CN116524425B - 基于图像识别的实验室器皿药品残留检测方法及检测装置 - Google Patents
基于图像识别的实验室器皿药品残留检测方法及检测装置 Download PDFInfo
- Publication number
- CN116524425B CN116524425B CN202310278090.XA CN202310278090A CN116524425B CN 116524425 B CN116524425 B CN 116524425B CN 202310278090 A CN202310278090 A CN 202310278090A CN 116524425 B CN116524425 B CN 116524425B
- Authority
- CN
- China
- Prior art keywords
- medicine
- information
- laboratory
- vessel
- determining
- 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
- 239000003814 drug Substances 0.000 title claims abstract description 267
- 238000001514 detection method Methods 0.000 title claims abstract description 78
- 238000004458 analytical method Methods 0.000 claims abstract description 32
- 238000002474 experimental method Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000010223 real-time analysis Methods 0.000 claims abstract description 13
- 239000007788 liquid Substances 0.000 claims description 80
- 229940079593 drug Drugs 0.000 claims description 68
- 238000011156 evaluation Methods 0.000 claims description 45
- 239000007787 solid Substances 0.000 claims description 36
- 229940126589 solid medicine Drugs 0.000 claims description 33
- 239000003640 drug residue Substances 0.000 claims description 12
- 238000002425 crystallisation Methods 0.000 claims description 9
- 230000008025 crystallization Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 4
- 239000002775 capsule Substances 0.000 claims 2
- 238000012545 processing Methods 0.000 description 8
- 239000013078 crystal Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003749 cleanliness Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明实施例公开了一种基于图像识别的实验室器皿药品残留检测方法及检测装置,涉及药品残留检测技术领域,所述方法包括:实时获取实验室图像;基于预设器皿识别模型对所述实验室图像进行实时分析,生成器皿识别信息;基于所述器皿识别信息确定至少一个实验室器皿,确定所述实验室器皿的可分析区域;对所述可分析区域进行特征提取,获得对应的区域特征;基于所述区域特征进行药品残留分析,生成对应的药品残留检测结果。通过采用图像识别的方式自动对实验室内的器皿进行药品残留检测,从而保障了实验室实验安全性、避免未清洗的实验室器皿对后续实验造成影响,提高了实验可靠性。
Description
技术领域
本发明涉及药品残留检测技术领域,具体地涉及一种基于图像识别的实验室器皿药品残留检测方法及一种基于图像识别的实验室器皿药品残留检测装置。
背景技术
随着科技的不断发展,人们对现有技术的应用已经越来越达到极限,因此人们对新技术、新材料以及新理论的需求不断增大,由此催生了更多的实验需求。
人们在实验室中进行实验时,需要通过器皿对不同的药品进行试验,因此一方面,实验室器皿的干净程度对试验结果的影响非常大,实验人员对实验器皿的干净要求非常高;另一方面,实验过程中会涉及到大量不同的药品,而不同的药品发生混合会出现各种意想不到的事故,例如燃烧、发热、爆炸等,因此实验室对实验完成后对实验室器皿的处理要求也非常高。
随着实验室数量的不断增加,实验数量的不断增加,实验室内因器皿清洁不到位或实验后器皿处理不到位而导致的事故越来越多,针对上述技术问题,目前主要通过实验人员或专业人员以肉眼进行人工辨认,然而人工辨认存在主观性较强、存在偶然疏忽等情况,依然无法保证足够的辨认准确性,同时会增加相关人员的额外工作量,对相关人员造成了困扰。
发明内容
为了克服现有技术中存在的上述技术问题,本发明实施例提供一种基于图像识别的实验室器皿药品残留检测方法及检测装置,通过采用图像识别的方式自动对实验室内的器皿进行药品残留检测,从而保障了实验室实验安全性、避免未清洗的实验室器皿对后续实验造成影响,提高了实验可靠性。
为了实现上述目的,本发明实施例提供一种基于图像识别的实验室器皿药品残留检测方法,所述方法包括:实时获取实验室图像;基于预设器皿识别模型对所述实验室图像进行实时分析,生成器皿识别信息;基于所述器皿识别信息确定至少一个实验室器皿,确定所述实验室器皿的可分析区域;对所述可分析区域进行特征提取,获得对应的区域特征;基于所述区域特征进行药品残留分析,生成对应的药品残留检测结果。
优选地,所述方法还包括:在所述基于所述预设器皿识别模型对所述实验室图像进行实时分析之前,基于LSTM对所述实验室图像进行分析,确定所述实验室图像中的实验人员;对所述实验人员进行骨架分析,生成对应的骨架动作信息;基于所述骨架动作信息判断所述实验人员是否结束实验;若确定所述实验人员结束实验,基于所述骨架动作信息判断所述实验人员是否完成器皿残留药品处理操作:若所述实验人员未完成所述器皿残留药品处理操作,生成存在药品残留的药品残留检测结果;若所述实验人员完成所述器皿残留药品处理操作,基于所述预设器皿识别模型对所述实验室图像进行实时分析。
优选地,所述基于所述骨架动作信息判断所述实验人员是否完成器皿残留药品处理操作,包括:基于所述骨架动作信息判断所述实验人员是否正确执行所述器皿残留药品处理操作;若是,确定所述实验人员完成所述器皿残留药品处理操作;否则,确定所述实验人员未完成所述器皿残留药品处理操作。
优选地,所述基于所述区域特征进行药品残留分析,生成对应的药品残留检测结果,包括:判断所述区域特征中是否包含液体药品特征或固体药品特征;若是,对所述液体药品特征或固体药品特征进行分析,生成对应的特征信息;获取当前实验室器皿的应用药品信息;基于所述应用药品信息和所述特征信息确定对应的药品评估信息;基于所述药品评估信息生成对应的药品残留检测结果。
优选地,所述特征信息包括液体特征信息和固体特征信息,所述基于所述应用药品信息和所述特征信息确定对应的药品评估信息,包括:基于所述应用药品信息确定液体药品和固体药品;若所述特征信息为液体特征信息,判断所述液体特征信息与所述液体药品是否匹配,根据对应的第一匹配结果生成与所述液体药品对应的药品评估信息;若所述特征信息为固体特征信息,判断所述固体特征信息与所述液体药品的结晶是否匹配:若是,生成与所述液体药品对应的药品评估信息;否则,判断所述固体特征信息与所述固体药品是否匹配,根据对应的第二匹配结果生成与所述固体药品对应的药品评估信息。
相应的,本发明还提供一种基于图像识别的实验室器皿药品残留检测装置,所述装置包括:图像获取单元,用于实时获取实验室图像;分析单元,用于基于预设器皿识别模型对所述实验室图像进行实时分析,生成器皿识别信息;区域确定单元,用于基于所述器皿识别信息确定至少一个实验室器皿,确定所述实验室器皿的可分析区域;特征提取单元,用于对所述可分析区域进行特征提取,获得对应的区域特征;检测单元,用于基于所述区域特征进行药品残留分析,生成对应的药品残留检测结果。
优选地,所述装置还包括检测触发单元,所述检测触发单元包括:预分析模块,用于在所述基于所述预设器皿识别模型对所述实验室图像进行实时分析之前,基于LSTM对所述实验室图像进行分析,确定所述实验室图像中的实验人员;骨架分析模块,用于对所述实验人员进行骨架分析,生成对应的骨架动作信息;检测触发模块,用于基于所述骨架动作信息判断所述实验人员是否结束实验;若确定所述实验人员结束实验,基于所述骨架动作信息判断所述实验人员是否完成器皿残留药品处理操作:若所述实验人员未完成所述器皿残留药品处理操作,生成存在药品残留的药品残留检测结果;若所述实验人员完成所述器皿残留药品处理操作,基于所述预设器皿识别模型对所述实验室图像进行实时分析。
优选地,所述基于所述骨架动作信息判断所述实验人员是否完成器皿残留药品处理操作,包括:基于所述骨架动作信息判断所述实验人员是否正确执行所述器皿残留药品处理操作;若是,确定所述实验人员完成所述器皿残留药品处理操作;否则,确定所述实验人员未完成所述器皿残留药品处理操作。
优选地,所述检测单元包括:判断模块,用于判断所述区域特征中是否包含液体药品特征或固体药品特征;特征分析模块,用于在所述区域特征中包含所述液体药品特征或所述固体药品特征的情况下,对所述液体药品特征或固体药品特征进行分析,生成对应的特征信息;应用药品获取模块,用于获取当前实验室器皿的应用药品信息;药品评估模块,用于基于所述应用药品信息和所述特征信息确定对应的药品评估信息;检测模块,用于基于所述药品评估信息生成对应的药品残留检测结果。
优选地,所述特征信息包括液体特征信息和固体特征信息,所述药品评估模块具体用于:基于所述应用药品信息确定液体药品和固体药品;若所述特征信息为液体特征信息,判断所述液体特征信息与所述液体药品是否匹配,根据对应的第一匹配结果生成与所述液体药品对应的药品评估信息;若所述特征信息为固体特征信息,判断所述固体特征信息与所述液体药品的结晶是否匹配:若是,生成与所述液体药品对应的药品评估信息;否则,判断所述固体特征信息与所述固体药品是否匹配,根据对应的第二匹配结果生成与所述固体药品对应的药品评估信息。
通过本发明提供的技术方案,本发明至少具有如下技术效果:
通过对传统的实验室药品残留检测方法进行改进,采用图像识别的方式自动对实验室内器皿上的残留药品进行检测,从而大大减少人工监控或检查的工作量,提高了工作效率;同时有效提高了检测的客观性,提高了检测精确性。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1是本发明实施例提供的基于图像识别的实验室器皿药品残留检测方法的具体实现流程图;
图2是本发明实施例提供的生成药品残留检测结果的具体实现流程图;
图3是本发明实施例提供的基于图像识别的实验室器皿药品残留检测装置的结构示意图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
本发明实施例中的术语“系统”和“网络”可被互换使用。“多个”是指两个或两个以上,鉴于此,本发明实施例中也可以将“多个”理解为“至少两个”。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。另外,需要理解的是,在本发明实施例的描述中,“第一”、“第二”等词汇,仅用于区分描述的目的,而不能理解为指示或暗示相对重要性,也不能理解为指示或暗示顺序。
请参见图1,本发明实施例提供一种基于图像识别的实验室器皿药品残留检测方法,所述方法包括:
S10)实时获取实验室图像;
S20)基于预设器皿识别模型对所述实验室图像进行实时分析,生成器皿识别信息;
S30)基于所述器皿识别信息确定至少一个实验室器皿,确定所述实验室器皿的可分析区域;
S40)对所述可分析区域进行特征提取,获得对应的区域特征;
S50)基于所述区域特征进行药品残留分析,生成对应的药品残留检测结果。
在一种可能的实施方式中,实时获取实验室图像,比如可以在实验室安装高清监控摄像头,并基于该高清监控摄像头实时采集实验室内的图像,由于实验室内存在各种各样的实验器材、摆放柜子、房屋结构等,而实验人员在进行实验后其实验室器皿可能被放置在任意位置,因此采用单一的摄像头无法满足全场景的监控需求,为了解决该技术问题,可以在实验室的不同位置设置多个高清监控摄像头,并由多个高清摄像头实现对实验室场景内不同位置、不同方向、不同区域的全覆盖。
在获得上述实验室图像后,基于预设器皿识别模型对其进行实时分析,具体的,该预设器皿模型可以由技术人员预先根据预设的实验室器皿样本集对识别模型进行训练生成,例如该识别模型可以为YOLOv5神经网络模型,该样本集可以为当前实验室所使用的所有器皿图像,或为所有实验室常用的器皿图像,通过该预设器皿模型对实验室图像进行分析后,生成当前实验室内的器皿识别信息,此时根据该器皿识别信息确定当前实验室内的至少一个实验室器皿,然后进一步确定该实验室器皿的可分析区域,例如针对透明器皿,其可分析区域可以为其当前放置状态的底部以及其口部;针对非透明器皿,其可分析区域仅为其口部。
由于实验室器皿可以大致分为透明和不透明两种,对于不透明的实验室器皿,无法对其内部的药品残留进行分析,因此没必要对其整个实验室器皿都进行识别分析,而只需对其口部进行识别分析,从而减少运算量;而对于透明的实验室器皿,其药品残留(包括液体和固体)往往都会至少聚集在其放置状态的底部,因此可以仅对其放置状态的底部进行识别分析,以减少运算量。
因此在本发明实施例中,通过对实验室器皿的可分析区域进行限定,在残留药物识别的过程中,不需要对整个实验室器皿的全部区域进行识别分析,从而能够有效降低在残留药物识别过程中的运算量,同时不会降低其检测精确性,实现了更佳的检测效率和检测效果。
此时针对该实验室器皿的可分析区域进行特征提取,以获得对应的区域特征,例如该区域特征包括该区域的形状、颜色、大小、表面粗糙程度等特征,最后基于该区域特征进行药品残留分析,从而生成了针对该实验室器皿的药品残留检测结果。
在本发明实施例中,通过对实验室的全场景环境进行实时的图像采集,并采用图像识别的方式对实验室内所有器皿内的药品残留进行检测,从而实现了自动化、精准化的实验室器皿药品残留检测,有效减少了检测过程中的人力资源消耗,提高了检测效率;同时实现了实时的药品残留检测,能够有效杜绝实验人员在实验后的不可靠操作,提高了实验室安全性,保障了后续实验的准确性。
然而在实际应用过程中,若直接对图像进行识别分析,则可能将实验人员正在进行的实验操作而导致实验室器皿中存在药品的情况误判为实验室器皿中存在残留药品,虽然技术人员可以想到通过人工操作判断实验人员何时结束实验操作,但这带来了额外的工作量,同时存在人为疏忽。
为了解决上述技术问题,在本发明实施例中,所述方法还包括:在所述基于所述预设器皿识别模型对所述实验室图像进行实时分析之前,基于LSTM对所述实验室图像进行分析,确定所述实验室图像中的实验人员;对所述实验人员进行骨架分析,生成对应的骨架动作信息;基于所述骨架动作信息判断所述实验人员是否结束实验;若确定所述实验人员结束实验,基于所述骨架动作信息判断所述实验人员是否完成器皿残留药品处理操作:若所述实验人员未完成所述器皿残留药品处理操作,生成存在药品残留的药品残留检测结果;若所述实验人员完成所述器皿残留药品处理操作,基于所述预设器皿识别模型对所述实验室图像进行实时分析。
在一种可能的实施方式中,在通过预设器皿识别模型对实验室图像进行实时分析之前,首先基于LSTM模型对实验室图像进行分析,以确定实验室图像中的实验人员,例如可以通过对实验人员的轮廓进行提取以确定实验人员,然后对该实验人员的轮廓进行骨架分析,以生成对应的骨架动作信息,根据该骨架动作信息判断实验人员是否结束实验。例如在一种实施例中,可以预先根据当前实验室内的实验内容,确定针对不同种类实验在不同实验环节的正确实验动作,并将上述正确实验动作所对应的骨架动作信息存储至数据库或服务器中,在进行实验人员的动作分析时,直接将实时采集的实验人员的骨架动作信息与数据库或服务器中的正确实验动作进行比较,以判断在何时出现何种动作时,可以确定实验人员结束实验了。
例如在某一时刻,监控到实验人员结束实验,则立即通过上述骨架动作信息判断实验人员是否完成器皿残留药品处理操作,例如在本发明实施例中,所述基于所述骨架动作信息判断所述实验人员是否完成器皿残留药品处理操作,包括:基于所述骨架动作信息判断所述实验人员是否正确执行所述器皿残留药品处理操作;若是,确定所述实验人员完成所述器皿残留药品处理操作;否则,确定所述实验人员未完成所述器皿残留药品处理操作。
具体的,将实验人员的骨架动作信息与正确实验动作进行同步比较,并判断该实验人员是否正确执行了该器皿残留药品处理操作,在本发明实施例中,实验人员做错或中途中断操作均会被视为未正确执行器皿残留药品处理操作,例如在一种可能的实施例中,可以同时识别该实验人员附近的实验室器皿特征,并将实验人员的骨架动作特征与实验室器皿的特征相融合,以精确判断实验人员是否完成器皿残留药品处理操作。若该实验人员未完成器皿残留药品处理操作,则立即直接生成存在药品残留的药品残留检测结果。若该实验人员完成了器皿残留药品处理操作,则进一步通过预设器皿识别模型对实验室图像进行实时分析,以保证对实验室器皿内的药品残留做到准确、可靠的检测。
在本发明实施例中,通过在对实验室器皿内药品残留进行实时检测时,考虑到实验人员的人为影响因素,对实验人员的实验动作进行实时分析并确定实验人员结束实验的时刻,并从结束时刻起才进行实验室器皿内药品残留的检测,从而能够有效规避因实验人员正常实验操作对检测过程造成的影响,提高检测精确性,同时自动化区分识别的方式也能够减少人力资源的使用,实现更高的人力资源利用效率,降低了检测成本。
请参见图2,在本发明实施例中,所述基于所述区域特征进行药品残留分析,生成对应的药品残留检测结果,包括:
S51)判断所述区域特征中是否包含液体药品特征或固体药品特征;
S52)若是,对所述液体药品特征或固体药品特征进行分析,生成对应的特征信息;
S53)获取当前实验室器皿的应用药品信息;
S54)基于所述应用药品信息和所述特征信息确定对应的药品评估信息;
S55)基于所述药品评估信息生成对应的药品残留检测结果。
在一种可能的实施方式中,对实验室器皿的区域特征进行分析,例如可以预先训练机器识别模型(比如KNN识别模型等)对实验室内常见液体、固体附着在实验室器皿上的特征进行识别训练,并获得对应的训练后模型,通过该训练后模型对区域特征进行识别,以判断在该实验室器皿上是否存在液体药品特征或固体药品特征,例如在一种实施例中,识别到某实验室器皿的底部存在隆起的圆滑曲线,其特征满足液体药品特征,因此可以确定该实验室器皿的底部存在残留的液体药品;在另一种实施例中,识别到某实验室器皿的口部存在锯齿状的粗糙表面,其特征满足固定药品特征,因此可以确定该实验室器皿的口部存在残留的固体药品。
此时对上述液体药品特征或固体药品特征进行分析,例如根据上述液体药品特征或固体药品特征确定残留药品的颜色、形状、大小等,并生成对应的特征信息,此时为了进一步提高残留药品的检测精确性,减小误判的几率,进一步获取当前实验室器皿的应用药品信息,该应用药品信息仅包括当前实验室所有在应用的药品的信息,例如该信息包括药品的颜色、形态、(若为液态)烘干后结晶颜色、结晶形状、结晶大小等信息,此时根据上述应用药品信息和特征信息对实验室器皿上的残留药品进行评估,并生成对应的药品评估信息。
在本发明实施例中,所述特征信息包括液体特征信息和固体特征信息,所述基于所述应用药品信息和所述特征信息确定对应的药品评估信息,包括:基于所述应用药品信息确定液体药品和固体药品;若所述特征信息为液体特征信息,判断所述液体特征信息与所述液体药品是否匹配,根据对应的第一匹配结果生成与所述液体药品对应的药品评估信息;若所述特征信息为固体特征信息,判断所述固体特征信息与所述液体药品的结晶是否匹配:若是,生成与所述液体药品对应的药品评估信息;否则,判断所述固体特征信息与所述固体药品是否匹配,根据对应的第二匹配结果生成与所述固体药品对应的药品评估信息。
在一种可能的实施方式中,首先根据应用药品信息确定当前实验室在使用的液体药品和固体药品,若该特征信息为液体特征信息,则首先将其与液体药品相匹配,若匹配成功则生成与所匹配的液体药品对应的药品评估信息;若匹配不成功则生成未知药品的药品评估信息。若该特征信息为固体特征信息,首先考虑到液体可能快速挥发并留下结晶的可能,因此先将该固体特征信息与液体药品的结晶进行匹配,若匹配成功,则生成与该液体药品对应的药品评估信息;若匹配不成功,再进一步将该固体特征信息与固体药品进行匹配,若匹配成功,则生成对应的药品评估信息,否则,生成未知药品的药品评估信息。
在本发明实施例中,通过在进行残留药品的识别过程中,不仅进行简单的固体药品和液体药品的识别,还对液体药品的挥发作用所遗留的结晶进行识别,从而进一步提高对残留药品的识别精确性,有效保证了后续实验的安全性和稳定性,满足了实际需求。
在检测出实验室器皿存在残留药品后,可以以响铃、短信等方式通知管理人员及时进行对应的处理,进一步的,可以根据所识别出来的残留药品种类,提供相应的无危害、绿色处理方法,以辅助管理人员进行安全、有效的残留药品处理,提高了后续药品处理的安全性。
下面结合附图对本发明实施例所提供的基于图像识别的实验室器皿药品残留检测装置进行说明。
请参见图3,基于同一发明构思,本发明实施例提供一种基于图像识别的实验室器皿药品残留检测装置,所述装置包括:图像获取单元,用于实时获取实验室图像;分析单元,用于基于预设器皿识别模型对所述实验室图像进行实时分析,生成器皿识别信息;区域确定单元,用于基于所述器皿识别信息确定至少一个实验室器皿,确定所述实验室器皿的可分析区域;特征提取单元,用于对所述可分析区域进行特征提取,获得对应的区域特征;检测单元,用于基于所述区域特征进行药品残留分析,生成对应的药品残留检测结果。
在本发明实施例中,所述装置还包括检测触发单元,所述检测触发单元包括:预分析模块,用于在所述基于所述预设器皿识别模型对所述实验室图像进行实时分析之前,基于LSTM对所述实验室图像进行分析,确定所述实验室图像中的实验人员;骨架分析模块,用于对所述实验人员进行骨架分析,生成对应的骨架动作信息;检测触发模块,用于基于所述骨架动作信息判断所述实验人员是否结束实验;若确定所述实验人员结束实验,基于所述骨架动作信息判断所述实验人员是否完成器皿残留药品处理操作:若所述实验人员未完成所述器皿残留药品处理操作,生成存在药品残留的药品残留检测结果;若所述实验人员完成所述器皿残留药品处理操作,基于所述预设器皿识别模型对所述实验室图像进行实时分析。
在本发明实施例中,所述基于所述骨架动作信息判断所述实验人员是否完成器皿残留药品处理操作,包括:基于所述骨架动作信息判断所述实验人员是否正确执行所述器皿残留药品处理操作;若是,确定所述实验人员完成所述器皿残留药品处理操作;否则,确定所述实验人员未完成所述器皿残留药品处理操作。
在本发明实施例中,所述检测单元包括:判断模块,用于判断所述区域特征中是否包含液体药品特征或固体药品特征;特征分析模块,用于在所述区域特征中包含所述液体药品特征或所述固体药品特征的情况下,对所述液体药品特征或固体药品特征进行分析,生成对应的特征信息;应用药品获取模块,用于获取当前实验室器皿的应用药品信息;药品评估模块,用于基于所述应用药品信息和所述特征信息确定对应的药品评估信息;检测模块,用于基于所述药品评估信息生成对应的药品残留检测结果。
在本发明实施例中,所述特征信息包括液体特征信息和固体特征信息,所述药品评估模块具体用于:基于所述应用药品信息确定液体药品和固体药品;若所述特征信息为液体特征信息,判断所述液体特征信息与所述液体药品是否匹配,根据对应的第一匹配结果生成与所述液体药品对应的药品评估信息;若所述特征信息为固体特征信息,判断所述固体特征信息与所述液体药品的结晶是否匹配:若是,生成与所述液体药品对应的药品评估信息;否则,判断所述固体特征信息与所述固体药品是否匹配,根据对应的第二匹配结果生成与所述固体药品对应的药品评估信息。
以上结合附图详细描述了本发明实施例的可选实施方式,但是,本发明实施例并不限于上述实施方式中的具体细节,在本发明实施例的技术构思范围内,可以对本发明实施例的技术方案进行多种简单变型,这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施例对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外,本发明实施例的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施例的思想,其同样应当视为本发明实施例所公开的内容。
Claims (10)
1.一种基于图像识别的实验室器皿药品残留检测方法,其特征在于,所述方法包括:
实时获取实验室图像;
基于预设器皿识别模型对所述实验室图像进行实时分析,生成器皿识别信息;
基于所述器皿识别信息确定至少一个实验室器皿,确定所述实验室器皿的可分析区域;
对所述可分析区域进行特征提取,获得对应的区域特征;
基于所述区域特征进行药品残留分析,生成对应的药品残留检测结果。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在所述基于所述预设器皿识别模型对所述实验室图像进行实时分析之前,基于LSTM对所述实验室图像进行分析,确定所述实验室图像中的实验人员;
对所述实验人员进行骨架分析,生成对应的骨架动作信息;
基于所述骨架动作信息判断所述实验人员是否结束实验;
若确定所述实验人员结束实验,基于所述骨架动作信息判断所述实验人员是否完成器皿残留药品处理操作:
若所述实验人员未完成所述器皿残留药品处理操作,生成存在药品残留的药品残留检测结果;
若所述实验人员完成所述器皿残留药品处理操作,基于所述预设器皿识别模型对所述实验室图像进行实时分析。
3.根据权利要求2所述的方法,其特征在于,所述基于所述骨架动作信息判断所述实验人员是否完成器皿残留药品处理操作,包括:
基于所述骨架动作信息判断所述实验人员是否正确执行所述器皿残留药品处理操作;
若是,确定所述实验人员完成所述器皿残留药品处理操作;
否则,确定所述实验人员未完成所述器皿残留药品处理操作。
4.根据权利要求1所述的方法,其特征在于,所述基于所述区域特征进行药品残留分析,生成对应的药品残留检测结果,包括:
判断所述区域特征中是否包含液体药品特征或固体药品特征;
若是,对所述液体药品特征或固体药品特征进行分析,生成对应的特征信息;
获取当前实验室器皿的应用药品信息;
基于所述应用药品信息和所述特征信息确定对应的药品评估信息;
基于所述药品评估信息生成对应的药品残留检测结果。
5.根据权利要求4所述的方法,其特征在于,所述特征信息包括液体特征信息和固体特征信息,所述基于所述应用药品信息和所述特征信息确定对应的药品评估信息,包括:
基于所述应用药品信息确定液体药品或固体药品;
若所述特征信息为液体特征信息,判断所述液体特征信息与所述液体药品是否匹配并生成对应的第一匹配结果,根据所述第一匹配结果生成与所述液体药品对应的药品评估信息;
若所述特征信息为固体特征信息,判断所述固体特征信息与所述液体药品的结晶是否匹配:
若是,生成与所述液体药品对应的药品评估信息;
否则,判断所述固体特征信息与所述固体药品是否匹配并生成对应的第二匹配结果,根据所述第二匹配结果生成与所述固体药品对应的药品评估信息。
6.一种基于图像识别的实验室器皿药品残留检测装置,其特征在于,所述装置包括:
图像获取单元,用于实时获取实验室图像;
分析单元,用于基于预设器皿识别模型对所述实验室图像进行实时分析,生成器皿识别信息;
区域确定单元,用于基于所述器皿识别信息确定至少一个实验室器皿,确定所述实验室器皿的可分析区域;
特征提取单元,用于对所述可分析区域进行特征提取,获得对应的区域特征;
检测单元,用于基于所述区域特征进行药品残留分析,生成对应的药品残留检测结果。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括检测触发单元,所述检测触发单元包括:
预分析模块,用于在所述基于所述预设器皿识别模型对所述实验室图像进行实时分析之前,基于LSTM对所述实验室图像进行分析,确定所述实验室图像中的实验人员;
骨架分析模块,用于对所述实验人员进行骨架分析,生成对应的骨架动作信息;
检测触发模块,用于基于所述骨架动作信息判断所述实验人员是否结束实验;若确定所述实验人员结束实验,基于所述骨架动作信息判断所述实验人员是否完成器皿残留药品处理操作:若所述实验人员未完成所述器皿残留药品处理操作,生成存在药品残留的药品残留检测结果;若所述实验人员完成所述器皿残留药品处理操作,基于所述预设器皿识别模型对所述实验室图像进行实时分析。
8.根据权利要求7所述的装置,其特征在于,所述基于所述骨架动作信息判断所述实验人员是否完成器皿残留药品处理操作,包括:
基于所述骨架动作信息判断所述实验人员是否正确执行所述器皿残留药品处理操作;
若是,确定所述实验人员完成所述器皿残留药品处理操作;
否则,确定所述实验人员未完成所述器皿残留药品处理操作。
9.根据权利要求6所述的装置,其特征在于,所述检测单元包括:
判断模块,用于判断所述区域特征中是否包含液体药品特征或固体药品特征;
特征分析模块,用于在所述区域特征中包含所述液体药品特征或所述固体药品特征的情况下,对所述液体药品特征或固体药品特征进行分析,生成对应的特征信息;
应用药品获取模块,用于获取当前实验室器皿的应用药品信息;
药品评估模块,用于基于所述应用药品信息和所述特征信息确定对应的药品评估信息;
检测模块,用于基于所述药品评估信息生成对应的药品残留检测结果。
10.根据权利要求9所述的装置,其特征在于,所述特征信息包括液体特征信息和固体特征信息,所述药品评估模块具体用于:
基于所述应用药品信息确定液体药品或固体药品;
若所述特征信息为液体特征信息,判断所述液体特征信息与所述液体药品是否匹配并生成对应的第一匹配结果,根据所述第一匹配结果生成与所述液体药品对应的药品评估信息;
若所述特征信息为固体特征信息,判断所述固体特征信息与所述液体药品的结晶是否匹配:
若是,生成与所述液体药品对应的药品评估信息;
否则,判断所述固体特征信息与所述固体药品是否匹配并生成对应的第二匹配结果,根据所述第二匹配结果生成与所述固体药品对应的药品评估信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310278090.XA CN116524425B (zh) | 2023-03-20 | 2023-03-20 | 基于图像识别的实验室器皿药品残留检测方法及检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310278090.XA CN116524425B (zh) | 2023-03-20 | 2023-03-20 | 基于图像识别的实验室器皿药品残留检测方法及检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116524425A CN116524425A (zh) | 2023-08-01 |
CN116524425B true CN116524425B (zh) | 2024-04-19 |
Family
ID=87400144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310278090.XA Active CN116524425B (zh) | 2023-03-20 | 2023-03-20 | 基于图像识别的实验室器皿药品残留检测方法及检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116524425B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103314293A (zh) * | 2010-11-16 | 2013-09-18 | 霍夫曼-拉罗奇有限公司 | 用于检测器皿内的液体表面上的泡沫的方法和设备 |
EP3382386A1 (en) * | 2017-03-29 | 2018-10-03 | Fujitsu Limited | Defect detection using ultrasound scan data |
CN108680374A (zh) * | 2018-05-18 | 2018-10-19 | 河南省农业科学院农业质量标准与检测技术研究所 | 一种实验室用全自动清洗机清洗效果的评价方法 |
CN112881600A (zh) * | 2021-01-11 | 2021-06-01 | 中南民族大学 | 实验室危险检测方法、设备、存储介质及装置 |
CN114897330A (zh) * | 2022-04-28 | 2022-08-12 | 华南师范大学 | 基于人的行为分析的高校化学实验室安全实验管理系统 |
-
2023
- 2023-03-20 CN CN202310278090.XA patent/CN116524425B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103314293A (zh) * | 2010-11-16 | 2013-09-18 | 霍夫曼-拉罗奇有限公司 | 用于检测器皿内的液体表面上的泡沫的方法和设备 |
EP3382386A1 (en) * | 2017-03-29 | 2018-10-03 | Fujitsu Limited | Defect detection using ultrasound scan data |
CN108680374A (zh) * | 2018-05-18 | 2018-10-19 | 河南省农业科学院农业质量标准与检测技术研究所 | 一种实验室用全自动清洗机清洗效果的评价方法 |
CN112881600A (zh) * | 2021-01-11 | 2021-06-01 | 中南民族大学 | 实验室危险检测方法、设备、存储介质及装置 |
CN114897330A (zh) * | 2022-04-28 | 2022-08-12 | 华南师范大学 | 基于人的行为分析的高校化学实验室安全实验管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116524425A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6791864B2 (ja) | 検査室自動化のためのサイドビューサンプルチューブ画像におけるバーコードタグ検出 | |
JP6927465B2 (ja) | 検体中の妨害因子を分類するためのモデルベース方法及び装置 | |
CN112115927B (zh) | 一种基于深度学习的机房设备智能识别方法及系统 | |
US4378494A (en) | Apparatus and method for detecting defects in glass bottles using event proximity | |
CN109711655A (zh) | 双录质检方法、装置、设备及计算机可读存储介质 | |
RU2003108433A (ru) | Способ предварительной обработки изображения машиночитаемой формы | |
CN111693089A (zh) | 装配线的产品质量控制方法、装置、设备及存储介质 | |
CN110738630A (zh) | 递归性深度学习系统的训练方法与检测系统 | |
JP2016161301A (ja) | 検体検査自動化システム | |
CN116524425B (zh) | 基于图像识别的实验室器皿药品残留检测方法及检测装置 | |
CN113297945A (zh) | 基于混合现实空间定位的室内设备巡检辅助方法及系统 | |
CN112822440B (zh) | 生物样本制备监控方法、应用服务器、系统及存储介质 | |
JP2013242246A (ja) | 生体試料の分析装置および生体試料の分析方法 | |
CN117372377B (zh) | 一种单晶硅棱线的断线检测方法、装置及电子设备 | |
CN110045132A (zh) | 一种样本处理系统及方法 | |
CN111344555B (zh) | 评估泌乳哺乳动物的健康状态的方法和系统 | |
CN114324382A (zh) | 面板端子清洁度检测方法及面板端子清洁度检测装置 | |
CN114973287A (zh) | 基于建筑图纸的信息提取方法、系统、存储介质及设备 | |
CN111738991A (zh) | 一种焊缝缺陷的数字射线检测模型的创建方法 | |
CN115509854A (zh) | 一种巡检处理方法、巡检服务器及系统 | |
JP6491922B2 (ja) | 自動分析装置 | |
CN111709340B (zh) | 伞具使用行为的检测方法与系统 | |
Suksawatchon et al. | Shape Recognition Using Unconstrained Pill Images Based on Deep Convolution Network | |
CN112150420A (zh) | 一种用于个人卫生检查的方法和系统 | |
CN117132174B (zh) | 一种应用于工业流水线质量检测的模型训练方法与系统 |
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 |