CN113139401B - 用于药品回收的方法、计算设备、药品回收装置和介质 - Google Patents

用于药品回收的方法、计算设备、药品回收装置和介质 Download PDF

Info

Publication number
CN113139401B
CN113139401B CN202110683440.1A CN202110683440A CN113139401B CN 113139401 B CN113139401 B CN 113139401B CN 202110683440 A CN202110683440 A CN 202110683440A CN 113139401 B CN113139401 B CN 113139401B
Authority
CN
China
Prior art keywords
image
recovered
drug
determining
medicine
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.)
Active
Application number
CN202110683440.1A
Other languages
English (en)
Other versions
CN113139401A (zh
Inventor
周昊
郭爱群
户志明
孙欣然
倪述荣
王佳斐
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.)
Shanghai Juyin Information Technology Co ltd
Nanjing Yunlian Digital Technology Co ltd
Original Assignee
Shanghai Juyin Information Technology Co ltd
Nanjing Yunlian Digital Technology 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 Shanghai Juyin Information Technology Co ltd, Nanjing Yunlian Digital Technology Co ltd filed Critical Shanghai Juyin Information Technology Co ltd
Priority to CN202110683440.1A priority Critical patent/CN113139401B/zh
Publication of CN113139401A publication Critical patent/CN113139401A/zh
Application granted granted Critical
Publication of CN113139401B publication Critical patent/CN113139401B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
    • G06K7/1404—Methods for optical code recognition
    • G06K7/1408—Methods for optical code recognition the method being specifically adapted for the type of code
    • G06K7/1413—1D bar codes
    • 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
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
    • G06K7/1404—Methods for optical code recognition
    • G06K7/1408—Methods for optical code recognition the method being specifically adapted for the type of code
    • G06K7/1417—2D bar codes
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • 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
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Electromagnetism (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Toxicology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Medical Preparation Storing Or Oral Administration Devices (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Image Analysis (AREA)

Abstract

本公开的实施例涉及用于药品回收的方法、计算设备、药品回收装置和计算机存储介质。根据该方法，获取包括待回收药盒上指示药品标识的码的第一图像；从第一图像识别码，以获取药品标识；基于药品标识，从服务器获取关于药盒的第二图像；生成第二图像的第一哈希值；获取包括待回收药盒的多个第三图像；生成多个第三图像的多个第二哈希值；以及基于第一哈希值和多个第二哈希值，确定待回收药盒的有效性。由此，能够更准确地确定待回收药盒的有效性。

Description

用于药品回收的方法、计算设备、药品回收装置和介质
技术领域
本公开的实施例总体涉及信息处理领域，具体涉及用于药品回收的方法、计算设备、药品回收装置和计算机存储介质。
背景技术
随着信息技术的发展，药品回收也开始变得越来越多。但是，传统方案使用红外扫描的方式仅能确定药品是否投入回收装置，但是无法识别投入的是否为药品。此外，在无人值守情况下，传统方案也无法避免恶意或者错误地将非药品当作药品投入回收装置的情形。
发明内容
提供了一种用于药品回收的方法、计算设备、药品回收装置以及计算机存储介质，能够准确地确定待回收药品的有效性。
根据本公开的第一方面，提供了一种用于药品回收的方法。该方法包括：获取包括待回收药盒上指示药品标识的码的第一图像；从第一图像识别码，以获取药品标识；基于药品标识，从服务器获取关于药盒的第二图像；生成第二图像的第一哈希值；获取包括待回收药盒的多个第三图像；生成多个第三图像的多个第二哈希值；以及基于第一哈希值和多个第二哈希值，确定待回收药盒的有效性；其中生成所述多个第三图像的所述多个第二哈希值包括：对于所述多个第三图像中的每个第三图像，执行以下步骤：从所述第三图像截取所述待回收药盒所在的部分图像；将所述部分图像转化为具有预定尺寸的第四图像；从所述第四图像获取灰色通道数据；以及将所述灰色通道数据转化为字符串，以作为所述第二哈希值；其中从所述第三图像截取所述待回收药盒所在的部分图像包括：基于边缘检测器，从所述第三图像获取多个候选轮廓点；确定与所述多个候选轮廓点相关联的多个补丁点集，所述多个候选轮廓点中的每个候选轮廓点位于与所述候选轮廓点相关联的补丁点集的中心；对于所述多个补丁点集中的每个补丁点集，执行以下步骤：基于所述补丁点集，经由级联的多个卷积层，生成多个第一特征图；基于所述多个第一特征图，生成多个子特征图，所述多个子特征图中的每个子特征图的大小与所关联卷积层的层级相对应；对所述多个子特征图进行最大池化、平均池化和中心池化，以生成多个第二特征图，所述中心池化用于获取与中心点对应的值；基于所述多个第二特征图，经由分叉网络，生成两个值，所述分叉网络中的第一分类分支经训练用于预测给定点为轮廓点的概率，所述分叉网络中的第二逻辑回归分支经训练用于预测标记者将给定点标记为轮廓点的概率；以及基于所述两个值，生成关于与所述补丁点集相关联的候选轮廓点为轮廓点的概率值；基于所述多个候选轮廓点的所述多个概率值，确定多个轮廓；从所述多个轮廓确定最大轮廓；以及基于所述最大轮廓的坐标，从所述第三图像获取所述待回收药盒所在的部分图像。
根据本公开的第二方面，提供了一种计算设备。该计算设备包括：至少一个处理器，以及与至少一个处理器通信连接的存储器，其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行根据第一方面所述的方法。
根据本公开的第三方面，提供了一种药品回收装置，包括：壳体，壳体的上表面具有药品投放口；安装于壳体的上表面的第一图像采集装置；安装于药品投放口处的红外感应装置和第二图像采集装置；以及根据本公开第二方面的计算设备，计算设备与第一图像采集装置、红外感应装置和第二图像采集装置相耦接。
在本公开的第四方面中，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现根据本公开的第一方面的方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标注表示相同或相似的元素。
图1是根据本公开的实施例的信息处理环境100的示意图。
图2是根据本公开的实施例的用于药品回收的方法200的示意图。
图3是根据本公开的实施例的用于生成多个第三图像的多个第二哈希值300的示意图。
图4是根据本公开的实施例的用于确定待回收药盒的有效性的方法400的示意图。
图5示出了根据本公开的实施例的用于从第三图像截取待回收药盒所在的部分图像的方法500的流程图。
图6示出了根据本公开的实施例的用于从第三图像截取待回收药盒所在的部分图像的方法600的流程图。
图7示出了根据本公开的实施例的用于预测轮廓概率的神经网络架构700的示意图。
图8是用来实现本公开实施例的用于药品回收的方法的计算设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
如上所述，在药品回收装置无人值守情况下，传统方案无法避免恶意或者错误地将非药品当作药品投入回收装置的情形。
为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个，本公开的示例实施例提出了一种用于药品回收的方案。在该方案中，获取包括待回收药盒上指示药品标识的码的第一图像；从第一图像识别码，以获取药品标识；基于药品标识，从服务器获取关于药盒的第二图像；生成第二图像的第一哈希值；获取包括待回收药盒的多个第三图像；生成多个第三图像的多个第二哈希值；以及基于第一哈希值和多个第二哈希值，确定待回收药盒的有效性；其中生成所述多个第三图像的所述多个第二哈希值包括：对于所述多个第三图像中的每个第三图像，执行以下步骤：从所述第三图像截取所述待回收药盒所在的部分图像；将所述部分图像转化为具有预定尺寸的第四图像；从所述第四图像获取灰色通道数据；以及将所述灰色通道数据转化为字符串，以作为所述第二哈希值；其中从所述第三图像截取所述待回收药盒所在的部分图像包括：基于边缘检测器，从所述第三图像获取多个候选轮廓点；确定与所述多个候选轮廓点相关联的多个补丁点集，所述多个候选轮廓点中的每个候选轮廓点位于与所述候选轮廓点相关联的补丁点集的中心；对于所述多个补丁点集中的每个补丁点集，执行以下步骤：基于所述补丁点集，经由级联的多个卷积层，生成多个第一特征图；基于所述多个第一特征图，生成多个子特征图，所述多个子特征图中的每个子特征图的大小与所关联卷积层的层级相对应；对所述多个子特征图进行最大池化、平均池化和中心池化，以生成多个第二特征图，所述中心池化用于获取与中心点对应的值；基于所述多个第二特征图，经由分叉网络，生成两个值，所述分叉网络中的第一分类分支经训练用于预测给定点为轮廓点的概率，所述分叉网络中的第二逻辑回归分支经训练用于预测标记者将给定点标记为轮廓点的概率；以及基于所述两个值，生成关于与所述补丁点集相关联的候选轮廓点为轮廓点的概率值；基于所述多个候选轮廓点的所述多个概率值，确定多个轮廓；从所述多个轮廓确定最大轮廓；以及基于所述最大轮廓的坐标，从所述第三图像获取所述待回收药盒所在的部分图像。以此方式，能够准确地确定待回收药盒的有效性。
在下文中，将结合附图更详细地描述本方案的具体示例。
图1示出了根据本公开的实施例的信息处理环境100的示例的示意图。信息处理环境100可以包括药品回收装置110、服务器120和待回收药盒130。
待回收药盒130上具有指示药品标识的码131，例如二维码或者条形码等。待回收药盒130上还可以具有其他信息，例如药品图案、药品文字、药品说明等等。
服务器120可以存储有药品标识集，以及与药品标识集相关联的、关于药盒的图像集。与药品标识相关联的每个图像集可以包括关于药盒的多个表面的多个图像。
药品回收装置110包括壳体111、安装于壳体111上表面的第一图像采集装置112以及与第一图像采集装置112相耦接的计算设备（未示出）。计算设备可以经由第一图像采集装置112获取包括待回收药盒130上指示药品标识的码的第一图像，从第一图像识别码，以获取药品标识，基于药品标识，从服务器120获取关于药盒的第二图像；以及生成第二图像的第一哈希值。
壳体111上表面可以为水平的，也可以倾斜呈一定角度，例如30度、45度等。应当理解，壳体111在图1中呈现的形状只是举例说明，壳体111也可以采用其他形状。壳体111可以具有药品投放口113，例如位于上表面。
药品投放口113处可安装有红外感应装置114，用于检测待回收药盒130是否投入药品回收装置110。红外感应装置114与计算设备相耦接。红外感应装置114可以检测待回收药盒130是否投入容纳盒，以及在检测到待回收药盒130被投入容纳盒之后，向计算设备发送药品投入信号。
药品投放口113处还可安装有第二图像采集装置115，用于获取待回收药盒130的图像。第二图像采集装置115与计算设备相耦接。在一些实施例中，计算设备可以响应于来自红外感应装置114的药品投入信号，经由第二图像采集装置115获取包括待回收药盒130的图像。在另一些实施例中，计算设备可以在待回收药盒130投入的过程中，直接经由第二图像采集装置115获取包括待回收药盒130的图像。
药品投放口113下方可设置有容纳箱（未示出），用于容纳投入的待回收药盒130。在一些实施例中，第二图像采集装置115可以安装于容纳箱内，例如内侧壁接近药品投放口113处。
药品投放口113处还可以安装有盖板（未示出）和用于驱动盖板开闭的驱动装置（未示出）。驱动装置与计算设备相耦接，并且可以响应于来自计算设备114的指令驱动盖板打开或关闭。计算设备还可以经由服务器120确定药品标识是否存在，以及在经由服务器120确定药品标识存在的情况下，控制驱动装置打开盖板，以便于用户投入待回收药盒130。
计算设备可以被配置为经由第一图像采集装置112获取包括待回收药盒130上指示药品标识的码131的第一图像；从第一图像识别指示药品标识的码131，以获取药品标识；基于药品标识，从服务器120获取关于药盒的第二图像；生成第二图像的第一哈希值；经由第二图像采集装置115获取包括待回收药盒130的多个第三图像；生成多个第三图像的多个第二哈希值；以及基于第一哈希值和多个第二哈希值，确定待回收药盒130的有效性。
以此方式，能够准确地确定待回收药盒的有效性，避免欺诈。
图2示出了根据本公开的实施例的用于药品回收的方法200的流程图。例如，方法200可以由如图1所示的药品回收装置110中的计算设备来执行。应当理解的是，方法200还可以包括未示出的附加框和/或可以省略所示出的框，本公开的范围在此方面不受限制。
在框202处，计算设备获取包括待回收药盒130上指示药品标识的码131的第一图像。
在一些实施例中，计算设备可以获取输入的用户名和密码。计算设备可以基于用户名和密码，经由服务器120确定是否登录成功。计算设备响应于确定登录成功，获取包括待回收药盒130上指示药品标识的码131的第一图像。
在框204处，计算设备从第一图像识别指示药品标识的码131，以获取药品标识。
在框206处，计算设备基于药品标识，从服务器120获取关于药盒的第二图像。
在框208处，计算设备生成第二图像的第一哈希值。
计算设备114将第二图像转化为预定尺寸。随后，计算设备114从转化为预定尺寸的第二图像获取灰色通道数据。计算设备114将灰色通道数据转化为字符串，以作为第一哈希值。例如，将灰色通达数据拼接成字符串，作为第一哈希值。
在框210处，计算设备获取包括待回收药盒130的多个第三图像。
在一些实施例中，计算设备还可以经由服务器120确定药品标识是否存在。例如，计算设备向服务器120发送药品标识，以及从服务器120接收指示存在或不存在的消息。
计算设备响应于经由服务器120确定药品标识存在，检测待回收药盒130是否被投入药品回收装置110。例如，经由红外感应装置114来检测待回收药盒130是否被投入药品回收装置110。
计算设备响应于确定检测到待回收药盒130被投入药品回收装置110，获取包括待回收药盒130的多个第三图像。例如，计算设备接收到红外感应装置114的药品投入信号，经由第二图像采集装置115获取包括待回收药盒130的多个第三图像。
计算设备响应于经由服务器120确定药品标识不存在，可以提示药品标识不存在。例如可以经由扬声器提示药品标识不存在，或者经由显示器提示药品标识不存在。
在框212处，计算设备生成多个第三图像的多个第二哈希值。
在一些实施例中，计算设备可以对多个第三图像进行哈希运算，以生成多个第二哈希值。
下文结合图3详细描述用于生成多个第三图像的多个第二哈希值的方法。
在框214处，计算设备基于第一哈希值和多个第二哈希值，确定待回收药盒130的有效性。
在一些实施例中，计算设备114可以确定第一哈希值与多个第二哈希值之间的多个第二距离，例如汉明距离。
如果计算设备114确定多个第二距离中的至少一个第二距离小于预定第二距离，则确定待回收药盒130有效。如果计算设备114确定多个第二距离均大于或等于预定第二距离，则确定待回收药盒130无效。
在一些实施例中，计算设备如果确定待回收药盒有效，则向服务器120发送药品回收成功消息，以便服务器120更新与用户名关联的积分。计算设备还可以从服务器120接收更新积分成功消息，以及随后提示投递结算完成。
在一些实施例中，计算设备如果确定待回收药盒无效，可以提示药品无效。例如可以经由扬声器提示药品无效，或者经由显示器提示药品无效。
由此，能够准确地确定待回收药盒的有效性，避免欺诈。
图3示出了根据本公开的实施例的用于生成多个第三图像的多个第二哈希值的方法300的流程图。例如，方法300可以由如图1所示的药品回收装置110中的计算设备来执行。应当理解的是，方法300还可以包括未示出的附加框和/或可以省略所示出的框，本公开的范围在此方面不受限制。方法300可以包括对于多个第三图像中的每个第三图像执行以下步骤。
在框302处，计算设备114从第三图像截取待回收药盒130所在的部分图像。
在框304处，计算设备114将部分图像转化为具有预定尺寸的第四图像。
在框306处，计算设备114从第四图像获取灰色通道数据。
在框308处，计算设备114将灰色通道数据转化为字符串，以作为第二哈希值。
例如，将灰色通达数据拼接成字符串，作为第二哈希值。
由此，将待回收药盒图像经过归一化后的灰色通道数据作为哈希值，降低了待回收药盒中的颜色的干扰，使得哈希值更为精确，便于进行比对。
除了以待回收药盒图像进行比对之外，还可以考虑待回收药盒中的文字进行比对，但是在光照条件不是很好的情况下，待回收药盒上的光学文字识别效果不佳，本公开实施例通过获取待回收药盒的多个第三图像来进行文字识别，从而提高识别效果。下面结合图4详细说明。
图4示出了根据本公开的实施例的用于确定待回收药盒的有效性的方法400的流程图。例如，方法400可以由如图1所示的药品回收装置110中的计算设备来执行。应当理解的是，方法400还可以包括未示出的附加框和/或可以省略所示出的框，本公开的范围在此方面不受限制。
在框402处，计算设备对第二图像进行光学文字识别（OCR），以获取第二图像中出现的第一字符串。
在框404处，计算设备对多个第三图像进行光学文字识别，以获取多个第三图像中出现的多个第二字符串。
在框406处，计算设备从多个第二字符串删除仅在一个第二字符串中出现的字符，以生成第三字符串。
例如，可以确定仅在一个第二字符串中出现的字符，从多个第二字符串删除所确定的字符，以生成经更新的多个第二字符串，以及将经更新的多个第二字符串拼接成第三字符串。
在框408处，计算设备确定第一字符串与第三字符串之间的第一距离。第一距离例如包括但不限于莱文斯坦距离。
在框410处，计算设备确定第一距离是否小于预定第一距离。
如果在框410处计算设备确定第一距离小于预定第一距离，则在框412基于第一哈希值和多个第二哈希值，确定待回收药盒130的有效性。基于第一哈希值和多个第二哈希值确定待回收药盒的有效性的具体过程可参见上文，这里不再赘述。
如果在框410处计算设备确定第一距离大于或等于预定第一距离，则在框414确定待回收药盒130无效。
由此，能够多次拍摄待回收药盒的多个图像进行光学文字识别，并删除仅在一个图像中出现的字符来提高识别的字符串的可靠性，从而更准确识别待回收药盒有效性，避免光照等因素的影响。
图5示出了根据本公开的实施例的用于从第三图像截取待回收药盒所在的部分图像的方法500的流程图。例如，方法500可以由如图1所示的药品回收装置110中的计算设备来执行。应当理解的是，方法500还可以包括未示出的附加框和/或可以省略所示出的框，本公开的范围在此方面不受限制。
在框502处，计算设备对第三图像进行降噪处理，以生成经降噪的图像。
例如可以通过高斯滤波对第三图像进行降噪处理，得到经降噪的图像。
在框504处，计算设备对经降噪的图像进行二值化处理，以生成经二值化的图像。
在框506处，计算设备识别经二值化的图像中的轮廓，以获取多个轮廓。
可以通过任何合适的轮廓检测算法来识别经二值化的图像中的轮廓。
在框508处，计算设备从多个轮廓确定最大轮廓。
在框510处，计算设备基于最大轮廓的坐标，从第三图像获取待回收药盒所在的部分图像。
由此，能够准确地截取待回收药盒所在的轮廓对应的图像，以便提高后续图像比对的成功率。
图6示出了根据本公开的实施例的用于从第三图像截取待回收药盒所在的部分图像的方法600的流程图。例如，方法600可以由如图1所示的药品回收装置110中的计算设备来执行。应当理解的是，方法600还可以包括未示出的附加框和/或可以省略所示出的框，本公开的范围在此方面不受限制。
在框602处，计算设备基于边缘检测器，从第三图像获取多个候选轮廓点。
边缘检测器例如包括但不限于canny边缘检测器。
在框604处，计算设备确定与多个候选轮廓点相关联的多个补丁点集，多个候选轮廓点中的每个候选轮廓点位于与候选轮廓点相关联的补丁点集的中心。
补丁点集可以具有预定大小。
对于多个补丁点集中的每个补丁点集，计算设备可以执行以下步骤606-614。
在框606处，计算设备基于补丁点集（例如710），经由级联的多个卷积层，生成多个第一特征图（例如720-1至720-5）。
例如，可以经由级联的5个卷积层。
在框608处，计算设备基于多个第一特征图（例如720-1至720-5），生成多个子特征图（例如730-1至730-5），多个子特征图中的每个子特征图的大小与所关联卷积层的层级相对应。
对于5个卷积层而言，子特征图的大小可以分别为7x7,5x5,3x3,3x3,3x3，应当理解这只是举例说明。
在框610处，计算设备对多个子特征图（例如730-1至730-5）进行最大池化、平均池化和中心池化，以生成多个第二特征图（例如740-1至740-5），中心池化用于获取与中心点对应的值。
由此，通过中心池化，可以实现对于中心点的轮廓预测。
在框612处，计算设备基于多个第二特征图（例如740-1至740-5），经由分叉网络，生成两个值（例如760-1至760-2），分叉网络中的第一分类分支（例如750-1）经训练用于预测给定点为轮廓点的概率，分叉网络中的第二逻辑回归分支（例如750-2）经训练用于预测标记者将给定点标记为轮廓点的概率。
第二逻辑回归分支可以通过以下方式进行训练：获取至少一个标记者标记为轮廓的多个（例如4000个）正样本，以及边缘检测器标记为候选轮廓点但是任何标记者均未标记为轮廓点的多个负样本，此外还生成具有连续标签的多个样本，连续标签表示点被标记者标记为轮廓的分数，通过这些样本来训练第二逻辑回归分支。
在框614处，计算设备基于两个值（例如760-1至760-2），生成关于与补丁点集相关联的候选轮廓点为轮廓点的概率值（例如770）。
例如可以将这两个值进行平均，以生成关于与补丁点集相关联的候选轮廓点为轮廓点的概率值。
在框616处，计算设备基于多个候选轮廓点的多个概率值，确定多个轮廓。
例如，将概率值大于预定值的候选轮廓点确定为轮廓点，基于轮廓点确定多个轮廓。
在框618处，计算设备从多个轮廓确定最大轮廓。
在框620处，计算设备基于最大轮廓的坐标，从第三图像获取待回收药盒所在的部分图像。
由此，通过级联的多个卷积层获取了不同等级的特征信息，通过两个分支来预测轮廓，分类分支产生具有更高召回率的轮廓预测，逻辑回归分支更准确预测标记者对特定点为轮廓点的判断，通过结合这两个分支实现以多个度量来预测轮廓，从而提高了轮廓识别结果的准确性，能够提高识别药盒轮廓的准确性。
图8示出了可以用来实施本公开内容的实施例的示例设备800的示意性框图。例如，如图1所示的药品回收装置110中的计算设备可以由设备800来实施。如图所示，设备800包括中央处理单元（CPU）801，其可以根据存储在只读存储器（ROM）802中的计算机程序指令或者从存储单元808加载到随机存取存储器（RAM）803中的计算机程序指令，来执行各种适当的动作和处理。在随机存取存储器803中，还可存储设备800操作所需的各种程序和数据。中央处理单元801、只读存储器802以及随机存取存储器803通过总线804彼此相连。输入/输出（I/O）接口805也连接至总线804。
设备800中的多个部件连接至输入/输出接口805，包括：输入单元806，例如键盘、鼠标、麦克风等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的各个过程和处理，例如方法200-600，可由中央处理单元801执行。例如，在一些实施例中，方法200-600可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由只读存储器802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序被加载到随机存取存储器803并由中央处理单元801执行时，可以执行上文描述的方法200-600的一个或多个动作。
本公开涉及方法、装置、系统、计算设备、计算机可读存储介质和/或计算机程序产品。计算机程序产品可以包括用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、静态随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD-ROM）、数字多功能盘（DVD）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构（ISA）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA），该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置（系统）和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (6)

1.一种用于药品回收的方法，包括：
获取包括待回收药盒上指示药品标识的码的第一图像；
从所述第一图像识别所述码，以获取所述药品标识；
基于所述药品标识，从服务器获取关于药盒的第二图像；
生成所述第二图像的第一哈希值；
获取包括所述待回收药盒的多个第三图像；
生成所述多个第三图像的多个第二哈希值；以及
基于所述第一哈希值和所述多个第二哈希值，确定所述待回收药盒的有效性；
其中生成所述多个第三图像的所述多个第二哈希值包括：
对于所述多个第三图像中的每个第三图像，执行以下步骤：
从所述第三图像截取所述待回收药盒所在的部分图像；
将所述部分图像转化为具有预定尺寸的第四图像；
从所述第四图像获取灰色通道数据；以及
将所述灰色通道数据转化为字符串，以作为所述第二哈希值；
其中从所述第三图像截取所述待回收药盒所在的部分图像包括：
基于边缘检测器，从所述第三图像获取多个候选轮廓点；
确定与所述多个候选轮廓点相关联的多个补丁点集，所述多个候选轮廓点中的每个候选轮廓点位于与所述候选轮廓点相关联的补丁点集的中心；
对于所述多个补丁点集中的每个补丁点集，执行以下步骤：
基于所述补丁点集，经由级联的多个卷积层，生成多个第一特征图；
基于所述多个第一特征图，生成多个子特征图，所述多个子特征图中的每个子特征图的大小与所关联卷积层的层级相对应；
对所述多个子特征图进行最大池化、平均池化和中心池化，以生成多个第二特征图，所述中心池化用于获取与中心点对应的值；
基于所述多个第二特征图，经由分叉网络，生成两个值，所述分叉网络中的第一分类分支经训练用于预测给定点为轮廓点的概率，所述分叉网络中的第二逻辑回归分支经训练用于预测标记者将给定点标记为轮廓点的概率；以及
基于所述两个值，生成关于与所述补丁点集相关联的候选轮廓点为轮廓点的概率值；
基于所述多个候选轮廓点的所述多个概率值，确定多个轮廓；
从所述多个轮廓确定最大轮廓；以及
基于所述最大轮廓的坐标，从所述第三图像获取所述待回收药盒所在的部分图像；
其中确定所述待回收药盒的有效性包括：
对所述第二图像进行光学文字识别，以获取所述第二图像中出现的第一字符串；
对多个第三图像进行光学文字识别，以获取所述多个第三图像中出现的多个第二字符串；
从所述多个第二字符串删除仅在一个第二字符串中出现的字符，以生成第三字符串；
确定所述第一字符串与所述第三字符串之间的第一距离；
如果确定所述第一距离小于预定第一距离，则基于所述第一哈希值和所述多个第二哈希值，确定所述待回收药盒的有效性；以及
如果确定所述第一距离大于或等于所述预定第一距离，则确定所述待回收药盒无效。
2.根据权利要求1所述的用于药品回收的方法，还包括：
经由所述服务器确定所述药品标识是否存在；
响应于经由所述服务器确定所述药品标识存在，检测所述待回收药盒是否被投入药品回收装置；以及
响应于确定检测到所述待回收药盒被投入所述药品回收装置，获取包括所述待回收药盒的所述第三图像。
3.根据权利要求2所述的用于药品回收的方法，还包括：
获取输入的用户名和密码；
基于所述用户名和所述密码，经由所述服务器确定是否登录成功；
响应于确定登录成功，获取包括所述待回收药盒上指示所述药品标识的所述码的所述第一图像；以及
如果确定所述待回收药盒有效，则向所述服务器发送药品回收成功消息，以便所述服务器更新与所述用户名关联的积分。
4.一种计算设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-3中任一项所述的方法。
5.一种药品回收装置，包括：
壳体，所述壳体的上表面具有药品投放口；
安装于所述壳体的上表面的第一图像采集装置；
安装于所述药品投放口处的红外感应装置和第二图像采集装置；以及
根据权利要求4所述的计算设备，所述计算设备与所述第一图像采集装置、所述红外感应装置和所述第二图像采集装置相耦接。
6.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-3中任一项所述的方法。
CN202110683440.1A 2021-06-21 2021-06-21 用于药品回收的方法、计算设备、药品回收装置和介质 Active CN113139401B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110683440.1A CN113139401B (zh) 2021-06-21 2021-06-21 用于药品回收的方法、计算设备、药品回收装置和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110683440.1A CN113139401B (zh) 2021-06-21 2021-06-21 用于药品回收的方法、计算设备、药品回收装置和介质

Publications (2)

Publication Number Publication Date
CN113139401A CN113139401A (zh) 2021-07-20
CN113139401B true CN113139401B (zh) 2021-09-17

Family

ID=76815964

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110683440.1A Active CN113139401B (zh) 2021-06-21 2021-06-21 用于药品回收的方法、计算设备、药品回收装置和介质

Country Status (1)

Country Link
CN (1) CN113139401B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116310841B (zh) * 2023-05-15 2023-07-28 深圳市气象服务有限公司 环境监测系统以及环境参数的处理方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002132101A (ja) * 2000-10-19 2002-05-09 Ricoh Co Ltd 画像形成装置のプロセスカートリッジ再生システム
CN104361681A (zh) * 2014-11-20 2015-02-18 北京盈创高科新技术发展有限公司 一种用于智能回收机的饮料瓶识别回收方法和装置
TWM580564U (zh) * 2019-03-14 2019-07-11 李丞揚 Garbage classification identification system
CN110232767A (zh) * 2019-06-17 2019-09-13 上海劲牛信息技术有限公司 一种农药废弃包装回收方法、装置、回收系统及存储介质
CN111462165A (zh) * 2020-03-27 2020-07-28 韶鼎人工智能科技有限公司 一种基于前景提取与特征点匹配的药盒识别系统及其方法
CN111767438A (zh) * 2020-06-16 2020-10-13 上海同犀智能科技有限公司 一种基于Hash结合积分的身份识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002132101A (ja) * 2000-10-19 2002-05-09 Ricoh Co Ltd 画像形成装置のプロセスカートリッジ再生システム
CN104361681A (zh) * 2014-11-20 2015-02-18 北京盈创高科新技术发展有限公司 一种用于智能回收机的饮料瓶识别回收方法和装置
TWM580564U (zh) * 2019-03-14 2019-07-11 李丞揚 Garbage classification identification system
CN110232767A (zh) * 2019-06-17 2019-09-13 上海劲牛信息技术有限公司 一种农药废弃包装回收方法、装置、回收系统及存储介质
CN111462165A (zh) * 2020-03-27 2020-07-28 韶鼎人工智能科技有限公司 一种基于前景提取与特征点匹配的药盒识别系统及其方法
CN111767438A (zh) * 2020-06-16 2020-10-13 上海同犀智能科技有限公司 一种基于Hash结合积分的身份识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度学习的图像边缘和轮廓提取方法介绍;weixin 38754361;《https://blog.csdn.net/weixin_38754361/article/details/100059562》;20190824;第1-17页 *

Also Published As

Publication number Publication date
CN113139401A (zh) 2021-07-20

Similar Documents

Publication Publication Date Title
CN108171203B (zh) 用于识别车辆的方法和装置
KR102117543B1 (ko) 컴퓨팅 장치 및 이를 이용한 인공 지능 기반 영상 처리 서비스 시스템
US9811721B2 (en) Three-dimensional hand tracking using depth sequences
US11709282B2 (en) Asset tracking systems
CN108830329B (zh) 图片处理方法和装置
US8027504B2 (en) Apparatus and method for analyzing image identifications generated by an OCR device
EP3163509A1 (en) Method for region extraction, method for model training, and devices thereof
CN108614970B (zh) 病毒程序的检测方法、模型训练方法、装置及设备
CN112507949A (zh) 目标跟踪方法、装置、路侧设备以及云控平台
US20210303899A1 (en) Systems and methods for automatic recognition of vehicle information
CN110335313B (zh) 音频采集设备定位方法及装置、说话人识别方法及系统
CN115221516B (zh) 恶意应用程序识别方法及装置、存储介质、电子设备
CN111191201A (zh) 基于数据埋点的用户识别方法、装置、设备及存储介质
CN113139401B (zh) 用于药品回收的方法、计算设备、药品回收装置和介质
CN111291749A (zh) 手势识别方法、装置及机器人
US11670098B2 (en) Systems and methods for automatic recognition of vehicle information
US10540541B2 (en) Cognitive image detection and recognition
CN116563860A (zh) 基于人工智能的数据脱敏方法、装置、计算机设备及介质
US9251412B2 (en) Segmentation of devanagari-script handwriting for recognition
US20240127567A1 (en) Detection-frame position-accuracy improving system and detection-frame position correction method
US20210287058A1 (en) Labelling training method and system for implementing the same
CN106055693A (zh) 一种信息处理方法及终端
CN108961531B (zh) 纸币冠字号识别的方法、装置、设备及存储介质
CN110826448A (zh) 一种自主更新的室内定位方法
CN117478434B (zh) 边缘节点网络流量数据处理方法、装置、设备及介质

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