CN115619838B - 用于医疗废弃物冷库的遗漏风险监控系统 - Google Patents
用于医疗废弃物冷库的遗漏风险监控系统 Download PDFInfo
- Publication number
- CN115619838B CN115619838B CN202211628939.3A CN202211628939A CN115619838B CN 115619838 B CN115619838 B CN 115619838B CN 202211628939 A CN202211628939 A CN 202211628939A CN 115619838 B CN115619838 B CN 115619838B
- Authority
- CN
- China
- Prior art keywords
- gray level
- gray
- image
- value
- light quality
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 46
- 239000002906 medical waste Substances 0.000 title claims abstract description 33
- 238000005057 refrigeration Methods 0.000 title description 6
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000013441 quality evaluation Methods 0.000 claims abstract description 33
- 230000008859 change Effects 0.000 claims abstract description 18
- 230000035945 sensitivity Effects 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000005286 illumination Methods 0.000 abstract description 11
- 238000012545 processing Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 12
- 239000002699 waste material Substances 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 241000700605 Viruses Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 102000001690 Factor VIII Human genes 0.000 description 1
- 108010054218 Factor VIII Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000001802 infusion Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 239000000941 radioactive substance Substances 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理领域,具体涉及用于医疗废弃物冷库的遗漏风险监控系统,包括视频数据采集模块,光线质量评估模块,敏感因子获取模块,灰度补偿模块和风险检测模块。根据转运医疗废弃物时的监控视频得到各个灰度图像以及模板图像;根据各个灰度图像的结构丰富性以及各个差分灰度级的平均灰度值得到各个灰度图像的光线质量评价指标;根据各个灰度图像以及相邻灰度图像的光线质量评价指标得到各个灰度图像的敏感因子,对所述各个敏感因子进行灰度补偿,对灰度补偿完成后的各个灰度图像进行遗漏风险的检测。本发明可以还原图像中因光照变化而丢失的细节信息,保证图像细节信息的完整性,提高了遗漏风险识别的准确性。
Description
技术领域
本发明涉及图像处理领域,具体涉及用于医疗废弃物冷库的遗漏风险监控系统。
背景技术
