CN114187290A - 一种病理样本采集监测系统 - Google Patents

一种病理样本采集监测系统 Download PDF

Info

Publication number
CN114187290A
CN114187290A CN202111638798.9A CN202111638798A CN114187290A CN 114187290 A CN114187290 A CN 114187290A CN 202111638798 A CN202111638798 A CN 202111638798A CN 114187290 A CN114187290 A CN 114187290A
Authority
CN
China
Prior art keywords
sample
image
state
text
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
CN202111638798.9A
Other languages
English (en)
Inventor
刘小欣
华中秋
赵晓伟
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 Leyitong Medical Equipment R & D Co ltd
Original Assignee
Shenzhen Leyitong Medical Equipment R & D 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 Shenzhen Leyitong Medical Equipment R & D Co ltd filed Critical Shenzhen Leyitong Medical Equipment R & D Co ltd
Priority to CN202111638798.9A priority Critical patent/CN114187290A/zh
Publication of CN114187290A publication Critical patent/CN114187290A/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06N3/08—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
    • G06T3/02—Affine transformations
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/259—Fusion by voting
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Electromagnetism (AREA)
  • Toxicology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种病理样本采集监测系统，所述系统包括：图像采集模块，用于实时监控操作台区域，获取样本盒操作视频图像；视频数据分析模块，用于对所述视频图像中各样本盒的状态进行分析，得到分析结果；所述分析结果包括所述样本盒中是否有样本、所述样本盒是否开盖和所述样本盒的状态是否为已采集。本发明能自动、批量录入样本信息，并对样本信息进行实时监控，成本低、采集效率高，还能保证病理样本采集的准确性。

Description

一种病理样本采集监测系统
技术领域
本发明涉及病理样本监测领域，特别是涉及一种病理样本采集监测系统。
背景技术
病理是指疾病发生发展的过程和原理，即疾病发生的原因、发病原理和疾病发展过程中发生的细胞、组织和器官的结构、功能和代谢方面的改变及其规律。病理样本对于病理的研究尤为重要。
病理样本的最初形态是手术标本，进入病理科后，要经过采集、脱水、包埋后变成蜡块，然后经过切片变成玻片上厚度仅为4～6μm的组织，再经过染色、分发后放到显微镜下观察细胞形态的改变，整个流程环环相扣，每个步骤的操作过程对诊断结果都有十分重要的影响。
目前，病理样本的采集采用人工录入、人工监测的方式。一种是完全依靠人工的方式，技术人员逐个核对样本信息，核对后逐个手动录入样本信息并在录入一个样本信息后手动修改该样本的采集状态；一种是依赖扫码枪等扫码设备的方式，技术人员逐个核对样本信息，核对后通过人工扫描样本上的标签逐个录入样本信息并修改采集状态。
现有的病理样本采集监测方式依赖人工，存在大量的重复性工作，不仅人工成本高、采集效率低，而且信息录入过程中容易出错，病理样本采集一旦出错，将会严重影响诊断结果的准确性。
发明内容
基于此，有必要提供一种病理样本采集监测系统，自动、批量录入样本信息，并对样本信息进行实时校验，实现对工作人员操作流程的监控，以降低成本、提高采集效率以及保证病理样本采集的准确性。
为实现上述目的，本发明提供了如下方案：
一种病理样本采集监测系统，包括：
图像采集模块，用于实时监控操作台区域，获取样本盒操作视频图像；
视频数据分析模块，用于对所述视频图像中各样本盒的状态进行分析，得到分析结果；所述分析结果包括所述样本盒中是否有样本、所述样本盒是否开盖和所述样本盒的状态是否为已采集。
可选的，所述病理样本采集监测系统，还包括：
视频流推送模块，用于推送及显示所述分析结果。
可选的，所述病理样本采集监测系统，还包括：
实时监测展示模块，用于展示所述视频图像。
可选的，所述病理样本采集监测系统，还包括：
追溯模块，用于当出现差错时，根据差错产生时间调取对应时间的视频图像，以实现问题追溯。
可选的，所述病理样本采集监测系统，还包括：
人机交互模块，用于输入病人信息、样本外观描述信息以及样本采集备注信息。
可选的，所述视频数据分析模块，具体包括：
盒体状态检测模块，用于确定所述视频图像中各样本盒的位置区域，得到样本盒图像，并检测所述样本盒图像中各样本盒中是否装有样本；
样本盒筛选模块，用于筛选所述样本盒图像中处于开盖状态的样本盒，得到开盖图像；
标签识别模块，用于对所述开盖图像中的样本盒上的标签进行识别，并将所述开盖图像中装有样本的样本盒的状态修改为已采集。
可选的，所述盒体状态检测模块，具体包括：
图像抓取单元，用于抓取所述视频图像中的当前帧图像；
缩放单元，用于对所述当前帧图像进行缩放操作，得到缩放图像；
盒体位置识别单元，用于将所述缩放图像输入位置识别网络中，得到样本盒的位置区域，并将所述位置区域映射到所述当前帧图像中，得到样本盒图像；
盒体状态识别单元，用于将所述样本盒图像输入状态识别网络中，得到所述样本盒图像中各样本盒的盒体状态；所述盒体状态为空状态或装有样本状态。
可选的，所述样本盒筛选模块，具体包括：
特征提取单元，用于提取所述样本盒图像的梯度特征；
盒体分类单元，用于将所述梯度特征输入二分类分类器中，确定处于开盖状态的样本盒，得到开盖图像。
可选的，所述标签识别模块，具体包括：
标签信息识别单元，用于识别所述开盖图像中的样本盒上的标签的信息类型；所述信息类型为二维码和/或文本；
二维码识别单元，用于搜索所述标签上的二维码区域，并对所述二维码区域进行解码操作，得到二维码标签信息，将与所述二维码标签信息对应的样本盒的状态修改为已采集；
文本识别单元，用于搜索所述标签上的文本区域，并采用文本识别算法对所述文本区域进行识别，得到文本标签信息，将与所述文本标签信息对应的样本盒的状态修改为已采集。
可选的，所述文本识别单元，具体包括：
文本区域识别子单元，用于采用文本检测算法搜索所述标签上的文本区域；
第一识别子单元，用于采用端到端文本识别算法对所述文本区域进行识别，得到第一识别结果；
第二识别子单元，用于采用连通域方式对所述文本区域进行分割，并采用机器学习的方式对分割后的图像进行识别，得到第二识别结果；
第三识别子单元，用于采用卷积算法对所述文本区域中的文本分割点进行预测，得到分割字符，并采用机器学习算法对所述分割字符进行识别，得到第三识别结果；
投票识别子单元，用于对所述第一识别结果、所述第二识别结果和所述第三识别结果投票，得到文本标签信息；
状态修改子单元，用于将与所述文本标签信息对应的样本盒的状态修改为已采集。
与现有技术相比，本发明的有益效果是：
本发明提出了一种病理样本采集监测系统，采用图像采集模块实时监控操作台区域，获取样本盒操作视频图像，能自动、批量录入样本信息，避免了人工逐个录入信息，大大降低了人工成本，提高了采集效率，还能减少录入的错误率，保证了病理样本采集的准确性；采用视频数据分析模块实现对视频图像中各样本盒的状态的分析，能实时监测样本盒中是否有样本、样本盒是否开盖和样本盒的状态是否为已采集，实现了对样本信息的实时校验以及对工作人员操作流程的监控，解决了人工核对导致的采集效率低、易出错的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，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性的前提下，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病理样本采集监测系统的结构示意图；
图2为本发明实施例提供的标本盒体位置和状态初步检测流程图；
图3为本发明实施例提供的盒体开盖状态识别流程图；
图4为本发明实施例提供的标签信息识别流程图；
图5为本发明实施例提供的二维码识别流程图；
图6为本发明实施例提供的文本检测与识别流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例提供的病理样本采集监测系统的结构示意图。参见图1，本实施例的病理样本采集监测系统，包括：
图像采集模块，用于实时监控操作台区域，获取样本盒操作视频图像。
视频数据分析模块，用于对所述视频图像中各样本盒的状态进行分析，得到分析结果；所述分析结果包括所述样本盒中是否有样本、所述样本盒是否开盖和所述样本盒的状态是否为已采集。
本实施例采用图像采集模块直接对用于放置样本盒的区域进行拍摄，能同时采集区域内所有样本盒的视频图像，实现了批量获取，采用视频数据分析模块对样本盒的状态进行实时监测，将装有样本的样本盒标记为已采集，实现了批量样本盒状态的标记，大大降低了人工成本，提高了采集效率，减少了录入的错误率，保证了病理样本采集的准确性。
作为一种可选的实施方式，所述图像采集模块可以为高分辨率相机。
作为一种可选的实施方式，所述病理样本采集监测系统，还包括：
视频流推送模块，用于推送及显示所述分析结果。
作为一种可选的实施方式，所述病理样本采集监测系统，还包括：
实时监测展示模块，用于展示所述视频图像。
作为一种可选的实施方式，所述病理样本采集监测系统，还包括：
追溯模块，用于当出现差错时，根据差错产生时间调取对应时间的视频图像，以实现问题追溯。例如，当采集过程中或采集结束后，工作人员发现错误样本，则根据错误样本确定该错误样本的采集时间，并调取该采集时间内的视频图像，以确定错误产生原因。
作为一种可选的实施方式，所述病理样本采集监测系统，还包括：
人机交互模块，用于输入病人信息、样本外观描述信息以及样本采集备注信息。
作为一种可选的实施方式，所述人机交互模块包括：
病人信息输入模块，用于输入病人信息，并生成相应的病理号。
标本外观描述模块，用于输入原始标本的外观描述信息；所述外观描述信息包括类型、大小、形态、质地、色泽等信息。
样本采集备注信息模块，用于样本采集备注信息；所述样本采集备注信息包括样本取样位置、样本后续特殊处理备注等。
作为一种可选的实施方式，所述病理样本采集监测系统，还包括：
用户身份识别模块，用于识别用户是否为注册用户，当识别成功后，进入病人信息输入模块。该模块中的识别方式可以为验证码识别、人脸识别或指纹识别等。
作为一种可选的实施方式，所述病理样本采集监测系统，还包括：
数据库平台，用于存储病人信息、标本外观描述信息和样本采集信息等。
作为一种可选的实施方式，所述病理样本采集监测系统，还包括：
数据校验模块，用于对所述分析结果进行核查。在实际应用中，还可以通过技术人员实现对分析结果的核查。
作为一种可选的实施方式，所述视频数据分析模块，具体包括：
盒体状态检测模块，用于确定所述视频图像中各样本盒的位置区域，得到样本盒图像，并检测所述样本盒图像中各样本盒中是否装有样本。
样本盒筛选模块，用于筛选所述样本盒图像中处于开盖状态的样本盒，得到开盖图像。该样本盒筛选模块能避免非开盖状态盒体的干扰，提高采集的准确性。
标签识别模块，用于对所述开盖图像中的样本盒上的标签进行识别，并将所述开盖图像中装有样本的样本盒的状态修改为已采集。
作为一种可选的实施方式，所述盒体状态检测模块，具体包括：
图像抓取单元，用于抓取所述视频图像中的当前帧图像。
缩放单元，用于对所述当前帧图像进行缩放操作，得到缩放图像。
盒体位置识别单元，用于将所述缩放图像输入位置识别网络中，得到样本盒的位置区域，并将所述位置区域映射到所述当前帧图像中，剪裁得到样本盒图像。所述位置识别网络是将样本位置训练集输入卷积神经网络中进行训练得到的。
盒体状态识别单元，用于将所述样本盒图像输入状态识别网络中，得到所述样本盒图像中各样本盒的盒体状态；所述盒体状态为空状态或装有样本状态。所述状态识别网络是将盒体状态训练集输入卷积神经网络中进行训练得到的。
作为一种可选的实施方式，所述样本盒筛选模块，具体包括：
特征提取单元，用于提取所述样本盒图像的梯度特征。
盒体分类单元，用于将所述梯度特征输入二分类分类器中，确定处于开盖状态的样本盒，得到开盖图像。
作为一种可选的实施方式，所述标签识别模块，具体包括：
标签信息识别单元，用于识别所述开盖图像中的样本盒上的标签的信息类型；所述信息类型为二维码和/或文本；样本盒上的文本可以为病理号。
二维码识别单元，用于搜索所述标签上的二维码区域，并对所述二维码区域进行解码操作，得到二维码标签信息，将与所述二维码标签信息对应的样本盒的状态修改为已采集。
文本识别单元，用于搜索所述标签上的文本区域，并采用文本识别算法对所述文本区域进行识别，得到文本标签信息，将与所述文本标签信息对应的样本盒的状态修改为已采集。
作为一种可选的实施方式，所述文本识别单元，具体包括：
文本区域识别子单元，用于采用文本检测算法搜索所述标签上的文本区域。
第一识别子单元，用于采用端到端文本识别算法对所述文本区域进行识别，得到第一识别结果。
第二识别子单元，用于采用连通域方式对所述文本区域进行分割，并采用机器学习的方式对分割后的图像进行识别，得到第二识别结果。
第三识别子单元，用于采用卷积算法对所述文本区域中的文本分割点进行预测，得到分割字符，并采用机器学习算法对所述分割字符进行识别，得到第三识别结果。
投票识别子单元，用于对所述第一识别结果、所述第二识别结果和所述第三识别结果投票，得到文本标签信息。
状态修改子单元，用于将与所述文本标签信息对应的样本盒的状态修改为已采集。
在实际应用中，用于上述病理样本采集监测系统的采集检测方法的具体流程如下：
(1)标本盒体位置和状态初步检测。高分辨率相机获取视频图像，定位算法模块抓取当前帧，将当前帧进行缩放操作，将缩放后的图像输入卷积神经网络进行预测，初步得到标本盒体位置数据及标本盒体状态(空状态和已装料状态)，将初步得到位置区域映射到缩放前的图像中，裁剪目标盒体的原始图像。流程图如图2所示。
(2)盒体开盖状态识别
因软件主要识别目标为开盖状态下的盒体，为避免非开盖状态盒体的干扰，需对盒体图像进行筛选：首先对样本盒图像依次进行图像缩放、灰度变换和滤波，得到处理后的图像；然后采用特征提取和机器学习算法，提取处理后得到的图像的图像梯度特征，再通过二分类分类器对盒体图像进行分类，筛选出开盖状态的盒体。流程图如图3所示。
(3)标签信息识别
标签识别阶段，根据盒体标签是否含有二维码信息采用不同的识别流程。流程图如图4所示。
①二维码识别流程
根据设定的二维码类型的特征，在开盖图像中搜索二维码区域；检测到二维码区域后，对二维码进行仿射变换，将扭曲的二维码恢复到正常状态；最后对二维码进行解码操作获得当前盒体的标签信息。流程图如图5所示。
②文本检测与识别流程
采用文本检测算法在开盖图像中搜索标签文本区域，为提高文本识别结果的可靠性，文本识别采用三种不同的算法进行并行识别，最后采取投票方式获得标签信息，流程图如图6所示。识别流程如下：
1)采用端到端文本识别算法，对文本行内容进行识别。
2)采用连通域方式，对文本行进行字符分割，再采用机器学习方式识别字符内容从而获得文本行内容。
3)采用卷积算法对文本分割点进行预测，得到新的字符分割结果，采用机器学习方式对分割出来的字符进行识别从而获得文本行内容。
本实施例能自动、批量录入样本信息，并对工作人员对样本的操作流程进行实时监控，避免了人工逐个录入信息及人工核查，大大降低了人工成本，提高了采集效率，还能减少录入的错误率，保证了病理样本采集的准确性。
本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。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种病理样本采集监测系统，其特征在于，包括：
图像采集模块，用于实时监控操作台区域，获取样本盒操作视频图像；
视频数据分析模块，用于对所述视频图像中各样本盒的状态进行分析，得到分析结果；所述分析结果包括所述样本盒中是否有样本、所述样本盒是否开盖和所述样本盒的状态是否为已采集。
2.根据权利要求1所述的一种病理样本采集监测系统，其特征在于，还包括：
视频流推送模块，用于推送及显示所述分析结果。
3.根据权利要求1所述的一种病理样本采集监测系统，其特征在于，还包括：
实时监测展示模块，用于展示所述视频图像。
4.根据权利要求1所述的一种病理样本采集监测系统，其特征在于，还包括：
追溯模块，用于当出现差错时，根据差错产生时间调取对应时间的视频图像，以实现问题追溯。
5.根据权利要求1所述的一种病理样本采集监测系统，其特征在于，还包括：
人机交互模块，用于输入病人信息、样本外观描述信息以及样本采集备注信息。
6.根据权利要求1所述的一种病理样本采集监测系统，其特征在于，所述视频数据分析模块，具体包括：
盒体状态检测模块，用于确定所述视频图像中各样本盒的位置区域，得到样本盒图像，并检测所述样本盒图像中各样本盒中是否装有样本；
样本盒筛选模块，用于筛选所述样本盒图像中处于开盖状态的样本盒，得到开盖图像；
标签识别模块，用于对所述开盖图像中的样本盒上的标签进行识别，并将所述开盖图像中装有样本的样本盒的状态修改为已采集。
7.根据权利要求6所述的一种病理样本采集监测系统，其特征在于，所述盒体状态检测模块，具体包括：
图像抓取单元，用于抓取所述视频图像中的当前帧图像；
缩放单元，用于对所述当前帧图像进行缩放操作，得到缩放图像；
盒体位置识别单元，用于将所述缩放图像输入位置识别网络中，得到样本盒的位置区域，并将所述位置区域映射到所述当前帧图像中，得到样本盒图像；
盒体状态识别单元，用于将所述样本盒图像输入状态识别网络中，得到所述样本盒图像中各样本盒的盒体状态；所述盒体状态为空状态或装有样本状态。
8.根据权利要求6所述的一种病理样本采集监测系统，其特征在于，所述样本盒筛选模块，具体包括：
特征提取单元，用于提取所述样本盒图像的梯度特征；
盒体分类单元，用于将所述梯度特征输入二分类分类器中，确定处于开盖状态的样本盒，得到开盖图像。
9.根据权利要求6所述的一种病理样本采集监测系统，其特征在于，所述标签识别模块，具体包括：
标签信息识别单元，用于识别所述开盖图像中的样本盒上的标签的信息类型；所述信息类型为二维码和/或文本；
二维码识别单元，用于搜索所述标签上的二维码区域，并对所述二维码区域进行解码操作，得到二维码标签信息，将与所述二维码标签信息对应的样本盒的状态修改为已采集；
文本识别单元，用于搜索所述标签上的文本区域，并采用文本识别算法对所述文本区域进行识别，得到文本标签信息，将与所述文本标签信息对应的样本盒的状态修改为已采集。
10.根据权利要求9所述的一种病理样本采集监测系统，其特征在于，所述文本识别单元，具体包括：
文本区域识别子单元，用于采用文本检测算法搜索所述标签上的文本区域；
第一识别子单元，用于采用端到端文本识别算法对所述文本区域进行识别，得到第一识别结果；
第二识别子单元，用于采用连通域方式对所述文本区域进行分割，并采用机器学习的方式对分割后的图像进行识别，得到第二识别结果；
第三识别子单元，用于采用卷积算法对所述文本区域中的文本分割点进行预测，得到分割字符，并采用机器学习算法对所述分割字符进行识别，得到第三识别结果；
投票识别子单元，用于对所述第一识别结果、所述第二识别结果和所述第三识别结果投票，得到文本标签信息；
状态修改子单元，用于将与所述文本标签信息对应的样本盒的状态修改为已采集。
CN202111638798.9A 2021-12-29 2021-12-29 一种病理样本采集监测系统 Pending CN114187290A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111638798.9A CN114187290A (zh) 2021-12-29 2021-12-29 一种病理样本采集监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111638798.9A CN114187290A (zh) 2021-12-29 2021-12-29 一种病理样本采集监测系统

Publications (1)

Publication Number Publication Date
CN114187290A true CN114187290A (zh) 2022-03-15

Family

ID=80545199

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111638798.9A Pending CN114187290A (zh) 2021-12-29 2021-12-29 一种病理样本采集监测系统

Country Status (1)

Country Link
CN (1) CN114187290A (zh)

Similar Documents

Publication Publication Date Title
CN110826538B (zh) 一种用于电力营业厅的异常离岗识别系统
Tomari et al. Computer aided system for red blood cell classification in blood smear image
CN109409272B (zh) 基于机器视觉的电缆验收系统和方法
US8600143B1 (en) Method and system for hierarchical tissue analysis and classification
CN112200793B (zh) 数字病理切片质量的实时监控方法及系统、计算机设备
CN111612012A (zh) 健康码的识别方法及装置
CN107368770B (zh) 一种回头客自动识别方法及系统
CN115909006B (zh) 基于卷积Transformer的乳腺组织图像分类方法及系统
CN116363125B (zh) 基于深度学习的电池模组外观缺陷检测方法及系统
EP3006551A1 (en) Image processing device, image processing method, program, and storage medium
CN113223041A (zh) 用于自动提取图像中目标区域的方法、系统及存储介质
CN110807754B (zh) 基于深度语义分割的真菌显微图像分割检测方法及系统
CN113177397B (zh) 表格的调整方法、装置、设备以及存储介质
CN202815869U (zh) 一种车载微机图像视频数据提取装置
WO2017145172A1 (en) System and method for extraction and analysis of samples under a microscope
CN109859218B (zh) 病理图关键区域确定方法、装置、电子设备及存储介质
CN116521917A (zh) 一种图片筛选方法及装置
CN111882521A (zh) 一种细胞涂片的图像处理方法
CN111105874A (zh) 一种舌象特征标注方法、装置、计算机设备及存储介质
CN114187290A (zh) 一种病理样本采集监测系统
CN113869124A (zh) 基于深度学习的血细胞形态学分类方法及系统
CN115719428A (zh) 基于分类模型的人脸图像聚类方法、装置、设备及介质
CN115375936A (zh) 一种人工智能核验监测方法、系统及存储介质
CN114266267A (zh) 集合二维码、文档、证件、人脸的自动识别方法、装置及存储介质
CN113538411A (zh) 一种绝缘子缺陷检测方法及装置

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