装置,包括视频采集卡6、计算机11、计算机显示屏10、图像处理软件7,以及声光电报警装置12。视频采集卡6安装在计算机11的主机上,同时与摄像机5连接,视频图像通过视频采集卡6传送给安装在计算机11上的图像处理软件7,经处理分析显示在计算机显示屏10上。
安装在支架3上摄像机5实时监控视野中液瓶中的液面和墨菲试管,记录液面的液位高度。通过视频采集卡6将视频图像传送至计算机11,计算机图像处理软件7对视频进行分析,获得液面高度信息,液体出现异常情况的时候,根据软件智能处理算法分析自主判断是否需要报警通知医护人员,同时存储备份相关视频及分析数据信息。
下面仅对输液瓶液面检测进行具体说明,由于墨菲试管的形状较小,其检测尚在实验中。
本发明的输液液面检测方法的步骤如下:
1)用一台摄像头正直对准一个正在进行输液的完整输液瓶,选取输液过程中间隔8.384秒钟的两张图像(数据随机选取,以大于5秒的数据最优,否则由于晃动等干扰会对实验结果带来影响)。前一副图像液位高度的百分值为35.1064,后一副图像液位高度的百分值为34.9508 ;
2)提取输液图像的红色分量R(x ,y)图像,绿色分量G(x ,y)图像,蓝色分量B(x,y)图像,对R,G,B分量图像按公式1进行算术运算;
3)采用Otsu算法确定阈值,对算数运算后的图像进行二值化处理,寻找瓶体像素范围,获得二值化图像;
4)根据瓶体横向像素长度选择合适的阀值,对步骤3)得到的二值化图像进行图像切割,去除输液管部分,得到最终的瓶体像素范围;
5)在原图的R分量上保留该瓶体像素范围的R分量,其余范围数值清零;
6)对步骤5)得到的图像的像素数值采用kmeans聚类算法将其分为4类,选择数值最低的那一部分灰度数值的最大值作为二值化的阀值,得到液体像素数值的范围,进而提取液体部分;
7)提取液位图像的液位高度并计算。
对每幅输液液面图像进行液面提取的具体步骤是:提取输液图像的红色分量R(x,y)图像,绿色分量G(x ,y)图像,蓝色分量B(x,y)图像,对R,G,B分量图像按公式1进行算术运算;采用Otsu方法确定阀值对算数运算后的图像进行二值化处理,采用膨胀与腐蚀运算进行边缘平滑处理得到瓶体的像素高度。在分量中提取该范围的图像,通过几种阀值确定算法的比较,最终采用四分类的Kmeans聚类算法,结合连通分量得出液体的像素高度,最终得出液体高度占瓶体高度的百分值。
如图2-图8所示,对每幅液位图像进行背景分割与目标提取,按照如下步骤获得液位高度图像:
1)算术运算:提取输液图像的红色分量R(x ,y)图像,绿色分量G(x ,y)图像,蓝色分量B(x,y)图像,对R,G,B分量图像按公式1进行算术运算,得到图像I(x,y);
I(x,y)=a*R(x,y)+b*G(x,y)+c*B(x,y) (1)
式中,a为红色分量系数,b为绿色分量系数,c为蓝色分量系数,取值分别为a=2,b=-0.6,c=-0.5;x=0 ,1 ,2 ,...,M-1,y=0 ,1 ,2 ,...,N-1,M为图像像素行数,N为图像像素列数,x和y分别代表输液瓶彩色图像的行和列。
2)二值处理:设图像中灰度为的像素数为,灰度范围为,则总的像素数为 (2)
各灰度值出现概率为
(3)
对于有
(4)
把图像中的像素用阀值T分成两类和,由灰度值在的像素组成,由灰度值在的像素组成。则区域和的概率分别为
(5)
(6)
区域和的平均灰度分别为
(7)
(8)
其中,是整幅图像的平均灰度。
(9)
两个区域的总方差为
(10)
让在范围内依次取值,使最大的值便是最佳区域分割阀值。二值化处理后图像如图4。
3)膨胀运算:对上元素的集合和,使用对进行膨胀,记作,形式化的定义为
(11)
设想有原本位于图像原点的结构元素,让在整个平面上移动,当其自身原点平移至点时能相对于其自身的映像和有公共的交集,即和至少有1个像素是重叠的,则所有这样的点构成的集合即为对的膨胀图像。
4)腐蚀运算:对上元素的集合和,使用对进行腐蚀,记作,形式化的定义为
(12)
让原本位于图像原点的结构元素在整个平面上移动,如果当的原点平移至点时能够完全包含于中,则所有这样的点构成的集合即为对的腐蚀图像。膨胀和腐蚀运算后的图像如图5。
5)选择阀值切割图像:为图像的像素长度,这里;为像素坐标对应的数值,为在二值图像中像素坐标系中坐标为的那一列的数值和,为列数值和的平均值,为阀值系数, K值为瓶颈直径占瓶身最大直径的比例,这里取0.31。
其中
(13)
(14)
若像素坐标系中某一坐标满足
(15)
则令
(16)
完成分割后的图像如图6。
6)去除输液管和瓶盖的连通分量:表示的是连通分量的个数,为像素坐标为的图像对应的连通分量编号,为编号为的连通分量所包含的像素单元数,则可得到最大的连通分量编号
(17)
通过以下条件去除瓶盖和输液管的连通分量
(18)
连通保留最大的连通分量,去除其余连通分量后最终的瓶体提取图像如图7。
7)确定瓶体的像素范围:根据以上图像处理结果,得到瓶体在像素坐标系中的像素范围为,瓶体的像素高度为。
聚类算法确定液位高度:
a.选取k个聚类中心点,分别为;
b.根据下面公式计算每一个样本的所属类别:
(19)
即样本到类别中心欧式距离最小的类别;
c.根据下面公式更新每一类的中心:
(20)
d.不断重复步骤c和d,直至畸变函数收敛, (21)
即所有样本到其类别中心的欧式距离平方和。
选择分为4类的Kmeans聚类算法,选择数值最低的一部分灰度值的最大值作为二值化的阀值,能够得到准确的液体分量。图8为最终得到的液体分量的图像。
8)确定液体像素高度
光照的影响导致液位并不是水平的直线,为减小光照的影响,选择液位数值最大数值的平均值作为液位的像素坐标,即
n为液位高度数值最大部分的个数,为第i个液位高度的像素长度
输液瓶选用装有透明液体的普通聚乙烯输液瓶。
输液瓶垂直自由摆放,背景颜色为蓝色。
本发明的实施例:
选取输液过程中连续的12帧图像,分别对每张图像进行数据处理。
对每幅输液液位图像进行背景分割与目标提取,
如图2所示,RGB色彩空间原图;
如图3所示,对R、G、B分量进行算数运算后的图像;
如图4所示,将输液图像进行二值化处理;
如图5所示,对图像进行膨胀和腐蚀运算;
如图6所示,阀值切割图像;
如图7所示,去除瓶盖和输液管的连通分量,得到最终的瓶体提取图像;
如图8所示,在R分量中提取瓶体区域图像;
如图9所示,聚类算法确定阈值后的二值化图像;
如图10所示,实施中液位百分值误差;
我们选择分为四类的聚类算法确定阀值,确定液面的高度。通过计算我们得到12帧图片的液位u坐标,如表1:
表1 12帧图片液位u坐标
图像处理得到的u坐标与实际u坐标偏差的平均值为-2.4113,该误差是液面对光线的反射等原因所导致的,属于系统误差。
对图像处理得到的液位坐标进行修正,将初始坐标加上其偏差的平均值,将修正后的坐标作为最终的结果,如表2。
表2 修正后12帧图片液位u坐标(求解u坐标-2.4113)
对修正后的12组数据绘制液位百分比误差,如图9。通过对100种不同液面高度进行提取数据图像,在准确提取瓶体与液体分量后,液位检测的结果可以得到99.5%以上的精度。
上述具体实施方式用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (6)
1.一种输液液面视觉检测报警系统,其特征在于:包括视频采集卡(6)、计算机(11)、计算机显示屏(10)、图像处理软件(7),以及声光电报警装置(12),视频采集卡(6)安装在计算机(11)的主机上并与摄像机(5)连接,视频采集卡(6)把视频图像传送给计算机(11),计算机显示屏(10)显示视频图像,计算机(11)与声光电报警装置(12)连接。
2.一种如权利要求1所述的输液液面视觉检测报警系统的检测方法,其特征在于:包括以下步骤,
1)用摄像头正直对准一个正在进行输液的完整输液瓶,选取输液过程中间隔不小于5秒钟的两张图像;
2)提取彩色图像的红色分量R、绿色分量G和蓝色分量B,对 R、G、B 分量图像进行算术运算;
3)采用Otsu算法确定阈值,对算数运算后的图像进行二值化处理,寻找瓶体像素范围,获得二值化图像;
4)根据瓶体横向像素长度选择合适的阀值,对步骤3)得到的二值化图像进行图像切割,去除输液管部分,得到最终的瓶体像素范围;
5)在原图的R分量上保留该瓶体像素范围的R分量,其余范围数值清零;
6)对步骤5)得到的图像的像素数值采用kmeans聚类算法将其分为4类,选择数值最低的那一部分灰度数值的最大值作为二值化的阀值,得到液体像素数值的范围,进而提取液体部分;
7)提取液位图像的液位高度并计算。
3.根据权利要求2所述的输液液面视觉检测报警系统的检测方法,其特征在于:所述的步骤2)采取以下方法:
201)算术运算:提取输液图像的红色分量R(x ,y)图像,绿色分量G(x ,y)图像,蓝色分量B(x,y)图像,对R,G,B分量图像按公式1进行算术运算,得到图像I(x,y);
I(x,y)=a*R(x,y)+b*G(x,y)+c*B(x,y) (1)
式中,a为红色分量系数,b为绿色分量系数,c为蓝色分量系数,取值分别为a=2,b=-0.6,c=-0.5;x=0 ,1 ,2 ,...,M-1,y=0 ,1 ,2 ,...,N-1,M为图像像素行数,N为图像像素列数,x和y分别代表输液瓶彩色图像的行和列;
202)二值处理:设算术运算后图像中灰度为的像素数为,灰度范围为,则总的像素数为 (2)
各灰度值出现概率为
(3)
对于有
(4)
把图像中的像素用阀值T分成两类和,由灰度值在的像素组成,由灰度值在的像素组成,则区域和的概率分别为
(5)
(6)
区域和的平均灰度分别为
(7)
(8)
其中,是整幅图像的平均灰度;
(9)
两个区域的总方差为
(10)
式中,为区域的灰度均值,为整幅图像任一像素点位于区域的概率,为整幅图像的灰度均值,为区域的灰度均值,为整幅图像任一像素点位于区域的概率;
让在范围内依次取值,使最大的值便是最佳区域分割阀值,根据此阈值进行二值化,即可得到瓶体的图像;
203)膨胀运算:对上元素的集合和,使用对进行膨胀,记作,形式化的定义为
(11)
设想有原本位于图像原点的结构元素,让在整个平面上移动,当其自身原点平移至点时能相对于其自身的映像和有公共的交集,即和至少有1个像素是重叠的,则所有这样的点构成的集合即为对的膨胀图像;其中,S为上述二值化后得到的瓶体图像,为S和A所处的平面,即为整幅图像,z为平面上的一个点,S为用于膨胀的结构元素;
204)腐蚀运算:对上元素的集合和,使用对进行腐蚀,记作,形式化的定义为:
(12)
让原本位于图像原点的结构元素在整个平面上移动,如果当的原点平移至点时能够完全包含于中,则所有这样的点构成的集合即为对的腐蚀图像,其中,S为上述二值化后得到的瓶体图像,为S和A所处的平面,即为整幅图像,z为平面上的一个点,S为用于腐蚀的结构元素。
4.根据权利要求3所述的输液液面视觉检测报警系统的检测方法,其特征在于:所述的步骤4)采取以下步骤,
401)选择阀值切割图像:为图像的像素长度,为像素坐标对应的数值,为在二值图像中像素坐标系中坐标为的那一列的数值和,为列数值和的平均值,为阀值系数,K值为瓶颈直径占瓶身最大直径的比例,
其中
(13)
(14)
若像素坐标系中某一坐标满足
(15)
则令
(16)
402)去除输液管和瓶盖的连通分量:表示的是连通分量的个数,为像素坐标为的图像对应的连通分量编号,为编号为的连通分量所包含的像素单元数,则可得到最大的连通分量编号
(17)
通过以下条件去除瓶盖和输液管的连通分量:
(18)
连通保留最大的连通分量,去除其余连通分量后最终的瓶体提取图像;
403)确定瓶体的像素范围。
5.根据权利要求4所述的输液液面视觉检测报警系统的检测方法,其特征在于:所述的步骤6)采取以下方法,
601)选取k个聚类中心点,分别为;
602)根据下面公式计算每一个样本的所属类别:
(19)
即样本到类别中心欧式距离最小的类别;
603)根据下面公式更新每一类的中心:
(20)
604)不断重复步骤603和604,直至畸变函数收敛, (21)
即所有样本到其类别中心的欧式距离平方和,采用上述聚类算法将瓶体部分灰度数值分为4类,选择数值最低的那一部分灰度数值的最大值作为二值化的阀值,二值化后即可得到液体分量图像。
6.根据权利要求5所述的输液液面视觉检测报警系统的检测方法,其特征在于:所述的步骤7)包括以下步骤,取液位分量每一列的像素长度为此列的液位高度,即可得到与列的个数相等的液位一组高度数值,选择液位数值最大数值的平均值作为液位的像素坐标,即
n为液位高度数值最大50%部分的个数,为第i个液位高度的像素长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810335458.0A CN108830824A (zh) | 2018-04-16 | 2018-04-16 | 输液液面视觉检测报警系统及其检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810335458.0A CN108830824A (zh) | 2018-04-16 | 2018-04-16 | 输液液面视觉检测报警系统及其检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108830824A true CN108830824A (zh) | 2018-11-16 |
Family
ID=64154686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810335458.0A Pending CN108830824A (zh) | 2018-04-16 | 2018-04-16 | 输液液面视觉检测报警系统及其检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108830824A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110013574A (zh) * | 2019-05-10 | 2019-07-16 | 上海市东方医院(同济大学附属东方医院) | 引流液液量实时监测方法 |
CN110287926A (zh) * | 2019-06-27 | 2019-09-27 | 武汉轻工大学 | 输液监测报警方法、用户设备、存储介质及装置 |
CN110935079A (zh) * | 2019-11-27 | 2020-03-31 | 上海市普陀区长风街道长风社区卫生服务中心 | 基于图像识别具有场景识别功能的输液监控方法及系统 |
CN111089632A (zh) * | 2019-12-09 | 2020-05-01 | 中北大学 | 一种树脂溶液罐液位检测方法与装置 |
CN111214724A (zh) * | 2020-01-21 | 2020-06-02 | 济南大学 | 一种基于机器视觉的输液监测方法与系统 |
CN111353984A (zh) * | 2020-02-29 | 2020-06-30 | 杭州电子科技大学 | 一种自适应鲁棒的灰度图像中液位高精度检测方法 |
CN111389323A (zh) * | 2020-04-17 | 2020-07-10 | 中国计量大学上虞高等研究院有限公司 | 分区确认的机器视觉视镜分液识别控制装置和方法 |
CN111420177A (zh) * | 2020-04-26 | 2020-07-17 | 山东交通学院 | 一种静脉输液外渗检测报警系统及检测方法 |
CN111652842A (zh) * | 2020-04-26 | 2020-09-11 | 佛山读图科技有限公司 | 高速西林瓶轧盖生产线实时视觉检测方法及系统 |
CN111968086A (zh) * | 2020-08-13 | 2020-11-20 | 南通市海视光电有限公司 | 一种基于机器视觉的化工视镜分相检测方法 |
CN112915316A (zh) * | 2021-01-19 | 2021-06-08 | 上海市第十人民医院 | 一种输液控制系统 |
CN113781360A (zh) * | 2021-09-27 | 2021-12-10 | 朱明辉 | 基于人工智能的输液装置图像增强方法与系统 |
CN115330702A (zh) * | 2022-08-01 | 2022-11-11 | 无锡雪浪数制科技有限公司 | 一种基于深度视觉的饮料瓶灌装缺陷识别方法 |
CN115429972A (zh) * | 2022-10-06 | 2022-12-06 | 陈明宇 | 一种基于智能临床输液树的装置与方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101834981A (zh) * | 2010-05-04 | 2010-09-15 | 崔志明 | 基于在线聚类的视频背景提取方法 |
CN101858768A (zh) * | 2010-05-14 | 2010-10-13 | 山东大学 | 一种饮料灌装后液位检测装置及方法 |
EP2520909A1 (en) * | 2011-05-02 | 2012-11-07 | Honeywell-Enraf B.V. | Storage tank inspection system and method |
CN103196514A (zh) * | 2013-03-11 | 2013-07-10 | 浙江大学 | 一种基于图像的微化工过程液位检测方法 |
CN104689417A (zh) * | 2015-03-11 | 2015-06-10 | 西安电子科技大学 | 基于线阵ccd传感器的吊瓶液面自动检测方法 |
CN105761237A (zh) * | 2015-12-15 | 2016-07-13 | 江南大学 | 基于mean shift的芯片X光图像层次分割 |
CN106203475A (zh) * | 2016-06-28 | 2016-12-07 | 周晓鹏 | 基于srm超像素聚类的sar图像变化检测方法 |
CN107052320A (zh) * | 2017-04-12 | 2017-08-18 | 沈阳理工大学 | 基于图像检测的自动浇注系统及浇口杯液位识别方法 |
-
2018
- 2018-04-16 CN CN201810335458.0A patent/CN108830824A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101834981A (zh) * | 2010-05-04 | 2010-09-15 | 崔志明 | 基于在线聚类的视频背景提取方法 |
CN101858768A (zh) * | 2010-05-14 | 2010-10-13 | 山东大学 | 一种饮料灌装后液位检测装置及方法 |
EP2520909A1 (en) * | 2011-05-02 | 2012-11-07 | Honeywell-Enraf B.V. | Storage tank inspection system and method |
CN103196514A (zh) * | 2013-03-11 | 2013-07-10 | 浙江大学 | 一种基于图像的微化工过程液位检测方法 |
CN104689417A (zh) * | 2015-03-11 | 2015-06-10 | 西安电子科技大学 | 基于线阵ccd传感器的吊瓶液面自动检测方法 |
CN105761237A (zh) * | 2015-12-15 | 2016-07-13 | 江南大学 | 基于mean shift的芯片X光图像层次分割 |
CN106203475A (zh) * | 2016-06-28 | 2016-12-07 | 周晓鹏 | 基于srm超像素聚类的sar图像变化检测方法 |
CN107052320A (zh) * | 2017-04-12 | 2017-08-18 | 沈阳理工大学 | 基于图像检测的自动浇注系统及浇口杯液位识别方法 |
Non-Patent Citations (7)
Title |
---|
冯夫键等: ""基于视频处理的透明容器液面自动检测"", 《系统工程理论与应用2-贵州省系统工程学会第三届学术年会论文集》 * |
李于剑: ""Visual C++ 实践与提高-图形图像编程篇"", 《中国铁道出版社》 * |
李晓燕等: "《流体力学实验基础理论与应用》", 31 August 2017 * |
杨昆等: ""一种基于Sobel与K-means的边缘检测方法"", 《光电技术》 * |
梁志芳等: ""计算机在材料加工中的应用"", 《煤炭工业出版社》 * |
赵小川等: ""MATLAB数字图像处理-从仿真到C/C++代码的自动生成"", 《北京航空航天大学出版社》 * |
陈超: ""导盲机器人定位与路径规划技术"", 《国防工业出版社》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110013574A (zh) * | 2019-05-10 | 2019-07-16 | 上海市东方医院(同济大学附属东方医院) | 引流液液量实时监测方法 |
CN110287926A (zh) * | 2019-06-27 | 2019-09-27 | 武汉轻工大学 | 输液监测报警方法、用户设备、存储介质及装置 |
CN110287926B (zh) * | 2019-06-27 | 2021-06-01 | 武汉轻工大学 | 输液监测报警方法、用户设备、存储介质及装置 |
CN110935079A (zh) * | 2019-11-27 | 2020-03-31 | 上海市普陀区长风街道长风社区卫生服务中心 | 基于图像识别具有场景识别功能的输液监控方法及系统 |
CN111089632A (zh) * | 2019-12-09 | 2020-05-01 | 中北大学 | 一种树脂溶液罐液位检测方法与装置 |
CN111214724A (zh) * | 2020-01-21 | 2020-06-02 | 济南大学 | 一种基于机器视觉的输液监测方法与系统 |
CN111353984A (zh) * | 2020-02-29 | 2020-06-30 | 杭州电子科技大学 | 一种自适应鲁棒的灰度图像中液位高精度检测方法 |
CN111353984B (zh) * | 2020-02-29 | 2023-04-07 | 杭州电子科技大学 | 一种自适应鲁棒的灰度图像中液位高精度检测方法 |
CN111389323A (zh) * | 2020-04-17 | 2020-07-10 | 中国计量大学上虞高等研究院有限公司 | 分区确认的机器视觉视镜分液识别控制装置和方法 |
CN111389323B (zh) * | 2020-04-17 | 2023-09-08 | 中国计量大学上虞高等研究院有限公司 | 分区确认的机器视觉视镜分液识别控制装置和方法 |
CN111652842B (zh) * | 2020-04-26 | 2021-05-11 | 佛山读图科技有限公司 | 高速西林瓶轧盖生产线实时视觉检测方法及系统 |
CN111652842A (zh) * | 2020-04-26 | 2020-09-11 | 佛山读图科技有限公司 | 高速西林瓶轧盖生产线实时视觉检测方法及系统 |
CN111420177A (zh) * | 2020-04-26 | 2020-07-17 | 山东交通学院 | 一种静脉输液外渗检测报警系统及检测方法 |
CN111968086A (zh) * | 2020-08-13 | 2020-11-20 | 南通市海视光电有限公司 | 一种基于机器视觉的化工视镜分相检测方法 |
CN111968086B (zh) * | 2020-08-13 | 2024-04-16 | 南通市海视光电有限公司 | 一种基于机器视觉的化工视镜分相检测方法 |
CN112915316A (zh) * | 2021-01-19 | 2021-06-08 | 上海市第十人民医院 | 一种输液控制系统 |
CN113781360A (zh) * | 2021-09-27 | 2021-12-10 | 朱明辉 | 基于人工智能的输液装置图像增强方法与系统 |
CN113781360B (zh) * | 2021-09-27 | 2023-10-20 | 牟宗勇 | 基于人工智能的输液装置图像增强方法与系统 |
CN115330702A (zh) * | 2022-08-01 | 2022-11-11 | 无锡雪浪数制科技有限公司 | 一种基于深度视觉的饮料瓶灌装缺陷识别方法 |
CN115429972A (zh) * | 2022-10-06 | 2022-12-06 | 陈明宇 | 一种基于智能临床输液树的装置与方法 |
CN115429972B (zh) * | 2022-10-06 | 2024-05-24 | 陈明宇 | 一种基于智能临床输液树的装置与方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830824A (zh) | 输液液面视觉检测报警系统及其检测方法 | |
CN104737202B (zh) | 火灾检测方法和装置 | |
CN108846365B (zh) | 视频中打架行为的检测方法、装置、存储介质及处理器 | |
CN106412573B (zh) | 一种检测镜头污点的方法和装置 | |
CN103093198B (zh) | 一种人群密度监测方法及装置 | |
CN107367310A (zh) | 一种基于计算机视觉的河流水位远程监测方法 | |
CN107274432B (zh) | 一种智能视频监控方法 | |
CN104240264B (zh) | 一种运动物体的高度检测方法和装置 | |
CN106210634A (zh) | 一种智慧金睛识别人员倒地报警方法和装置 | |
CN107295230A (zh) | 一种基于红外热像仪的微型目标物移动侦测装置及方法 | |
CN106910204A (zh) | 一种对海面船只自动跟踪识别的方法和系统 | |
CN110889328A (zh) | 检测道路交通状况的方法、装置、电子设备和存储介质 | |
CN104954747A (zh) | 视频监视方法和装置 | |
CN106023199B (zh) | 一种基于图像分析技术的烟气黑度智能检测方法 | |
CN111898444A (zh) | 一种基于图像识别的飞机起落架状态判定方法 | |
CN113688817A (zh) | 一种自动巡检的仪表识别方法及识别系统 | |
KR101874968B1 (ko) | 이미지 정보 기반의 시정거리 측정 시스템 및 이를 이용한 시정거리 측정 방법 | |
CN115311623A (zh) | 一种基于红外热成像的设备漏油检测方法及系统 | |
CN116030500B (zh) | 一种人员着装规范识别方法及系统 | |
CN115077722B (zh) | 一种应用于高压柜的局放和温度综合监测系统及方法 | |
CN113470015B (zh) | 一种基于图像处理的水体晃动检测分析方法及系统 | |
CN115719464A (zh) | 一种基于机器视觉的水表耐久性装置漏水监测方法 | |
CN113916899B (zh) | 基于视觉识别的大输液软袋产品的检测方法、系统及装置 | |
CN116229502A (zh) | 基于图像的摔倒行为识别方法及设备 | |
CN112784914B (zh) | 一种基于云端处理的管廊视频智能属性检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181116 |