带着血液或病毒的针头、输液管、纱布等医疗废弃物,一旦管控不严流到社会上,被非法利用,其危险性不言而喻,《国家危险废物名录》更将其列为第一类危险废物。因此每日产生的医疗废弃物会交由第三方医疗废弃物处理公司进行专业的销毁处理。而医疗废弃物冷库作为废弃物暂存处可以最大程度抑制废弃物中病毒、细菌的繁殖和传播,以及放射性物质的泄露。运输过程具有一定程度危险性,一般由专业医疗人员完成,但只要是人工作业就总是不可避免存在安全隐患,因此需要在运输至冷库的路径中安装监控系统,以监测、报警工作人员的风险操作,避免发生医疗废弃物翻倒、遗漏事件,同时也可以对非相关人员进入冷库引发医疗废弃物流出的危险进行把控。
医疗废弃物冷库前的监控系统需要清晰辨识工作人员的防护服穿着是否标准、废弃物是否遗漏等细节信息,因此对监控成像质量的要求较高。但由于冷库周围的温度较低,导致节能灯内的汞气压较低,以及电子元件冷热不均,使得节能灯所发出的光线较暗,常规视频监控成像受限于环境光线,在低照度的环境下成像质量会大幅下降且容易丢失细节图像信息。传统的图像预处理方法仅能实现亮度调节与对比度增强,而对于图像细节已经发生了丢失的情况,仅调节单个视频图像的基本参数对保证图像信息完整性的作用不大,即传统的图像预处理方法对已经发生图像细节丢失的图像进行处理,无法保证图像信息的完整性,进而导致后续根据监控视频图像进行风险分析时,对医疗废弃物转运过程中风险事件的发生出现遗漏和误判。
发明内容
本发明提供用于医疗废弃物冷库的遗漏风险监控系统,以解决现有的问题。
本发明的用于医疗废弃物冷库的遗漏风险监控系统采用如下技术方案:
本发明一个实施例提供了用于医疗废弃物冷库的遗漏风险监控系统,该系统包括以下模块:视频数据采集模块,光线质量评估模块,敏感因子获取模块,灰度补偿模块以及风险检测模块。
视频数据采集模块,采集医务人员转运医疗废弃物时的监控视频,得到连续个灰度图像,将无人时的灰度图像作为模板图像;
光线质量评估模块,根据各个灰度图像的灰度图直方图与模板图像的灰度直方图得到所述各个灰度图像的差分灰度级;根据各个灰度图像中各个差分灰度级的平均灰度值以及所述各个灰度图像中的结构丰富性得到所述各个灰度图像的光线质量评价指标;
敏感因子获取模块,获取各个灰度图像中的目标选框;根据各个灰度图像以及相邻灰度图像的光线质量评价指标得到所述各个灰度图像中目标选框内的理想灰度级集合;根据各个灰度图像对应的理想灰度级集合与相邻灰度图像目标选框中的灰度级集合得到所述各个灰度图像的敏感因子;
灰度补偿模块,根据各个灰度图像各个敏感因子的灰度值与所述各个灰度图像的相邻灰度图像中对应位置的像素点的灰度值对所述各个敏感因子进行灰度补偿,得到所述各个敏感因子灰度补偿后的灰度值;依次对各个灰度图像进行灰度补偿;
风险检测模块,将灰度补偿完成后的各个灰度图像进行遗漏风险的检测。
优选的,所述各个灰度图像的差分灰度级的获取方法为:
将各个灰度图像的灰度直方图与模板图像的灰度直方图中各个灰度级对应像素点的个数进行作差,对所得差值取绝对值,当所述绝对值不为0时,所述各个灰度级为一个差分灰度级,否则所述灰度级不为一个差分灰度级。
优选的,所述各个灰度图像中的结构丰富性的获取方法为:
根据各个灰度图像的各个差分灰度级对应像素点的个数占所有差分灰度级对应像素点的个数之间的比值,得到所述各个差分灰度级出现的频率,根据各个差分灰度级的出现的频率计算信息熵,将所述信息熵作为所述各个灰度图像的结构丰富性。
优选的,所述各个灰度图像的光线质量评价指标的获取方法为:
分别对各个灰度图像的各个差分灰度级的平均灰度值与所述各个灰度图像的结构丰富性进行归一化,将归一化后的所述平均灰度值与所述结构丰富性的平均值作为所述各个灰度图像的光线质量评价指标。
优选的,所述各个灰度图像中目标选框内的理想灰度级集合的获取方法为:
将各个灰度图像的相邻灰度图像对应的光线质量评价指标与所述各个灰度图像的光线质量评价指标之间的比值作为所述各个灰度图像的光线质量变化程度;将所述光线质量变化程度与所述各个灰度图像的目标选框内包含的各个灰度级相乘,并对所的结果进行向下取整,得到所述各个灰度图像的各个理想灰度级;所述各个理想灰度级构成了所述各个灰度图像的理想灰度集合。
优选的,所述各个灰度图像的敏感因子的获取方法为:
计算各个灰度图像对应的各个理想灰度级与所述各个灰度图像的相邻灰度图像中各个灰度级之间差值的绝对值,当所述绝对值小于等于5时,所述各个灰度级为所述相邻灰度图像的一个消失灰度级;否则,所述各个灰度级不为所述相邻灰度图像的一个消失灰度级;
