CN112037202A - 体液标本质量检测方法、装置、运输装置、设备和介质 - Google Patents

体液标本质量检测方法、装置、运输装置、设备和介质 Download PDF

Info

Publication number
CN112037202A
CN112037202A CN202010898354.8A CN202010898354A CN112037202A CN 112037202 A CN112037202 A CN 112037202A CN 202010898354 A CN202010898354 A CN 202010898354A CN 112037202 A CN112037202 A CN 112037202A
Authority
CN
China
Prior art keywords
quality
body fluid
specimen
picture
identification
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
Application number
CN202010898354.8A
Other languages
English (en)
Inventor
王巍
葛叶冰
芦靓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Ping An Medical Health Technology Service Co Ltd
Original Assignee
Ping An Medical and Healthcare Management Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Medical and Healthcare Management Co Ltd filed Critical Ping An Medical and Healthcare Management Co Ltd
Priority to CN202010898354.8A priority Critical patent/CN112037202A/zh
Publication of CN112037202A publication Critical patent/CN112037202A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本申请涉及数字医疗领域，应用于智慧医疗领域，提供了一种体液标本质量检测方法、装置、运输装置、设备和介质，所述方法包括：获取体液标本的试管图片；按照预设识别要求对试管图片进行标注，得到标注图片；将标注图片输入至识别模型中进行质量识别，输出识别结果；获取体液标本的检验目的，根据检验目的在预设的检验知识图谱中配置标本质量规则；根据标本质量规则对所述识别结果进行质量判断；根据质量判断的结果确定体液标本是否符合标本质量要求。本申请提供的体液标本质量检测方法、装置、运输装置、设备和介质，能够快速、准确的对体液标本进行质量识别。

Description

体液标本质量检测方法、装置、运输装置、设备和介质
技术领域
本申请涉及数字医疗的技术领域，特别涉及一种体液标本质量检测方法、装置、运输装置、设备和介质。
背景技术
目前第三方健康检测机构或区域健康检测中心需要化验体液标本时，由于设备或技术的不完善，需要专业物流专员到各个医疗机构或区域健康检测中心领取运输体液标本，对其进行初步质量检查后，确认检测项目与标本存放管一致，如全血样本需要用紫色抗凝管，血清样本要用黄色促凝管，全血样本不能凝血，血清样本要凝血等标本要求，满足标本要求的再放入冷藏箱进行运输，在进行初步质量检查时，专业物流专员需要具备检验专业知识，熟练掌握各项检验目的的标本质量的要求，同时，物流专员依赖目视检查和经验判断的准确性和效率较低。
发明内容
本申请的主要目的为提供一种体液标本质量检测方法、装置、运输装置、设备和介质，旨在解决物流专员依赖目视检查和经验判断而导致质量检测的准确性和效率较低的技术问题。
为实现上述目的，本申请提供了一种体液标本质量检测方法，包括以下步骤：
获取体液标本的试管图片；
按照预设识别要求对所述试管图片进行标注，得到标注图片；
将所述标注图片输入至识别模型中进行质量识别，输出识别结果；其中，所述识别模型基于Yolo v3模型训练而成，所述识别模型用于识别试管颜色、标本种类、标本状态中的一个或多个；
获取所述体液标本的检验目的，根据所述检验目的在预设的检验知识图谱中配置标本质量规则；根据所述标本质量规则对所述识别结果进行质量判断；
根据所述质量判断的结果确定所述体液标本是否符合标本质量要求。
进一步地，所述将所述标注图片输入至识别模型中进行质量识别，输出识别结果的步骤，包括：
将所述标注图片转换为TFRecords文件；
将所述TFRecords文件输入至所述识别模型中进行计算；
将所述识别模型的输出经过logistic计算，输出识别结果。
进一步地，所述获取体液标本的检验目的，根据所述检验目的在预设的检验知识图谱中配置标本质量规则；根据所述标本质量规则对所述识别结果进行质量判断的步骤，包括：
识别所述试管图片中的条形码，获取体液标本的检验目的；
获取检验知识图谱，在所述检验知识图谱中获取所述检验目的对应的试管颜色、标本种类、标本状态中的一个或多个并配置对应的标本质量规则；
将所述识别结果与所述标本质量规则进行质量判断。
进一步地，所述获取体液标本的试管图片的步骤，包括：
获取所述体液标本的前视图和后视图；
对所述前视图和后视图做增强处理；
通过边缘识别技术识别所述增强处理后的前视图中所述体液标本的左侧边缘和所述后视图中所述体液标本的右侧边缘；
将所述左侧边缘和所述右侧边缘进行拼接，得到所述体液标本的试管图片。
进一步地，所述按照预设识别要求对所述试管图片进行标注，得到标注图片的步骤，包括：
将所述图片输入至第一图片标注模型中，将所述体液标本的试管头颜色以第一预设图形进行标注并显示对应的标注标签，得到第一图片；
将所述第一图片输入至第二图片标注模型，将所述体液标本的标本种类以第二预设图形进行标注并显示对应的标注标签，得到第二图片；
将所述第二图片输入至第三图片标注模型中，将所述体液标本的标本状态以第三预设图形进行标注并显示对应的标注标签，得到标注图片。
进一步地，所述根据所述质量判断的结果确定所述体液标本是否符合标本质量要求的步骤之后，包括：
若所述体液标本符合所述标本质量要求，获取所述体液标本所需的环境温度；
根据所述环境温度控制所述体液标本的运输温度。
本申请还提供一种体液标本质量检测装置，包括：
获取单元，用于获取体液标本的试管图片；
标注单元，用于按照预设识别要求对所述试管图片进行标注，得到标注图片；
识别单元，用于将所述标注图片输入至识别模型中进行质量识别，输出识别结果；其中，所述识别模型基于Yolo v3模型训练而成，所述识别模型用于识别试管颜色、标本种类、标本状态中的一个或多个；
配置单元，用于获取所述体液标本的检验目的，根据所述检验目的在预设的检验知识图谱中配置标本质量规则；根据所述标本质量规则对所述识别结果进行质量判断；
确定单元，用于根据所述质量判断的结果确定所述体液标本是否符合标本质量要求。
本申请还提供一种体液标本运输装置，包括：
壳体、检测容器、摄像模块、检测模块，所述检测容器、摄像模块、检测模块设于所述壳体内侧，所述摄像模块至少包括两个，所述摄像模块分别位于所述检测容器两侧且相对设置，所述摄像模块与所述检测模块通信连接，所述检测模块用于实现上述任一项所述的体液标本质量检测方法的步骤。
本申请还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请提供的体液标本质量检测方法、装置、运输装置、设备和介质，通过识别模型进行质量识别，再根据预设的检验知识图谱自动加载判断规则进行判断，相较于人工的目视检查、靠经验判断收运标本质量而言，能够快速判断，且质量检查准确度更高，同时，对物流专员的要求更低。
附图说明
图1为本申请一实施例中体液标本质量检测方法的步骤示意图；
图2为本申请一实施例中体液标本质量检测装置的结构框图；
图3为本申请一实施例中体液标本运输装置的结构示意图；
图4为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、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
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请一实施例提供了一种体液标本质量检测方法，包括以下步骤：
步骤S1，获取体液标本的试管图片；
步骤S2，按照预设识别要求对所述试管图片进行标注，得到标注图片；
步骤S3，将所述标注图片输入至识别模型中进行质量识别，输出识别结果；其中，所述识别模型基于Yolo v3模型训练而成，所述识别模型用于识别试管颜色、标本种类、标本状态中的一个或多个；
步骤S4，获取体液标本的检验目的，根据所述检验目的在预设的检验知识图谱中配置标本质量规则；根据所述标本质量规则对所述识别结果进行质量判断；
步骤S5，根据所述质量判断的结果确定所述体液标本是否符合标本质量要求。
本实施例中，如上述步骤S1所述，获取体液标本的图片，具体的，可通过体液标本运输装置进行获取。
如上述步骤S2所述，按照预设识别要求对试管图片进行标注，图片标注是在图片中标注出包括目标的边界框(例如：用矩形框、椭圆框框出包含目标的区域)；对于图片的目标识别任务，图片标注是既要在样本图片中标注出包括目标的边界框，又要对标注的边界框设置一个标签，该标签为该边界框内的目标的类别(例如：试管头颜色、条形码、标本类型等)。具体的，可标注出试管头颜色、条形码、标本类型、标本状态等，标本类型如：全血、血清，血浆、组织、尿液、粪便、胸水等等，可通过Labelme、labelImg、Yolo mark、Vatic等工具进行图片标注，得到标注图片。
如上述步骤S3所述，识别模型基于TensorFlow框架的Yolo v3模型进行训练而成，TensorFlow为从流图的一端流动到另一端计算过程。TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统。Yolo v3的尝试预测边框数量增加了10多倍，而且是在不同分辨率上进行，所以mAP以及对小物体的检测效果有一定的提升，通过训练Yolov3模型得到识别模型，Yolo v3所使用的特征提取的新网络集成了Yolo v2中网络Darknet-19和新流行的残差网络(ResNet的residual结构)，残差网络能保证网络结构在很深的情况下，仍能收敛，模型能训练下去。网络越深，表达的特征越好，分类+检测的效果都会提升，该网络大量使用3*3与1*1卷积层依次连接的形式，并且添加了shortcut连接，所以其网络结构比复杂，有53个卷积层，但能够速度更快且更加准确的对标注图片进行质量识别，所述识别模型识别试管颜色、标本种类、标本状态中的一种或多种。
如上述步骤S4-S5所述，获取检验知识图谱，检验知识图谱包括了所有体液标本所对应的质量要求，如网织红细胞检测需要用全血，肝功能检测则需要血清，做网织红细胞检测的用紫色EDTA抗凝管存放全血标本，肝功能检测则是采用黄色分离胶促凝管。每个体液标本有其对应的检验目的，获取检验目的，根据检验目的在检验知识图谱中配置标本质量规则，当获取到体液标本的识别结果后，将配置的标本质量规则与识别结果进行质量判断，如检验目的为网织红细胞检测，则相应的标本质量规则为全血、紫色EDTA抗凝管，如识别到标本种类为全血，试管头颜色为紫色，则质量判断结果为正常，则表明体液标本符合质量要求。
本实施例中，通过识别模型进行质量识别，再根据预设的检验知识图谱自动加载判断规则进行判断，相较于人工的目视检查、靠经验判断收运标本质量而言，能够快速判断，且质量检查准确度更高，同时，对物流专员的要求更低。
在一实施例中，所述将所述标注图片输入至识别模型中进行质量识别，输出识别结果的步骤S3，包括：
步骤S31，将所述标注图片转换为TFRecords文件；
步骤S32，将所述TFRecords文件输入至所述识别模型中进行计算；
步骤S33，将所述识别模型的输出经过logistic计算，输出识别结果。
本实施例中，如上述步骤S31所述，将标注图片转换为TFRecords文件，TFRecords文件其实是一种二进制文件，TFRecords文件包含了tf.train.Example协议内存块(协议内存块包含了字段Features)。将数据填入到Example协议内存块，将协议内存块序列化为一个字符串，并且通过tf.python_io.TFRecordWriter写入到TFRecords文件。
如上述步骤S32-S33所述，将TFRecords文件输入到识别模型进行计算，将识别模型的输出经过logistic计算，具体的，可通过sigmoid函数进行计算，sigmoid函数的表达式为：
Figure BDA0002659082920000061
其中x为识别模型的输出，经过sigmoid函数计算可得到一个0-1的实数，根据该实数确定识别结果。如在进行试管头颜色识别时，试管头颜色包括紫色和黄色，经过sigmoid函数计算得到该试管头颜色属于紫色的概率为0，属于黄色的概率为0.8，则表明该试管头颜色属于黄色。
在一实施例中，所述获取体液标本的检验目的，根据所述检验目的在预设的检验知识图谱中配置标本质量规则；根据所述标本质量规则对所述识别结果进行质量判断的步骤S4，包括：
步骤S41，识别所述试管图片中的条形码，获取体液标本的检验目的；
步骤S42，获取检验知识图谱，在所述检验知识图谱中获取所述检验目的对应的试管颜色、标本种类、标本状态中的一个或多个并配置对应的标本质量规则；
步骤S43，将所述识别结果与所述标本质量规则进行质量判断。
本实施例中，如上述步骤S41所述，每个试管在注入体液标本后会粘贴对应的条形码，条形码对应各个体液标本的检验目的，如网织红细胞检测、肝功能检测等；在拍摄体液标本的图片时，试管上的条形码也会显示在图片上，可以采用机器视觉技术识别图片上的条形码，获取标本检验目的。
如上述步骤S42-S43所述，每个检验目的都有其对应的质量要求，如网织红细胞检测需要用全血，且采用紫色EDTA抗凝管存放全血标本，将识别结果中的试管头颜色、标本种类、标本状态与标本质量规则中的试管头颜色、标本种类、标本状态一一对应进行对比，若全部比对都正确，则表明存储容器正确，满足检验标本要求。通过检验知识图谱能够获得各个标本的质量要求，确定每个体液标本对应的判断规则，能够适用所述体液标本的质量检测。
在一实施例中，所述获取体液标本的试管图片的步骤S1,包括：
步骤S11，获取所述体液标本的前视图和后视图；
步骤S12，对所述前视图和后视图做增强处理；
步骤S13，通过边缘识别技术识别所述增强处理后的前视图中所述体液标本的左侧边缘和所述后视图中所述体液标本的右侧边缘；
步骤S14，将所述左侧边缘和所述右侧边缘进行拼接，得到所述体液标本的试管图片。
本实施例中，如上述步骤S11所述，体液标本盛放在试管中，试管为圆柱体，通过在试管前后两侧分别设置一个摄像装置获取前视图和后视图，两个摄像装置与试管的间距相同，且等高。
如上述步骤S12所述，由于光线等原因，获取到的前视图和后视图可能存在不清晰的情况，通过对前视图和后视图做增强处理，提高前视图和后视图中体液标本的清晰度，具体的，可对前视图和后视图依次经过腐蚀处理和膨胀处理。
如上述步骤S13所述，通过边缘识别技术识别前视图中的体液标本的左侧边缘和后视图中的体液标本的右侧边缘，在另一实施例中，可通过边缘检测技术识别前视图中体液标本的右侧边缘和后视图中体液标本的左侧边缘，具体的，可通过Canny、Sobel算子或Prewitt算子进行边缘识别。
如上述步骤S14所述，将识别到的左侧边缘拼接到右侧边缘，合成一个图片作为体液标本的图片。本实施例中，由于试管为圆柱状，通过体液标本的前视图和后视图合成一张图片作为体液标本的试管图片，能够简单、快捷的得到体液标本的试管图片。
在一实施例中，所述按照预设识别要求对所述试管图片进行标注，得到标注图片的步骤S2，包括：
步骤S21，将所述图片输入至第一图片标注模型中，将所述体液标本的试管头颜色以第一预设图形进行标注并显示对应的标注标签，得到第一图片；
步骤S22，将所述第一图片输入至第二图片标注模型，将所述体液标本的标本种类以第二预设图形进行标注并显示对应的标注标签，得到第二图片；
步骤S23，将所述第二图片输入至第三图片标注模型中，将所述体液标本的标本状态以第三预设图形进行标注并显示对应的标注标签，得到标注图片。
本实施例中，所述标注图片中标注了三个位置，分别为试管头颜色、标本种类和标本状态，如在图片中以三角形框框选一部分试管头的区域，以矩形框框选可表示标本种类的区域，以圆形框框选可表示标本状态的区域。具体的，上述第一图片标注模型、第二图片标注模型、第三图片标注模型可基于Labelme、labelImg、Yolo mark、Vatic等训练而成，后续输入至识别模型进行识别时，直接识别对应图形区域。
在一实施例中，所述根据所述质量判断的结果确定所述体液标本是否符合标本质量要求的步骤S5之后，包括:
步骤S6，若所述体液标本符合所述标本质量要求；获取所述体液标本所需的环境温度；
步骤S7，根据所述环境温度控制所述体液标本的运输温度。
本实施例中，当体液标本符合对应的标本质量要求后，需要对其进行运输，获取标本体液运输过程中所需要的环境温度，根据该环境温度自动控制运输装置中的运输温度，保障标本运输环境满足检验要求。
本申请提供的体液标本质量检测方法、装置、运输装置、设备和介质，可应用在智能医疗领域，加快数字医疗的建设，从而推动智慧城市的建设。
本申请提供的体液标本质量检测方法可运用在区块链领域中，将试管图片存储在区块链网络中，区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。
区块链底层平台可以包括用户管理、基础服务、智能合约以及运营监控等处理模块。其中，用户管理模块负责所有区块链参与者的身份信息管理，包括维护公私钥生成(账户管理)、密钥管理以及用户真实身份和区块链地址对应关系维护(权限管理)等，并且在授权的情况下，监管和审计某些真实身份的交易情况，提供风险控制的规则配置(风控审计)；基础服务模块部署在所有区块链节点设备上，用来验证业务请求的有效性，并对有效请求完成共识后记录到存储上，对于一个新的业务请求，基础服务先对接口适配解析和鉴权处理(接口适配)，然后通过共识算法将业务信息加密(共识管理)，在加密之后完整一致的传输至共享账本上(网络通信)，并进行记录存储；智能合约模块负责合约的注册发行以及合约触发和合约执行，开发人员可以通过某种编程语言定义合约逻辑，发布到区块链上(合约注册)，根据合约条款的逻辑，调用密钥或者其它的事件触发执行，完成合约逻辑，同时还提供对合约升级注销的功能；运营监控模块主要负责产品发布过程中的部署、配置的修改、合约设置、云适配以及产品运行中的实时状态的可视化输出，例如：告警、监控网络情况、监控节点设备健康状态等。
参见图2，本申请一实施例还提供一种体液标本质量检测装置，包括：
第一获取单元10，用于获取体液标本的试管图片；
标注单元20，用于按照预设识别要求对所述试管图片进行标注，得到标注图片；
识别单元30，用于将所述标注图片输入至识别模型中进行质量识别，输出识别结果；其中，所述识别模型基于Yolo v3模型训练而成，所述识别模型用于识别试管颜色、标本种类、标本状态中的一个或多个；
配置单元40，用于获取所述体液标本的检验目的，根据所述检验目的在预设的检验知识图谱中配置标本质量规则；根据所述标本质量规则对所述识别结果进行质量判断；
确定单元50，用于根据所述质量判断的结果确定所述体液标本是否符合标本质量要求。
在一实施例中，所述识别单元30，包括：
转换子单元，用于将所述标注图片转换为TFRecords文件；
计算子单元，用于将所述TFRecords文件输入至所述识别模型中进行计算；
输出子单元，用于将所述识别模型的输出经过logistic计算，输出识别结果。
在一实施例中，所述配置单元40，包括：
识别子单元，用于识别所述试管图片中的条形码，获取体液标本的检验目的；
配置子单元，用于获取检验知识图谱，在所述检验知识图谱中获取所述检验目的对应的试管颜色、标本种类、标本状态中的一个或多个并配置对应的标本质量规则；
判断子单元，用于将所述识别结果与所述标本质量规则进行质量判断。
在一实施例，所述第一获取单元10，包括：
获取子单元，用于获取所述体液标本的前视图和后视图；
增强子单元，用于对所述前视图和后视图做增强处理；
识别子单元，用于通过边缘识别技术识别所述增强处理后的前视图中所述体液标本的左侧边缘和所述后视图中所述体液标本的右侧边缘；
拼接子单元，用于将所述左侧边缘和所述右侧边缘进行拼接，得到所述体液标本的试管图片。
在一实施例中，所述标注单元20，包括：
第一标注子单元，用于将所述图片输入至第一图片标注模型中，将所述体液标本的试管头颜色以第一预设图形进行标注并显示对应的标注标签，得到第一图片；
第二标注子单元，用于将所述第一图片输入至第二图片标注模型，将所述体液标本的标本种类以第二预设图形进行标注并显示对应的标注标签，得到第二图片；
第三标注子单元，用于将所述第二图片输入至第三图片标注模型中，将所述体液标本的标本状态以第三预设图形进行标注并显示对应的标注标签，得到标注图片。
在一实施例中，所述体液标本质量检测装置，还包括：
若所述体液标本符合所述标本质量要求，获取所述体液标本所需的环境温度；
根据所述环境温度控制所述体液标本的运输温度。
在本实施例中，上述各个单元、子单元的具体实现请参照上述方法实施例中所述，在此不再进行赘述。
参见图3，本申请一实施例还提供一种体液标本运输装置，包括：
壳体1、检测容器2、摄像模块3、检测模块4，所述检测容器2、摄像模块3、检测模块4设于所述壳体4内侧，所述摄像模块3至少包括两个，所述摄像模块3分别位于所述检测容器2两侧且相对设置，所述摄像模块3与所述检测模块4通信连接，所述检测模块1用于实现上述体液标本质量检测方法的步骤。
本实施例中，所述摄像模块3相向设置，位于检测容器2两侧，连接于壳体1内侧，试管为圆柱状，两个摄像模块3相向设置，将两个摄像模块3拍摄的图片进行拼接，得到体液标本的试管图片，摄像模块3与检测模块4通信连接，可将拍摄到的图片传输至检测模块4进行质量识别。检测容器2用于放置试管，检测容器2可设置多个，用于放置多个试管，当检测容器2设置多个时，检测容器2排列为一行，摄像模块3位于中点，使得所有检测容器2可位于摄像模块3的摄像范围内。本实施例提供的体液标本运输装置既能运输体液标本，还能进行质量检测，将体液标本直接放置在检测容器2中，进行质量检测，质量检测合格后，直接放置在该装置中进行运输。进一步地，所述装置壳体1上还可设置指示灯5，满足质量要求时指示灯5为绿色，不满足时为红色，物流专员可清楚的知道该装置中的体液标本是否符合质量要求，当所述运输装置可放置多个体液标本时，可在每个体液标本的检测容器2上设置一个指示灯5，运输专员可通过壳体1上的指示灯5知道该批体液标本是否符合质量要求，当不符合时，打开运输装置再根据具体的指示灯5知道是哪一个体液标本不符合质量要求。进一步地，所述装置还包括控温模块，控温模块与检测模块通信连接，用于根据标本体液所需的环境温度控制装置内部的温度。
参照图4，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储试管图片数据等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种体液标本质量检测方法。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种体液标本质量检测方法。
综上所述，为本申请实施例中提供的体液标本质量检测方法、装置、运输装置、设备和介质，所述方法包括：获取体液标本的试管图片；按照预设识别要求对所述试管图片进行标注，得到标注图片；将所述标注图片输入至识别模型中进行质量识别，输出识别结果；其中，所述识别模型基于Yolo v3模型训练而成，所述识别模型用于识别试管颜色、标本种类、标本状态中的一个或多个；获取所述体液标本的检验目的，根据所述检验目的在预设的检验知识图谱中配置标本质量规则；根据所述标本质量规则对所述识别结果进行质量判断；根据所述质量判断的结果确定所述体液标本是否符合标本质量要求。本申请提供的体液标本质量检测方法、装置、运输装置、设备和介质，通过识别模型进行质量识别，再根据预设的检验知识图谱自动加载判断规则进行判断，相较于人工的目视检查、靠经验判断收运标本质量而言，能够快速判断，且质量检查准确度更高，同时，对物流专员的要求更低。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储与一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它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、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。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、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请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它相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种体液标本质量检测方法，其特征在于，包括以下步骤：
获取体液标本的试管图片；
按照预设识别要求对所述试管图片进行标注，得到标注图片；
将所述标注图片输入至识别模型中进行质量识别，输出识别结果；其中，所述识别模型基于Yolo v3模型训练而成，所述识别模型用于识别试管颜色、标本种类、标本状态中的一个或多个；
获取所述体液标本的检验目的，根据所述检验目的在预设的检验知识图谱中配置标本质量规则；根据所述标本质量规则对所述识别结果进行质量判断；
根据所述质量判断的结果确定所述体液标本是否符合标本质量要求。
2.根据权利要求1所述的体液标本质量检测方法，其特征在于，所述将所述标注图片输入至识别模型中进行质量识别，输出识别结果的步骤，包括：
将所述标注图片转换为TFRecords文件；
将所述TFRecords文件输入至所述识别模型中进行计算；
将所述识别模型的输出经过logistic计算，输出识别结果。
3.根据权利要求1所述的体液标本质量检测方法，其特征在于，所述获取体液标本的检验目的，根据所述检验目的在预设的检验知识图谱中配置标本质量规则；根据所述标本质量规则对所述识别结果进行质量判断的步骤，包括：
识别所述试管图片中的条形码，获取体液标本的检验目的；
获取检验知识图谱，在所述检验知识图谱中获取所述检验目的对应的试管颜色、标本种类、标本状态中的一个或多个并配置对应的标本质量规则；
将所述识别结果与所述标本质量规则进行质量判断。
4.根据权利要求1所述的体液标本质量检测方法，其特征在于，所述获取体液标本的试管图片的步骤，包括：
获取所述体液标本的前视图和后视图；
对所述前视图和后视图做增强处理；
通过边缘识别技术识别所述增强处理后的前视图中所述体液标本的左侧边缘和所述后视图中所述体液标本的右侧边缘；
将所述左侧边缘和所述右侧边缘进行拼接，得到所述体液标本的试管图片。
5.根据权利要求1所述的体液标本质量检测方法，其特征在于，所述按照预设识别要求对所述试管图片进行标注，得到标注图片的步骤，包括：
将所述图片输入至第一图片标注模型中，将所述体液标本的试管头颜色以第一预设图形进行标注并显示对应的标注标签，得到第一图片；
将所述第一图片输入至第二图片标注模型，将所述体液标本的标本种类以第二预设图形进行标注并显示对应的标注标签，得到第二图片；
将所述第二图片输入至第三图片标注模型中，将所述体液标本的标本状态以第三预设图形进行标注并显示对应的标注标签，得到标注图片。
6.根据权利要求1所述的体液标本质量检测方法，其特征在于，所述根据所述质量判断的结果确定所述体液标本是否符合标本质量要求的步骤之后，包括：
若所述体液标本符合所述标本质量要求，获取所述体液标本所需的环境温度；
根据所述环境温度控制所述体液标本的运输温度。
7.一种体液标本质量检测装置，其特征在于，包括：
获取单元，用于获取体液标本的试管图片；
标注单元，用于按照预设识别要求对所述试管图片进行标注，得到标注图片；
识别单元，用于将所述标注图片输入至识别模型中进行质量识别，输出识别结果；其中，所述识别模型基于Yolo v3模型训练而成，所述识别模型用于识别试管颜色、标本种类、标本状态中的一个或多个；
配置单元，用于获取所述体液标本的检验目的，根据所述检验目的在预设的检验知识图谱中配置标本质量规则；根据所述标本质量规则对所述识别结果进行质量判断；
确定单元，用于根据所述质量判断的结果确定所述体液标本是否符合标本质量要求。
8.一种体液标本运输装置，其特征在于，包括：
壳体、检测容器、摄像模块、检测模块，所述检测容器、摄像模块、检测模块设于所述壳体内侧，所述摄像模块至少包括两个，所述摄像模块分别位于所述检测容器两侧且相对设置，所述摄像模块与所述检测模块通信连接，所述检测模块用于实现上述权利要求1-6所述的体液标本质量检测方法的步骤。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的体液标本质量检测方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的体液标本质量检测方法的步骤。
CN202010898354.8A 2020-08-31 2020-08-31 体液标本质量检测方法、装置、运输装置、设备和介质 Pending CN112037202A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010898354.8A CN112037202A (zh) 2020-08-31 2020-08-31 体液标本质量检测方法、装置、运输装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010898354.8A CN112037202A (zh) 2020-08-31 2020-08-31 体液标本质量检测方法、装置、运输装置、设备和介质

Publications (1)

Publication Number Publication Date
CN112037202A true CN112037202A (zh) 2020-12-04

Family

ID=73586865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010898354.8A Pending CN112037202A (zh) 2020-08-31 2020-08-31 体液标本质量检测方法、装置、运输装置、设备和介质

Country Status (1)

Country Link
CN (1) CN112037202A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114373349A (zh) * 2020-12-15 2022-04-19 西安赛德欧医疗研究院有限公司 全腹腔脏器手术训练系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114373349A (zh) * 2020-12-15 2022-04-19 西安赛德欧医疗研究院有限公司 全腹腔脏器手术训练系统

Similar Documents

Publication Publication Date Title
CN111667011B (zh) 损伤检测模型训练、车损检测方法、装置、设备及介质
US11132787B2 (en) Method for monitoring manufacture of assembly units
WO2019227616A1 (zh) 动物身份的识别方法、装置、计算机设备和存储介质
CN110569856B (zh) 样本标注方法及装置、损伤类别的识别方法及装置
CN108416326B (zh) 人脸识别方法和装置
CN109359676A (zh) 用于生成车辆损伤信息的方法和装置
CN110570316A (zh) 训练损伤识别模型的方法及装置
CN113723288B (zh) 基于多模态混合模型的业务数据处理方法及装置
CN111401418A (zh) 一种基于改进Faster r-cnn的员工着装规范检测方法
CN113052295B (zh) 一种神经网络的训练方法、物体检测方法、装置及设备
CN110175519B (zh) 一种变电站的分合标识仪表识别方法、装置与存储介质
CN113705685B (zh) 疾病特征识别模型训练、疾病特征识别方法、装置及设备
CN113569627A (zh) 人体姿态预测模型训练方法、人体姿态预测方法及装置
CN103913150B (zh) 智能电能表电子元器件一致性检测方法
CN112037202A (zh) 体液标本质量检测方法、装置、运输装置、设备和介质
CN117196322B (zh) 智能风控方法、装置、计算机设备及存储介质
CN111738182B (zh) 基于图像识别的身份验证方法、装置、终端及存储介质
CN111340896B (zh) 对象颜色的识别方法、装置、计算机设备及存储介质
CN112214513A (zh) 智能制造物料管理系统
CN115294505B (zh) 风险物体检测及其模型的训练方法、装置及电子设备
CN112580505B (zh) 网点开关门状态识别方法、装置、电子设备及存储介质
CN111583215A (zh) 损伤图像智能定损方法、装置、电子设备及存储介质
KR102276491B1 (ko) 시약병 특징을 이용한 영상분석 시약정보 수집 방법 및 장치
US20230214936A1 (en) Methods and Systems for Submitting and/or Processing Insurance Claims for Damaged Motor Vehicle Glass
CN109829898B (zh) 一种用于互联网检测中基于神经网络的测量检测系统及方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220526

Address after: 518000 China Aviation Center 2901, No. 1018, Huafu Road, Huahang community, Huaqiang North Street, Futian District, Shenzhen, Guangdong Province

Applicant after: Shenzhen Ping An medical and Health Technology Service Co.,Ltd.

Address before: Room 12G, Block H, 666 Beijing East Road, Huangpu District, Shanghai 200000

Applicant before: PING AN MEDICAL AND HEALTHCARE MANAGEMENT Co.,Ltd.