CN110287926A - 输液监测报警方法、用户设备、存储介质及装置 - Google Patents
输液监测报警方法、用户设备、存储介质及装置 Download PDFInfo
- Publication number
- CN110287926A CN110287926A CN201910582871.1A CN201910582871A CN110287926A CN 110287926 A CN110287926 A CN 110287926A CN 201910582871 A CN201910582871 A CN 201910582871A CN 110287926 A CN110287926 A CN 110287926A
- Authority
- CN
- China
- Prior art keywords
- image
- monitoring
- generates
- edge
- binary
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 164
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000001802 infusion Methods 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 238000006243 chemical reaction Methods 0.000 claims abstract description 19
- 239000007788 liquid Substances 0.000 claims abstract description 17
- 238000001914 filtration Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 19
- 230000002708 enhancing effect Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000003491 array Methods 0.000 claims description 2
- 239000012530 fluid Substances 0.000 description 17
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000003707 image sharpening Methods 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000009966 trimming Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000003814 drug Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- A61M2205/00—General characteristics of the apparatus
- A61M2205/18—General characteristics of the apparatus with alarm
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- 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)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Anesthesiology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Vascular Medicine (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Hematology (AREA)
- Quality & Reliability (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Infusion, Injection, And Reservoir Apparatuses (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了输液监测报警方法、用户设备、存储介质及装置。本发明中通过对摄像装置实时传回的检测图像进行预处理，生成原始监测图像，滤除原始监测图像中的图像背景，生成中间监测图像；提取中间监测图像的边缘得到边缘图像，将中间监测图像减去边缘图像，生成目标监测图像；对所述目标监测图像进行二值化处理，生成二值化图像，对二值化图像进行取反；获取取反后的二值化图像的标准差；将所述标准差与预设值进行比较，若所述标准差小于所述预设值时，向预设终端发送报警信号。本发明技术方案中通过图像检测而识别到输液容器中液位情况，在输液容器中液位到达设定液位时，发出报警信息。