将相邻灰度图像中各个消失灰度级对应各个像素点在所述各个灰度图像中对应位置的像素点记为所述各个灰度图像的各个敏感因子。
优选的,所述各个敏感因子灰度补偿后的灰度值的获取方法为:
设置超参数,将1.0与所述超参数的差值为各个灰度图像各个敏感因子灰度值的参考权重;以所述超参数为所述各个敏感因子在所述各个灰度图像的相邻灰度图像中对应像素点灰度值的参考权重;将所述各个敏感因子的灰度值与所述对应像素点的灰度值进行加权求和,将所得结果作为所述各个敏感因子灰度补偿后的灰度值。
本发明的有益效果是:首先通过计算监控视频图像不同图像的光线质量,即光线质量评价指标;通过各个灰度图像与其相邻灰度图像的光线质量评价指标将各个灰度图像的光线质量还原为上一时刻对应的光线质量,得到不受光线质量变化干扰情况下,各个灰度图像的目标选框内的各个灰度级对应的理想灰度级,并进一步根据理想灰度级与实际上一时刻对应的目标选框中各个灰度级之间的差异,得到由于光线质量的改变而导致上一时刻中消失了的灰度级,从而得到各个灰度图像中容易受到光线变化而容易丢失的敏感因子,最后将各个灰度图像的敏感因子的灰度值与上一时刻对应位置像素点的灰度值进行加权,从而实现照度不均场景下动态目标图像的灰度补偿,恢复图像中发生丢失的细节信息,保证图像细节信息的完整性,提高图像质量。相对于传统监控系统的图像预处理方法而言,本方法可以大幅还原图像中易丢失的细节信息,且相对于类似的插值等补偿算法,本方法得到的补偿效果更加准确,提高了监控视频信息的完整性和可信度,使得后续对医疗废弃物运输过程中的安防、遗漏、违规操作等风险检测时得到的结果更为准确。
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,下面将对实施例或现有技术描述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为本发明的用于医疗废弃物冷库的遗漏风险监控系统的结构框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的用于医疗废弃物冷库的遗漏风险监控系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的用于医疗废弃物冷库的遗漏风险监控系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的用于医疗废弃物冷库的遗漏风险监控系统的步骤流程图,该方法包括以下步骤:
视频数据采集模块,用以采集医务人员转运医疗废弃物时的监控视频,得到连续个灰度图像。
监控系统无法直接安装在冷库内部,一般安装在通往冷库门口的路径上,为了更清晰的捕捉医护人员的作业过程,视频监控安装高度也不会太高,而靠近光源处和远离光源处的光照环境不同,监控系统在低照度情况下所采集的图像信息会存在局部灰度值较低的现象,导致这种局部区域内的细节信息无法,例如无法对闲杂人员面部信息进行识别、无法准确地检测出废弃物的遗漏等。而监控视频画面中高照度区域和低照度区域是同时存在的,当医护人员推着医疗废弃物收纳桶从高照度进入低照度区域时,医护人员所对应的区域内部信息会发生改变,随着医护人员逐渐远离光源,医护人员在图像中对应的区域整体灰度变低,区域内部信息逐渐模糊甚至发生丢失。
为了后续更好的获取监控视频中医护人员在不同时刻光线环境,本实施例首先选取无人时的监控图像作为模板图像;然后在监控系统的存储器中截取医务人员将医疗废弃物转运至冷库过程中的连续个图像,分别对模板图像以及转运过程的连续个图像进行灰度化处理,得到连续个灰度图像。
光线质量评估模块,用以对监控视频所对应的各个灰度图像的光线质量进行评估,得到各个灰度图像的光线质量评价指标。
获取各个灰度图像所对应的灰度直方图,该灰度直方图的横轴表示各个灰度级,纵轴表示各个灰度级所对应的像素点的数量,同理,得到模板图像所对应的灰度直方图;
