CN114388094A - 药物的标识和验证 - Google Patents

Abstract

在一些实施方式中，设备可以接收与容器中的药物相关联的处方信息。当药物在容器中并且容器位于接受器上时，该设备可以使相机捕获与药物相关联的第一图像数据。该设备可以使调整设备在接受器上重新定位容器。当药物在容器中时，该设备可以使相机捕获与药物相关联的第二图像数据。该设备可以经由神经网络处理第一图像数据和第二图像数据，以基于包括在第一图像数据和第二图像数据中的药物的个体单元的描述来标识药物。设备可以基于处方信息和由神经网络提供的药物的标识符来验证药物。

Description

药物的标识和验证

相关申请的交叉引用

本申请是2019年12月18日提交的第16/718519号美国专利申请的部分继续申请，其标题为《药物的标识别和验证》(IDENTIFICATION AND VERIFICATION OF MEDICATION)，该申请是2019年2月14日提交的美国专利申请第16/276059号的分案申请，标题为《药物的标识和验证》(IDENTIFICATION AND VERIFICATION OF MEDICATION)，其主张2018年11月19日提交的美国临时专利申请第62/769132号的优先权本专利申请，还要求2020年10月16日提交的美国临时专利申请第63/092735号标题为《针对药物标识和验证的系统》(SYSTEMFOR IDENTIFICATION AND VERIFICATION OF MEDICATION)的优先权。这些先前申请的披露被视为本专利申请的一部分，并且通过引用纳入本专利申请。

背景技术

常见的药物形式包括药丸、胶囊、片剂等。药物可以被包含在容器中。在一些情况下，药剂师、药物填充设备和/或由药物填充装置辅助的药剂师等可以根据处方向容器中填充药物。随后，药物可被给予为其开具处方的人(例如，由该人、护理人员、父母、医生等)。

发明内容

在一些实施方式中，一种方法包括由设备接收与容器中的药物相关联的处方信息；当药物在容器中并且容器位于容器上时，由该设备使相机设备捕获与药物相关联的第一图像数据；由该设备使调整设备在接收器上重新定位容器；当药物在容器中时，由设备使相机设备捕获与药物相关联的第二图像数据；由设备并且经由神经网络处理第一图像数据和第二图像数据，以基于包括在第一图像数据和第二图像数据中的药物的个体单元的描述来标识药物；由设备基于处方信息和由神经网络提供的药物的标识符验证药物；以及由设备执行动作，动作与指示药物根据处方信息被验证相关联。

在一些实施方式中，设备包括一个或多个存储器和一个或多个处理器，该一个或多个处理器通信地连接到一个或多个存储器，被配置为接收与容器中的药物相关联的处方信息，其中容器被定位于设备的接收器上；通过以下方式迭代地获得药物的多个图像：经由调整设备调整容器上的容器，以尝试重新定位容器内的药物的个体单元，以及当药物在容器内时，通经由相机设备捕获与药物相关联的图像数据；经由神经网络处理多个图像，以基于个体单元中的单元的一个或多个描述来标识药物；基于处方信息和单元上的药物标识符来验证药物；以及执行动作，动作与指示药物根据处方信息被验证相关联。

在一些实施方式中，药物分析系统包括：接收器，接收器被配置为在接收器窗口上支撑容器；相机设备，相机设备位于接受器窗口下方，并且被配置为具有在相机的视场内的接受器窗口；调整设备，其被配置为移动接收器以调整容器中药物的位置；以及控制设备，其被配置为通过使调整装置在接收器上重新定位容器、使相机设备捕获与药物相关联的图像数据来标识容器中的药物；以及通过神经网络处理图像数据以标识药物；并且执行与标识药物相关联的行动。

根据本公开的第一方面，提供了一种方法，包括：由设备接收与容器中的药物相关联的处方信息；当药物在容器中并且容器被定位于接收器上时，由设备使相机设备捕获与药物相关联的第一图像数据；由设备使调整设备在接收器上重新定位容器；当药物在容器中时，由设备使相机设备捕获与药物相关联的第二图像数据；由设备经由神经网络处理第一图像数据和第二图像数据，以基于包括在第一图像数据和第二图像数据中的药物的个体单元的描述来标识药物；由设备基于处方信息和由神经网络提供的药物的标识符来验证药物；以及由设备执行动作，动作与指示药物根据处方信息被验证相关联。

根据一些实施例，其中处方信息包括以下至少一项：药物的标识符；标识药物的剂量的信息；或者标识药物的数量的信息。

根据一些实施例，其中调整设备包括振动机构，振动机构被配置为在接收器上移动容器。

根据一些实施例，还包括：使称重设备在药物在容器内时获取与药物相关联的重量数据，其中药物基于处方信息、标识符和重量数据而被验证。

根据一些实施例，其中神经网络包括卷积神经网络，神经网络被配置为以下至少一项：将第一图像数据和第二图像数据分割成个体单元的描述；基于个体单元中对应的个体单元，确定与标识药物相关联的、描述的分类得分；以及基于分类得分标识药物。

根据一些实施例，还包括：在使相机设备捕获第二图像数据之前，调整以下至少一项：相机设备的镜头的偏振；相机设备的镜头的滤光器；相机设备的缩放设置；或者与相机设备相关联的光发射器的波长。

根据一些实施例，其中执行动作包括：经由显示器指示药物被验证；或者向药物管理系统提供药物与处方信息相关联地被验证的通知。

根据本公开的第二方面，提供了一种设备，包括：一个或多个存储器；以及一个或多个处理器，一个或多个处理器被通信地耦合到一个或多个存储器，一个或多个处理器被配置为：接收与容器中的药物相关联的处方信息，其中容器被定位于设备的接收器上；通过迭代地执行以下过程来获取药物的多个图像：经由调整设备调整接收器上的容器，以尝试重新定位容器内的药物的个体单元，以及当药物在容器中时，经由相机设备捕获与药物相关联的图像数据；经由神经网络处理多个图像，以基于个体单元中的单元的一个或多个描述来标识药物；基于处方信息和单元上的药物的标识符来验证药物；以及执行动作，动作与指示药物根据处方信息被验证相关联。

根据一些实施例，其中处方信息包括以下至少一项：药物的标识符；标识药物的剂量的信息；或者标识药物的数量的信息。

根据一些实施例，其中接收器包括接收器窗口，接收器窗口被配置为在相机设备捕获图像数据时支撑容器，其中相机设备被定位于接收器窗口下方，并且接收器窗口在相机设备的视场内。

根据一些实施例，在对应的图像数据经由相机设备被捕获之后，多个图像中的图像被迭代地处理，其中多个图像的图像被获取，直至以下项中的至少一项：药物在多个图像中的图像中被标识，或预定量的多个图像被获取。

根据一些实施例，其中多个图像的图像被迭代地获取直至预定量的多个图像被获取，其中，预定量与神经网络的配置相关联。

根据一些实施例，其中一个或多个处理器在执行动作时被配置为：经由显示器指示药物被验证；或者向药物管理系统提供药物与处方信息相关联地被验证的通知。

根据本公开的第三方面，提供了一种药物分析系统，包括：接收器，接收器被配置为在接收器窗口上支撑容器；相机设备，相机设备位于接收器窗口下方，并且被配置为具有在相机的视场内的接收器窗口；调整设备，调整设备被配置为移动接收器以调整容器中药物的位置；以及控制设备，控制设备被配置为：通过以下过程标识容器中的药物：使调整设备在接收器上重新定位容器，使相机设备捕获与药物相关联的图像数据经由神经网络处理图像数据以标识药物；以及执行与标识药物相关联的动作。

根据一些实施例，其中接收器窗口包括一个或多个可调整过滤器。

根据一些实施例，其中调整设备包括振动机构，振动机构被配置为在接收器上移动容器。

根据一些实施例，其中神经网络包括卷积神经网络，卷积神经网络被配置为以下至少一项：将图像数据分割成药物的个体单元的描述；基于个体单元中对应的个体单元，确定与标识药物相关联的、描述的分类得分；和基于分类得分确定药物。

根据一些实施例，还包括以下至少一项：

偏振透镜，被配置为减少与图像数据相关联的图像中所描绘的反射光；滤光器，被配置为从与图像数据相关联的图像中过滤特定波长的光；镜头，被配置为调整视场的尺寸；或者光发射器，被配置为调整与图像数据相关联的图像中的光的特性。

根据一些实施例，其中当执行动作时，控制设备被配置为：获取与药物相关联的处方信息；基于处方信息和由神经网络在图像数据中所标识的药物的标识符，验证药物；以及经由显示器或者向药物管理系统提供药物与处方信息相关联地被验证的通知。

根据一些实施例，还包括：与接收器相关联的称重设备，称重设备被配置为获取与药物相关联的重量数据，其中，控制设备还被配置为：使称重设备在药物在容器内时获取与药物相关联的重量数据，其中药物基于处方信息、标识符和重量数据而被验证。

附图说明

图1是本文所描述的示例实现的示意图。

图2A-2B是本文所描述的示例性药物设备的示意图。

图3是示出与标识和验证药物相关的训练和使用机器学习模型的示例图。

图4是其中可以实现本文所描述的系统和/或方法的示例环境的示意图。

图5是图4的一个或多个设备的示例组件的图。

图6是与药物的标识和验证相关联的示例性过程的流程图。

具体实施方式

以下对示例实现的详细描述参考了附图。不同附图中相同的参考数字可以表示相同或相似的元素。

在一些情况下，药剂师、药物填充设备和/或由药物填充装置辅助的药剂师等可以根据一个或多个指示(例如处方)向容器中填充药物(例如，药丸、胶囊、片剂等)。在某些情况下，需要标识和/或验证容器中的药物(例如，确保正确开具处方)。在某些情况下，可以从容器中取出药物，并且设备可以分析药物(例如，进行化学分析)以标识和/或验证药物。在其他情况下，当药物在容器中时，不同的设备可以通过用特定类型的光照明容器来分析药物，以标识和/或验证药物。然而，这些设备是复杂的设备，需要复杂的部件来执行复杂的操作，例如打开容器、产生化学反应、产生和聚焦特定类型的光、检测药物的特性等。此外，设备需要大量车载处理资源来标识和/或验证药物。此外，这些设备仅限于分析药物，而非容器和/或容器的部件，例如容器的密封件。

本文所述的一些实施方式涉及用于标识和验证药物的药物管理系统。例如，药物管理系统可以接收与容器中的药物相关联的处方信息。当药物在容器中且容器位于容器上时，药物管理系统可使相机设备捕获与药物相关联的第一图像数据。

药物管理系统可以使调整装置在接收器上重新定位容器。例如，调整装置可以推推、摇动和/或振动容器，以重新定位容器内的药物。通过在容器内重新定位药物，药物管理系统增加了为药物的个体单元(例如片剂、丸剂、胶囊、小瓶等)捕获的独特图像的数量，从而降低了药物堆积的可能性(例如，药物的个体单元的定位导致多个药物单元作为单个药物单元出现在所捕获的图像中)。

当药物在容器中时，药物管理系统可以使相机设备捕获与药物相关联的第二图像数据。药物管理系统可以通过神经网络处理第一图像数据和第二图像数据，以基于包括在第一图像数据和第二图像数据中的个体药物单元的描述来标识药物。药物管理系统可以基于由神经网络提供的处方信息和药物的标识符来验证药物。

通过这种方式，药物管理系统提供了用于标识和/或验证药物的简单设备(例如，利用简单的组件，例如相机设备)。此外，药物管理系统提供了与上述复杂设备类似的标识和/或验证药物的准确性。这减少了对用于帮助标识和/或验证药物的复杂组件的需求。

此外，药物管理系统可以获得与药物相关联的重量数据，并且可以利用该重量数据确定容器中的药物量。药物管理系统可以向药剂师(例如，验证容器中的药物量、使药剂师重新填装处方等)、接受药物治疗的个人、主要护理人员(例如，家庭成员)、医务人员等提供标识容器中药物量的信息。通过这种方式，药物管理系统能够实现在医疗设施(例如，允许患者自行给药的医用机房)内使用的床旁跟踪能力、供护理人员(例如，家庭成员)使用的跟踪药物消耗的能力等。

图1是与标识和验证药物相关联的示例实现100的示意图。如图1所示，示例实现100包括药物设备和药物管理系统。药物设备可以是通信和/或计算设备，并且可以包括一个或多个容器(例如，用于保持容器)、一个或多个相机设备(例如，用于获得关于容器中药物的图像数据)、一个或多个容器窗口(例如，用于允许一个或多个相机设备观察容器中的药物并且获得图像数据)、一个或多个称重设备(例如，用于获得关于容器中药物的重量数据)、一个或多个调整设备(例如，用于重新定位容器中的药物)和/或类似设备。

药物管理系统可以是计算设备、服务器、云计算设备等。在一些实施方式中，药物设备和药物管理系统可以通过网络连接，例如有线网络(例如互联网或其他数据网络)、无线网络(例如无线局域网、无线广域网、蜂窝网络等)，和/或类似的。

本文中所描述的一些示例实施方式涉及与单个药物管理系统通信的单个药物设备。在一些实施方式中，多个药物设备可以与一个或多个药物管理系统通信。在一些实施方式中，药物管理系统的一项或多项功能可以由药物设备执行，而不是由药物管理系统执行，或由药物管理系统执行。在一些实施方式中，药物设备的一个或多个功能可以由药物管理系统执行，而不是由药物装置执行，或由药物装置执行。

在一些实施方式中，药剂师、药物填充设备、由药物填充设备辅助的药剂师等可以根据处方向容器中填充药物。容器可以是药片容器、胶囊容器、药片容器、瓶、瓶和/或类似容器。容器可以是透明的或半透明的(例如，允许从容器外部看到药物)。容器可以填充药物和/或附加材料，例如衬垫(例如棉花)、干燥剂和/或类似材料。该处方可以是医生准备和给药的书面指示。该处方可包括标识待填入容器中的药物、药物剂量、待填入容器中的药物量、至少一个药物使用说明等的信息。

在一些实施方式中，在用处方填充容器后，药剂师、药物填充装置和/或类似装置可对容器施加封口(例如，盖子、帽、软木塞和/或类似装置)、密封(例如，防篡改密封、气密封、卫生密封、安全密封和/或类似装置)和/或类似装置。此外，药剂师、药物填充装置等可以在容器上贴上标签，该标签包括信息，例如处方中包含的信息、关于负责填充处方的药房的信息(例如，药房的名称、地址、电话号码、电子邮件地址等)、关于药物制造商的信息(例如制造商的名称、地址、电话号码、电子邮件地址等)，关于为其开药的患者的信息(例如，患者的姓名、地址、电话号码、电子邮件地址等)、与处方相关联的标识符(例如，标识串、条形码、快速响应(QR)等)、关于药物的信息(例如，对药物的一个或多个特征的描述)等。

在一些实施方式中，药物设备的用户，诸如药剂师、病人和/或类似人员，可能希望标识和/或验证容器中的药物和/或验证容器密封的完整性。在一些实施方式中，用户可以将容器放置在药物装置的容器中，以使药物装置便于标识和/或验证容器中的药物和/或验证容器密封的完整性。

如附图标记110所示，药物设备接收与容器中的药物有关的处方信息。处方信息可以包括容器标签上所包含的信息和/或处方中包含的信息。例如，处方信息可以包括药物的标识符、标识药物剂量的信息、标识药物量的信息等。标识药物量的信息可包括标识容器中药物量、药物单位(例如，药丸、胶囊、片剂等)重量、不包括容器重量的药物总重量、包括容器重量的药物总重量等的信息。

在一些实施方式中，药物设备的用户可以通过与药物设备交互来使药物设备获取处方信息。例如，用户可以通过医疗设备的用户界面将信息(例如与处方相关联的标识串)输入医疗设备。药物装置可基于标识串在数据结构中进行查找，以获得处方信息。

作为另一示例，用户可以向药物设备呈现容器的标签，诸如将标签放置在一个或多个相机设备的相机设备的视场中，并且药物设备可以使相机设备获得标签的图像数据。药物设备可以包括一个或多个便于将标签定位在相机装置视野内的部件(例如，旋转容器以使标签指向相机装置的臂、将容器定位在相机装置前面的导向设备等)。药物设备可以使用图像处理技术处理图像数据，以确定标签的条形码和/或二维码。药物设备可以基于条形码和/或二维码在数据结构中进行查找，以获得处方信息。

如附图标记120所示，药物管理系统获得与药物有关的图像数据和重量数据。当药物在容器中时，药物装置可以获得与药物相关的图像数据。图像数据可以包括关于药物的至少一个单独单元的尺寸、形状、颜色、图案、阴影、纹理、标签、亮度等的图像数据。在一些实施方式中，药物设备使一个或多个相机设备中的至少一个相机设备获得图像数据。例如，药物装置可以确定容器已经被放置在一个或多个容器的容器中(例如，基于从一个或多个称重装置的称重设备接收重量数据，如下文更详细所述)。基于确定容器已经被放置在容器中，药物治疗设备可以使至少一个摄像设备获得图像数据。

该至少一个相机设备可以通过一个或多个接受器窗口中的至少一个接受器窗口(例如，与接受器相关联的至少一个接受器窗口)获得图像数据。至少一个容器窗口可被配置为在至少一个相机设备获取图像数据时支撑容器。至少一个容器窗口可允许至少一个相机设备指向容器的底部、容器的至少一侧、容器的顶部等以获得图像数据。例如，至少一个相机设备可以位于接受器窗口下方，并且接受器窗口可以位于至少一个相机设备的视野内。作为另一示例，当使至少一个相机设备获得图像数据时，药物设备可使至少一个相机设备确定容器何时处于至少一个相机设备的视野内(例如，当至少一个相机设备捕获预览图像数据时，相机设备可使用对象标识软件标识容器)并聚焦容器中的药物(例如，调整至少一个相机设备的焦距以聚焦于药物)。

在一些实施方式中，药物设备使光照射容器。例如，药物装置可被设计成允许环境光线照射容器(例如通过一个或多个容器窗口)。作为另一个例子，药物装置可以包括产生光的一个或多个光源(例如，一个或多个发光二极管、一个或多个白炽灯泡、一个或多个荧光灯等)。光可以与一种或多种颜色相关联(例如，“白色”光、“红色”光、“蓝色”光、“黄色”光等)。当容器被光照射时，药物装置可使至少一个相机装置获得图像数据。

在一些实施方式中，相机设备包括配置组件。配置组件可被配置为控制照明容器的光量、照明容器的光的颜色、相机设备的过滤设置、相机设备的拍摄设置、相机设备的缩放设置等。基于向配置组件发送消息，药物装置可使灯照亮容器。该消息可包括标识将由一个或多个光源发出的光量、光的颜色或波长、过滤设置、捕获设置、缩放设置等的信息。配置组件可使一个或多个光源发光以照明容器和/或可使相机设备基于消息中包含的信息获得图像数据。

在一些实施方式中，药物装置获得放置在药物装置的多个容器中的多个容器的每一个的相应图像。在一些实施方式中，药物装置包括多个摄像装置。多个相机设备中的每个相机设备可以与多个容器中的相应容器相关联。药物装置可以使每个相机装置以与上述类似的方式捕获放置在与每个相机装置相关联的相应容器容器中的相应容器的图像。可选地和/或附加地，药物装置可使单个相机装置捕获多个容器中每个容器的相应图像。

当药物在容器中时，药物装置可以获得与药物相关的重量数据。重量数据可包括关于容器、药物、容器标签、封口、封条等的重量数据。在一些实施方式中，药物装置使得一个或多个称重装置中的至少一个称重装置获得重量数据。在一些实施方式中，至少一个称重装置获得关于药物、容器、容器标签、封口、封条等的组合重量的重量信息。药物装置可处理重量信息(例如，使用皮重功能处理重量信息)以确定重量数据(例如，仅确定药物的重量)。

在一些实施方式中，药物设备获得多个药物容器的对应重量数据。在一些实施方式中，药物装置利用多个称重装置获得多个药物容器的相应重量数据。备选地和/或附加地，药物装置获得多个药物容器的组合重量数据。例如，药物设备可以利用单个称重装置获得与多个药物容器中的每一个的一个或多个容器、药物内容物以及可选的容器标签、封口、封条等相关联的组合重量数据。

在一些实施方式中，药物装置验证药物的填充重量。填充重量可对应于药物、容器、容器标签、封口、封口等的总重量。药物装置可以基于重量数据确定的填充重量和计算的填充重量之间的比较来验证填充重量。药物装置可基于空容器的重量和单个药物单元的重量确定计算的填充重量。

药物装置可以确定空容器的重量。例如，基于用户通过与药物装置相关联的用户界面输入的信息、基于访问存储不同类型和/或尺寸的容器的重量信息的数据结构(例如数据库、表格、列表等)、基于用户将空容器放入容器并且从一个或多个称重装置获得重量数据等，药物设备可以确定空容器的重量。药物设备可以基于处方信息和/或基于访问存储单个药物单元的重量数据的数据结构来确定单个药物单元的重量。药物设备可以基于处方信息确定容器中包含的药物的单位数量。药物设备可以基于单位数量和单个单位药物的重量(例如，单个单位重量乘以单位数量)计算药物的总重量。药物装置可基于空容器的重量和药物的总重量(例如，将空容器的重量与药物的总重量相加)确定计算的填充重量。药物装置可将计算的填充重量与实际填充重量进行比较。

药物设备可以基于计算的填充重量和实际填充重量的比较来验证药物的填充重量。例如，药物装置可以基于计算的填充重量与实际填充重量相同、基于计算的填充重量与满足阈值量的实际填充重量之间的差异等来验证填充重量。在一些实施方式中，药物装置提供与验证药物的填充重量相关的通知。例如，药物装置可能导致指示药物的填充重量被验证为通过与药物装置相关联的用户界面显示的信息。如参考数字130所示，药物装置重新定位容器以获得与药物相关的额外图像数据。药物装置可包括将容器重新定位在容器上的调整装置。例如，调整装置可以振动、摇动和/或推压容器，以使药物在容器内重新排列和/或重新定位。在一些实施方式中，调整装置包括振动机构，该振动机构被配置为在容器上移动容器。例如，调整装置可包括一个或多个测力传感器，该测力传感器位于容器窗口的周边周围，并被配置为振动容器上的容器。在一些实施方式中，一个或多个测力传感器通过提供悬臂作用的相应测力传感器安装件连接至药物装置。

基于获得与药物相关的初始图像数据和/或重量数据，药物装置可使调整装置重新定位容器，以使药物在容器内重新排列和/或重新定位。药物治疗设备可基于调整设备对容器的重新定位使相机设备获得额外的图像数据。

在一些实施方式中，在使至少一个相机设备捕获附加图像数据之前，药物设备修改至少一个相机设备的配置设置。例如，药物治疗设备可以调整至少一个相机设备的镜头的偏振、至少一个相机设备的镜头的滤光器、至少一个相机设备的变焦设置、与至少一个相机设备相关联的光发射器的波长等。药物治疗设备可以调整镜头的偏振，以减少与图像数据相关联的图像中描绘的反射光。药物治疗设备可以调整镜头的滤光器，以从与图像数据相关联的图像中过滤特定波长的光。药物治疗设备可以调整缩放设置以调整至少一个摄像设备的视场尺寸。药物治疗设备可以调整光发射器的波长，以调整与图像数据相关联的图像中的光的特性(例如颜色)。

备选地，和/或附加地，容器窗口可包括一个或多个可调整的过滤器。在使至少一个相机设备捕获额外的图像数据之前，药物设备可以调整偏振镜头、滤光器、镜头、光发射器和/或一个或多个可调整的滤光器。

在一些实施方式中，当药物在容器中时，药物设备使至少一个相机设备捕获对应于药物的多个图像的多个附加图像数据。在相应的附加图像数据被至少一个相机设备捕获后，药物治疗设备可以迭代地处理多个图像中的图像。图像可以被获取，直到在多个图像的一图像中标识出药物和/或直到获取预定量的图像。如下文更详细描述的，预定量可与用于处理图像数据的神经网络的配置相关联。

在一些实施方式中，药物设备基于图像数据和/或重量数据确定关于药物的信息。例如，药物装置可以处理图像数据和/或重量数据以标识药物、药物剂量、容器中的药物的数量等。

如附图标记140所示，药物装置可以处理图像数据以标识药物的单元。在一些实施方式中，药物设备利用机器学习模型处理图像数据(例如，图像数据和附加图像数据)以标识药物的单元。例如，药物治疗设备可以通过机器学习模型的神经网络处理图像数据和附加图像数据，以基于图像数据和附加图像数据中包含的药物的个体单元的描述来标识药物。神经网络可以包括卷积神经网络，其被配置为将图像数据和附加图像数据分割成个体单元的描述，基于个体单元中相应的个体单元来确定与标识药物相关联的、描述的分类分数，并基于分类得分标识药物。

在一些实施方式中，机器学习模型包括对象检测模型。对象检测模型可以处理图像数据和附加图像数据，以确定对应于图像数据和/或附加图像数据中包括的图像内的个体单元的位置的多个边界框。药物治疗设备可以分割图像，以基于多个边界框生成个体单元的描述。机器学习模型可以处理个体单元的一个或多个描述，以确定分类分数。例如，药物装置可以基于与个体单元的描绘相关联的一个或多个特征(例如，图像中个体单元的尺寸、图像中可见的个体单元的数量、图像中个体单元的位置等)选择个体单元的一个或多个描述。药物装置可以处理个体单元的选定描述，以确定与选定描述相关联的分类分数。分类分数可以指示个体单元对应于特定类型药物的个体单元的可能性。药物装置可基于分类分数将药物标识为特定类型的药物。例如，药物设备可以基于满足分类分数阈值的分类分数将药物标识为特定类型的药物。

备选地，和/或附加地，药物管理系统可以处理图像数据以标识药物的单元。例如，药物管理系统可以利用机器学习模型处理图像数据，以类似于上述方式标识药物单元。在一些实施方式中，药物装置和/或药物管理系统可以以与上述类似的方式处理图像数据，以识别针对多个药物容器中每一个药物容器的药物的单元。

在一些实施方式中，药物设备生成和/或训练机器学习模型。例如，药物治疗设备可以获取关于药物治疗的历史信息、历史图像数据和/或历史重量数据(以下统称为“历史信息”)，以生成和/或训练机器学习模型。在一些实施方式中，药物设备可以处理历史信息，以训练机器学习模型，从而基于图像数据和重量数据标识药物、药物剂量和药物量等，和/或以类似于下文关于图3的方式确定标识置信水平。标识置信水平可指示关于药物标识、药物剂量、药物数量等的预测准确性水平。例如，低标识置信水平可指示低预测精度水平(例如，低于特定百分比精度)，高标识置信水平可指示高预测精度水平(例如，高于或等于特定百分比精度)等。

在一些实施方式中，不同的设备(例如，药物管理系统、服务器设备等)生成和/或训练机器学习模型。药物治疗设备可以从不同的设备获得机器学习模型。例如，不同的设备可以将机器学习模型发送(例如，按计划、按需、基于触发等)给药物设备。

如附图标记150所示，药物装置基于重量数据和图像数据验证处方。在一些实施方式中，药物设备基于处方信息和关于药物的信息验证药物。例如，如果包含在关于药物的信息中的药物的标识、剂量、药物的数量等对应于处方信息(例如，匹配、阈值内匹配等)，则药物设备可确定药物已被验证。此外，如果标识置信水平满足阈值(例如，等于或大于阈值)，则药物设备可以确认药物的验证。此外，或者可选地，如果包含在关于药物的信息中的药物的标识、剂量、药物的水量等与处方信息不一致(例如，不匹配、没有在阈值匹配内等)，则药物设备可以确定药物未被验证。此外，如果标识置信水平不满足阈值(例如，小于阈值)，则药物设备可以确定药物未被验证。

作为另一示例，药物设备可以通过以下方式验证药物：确定处方信息中包含的药物的标识符与有关药物的信息中包含的药物的标识符相匹配，确定处方信息中标识的药物剂量与有关药物的信息中标识的药物剂量相匹配，和/或确定处方信息中标识的药物的数量在阈值内对应于有关药物的信息中标识的药物的数量。

在一些实施方式中，药物设备可包括确定药物是否已被验证为关于药物的信息。在一些实施方式中，在确定药物是否已被验证后，药物治疗设备可以使得机器学习模型被更新。例如，药物治疗设备可以基于图像数据、重量数据、处方信息、关于药物治疗的信息等来使机器学习模型被更新(例如，使机器学习模型被重新训练)。

在一些实施方式中，药物设备基于被验证的药物验证容器的封条(seal)的完整性。例如，药物装置可以获得与容器的封条相关的额外图像数据。在一些实施方式中，药物设备可以使至少一个相机设备以与上述关于获取图像数据的药物设备类似的方式获取额外的图像数据。例如，药物装置可确定容器已被放置在容器中，并可使至少一个摄像装置获得额外的图像数据。在一些实施方式中，用户可以将容器倒置放置在容器中，以允许一个或多个相机设备中的特定相机设备获得额外的图像数据(例如，当容器倒置放置时，允许特定相机设备通过容器底部的容器窗口指向上方)。在一些实施方式中，药物装置可包括一个或多个部件，以便于将封条件定位在特定相机装置的视场内(例如，旋转容器以使封条件指向相机装置的臂、将封条件定位在相机装置前面的导向装置等)。

药物治疗设备可确定关于封条的信息，以验证封条的完整性。药物装置可以基于附加图像数据确定关于印章的信息。例如，药物治疗设备可处理附加图像数据以确定关于封条的信息，该信息可包括关于封条完整性的信息(例如，封条是否完好无损、是否有一处或多处破损、是否有一处或多处孔、是否显示封条被篡改的迹象、是否显示封条失效的迹象等)。

在一些实现中，药物设备可以使用第二机器学习模型来确定关于密封的信息。在一些实现中，药物设备以与上述类似的方式和/或以与下述关于图3类似的方式接收、生成和/或训练第二机器学习模型。在一些实现中，药物设备处理附加的图像数据以确定关于密封的完整性问题和/或确定完整性置信度水平。完整性置信度水平可以指示关于完整性问题的确定的预测准确性水平。例如，低完整性置信度水平可以指示低预测准确性水平((例如，低于特定百分比准确性))，高完整性置信度水平可以指示高预测准确性水平((例如，高于或等于特定百分比准确性))等。

药物设备可以使用第二机器学习模型基于附加图像数据来确定密封是否具有完整性问题。在一些实现中，在确定密封是否具有完整性问题后，药物设备可以使第二机器学习模型被更新。例如，药物设备可以基于附加图像数据、关于密封的信息等使第二机器学习模型((例如，使第二机器学习模型被重新训练))被更新。

如附图标记160所示，药物设备指示药物和/或密封是否已经被验证。药物设备可以生成关于药物和密封的消息。在一些实现中，药物设备基于关于药物的信息和关于密封的信息生成消息。该消息可包括信息，诸如指示药物是否已经被验证、密封的完整性是否已经被验证等的信息。备选地和/或附加地，该消息可包括一个或多个指令，诸如与药物设备的用户将服用多少药物相关联的指令、与通知药物制造方可能篡改药物和/或密封相关联的指令等。在一些实现中，该消息包括一个或多个警告，诸如药物可能是假冒的警告、密封完整性已经被破坏的警告等；等。

该药物设备可以使消息的呈现(例如，使显示器呈现消息、使扬声器呈现消息等))。药物设备可以经由药物设备的显示器、药物设备的扬声器设备等来呈现消息。例如，药物设备可以基于该消息使用文本到语音技术生成语音数据，并且使药物设备的扬声器发出语音数据。

在一些实现中，药物设备使不同的设备呈现消息(例如，使不同设备的显示器呈现消息、使不同设备的扬声器呈现消息等))。例如，药物设备可以基于处方信息确定不同设备((例如，患者的用户设备、药房和/或制造方的客户端设备等))的标识符((例如，电话号码、互联网协议((IP))地址等))。药物设备可以基于不同设备的标识符向不同设备发送消息。不同设备基于接收到的消息，可以在不同设备的显示器上显示消息和/或经由不同设备的扬声器发出消息。

在一些实现中，用户可以使用药物设备以促进用户从容器中取出适当剂量的药物量。例如，药物设备的用户可以在看到和/或听到消息的呈现后从容器中取出一定量的药物，并且将容器放置在针对药物设备的药物设备的接收器中，以验证药物量正确。

因此，药物设备可以获取与药物有关的进一步图像数据。例如，药物设备可以使至少一个照相机设备以与上述关于药物设备获取图像数据和附加图像数据类似的方式获取进一步的图像数据。

药物设备可以获取与药物有关的进一步重量数据。在一些实现中，药物设备使至少一个称重设备设备以与上述关于药物设备获取重量数据类似的方式获取进一步的重量数据。例如，在用户将容器放置在药物设备的接收器中后，药物设备可以使至少一个称重设备获取进一步的重量数据。

药物设备可以确定从容器中取出的药物量。在一些实现中，药物设备以与上述类似的方式处理进一步的图像数据和进一步的重量数据，以确定关于药物的附加信息，以促进确定从容器中取出的药物量。例如，药物设备可以使用机器学习模型来处理进一步的图像数据和进一步的重量数据，以标识药物((例如，验证相同的药物正在被分析)和新的药物量。药物标识和验证平台可以比较新的药物量和包含在关于药物的信息中的药物量(例如，在用户从容器中取出药物之前的初始药物量)，以确定从容器中取出的药物量。药物设备可在关于药物的附加信息中包括标识从容器中取出的药物量的信息、标识新的药物量的信息、标识药物量的信息等。

药物设备可以基于关于药物的附加消息生成关于药物的附加消息。附加消息可包括信息，诸如关于从容器中取出的药物量是否正确的信息、关于容器中剩余药物量的信息等。

药物设备可以使附加消息的呈现(例如，使显示器呈现附加消息、使扬声器呈现附加消息等))。在一些实现中，药物设备使药物设备和/或不同的设备以与上述类似的方式呈现附加消息。

在一些实现中，用户可以使用药物设备以促进用户从多个容器中取出适当剂量的药物量。用户可以将多个容器放置在药物设备的多个容器接收器中的相应容器接收器中。药物设备可以以类似于上述的方式验证用户正在从多个容器中的每个容器中取出适当剂量的药物量。

在一些实现中，药物设备被用以监测药物的消耗。例如，药物设备可位于人的家中和/或医疗设施(例如，医疗设施和/或允许患者自行给药的另一类型的设施)，并且药物设备可以监测药物的消耗以跟踪药物的消耗、以确定何时针对药物重新填充处方、以自动重新填充处方等。

在一些实现中，药物设备基于确定容器中包含的药物的单位数量来监测药物的消耗。在一些实现中，药物设备可以利用所计算的填充重量来确定容器中所包含的药物的单位数量。例如，药物设备可以通过将所计算的填充重量除以个体药物单元的重量来确定容器中包含的药物单元的数量。

在一些实现中，药物设备定期监测药物的消耗，以确定人是否正在根据处方服用和/或被给予药物。例如，药物设备可以基于处方信息确定针对其写处方的人服用和/或给予一定量药物的频率(例如每小时、每四小时、每天、每天两次等)。该药物设备可以基于该人服用和/或给予药物的频率定期确定容器中的单位数量。该药物设备可以将单位数量与先前确定的单位数量进行比较，以确定该药物是否由该人服用和/或给予该人。药物设备可以向客户端设备((例如，与该人、护理人员、医疗人员、家庭成员等相关联的客户端设备)提供指示是否由该人服用和/或给予该人药物的信息。以这种方式，药物设备可以使医疗人员、家庭成员、护理人员等能够追踪人的药物的消耗。

在一些实现中，药物设备基于容器中的单位数量确定药物将被重新填充。例如，药物设备可以确定容器中的单位数量满足阈值数量(例如，由药剂师、医生、人等设置的阈值数量)。药物设备可以基于满足阈值数量的单位数量来确定药物要被重新填充。

在一些实现中，药物设备可以基于处方信息确定是否有任何重新填充剩余。药物设备可以在有重新填充剩余时向客户端设备(例如，与人相关联的客户端设备、与药剂师相关联的客户端设备等)提供指示药物将被重新填充的信息。

在一些实现中，当没有重新填充剩余时，药物设备自动要求处方被重新填充。例如，药物设备可以向与处方信息中所标识的医疗专业人员相关联的客户端设备提供请求处方被重新填充的信息、标识剩余药物单位数量的信息、标识所写的处方针对的人的信息、标识用于重新填充处方的药房的信息等。

如附图标记170所示，药物管理系统记录药物和/或密封的验证。例如，药物设备可以向药物管理系统提供在本文中所描述的信息。药物管理系统可以基于从药物设备接收到的信息将信息存储在与药物管理系统相关联的存储器中。

在一些实现中，本文中所描述的信息可以从区块链中获取和/或存储在区块链中。区块链是分布式数据库，它维护着连续增长的记录列表，称为块，这些记录可以链接在一起以形成一个链。区块链中的每个块可包含信息((例如，时间戳、链路等)。)将其与区块链中的先前块和/或交易相关联。块可以被保护免受篡改和修改。另外，区块链可以包括由参与已建立的分布式计算机网络的各方共享的安全交易分类账数据库。区块链可记录网络中发生的交易(例如，信息交换或传输)，从而减少或消除对受信/集中式第三方的需求。示例性实施例可以采用私有(例如封闭)或公共(例如开放)区块链环境。在一些情况下，参与交易的各方可以不知道参与交易的任何其他方的身份，但是可以安全地交换信息。此外，分布式分类账可以对应于与密码审计跟踪一致的记录，该记录由独立计算机集维护和验证。

例如，处方信息可以存储在区块链中，并且药物设备和/或药物管理系统可以从区块链获取处方信息。作为另一示例，药物设备和/或药物管理系统可以在区块链中存储处方信息、关于药物的信息、关于密封的信息、关于药物的附加信息等。区块链可以由一个或多个与制造、填充或分配药物相关联的设备访问。以这种方式，关于药物、密封、容器等的完整性的记录可以由处理药物、密封、容器等的每个实体来更新。

本文中所描述的一些示例实现涉及执行一个或多个功能(例如，标识和验证药物、验证密封的完整性、确定从容器中取出的药物量等)的药物设备，但是一些实现包括执行一个或多个功能的药物管理系统。例如，在一些实现中，药物设备向药物管理系统提供图像数据和附加图像数据，并且药物管理系统执行一个或多个功能的全部功能。附加地，或备选地，本文中所描述的一些示例性实现涉及生成和/或引起消息呈现的药物设备，但是一些实现包括生成和/或引起消息的药物管理系统。

以这种方式，药物设备提供了用于标识和/或验证药物的简单设备(例如，利用不复杂的部件，诸如照相机设备和称重设备)。此外，该药物设备提供了与如上所讨论的复杂设备类似的用于标识和/或验证药物的准确性。这减少了对于被用于促进标识和/或验证药物的复杂组件的需求。此外，药物设备可以将数据发送至针对药物标识和验证平台的药物管理系统以分析数据，这减少了对于大量处理资源被定位于药物和/或容器被分析的位置的的需求，以促进标识和/或验证药物。此外，药物设备使用被用于促进标识和/或验证药物的相同、不复杂的部件来促进确定容器的密封完整性。

如上所指示，提供图1作为示例。其他示例可以不同于关于图1所描述的示例。图1所示的设备的数量和布置作为示例提供。实际上，与图1所示的设备相比，可以有附加的设备、更少的设备、不同的设备或不同布置的设备。此外，图1所示的两个或更多设备可以在单个设备内被实现，或者图1所示的单个设备可以被实现为多个分布式设备。附加地，或者备选地，图1所示的设备集(例如，一个或多个设备)可以执行被描述为由图1所示的另一设备集执行的一个或多个功能。

图2A至图2B是在本文中所描述的示例性药物设备200的图。如图2A所示，药物设备200可以是通信和/或计算设备，并且可以包括一个或多个容器接收器210(例如，以容纳一个或多个容器)、一个或多个照相机设备220(例如，以于获取关于容器中的药物和/或容器的密封的图像数据)、一个或多个接收器窗口230(例如，以促进一个或多个照相机设备220获取图像数据)、称重设备240、调整设备250和/或执行功能(诸如如上结合图1所描述的功能)的类似设备。

如图2B所示，一个或多个容器接收器210中的容器接收器210可以包括容器接收器210中和/或容器接收器210上的一个或多个接收器窗口230的接收器窗口230。一个或多个照相机设备220中的照相机设备220可包含在药物设备200内，并且指向接收器窗口230，以获取容器接收器210中所容纳的容器中的药物的图像数据。容器接收器210和/或接收器窗口230可以被连接和/或设置在药物设备200的一个或多个称重设备240的称重设备240上，该称重设备240获取关于容器中药物的重量数据。

同样如图2B所示，药物设备包括窗口调整设备260，调整设备260被配置为修改至少一个照相机设备220的配置设置和/或接收器窗口230的配置。例如，窗口调整设备260可以被配置为调整至少一个照相机设备220的镜头的偏振、至少一个照相机设备220的镜头的滤光器、至少一个照相机设备220的变焦设置、与至少一个照相机设备220相关联的光发射器的波长等。备选地和/或附加地，接收器窗口230可包括一个或多个可调节过滤器，并且窗口调节设备260可以被配置为调节一个或多个可调节过滤器。

如上所指示，提供图2A至图2B作为示例。其他示例可以不同于关于图2A至图2B所描述的示例。提供了图2A至图2B所示的设备的数量和布置作为示例。实际上，与图2A至图2B所示的设备相比，可以有附加的设备、更少的设备、不同的设备或不同布置的设备。此外，图2A至图2B所示的两个或更多设备可以在单个设备内实现，或者图2A至图2B中所示的单个设备可以被实现为多个分布式设备。附加地，或者备选地，图2A至图2B所示的设备集(例如，一个或多个设备)可以执行被描述为由图2A至图2B所示的另一设备集所执行的一个或多个功能。

图3是例示关于标识和验证药物的训练和使用机器学习模型的示例300的图。本文中所描述的机器学习模型训练和使用可以使用机器学习系统来执行。机器学习系统可以包括或可以被包括在计算设备、服务器、云计算环境等中，诸如本文其他地方更详细描述的药物管理系统。

如附图标记305所示，机器学习模型可以使用观察集来训练。该观察集可以从训练数据(例如历史数据)中获取，诸如在本文所描述的一个或多个过程期间所收集的数据。在一些实现中，机器学习系统可以从药物管理系统接收该观察集(例如，作为输入)，如本文中其他地方所述。

如附图标记310所示，该观察集包括特征集。特征集可以包括变量集，并且变量可以被称为特征。特定观察可以包括对应于该变量集的一组变量值(或特征值)集。在一些实现中，机器学习系统可以基于从药物管理系统接收的输入确定针对观察集的变量和/或针对特定观察的变量值。例如，机器学习系统可以通过从结构化数据中提取特征集、通过执行自然语言处理以从非结构化数据中提取特征集和/或通过接收来自操作者的输入来标识特征集(例如，一个或多个特征和/或特征值)。

作为示例，针对观察集的特征集可以包括第一图像配置的第一特征(例如，如图3所示的图像配置1)、第二图像配置的第二特征(例如，如图3所示的图像配置2)、第三图像配置的第三特征(例如，如图3所示的图像配置3)等。不同的图像配置可以与重新定位容器、重新定位照相机设备、调整照射在容器上的光量、调整照相机设备的设置(例如，过滤设置、聚焦设置等)等相关联。如图所示，对于第一观察，第一特征可以具有第一图像配置标识符的值(例如，如图3所示的Img1.1)，第二特征可以具有第二图像配置标识符的值(例如，如图3所示的Img1.2)，第三特征可以具有第三图像配置标识符的值(例如，如图3所示的Img1.3)，等等。这些特征和特征值作为示例提供，并且在其他示例中可以不同。

如附图标记315所示，该观察集可以与目标变量相关联。目标变量可以代表具有数值的变量，可以代表具有落入值范围内的数值或具有一些离散可能值的变量，可以代表从多个选项的一个选项(例如多个类别、分类或标签中的一项)中可选择的变量，和/或可以代表具有布尔值的变量。目标变量可以与目标变量值相关联，并且目标变量值可以特定于观察。在示例300中，目标变量是指示药物被正确标识的可能性的置信度得分(例如，置信度，如图3所示)，其对于第一观察具有0.8(例如，80％)的值。备选地和/或附加地，目标变量可以是与观察相关联的药物的标识。

目标变量可以表示机器学习模型正在被训练以预测的值，并且特征集可以表示输入到所训练的机器学习模型以预测针对目标变量的值的变量。该观察集以可包括目标变量值，从而机器学习模型可被训练以识别特征集中导致目标变量值的模式。被训练以预测目标变量值的机器学习模型可以被称为监督学习模型。

在一些实现中，机器学习模型可以在不包括目标变量的观察集上训练。这可以被称为无监督学习模式。在这种情况下，机器学习模型可以从该观察集中学习模式，而无需标记或监督，并且可以提供指示此类模式的输出，诸如通过使用簇和/或关联来标识该观察集内的相关项目组。

如附图标记320所示，机器学习系统可以使用该观察集并且使用一个或多个机器学习算法(诸如回归算法、决策树算法、神经网络算法、k最近邻算法、支持向量机算法等)来训练机器学习模型。在训练后，机器学习系统可以将机器学习模型存储为所训练的机器学习模型325，机器学习模型325被用于分析新观察。

如附图标记330所示，机器学习系统可以将所训练的机器学习模型325应用于新观察，诸如通过接收新观察并且将新观察输入所训练的机器学习模型325。如图所示，作为示例，新观察可以包括第一图像配置的第一特征(例如，如图3所示的图像配置1)、第二图像配置的第二特征(例如，如图3所示的图像配置2)、第三图像配置的第三特征(例如，如图3所示的图像配置3)等。机器学习系统可以将所训练的机器学习模型325应用于新观察以生成输出(例如，结果)。输出的类型可以取决于机器学习模型的类型和/或正在执行的机器学习任务的类型。例如，输出可以包括目标变量的预测值，诸如当监督学习被采用时。附加地，或备选地，输出可以包括标识新观察所属的簇的信息和/或指示新观察与一个或多个其他观察之间的相似度的信息，诸如当无监督学习被采用时。

作为示例，所训练的机器学习模型325可以预测针对新观察的置信度得分的针对目标变量的0.9的值，如附图标记335所示。基于该预测，机器学习系统可以提供第一推荐，可以提供针对第一推荐的确定的输出，可以执行第一自动动作，和/或可以使第一自动动作被执行(例如，通过指示另一设备执行自动动作)，以及其他示例。

在一些实现中，所训练的机器学习模型325可以对簇(例如，簇)中的新观察进行分类()，如附图标记340所示。簇内的观察可以具有阈值相似度。作为示例，如果机器学习系统对第一簇(例如，高置信度得分簇)中的新观察进行分类()，则机器学习系统可以提供第一推荐。附加地，或者备选地，机器学习系统可以基于对第一簇中的新观察进行分类来执行第一自动动作和/或可以使第一自动动作被执行(例如，通过指示另一设备来执行自动动作)。

作为另一示例，如果机器学习系统对第二簇(例如，低置信度得分簇)中的新观察进行分类()，则机器学习系统可以提供第二(例如，不同的)推荐和/或可以执行或引起第二(例如，不同的)自动动作的执行。

在一些实现中，与新观察相关联的推荐和/或自动动作可以基于具有特定标签的目标变量值(例如，分类或归类)，可以基于目标变量值是否满足一个或多个阈值(例如，目标变量值是否大于阈值、小于阈值、等于阈值、落入阈值范围内等)，和/或可以基于新观察被分类的簇。

以这种方式，机器学习系统可以应用严格的以及自动的过程来标识和验证药物。机器学习系统启用识别和/或标识数十、数百、数千或数百万个特征和/或数十、数百、数千或数百万个观察的特征值，从而相对于需要针对数十、数百或数千个操作者分配计算资源以使用特征或特征值来人工标识和验证药物，这提高了准确性和一致性，并且减少了与标识和验证药物相关联的延迟。

如上所述，提供图3作为示例。其他示例可以不同于结合图3所描述的示例。

图4是示例环境400的图，在示例环境400中本文中所描述的系统和/或方法可以被实现。如图4所示，环境400可包括医疗管理系统401，其可包括云计算系统402内的一个或多个元件和/或可以在云计算系统402内执行的一个或多个元件。云计算系统402可包括一个或多个元件403至413，如下文更详细描述的。如图4进一步所示，环境400可包括网络420和药物设备430。环境400的设备和/或元件可以经由有线连接和/或无线连接互连。

云计算系统402包括计算硬件403、资源管理组件404、主机操作系统(OS)405和/或一个或多个虚拟计算系统406。资源管理组件404可以执行计算硬件403的虚拟化(例如，提取)，以创建一个或多个虚拟计算系统406。使用虚拟化，资源管理组件404使单个计算设备(例如计算机、服务器等)能够像多个计算设备一样运行，诸如通过从单个计算设备的计算硬件403创建多个隔离的虚拟计算系统406。以这种方式，计算硬件403可以比使用分离的计算设备更高效地运行，具有更低的功率消耗、更高的可靠性、更高的可用性、更高的利用率、更大的灵活性和更低的成本。

计算硬件403包括来自一个或多个计算设备的硬件和相应资源。例如，计算硬件403可以包括来自单个计算设备(例如单个服务器)或来自多个计算设备(例如多个服务器)的硬件，诸如一个或多个数据中心中的多个计算设备。如图所示，计算硬件403可以包括一个或多个处理器407、一个或多个存储器408、一个或多个存储组件409和/或一个或多个联网组件410。处理器、存储器、存储组件和联网组件(例如，通信组件)的示例在本文中其他地方描述。

资源管理组件404包括能够虚拟化计算硬件403以启动、停止和/或管理一个或多个虚拟计算系统406的虚拟化应用(例如，在诸如计算硬件403的硬件上执行)。例如，资源管理组件404可以包括管理程序(例如，裸机或第一类管理程序、托管或第二类管理程序等)或虚拟机监视器，诸如当虚拟计算系统406是虚拟机411时。附加地或备选地，资源管理组件404可以包括容器管理器，诸如当虚拟计算系统406是容器412时。在一些实现中，资源管理组件404在主机操作系统405内执行和/或与主机操作系统405协调执行。

虚拟计算系统406包括使用计算硬件403来启用基于云的操作的执行和/或在本文中所描述的过程的虚拟环境。如图所示，虚拟计算系统406可包括虚拟机411、容器412、包括虚拟机和容器的混合环境413等。虚拟计算系统406可以使用包括二进制文件、软件库和/或在访客操作系统(例如，在虚拟计算系统406内)或主机操作系统405上执行应用所需的其他资源的文件系统来执行一个或多个应用。

尽管医疗管理系统401可以包括云计算系统402的一个或多个元件403至413，可以在云计算系统402内执行，和/或可以托管在云计算系统402内，但是在一些实现中，医疗管理系统401可以不是基于云的(例如，可以在云计算系统之外实现)，或者可以部分基于云。例如，医疗管理系统401可以包括不是云计算系统402的一部分的一个或多个设备，诸如图5的设备500，其可包括独立服务器或另一类型的计算设备。医疗管理系统401可以执行一个或多个操作和/或过程，该操作和/或过程在本文其他地方有更详细的描述。

网络420包括一个或多个有线和/或无线网络。例如，网络420可以包括蜂窝网络、公共陆地移动网络(PLMN)、局域网(LAN)、广域网(广域网)、专用网络、互联网等，和/或这些或其他类型网络的组合。网络420使环境400的设备之间能够通信。

药物设备430包括一个或多个能够接收、生成、存储、处理和/或提供信息(诸如在本文中所描述的信息)的设备。例如，药物设备430可以包括计算机(例如台式计算机、膝上型计算机、平板计算机、手持计算机、服务器设备等)。)，移动电话(例如智能电话、无线电话等。)，物联网设备(IOT)或智能应用，或类似设备。在一些实现中，药物设备430可包括一个或多个组件，诸如用于容纳填充药物的容器的一个或多个接收器、用于获取与药物和/或容器的密封相关的图像数据的一个或多个照相机设备、用于促进一个或多个照相机设备获取图像数据的一个或多个接收器窗口、用于获取与药物相关的重量数据的一个或多个称重设备等。在一些实现中，药物设备430可以从药物管理系统401等接收信息和/或向其传输信息。

图4所示的设备和网络的数量和布置是作为示例提供的。实际上，与图4所示的设备和/或网络相比，可以有附加的设备和/或网络、更少的设备和/或网络、不同的设备和/或网络或不同布置的设备和/或网络。此外，图4所示的两个或更多设备可以在单个设备内实现，或者图4所示的单个设备可以实现为多个分布式设备。附加地或备选地，环境400的设备集(例如，一个或多个设备)可以执行被描述为由环境400的另一设备集执行的一个或多个功能。

图5是设备500的示例组件的图，其可对应于药物管理系统401和/或药物设备430。在一些实现中，药物管理系统401和/或药物设备430可以包括一个或多个设备500和/或设备500的一个或多个组件。如图5所示，设备500可以包括总线510、处理器520、存储器530、存储组件540、输入组件550、输出组件560和通信组件570。

总线510包括能够在设备500的组件之间进行有线和/或无线通信的组件。处理器520包括中央处理单元、图形处理单元、微处理器、控制器、微控制器、数字信号处理器、现场可编程门阵列、专用集成电路和/或其他类型的处理组件。处理器520以硬件、固件或硬件和软件的组合实现。在一些实现中，处理器520包括能够被编程以执行功能的一个或多个处理器。存储器530包括随机存取存储器、只读存储器和/或其他类型的存储器(例如，闪存、磁存储器和/或光存储器)。

存储组件540存储与设备500的操作相关的信息和/或软件。例如，存储组件540可以包括硬盘驱动器、磁盘驱动器、光盘驱动器、固态盘驱动器、光盘、数字通用盘和/或其他类型的非暂态计算机可读介质。输入组件550使设备500能够接收输入，诸如用户输入和/或感测到的输入。例如，输入组件550可以包括触摸屏、键盘、小键盘、鼠标、按钮、麦克风、交换机、传感器、全球定位系统组件、加速度计、陀螺仪和/或致动器。输出组件560使设备500能够提供诸如经由显示器、扬声器和/或一个或多个发光二极管的输出。通信组件570使设备500能够与其他设备通信，诸如经由有线连接和/或无线连接。例如，通信组件570可以包括接收器、发送器、收发机、调制解调器、网络接口卡和/或天线。

设备500可以执行本文中所描述的一个或多个过程。例如，非暂态计算机可读介质(例如，存储器530和/或存储组件540)可以存储指令集(例如，一个或多个指令、代码、软件代码和/或程序代码)供处理器520执行。处理器520可以执行该指令集以执行本文中所描述的一个或多个过程。在一些实现中，由一个或多个处理器520所执行的指令集使一个或多个处理器520和/或设备500执行本文中所描述的一个或多个过程。在一些实现中，硬连线电路系统可以被使用来代替指令或与指令结合来执行本文所述的一个或多个过程。因此，本文所描述的实现不限于硬件电路系统和软件的任何特定组合。

图5所示的组件的数量和布置作为示例提供。与图5中所示的组件相比，设备500可以包括附加的组件、更少的组件、不同的组件或不同布置的组件。附加地或备选地，设备500的组件集(例如，一个或多个组件)可以执行被描述为由设备500的另一组件集所执行的一个或多个功能。

图6是与药物的标识和验证相关联的示例过程600的流程图。在一些实现中，图6的一个或多个过程框可以由设备(例如，药物管理系统401)执行。在一些实现中，图6的一个或多个过程框可以由与该设备分离或包括该设备的另一设备或设备组(例如药物设备430)执行。附加地或备选地，图6的一个或多个处理框可以由设备500的一个或多个组件执行，例如处理器520、存储器530、存储组件540、输入组件550、输出组件560和/或通信组件570。

如图6所示，过程600可以包括接收与容器中的药物相关联的处方信息(框610)。例如，如上所述，设备可以接收与容器中的药物相关联的处方信息。处方信息可以包括药物的标识符、标识药物剂量的信息和/或标识药物量的信息。标识药物量的信息可以包括标识容器中药物量、药物单位(例如，药丸、胶囊、片剂等)重量、不包括容器重量的药物总重量、包括容器重量的药物总重量等的信息。

如在图6中进一步所示，过程600可以包括当药物在容器中并且容器位于接收器上时，使照相机设备捕捉与药物相关联的第一图像数据(方框620)。例如，如上所述，当药物在容器中且容器位于接收器上时，该设备可以使照相机设备捕捉与药物相关联的第一图像数据。接收器可以包括接收器窗口，接收器窗口被配置为在照相机设备捕捉图像数据时支持容器。照相机设备可以位于接收器窗口下方，并且接收器窗口可以位于照相机设备的视野内。

如图6进一步所示，过程600可包括使调整设备将容器重新定位在接收器上(框630)。例如，如上所述，该设备可以使调整设备将容器重新定位在容接收器上。在一些实现中，调整设备包括振动机制，该振动机制被配置为在接收器上移动容器。

如在图6中进一步所示，过程600可以包括当药物在容器中时，使照相机设备捕获与药物相关联的第二图像数据(框640)。例如，如上所述，当药物在容器中时，该设备可以使照相机设备捕捉与药物相关联的第二图像数据。在一些实现中，在使照相机设备捕捉第二图像数据之前，设备可以调整照相机设备的镜头的偏振、相机设备的镜头的滤光器、相机设备的变焦设置和/或与相机设备相关联的光发射器的波长。例如，该设备可以包括被配置为减少与图像数据相关联的图像中描绘的反射光的偏振透镜、被配置为从与图像数据相关联的图像中过滤特定波长的光的滤光器、被配置为调整视野尺寸的透镜和/或被配置为调整与图像数据相关联的图像中的光特性的光发射器。备选地和/或附加地，接收器窗口可以包括一个或多个可调节的过滤器。在使相机设备捕捉第二图像数据之前，设备可以调整偏振镜头、滤光器、镜头、光发射器和/或一个或多个可调整的滤光器。

在一些实现中，当药物在容器中时，该设备可以使得照相机设备捕捉对应于与药物相关联的多个图像的多个第二图像数据。在相应的第二图像数据被照相机设备捕获之后，设备可以迭代地处理多个图像中的图像。可以获取多个图像的图像，直至在多个图像的图像中标识出药物和/或直至获取预定数量的多个图像。预定量可以与神经网络的配置相关联。

如在图6中进一步所示，过程600可包括经由神经网络处理第一图像数据和第二图像数据，以基于第一图像数据和第二图像数据中包含的个体药物单元的描述来标识药物(框650)。例如，如上所述，设备可以经由神经网络处理第一图像数据和第二图像数据，以基于第一图像数据和第二图像数据中包含的药物的个体单元的描述来标识药物。神经网络可以包括卷积神经网络，其被配置为将第一图像数据和第二图像数据分割成个体单元的描述，基于个体单元中相应的单元确定与标识药物相关联的描述的分类得分，和/或基于分类得分标识药物。

如图6进一步所示，过程600可以包括基于处方信息和由神经网络所提供的药物的标识符验证药物(框660)。例如，如上所述，设备可以基于处方信息和由神经网络提供的药物的标识符来验证药物。在一些实现中，当药物在容器内时，该设备使称重设备获取与药物相关的重量数据。设备可以基于处方信息、标识符和重量数据验证药物。

如在图6中进一步所示，过程600可以包括执行与指示根据处方信息验证药物相关联的动作(框670)。例如，如上所述，设备可以执行与指示根据处方信息验证药物相关联的动作。在一些实现中，执行动作可以包括设备经由显示器指示药物已经被验证和/或向药物管理系统提供与处方信息相关联的药物已经被验证的通知。

尽管图6示出了过程600的示例框，但是在一些实现中，与图6中所描述的框相比，过程600可以包括附加的框、更少的框、不同的框或不同排列的框。附加地，或备选地，过程600的两个或更多框可以并行执行。

前述公开内容提供了说明和描述，但是并不旨在穷尽或将实施方式限制于所公开的精确形式。可以根据上述公开内容进行修改，或者可以从实施的实践中获取修改。

如本文中所使用的术语“组件”旨在广义地被解释为硬件、固件或硬件和软件的组合。显然，本文所述的系统和/或方法可以以不同形式的硬件、固件和/或硬件和软件的组合来实现。用于实现这些系统和/或方法的实际专用控制硬件或软件代码不限制实现。因此，本文中所描述的系统和/或方法的操作和行为，而没有参考特定的软件代码。应当理解，基于此处的描述，软件和硬件可用于实现系统和/或方法。

如本文中所使用的，满足阈值可根据上下文指代大于阈值、大于或等于阈值、小于或等于阈值、等于阈值、不等于阈值等的值。

尽管权利要求中列举了特征的特定组合和/或说明书中公开了特征的特定组合，但是这些组合并不旨在限制各种实施方式的公开。事实上，许多这些特征可以以权利要求中未具体列举和/或说明书中未公开的方式组合。尽管以下列出的每个从属权利要求可以仅直接依赖于一个权利要求，但是各种实施方式的公开包括每个从属权利要求与权利要求集中的每个其他权利要求的组合。如本文中所使用的，提及项目列表中“至少一个”的短语指代这些项目的任何组合，包括单个成员。作为示例，“a、b或c中的至少一项”旨在涵盖a、b、c、a-b、a-c、b-c和a-b-c，以及与多个相同项目的任何组合。

除非明确说明，否则本协议中使用的任何元件、行为或指示均不应当被解释为关键或必要的。此外，如本文中所使用得，“一”和“一个”旨在包括一个或多个项目，并且可以与“一个或多个”互换使用。此外，如本文中所使用得，“该”一词旨在包括与“该”一词相关的一项或多项，并可与“该一项或多项”互换使用。此外，在此使用的术语“集合”旨在包括一个或多个项目(例如，相关项目、不相关项目或相关和不相关项目的组合)，并且可以与“一个或多个”互换使用。如果仅打算使用一个项目，则使用短语“仅一个”或类似的语言。此外，在此使用的术语“具有”、“具有”、“具有”等旨在是开放式术语。此外，“基于”一词旨在表示“至少部分基于”，除非另有明确说明。此外，除非另有明确说明(例如，如果与“任一”或“仅其中之一”结合使用)，否则在此使用的术语“或”在一系列中使用时应当具有包容性，并可与“和/或”互换使用。

Claims (20)

1.一种方法，包括：

由设备接收与容器中的药物相关联的处方信息；

当所述药物在所述容器中并且所述容器被定位于接收器上时，由所述设备使相机设备捕获与所述药物相关联的第一图像数据；

由所述设备使调整设备在所述接收器上重新定位所述容器；

当所述药物在所述容器中时，由所述设备使所述相机设备捕获与药物相关联的第二图像数据；

由所述设备经由神经网络处理所述第一图像数据和所述第二图像数据，以基于包括在所述第一图像数据和所述第二图像数据中的所述药物的个体单元的描述来标识所述药物；

由所述设备基于所述处方信息和由所述神经网络提供的所述药物的标识符来验证所述药物；以及

由所述设备执行动作，所述动作与指示所述药物根据所述处方信息被验证相关联。

2.根据权利要求1所述的方法，其中所述处方信息包括以下至少一项：

所述药物的标识符；

标识所述药物的剂量的信息；或者

标识所述药物的数量的信息。

3.根据权利要求1所述的方法，其中，所述调整设备包括振动机构，所述振动机构被配置为在所述接收器上移动所述容器。

4.根据权利要求1所述的方法，还包括：

使称重设备在所述药物在所述容器内时获取与所述药物相关联的重量数据，

其中所述药物基于所述处方信息、所述标识符和所述重量数据而被验证。

5.根据权利要求1所述的方法，其中所述神经网络包括卷积神经网络，所述神经网络被配置为以下至少一项：

将所述第一图像数据和所述第二图像数据分割成所述个体单元的所述描述；

基于所述个体单元中对应的个体单元，确定与标识所述药物相关联的、所述描述的分类得分；以及

基于所述分类得分标识所述药物。

6.根据权利要求1所述的方法，还包括：

在使所述相机设备捕获所述第二图像数据之前，调整以下至少一项：

所述相机设备的镜头的偏振；

所述相机设备的镜头的滤光器；

所述相机设备的缩放设置；或者

与所述相机设备相关联的光发射器的波长。

7.根据权利要求1所述的方法，其中执行所述动作包括：

经由显示器指示所述药物被验证；或者

向药物管理系统提供所述药物与所述处方信息相关联地被验证的通知。

8.一种设备，包括：

一个或多个存储器；以及

一个或多个处理器，所述一个或多个处理器被通信地耦合到所述一个或多个存储器，所述一个或多个处理器被配置为：

接收与容器中的药物相关联的处方信息，其中所述容器被定位于所述设备的接收器上；

通过迭代地执行以下过程来获取所述药物的多个图像：

经由调整设备调整所述接收器上的所述容器，以尝试重新定位容器内的所述药物的个体单元，以及

当所述药物在所述容器中时，经由相机设备捕获与所述药物相关联的图像数据；

经由神经网络处理所述多个图像，以基于所述个体单元中的单元的一个或多个描述来标识所述药物；

基于所述处方信息和所述单元上的所述药物的标识符来验证所述药物；以及

执行动作，所述动作与指示所述药物根据所述处方信息被验证相关联。

9.根据权利要求8所述的设备，其中，所述处方信息包括以下至少一项：

所述药物的所述标识符；

标识所述药物的剂量的信息；或者

标识所述药物的数量的信息。

10.根据权利要求8所述的设备，其中，所述接收器包括接收器窗口，所述接收器窗口被配置为在所述相机设备捕获所述图像数据时支撑所述容器，

其中所述相机设备被定位于所述接收器窗口下方，并且所述接收器窗口在所述相机设备的视场内。

11.根据权利要求8所述的设备，其中，在对应的图像数据经由所述相机设备被捕获之后，所述多个图像中的图像被迭代地处理，

其中所述多个图像的所述图像被获取，直至以下项中的至少一项：

所述药物在所述多个图像中的图像中被标识，或

预定量的所述多个图像被获取。

12.根据权利要求8所述的设备，其中所述多个图像的图像被迭代地获取直至预定量的所述多个图像被获取，

其中，所述预定量与所述神经网络的配置相关联。

13.根据权利要求8所述的设备，其中，所述一个或多个处理器在执行所述动作时被配置为：

经由显示器指示所述药物被验证；或者

向药物管理系统提供所述药物与所述处方信息相关联地被验证的通知。

14.一种药物分析系统，包括：

接收器，所述接收器被配置为在接收器窗口上支撑容器；

相机设备，所述相机设备位于所述接收器窗口下方，并且被配置为具有在所述相机的视场内的所述接收器窗口；

调整设备，所述调整设备被配置为移动所述接收器以调整所述容器中药物的位置；以及

控制设备，所述控制设备被配置为：

通过以下过程标识所述容器中的药物：

使所述调整设备在所述接收器上重新定位所述容器，

使所述相机设备捕获与所述药物相关联的图像数据

经由神经网络处理所述图像数据以标识所述药物；以及

执行与标识所述药物相关联的动作。

15.根据权利要求14所述的药物分析系统，其中所述接收器窗口包括一个或多个可调整过滤器。

16.根据权利要求14所述的药物分析系统，其中，所述调整设备包括振动机构，所述振动机构被配置为在所述接收器上移动所述容器。

17.根据权利要求14所述的药物分析系统，其中，所述神经网络包括卷积神经网络，所述卷积神经网络被配置为以下至少一项：

将所述图像数据分割成所述药物的个体单元的描述；

基于所述个体单元中对应的个体单元，确定与标识所述药物相关联的、所述描述的分类得分；和

基于所述分类得分确定所述药物。

18.根据权利要求14所述的药物分析系统，还包括以下至少一项：

偏振透镜，被配置为减少与所述图像数据相关联的图像中所描绘的反射光；

滤光器，被配置为从与所述图像数据相关联的图像中过滤特定波长的光；

镜头，被配置为调整所述视场的尺寸；或者

光发射器，被配置为调整与图像数据相关联的图像中的光的特性。

19.根据权利要求14所述的药物分析系统，其中，当执行所述动作时，所述控制设备被配置为：

获取与所述药物相关联的处方信息；

基于所述处方信息和由所述神经网络在所述图像数据中所标识的所述药物的标识符，验证所述药物；以及

经由显示器或者向药物管理系统提供所述药物与所述处方信息相关联地被验证的通知。

20.根据权利要求19所述的药物分析系统，还包括：

与接收器相关联的称重设备，所述称重设备被配置为获取与所述药物相关联的重量数据，

其中，所述控制设备还被配置为：

使所述称重设备在所述药物在所述容器内时获取与所述药物相关联的重量数据，

其中所述药物基于所述处方信息、所述标识符和所述重量数据而被验证。

Images