Description
技术领域
本发明涉及医疗监测领域，尤其涉及输液监测报警方法、用户设备、存储介质及装置。
背景技术
医院的输液大厅总是不缺人的，人们生病了总是会前往医院挂号就诊，总是有些人不可避免的要进行吊瓶治疗。然而，医院的医护人员人数有限总是不能每个人都能照护得当，这样就难免会忽略某些病人，这些病人就不能够及时拔针。从而，就会使病人内心产生不满，从另一方面讲，如若不能及时拔针会导致血液回流，若是血液流多了反而会对病人的身体不好。
所以，当前病人在输液时存在拔针不及时导致血液回流的技术问题。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供输液监测报警方法、用户设备、存储介质及装置，旨在解决现有技术中当前病人在输液时存在拔针不及时导致血液回流的技术问题。
为实现上述目的，本发明提供一种输液监测报警方法，所述输液监测报警方法包括以下步骤：
获取目标物体的监测图像；
对检测图像进行预处理，生成原始监测图像；
滤除原始监测图像中的图像背景，生成中间监测图像；
提取中间监测图像的边缘得到边缘图像，将中间监测图像减去边缘图像，生成目标监测图像；
对所述目标监测图像进行二值化处理，生成二值化图像，对二值化图像进行取反；
获取取反后的二值化图像的标准差；
将所述标准差与预设值进行比较，若所述标准差小于所述预设值时，向预设终端发送报警信号。
优选地，所述对检测图像进行预处理，生成原始监测图像包括：
依据预设坐标对监测图像进行修剪，生成原始监测图像。
优选地，所述对检测图像进行预处理，生成原始监测图像之后、所述滤除原始监测图像中的图像背景，生成中间监测图像之前，输液监测报警方法还包括：
对所述原始监测图像进行低通滤波，生成低频监测图像；
将原始监测图像减去所述低频监测图像生成高频监测图像；
将所述高频监测图像进行放大，并加入所述原始监测图像，生成增强的原始监测图像。
优选地，所述滤除原始监测图像中的图像背景，生成中间监测图像，包括：
通过MATLAB中去背景算子去除原始监测图像中的图像背景，以生成中间监测图像。
优选地，所述提取中间监测图像的边缘得到边缘图像，将中间监测图像减去边缘图像，生成目标监测图像，包括：
对中间监测图像进行灰度化处理；
获取像素点上下邻点的第一灰度差及左右邻点的第二灰度差；
根据第一灰度差、第二灰度差、水平方向卷积模板、垂直方向卷积模板进行领域卷积，生成边缘图像；
将中间监测图像减去边缘图像，生成目标监测图像。
优选地，所述对所述目标监测图像进行二值化处理，生成二值化图像，对二值化图像进行取反，包括：
对所述目标监测图像进行二值化处理，生成第一图像矩阵及第二图像矩阵；
分别对第一图像矩阵及第二图像矩阵进行取反。
优选地，所述获取取反后的二值化图像的标准差，包括：
截取目标物体预设区域内的监测图像，并将该监测图像作为目标图像；
获取所述目标图像对应图像矩阵的灰度值，根据灰度值生成若干个数组，计算得到各个数组的标准差。
为实现上述目的，本发明还提出一种用户设备，所述用户设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行信息的智能输入程序，所述信息的智能输入程序被所述处理器执行时实现如上所述的输液监测报警方法的步骤。
为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有信息的智能输入程序，所述信息的智能输入程序被处理器执行时实现如上所述的输液监测报警方法的步骤。
为实现上述目的，本发明还提出一种输液监测报警装置，所述输液监测报警装置包括：
获取模块，用于获取目标物体的监测图像；
预处理模块，用于对检测图像进行预处理，生成原始监测图像；
滤波模块，用于滤除原始监测图像中的图像背景，生成中间监测图像；
作差模块，用于提取中间监测图像的边缘得到边缘图像，将中间监测图像减去边缘图像，生成目标监测图像；
取反模块，用于对所述目标监测图像进行二值化处理，生成二值化图像，对二值化图像进行取反；
标准差模块，用于获取取反后的二值化图像的标准差；
比较模块，用于将所述标准差与预设值进行比较，若所述标准差小于所述预设值时，向预设终端发送报警信号。
本发明技术方案中，通过对摄像装置实时传回的检测图像进行预处理，生成原始监测图像，滤除原始监测图像中的图像背景，生成中间监测图像；提取中间监测图像的边缘得到边缘图像，将中间监测图像减去边缘图像，生成目标监测图像；对所述目标监测图像进行二值化处理，生成二值化图像，对二值化图像进行取反；获取取反后的二值化图像的标准差；将所述标准差与预设值进行比较，若所述标准差小于所述预设值时，向预设终端发送报警信号。本发明技术方案中通过图像检测而识别到输液容器中液位情况，在输液容器中液位到达设定液位时，发出报警信息，从而可以防止当前病人在输液时存在的拔针不及时导致血液回流的情况。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的用户设备结构示意图；