由于整个环境背景是不变的,即当监控视频不存在运动物体,即不存在医护人员时,背景环境中各个灰度级以及各个灰度级所对应的像素点的数量都是稳定的,因此当一个灰度图像中存在差分灰度级时,表示该灰度图像中出现了运动物体,而运动物体的运动导致该灰度图像各个灰度级所对应的像素点的数量发生了变化,即出现了差分灰度级。将各个灰度图像所对应的灰度直方图与模板图像的灰度直方图分别进行差分,例如,对于第s个灰度图像所对应的灰度直方图,将该灰度直方图中第k个灰度级的像素点数量与模板图像中灰度级的像素点数量之间差值的绝对值,当所得绝对值不为0时,认为该灰度级为一个差分灰度级,否则该灰度级不为一个差分灰度级。依次对各个灰度图像的各个灰度级进行判断,得到各个灰度图像的各个差分灰度级。记录各个灰度图像中各个差分灰度级以及各个差分灰度级所对应的像素点数量,将第s个灰度图像中的所有差分灰度级构成的集合记为,其中第i个差分灰度级记为,对应的像素点的数量为,则第s个灰度图像的光线质量评价指标可表示为:
式中,代表第s个灰度图像的第i个差分灰度级所对应的像素点数量;代表第s个灰度图像的第i个差分度级的灰度值;代表集合包含的差分灰度级的总个数;为集合包含的所有差分灰度级对应像素点的总个数;为双曲正切函数;为以2为底的对数函数。
代表第s个灰度图像与模板图像的所有差分灰度级的平均灰度值,由于监控相机采集的场景是固定的,监控相机的采集角度也是固定的,光源位置也是固定的,当监控画面中存在运动物体时,图像中部分像素点的灰度值才会发生变化,此时发生灰度变化的像素点即为运动物体所对应的像素点。因该平均灰度值代表了第s个灰度图像中,因医护人员的移动产生的运动区域与模板图像对应区域之间的灰度差异,由于监控相机采集图像时场景是固定的,当医护人员形成的运动区域与模板图像对应区域之间的灰度差异越小,表示医护人员形成的运动区域中光线较弱,使得该运动区域与模板图像中对应区域之间的灰度差异较小,即第s个灰度图像中医护人员所处的区域亮度较低,此时光线质量越差,对应第s个灰度图像的光线质量评价指标越小,反之亦然。
代表第s个灰度图像第i个差分灰度级所对应的像素点数量占中所有差分灰度级对应的像素点总数之间的比值,表示该第i个差分灰度级出现的频率;代表第s个灰度图像中因医护人员对应的运动区域的信息熵,用以表征第s个灰度图像中医护人员对应区域的结构丰富性,当灰度级的种类越多,即灰度丰富性越高,医护人员对应区域内部包含的细节信息也越多,随着医护人员从较亮的区域进入到较暗的区域中时,由于光线质量下降,医护人员对应区域内部的细节信息丢失,进而导致该区域内部的灰度丰富性大幅下降,因此本实施例根据第s个灰度图像所有差分灰度级的平均灰度值以及医护人员对应区域的结构丰富性来描述医护人员在移动过程中每一帧监控图像的光线质量。然后再使用双曲正切函数对各个灰度图像所有差分灰度级的平均灰度值以及医护人员对应区域的结构丰富性进行归一化,从而将二者的取值均限制在0-1之间,最后进行加和取求均,将所得结果作为第s帧图像的光线质量评价指标。此时第s个灰度图像中所有差分灰度级的平均灰度值的值越小,结构丰富性越小表示此时该第s个灰度图像中医护人员对应区域的光线质量越差,此时得到的光线质量评价指标越小。
重复上述方法,得到各个灰度图像的光线质量评价指标。
敏感因子获取模块,用以获取各个灰度图像中发生信息丢失的各个像素点,从而得到各个灰度图像中的敏感因子。
本实施例旨在对已经发生细节丢失的图像进行灰度补偿,从而还原已经丢失的细节信息,从而保证图像信息的完整性,因此本实施例首先需要判断,当光线质量发生变化时,哪些灰度级更容易消失,这些容易消失的灰度级即为本实施例需要进行灰度补偿的敏感因子。由于光线质量评价指标光线质量评价指标是根据发生灰度变化的像素点获取的,而发生灰度变化的原因是医护人员的移动,因此光线质量评价指标表征的是医护人员所处的位置的光线质量,当光线质量逐渐增加,医护人员对应区域的细节信息也会逐渐增加,灰度级的种类也会逐渐增加,此时医护人员的细节信息也是逐渐增加的,不需要对其进行灰度补偿;当光线质量降低的时候,由于光线质量降低时,该时刻的上一时刻对应的灰度图像包含的细节信息更多,因此可以从上一时刻对应的相邻灰度图像中提取相应位置的细节信息,对该时刻的灰度图像中发生细节丢失的位置进行灰度补偿,从而提高图像质量。
医护人员在监控视频中的移动过程是连续移动的,因此本实施例首先利用目标跟踪算法获得各个灰度图像中的目标选框,获取各个灰度图像对应的目标选框内的各个灰度级,其中第s个灰度图像对应的目标选框内的各个灰度级构成的灰度级集合记为;为了降低计算量,后续过程只需要对各个灰度图像中的目标选框内的像素点进行分析。
然后确定当前第s个时刻对应的灰度图像相对于上一时刻,即第s-1个时刻对应的灰度图像消失了的灰度级,即确定当前第s个时刻的灰度图像中的敏感因子,而当前时刻与上一时刻的区别在于光线质量的区别,因此本实施例根据当前时刻的光线质量与上一时刻的光线质量之间的相对大小,将当前时刻的光线质量还原到上一时刻的光照质量,从而得到理想情况下,如果光线质量未发生改变时,当前第s个时刻的各个灰度级对应的理想灰度级;此时只需要根据各个理想灰度级与第s-1个时刻的各个灰度级之间的差别,即可找到第s个时刻对应的灰度图像中相对于上一时刻的灰度图像消失了的灰度级,从而找到第s个时刻对应的灰度图像的敏感因子,第s个时刻对应的灰度图像即为上文的第s个灰度图像。
当小于1时,表示当前第s个时刻的光线质量相对于上一时刻的光线质量时降低的,表示当前时刻相对于上一时刻医护人员对应区域内的细节信息是逐渐减少的,此时需要对当前第s个时刻对应灰度图像中的敏感因子进行灰度补偿;当大于等于1时,表示当前时刻相对于上一时刻医护人员对应区域内的细节信息是逐渐增加或基本不变的,此时不需要对当前第s个时刻对应的灰度图像进行灰度补偿。
首先将当前第s个时刻对应的灰度图像,即第s个灰度图像中目标选框区域内部的各个灰度级的值与相乘后再进行向下取整,得到将第s个灰度图像的光线质量还原为上一帧图像的光线质量后得到的各个灰度级,这些灰度级即为第s个灰度图像的理性灰度级,第s个灰度图像的各个理想灰度级构成了第s个灰度图像在光线质量与第s-1个灰度图像相同时对应的理想灰度级集合,此时,通过对比与第s-1帧图像中目标选框中的灰度级集合,即可得到第s-1个灰度图像中因光线的变化而消失的灰度级,监控视频的相邻帧图像中,医护人员的运动过程是平稳的,医护人员的运动速度远小于监控相机的采集速度,即相邻的灰度图像中医护人员的位置基本未发生移动,相邻的灰度图像中医护人员的目标选框形状以及大小相近,因此本实施例认为,第s-1个灰度图像的目标选框中消失了的灰度级对应的所有像素点,与第s个灰度图像的目标选框中各个敏感因子坐标相同的像素点即为第s个灰度图像中的敏感因子;后续通过对这些敏感因子进行灰度补偿保证图像质量。
为了避免误差的影响,计算中各个灰度级与中的各个灰度级之间的差值,例如对于中的第t个灰度级,获取该灰度级与中的各个灰度级之间差值的最小值,当时,认为该灰度级未因光线质量的变化而消失,此时该灰度级对应的像素点不是敏感因袭,否则认为该灰度级对应的像素点为第s-1个灰度图像的敏感因子,依次判断中的各个灰度级,得到第s个灰度图像中的所有敏感因子。
灰度补偿模块,用以对各个灰度图像中的敏感因子进行灰度补偿,提高各个灰度图像的图像质量。
将第s个灰度图像对应的各个敏感因子8邻域内各个像素点的灰度值称为各个敏感因子的结构信息,即以各个敏感因子为滑窗中心点,获取各个敏感因子在3×3的滑动窗口内所有像素点的灰度值,这些像素点的灰度值称为各个敏感因子的结构信息;
然后获取第s-1个灰度图像的目标选框中对应位置像素点的结构信息,计算第s个灰度图像中各个敏感因子的结构信息与第s-1个灰度图像中对应像素点的结构信息之间的结构相似度,结构相似度为公知技术,此处不再赘述。
根据经验设置阈值,本实施例中该阈值的大小为0.8,当一个敏感因子与其对应像素点之间的结构相似度大于等于阈值时,对该敏感因子进行灰度补偿,其中,对于第s个灰度图像对应的第r个敏感因子灰度补偿后的灰度值记为,则:
重复上述方法,对各个灰度图像进行敏感因子补偿,将灰度补偿后的图像用于下一个灰度图像的敏感因子的计算与灰度补偿,直至医护人员消失在画面中。
风险检测模块,用以对灰度补偿完成的各个灰度图像进行遗漏风险的检测。
将灰度补偿完的各个灰度图像输入到风险检测模块,即对遗漏的较小废弃物的识别、非相关人员靠近的人脸识别、以及医疗人员奔跑、废弃物收纳桶脱手等危险操作的识别,由于灰度补偿完的各个灰度图像中保证了图像细节信息的完整性,可以改善由于光线变化导致的细节丢失问题,从而使得在根据监控视频图像进行风险监测、分析时,可以得到更加可靠的分析结果,提高了对遗漏风险监测的准确性。
通过以上步骤,完成对医疗废弃物冷库的遗漏风险的检测。
本实施例首先通过计算监控视频图像不同图像的光线质量,即光线质量评价指标;通过各个灰度图像与其相邻灰度图像的光线质量评价指标将各个灰度图像的光线质量还原为上一时刻对应的光线质量,得到不受光线质量变化干扰情况下,各个灰度图像的目标选框内的各个灰度级对应的理想灰度级,并进一步根据理想灰度级与实际上一时刻对应的目标选框中各个灰度级之间的差异,得到由于光线质量的改变而导致上一时刻中消失了的灰度级,从而得到各个灰度图像中容易受到光线变化而容易丢失的敏感因子,最后将各个灰度图像的敏感因子的灰度值与上一时刻对应位置像素点的灰度值进行加权,从而实现照度不均场景下动态目标图像的灰度补偿,恢复图像中发生丢失的细节信息,保证图像细节信息的完整性,提高图像质量。相对于传统监控系统的图像预处理方法而言,本方法可以大幅还原图像中易丢失的细节信息,且相对于类似的插值等补偿算法,本方法得到的补偿效果更加准确,提高了监控视频信息的完整性和可信度,使得后续对医疗废弃物运输过程中的安防、遗漏、违规操作等风险检测时得到的结果更为准确。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.用于医疗废弃物冷库的遗漏风险监控系统,其特征在于,该系统包括以下模块:
视频数据采集模块,采集医务人员转运医疗废弃物时的监控视频,得到连续个灰度图像,将无人时的灰度图像作为模板图像;
光线质量评估模块,根据各个灰度图像的灰度图直方图与模板图像的灰度直方图得到所述各个灰度图像的差分灰度级;根据各个灰度图像中各个差分灰度级的平均灰度值以及各个灰度图像中的结构丰富性得到各个灰度图像的光线质量评价指标;
敏感因子获取模块,获取各个灰度图像中的目标选框;根据各个灰度图像以及相邻灰度图像的光线质量评价指标得到所述各个灰度图像中目标选框内的理想灰度级集合;根据各个灰度图像对应的理想灰度级集合与相邻灰度图像目标选框中的灰度级集合得到各个灰度图像的敏感因子;
灰度补偿模块,根据各个灰度图像各个敏感因子的灰度值与所述各个灰度图像的相邻灰度图像中对应位置的像素点的灰度值对所述各个敏感因子进行灰度补偿,得到所述各个敏感因子灰度补偿后的灰度值;依次对各个灰度图像进行灰度补偿;
风险检测模块,将灰度补偿完成后的各个灰度图像进行遗漏风险的检测;
所述各个灰度图像中的结构丰富性的获取方法为:
根据各个灰度图像的各个差分灰度级对应像素点的个数占所有差分灰度级对应像素点的个数之间的比值,得到所述各个差分灰度级出现的频率,根据各个差分灰度级的出现的频率计算信息熵,将所述信息熵作为所述各个灰度图像的结构丰富性;
所述各个灰度图像中目标选框内的理想灰度级集合的获取方法为:
将各个灰度图像的相邻灰度图像对应的光线质量评价指标与所述各个灰度图像的光线质量评价指标之间的比值作为所述各个灰度图像的光线质量变化程度;将所述光线质量变化程度与所述各个灰度图像的目标选框内包含的各个灰度级相乘,并对所的结果进行向下取整,得到所述各个灰度图像的各个理想灰度级;所述各个理想灰度级构成了所述各个灰度图像的理想灰度集合;
所述各个灰度图像的敏感因子的获取方法为:
计算各个灰度图像对应的各个理想灰度级与所述各个灰度图像的相邻灰度图像中各个灰度级之间差值的绝对值,当所述绝对值小于等于5时,所述各个灰度级为所述相邻灰度图像的一个消失灰度级;否则,所述各个灰度级不为所述相邻灰度图像的一个消失灰度级;
将相邻灰度图像中各个消失灰度级对应各个像素点在所述各个灰度图像中对应位置的像素点记为所述各个灰度图像的各个敏感因子。
2.根据权利要求1所述的用于医疗废弃物冷库的遗漏风险监控系统,其特征在于,所述各个灰度图像的差分灰度级的获取方法为:
将各个灰度图像的灰度直方图与模板图像的灰度直方图中各个灰度级对应像素点的个数进行作差,对所得差值取绝对值,当所述绝对值不为0时,所述各个灰度级为一个差分灰度级,否则所述灰度级不为一个差分灰度级。
3.根据权利要求1所述的用于医疗废弃物冷库的遗漏风险监控系统,其特征在于,所述各个灰度图像的光线质量评价指标的获取方法为:
分别对各个灰度图像的各个差分灰度级的平均灰度值与所述各个灰度图像的结构丰富性进行归一化,将归一化后的平均灰度值与结构丰富性的平均值作为所述各个灰度图像的光线质量评价指标。
4.权利要求1所述的用于医疗废弃物冷库的遗漏风险监控系统,其特征在于,所述各个敏感因子灰度补偿后的灰度值的获取方法为:
设置超参数,将1.0与所述超参数的差值作为各个灰度图像各个敏感因子灰度值的参考权重;以所述超参数为所述各个敏感因子在所述各个灰度图像的相邻灰度图像中对应像素点灰度值的参考权重;将所述各个敏感因子的灰度值与所述对应像素点的灰度值进行加权求和,将所得结果作为所述各个敏感因子灰度补偿后的灰度值。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310540977.1A CN116703755A (zh) | 2022-12-19 | 2022-12-19 | 用于医疗废弃物冷库的遗漏风险监控系统 |
CN202211628939.3A CN115619838B (zh) | 2022-12-19 | 2022-12-19 | 用于医疗废弃物冷库的遗漏风险监控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211628939.3A CN115619838B (zh) | 2022-12-19 | 2022-12-19 | 用于医疗废弃物冷库的遗漏风险监控系统 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310540977.1A Division CN116703755A (zh) | 2022-12-19 | 2022-12-19 | 用于医疗废弃物冷库的遗漏风险监控系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115619838A CN115619838A (zh) | 2023-01-17 |
CN115619838B true CN115619838B (zh) | 2023-03-17 |
Family
ID=84879737
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211628939.3A Active CN115619838B (zh) | 2022-12-19 | 2022-12-19 | 用于医疗废弃物冷库的遗漏风险监控系统 |
CN202310540977.1A Pending CN116703755A (zh) | 2022-12-19 | 2022-12-19 | 用于医疗废弃物冷库的遗漏风险监控系统 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310540977.1A Pending CN116703755A (zh) | 2022-12-19 | 2022-12-19 | 用于医疗废弃物冷库的遗漏风险监控系统 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN115619838B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385435B (zh) * | 2023-06-02 | 2023-09-26 | 济宁市健达医疗器械科技有限公司 | 基于图像分割的制药胶囊计数方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035166A (zh) * | 2018-07-16 | 2018-12-18 | 国网四川省电力公司巴中供电公司 | 基于非下采样剪切波变换的电气设备红外图像增强方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2396768B1 (en) * | 2009-02-12 | 2013-04-17 | Dolby Laboratories Licensing Corporation | Quality evaluation of sequences of images |
CN106023214B (zh) * | 2016-05-24 | 2018-11-23 | 武汉大学 | 基于中央凹视梯度结构相似性的图像质量评价方法及系统 |
CN111179259B (zh) * | 2019-12-31 | 2023-09-26 | 北京灵犀微光科技有限公司 | 光学清晰度测试方法和装置 |
CN115442613A (zh) * | 2021-06-02 | 2022-12-06 | 四川大学 | 一种利用gan的基于帧间信息的噪声去除方法 |
-
2022
- 2022-12-19 CN CN202211628939.3A patent/CN115619838B/zh active Active
- 2022-12-19 CN CN202310540977.1A patent/CN116703755A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035166A (zh) * | 2018-07-16 | 2018-12-18 | 国网四川省电力公司巴中供电公司 | 基于非下采样剪切波变换的电气设备红外图像增强方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115619838A (zh) | 2023-01-17 |
CN116703755A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7982774B2 (en) | Image processing apparatus and image processing method | |
CN107256225B (zh) | 一种基于视频分析的热度图生成方法及装置 | |
CN110728697B (zh) | 基于卷积神经网络的红外弱小目标检测跟踪方法 | |
CN110044486B (zh) | 用于人体检验检疫系统避免重复报警的方法、装置、设备 | |
CN107948465B (zh) | 一种检测摄像头被干扰的方法和装置 | |
JP3123587B2 (ja) | 背景差分による動物体領域抽出方法 | |
CN105574855B (zh) | 云背景下基于模板滤波和虚警抑制的红外小目标检测方法 | |
CN108734107B (zh) | 一种基于人脸的多目标跟踪方法及系统 | |
CN109902633A (zh) | 基于固定位摄像机监控视频的异常事件检测方法及装置 | |
CN111260693B (zh) | 一种高空抛物的检测方法 | |
CN102542552B (zh) | 视频图像的顺逆光判断和拍摄时间检测方法 | |
CN103763515A (zh) | 一种基于机器学习的视频异常检测方法 | |
CN108629299B (zh) | 一种结合人脸匹配的长时间多目标跟踪方法及系统 | |
CN108416256A (zh) | 基于特征识别的家庭云智能监控系统和监控方法 | |
CN115619838B (zh) | 用于医疗废弃物冷库的遗漏风险监控系统 | |
CN116416577B (zh) | 一种用于施工监控系统的异常识别方法 | |
CN111259763B (zh) | 目标检测方法、装置、电子设备及可读存储介质 | |
Lian et al. | A novel method on moving-objects detection based on background subtraction and three frames differencing | |
CN112927262A (zh) | 一种基于视频的相机镜头遮挡检测方法及系统 | |
JP2010015469A (ja) | 静止領域検出方法とその装置、プログラム及び記録媒体 | |
TWI425446B (zh) | 日夜環境物件偵測方法 | |
Miranto et al. | Adaptive background subtraction for monitoring system | |
CN106303461A (zh) | 基于视频分析的移动式智能安防装置 | |
CN112183287A (zh) | 一种移动机器人在复杂背景下的人数统计方法 | |
JPH1093957A (ja) | 移動物体検出方法、装置、システム、および記憶媒体 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Omission Risk Monitoring System for Medical Waste Cold Storage Effective date of registration: 20230719 Granted publication date: 20230317 Pledgee: Jining Branch of Huaxia Bank Co.,Ltd. Pledgor: JINING JIANDA MEDICAL DEVICE TECHNOLOGY CO.,LTD. Registration number: Y2023980048979 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |