CN116746926B - 基于图像识别的自动采血方法、装置、设备及存储介质 - Google Patents

基于图像识别的自动采血方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116746926B
CN116746926B CN202311027872.2A CN202311027872A CN116746926B CN 116746926 B CN116746926 B CN 116746926B CN 202311027872 A CN202311027872 A CN 202311027872A CN 116746926 B CN116746926 B CN 116746926B
Authority
CN
China
Prior art keywords
blood
blood vessel
image
sample image
target
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
CN202311027872.2A
Other languages
English (en)
Other versions
CN116746926A (zh
Inventor
王雪莱
周宁海
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.)
SCW MEDICATH Ltd
Original Assignee
SCW MEDICATH 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 SCW MEDICATH Ltd filed Critical SCW MEDICATH Ltd
Priority to CN202311027872.2A priority Critical patent/CN116746926B/zh
Publication of CN116746926A publication Critical patent/CN116746926A/zh
Application granted granted Critical
Publication of CN116746926B publication Critical patent/CN116746926B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/15—Devices for taking samples of blood
    • A61B5/153—Devices specially adapted for taking samples of venous or arterial blood, e.g. with syringes
    • A61B5/1535—Devices specially adapted for taking samples of venous or arterial blood, e.g. with syringes comprising means for indicating vein or arterial entry
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/15—Devices for taking samples of blood
    • A61B5/150007—Details
    • A61B5/150015—Source of blood
    • A61B5/15003—Source of blood for venous or arterial blood
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4887—Locating particular structures in or on the body
    • A61B5/489—Blood vessels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based 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
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
    • 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/14—Vascular patterns
    • 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
    • G06T2207/10048—Infrared image
    • 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
    • G06T2207/30088—Skin; Dermal
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Vascular Medicine (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Hematology (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能技术，揭露了一种基于图像识别的自动采血方法、装置、设备及存储介质。所述方法包括：利用红外设备及预构建的视频设备对目标区域进行图像拍摄，分别得到红外组织分布图像及皮肤观测图像；利用预训练的采血血管定位模型对所述红外组织分布图像进行灰度变化，得到灰度图像，并对所述灰度图像进行血管检测，得到动静脉血管分布图；从所述皮肤观测图像中识别体表血管区域，并根据所述动静脉血管分布图在所述体表血管区域中分析得到可采血动静脉分布图；根据预设的采血控制策略及预构建的验血指标类型，选择所述可采血动静脉分布图中的目标血管进行自动化采血。本发明可以提高采血机器人识别血管的准确性。

Description

基于图像识别的自动采血方法、装置、设备及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于图像识别的自动采血方法、装置、设备及计算机可读存储介质。
背景技术
为解放人力、增加医疗检测效率，医疗领域中越来越多的使用人工智能技术进行辅助。例如，自动采血机器人，可以快速准确的对患者进行采血，处理正常患者时，成功率与医生人工处理的概率相近。但在特殊患者，例如血管较细、血管位置错位、胳膊肉较多的患者时，成功率较低。因此，如今进一步增加采血机器人识别准确率，成为自动采血机器人的重要发展方向。
发明内容
本发明提供一种基于图像识别的自动采血方法、装置、设备及存储介质，其主要目的在于提高采血机器人识别血管的准确性。
为实现上述目的，本发明提供的一种基于图像识别的自动采血方法，包括：
利用预构建的红外设备对目标区域进行目标对象的监控，当所述目标区域出现目标对象时，启动预构建的气动压脉带，并当所述气动压脉带的压强达到预设数值时，利用所述红外设备及预构建的视频设备对所述目标区域进行图像拍摄，分别得到红外组织分布图像及皮肤观测图像；
利用预训练的采血血管定位模型对所述红外组织分布图像进行灰度变化，得到灰度图像，并对所述灰度图像进行血管检测，得到动静脉血管分布图；
从所述皮肤观测图像中识别体表血管区域，并根据所述动静脉血管分布图在所述体表血管区域中分析得到可采血动静脉分布图；
根据预设的采血控制策略及预构建的验血指标类型，选择所述可采血动静脉分布图中的目标血管进行自动化采血。
可选的，所述对所述灰度图像进行血管检测，得到动静脉血管分布图，包括：
对所述灰度图像进行边缘检测，得到组织轮廓图；
利用霍夫变换算法对所述组织轮廓图进行血管检测，得到血管分布图像；
根据所述血管分布图像各个血管的脉搏震动，对所述血管分布图进行动静脉分类识别，得到动静脉血管分布图。
可选的，所述从所述皮肤观测图像中识别体表血管区域，并根据所述动静脉血管分布图在所述体表血管区域中分析得到可采血动静脉分布图，包括：
在所述体表血管区域中，选择具有预设特征的区域进行回归框选，得到体表血管区域；
通过遮蔽Mask操作，将所述体表血管区域对所述动静脉血管分布图进行图像遮蔽操作，得到可采血动静脉分布图。
可选的，所述根据预设的采血控制策略及预构建的验血指标类型，选择所述可采血动静脉分布图中的目标血管进行自动化采血，包括：
获取预构建的验血指标类型，并根据所述验血指标类型查询预构建的采血控制策略，得到目标类型血管；
获取患者的患者病例信息，并根据所述患者病例信息及所述采血控制策略，得到采血动作力度参数；
根据所述采血动作力度参数，对所述目标类型血管进行自动化采血。
可选的，所述采血控制策略包括指针对不同人群、不同检测指标来生成对应的采血控制参数。
可选的，所述利用预训练的采血血管定位模型对所述红外组织分布图像进行灰度变化之前，所述方法还包括：
获取具有人工标记的可采血区域标签的样本图像集及相对应的红外样本图像集；
利用选择性搜索算法对所述样本图像集进行特殊区域框选，得到带框样本图像集，并利用GridMask数据增强方法对所述带框样本图像集的图像中的框外部分进行随机遮蔽，得到增强样本图像集；
利用预构建的采血血管定位模型对所述红外样本图像集中的目标红外样本图像进行血管位置类别识别，得到所述目标红外样本图像的血管预测分布图；
利用待采血血管定位对所述带框样本图像集中的目标带框样本图像进行色彩、隆起识别，得到第一特殊区域；
利用所述待采血血管定位对所述增强样本图像集中的目标增强样本图像进行色彩、隆起识别，得到第二特殊区域，其中，所述目标红外样本图像、目标带框样本图像及目标增强样本图像对应同一张样本图像；
利用所述血管预测分布图分别对所述第一特殊区域进行区域分割遮蔽操作，得到第一可采血区域，及对所述第二特殊区域进行区域分割遮蔽操作，得到第二可采血区域；
利用交叉熵损失算法，将所述第二特殊区域作为真实标签，计算与所述第一特殊区域的损失值，得到特殊区域识别损失；
将所述样本图像的可采血区域标签作为真实标签，分别计算所述第一可采血区域的损失值，得到第一损失值，及计算所述第二可采血区域的损失值，得到第二损失值；
利用所述第一损失值、所述第二损失值及所述特殊区域识别损失对所述采血血管定位模型进行训练，得到训练完成的采血血管定位模型。
可选的，所述利用预构建的红外设备对目标区域进行目标对象的监控，包括：
根据预设时间频率对目标区域进行扫描，得到扫描图像序列；
对所述扫描图像序列进行灰度化处理，得到灰度图像序列，并对所述灰度图像序列进行二值化处理，得到二值化图片序列，并识别所述二值化图片序列的图像轮廓特征；
当所述图像轮廓特征发生变化时，判定所述目标区域出现变动对象。
为了解决上述问题，本发明还提供一种基于图像识别的自动采血装置，所述装置包括：
图像采集模块，用于利用预构建的红外设备对目标区域进行目标对象的监控，当所述目标区域出现目标对象时，启动预构建的气动压脉带，并当所述气动压脉带的压强达到预设数值时，利用所述红外设备及预构建的视频设备对所述目标区域进行图像拍摄，分别得到红外组织分布图像及皮肤观测图像；
组织血管识别模块，用于利用预训练的采血血管定位模型对所述红外组织分布图像进行灰度变化，得到灰度图像，并对所述灰度图像进行血管检测，得到动静脉血管分布图；
可采血区域识别模块，用于从所述皮肤观测图像中识别体表血管区域，并根据所述动静脉血管分布图在所述体表血管区域中分析得到可采血动静脉分布图；
自动化采血模块，用于根据预设的采血控制策略及预构建的验血指标类型，选择所述可采血动静脉分布图中的目标血管进行自动化采血。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
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计算机程序，所述计算机程序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上述所述的基于图像识别的自动采血方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于图像识别的自动采血方法。
本发明实施例当检测到采血动作开启时，自动识别红外组织分布图像及皮肤观测图像，提供采血效率；然后利用预训练的采血血管定位模型对所述红外组织分布图像及所述皮肤观测图像进行内外侧的综合识别，进而得到可采血动静脉分布图，其中，所述采血血管定位模型的训练方式能够抵抗实施过程中的一些干扰与隐患，增加识别准确率及效率；最后从所述可采血动静脉分布图中选择适合患者的血管进行自动化采血。因此，本发明实施例提供的一种基于图像识别的自动采血方法、装置、设备及存储介质，能够提高采血机器人识别血管的准确性。
附图说明
图1为本发明一实施例提供的基于图像识别的自动采血方法的流程示意图；
图2为本发明一实施例提供的基于图像识别的自动采血方法中一个步骤的详细流程示意图；
图3为本发明一实施例提供的基于图像识别的自动采血装置的功能模块图；
图4为本发明一实施例提供的实现所述基于图像识别的自动采血方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于图像识别的自动采血方法。本申请实施例中，所述基于图像识别的自动采血方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于图像识别的自动采血方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于图像识别的自动采血方法的流程示意图。在本实施例中，所述基于图像识别的自动采血方法包括：
S1、利用预构建的红外设备对目标区域进行目标对象的监控。
本发明实施例中利用自动采血机器人的红外设备对目标区域，例如用于放置手肘等采血部位的预设位置，进行目标对象的监控识别。所述目标对象可以是，例如手肘等采血部位。
本发明实施例中，所述红外设备可以安装在自动采血机器人的任意位置上。
详细的，本发明实施例中，所述利用预构建的红外设备对目标区域进行目标对象的监控，包括：
根据预设时间频率对目标区域进行扫描，得到扫描图像序列；
对所述扫描图像序列进行灰度化处理，得到灰度图像序列，并对所述灰度图像序列进行二值化处理，得到二值化图片序列，并识别所述二值化图片序列的图像轮廓特征；
当所述图像轮廓特征发生变化时，判定所述目标区域出现变动对象。
本发明实施例中，所述灰度化是指将彩色图片的各通道值转变为一个0（黑）~255（白）之间值得操作，而所述二值化是指，将每个值转化为0或255的值。本发明实施例通过灰度及二值化处理大大减少数据量，增加处理效率。
S2、判断所述目标区域是否出现了目标对象？
当所述目标区域出现一个变动对象后，所述自动采血机器人会自动识别所述变动对象的类型，只有当变动对象的类型为目标对象，如手肘时，判断所述目标区域出现了目标对象。
当所述目标区域米有出现目标对象时，返回上述的S1，继续对目标区域进行目标对象的监控。
当所述目标区域出现目标对象时，执行S3、启动预构建的气动压脉带，并当所述气动压脉带的压强达到预设数值时，利用所述红外设备及预构建的视频设备对所述目标区域进行图像拍摄，分别得到红外组织分布图像及皮肤观测图像。
应当知道，根据医疗经验，采血时可以通过气动压脉带对手肘上方进行挤压，使得手肘处的静脉血管会膨胀进而现形，有利于观测，进而提高采血准确率。
本发明实施例中当气动压脉带的压强达到预设数值，例如180mmHg时，可以停止加压，并对手肘区域进行图像拍摄，得到皮肤观测图像。此外，本发明实施例中为增加采血准确性，区分动静脉，避免血管交叉，采用预构建的红外设备进行拍照，得到红外组织分布图像。
S4、利用预训练的采血血管定位模型对所述红外组织分布图像进行灰度变化，得到灰度图像，并对所述灰度图像进行血管检测，得到动静脉血管分布图。
本发明实施例中，所述采血血管定位模型为一种基于卷积神经网络的图像识别网络，用于从内外两方面，即皮肤观测及血管组织同时识别，定位最便于采血的血管位置。
本发明首先通过对红外组织分布图像进行识别，能够识别各个血管的类型与位置结构。具体的，本发明实施例中，先通过灰度处理对图像进行处理，降低数据量级，增加处理速度，然后通过血管检测识别定位各个血管。
详细的，本发明实施例中，所述对所述灰度图像进行血管检测，得到动静脉血管分布图，包括：
对所述灰度图像进行边缘检测，得到组织轮廓图；
利用霍夫变换算法对所述组织轮廓图进行血管检测，得到血管分布图像；
根据所述血管分布图像各个血管的脉搏震动，对所述血管分布图进行动静脉分类识别，得到动静脉血管分布图。
其中，所述边缘检测是模仿人类视觉的一个过程，可以在检测物体边缘时, 先对其轮廓点进行粗略检测, 然后通过链接规则把原来检测到的轮廓点连接起来。
进一步的，所述霍夫变换算法是一种特征提取方法，用于寻找物件中的特征，如线条形状，较适应血管识别过程。
本发明实施例识别到各个血管后，通过查看各个血管是否有脉搏震动，震动的是动脉，不动的是静脉。保证采血目标的准确性。
S5、从所述皮肤观测图像中识别体表血管区域，并根据所述动静脉血管分布图在所述体表血管区域中分析得到可采血动静脉分布图。
本发明实施例对所述红外组织分布图像识别完成后，可以对皮肤观测图像进行识别。其中，识别所述皮肤观测图像的过程主要通过识别颜色与皮肤隆起进行识别。
本发明实施例所述从所述皮肤观测图像中识别体表血管区域，并根据所述动静脉血管分布图在所述体表血管区域中分析得到可采血动静脉分布图，包括：
在所述体表血管区域中，选择具有预设特征的区域进行回归框选，作为体表血管区域；
通过遮蔽Mask操作，将所述体表血管区域对所述动静脉血管分布图进行图像遮蔽操作，得到可采血动静脉分布图。
本发明实施例中，所述有预设特征的区域可以是与其他皮肤有明显特殊的地方，例如黑绿色的血管与皮肤隆起等。
但具体实施体表识别的过程中具有干扰因素较多，例如碘伏颜色、头发衣服线头干扰、皮肤皱纹或损伤都容易造成血管识别不准确，因此，本发明实施例通过下述操作对所述采血血管定位模型进行训练。
详细的，参考图2所示，本发明实施例中，所述利用预训练的采血血管定位模型对所述红外组织分布图像进行灰度变化之前，所述方法还包括：
S51、获取具有人工标记的可采血区域标签的样本图像集及相对应的红外样本图像集；
S52、利用选择性搜索算法对所述样本图像集进行特殊区域框选，得到带框样本图像集，并利用GridMask数据增强方法对所述带框样本图像集的图像中的框外部分进行随机遮蔽，得到增强样本图像集；
S53、利用预构建的采血血管定位模型对所述红外样本图像集中的目标红外样本图像进行血管位置类别识别，得到所述目标红外样本图像的血管预测分布图；
S54、利用待采血血管定位对所述带框样本图像集中的目标带框样本图像进行色彩、隆起识别，得到第一特殊区域；
S55、利用所述待采血血管定位对所述增强样本图像集中的目标增强样本图像进行色彩、隆起识别，得到第二特殊区域，所述目标红外样本图像、目标带框样本图像及目标增强样本图像对应同一张样本图像；
S56、利用所述血管预测分布图分别对所述第一特殊区域进行区域分割遮蔽操作，得到第一可采血区域，及对所述第二特殊区域进行区域分割遮蔽操作，得到第二可采血区域；
S57、利用交叉熵损失算法，将所述第二特殊区域作为真实标签，计算与所述第一特殊区域的损失值，得到特殊区域识别损失；
S58、将所述样本图像的可采血区域标签作为真实标签，分别计算所述第一可采血区域的损失值，得到第一损失值，及计算所述第二可采血区域的损失值，得到第二损失值；
S59、利用所述第一损失值、所述第二损失值及所述特殊区域识别损失对所述采血血管定位模型进行训练，得到训练完成的采血血管定位模型。
本发明实施例中，所述可采血区域标签为人工标记，可以作为样本标签对识别结果进行训练。其中，所述可采血区域标签并不显示在所述样本图像集上。
进一步的，所述选择性搜索算法是一种图片分割然后组合的方法，自动识别与周围环境有差别的对象，并生成一个框进行框选，本发明实施例中正常情况下血管及突起可以被识别成皮肤上的差别点，从而被框选，得到图像框（Selective Search Learning，简称SSL）。
进一步的，所述GridMask数据增强方法是一种对图片进行遮蔽方法，例如将图片中的部分像素用0或255进行替换，导致图片上出现白点或黑点。本发明实施例将遮蔽模板设计为线状模式及块状模式，用于模拟皮肤皱纹、损伤等常见因素，提高所述采血血管定位模型识别血管的准确率。其中，本发明实施例只会在SSL框以外的对象进行遮蔽，保证模型识别到SSL框内的识别区域可以作为真实数据。
本发明实施例中被选择性搜索算法增强的图像被称为带框样本图像集，而带框图像被GridMask数据增强后被称为增强样本图像集。
本发明实施例中所述采血血管定位模型一方面用于识别皮肤上的异常区域（包含血管及突起的区域），另一方面对异常区域中的可采血的血管回归框选出来(只有血管的路线)。因此，所述采血血管定位模型分别对带框样本图像集、增强样本图像集进行识别。所述带框样本图像集得到两个识别结果，即第一特殊区域与第一可采血区域，所述增强样本图像集得到两个识别结果，即第二特殊区域与第二可采血区域。
本发明实施例中增强样本图像的SSL框内对象不变，而SSL框外对象都被Mask增强，因此所述第二特殊区域必然为所述SSL框可以作为真实值，而所述第二可采血区域受到Mask增强的影响，只能作为预测值；而所述带框样本图像由于没有受到干扰，因此两个结果都为预测值。因此，本发明实施例将所述第二特殊区域作为真实标签，计算与所述第一特殊区域的损失值，得到特殊区域识别损失。再将所述样本图像的可采血区域标签作为真实标签，分别计算所述第一可采血区域的损失值，得到第一损失值，及计算所述第二可采血区域的损失值，得到第二损失值。最终通过这三个损失值对所述采血血管定位模型进行训练，得到能够抗干扰识别可采血动静脉分布图的采血血管定位模型。
S6、根据预设的采血控制策略及预构建的验血指标类型，选择所述可采血动静脉分布图中的目标血管进行自动化采血。
详细的，本发明实施例中，所述根据预设的采血控制策略及预构建的验血指标类型，选择所述可采血动静脉分布图中的目标血管进行自动化采血，包括：
获取预构建的验血指标类型，并根据所述验血指标类型查询预构建的采血控制策略，得到目标类型血管；
获取患者的患者病例信息，并根据所述患者病例信息及所述采血控制策略，得到采血动作力度参数；
根据所述采血动作力度参数，对所述目标类型血管进行自动化采血。
其中，所述验血指标类型可以从医疗总控制系统的下游任务进行查询；而所述患者病历信息可以通过人脸检测或其他方法从病例数据库中获取；而所述采血动作力度参数用于控制采血机器人的电机工作。
本发明实施例中，所述采血控制策略是指针对不同人群、不同检测指标来生成对应的采血控制参数的方法。例如，老人、小孩或贫血患者等人物的血管厚度、强度不同，可以使用不同力度进行采血，而针对不同指标例如血含氧量、血糖血脂，则分别需要动脉采血与静脉采血。
此外，本发明实施例中还在自动采血之前可以喷抹消毒物质，如碘伏、酒精灯，在采血之后也可以利用消毒棉签对采血位置进行自动包裹处理。
本发明实施例当检测到采血动作开启时，自动识别红外组织分布图像及皮肤观测图像，提供采血效率；然后利用预训练的采血血管定位模型对所述红外组织分布图像及所述皮肤观测图像进行内外侧的综合识别，进而得到可采血动静脉分布图，其中，所述采血血管定位模型的训练方式能够抵抗实施过程中的一些干扰与隐患，增加识别准确率及效率；最后从所述可采血动静脉分布图中选择适合患者的血管进行自动化采血。因此，本发明实施例提供的一种基于图像识别的自动采血方法，能够提高采血机器人识别血管的准确性。
如图3所示，是本发明一实施例提供的基于图像识别的自动采血装置的功能模块图。
本发明所述基于图像识别的自动采血装置100可以安装于电子设备中。根据实现的功能，所述基于图像识别的自动采血装置100可以包括图像采集模块101、组织血管识别模块102、可采血区域识别模块103及自动化采血模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述图像采集模块101，用于利用预构建的红外设备对目标区域进行目标对象的监控，当所述目标区域出现目标对象时，启动预构建的气动压脉带，并当所述气动压脉带的压强达到预设数值时，利用所述红外设备及预构建的视频设备对所述目标区域进行图像拍摄，分别得到红外组织分布图像及皮肤观测图像；
所述组织血管识别模块102，用于利用预训练的采血血管定位模型对所述红外组织分布图像进行灰度变化，得到灰度图像，并对所述灰度图像进行血管检测，得到动静脉血管分布图；
所述可采血区域识别模块103，用于从所述皮肤观测图像中识别体表血管区域，并根据所述动静脉血管分布图在所述体表血管区域中分析得到可采血动静脉分布图；
所述自动化采血模块104，用于根据预设的采血控制策略及预构建的验血指标类型，选择所述可采血动静脉分布图中的目标血管进行自动化采血。
详细地，本申请实施例中所述基于图像识别的自动采血装置100中所述的各模块在使用时采用与上述图1至图2中所述的基于图像识别的自动采血方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图4所示，是本发明一实施例提供的实现基于图像识别的自动采血方法的电子设备1的结构示意图。
本发明实施例中，所述电子设备1可以是一个自动采血机器人。所述电子设备1可以包括处理器10、存储器11、通信总线12、通信接口13、红外设备14以及视频设备15，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于图像识别的自动采血程序。
所述红外设备14在一些实施例中可以通过红外或近红外波段光对目标区域进行扫描，根据不同组织对光线的吸收强度不同，使得血管周围的组织在红外图像中更暗，便于对血管进行定位。
所述视频设备15在一些实施例中可以为常见的全彩摄像头，用于对目标区域进行拍摄，从而观测图像中的突起与血管颜色。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing Unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心（ControlUnit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如执行基于图像识别的自动采血程序等），以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡（Smart Media Card，SMC）、安全数字（Secure Digital，SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于图像识别的自动采血程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准（Peripheral ComponentInterconnect，简称PCI）总线或扩展工业标准结构（Extended Industry StandardArchitecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备1与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图4仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图4示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于图像识别的自动采血程序是多个指令的组合，在所述处理器10中运行时，可以实现：
利用预构建的红外设备对目标区域进行目标对象的监控，当所述目标区域出现目标对象时，启动预构建的气动压脉带，并当所述气动压脉带的压强达到预设数值时，利用所述红外设备及预构建的视频设备对所述目标区域进行图像拍摄，分别得到红外组织分布图像及皮肤观测图像；
利用预训练的采血血管定位模型对所述红外组织分布图像进行灰度变化，得到灰度图像，并对所述灰度图像进行血管检测，得到动静脉血管分布图；
从所述皮肤观测图像中识别体表血管区域，并根据所述动静脉血管分布图在所述体表血管区域中分析得到可采血动静脉分布图；
根据预设的采血控制策略及预构建的验血指标类型，选择所述可采血动静脉分布图中的目标血管进行自动化采血。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
利用预构建的红外设备对目标区域进行目标对象的监控，当所述目标区域出现目标对象时，启动预构建的气动压脉带，并当所述气动压脉带的压强达到预设数值时，利用所述红外设备及预构建的视频设备对所述目标区域进行图像拍摄，分别得到红外组织分布图像及皮肤观测图像；
利用预训练的采血血管定位模型对所述红外组织分布图像进行灰度变化，得到灰度图像，并对所述灰度图像进行血管检测，得到动静脉血管分布图；
从所述皮肤观测图像中识别体表血管区域，并根据所述动静脉血管分布图在所述体表血管区域中分析得到可采血动静脉分布图；
根据预设的采血控制策略及预构建的验血指标类型，选择所述可采血动静脉分布图中的目标血管进行自动化采血。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (9)

1.一种基于图像识别的自动采血方法，其特征在于，所述方法包括：
利用预构建的红外设备对目标区域进行目标对象的监控，当所述目标区域出现目标对象时，启动预构建的气动压脉带，并当所述气动压脉带的压强达到预设数值时，利用所述红外设备及预构建的视频设备对所述目标区域进行图像拍摄，分别得到红外组织分布图像及皮肤观测图像；
利用预训练的采血血管定位模型对所述红外组织分布图像进行灰度变化，得到灰度图像，并对所述灰度图像进行血管检测，得到动静脉血管分布图；
从所述皮肤观测图像中识别体表血管区域，并根据所述动静脉血管分布图在所述体表血管区域中分析得到可采血动静脉分布图；
根据预设的采血控制策略及预构建的验血指标类型，选择所述可采血动静脉分布图中的目标血管进行自动化采血；
其中，所述利用预训练的采血血管定位模型对所述红外组织分布图像进行灰度变化之前，所述方法还包括：
获取具有人工标记的可采血区域标签的样本图像集及相对应的红外样本图像集；
利用选择性搜索算法对所述样本图像集进行特殊区域框选，得到带框样本图像集，并利用GridMask数据增强方法对所述带框样本图像集的图像中的框外部分进行随机遮蔽，得到增强样本图像集；
利用预构建的采血血管定位模型对所述红外样本图像集中的目标红外样本图像进行血管位置类别识别，得到所述目标红外样本图像的血管预测分布图；
利用采血血管定位模型对所述带框样本图像集中的目标带框样本图像进行色彩、隆起识别，得到第一特殊区域；
利用所述采血血管定位模型对所述增强样本图像集中的目标增强样本图像进行色彩、隆起识别，得到第二特殊区域，其中，所述目标红外样本图像、目标带框样本图像及目标增强样本图像对应同一张样本图像；
利用所述血管预测分布图分别对所述第一特殊区域进行区域分割遮蔽操作，得到第一可采血区域，及对所述第二特殊区域进行区域分割遮蔽操作，得到第二可采血区域；
利用交叉熵损失算法，将所述第二特殊区域作为真实标签，计算与所述第一特殊区域的损失值，得到特殊区域识别损失；
将所述样本图像的可采血区域标签作为真实标签，分别计算所述第一可采血区域的损失值，得到第一损失值，及计算所述第二可采血区域的损失值，得到第二损失值；
利用所述第一损失值、所述第二损失值及所述特殊区域识别损失对所述采血血管定位模型进行训练，得到训练完成的采血血管定位模型。
2.如权利要求1所述的基于图像识别的自动采血方法，其特征在于，所述对所述灰度图像进行血管检测，得到动静脉血管分布图，包括：
对所述灰度图像进行边缘检测，得到组织轮廓图；
利用霍夫变换算法对所述组织轮廓图进行血管检测，得到血管分布图像；
根据所述血管分布图像各个血管的脉搏震动，对所述血管分布图进行动静脉分类识别，得到动静脉血管分布图。
3.如权利要求2所述的基于图像识别的自动采血方法，其特征在于，所述从所述皮肤观测图像中识别体表血管区域，并根据所述动静脉血管分布图在所述体表血管区域中分析得到可采血动静脉分布图，包括：
在所述体表血管区域中，选择具有预设特征的区域进行回归框选，得到体表血管区域；
通过遮蔽Mask操作，将所述体表血管区域对所述动静脉血管分布图进行图像遮蔽操作，得到可采血动静脉分布图。
4.如权利要求1所述的基于图像识别的自动采血方法，其特征在于，所述根据预设的采血控制策略及预构建的验血指标类型，选择所述可采血动静脉分布图中的目标血管进行自动化采血，包括：
获取预构建的验血指标类型，并根据所述验血指标类型查询预构建的采血控制策略，得到目标类型血管；
获取患者的患者病例信息，并根据所述患者病例信息及所述采血控制策略，得到采血动作力度参数；
根据所述采血动作力度参数，对所述目标类型血管进行自动化采血。
5.如权利要求4所述的基于图像识别的自动采血方法，其特征在于，所述采血控制策略包括指针对不同人群、不同检测指标来生成对应的采血控制参数。
6.如权利要求1所述的基于图像识别的自动采血方法，其特征在于，所述利用预构建的红外设备对目标区域进行目标对象的监控，包括：
根据预设时间频率对目标区域进行扫描，得到扫描图像序列；
对所述扫描图像序列进行灰度化处理，得到灰度图像序列，并对所述灰度图像序列进行二值化处理，得到二值化图片序列，并识别所述二值化图片序列的图像轮廓特征；
当所述图像轮廓特征发生变化时，判定所述目标区域出现变动对象。
7.一种基于图像识别的自动采血装置，其特征在于，所述装置包括：
图像采集模块，用于利用预构建的红外设备对目标区域进行目标对象的监控，当所述目标区域出现目标对象时，启动预构建的气动压脉带，并当所述气动压脉带的压强达到预设数值时，利用所述红外设备及预构建的视频设备对所述目标区域进行图像拍摄，分别得到红外组织分布图像及皮肤观测图像；
组织血管识别模块，用于获取具有人工标记的可采血区域标签的样本图像集及相对应的红外样本图像集；利用选择性搜索算法对所述样本图像集进行特殊区域框选，得到带框样本图像集，并利用GridMask数据增强方法对所述带框样本图像集的图像中的框外部分进行随机遮蔽，得到增强样本图像集；利用预构建的采血血管定位模型对所述红外样本图像集中的目标红外样本图像进行血管位置类别识别，得到所述目标红外样本图像的血管预测分布图；利用采血血管定位模型对所述带框样本图像集中的目标带框样本图像进行色彩、隆起识别，得到第一特殊区域；利用所述采血血管定位模型对所述增强样本图像集中的目标增强样本图像进行色彩、隆起识别，得到第二特殊区域，其中，所述目标红外样本图像、目标带框样本图像及目标增强样本图像对应同一张样本图像；利用所述血管预测分布图分别对所述第一特殊区域进行区域分割遮蔽操作，得到第一可采血区域，及对所述第二特殊区域进行区域分割遮蔽操作，得到第二可采血区域；利用交叉熵损失算法，将所述第二特殊区域作为真实标签，计算与所述第一特殊区域的损失值，得到特殊区域识别损失；将所述样本图像的可采血区域标签作为真实标签，分别计算所述第一可采血区域的损失值，得到第一损失值，及计算所述第二可采血区域的损失值，得到第二损失值；利用所述第一损失值、所述第二损失值及所述特殊区域识别损失对所述采血血管定位模型进行训练，得到训练完成的采血血管定位模型；利用所述采血血管定位模型对所述红外组织分布图像进行灰度变化，得到灰度图像，并对所述灰度图像进行血管检测，得到动静脉血管分布图；
可采血区域识别模块，用于从所述皮肤观测图像中识别体表血管区域，并根据所述动静脉血管分布图在所述体表血管区域中分析得到可采血动静脉分布图；
自动化采血模块，用于根据预设的采血控制策略及预构建的验血指标类型，选择所述可采血动静脉分布图中的目标血管进行自动化采血。
8.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序，所述计算机程序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如权利要求1至6中任意一项所述的基于图像识别的自动采血方法。
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的基于图像识别的自动采血方法。
CN202311027872.2A 2023-08-16 2023-08-16 基于图像识别的自动采血方法、装置、设备及存储介质 Active CN116746926B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311027872.2A CN116746926B (zh) 2023-08-16 2023-08-16 基于图像识别的自动采血方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311027872.2A CN116746926B (zh) 2023-08-16 2023-08-16 基于图像识别的自动采血方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN116746926A CN116746926A (zh) 2023-09-15
CN116746926B true CN116746926B (zh) 2023-11-10

Family

ID=87959453

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311027872.2A Active CN116746926B (zh) 2023-08-16 2023-08-16 基于图像识别的自动采血方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116746926B (zh)

Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203153708U (zh) * 2013-03-25 2013-08-28 林幸静 一种皮肤静脉血管显示成像装置
CN104799815A (zh) * 2015-03-26 2015-07-29 山东大学 一种基于图像引导的血气采集装置及方法
CN106580344A (zh) * 2016-12-15 2017-04-26 北京迈纳士手术机器人技术股份有限公司 静脉采血机器人和应用该机器人的静脉采血方法
CN107788949A (zh) * 2017-10-10 2018-03-13 青岛浦利医疗技术有限公司 动脉血管显像装置及血管显像仪
CN108968942A (zh) * 2018-08-03 2018-12-11 佛山科学技术学院 一种基于近红外全色彩血流成像装置及方法
CN109101856A (zh) * 2018-09-25 2018-12-28 广东工业大学 一种二维码图像识别方法及装置
CN110711295A (zh) * 2018-07-11 2020-01-21 杜学军 一种自动浅表静脉穿刺置管设备
CN111281400A (zh) * 2020-01-22 2020-06-16 首都医科大学宣武医院 借助于非接触式血管可视化设备的辅助操作装置及方法
CN111695451A (zh) * 2020-05-27 2020-09-22 中山市生科试剂仪器有限公司 一种静脉图像识别分析方法及处理装置
CN111820920A (zh) * 2020-06-05 2020-10-27 哈工大机器人(中山)无人装备与人工智能研究院 一种静脉采血数据处理方法、装置及智能采血机器人
CN111887863A (zh) * 2020-06-05 2020-11-06 哈工大机器人(中山)无人装备与人工智能研究院 一种高精度采血装置、机器人及方法
CN111904432A (zh) * 2019-05-10 2020-11-10 江苏哈工智能机器人股份有限公司 采血装置及采血控制方法
CN112075981A (zh) * 2020-08-27 2020-12-15 同济大学 静脉穿刺机器人控制方法、装置及计算机可读存储介质
CN112842257A (zh) * 2019-11-12 2021-05-28 磅客策(上海)机器人有限公司 一种血管定位方法及装置
CN113017625A (zh) * 2021-02-26 2021-06-25 北京伟浩君智能技术有限公司 采血机器人的控制方法及装置
CN113069112A (zh) * 2021-03-16 2021-07-06 四川省肿瘤医院 一种自动采血系统
CN114176514A (zh) * 2021-11-16 2022-03-15 同济大学 一种基于近红外成像的静脉血管识别定位方法和系统
CN114677713A (zh) * 2022-04-18 2022-06-28 深圳粒子群智能科技有限公司 一种基于近红外光的手臂静脉采血点的识别方法及系统
CN115100230A (zh) * 2022-08-24 2022-09-23 首都医科大学附属北京朝阳医院 基于血管图像的动静脉分离方法、装置、存储介质及终端
CN115187790A (zh) * 2022-06-27 2022-10-14 东南大学 一种基于参考区域二值化结果的图像轮廓提取方法
CN116051638A (zh) * 2023-01-09 2023-05-02 中南大学湘雅三医院 一种基于多源异构信息融合技术的血管定位装置及方法
CN116206229A (zh) * 2021-11-29 2023-06-02 中国电信股份有限公司 目标检测方法和装置
CN219439089U (zh) * 2023-01-06 2023-08-01 王娜 一种血管显像装置

Patent Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203153708U (zh) * 2013-03-25 2013-08-28 林幸静 一种皮肤静脉血管显示成像装置
CN104799815A (zh) * 2015-03-26 2015-07-29 山东大学 一种基于图像引导的血气采集装置及方法
CN106580344A (zh) * 2016-12-15 2017-04-26 北京迈纳士手术机器人技术股份有限公司 静脉采血机器人和应用该机器人的静脉采血方法
CN107788949A (zh) * 2017-10-10 2018-03-13 青岛浦利医疗技术有限公司 动脉血管显像装置及血管显像仪
CN110711295A (zh) * 2018-07-11 2020-01-21 杜学军 一种自动浅表静脉穿刺置管设备
CN108968942A (zh) * 2018-08-03 2018-12-11 佛山科学技术学院 一种基于近红外全色彩血流成像装置及方法
CN109101856A (zh) * 2018-09-25 2018-12-28 广东工业大学 一种二维码图像识别方法及装置
CN111904432A (zh) * 2019-05-10 2020-11-10 江苏哈工智能机器人股份有限公司 采血装置及采血控制方法
CN112842257A (zh) * 2019-11-12 2021-05-28 磅客策(上海)机器人有限公司 一种血管定位方法及装置
CN111281400A (zh) * 2020-01-22 2020-06-16 首都医科大学宣武医院 借助于非接触式血管可视化设备的辅助操作装置及方法
CN111695451A (zh) * 2020-05-27 2020-09-22 中山市生科试剂仪器有限公司 一种静脉图像识别分析方法及处理装置
CN111887863A (zh) * 2020-06-05 2020-11-06 哈工大机器人(中山)无人装备与人工智能研究院 一种高精度采血装置、机器人及方法
CN111820920A (zh) * 2020-06-05 2020-10-27 哈工大机器人(中山)无人装备与人工智能研究院 一种静脉采血数据处理方法、装置及智能采血机器人
CN112075981A (zh) * 2020-08-27 2020-12-15 同济大学 静脉穿刺机器人控制方法、装置及计算机可读存储介质
CN113017625A (zh) * 2021-02-26 2021-06-25 北京伟浩君智能技术有限公司 采血机器人的控制方法及装置
CN113069112A (zh) * 2021-03-16 2021-07-06 四川省肿瘤医院 一种自动采血系统
CN114176514A (zh) * 2021-11-16 2022-03-15 同济大学 一种基于近红外成像的静脉血管识别定位方法和系统
CN116206229A (zh) * 2021-11-29 2023-06-02 中国电信股份有限公司 目标检测方法和装置
CN114677713A (zh) * 2022-04-18 2022-06-28 深圳粒子群智能科技有限公司 一种基于近红外光的手臂静脉采血点的识别方法及系统
CN115187790A (zh) * 2022-06-27 2022-10-14 东南大学 一种基于参考区域二值化结果的图像轮廓提取方法
CN115100230A (zh) * 2022-08-24 2022-09-23 首都医科大学附属北京朝阳医院 基于血管图像的动静脉分离方法、装置、存储介质及终端
CN219439089U (zh) * 2023-01-06 2023-08-01 王娜 一种血管显像装置
CN116051638A (zh) * 2023-01-09 2023-05-02 中南大学湘雅三医院 一种基于多源异构信息融合技术的血管定位装置及方法

Also Published As

Publication number Publication date
CN116746926A (zh) 2023-09-15

Similar Documents

Publication Publication Date Title
Gegundez-Arias et al. Locating the fovea center position in digital fundus images using thresholding and feature extraction techniques
US7614745B2 (en) System for analyzing eye responses to automatically determine impairment of a subject
CN109697719B (zh) 一种图像质量评估方法、装置及计算机可读存储介质
CN111986211A (zh) 一种基于深度学习的眼科超声自动筛查方法及系统
US20090115965A1 (en) System for analyzing eye responses to automatically track size, location, and movement of the pupil
CN109697716B (zh) 青光眼图像识别方法、设备和筛查系统
CN106778695A (zh) 一种基于视频的多人快速心率检测方法
CN109637660B (zh) 一种基于深度卷积神经网络的舌诊分析方法及系统
CN109684981A (zh) 青光眼图像识别方法、设备和筛查系统
CN111950812B (zh) 一种自动识别与预测雨量的方法及其装置
CN109583364A (zh) 图像识别方法及设备
CN111667468A (zh) 基于神经网络的oct图像病灶检测方法、装置及介质
CN106157279A (zh) 基于形态学分割的眼底图像病变检测方法
CN114648354A (zh) 一种基于眼动追踪和情绪状态的广告测评方法和系统
US20210343006A1 (en) Preprocessing method for performing quantitative analysis on fundus image, and storage device
CN115601811A (zh) 面部痤疮的检测方法和装置
WO2012121488A2 (ko) 의료용 혈관영상 처리방법
CN109549619B (zh) 眼底盘沿宽度确定方法、青光眼疾病诊断装置和系统
CN116746926B (zh) 基于图像识别的自动采血方法、装置、设备及存储介质
CN114202516A (zh) 一种异物检测方法、装置、电子设备及存储介质
CN116687394B (zh) 基于毫米波雷达的摔倒检测方法、装置、设备及存储介质
CN117274278A (zh) 基于模拟感受野的视网膜图像病灶部位分割方法及系统
CN115035086A (zh) 一种基于深度学习的结核皮试智能筛查分析方法和装置
CN109919935B (zh) 一种头颈体血管分割方法及设备
CN113256625A (zh) 一种电子设备和识别装置

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
GR01 Patent grant
GR01 Patent grant