图2为本发明输液监测报警方法第一实施例的流程示意图；
图3为本发明输液监测报警方法第二实施例的流程示意图；
图4为图2中步骤S500的细化流程图；
图5为图2中步骤S600的细化流程图；
图6为图2中步骤S700的细化流程图；
图7为本发明输液监测报警装置第一实施例的功能模块图；
图8为本发明输液监测报警方法处理之前的一帧图像；
图9为本发明输液监测报警方法处理之后的一帧图像。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，该用户设备可以包括：处理器1001，例如CPU，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如按键，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的用户设备结构并不构成对用户设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及输液监测报警程序。
在图1所示的用户设备中，网络接口1004主要用于连接外网，与其他网络设备进行数据通信；用户接口1003主要用于连接用户终端，与终端进行数据通信；本发明用户设备通过处理器1001调用存储器1005中存储的输液监测报警程序，并执行本发明实施例提供的输液监测报警的实施方法。
所述用户设备可为个人电脑或智能手机等电子设备。
基于上述硬件结构，提出本发明输液监测报警方法的实施例。
参照图2、8及9，图2为本发明输液监测报警方法第一实施例的流程示意图。
在第一实施例中，所述输液监测报警方法包括以下步骤：
步骤S100：获取目标物体的监测图像。
本实施例中，目标物体为诊所、医院等常用的输液吊瓶，通过摄像装置实时拍摄输液吊瓶，传回拍摄的检测图像。
步骤S200：对检测图像进行预处理，生成原始监测图像。需要说明的是，由摄像装置直接传回的图像，如果直接进行处理，会存在像素过高、尺寸过大等问题，通过预处理，将检测图像转换至预设的像素、预设的尺寸大小。将检测图像处理成容易操作的图片矩阵。
步骤S400：滤除原始监测图像中的图像背景，生成中间监测图像。该步骤的目的是去除输液吊瓶后面的杂乱背景，使药液的背景显示为纯色以消除多余像素点，从而提高判断的准确度。本实施例中先用matlab相关算子提取背景图像，然后再通过将原始监测图像减去该背景图像以达到去背景的目的。
步骤S500：提取中间监测图像的边缘得到边缘图像，将中间监测图像减去边缘图像，生成目标监测图像。该步骤的目的是进一步消除输液吊瓶边缘对整个图像的影响，通过将用边缘提取算子将中间监测图像的边缘提取出来，而后用转换为双精度的中间监测图像减去该提取的边缘部分，这样就得到了目标监测图像。
步骤S600：对所述目标监测图像进行二值化处理，生成二值化图像，对二值化图像进行取反。通过将目标监测图像进行二值化处理，得到黑白图像，通过黑白图像可以更加准确地判断到当前药液的大致位置。
步骤S700：获取取反后的二值化图像的标准差。标准差是反映一组数据离散程度最常用的一种量化形式，是表示精确度的重要指标。而在本发明的技术应用场景中，输液吊瓶有药液部分的图像的标准差要比无药液部分的图像的标准差大。
步骤S800：将所述标准差与预设值进行比较，若所述标准差小于所述预设值时，向预设终端发送报警信号。根据输液吊瓶的容量大小，设定报警参考线，例如可以设定距离输液吊瓶的瓶口4厘米位置处的水平线为参考线。当标准差小于所述预设值，且该药液的液位线低于所述参考线时，则发出报警信号，通知医务人员拔针。
本发明技术方案中通过图像检测而识别到输液容器中液位情况，在输液容器中液位到达设定液位时，发出报警信息，从而可以防止当前病人在输液时存在的拔针不及时导致血液回流的情况。
具体地，所述对检测图像进行预处理，生成原始监测图像包括：
依据预设坐标对监测图像进行修剪，生成原始监测图像。需要说明的是，该预设坐标可根据需求进行设定。本实施例中包括有四个预设坐标，分别位于图形的四个顶点处。通过该预设坐标修剪后，得到呈矩形的原始监测图像。
基于上述第一实施例，本发明提出第二实施例。参照图3，图3为本发明输液监测报警方法第二实施例的流程示意图。
在第二实施例中，所述对检测图像进行预处理，生成原始监测图像之后、所述滤除原始监测图像中的图像背景，生成中间监测图像之前，输液监测报警方法还包括：
步骤S301：对所述原始监测图像进行低通滤波，生成低频监测图像。
值得说明的是，滤波，实际上是信号处理里的一个概念，而图像本身也可以看成是一个二维的信号，其中像素点灰度值的高低代表信号的强弱。在图形处理领域，对应的高低频的意义在于：
高频：图像中灰度变化剧烈的点，一般是图像轮廓或者是噪声。
低频：图像中平坦的，灰度变化不大的点，图像中的大部分区域。
根据图像的高频与低频的特征，可以设计相应的高通与低通滤波器，高通滤波可以检测图像中尖锐、变化明显的地方；低通滤波可以让图像变得光滑，滤除图像中的噪声。
本实施例中，OpenCV中提供的低通滤波有：线性的均值滤波器、高斯滤波器，非线性的双边滤波器、中值滤波器；高通滤波有基于Canny，Sobel等各种边缘滤波。
步骤S302：将原始监测图像减去所述低频监测图像生成高频监测图像。图像相减即在两幅图像之间对应像素做减法运算。图像相减可以检测出两幅图像的差异信息。
步骤S303：将所述高频监测图像进行放大，并加入所述原始监测图像，生成增强的原始监测图像。
本实施例中，是通过Unsharp算法来对原始监测图像进行增强，反锐化掩膜(Unsharp Masking)算法是一种图像锐化技术。通过高通滤波(或其他方式)得到图像的高频部分，然后与原始监测图像相加，得到高频部分增强的图像。
数学表达如下：
f(i，j)＝m(i，j)+C×[x(i，j)-m(i，j)]f(i，j)
其中，f(i，j)代表变换后的图像，x(i，j)代表原始图像，m(i，j)代表图像的高频部分。C为增益因子。
具体地，所述滤除原始监测图像中的图像背景，生成中间监测图像，包括：
通过MATLAB中去背景算子去除原始监测图像中的图像背景，以生成中间监测图像。
参照图4，具体地，所述提取中间监测图像的边缘得到边缘图像，将中间监测图像减去边缘图像，生成目标监测图像，包括：
步骤S510：对中间监测图像进行灰度化处理。将彩色图像转化成为灰度图像的过程成为图像的灰度化处理。彩色图像中的每个像素的颜色有R、G、B三个分量决定，而每个分量有255中值可取，这样一个像素点可以有1600多万(255*255*255)的颜色的变化范围。而灰度图像是R、G、B三个分量相同的一种特殊的彩色图像。
步骤S520：获取像素点上下邻点的第一灰度差及左右邻点的第二灰度差。由于边缘点像素的灰度值与其邻域点的灰度值显著不同，因此可以通过像素点的领域的灰度差进行边缘检测。
步骤S530：根据第一灰度差、第二灰度差、水平方向卷积模板、垂直方向卷积模板进行领域卷积，生成边缘图像。本实施例中，根据Prewitt算子中提供的水平方向卷积模板、垂直方向卷积模板，将第一灰度差、第二灰度差输入Prewitt算子中进行领域卷积。
Prewitt算子是一种一阶微分算子的边缘检测，利用像素点上下、左右邻点的灰度差，在边缘处达到极值检测边缘，去掉部分伪边缘，对噪声具有平滑作用。
步骤S540：将中间监测图像减去边缘图像，生成目标监测图像。如此，便得到所需的目标监测图像。
参照图5，具体地，所述对所述目标监测图像进行二值化处理，生成二值化图像，对二值化图像进行取反，包括：
步骤S610：对所述目标监测图像进行二值化处理，生成第一图像矩阵及第二图像矩阵；
步骤S620：分别对第一图像矩阵及第二图像矩阵进行取反。
易于理解的是，根据进行二值化处理这样就得到了一个0-1图像矩阵。其中1代表没有药液的吊瓶部分，0代表药液部分和部分吊瓶边缘部分。在分别对第一图像矩阵及第二图像矩阵进行取反，以增强图像底片效果，便于识别处理。
参照图6，具体地，所述获取取反后的二值化图像的标准差，包括：
步骤S710：截取目标物体预设区域内的监测图像，并将该监测图像作为目标图像。
步骤S720：获取所述目标图像对应图像矩阵的灰度值，根据灰度值生成若干个数组，计算得到各个数组的标准差。
输液吊瓶有药液部分的图像的标准差要比无药液部分的图像的标准差大。根据输液吊瓶的容量大小，设定报警参考线，例如可以设定距离输液吊瓶的瓶口4厘米位置处的水平线为参考线。
标准差的计算公式如下：
其中，M*N表示图像的大小，P(i,j)表示第i行、第j列的像素值，u表示均值。标准差反映了图像像素值与均值的离散程度，通过将标准差与预设值进行比较，可以查找到液位位置。
参照图7，基于上述输液监测报警方法，本发明提供一种输液监测报警装置，所述输液监测报警装置包括以下步骤：
获取模块100，用于获取目标物体的监测图像。本实施例中，目标物体为诊所、医院等常用的输液吊瓶，通过摄像装置实时拍摄输液吊瓶，传回拍摄的检测图像。
预处理模块200，用于对检测图像进行预处理，生成原始监测图像。需要说明的是，由摄像装置直接传回的图像，如果直接进行处理，会存在像素过高、尺寸过大等问题，通过预处理，将检测图像转换至预设的像素、预设的尺寸大小。将检测图像处理成容易操作的图片矩阵。
滤波模块400，用于滤除原始监测图像中的图像背景，生成中间监测图像。该步骤的目的是去除输液吊瓶后面的杂乱背景，使药液的背景显示为纯色以消除多余像素点，从而提高判断的准确度。本实施例中先用matlab相关算子提取背景图像，然后再通过将原始监测图像减去该背景图像以达到去背景的目的。
作差模块500，用于提取中间监测图像的边缘得到边缘图像，将中间监测图像减去边缘图像，生成目标监测图像。该步骤的目的是进一步消除输液吊瓶边缘对整个图像的影响，通过将用边缘提取算子将中间监测图像的边缘提取出来，而后用转换为双精度的中间监测图像减去该提取的边缘部分，这样就得到了目标监测图像。
取反模块600，用于对所述目标监测图像进行二值化处理，生成二值化图像，对二值化图像进行取反。通过将目标监测图像进行二值化处理，得到黑白图像，通过黑白图像可以更加准确地判断到当前药液的大致位置。
标准差模块700，用于获取取反后的二值化图像的标准差。标准差是反映一组数据离散程度最常用的一种量化形式，是表示精确度的重要指标。而在本发明的技术应用场景中，输液吊瓶有药液部分的图像的标准差要比无药液部分的图像的标准差大。
比较模块800，用于将所述标准差与预设值进行比较，若所述标准差小于所述预设值时，向预设终端发送报警信号。根据输液吊瓶的容量大小，设定报警参考线，例如可以设定距离输液吊瓶的瓶口4厘米位置处的水平线为参考线。当标准差小于所述预设值，且该药液的液位线低于所述参考线时，则发出报警信号，通知医务人员拔针。
具体地，所述预处理模块200还用于依据预设坐标对监测图像进行修剪，生成原始监测图像。需要说明的是，该预设坐标可根据需求进行设定。本实施例中包括有四个预设坐标，分别位于图形的四个顶点处。通过该预设坐标修剪后，得到呈矩形的原始监测图像。
进一步地，所述输液监测报警装置还包括图像增强模块300，所述图像增强模块300用于对所述原始监测图像进行低通滤波，生成低频监测图像。值得说明的是，滤波，实际上是信号处理里的一个概念，而图像本身也可以看成是一个二维的信号，其中像素点灰度值的高低代表信号的强弱。在图形处理领域，对应的高低频的意义在于：
高频：图像中灰度变化剧烈的点，一般是图像轮廓或者是噪声。
低频：图像中平坦的，灰度变化不大的点，图像中的大部分区域。
根据图像的高频与低频的特征，可以设计相应的高通与低通滤波器，高通滤波可以检测图像中尖锐、变化明显的地方；低通滤波可以让图像变得光滑，滤除图像中的噪声。
本实施例中，OpenCV中提供的低通滤波有：线性的均值滤波器、高斯滤波器，非线性的双边滤波器、中值滤波器；高通滤波有基于Canny，Sobel等各种边缘滤波。
所述图像增强模块300还用于将原始监测图像减去所述低频监测图像生成高频监测图像。图像相减即在两幅图像之间对应像素做减法运算。图像相减可以检测出两幅图像的差异信息。
所述图像增强模块300还用于将所述高频监测图像进行放大，并加入所述原始监测图像，生成增强的原始监测图像。本实施例中，是通过Unsharp算法来对原始监测图像进行增强，反锐化掩膜(Unsharp Masking)算法是一种图像锐化技术。通过高通滤波得到图像的高频部分，然后与原始监测图像相加，得到高频部分增强的图像。
数学表达如下：
f(i，j)＝m(i，j)+C×[x(i，j)-m(i，j)]f(i，j)
其中，f(i，j)代表变换后的图像，x(i，j)代表原始图像，m(i，j)代表图像的高频部分。C为增益因子。
滤波模块400还用于通过MATLAB中去背景算子去除原始监测图像中的图像背景，以生成中间监测图像。
具体地，所述作差模块500还用于对中间监测图像进行灰度化处理。将彩色图像转化成为灰度图像的过程成为图像的灰度化处理。彩色图像中的每个像素的颜色有R、G、B三个分量决定，而每个分量有255中值可取，这样一个像素点可以有1600多万(255*255*255)的颜色的变化范围。而灰度图像是R、G、B三个分量相同的一种特殊的彩色图像。
获取像素点上下邻点的第一灰度差及左右邻点的第二灰度差。由于边缘点像素的灰度值与其邻域点的灰度值显著不同，因此可以通过像素点的领域的灰度差进行边缘检测。
所述作差模块500还用于根据第一灰度差、第二灰度差、水平方向卷积模板、垂直方向卷积模板进行领域卷积，生成边缘图像。本实施例中，根据Prewitt算子中提供的水平方向卷积模板、垂直方向卷积模板，将第一灰度差、第二灰度差输入Prewitt算子中进行领域卷积。
Prewitt算子是一种一阶微分算子的边缘检测，利用像素点上下、左右邻点的灰度差，在边缘处达到极值检测边缘，去掉部分伪边缘，对噪声具有平滑作用。
所述作差模块500还用于将中间监测图像减去边缘图像，生成目标监测图像。如此，便得到所需的目标监测图像。
具体地，所述取反模块600还用于对所述目标监测图像进行二值化处理，生成第一图像矩阵及第二图像矩阵；
分别对第一图像矩阵及第二图像矩阵进行取反。易于理解的是，根据进行二值化处理这样就得到了一个0-1图像矩阵。其中1代表没有药液的吊瓶部分，0代表药液部分和部分吊瓶边缘部分。在分别对第一图像矩阵及第二图像矩阵进行取反，以增强图像底片效果，便于识别处理。
具体地，所述标准差模块还用于截取目标物体预设区域内的监测图像，并将该监测图像作为目标图像，获取所述目标图像对应图像矩阵的灰度值，根据灰度值生成若干个数组，计算得到各个数组的标准差。
输液吊瓶有药液部分的图像的标准差要比无药液部分的图像的标准差大。根据输液吊瓶的容量大小，设定报警参考线，例如可以设定距离输液吊瓶的瓶口4厘米位置处的水平线为参考线。
标准差的计算公式如下：
其中，M*N表示图像的大小，P(i,j)表示第i行、第j列的像素值，u表示均值。标准差反映了图像像素值与均值的离散程度，通过将标准差与预设值进行比较，可以查找到液位位置。
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词解释为名称。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种输液监测报警方法，其特征在于，所述输液监测报警方法包括以下步骤：
获取目标物体的监测图像；
对检测图像进行预处理，生成原始监测图像；
滤除原始监测图像中的图像背景，生成中间监测图像；
提取中间监测图像的边缘得到边缘图像，将中间监测图像减去边缘图像，生成目标监测图像；
对所述目标监测图像进行二值化处理，生成二值化图像，对二值化图像进行取反；
获取取反后的二值化图像的标准差；
将所述标准差与预设值进行比较，若所述标准差小于所述预设值时，向预设终端发送报警信号。
2.如权利要求1所述的输液监测报警方法，其特征在于，所述对检测图像进行预处理，生成原始监测图像包括：
依据预设坐标对监测图像进行修剪，生成原始监测图像。
3.如权利要求1所述的输液监测报警方法，其特征在于，所述对检测图像进行预处理，生成原始监测图像之后、所述滤除原始监测图像中的图像背景，生成中间监测图像之前，输液监测报警方法还包括：
对所述原始监测图像进行低通滤波，生成低频监测图像；
将原始监测图像减去所述低频监测图像生成高频监测图像；
将所述高频监测图像进行放大，并加入所述原始监测图像，生成增强的原始监测图像。
4.如权利要求1所述的输液监测报警方法，其特征在于，所述滤除原始监测图像中的图像背景，生成中间监测图像，包括：
通过MATLAB中去背景算子去除原始监测图像中的图像背景，以生成中间监测图像。
5.如权利要求1至4任意一项所述的输液监测报警方法，其特征在于，所述提取中间监测图像的边缘得到边缘图像，将中间监测图像减去边缘图像，生成目标监测图像，包括：
对中间监测图像进行灰度化处理；
获取像素点上下邻点的第一灰度差及左右邻点的第二灰度差；
根据第一灰度差、第二灰度差、水平方向卷积模板、垂直方向卷积模板进行领域卷积，生成边缘图像；
将中间监测图像减去边缘图像，生成目标监测图像。
6.如权利要求5所述的输液监测报警方法，其特征在于，所述对所述目标监测图像进行二值化处理，生成二值化图像，对二值化图像进行取反，包括：
对所述目标监测图像进行二值化处理，生成第一图像矩阵及第二图像矩阵；
分别对第一图像矩阵及第二图像矩阵进行取反。
7.如权利要求6所述的输液监测报警方法，其特征在于，所述获取取反后的二值化图像的标准差，包括：
截取目标物体预设区域内的监测图像，并将该监测图像作为目标图像；
获取所述目标图像对应图像矩阵的灰度值，根据灰度值生成若干个数组，计算得到各个数组的标准差。
8.一种用户设备，其特征在于，所述用户设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行信息的智能输入程序，所述信息的智能输入程序被所述处理器执行时实现如权利要求1至7中任一项所述的输液监测报警方法的步骤。
9.一种存储介质，其特征在于，所述存储介质上存储有信息的智能输入程序，所述信息的智能输入程序被处理器执行时实现如权利要求1至7中任一项所述的输液监测报警方法的步骤。
10.一种输液监测报警装置，其特征在于，所述输液监测报警装置包括：
获取模块，用于获取目标物体的监测图像；
预处理模块，用于对检测图像进行预处理，生成原始监测图像；
滤波模块，用于滤除原始监测图像中的图像背景，生成中间监测图像；
作差模块，用于提取中间监测图像的边缘得到边缘图像，将中间监测图像减去边缘图像，生成目标监测图像；
取反模块，用于对所述目标监测图像进行二值化处理，生成二值化图像，对二值化图像进行取反；
标准差模块，用于获取取反后的二值化图像的标准差；
比较模块，用于将所述标准差与预设值进行比较，若所述标准差小于所述预设值时，向预设终端发送报警信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910582871.1A CN110287926B (zh) | 2019-06-27 | 2019-06-27 | 输液监测报警方法、用户设备、存储介质及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910582871.1A CN110287926B (zh) | 2019-06-27 | 2019-06-27 | 输液监测报警方法、用户设备、存储介质及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110287926A true CN110287926A (zh) | 2019-09-27 |
| CN110287926B CN110287926B (zh) | 2021-06-01 |
Family
ID=68021433
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910582871.1A Expired - Fee Related CN110287926B (zh) | 2019-06-27 | 2019-06-27 | 输液监测报警方法、用户设备、存储介质及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110287926B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112508852A (zh) * | 2020-11-12 | 2021-03-16 | 深圳科瑞技术股份有限公司 | 一种储液瓶中液位检测方法和系统 |
| CN112642022A (zh) * | 2020-12-31 | 2021-04-13 | 遵义师范学院 | 一种输液监控系统及监控方法 |
| CN112989901A (zh) * | 2020-03-25 | 2021-06-18 | 长扬科技（北京）有限公司 | 基于深度学习的液位仪读数的识别方法 |
| 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 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120095433A1 (en) * | 2010-10-19 | 2012-04-19 | Sigma International General Medical Apparatus LLC | Infusion system using optical imager for controlling flow and method thereof |
| CN103512631A (zh) * | 2013-09-25 | 2014-01-15 | 青岛理工大学 | 基于监测确定边坡临界排水水位线的方法 |
| WO2014099602A1 (en) * | 2012-12-17 | 2014-06-26 | Board Of Regents, The University Of Texas System | A system of intravenous fluid/medication delivery that employs signature flow amplitudes or frequencies to facilitate the detection of intravenous infiltration |
| CN204521819U (zh) * | 2015-03-30 | 2015-08-05 | 赵英俊 | 自动输液管理系统 |
| CN106730152A (zh) * | 2016-12-01 | 2017-05-31 | 张晨文 | 输液报警器、输液装置及输液完成的报警方法 |
| CN108830824A (zh) * | 2018-04-16 | 2018-11-16 | 中北大学 | 输液液面视觉检测报警系统及其检测方法 |
-
2019
- 2019-06-27 CN CN201910582871.1A patent/CN110287926B/zh not_active Expired - Fee Related
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120095433A1 (en) * | 2010-10-19 | 2012-04-19 | Sigma International General Medical Apparatus LLC | Infusion system using optical imager for controlling flow and method thereof |
| US20190151535A1 (en) * | 2010-10-19 | 2019-05-23 | Baxter International Inc. | Infusion system using optical imager for controlling flow and method thereof |
| WO2014099602A1 (en) * | 2012-12-17 | 2014-06-26 | Board Of Regents, The University Of Texas System | A system of intravenous fluid/medication delivery that employs signature flow amplitudes or frequencies to facilitate the detection of intravenous infiltration |
| CN103512631A (zh) * | 2013-09-25 | 2014-01-15 | 青岛理工大学 | 基于监测确定边坡临界排水水位线的方法 |
| CN204521819U (zh) * | 2015-03-30 | 2015-08-05 | 赵英俊 | 自动输液管理系统 |
| CN106730152A (zh) * | 2016-12-01 | 2017-05-31 | 张晨文 | 输液报警器、输液装置及输液完成的报警方法 |
| CN108830824A (zh) * | 2018-04-16 | 2018-11-16 | 中北大学 | 输液液面视觉检测报警系统及其检测方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN112989901A (zh) * | 2020-03-25 | 2021-06-18 | 长扬科技（北京）有限公司 | 基于深度学习的液位仪读数的识别方法 |
| CN112508852A (zh) * | 2020-11-12 | 2021-03-16 | 深圳科瑞技术股份有限公司 | 一种储液瓶中液位检测方法和系统 |
| CN112642022A (zh) * | 2020-12-31 | 2021-04-13 | 遵义师范学院 | 一种输液监控系统及监控方法 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110287926B (zh) | 2021-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110287926A (zh) | 输液监测报警方法、用户设备、存储介质及装置 | |
| Lee et al. | A computer-aided design mammography screening system for detection and classification of microcalcifications | |
| CN110889826B (zh) | 眼部oct图像病灶区域的分割方法、装置及终端设备 | |
| CN107958453B (zh) | 乳腺图像病变区域的检测方法、装置及计算机存储介质 | |
| TW202014984A (zh) | 一種圖像處理方法、電子設備及存儲介質 | |
| Li et al. | Robust retinal image enhancement via dual-tree complex wavelet transform and morphology-based method | |
| CN110930446B (zh) | 一种眼底图像定量分析的前置处理方法及存储设备 | |
| CN108764139B (zh) | 一种人脸检测方法、移动终端及计算机可读存储介质 | |
| CN109919179A (zh) | 微动脉瘤自动检测方法、装置及计算机可读存储介质 | |
| CN110009626A (zh) | 用于生成图像的方法和装置 | |
| CN111223110A (zh) | 一种显微图像增强方法、装置及计算机设备 | |
| CN110473176B (zh) | 图像处理方法及装置、眼底图像处理方法、电子设备 | |
| CN114816055A (zh) | 基于vr设备的眼球运动轨迹捕捉分析方法、装置及介质 | |
| Uribe-Valencia et al. | Automated Optic Disc region location from fundus images: Using local multi-level thresholding, best channel selection, and an Intensity Profile Model | |
| Abdel-Nasser et al. | Analyzing the evolution of breast tumors through flow fields and strain tensors | |
| CN110633759A (zh) | 图像融合方法、装置及电子设备 | |
| CN117765330A (zh) | 基于mri图像的数据标注方法及系统 | |
| CN111047619A (zh) | 人脸图像处理方法及装置、可读存储介质 | |
| Wang et al. | Infrared and visible image fusion based on Laplacian pyramid and generative adversarial network. | |
| CN107945186A (zh) | 分割图像的方法、装置、计算机可读存储介质和终端设备 | |
| CN116843647A (zh) | 肺野面积确定、肺发育评估方法及装置、电子设备和介质 | |
| Wang et al. | Image haze removal using a hybrid of fuzzy inference system and weighted estimation | |
| CN113554702B (zh) | 基于人工智能的输液进度评估方法及系统 | |
| CN111462067B (zh) | 图像分割方法及装置 | |
| CN113158960A (zh) | 一种医学图像识别模型构建和识别方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210601 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |