CN112270323A - 智能医疗复检控制方法、系统、介质、计算机设备及应用 - Google Patents
智能医疗复检控制方法、系统、介质、计算机设备及应用 Download PDFInfo
- Publication number
- CN112270323A CN112270323A CN202011057659.2A CN202011057659A CN112270323A CN 112270323 A CN112270323 A CN 112270323A CN 202011057659 A CN202011057659 A CN 202011057659A CN 112270323 A CN112270323 A CN 112270323A
- Authority
- CN
- China
- Prior art keywords
- picture
- infusion bag
- template
- carrying
- reinspection
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000001802 infusion Methods 0.000 claims abstract description 55
- 238000012216 screening Methods 0.000 claims abstract description 53
- 238000004364 calculation method Methods 0.000 claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000012552 review Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 229940127554 medical product Drugs 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000013102 re-test Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000012805 post-processing Methods 0.000 claims description 2
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000012015 optical character recognition Methods 0.000 description 25
- 238000001514 detection method Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Chemical compound OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 229940093181 glucose injection Drugs 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明属于信息处理技术领域，公开了一种智能医疗复检控制方法、系统、介质、计算机设备及应用，针对每种待复检的输液袋种类都筛选出一张清晰的模板图用于辅助复检，标注出模板图的关键位置并记录；将待检测的输液袋图片与对应模板进行整体相似度计算；对整体相似度过关的输液袋进行关键位置的相似度计算与OCR识别，得到最终的复检结果。本发明采用初步筛查和精细筛查，初步筛查计算量小，筛除大部分干扰项后再进行精细的二次筛查，有效的节省了复检时间，二次筛查同时采用了OCR识别和相似度计算的方法，保证了复检结果的准确性。本发明对于变形程度在25％以内的图片也能精准识别，有效减少了复检过程的耗时。
Description
技术领域
本发明属于信息处理技术领域，尤其涉及一种智能医疗复检控制方法、系统、介质、计算机设备及应用。
背景技术
目前：由于国内公共医疗管理系统的不完善，医疗成本高、渠道少、覆盖面低等问题困扰着大众民生。因此建立一套智慧的医疗信息网络平台体系，就可以使患者用较短的等疗时间、支付基本的医疗费用，享受安全、便利、优质的诊疗服务。物联感知技术的不断发展给各行各业提供了更多的技术方案支撑，而云计算及相关技术的运用在需要处理大量数据的领域也得到大量的运用。医疗行业同样是一个存在多种传感设备的行业，而且每天都会产生海量的医疗数据。如果仅凭医生来对医药产品进行复检，会造成医疗资源的极大浪费。所以如果采用物联感知系统结合云计算大数据分析的方案，可以智能化复检医疗产品，节省大量人力物力的同时也提高了复检过程的准确性和高效性。
在进行光学扫描时，会因为客观原因，导致扫描的图像位置不正，影响后期的图像处理，因此需对图像进行图像矫正工作。图像倾斜矫正关键在于根据图像特征自动检测出图像倾斜方向和倾斜角度。目前常用的倾斜角度方法有：基于投影的方法、基于Hough变换、基于线性拟合，还有进行傅里叶变换到频域来进行检测的方法。其中Hough变换是数字图象技术中一种有效的发现直线的算法。它是先把直角坐标系的目标点映射到极坐标系上进行累积，即它是先使直角坐标系平面上任一直线上的所有点均累积到极坐标系的同一点集中去，然后通过寻找极坐标系中点集的峰值，来发现长的直线特征。由于这种点集是通过累积统计得到的，因而能够容忍直线的间断。实现图片相似度比较的哈希算法有三种：平均哈希算法，差值哈希算法，感知哈希算法。平均哈希算法计算速度快，不受图片尺寸大小的影响，但是缺点就是对均值敏感，例如对图像进行伽马校正或直方图均衡就会影响均值，从而影响最终的hash值。感知哈希算法能够避免伽马校正或颜色直方图被调整带来的影响。对于变形程度在25％以内的图片也能精准识别。
光学字符识别(OCR)目前在医药产品识别上有广泛的应用，通过将文字的图片数字化，从中快速提取出有用信息。深度学习在OCR问题上的应用，主要可分为三类：文本区域检测，文本字符识别，端到端文字检测和识别。文本区域检测是根据文字本身的凝聚性以及其与背景的差异性的特点，找到文本区域的准确位置，并将其从原始图像中提取出来，文本区域检测的方法可以细分为基于学习的方法、基于区域的方法以及基于纹理的方法三类。自然场景一般指相机拍摄的图片，由于其环境的多样性和背景的复杂性，传统OCR识别方法在预处理和二值化上很难达到理想的效果，严重影响识别的准确程度。现有的解决方法如下：
(1)使用滑动窗口来检测图像中所有可能的字符，生成自上而下的信息，结合自上而下的字典统计信息，通过条件随机场集成在模型中，从而实现了对错误识别的纠正，提高了系统的容错率。
(2)采用基于局部的树结构的字符识别模型，对噪声、模糊等干扰鲁棒性表现不错，但对字符模型和字符注释的依赖很强。
(3)使用一组多尺度中间元素表示字符，可以进行字符级标签的学习，并抽取不同粒度下字符的结构特征。
端到端OCR框架最早于2010年提出，通过使用MSER提取字符候选区，通过训练的分类模型进行过滤，然后送入字符识别模块进行识别。随着深度卷积神经网络的发展，深度学习的方法在文本检测和识别领域也得到了飞速的发展。
通过上述分析，现有技术存在的问题及缺陷为：传统的文字识别技术受光照及形变的干扰较大。
解决以上问题及缺陷的难度为：传统的光学字符识别算法大多依赖于人工设计特征，通过模板匹配的方法实现特定场景的识别，因此，适用场景比较单一，泛化能力较差，处理输液袋等非刚体识别任务时效果不佳。此外，在处理文字间存在噪声干扰的图像上，传统的卷积递归神经网络(CRNN)的检测效果也不理想。
解决以上问题及缺陷的意义为：可显著提高对输液袋等非刚体进行识别任务的准确性和高效性。
发明内容
针对现有技术存在的问题，本发明提供了一种智能医疗复检控制方法、系统、介质、计算机设备及应用。
本发明是这样实现的，一种智能医疗复检控制方法，所述智能医疗复检控制方法针对每种待复检的输液袋种类都筛选出一张清晰的模板图用于辅助复检，标注出模板图的关键位置并记录；将待检测的输液袋图片与对应模板进行整体相似度计算；对整体相似度过关的输液袋进行关键位置的相似度计算与OCR识别，得到最终的复检结果。
进一步，所述智能医疗复检控制方法包括以下步骤：
第一步，针对每种待复检的输液袋种类都建立相应的模板用于辅助复检；
第二步，进行初步筛查，将待检测的输液袋图片与对应模板进行整体相似度计算，过滤掉不符合条件的输液袋；
第三步，进行二次筛查，对整体相似度过关的输液袋进行关键位置的相似度计算与OCR识别，从而得到最终的复检结果。
进一步，所述智能医疗复检控制方法的模板建立方法包括：
(1)针对每种待复检的输液袋种类都筛选出一张清晰的模板图用于辅助复检；
(2)确定出待检测输液袋的关键位置，生产日期、生产批号、品类、厂家；
(3)框选出模板图中的关键位置，并记录下坐标信息。
进一步，所述智能医疗复检控制方法的初步筛选方法包括：
(1)将待检测的图片进行倾斜图像的矫正；
(2)将矫正后的待检测图片与模板图片进行相似度匹配，过滤掉整体相似度较低的图片；其中用到的相似度匹配的方法为感知哈希算法，步骤如下：
1)缩放图片，统一将图片尺寸缩放为n*n，一共得到了n*n个像素点；
2)转灰度图，统一下一步输入标准，将非单通道图片都转为单通道灰度图；
3)计算DCT，计算n*n数据矩阵的离散余弦变换后对应的n*n数据矩阵；
4)缩小DCT，取上一步得到n*n数据矩阵左上角n/4*n/4子区域；
5)算平均值，通过上一步可得一个n/4*n/4的整数矩阵G,计算这个矩阵中所有元素的平均值a；
6)从左到右地遍历矩阵G每一个像素，如果元素大于等于a，则汉明距离加一。
进一步，所述智能医疗复检控制方法的二次筛查方法包括：
(1)截取关键位置图片；
(2)对关键位置图片进行OCR文字识别，其中OCR神经网络主要分为卷积层、循环层和翻译层这三块；流程如下：
1)图像被缩放为32*W*3的大小；
2)经过卷积层之后，输出1*(W/4)*512大小的特征；
3)特征作为循环层LSTM的输入，此时把特征当做一个序列，序列长度为T＝W/4，每个1x512的特征被认为是一帧数据，共T帧；
4)LSTM输出为T*N，N为数据集里的字符数，每一帧对应一个1*N的特征，softmax处理后可代表着一帧数据在所有字符上的分类概率；
5)最后，翻译层把softmax处理后的数据翻译为后验概率最大的序列；
6)预测序列做后处理，合并重复的字符，得到最终输出；
(3)对关键位置图片进行平均哈希相似度计算，利用相似度结果以及OCR识别结果进行最终筛查，其中平均哈希相似度计算步骤如下：
1)缩放：图片缩放为n*n，保留结构，出去细节；
2)灰度化：转换为256阶灰度图；
3)求平均值：计算灰度图所有像素的平均值；
4)比较：像素值大于平均值记作1，相反记作0，总共64位；
5)生成hash：将生成的1和0按顺序组合起来既是图片的指纹hash，顺序不固定，但是比较时候必须是相同的顺序；
6)对比指纹：将两幅图的指纹对比，计算汉明距离，即两个64位的hash值有多少位是不一样的，不相同位数越少，图片越相似。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：针对每种待复检的输液袋种类都筛选出一张清晰的模板图用于辅助复检，标注出模板图的关键位置并记录；将待检测的输液袋图片与对应模板进行整体相似度计算；对整体相似度过关的输液袋进行关键位置的相似度计算与OCR识别，得到最终的复检结果。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：针对每种待复检的输液袋种类都筛选出一张清晰的模板图用于辅助复检，标注出模板图的关键位置并记录；将待检测的输液袋图片与对应模板进行整体相似度计算；对整体相似度过关的输液袋进行关键位置的相似度计算与OCR识别，得到最终的复检结果。
本发明的另一目的在于提供一种实施所述智能医疗复检控制方法的智能医疗复检控制系统，所述智能医疗复检控制系统包括：
模板建立模块，用于针对每种待复检的输液袋种类都建立相应的模板用于辅助复检；
初步筛查模块，用于进行初步筛查，将待检测的输液袋图片与对应模板进行整体相似度计算，过滤掉不符合条件的输液袋；
二次筛查模块，用于进行二次筛查，对整体相似度过关的输液袋进行关键位置的相似度计算与OCR识别，得到最终的复检结果；
本发明的另一目的在于提供一种智慧的医疗信息网络平台，所述智慧的医疗信息网络平台安装有所述的智能医疗复检控制系统。
本发明的另一目的在于提供一种医药产品识别终端，所述医药产品识别终端安装有所述的智能医疗复检控制系统。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：
(1)适用范围广泛，常用的相似度计算通常适用于无形变或形变微小的刚体，本发明采取模板匹配及哈希相似度计算适用于有一定形变的非刚体；
(2)运行速度快，本发明采取两次筛查的方法，通过简单的初步筛查操作快速过滤掉差异较大的待测产品，再通过二次筛查进行细致比较，应用于大量数据的处理时速度优势明显；
(3)准确性高，本发明采用的两次筛查其中的第二次筛查，采用关键位置上的相似度比较和OCR文字识别两种方法同时进行比对，保证了复检结果的准确性；
本发明满足实时性需求，可应用于医疗产品复检任务中。表1列出本发明与现有技术相比的结果。
表1本发明与现有技术对比
本发明在模板建立方面，每种类型的输液袋都选取一张清晰的高质量图像作为模板图，提取模板图像的关键位置信息并保存。本发明采用初步筛查和精细筛查，初步筛查计算量小，筛除大部分干扰项后再进行精细的二次筛查，有效的节省了复检时间，二次筛查同时采用了OCR识别和相似度计算的方法，保证了复检结果的准确性。
本发明在初步筛选方面的优势在于先利用Hough变换进行图像的矫正，再应用感知哈希相似度计算，避免伽马校正或颜色直方图被调整带来的影响。对于变形程度在25％以内的图片也能精准识别。通过整体相似度的计算筛除差异较大的待复检产品，有效减少了复检过程的耗时。
本发明在二次筛选方面优势在于利用模板的关键位置坐标对当前待测产品图片进行关键位置的截取，同时采取相似度计算和OCR识别的方法来保证复检的准确率，其中二次筛选的相似度计算采用平均哈希相似度计算，平均哈希算法计算速度快，不受图片尺寸大小的影响。OCR识别网络采用卷积层、循环层和翻译层这三块，保证推理的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，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是本发明实施例提供的智能医疗复检控制方法流程图。
图2是本发明实施例提供的智能医疗复检控制系统的结构示意图；
图2中：1、模板建立模块；2、初步筛查模块；3、二次筛查模块。
图3是本发明实施例提供的智能医疗复检控制方法实现流程图。
图4是本发明实施例提供的复检结果示意图。
图5是本发明实施例提供的47张图片复检示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。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。
针对现有技术存在的问题，本发明提供了一种智能医疗复检控制方法、系统、介质、计算机设备及应用，下面结合附图对本发明作详细的描述。
如图1所示，本发明提供的智能医疗复检控制方法包括以下步骤：
S101：针对每种待复检的输液袋种类都建立相应的模板用于辅助复检；
S102：进行初步筛查，将待检测的输液袋图片与对应模板进行整体相似度计算，过滤掉不符合条件的输液袋；
S103：进行二次筛查，对整体相似度过关的输液袋进行关键位置的相似度计算与OCR识别，从而得到最终的复检结果；
本发明提供的智能医疗复检控制方法业内的普通技术人员还可以采用其他的步骤实施来满足多种应用环境及复检产品的需求，具体的流程包括以下步骤：
1)针对待复检产品的特点进行关键区域的选定；
2)对带复检的产品选取模板并提取出关键区域的坐标，为了保证算法的准确性，可以选取多个模板；
3)将复检产品和多个模板进行相似度匹配，进行初次筛查的判定；
4)对通过初次筛查的产品进行关键位置的相似度计算与OCR识别，综合多个模板所得结果得到最终准确的结果；
图1的本发明提供的智能医疗复检控制方法仅仅是一个具体实施例而已。
如图2所示，本发明提供的智能医疗复检控制系统包括：
模板建立模块1，用于针对每种待复检的输液袋种类都建立相应的模板用于辅助复检；
初步筛查模块2，用于进行初步筛查，将待检测的输液袋图片与对应模板进行整体相似度计算，过滤掉不符合条件的输液袋；
二次筛查模块3，用于进行二次筛查，对整体相似度过关的输液袋进行关键位置的相似度计算与OCR识别，得到最终的复检结果；
下面结合附图对本发明的技术方案作进一步的描述。
如图3所示，本发明实施例提供的智能医疗复检控制方法包括以下步骤：
第一步，针对每种输液袋选取一张高质量图片作为模板，并记录该模板关键位置的坐标信息；
第二步，对待复检的医疗产品图片进行Hough变换，完成图像的矫正；
第三步，采用感知哈希算法进行整体相似度计算，滤除与模板图像相似度差异较大的产品；
第四步，利用模板图像的关键位置信息截取出待测图片的关键位置，对模板图像和待测图像进行平均哈希相似度计算，滤除关键位置相似度较低的待测产品；
第五步，对待测产品的关键位置进行OCR文字识别，将识别后的结果与产品的标签进行比较，若不同则进行人工复检。
本发明的模板建立模块选取的关键位置为品类、厂家、浓度、规格以及生产日期。待复检输液袋，初步筛查模块对模板图和待测图进行整体相似度计算，若相似度结果大于设定的阈值，则进入二次筛查模块。
本发明的二次精细筛查模块，先对待测输液袋的关键位置进行截取，再对关键位置分别进行相似度匹配，若产品通过以上筛查，则进入最终的OCR识别复检阶段；采用OCR分别对规格、浓度以及生产日期进行识别，若规格和浓度的识别结果与标签一致，则显示复检成功，并输出生产日期，输出结果如图4所示。
对如图5所示的47张图片采用本发明进行复检，其中待复检的产品标签为规格为500ml的浓度为5％的双鹤葡萄糖注射液，复检用时为22s，复检成功46张，成功率约为98％。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种智能医疗复检控制方法，其特征在于，所述智能医疗复检控制方法针对每种待复检的输液袋种类都筛选出一张清晰的模板图用于辅助复检，标注出模板图的关键位置并记录；将待检测的输液袋图片与对应模板进行整体相似度计算；对整体相似度过关的输液袋进行关键位置的相似度计算与OCR识别，得到最终的复检结果。
2.如权利要求1所述的智能医疗复检控制方法，其特征在于，所述智能医疗复检控制方法包括以下步骤：
第一步，针对每种待复检的输液袋种类都建立相应的模板用于辅助复检；
第二步，进行初步筛查，将待检测的输液袋图片与对应模板进行整体相似度计算，过滤掉不符合条件的输液袋；
第三步，进行二次筛查，对整体相似度过关的输液袋进行关键位置的相似度计算与OCR识别，从而得到最终的复检结果。
3.如权利要求2所述的智能医疗复检控制方法，其特征在于，所述智能医疗复检控制方法的模板建立方法包括：
(1)针对每种待复检的输液袋种类都筛选出一张清晰的模板图用于辅助复检；
(2)确定出待检测输液袋的关键位置，生产日期、生产批号、品类、厂家；
(3)框选出模板图中的关键位置，并记录下坐标信息。
4.如权利要求2所述的智能医疗复检控制方法，其特征在于，所述智能医疗复检控制方法的初步筛选方法包括：
(1)将待检测的图片进行倾斜图像的矫正；
(2)将矫正后的待检测图片与模板图片进行相似度匹配，过滤掉整体相似度较低的图片；其中用到的相似度匹配的方法为感知哈希算法，步骤如下：
1)缩放图片，统一将图片尺寸缩放为n*n，一共得到了n*n个像素点；
2)转灰度图，统一下一步输入标准，将非单通道图片都转为单通道灰度图；
3)计算DCT，计算n*n数据矩阵的离散余弦变换后对应的n*n数据矩阵；
4)缩小DCT，取上一步得到n*n数据矩阵左上角n/4*n/4子区域；
5)算平均值，通过上一步可得一个n/4*n/4的整数矩阵G,计算这个矩阵中所有元素的平均值a；
6)从左到右地遍历矩阵G每一个像素，如果元素大于等于a，则汉明距离加一。
5.如权利要求2所述的智能医疗复检控制方法，其特征在于，所述智能医疗复检控制方法的二次筛查方法包括：
(1)截取关键位置图片；
(2)对关键位置图片进行OCR文字识别，其中OCR神经网络主要分为卷积层、循环层和翻译层这三块；流程如下：
1)图像被缩放为32*W*3的大小；
2)经过卷积层之后，输出1*(W/4)*512大小的特征；
3)特征作为循环层LSTM的输入，此时把特征当做一个序列，序列长度为T＝W/4，每个1x512的特征被认为是一帧数据，共T帧；
4)LSTM输出为T*N，N为数据集里的字符数，每一帧对应一个1*N的特征，softmax处理后可代表着一帧数据在所有字符上的分类概率；
5)最后，翻译层把softmax处理后的数据翻译为后验概率最大的序列；
6)预测序列做后处理，合并重复的字符，得到最终输出；
(3)对关键位置图片进行平均哈希相似度计算，利用相似度结果以及OCR识别结果进行最终筛查，其中平均哈希相似度计算步骤如下：
1)缩放：图片缩放为n*n，保留结构，出去细节；
2)灰度化：转换为256阶灰度图；
3)求平均值：计算灰度图所有像素的平均值；
4)比较：像素值大于平均值记作1，相反记作0，总共64位；
5)生成hash：将生成的1和0按顺序组合起来既是图片的指纹hash，顺序不固定，但是比较时候必须是相同的顺序；
6)对比指纹：将两幅图的指纹对比，计算汉明距离，即两个64位的hash值有多少位是不一样的，不相同位数越少，图片越相似。
6.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：针对每种待复检的输液袋种类都筛选出一张清晰的模板图用于辅助复检，标注出模板图的关键位置并记录；将待检测的输液袋图片与对应模板进行整体相似度计算；对整体相似度过关的输液袋进行关键位置的相似度计算与OCR识别，得到最终的复检结果。
7.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：针对每种待复检的输液袋种类都筛选出一张清晰的模板图用于辅助复检，标注出模板图的关键位置并记录；将待检测的输液袋图片与对应模板进行整体相似度计算；对整体相似度过关的输液袋进行关键位置的相似度计算与OCR识别，得到最终的复检结果。
8.一种实施权利要求1～5任意一项所述智能医疗复检控制方法的智能医疗复检控制系统，其特征在于，所述智能医疗复检控制系统包括：
模板建立模块，用于针对每种待复检的输液袋种类都建立相应的模板用于辅助复检；
初步筛查模块，用于进行初步筛查，将待检测的输液袋图片与对应模板进行整体相似度计算，过滤掉不符合条件的输液袋；
二次筛查模块，用于进行二次筛查，对整体相似度过关的输液袋进行关键位置的相似度计算与OCR识别，得到最终的复检结果。
9.一种智慧的医疗信息网络平台，其特征在于，所述智慧的医疗信息网络平台安装有权利要求8所述的智能医疗复检控制系统。
10.一种医药产品识别终端，其特征在于，所述医药产品识别终端安装有权利要求8所述的智能医疗复检控制系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011057659.2A CN112270323B (zh) | 2020-09-29 | 2020-09-29 | 智能医疗复检控制方法、系统、介质、计算机设备及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011057659.2A CN112270323B (zh) | 2020-09-29 | 2020-09-29 | 智能医疗复检控制方法、系统、介质、计算机设备及应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112270323A true CN112270323A (zh) | 2021-01-26 |
| CN112270323B CN112270323B (zh) | 2024-02-02 |
Family
ID=74337064
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011057659.2A Active CN112270323B (zh) | 2020-09-29 | 2020-09-29 | 智能医疗复检控制方法、系统、介质、计算机设备及应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112270323B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019174130A1 (zh) * | 2018-03-14 | 2019-09-19 | 平安科技（深圳）有限公司 | 票据识别方法、服务器及计算机可读存储介质 |
| CN111259897A (zh) * | 2018-12-03 | 2020-06-09 | 杭州翼心信息科技有限公司 | 知识感知的文本识别方法和系统 |
| CN111524093A (zh) * | 2020-03-23 | 2020-08-11 | 中润普达(十堰)大数据中心有限公司 | 一种异常舌象的智能筛查方法及其系统 |
| CN111581364A (zh) * | 2020-05-06 | 2020-08-25 | 厦门理工学院 | 一种面向医疗领域的中文智能问答短文本相似度计算方法 |
-
2020
- 2020-09-29 CN CN202011057659.2A patent/CN112270323B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019174130A1 (zh) * | 2018-03-14 | 2019-09-19 | 平安科技（深圳）有限公司 | 票据识别方法、服务器及计算机可读存储介质 |
| CN111259897A (zh) * | 2018-12-03 | 2020-06-09 | 杭州翼心信息科技有限公司 | 知识感知的文本识别方法和系统 |
| CN111524093A (zh) * | 2020-03-23 | 2020-08-11 | 中润普达(十堰)大数据中心有限公司 | 一种异常舌象的智能筛查方法及其系统 |
| CN111581364A (zh) * | 2020-05-06 | 2020-08-25 | 厦门理工学院 | 一种面向医疗领域的中文智能问答短文本相似度计算方法 |
Non-Patent Citations (1)
| Title |
|---|
| 袁健;程国涛;: "一种抗噪的自然场景图片预处理算法模型", 小型微型计算机系统, no. 09 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112270323B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10552705B2 (en) | Character segmentation method, apparatus and electronic device | |
| CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
| US8326000B2 (en) | Apparatus and method for detecting facial image | |
| CN104751142B (zh) | 一种基于笔划特征的自然场景文本检测方法 | |
| CN109118473B (zh) | 基于神经网络的角点检测方法、存储介质与图像处理系统 | |
| CN110020692B (zh) | 一种基于印刷体模板的手写体分离与定位方法 | |
| CN111914698B (zh) | 图像中人体的分割方法、分割系统、电子设备及存储介质 | |
| CN104568986A (zh) | 基于surf算法的遥控器面板印刷缺陷自动检测方法 | |
| CN110390677B (zh) | 一种基于滑动自匹配的缺陷定位方法及系统 | |
| CN108830133A (zh) | 合同影像图片的识别方法、电子装置及可读存储介质 | |
| US20200134382A1 (en) | Neural network training utilizing specialized loss functions | |
| CN111310826B (zh) | 样本集的标注异常检测方法、装置及电子设备 | |
| CN113724231A (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
| US20210390282A1 (en) | Training data increment method, electronic apparatus and computer-readable medium | |
| CN116704516B (zh) | 一种用于水溶肥料包装的视觉检测方法 | |
| CN111368632A (zh) | 一种签名识别方法及设备 | |
| CN113158895A (zh) | 票据识别方法、装置、电子设备及存储介质 | |
| CN113033558A (zh) | 一种用于自然场景的文本检测方法及装置、存储介质 | |
| CN111445386A (zh) | 基于文本内容四点检测的图像校正方法 | |
| CN115752969A (zh) | 一种铝箔封口密封性检测方法及系统和设备 | |
| Gui et al. | A fast caption detection method for low quality video images | |
| Cai et al. | An efficient method for electric meter readings automatic location and recognition | |
| CN112270323B (zh) | 智能医疗复检控制方法、系统、介质、计算机设备及应用 | |
| CN113378847B (zh) | 字符分割方法、系统、计算机设备和存储介质 | |
| CN111768436B (zh) | 一种基于Faster-RCNN改进的图像特征块配准方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |