CN109480775A - 一种基于人工智能的新生儿黄疸识别装置、设备、系统 - Google Patents

Abstract

本发明公开了一种基于人工智能的新生儿黄疸识别装置、设备、系统，该装置通过收集大量的历史新生儿黄疸图像并对这些图像进行特征提取从而得到训练样本，将这些训练样本输入到细粒度分类模型中进行训练得到新生儿黄疸识别模型。最后，通过摄像头拍摄当前新生儿黄疸图像，按照上述的特征提取方法提取到该图像的目标特征，然后将目标特征带入到训练好的新生儿黄疸识别模型中从而得到了该图像对应的黄疸等级。由此可见，采用本装置可以实现对新生儿黄疸的识别，避免用户往返医院，降低了各项费用，同时其效率也较高。由于人工智能识别新生儿黄疸的设备与上述装置相对应，因此同样具有上述效果。

Description

一种基于人工智能的新生儿黄疸识别装置、设备、系统

技术领域

本发明属于人工智能识别技术领域，尤其涉及一种基于人工智能的新生儿黄疸识别装置。

背景技术

新生儿，是指胎儿娩出母体并自脐带结扎起，至出生后满28天这一段时间的婴儿。由于多种原因，如新生儿胆红素生成较多，运转胆红素的能力不足，肝功能发育未完善，肠肝循环的特性等，在出生后的2～3天内约50％-60％的足月儿和大于80％的早产儿出现黄疸。轻微黄疸对大部分新生儿没有什么伤害，这是正常发育过程中出现的症状，不需要特殊治疗。但严重的和一些高危因素存在的黄疸就可能对新生儿产生危害，最严重的就是胆红素入脑造成的神经损伤——胆红素脑病，引起死亡或严重后遗症。现有技术中，只有医生可以诊断出新生儿是否是出现黄疸，以及是否需要治疗，而家长只能通过经验以及新生儿的不适反应怀疑新生儿出现黄疸，正因为如此，家长在无法确定是否是黄疸，以及是否会影响新生儿身体健康的情况下，需要频繁的往返医院。事实上，并不是所有入院的新生儿都需要进行相关治疗，这就造成了家长不必要的担忧以及各项费用的增加，并且这样的效率也非常低。由此可见，如何提高新生儿黄疸的识别效率是本领域技术人员亟待解决的问题。

发明内容

为了解决现有技术中的上述问题，本发明提出了一种基于人工智能的新生儿黄疸识别装置，所述装置包括：

收集单元10，用于收集历史新生儿黄疸图像；

提取单元11，用于根据影响黄疸的参数对历史新生儿黄疸图像进行特征提取；

训练单元12，用于将提取到的特征作为训练样本代入到分类模型中进行训练以得到新生儿黄疸识别模型；具体为：将从历史新生儿黄疸图像中提取的特征及其对应的等级代入分类模型中进行训练以得到新生儿黄疸识别模型；

获取初始识别模型作为分类模型；所述初始识别模型从标准服务器获取；当前用户基于自身的新生儿特点从标准服务器中获取和所述新生儿特点相符合的新生儿黄疸识别模型作为初始识别模型；

获取单元13，用于获取摄像头拍摄的当前新生儿黄疸图像并提取当前新生儿黄疸图像的目标特征，并将目标特征带入到新生儿黄疸识别模型中以得到黄疸等级。

进一步的，在获取摄像头拍摄的当前新生儿黄疸图像时，在患儿面部旁边摆放标准物品同时进行拍摄，在当前新生儿黄疸图像中同时包含患儿面部和标准物品；对所述新生儿黄疸图像进行整体的一致性调色以使得标准物品的颜色符合标准物品调色标准，将经过调色的新生儿黄疸图像作为待进行目标特征提取的当前新生儿黄疸图像。

进一步的，所述整体的一致性调色，具体为：对图像中的每个像素进行相同的调整。

进一步的，使得标准物品的颜色符合标准物品调色标准，具体为：标准物品所包含的所有像素的RGB三个方向的平均值和标准物品调色标准的RGB值之间的差值在第一差值范围内。

进一步的，在各个家庭使用所述基于人工智能识别新生儿黄疸的装置的过程中，均采用相同的标准物品；历史新生儿黄疸图像也均基于相同的标准物品进行过调色；通过这样的方式，使得所有图像都进行了一致性调色，从而使得黄疸这种和颜色密切相关的图像有了可以自行诊断的基础。

进一步的，通过多次拍摄以获取多张当前新生儿黄疸图像，获取和所述多个当前新生儿黄疸图像分别对应的多个等级，从所述多个等级中选择一个等级作为患儿的黄疸等级。

进一步的，所述装置还包括：筛选单元20，用于对历史新生儿黄疸图像进行筛选以剔除不满足筛选条件的图像，并对保留的图像进行人工标注以满足准确率要求；所述筛选条件包括图像条件和目标条件；具体的：基于图像条件和目标条件进行筛选，并剔除不满足图像条件和目标条件的图像；

修正单元21，用于利用当前新生儿黄疸图像和黄疸等级对新生儿黄疸识别模型进行模型修正。具体的：将当前新生儿在黄疸期间的多个当前新生儿黄疸图像及其对应的等级代入新生儿黄疸识别模型以进行模型修正；

输出单元22，用于根据黄疸等级输出对应的诊断报告；所述诊断报告中包含黄疸等级和相应的治疗建议；

匹配单元23，用于在黄疸等级高于预设等级时，给出治疗建议为入院治疗的同时，匹配到当前位置与各医院的路线图。

本发明还提出了一种基于人工智能的新生儿黄疸识别装置的系统，所述系统包括上述的基于人工智能的新生儿黄疸识别装置，标准服务器和智能终端；

其中：用户通过智能终端拍摄新生儿面部以获得当前新生儿黄疸图像，并将所述新生儿黄疸图像发送到基于人工智能的新生儿黄疸识别装置中，所述新生儿黄疸识别装置对所述当前新生儿黄疸图像进行特征提取以得到目标特征，并将所述目标特征代入位于新生儿黄疸识别装置的新生儿黄疸识别模型中，以获取和所述当前新生儿黄疸图像对应的等级；并将所述等级发送给智能终端。

进一步的，所述基于人工智能的新生儿黄疸识别装置位于远端，并和智能终端通过网络连接。

本发明还提出了一种人工智能识别新生儿黄疸的系统，包括用于拍摄图像的摄像头以及存储器和处理器；

所述处理器用于获取所述摄像头拍摄的当前新生儿黄疸图像以提取所述当前新生儿黄疸图像的目标特征，并将所述目标特征带入到所述新生儿黄疸识别模型中以得到黄疸等级。

本发明所提供的基于人工智能的新生儿黄疸识别装置，通过收集大量的历史新生儿黄疸图像并对这些图像进行特征提取从而得到训练样本，将这些训练样本输入到细粒度分类模型中进行训练得到新生儿黄疸识别模型。最后，通过摄像头拍摄当前新生儿黄疸图像，按照上述的特征提取方法提取到该图像的目标特征，然后将目标特征带入到训练好的新生儿黄疸识别模型中从而得到了该图像对应的黄疸等级。由此可见，采用本装置可以实现对新生儿黄疸的识别，避免用户往返医院，降低了各项费用，同时其效率也较高；

本发明通过标准物品的方式简单的的实现了系统内所有黄疸图像的一致性；本发明还能够简单的通过图像拍摄的方式进行报告的给出以及路线的制定；

本发明能够进行多个阶段的模型修正，通过权重，本地的，患儿特点出发等多种方式，提高了识别的准确度和识别效率。

附图说明

为了更清楚地说明本发明实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于人工智能的新生儿黄疸识别装置的结构图；

图2为本发明实施例提供的另一种基于人工智能的新生儿黄疸识别装置的结构图。

具体实施方式

下面将结合附图以及具体实施例来详细说明本发明，其中的示意性实施例以及说明仅用来解释本发明，但并不作为对本发明的限定。

本发明的核心是提供一种基于人工智能的新生儿黄疸识别装置及设备，用于提高新生儿黄疸的识别效率。

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。

图1为本发明实施例提供的一种基于人工智能的新生儿黄疸识别装置的结构图。如图1所示，该装置包括：

收集单元10，用于收集历史新生儿黄疸图像。

优选的：将所述收集得到历史新生儿黄疸图像保存到图像数据库中；

优选的：所述历史新生儿黄疸图像来自于标准服务器，所述标准服务器定期的获取新生儿黄疸图像，并将所述新生儿黄疸图像和黄疸等级关联存储；当所述黄疸等级为默认值时，表明所述新生儿黄疸图像中并没有黄疸症状；例如：所述默认值为0或-1；相应的，当等级为1-N时，表示所述新生儿黄疸图像的黄疸等级；

优选的：所述标准服务器和医疗机构、其它基于人工智能识别新生儿黄疸装置之间网络连接，并定期的从所述医疗机构和其它基于人工智能识别新生儿黄疸装置获取新生儿黄疸图像及其等级；

提取单元11，用于根据影响黄疸的参数对历史新生儿黄疸图像进行特征提取。通常情况下历史新生儿黄疸图像包括整个新生儿面部的全部特征，而对于识别是否出现黄疸来说，并不需要关心全部的参数，因此，需要对每幅图像进行特征提取，所述提取的特征包括与黄疸关系较为密切的特征，例如：图像中人物的精神状态(表情)、皮肤黄染的部位及其范围大小、巩膜的色泽等。

训练单元12，用于将提取到的特征作为训练样本代入到分类模型中进行训练以得到新生儿黄疸识别模型；

优选的：所述分类模型是细粒度分类模型；

优选的：获取初始识别模型作为分类模型；所述初始识别模型从标准服务器获取；当前用户基于自身的新生儿特点从标准服务器中获取和所述新生儿特点相符合的新生儿黄疸识别模型作为初始识别模型；

由于初始识别模型往往是经过其他新生儿特点经过多次训练得到的，需要通过历史图像对所述初始识别模型进行再次训练以使得所述初始识别模型具有一定的广泛性从而又具备所述当前新生儿特点；这样后续得到的等级不会出现过于偏颇的情况，容易调整到和当前儿童黄疸情况相符的模态；

优选的：在用户使用所述装置进行识别的过程中，定期的从标准服务器获取优质的新生儿黄疸图像及其等级，进行所述新生儿黄疸识别模型的定期再训练；所述优质的新生儿黄疸图像及其等级为从权重较高的新生儿黄疸图像及其等级；例如：来自权威机构的图像及其等级；这样随着装置的使用，能够持续的进行模型的训练，给出越来越准确的识别结果；

为了能够得到更准确的新生儿黄疸识别模型，需要尽可能多的训练样本，因此，对于收集单元11中的历史新生儿黄疸图像的数量就要求尽可能多。

优选的：将从历史新生儿黄疸图像中提取的特征及其对应的等级代入分类模型中进行训练以得到新生儿黄疸识别模型；由于每个历史新生儿黄疸图像对应有其自身的黄疸等级，因此，每个历史新生儿黄疸图像包含的特征也就对应有一个黄疸等级，相当于是细粒度分类模型的输出，这样经过大量的样本训练就得到了新生儿黄疸识别模型。

获取单元13，用于获取摄像头拍摄的当前新生儿黄疸图像并提取当前新生儿黄疸图像的目标特征，并将目标特征带入到新生儿黄疸识别模型中以得到黄疸等级。

在具体实施中，当得到新生儿黄疸识别模型后，就可以通过摄像头拍摄新生儿的面部图像，如果该新生儿出现黄疸，则其面部图像就会包含有目标特征，将该目标特征带入到新生儿黄疸识别模型后就可以得到该图像对应的黄疸等级。需要说明的是，获取单元13中的提取当前新生儿黄疸图像的目标特征与提取单元11的提取方法是相同的，此处不再赘述。

优选的：在获取摄像头拍摄的当前新生儿黄疸图像时，在患儿面部旁边摆放标准物品同时进行拍摄，在当前新生儿黄疸图像中同时包含患儿面部和标准物品；对所述新生儿黄疸图像进行整体的一致性调色以使得标准物品的颜色符合标准物品调色标准，将经过调色的新生儿黄疸图像作为待进行目标特征提取的当前新生儿黄疸图像；

优选的：所述整体的一致性调色，具体为：对图像中的每个像素进行相同的调整；

优选的：使得标准物品的颜色符合标准物品调色标准，具体为：标准物品所包含的所有像素的RGB三个方向的平均值和标准物品调色标准的RGB值之间的差值在第一差值范围内；所述第一差值为预设值，用户能够根据自身的拍摄能力进行调整；初始值为装置设置；

优选的：当通过调色无法满足调色标准时，提醒用户重新进行拍摄以重新获取当前新生儿黄疸图像；

优选的：所述标准物品为家庭中的常见量产物品，所述量产物品的颜色一致均匀；例如：特定品牌和款式的手机背面等；

优选的：在各个家庭使用所述基于人工智能识别新生儿黄疸的装置的过程中，均采用相同的标准物品；历史新生儿黄疸图像也均基于相同的标准物品进行过调色；通过这样的方式，使得所有图像都进行了一致性调色，从而使得黄疸这种和颜色密切相关的图像有了可以自行诊断的基础；

优选的：当前智能手机均可以实现摄像，因此，将所述基于人工智能识别新生儿黄疸的装置设置于智能手机中，通过摄像头获取当前新生儿黄疸图像，并将所述图像发送到训练单元12中的模型中以获取等级；

优选的：通过在手机上安装相关的APP(包含有获取单元的功能，其中可以是手机存储有新生儿黄疸识别模型或者是可以调用远端标准服务器存储的新生儿黄疸识别模型)。用户怀疑新生儿出现黄疸后，可以启动APP，先是APP打开摄像头，用户对准新生儿的面部以获取图像，然后获取单元13执行对应的功能即可；

优选的：通过多次拍摄以获取多张当前新生儿黄疸图像，获取和所述多个当前新生儿黄疸图像分别对应的多个等级，从所述多个等级中选择一个等级作为患儿的黄疸等级；

所述从所述多个等级中选择一个等级，具体为：将图像中包含的黄疸面积最大的当前新生儿黄疸图像对应的等级作为所选择的等级；

所述从所述多个等级中选择一个等级，具体为：将当前新生儿黄疸图像中包含的标准物品的颜色最符合标准物品调色标准的当前新生儿黄疸图像对应的等级作为所选择的等级；考虑到图像的像素，光照、拍摄角度、手机抖动等因素的影响，用户应该多拍摄几张图像从而得到多个黄疸等级，通过比较得到的黄疸等级的差别确定拍摄的图像是否符合要求，这样能够提高识别的准确性。

另外，在细粒度的分类领域，通过大量的样本学习，模型会自己注意到一些比较有意义的特征与纹理。利用Fully Convolutional Attention Localization Networks方法可以解决细粒度识别领域中，区分类别之间细微差异的问题，提高模型识别的准确性。

作为优选地实施方式，提取单元11具体采用深度学习模型进行特征提取。

深度学习源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分，不同的学习框架下建立的学习模型很是不同。例如，卷积神经网络就是一种深度的监督学习下的机器学习模型，而深度置信网就是一种无监督学习下的机器学习模型。作为优选地实施方式，深度学习模型具体为深度卷积神经网络。相对于人工提取特征而言，深度卷积神经网络具有更强大的描述能力，将深度卷积神经网络提取的特征运用到细粒度分类模型中，能够得到更准确的结果。

本实施例提供的基于人工智能的新生儿黄疸识别装置，通过收集大量的历史新生儿黄疸图像并对这些图像进行特征提取从而得到训练样本，将这些训练样本输入到细粒度分类模型中进行训练得到新生儿黄疸识别模型。最后，通过摄像头拍摄当前新生儿黄疸图像，按照上述的特征提取方法提取到该图像的目标特征，然后将目标特征带入到训练好的新生儿黄疸识别模型中从而得到了该图像对应的黄疸等级。由此可见，采用本装置可以实现对新生儿黄疸的识别，避免用户往返医院，降低了各项费用，同时其效率也较高。

图2为本发明实施例提供的另一种基于人工智能的新生儿黄疸识别装置的结构图。如图2所示，作为优选地实施方式，还包括：

筛选单元20，用于对历史新生儿黄疸图像进行筛选以剔除不满足筛选条件的图像，并对保留的图像进行人工标注以满足准确率要求；其中，提取单元11中的历史新生儿黄疸图像为经过筛选单元筛选后得到的图像。

优选的：所述筛选条件包括图像条件和目标条件；具体的：基于图像条件和目标条件进行筛选，并剔除不满足图像条件和目标条件的图像；

优选的：所述图像条件包括像素阈值需要满足像素阈值；通过像素阈值剔除不清晰的图像以提高识别的准确度；

所述目标条件为根据患儿基本信息设置；例如：肤色限制、出生是否足月的限制等；通过目标条件筛选掉和所述当前患儿的肤色和足月情况不同的历史新生儿黄疸图像；通过这样的方式，为不同的患儿定制化的生成和训练不同的模型，从而大大的提高了识别的准确率；

需要说明的是，本实施例中收集单元10是不变的，在收集单元10收集到历史新生儿黄疸图像后，筛选单元20对这些图像进行预处理，所谓的预处理就是剔除一些不符合要求的图像，例如剔除像素较低的图像，并且保留的图像的准确率需要在95％以上。可以理解的是，由于筛选单元20对全部的图像进行了筛选，因此，在本实施例中，提取单元11中的历史新生儿黄疸图像就是筛选单元20得到的图像。例如，收集单元10中的包括10000幅历史新生儿黄疸图像，经过筛选单元20筛选后剩余9000幅，则提取单元11中就是对这剩余的9000幅图像进行特征提取。通过这样的筛选也大大的提高了识别的效率；减少了模型训练的复杂度；

在上述实施例的基础上，本发明还提供另一种实施例，基于人工智能的新生儿黄疸识别装置还包括：

修正单元21，用于利用当前新生儿黄疸图像和黄疸等级对新生儿黄疸识别模型进行模型修正。具体的：将当前新生儿在黄疸期间的多个当前新生儿黄疸图像及其对应的等级代入新生儿黄疸识别模型以进行模型修正；

还包括：将经过修正的新生儿黄疸模型及其对应的新生儿特点发送到标准服务器中；其它用户能够根据自身的新生儿特点从所述标准服务器中获取和自身的新生儿特点相符的经修正的新生儿黄疸模型作为初始识别模型；通过这样的方式，大大的提高了本地识别的效率；

优选的：所述新生儿特点从新生儿基本信息中提取；例如；肤色、重量；

优选的：将当前新生儿黄疸图像及其对应的等级以高权重代入新生儿黄疸识别模型以进行模型修正；其中：经过医生鉴别的黄疸等级的权重高于所述其它等级；

由于训练单元12得到的模型仅仅是通过大量的历史新生儿图像得到的，并不是一个准确无误的模型，因此，需要对模型进行不断地修正，具体修正方法就是使用数据回流来不断提高模型的准确率。随着用户不断使用APP，则留下了大量、真实的黄疸图像，利用这些图像和对应的黄疸结果，对模型进行修正，形成一个良性循坏。

作为优选地实施方式，还包括：

输出单元22，用于根据黄疸等级输出对应的诊断报告；所述诊断报告中包含黄疸等级和相应的治疗建议；所述治疗建议包括入院治疗和自行治疗措施；并非所有的黄疸都需要入院治疗，比如说黄疸等级较低，但是如果黄疸等级较高，则需要入院治疗，因此，本实施例中给出当前黄疸等级对应的诊断报告，用户可以根据该报告选择相应的措施。具体的，诊断报告具体包括：症状体征参数、治疗方法、饮食相关数据、预防护理方法、病理病因和并发症。需要说明的是，诊断报告除了上述提到的内容外，还可以包括其他内容，本发明不作限定。

在另一实施例中，还包括：

匹配单元23，用于在黄疸等级高于预设等级时，给出治疗建议为入院治疗的同时，匹配到当前位置与各医院的路线图；具体的：匹配单元通过获取收集上的定位权限和地图APP的使用权限，基于当前位置和地图APP查找当前位置与周围各医院的路线图，获取所述线路图，并将所述线路图在诊断报告的页面上方呈现；

优选的：将诊断报告以半透明的形式呈现在线路图下方；并将最优线路以明显的方式呈现；

优选的：所述最优线路为综合医院对黄疸的治疗能力和距离所选择的线路；

如上述实施例所述的基于人工智能的新生儿黄疸识别装置可以以APP的形式应用在手机上，而手机上又具有定位的功能，且安装有地图APP，因此，当确定出黄疸等级高于预设等级时，表明当前新生儿的黄疸比较严重，需要入院治疗，则查找当前位置与周围各医院的路线图。需要说明的是，这里可以根据距离给出满足一定距离范围内的医院的路线图，或者是只给出距离最近的医院的路线图，本实施例不作限定。

本发明实施例还提供的另一种基于人工智能的新生儿黄疸识别系统；所述系统包括上述的基于人工智能的新生儿黄疸识别装置，标准服务器和智能终端；

其中：用户通过智能终端拍摄新生儿面部以获得当前新生儿黄疸图像，并将所述新生儿黄疸图像发送到基于人工智能的新生儿黄疸识别装置中，所述新生儿黄疸识别装置对所述当前新生儿黄疸图像进行特征提取以得到目标特征，并将所述目标特征代入位于新生儿黄疸识别装置的新生儿黄疸识别模型中，以获取和所述当前新生儿黄疸图像对应的等级；并将所述等级发送给智能终端；

所述基于人工智能的新生儿黄疸识别装置从标准服务器中定期的获取历史新生儿黄疸图像及其对应等级；

其中：所述新生儿黄疸识别装置为云服务器；

优选的：所述智能终端为智能手机；

上文中从虚拟单元的角度对新生儿黄疸识别的过程进行了描述，本发明还提供一种人工智能识别新生儿黄疸的设备，该设备主要是从硬件实现的角度描述。具体的，该设备包括用于拍摄图像的摄像头以及存储器和处理器；存储器存储有上述任一项实施例所述的新生儿黄疸识别模型，处理器用于获取摄像头拍摄的当前新生儿黄疸图像以提取当前新生儿黄疸图像的目标特征，并将目标特征带入到新生儿黄疸识别模型中以得到黄疸等级。

可以理解的是，这里的设备具体可以是手机或平板电脑等移动终端，方便用户拍摄。由于新生儿黄疸识别模型以及处理器的具体实施方式在上文中进行了详细描述，本实施例不再赘述。

本实施例提供的人工智能识别新生儿黄疸的设备，包括存储器和处理器，存储器上存储有新生儿黄疸识别模型，该模型具体通过如下步骤实现：通过收集大量的历史新生儿黄疸图像并对这些图像进行特征提取从而得到训练样本，将这些训练样本输入到细粒度分类模型中进行训练得到新生儿黄疸识别模型。处理器具体是将摄像头拍摄当前新生儿黄疸图像，按照上述的特征提取方法提取到该图像的目标特征，然后将目标特征带入到训练好的新生儿黄疸识别模型中从而得到了该图像对应的黄疸等级。由此可见，采用本设备可以实现对新生儿黄疸的识别，避免用户往返医院，降低了各项费用，同时其效率也较高。

以上对本发明所提供的基于人工智能的新生儿黄疸识别装置及设备进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本发明的较佳实施方式，故凡依本发明专利申请范围所述的构造、特征及原理所做的等效变化或修饰，均包括于本发明专利申请范围内。

Claims (10)

1.一种基于人工智能的新生儿黄疸识别装置，其特征在于，该装置包括：

收集单元，用于收集历史新生儿黄疸图像；

提取单元，用于根据影响黄疸的参数对历史新生儿黄疸图像进行特征提取；

训练单元，用于将提取到的特征作为训练样本代入到分类模型中进行训练以得到新生儿黄疸识别模型；具体为：将从历史新生儿黄疸图像中提取的特征及其对应的等级代入分类模型中进行训练以得到新生儿黄疸识别模型；

获取初始识别模型作为分类模型；所述初始识别模型从标准服务器获取；当前用户基于自身的新生儿特点从标准服务器中获取和所述新生儿特点相符合的新生儿黄疸识别模型作为初始识别模型；

获取单元，用于获取摄像头拍摄的当前新生儿黄疸图像并提取当前新生儿黄疸图像的目标特征，并将目标特征带入到新生儿黄疸识别模型中以得到黄疸等级。

2.根据权利要求1所述的基于人工智能的新生儿黄疸识别装置，其特征在于，在获取摄像头拍摄的当前新生儿黄疸图像时，在患儿面部旁边摆放标准物品同时进行拍摄，在当前新生儿黄疸图像中同时包含患儿面部和标准物品；对所述新生儿黄疸图像进行整体的一致性调色以使得标准物品的颜色符合标准物品调色标准，将经过调色的新生儿黄疸图像作为待进行目标特征提取的当前新生儿黄疸图像。

3.根据权利要求2所述的基于人工智能的新生儿黄疸识别装置，其特征在于，所述整体的一致性调色，具体为：对图像中的每个像素进行相同的调整。

4.根据权利要求3所述的基于人工智能的新生儿黄疸识别装置，其特征在于，使得标准物品的颜色符合标准物品调色标准，具体为：标准物品所包含的所有像素的RGB三个方向的平均值和标准物品调色标准的RGB值之间的差值在第一差值范围内。

5.根据权利要求4所述的基于人工智能的新生儿黄疸识别装置，其特征在于，在各个家庭使用所述基于人工智能识别新生儿黄疸的装置的过程中，均采用相同的标准物品；历史新生儿黄疸图像也均基于相同的标准物品进行过调色；通过这样的方式，使得所有图像都进行了一致性调色，从而使得黄疸这种和颜色密切相关的图像有了可以自行诊断的基础。

6.根据权利要求5所述的基于人工智能的新生儿黄疸识别装置，其特征在于，通过多次拍摄以获取多张当前新生儿黄疸图像，获取和所述多个当前新生儿黄疸图像分别对应的多个等级，从所述多个等级中选择一个等级作为患儿的黄疸等级。

7.根据权利要求6所述的基于人工智能的新生儿黄疸识别装置，其特征在于，所述装置还包括：筛选单元，用于对历史新生儿黄疸图像进行筛选以剔除不满足筛选条件的图像，并对保留的图像进行人工标注以满足准确率要求；所述筛选条件包括图像条件和目标条件；具体的：基于图像条件和目标条件进行筛选，并剔除不满足图像条件和目标条件的图像；

修正单元，用于利用当前新生儿黄疸图像和黄疸等级对新生儿黄疸识别模型进行模型修正，具体的：将当前新生儿在黄疸期间的多个当前新生儿黄疸图像及其对应的等级代入新生儿黄疸识别模型以进行模型修正；

输出单元，用于根据黄疸等级输出对应的诊断报告；所述诊断报告中包含黄疸等级和相应的治疗建议；

匹配单元，用于在黄疸等级高于预设等级时，给出治疗建议为入院治疗的同时，匹配到当前位置与各医院的路线图。

8.一种包含权利要求1～7中任一项所述基于人工智能的新生儿黄疸识别装置的系统，其特征在于，

所述系统包括上述的基于人工智能的新生儿黄疸识别装置，标准服务器和智能终端；

其中：用户通过智能终端拍摄新生儿面部以获得当前新生儿黄疸图像，并将所述新生儿黄疸图像发送到基于人工智能的新生儿黄疸识别装置中，所述新生儿黄疸识别装置对所述当前新生儿黄疸图像进行特征提取以得到目标特征，并将所述目标特征代入位于新生儿黄疸识别装置的新生儿黄疸识别模型中，以获取和所述当前新生儿黄疸图像对应的等级；并将所述等级发送给智能终端。

9.根据权利要求8所述的基于人工智能的新生儿黄疸识别装置，其特征在于，所述基于人工智能的新生儿黄疸识别装置位于远端，并和智能终端通过网络连接。

10.一种基于人工智能识别新生儿黄疸的设备，其特征在于，包括用于拍摄图像的摄像头以及存储器和处理器；

所述存储器存储有权利要求1-7任意一项所述新生儿黄疸识别模型，所述处理器用于获取所述摄像头拍摄的当前新生儿黄疸图像以提取所述当前新生儿黄疸图像的目标特征，并将所述目标特征带入到所述新生儿黄疸识别模型中以得到黄疸等级。