CN117575735B - 一种药品的订购校验方法、装置、设备及存储介质 - Google Patents
一种药品的订购校验方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117575735B CN117575735B CN202311573409.8A CN202311573409A CN117575735B CN 117575735 B CN117575735 B CN 117575735B CN 202311573409 A CN202311573409 A CN 202311573409A CN 117575735 B CN117575735 B CN 117575735B
- Authority
- CN
- China
- Prior art keywords
- image data
- data
- detection kit
- target
- antigen detection
- 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 60
- 238000000034 method Methods 0.000 title claims abstract description 45
- 229940079593 drug Drugs 0.000 title claims abstract description 33
- 238000012795 verification Methods 0.000 title claims description 17
- 238000001514 detection method Methods 0.000 claims abstract description 178
- 239000000427 antigen Substances 0.000 claims abstract description 106
- 102000036639 antigens Human genes 0.000 claims abstract description 106
- 108091007433 antigens Proteins 0.000 claims abstract description 106
- 238000010606 normalization Methods 0.000 claims abstract description 12
- 238000003908 quality control method Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 22
- 239000000825 pharmaceutical preparation Substances 0.000 claims description 7
- 229940127557 pharmaceutical product Drugs 0.000 claims description 7
- 230000003628 erosive effect Effects 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 abstract description 2
- 239000013589 supplement Substances 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 239000003153 chemical reaction reagent Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning 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
- 241000700605 Viruses Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000003365 glass fiber Substances 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000004816 latex Substances 0.000 description 1
- 229920000126 latex Polymers 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 229920001220 nitrocellulos Polymers 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0609—Buyer or seller confidence or verification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- 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
-
- 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
- G06V10/20—Image preprocessing
- G06V10/32—Normalisation of the pattern dimensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- 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
- G06V2201/07—Target detection
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Finance (AREA)
- Medicinal Chemistry (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Epidemiology (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Economics (AREA)
- Chemical & Material Sciences (AREA)
- Strategic Management (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种药品的订购校验方法、装置、设备及存储介质,该方法包括:接收客户端在订购药品时上传的、内容为订购药品所依赖的抗原检测试剂盒的原始图像数据;在原始图像数据中检测抗原检测试剂盒在摆正时所处的区域,作为原始区域数据;对原始区域数据执行规范化操作,得到目标区域数据;确定对抗原检测试剂盒在多种亮度下生成的掩膜图像数据;将目标区域数据分别与多个掩膜图像数据叠加,得到多个候选图像数据;从多个候选图像数据中选择阴影最少的一个候选图像数据,作为目标图像数据;依据目标图像数据中抗原检测试剂盒的结果校验订购药品的合法性。本实施例自适应补亮,有效消除或减缓了阴影,保证识别抗原检测试剂盒的结果的精确度。
Description
技术领域
本发明涉及计算机视觉的技术领域,尤其涉及一种药品的订购校验方法、装置、设备及存储介质。
背景技术
电商平台面向用户售卖药品,某些药品属于管制较强的药品,需要线上问诊并上传相应抗原检测试剂盒的结果,在阳性的情况下允许购买。
用户通常使用手机对抗原检测试剂盒拍照,由于环境光线、拍摄角度等原因,照片的质量波动较大,某些照片中可能存在较为明显的阴影,这些阴影很大程度上影响抗原检测试剂盒的结果的识别,导致出现误判,进而影响用户订购药品。
发明内容
本发明提供了一种药品的订购校验方法、装置、设备及存储介质,以解决如何提高识别抗原检测试剂盒的结果的精确度、以保障用户正常订购药品的问题。
根据本发明的一方面,提供了一种药品的订购校验方法,包括:
接收客户端在订购药品时上传的、内容为订购所述药品所依赖的抗原检测试剂盒的原始图像数据;
在所述原始图像数据中检测所述抗原检测试剂盒在摆正时所处的区域,作为原始区域数据;
对所述原始区域数据执行规范化操作,得到目标区域数据;
确定对所述抗原检测试剂盒在多种亮度下生成的掩膜图像数据;
将所述目标区域数据分别与多个所述掩膜图像数据叠加,得到多个候选图像数据;
从多个所述候选图像数据中选择阴影最少的一个所述候选图像数据,作为目标图像数据;
依据所述目标图像数据中所述抗原检测试剂盒的结果校验订购所述药品的合法性。
根据本发明的另一方面,提供了一种药品的订购校验装置,包括:
原始图像数据接收模块,用于接收客户端在订购药品时上传的、内容为订购所述药品所依赖的抗原检测试剂盒的原始图像数据;
原始区域数据检测模块,用于在所述原始图像数据中检测所述抗原检测试剂盒在摆正时所处的区域,作为原始区域数据;
目标区域数据生成模块,用于对所述原始区域数据执行规范化操作,得到目标区域数据;
掩膜图像数据确定模块,用于确定对所述抗原检测试剂盒在多种亮度下生成的掩膜图像数据;
候选图像数据生成模块,用于将所述目标区域数据分别与多个所述掩膜图像数据叠加,得到多个候选图像数据;
目标图像数据生成模块,用于从多个所述候选图像数据中选择阴影最少的一个所述候选图像数据,作为目标图像数据;
合法性校验模块,用于依据所述目标图像数据中所述抗原检测试剂盒的结果校验订购所述药品的合法性。
根据本发明的另一方面,提供了一种电子设备,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本发明任一实施例所述的药品的订购校验方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序用于使处理器执行时实现本发明任一实施例所述的药品的订购校验方法。
在本实施例中,接收客户端在订购药品时上传的、内容为订购药品所依赖的抗原检测试剂盒的原始图像数据;在原始图像数据中检测抗原检测试剂盒在摆正时所处的区域,作为原始区域数据;对原始区域数据执行规范化操作,得到目标区域数据;确定对抗原检测试剂盒在多种亮度下生成的掩膜图像数据;将目标区域数据分别与多个掩膜图像数据叠加,得到多个候选图像数据;从多个候选图像数据中选择阴影最少的一个候选图像数据,作为目标图像数据;依据目标图像数据中抗原检测试剂盒的结果校验订购药品的合法性。本实施例使用多个掩膜图像数据叠加生成多个候选图像数,从中选择阴影最少的作为目标图像数据,多亮度的掩膜图像数据可以贴合不同环境下生成的原始图像数据,在保持内容不变的情况下,可以寻找到合适的亮度提升,完成自适应补亮,从而有效消除或减缓了阴影,保证识别抗原检测试剂盒的结果的精确度,保证用户正常订购药品。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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是根据本发明实施例一提供的一种药品的订购校验方法的流程图;
图2A是根据本发明实施例一提供的一种原始图像数据的示例图;
图2B是根据本发明实施例一提供的一种掩膜图像数据的示例图;
图2C是根据本发明实施例一提供的一种目标图像数据的示例图;
图3是根据本发明实施例二提供的一种药品的订购校验装置的结构示意图;
图4是根据本发明实施例三提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种药品的订购校验方法的流程图,该方法可以由药品的订购校验装置来执行,该药品的订购校验装置可以采用硬件和/或软件的形式实现,该药品的订购校验装置可配置于电子设备中。如图1所示,该方法包括:
步骤101、接收客户端在订购药品时上传的、内容为订购药品所依赖的抗原检测试剂盒的原始图像数据。
在本实施例中,客户端登录电商平台,开启网上问诊的会话,以订购某款药品,此时,客户端调用摄像头向订购该药品所依赖的抗原检测试剂盒采集原始图像数据,并将原始图像数据上传至该会话中。
抗原检测试剂盒包含两大部分,第一部分是中间的试剂检测部件,第二部分是固定试剂检测部件的卡壳,卡壳分为上盖和下盖。上盖和下盖通过支柱和支柱孔过盈配合,把试剂检测部件紧紧固定。
进一步地,试剂检测部件包括玻纤、加样区、片材、乳胶/金标记区、Nc膜(硝酸纤维素膜)、反应区、检测线(T)、质控线(C)、吸水滤纸等结构。
一般情况下,如图2A所示,用户是将摄像头面向抗原检测试剂盒的上盖拍摄,此时,原始图像数据的主要内容为抗原检测试剂盒的正面,包含加样区、反应区、检测线、质控线等内容。
步骤102、在原始图像数据中检测抗原检测试剂盒在摆正时所处的区域,作为原始区域数据。
在本实施例中,可以预先构建并训练基于深度学习的目标检测网络,针对原始图像数据,将抗原检测试剂盒设置为检测的目标,将原始图像数据输入目标检测网络中执行目标检测操作,从而获得检测结果,在每个检测结果中,既可以包含原始图像数据中是否存在抗原检测试剂盒的标识,也可以包含抗原检测试剂盒在摆正时、在原始图像数据中所处的区域,记为原始区域数据。
因此,原始区域数据具有方向性,可以记录抗原检测试剂盒在摆正时的方向,实现初步的位置校正。
其中,摆正的方向可以在训练目标检测网络时定义,如图2A所示,抗原检测试剂盒在摆正时,二维码朝上。
进一步而言,目标检测网络的结构不局限于人工设计的神经网络,也可以通过模型量化方法优化的神经网络,还可以通过NAS(Neural Architecture Search,神经网络结构搜索)方法搜索的神经网络,等等,本实施例对此不加以限制。
在具体实现中,目标检测网络可以划分为one-stage(一阶段)与two-stage(双阶段)。
two-stage属于段到段,指的是目标检测操作分两步完成,第一步是,使用各种卷积神经网络作为目标检测网络的Backbone(主干),对原始图像数据提取特征,根据特征进行粗分类(区分前景和后景)和粗定位(anchor),获取候选区域,第二步是,在目标检测网络的分类网络中对候选区域进行分类(即抗原检测试剂盒)。
示例性地,two-stage的目标检测操作可以包括R-CNN(Region-CNN,基于区域的卷积神经网络),Fast R-CNN(快速区域卷积神经网络),Faster R-CNN(更快速区域卷积神经网络),R-FCN(Region-based fully convolutional network,基于区域的全卷积网络),等等。
one-stage属于端到端,指的是目标检测操作一步完成,并不单独寻找候选区域,将原始图像数据输入至一个整体性的网络,生成的检测结果中同时包含抗原检测试剂盒的位置。
示例性地,one-stage的目标检测操作可以包括SSD(Single Shot MultiboxDetector,单步多框检测),YOLO(You Only Look Once,统一的实时目标检测),等等。
一般而言,two-stage的检测精度较高但检测速度稍微,one-stage的检测速度快但精度稍逊,本领域技术人员可以根据检测的实时性、精确度要求等因素选择one-stage或two-stage,本实施例对此不加以限制。
步骤103、对原始区域数据执行规范化操作,得到目标区域数据。
在本实施例中,掩膜图像数据具有固定的格式,为便于后续与多个掩膜图像数据叠加,可以对原始区域数据执行规范化操作,得到与候选图像数据格式一致的目标区域数据。
在具体实现中,如图2A所示,考虑到抗原检测试剂盒会标注有二维码,二维码中记录有生产抗原检测试剂盒的厂商的标识信息(如品牌、型号等),可以预先针对该厂商生产的抗原检测试剂盒制作掩膜图像数据,并记录该掩膜图像数据的尺寸与标识信息之间的映射关系。
因此,可以在原始区域数据中检测二维码。
如果检测到二维码,则可以使用QR Code、Data Matrix、Code One等算法对二维码执行解码操作,得到生产抗原检测试剂盒的厂商的标识信息。
在预设的映射关系中查询标识信息映射的尺寸,从而按照标识信息将原始数据格式化(如缩小、放大等)至指定的尺寸(如宽度与高度为80*230),得到目标区域数据,实现个性化的规范化操作。
如果未检测到二维码,则可以将原始数据格式化(如缩小、放大等)至默认的尺寸(如宽度与高度为80*230),得到目标区域数据,实现通用化的规范化操作。
步骤104、确定对抗原检测试剂盒在多种亮度下生成的掩膜图像数据。
在实际应用中,用户在不同的环境中采集原始图像数据,环境中的光线各不相同,因而原始图像数据中的阴影多样化,使得目标区域数据的阴影多样化。
在本实施例中,针对原始图像数据中可能存在的多种阴影的情况,如图2B所示,可以针对同一类型的抗原检测试剂盒,预先在多种亮度下生成不同的掩膜图像数据。
其中,掩膜图像数据是作为抗原检测试剂盒的掩膜mask的作用,因此,掩膜图像数据的内容在维持对抗原检测试剂盒的基本要素的情况下,可以忽略抗原检测试剂盒中的部分要素,对抗原检测试剂盒实现简化。
此外,生成掩膜图像数据的多种亮度可以覆盖目标区域数据中可能存在的多种阴影,所谓覆盖,是指针对目标区域数据中不确定的阴影,可以选择其中一种亮度,将该亮度下生成的掩膜图像数据与存在目标区域数据叠加,可以消除或缓解目标区域数据中的阴影,将目标区域数据补亮至合适的亮度,避免曝光。
在多种亮度下的掩膜图像数据通常是离线生成的,以抗原检测试剂盒的标识信息作为索引存储在数据库中,在对当前原始图像数据进行补亮时,可以依据抗原检测试剂盒的标识信息在数据库中读取相应的、在多种亮度下生成的掩膜图像数据。
一般情况下,为了保证掩膜图像数据的质量,可以由技术人员在多种亮度的环境中对指定类型的抗原检测试剂盒采集图像数据,并对该图像数据进行多种后处理(如抠出抗原检测试剂盒的像素点,在检测线与质控线上保留透明,滤除上盖印刷的信息,等等),在核对图像数据的质量满足要求之后,将其标记为掩膜图像数据。
此外,制作掩膜图像数据的工作量较大,因此,可以通过重构的方式快速生成掩膜图像数据,以降低工作量。
具体而言,可以获取在指定亮度下对抗原检测试剂盒采集的图像数据,记为样本图像数据。
从内存中加载已预训练并微调(fine-tuning)的生成对抗网络(GenerativeAdversarial Networks,GAN),使生成对抗网络运行。
其中,GAN是一种通过两个神经网络相互博弈的方式进行学习的生成模型。GAN能够在不使用标注数据的情况下来进行生成任务的学习。GAN由一个生成器和一个判别器组成。生成器从潜在空间随机取样作为输入,其输出结果需要尽量模仿训练集中的真实样本。判别器的输入则为真实样本或生成器的输出,其目的是将生成器的输出从真实样本中尽可能分别出来。生成器和判别器相互对抗、不断学习,最终目的使得判别器无法判断生成器的输出结果是否真实。
将样本图像数据输入生成对抗网络中,以在至少忽略抗原检测试剂盒的检测线与质控线的条件下、重构在多种亮度下的掩膜图像数据。
其中,如图2B所示,忽略抗原检测试剂盒的检测线与质控线,可以指并不调整检测线与质控线的亮度,以保证当前抗原检测试剂盒的结果的真实性。
除了抗原检测试剂盒的检测线与质控线之外,还可以忽略上盖印刷的信息(如二维码、病毒、C(检测线)、T(质控线)、S(加样区))等,抗原检测试剂盒的加样区、反应区,等等,本实施例对此不加以限制。
步骤105、将目标区域数据分别与多个掩膜图像数据叠加,得到多个候选图像数据。
在本实施例中,可以依次遍历多个掩膜图像数据,可以使用像素点加权相加或相乘等方式将目标区域数据与该掩膜图像数据叠加,得到候选图像数据,由于目标区域数据与掩膜图像数据之间的部分内容相同,而在亮度上存在差异,因此,叠加之后的候选图像数据的内容与目标区域数据的内容相同,并不会发生变化,但亮度发生变化。
在如图2A所示的原始图像数据中生成目标区域数据,将该目标区域数据与如图2B所示的掩膜图像数据叠加,得到如图2C所示的候选图像数据,此时,候选图像数据的内容相对于目标区域数据的内容并未发生实质性的变化,而候选图像数据的整体亮度有所提升,消除或减缓了部分阴影。
在本发明的一个实施例中,步骤105可以包括如下步骤:
步骤1051、将目标区域数据分别与多个掩膜图像数据进行对齐。
在使用目标检测网络检测抗原检测试剂盒在摆正时所处的原始区域数据时,原始区域数据已经摆正,因而目标区域数据已经摆正,实现粗对齐。
受限于到原始图像数据的质量、目标检测网络的精确度等因素,目标区域数据与多个掩膜图像数据之间可能仍然存在细微的偏差,因此,可以再次依据抗原检测试剂盒的特性,对目标区域数据进行微调,将目标区域数据分别与多个掩膜图像数据进行精对齐,保证目标区域数据分别与多个掩膜图像数据叠加后候选图像数据的质量,减少候选图像数据出现重影的现象。
在具体实现中,在目标区域数据中检测表示检测线的第一子区域数据与表示质控线的第二子区域数据。
一般情况下,目标检测网络属于多目标检测网络,可以同时输出多个目标,除了抗原检测试剂盒在摆正时所处的原始区域数据之外,还可以输出表示检测线的第一子区域数据与表示质控线的第二子区域数据。
进一步地,由于各种类型的抗原检测试剂盒已约定检测线与质控线的位置,因此,表示检测线的第一子区域数据与表示质控线的第二子区域数据属于先验知识,无论抗原检测试剂盒是否显示出检测线与质控线,目标检测网络均可输出表示检测线的第一子区域数据与表示质控线的第二子区域数据。
进一步地,可以在目标区域数据中定位位于预设的高度范围(如2/5~3/5)的候选区间数据。
在候选区域数据中执行腐蚀操作,以从候选区域数据边界中去除像素来精细地缩小候选区域数据中的对象,增强第一子区域数据与第二子区域数据。
遍历多个掩膜图像数据,分别在各个掩膜图像数据中查询为检测线设置的第一透明掩膜、为质控线设置的第二透明掩膜,其中,第一透明掩膜与第二透明掩膜均为透明的掩膜mask,任一像素点叠加透明的掩膜mask之后,仍保持该像素点本身。
从目标区域数据直接覆盖在掩膜图像数据之上开始,不断调整目标区域数据的位置。
在调整目标区域数据的位置的过程中,计算第一子区域数据与第一透明掩膜之间的第一重叠程度,以及,计算第二子区域数据与第二透明掩膜之间的第二重叠程度。
其中,第一重叠程度与第二重叠程度可以以IoU(Intersection over Union,交并比)等形式表示。
通过线性(如加权求和)或非线性的方式,将第一重叠程度与第二重叠程度融合为第三重叠程度,并将第三重叠程度与预设的重叠阈值进行比较。
若第三重叠程度大于预设的重叠阈值,表示目标区域数据与候选图像数据在检测线与质控线上整体重叠的程度较高,则可以确定目标区域数据与候选图像数据完成对齐。
在本实施例中,将目标区域数据与候选图像数据在检测线与质控线上重叠程度作为对齐的标准,尽可能减少目标区域数据与候选图像数据叠加时对检测线与质控线的影响,保证识别抗原检测试剂盒的结果的精确度。
步骤1052、若完成对齐,则将目标区域数据分别与多个掩膜图像数据逐像素点相乘,得到多个候选图像数据。
在目标区域数据与掩膜图像数据对齐时,可以将目标区域数据与掩膜图像数据逐像素点相乘,得到候选图像数据。
其中,在目标区域数据中存在表示检测线的第一子区域数据与表示质控线的第二子区域数据,在各个掩膜图像数据中存在为检测线设置的第一透明掩膜、为质控线设置的第二透明掩膜,因此,在目标区域数据分别与多个掩膜图像数据逐像素点相乘时,是表示检测线的第一子区域数据与第一透明掩膜逐像素点相乘,表示质控线的第二子区域数据与第二透明掩膜逐像素点相乘,使得表示检测线的第一子区域数据与表示质控线的第二子区域数据的像素点不变。
步骤1053、若候选图像数据中的像素点的颜色分量大于预设的上限值,则将候选图像数据中的像素点的颜色分量设置为上限值。
将候选图像数据中的各个像素点的颜色分量与预设的上限值(255)进行比较,如果候选图像数据中的像素点的颜色分量大于预设的上限值(255),则可以将候选图像数据中的像素点的颜色分量设置为上限值(255)。
步骤106、从多个候选图像数据中选择阴影最少的一个候选图像数据,作为目标图像数据。
在本实施例中,可以对多个候选图像数据进行比较,从多个候选图像数据中选择阴影最少的一个候选图像数据,作为目标图像数据,以最大化消除阴影。
在具体实现中,获取预先对抗原检测试剂盒采集的、无阴影的标准图像数据。
分别计算多个候选图像数据的各个色彩分量与标准图像数据的色彩分量之间的欧式距离。
其中,欧式距离可以表示为:
其中,D为欧式距离,xi为候选图像数据中第i维度的色彩分量,x'i为标准图像数据中第i维度的色彩分量,n为色彩分量的维度数量,i∈n,n=3,表示红(R)、绿(G)、蓝(B)。
将各个欧式距离进行比较,确定欧式距离最小的候选图像数据中的阴影最少,作为目标图像数据。
步骤107、依据目标图像数据中抗原检测试剂盒的结果校验订购药品的合法性。
在实际应用中,可以使用深度学习或机器学习等方式在目标图像数据中抗原检测试剂盒的结果,从而依据抗原检测试剂盒的结果初步校验订购药品的合法性。
例如,对于目标检测网络,可以将检测线与质控线抽象为红线,将红线设置为目标,将目标图像数据输入目标检测网络中检测红线,如果同时存在两条红线,则表示抗原检测试剂盒的结果为阳性,如果存在一条红线或无红线,则表示抗原检测试剂盒的结果为阴性或无效。
又例如,对于分类网络,可以将检测线与质控线同时存在划分为一个类别(阳性),将检测线与质控线中任一者单独存在、及检测线与质控线并不存在划分为一个类别(阴性或无效),将目标图像数据输入分类网络中进行分类,得到抗原检测试剂盒的结果。
如果抗原检测试剂盒的结果为阳性,则可以初始校验订购药品的合法性为合法,此时,可以将目标图像数据及初步的合法性(合法)交由人工进行复核。
如果抗原检测试剂盒的结果为阴性或无效,则可以初始校验订购药品的合法性为非法,此时,可以将原始图像数据及初步的合法性(非法)反馈给客户端,客户端可以重新上传其他原始图像数据、申请人工复核或取消订购。
在本实施例中,接收客户端在订购药品时上传的、内容为订购药品所依赖的抗原检测试剂盒的原始图像数据;在原始图像数据中检测抗原检测试剂盒在摆正时所处的区域,作为原始区域数据;对原始区域数据执行规范化操作,得到目标区域数据;确定对抗原检测试剂盒在多种亮度下生成的掩膜图像数据;将目标区域数据分别与多个掩膜图像数据叠加,得到多个候选图像数据;从多个候选图像数据中选择阴影最少的一个候选图像数据,作为目标图像数据;依据目标图像数据中抗原检测试剂盒的结果校验订购药品的合法性。本实施例使用多个掩膜图像数据叠加生成多个候选图像数,从中选择阴影最少的作为目标图像数据,多亮度的掩膜图像数据可以贴合不同环境下生成的原始图像数据,在保持内容不变的情况下,可以寻找到合适的亮度提升,完成自适应补亮,从而有效消除或减缓了阴影,保证识别抗原检测试剂盒的结果的精确度,保证用户正常订购药品。
实施例二
图3为本发明实施例二提供的一种药品的订购校验装置的结构示意图。如图3所示,该装置包括:
原始图像数据接收模块301,用于接收客户端在订购药品时上传的、内容为订购所述药品所依赖的抗原检测试剂盒的原始图像数据;
原始区域数据检测模块302,用于在所述原始图像数据中检测所述抗原检测试剂盒在摆正时所处的区域,作为原始区域数据;
目标区域数据生成模块303,用于对所述原始区域数据执行规范化操作,得到目标区域数据;
掩膜图像数据确定模块304,用于确定对所述抗原检测试剂盒在多种亮度下生成的掩膜图像数据;
候选图像数据生成模块305,用于将所述目标区域数据分别与多个所述掩膜图像数据叠加,得到多个候选图像数据;
目标图像数据生成模块306,用于从多个所述候选图像数据中选择阴影最少的一个所述候选图像数据,作为目标图像数据;
合法性校验模块307,用于依据所述目标图像数据中所述抗原检测试剂盒的结果校验订购所述药品的合法性。
在本发明的一个实施例中,所述目标区域数据生成模块303包括:
二维码检测模块,用于在所述原始区域数据中检测二维码;
二维码解码模块,用于对所述二维码执行解码操作,得到生产所述抗原检测试剂盒的厂商的标识信息;
尺寸格式化模块,用于按照所述标识信息将所述原始数据格式化至指定的尺寸,得到目标区域数据。
在本发明的一个实施例中,所述掩膜图像数据确定模块304包括:
样本图像数据采集模块,用于获取在指定亮度下对所述抗原检测试剂盒采集的样本图像数据;
生成对抗网络加载模块,用于加载生成对抗网络;
掩膜图像数据重构模块,用于将所述样本图像数据输入所述生成对抗网络中,以在至少忽略所述抗原检测试剂盒的检测线与质控线的条件下、重构在多种亮度下的掩膜图像数据。
在本发明的一个实施例中,所述候选图像数据生成模块305包括:
图像数据对齐模块,用于将所述目标区域数据分别与多个所述掩膜图像数据进行对齐;
像素点相乘模块,用于若完成对齐,则将所述目标区域数据分别与多个所述候选图像数据逐像素点相乘,得到多个候选图像数据;
颜色分量调整模块,用于若所述候选图像数据中的像素点的颜色分量大于预设的上限值,则将所述候选图像数据中的像素点的颜色分量设置为所述上限值。
在本发明的一个实施例中,所述图像数据对齐模块包括:
子区域数据检测模块,用于在所述目标区域数据中检测表示检测线的第一子区域数据与表示质控线的第二子区域数据;
透明掩膜查询模块,用于在所述掩膜图像数据中查询为检测线设置的第一透明掩膜、为质控线设置的第二透明掩膜;
第一重叠程度计算模块,用于计算所述第一子区域数据与所述第一透明掩膜之间的第一重叠程度;
第二重叠程度计算模块,用于计算所述第二子区域数据与所述第二透明掩膜之间的第二重叠程度;
第三重叠程度融合模块,用于将所述第一重叠程度与所述第二重叠程度融合为第三重叠程度;
对齐确定模块,用于若所述第三重叠程度大于预设的重叠阈值,则确定所述目标区域数据与所述掩膜图像数据完成对齐。
在本发明的一个实施例中,所述图像数据对齐模块还包括:
候选区间数据定位模块,用于在所述目标区域数据中定位位于预设的高度范围的候选区间数据;
腐蚀操作执行模块,用于在所述候选区域数据中执行腐蚀操作,以增强所述第一子区域数据与所述第二子区域数据。
在本发明的一个实施例中,所述目标图像数据生成模块306包括:
标准图像数据获取模块,用于获取对所述抗原检测试剂盒采集的、无阴影的标准图像数据;
欧式距离计算模块,用于分别计算多个所述候选图像数据的各个色彩分量与所述标准图像数据的色彩分量之间的欧式距离;
欧式距离确定模块,用于确定所述欧式距离最小的所述候选图像数据中的阴影最少,作为目标图像数据。
本发明实施例所提供的药品的订购校验装置可执行本发明任意实施例所提供的药品的订购校验方法,具备执行药品的订购校验方法相应的功能模块和有益效果。
实施例三
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,如药品的订购校验方法。
在一些实施例中,药品的订购校验方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的药品的订购校验方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行药品的订购校验方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
实施例四
本发明实施例还提供了一种计算机程序产品,该计算机程序产品包括计算机程序,该计算机程序在被处理器执行时实现如本发明任一实施例所提供的药品的订购校验方法。
计算机程序产品在实现的过程中,可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (8)
1.一种药品的订购校验方法,其特征在于,包括:
接收客户端在订购药品时上传的、内容为订购所述药品所依赖的抗原检测试剂盒的原始图像数据;
在所述原始图像数据中检测所述抗原检测试剂盒在摆正时所处的区域,作为原始区域数据;
对所述原始区域数据执行规范化操作,得到目标区域数据;
确定对所述抗原检测试剂盒在多种亮度下生成的掩膜图像数据;
将所述目标区域数据分别与多个所述掩膜图像数据叠加,得到多个候选图像数据;
从多个所述候选图像数据中选择阴影最少的一个所述候选图像数据,作为目标图像数据;
依据所述目标图像数据中所述抗原检测试剂盒的结果校验订购所述药品的合法性;
其中,所述将所述目标区域数据分别与多个所述掩膜图像数据叠加,得到多个候选图像数据,包括:
将所述目标区域数据分别与多个所述掩膜图像数据进行对齐;
若完成对齐,则将所述目标区域数据分别与多个所述候选图像数据逐像素点相乘,得到多个候选图像数据;
若所述候选图像数据中的像素点的颜色分量大于预设的上限值,则将所述候选图像数据中的像素点的颜色分量设置为所述上限值;
所述将所述目标区域数据分别与多个所述掩膜图像数据进行对齐,包括:
在所述目标区域数据中检测表示检测线的第一子区域数据与表示质控线的第二子区域数据;
在所述掩膜图像数据中查询为检测线设置的第一透明掩膜、为质控线设置的第二透明掩膜;
计算所述第一子区域数据与所述第一透明掩膜之间的第一重叠程度;
计算所述第二子区域数据与所述第二透明掩膜之间的第二重叠程度;
将所述第一重叠程度与所述第二重叠程度融合为第三重叠程度;
若所述第三重叠程度大于预设的重叠阈值,则确定所述目标区域数据与所述掩膜图像数据完成对齐。
2.根据权利要求1所述的方法,其特征在于,所述对所述原始区域数据执行规范化操作,得到目标区域数据,包括:
在所述原始区域数据中检测二维码;
对所述二维码执行解码操作,得到生产所述抗原检测试剂盒的厂商的标识信息;
按照所述标识信息将原始数据格式化至指定的尺寸,得到目标区域数据。
3.根据权利要求1所述的方法,其特征在于,所述确定对所述抗原检测试剂盒在多种亮度下生成的掩膜图像数据,包括:
获取在指定亮度下对所述抗原检测试剂盒采集的样本图像数据;
加载生成对抗网络;
将所述样本图像数据输入所述生成对抗网络中,以在至少忽略所述抗原检测试剂盒的检测线与质控线的条件下、重构在多种亮度下的掩膜图像数据。
4.根据权利要求1所述的方法,其特征在于,所述将所述目标区域数据分别与多个所述候选图像数据进行对齐,还包括:
在所述目标区域数据中定位位于预设的高度范围的候选区间数据;
在候选区域数据中执行腐蚀操作,以增强所述第一子区域数据与所述第二子区域数据。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述从多个所述候选图像数据中选择阴影最少的一个所述候选图像数据,作为目标图像数据,包括:
获取对所述抗原检测试剂盒采集的、无阴影的标准图像数据;
分别计算多个所述候选图像数据的各个色彩分量与所述标准图像数据的色彩分量之间的欧式距离;
确定所述欧式距离最小的所述候选图像数据中的阴影最少,作为目标图像数据。
6.一种药品的订购校验装置,其特征在于,包括:
原始图像数据接收模块,用于接收客户端在订购药品时上传的、内容为订购所述药品所依赖的抗原检测试剂盒的原始图像数据;
原始区域数据检测模块,用于在所述原始图像数据中检测所述抗原检测试剂盒在摆正时所处的区域,作为原始区域数据;
目标区域数据生成模块,用于对所述原始区域数据执行规范化操作,得到目标区域数据;
掩膜图像数据确定模块,用于确定对所述抗原检测试剂盒在多种亮度下生成的掩膜图像数据;
候选图像数据生成模块,用于将所述目标区域数据分别与多个所述掩膜图像数据叠加,得到多个候选图像数据;
目标图像数据生成模块,用于从多个所述候选图像数据中选择阴影最少的一个所述候选图像数据,作为目标图像数据;
合法性校验模块,用于依据所述目标图像数据中所述抗原检测试剂盒的结果校验订购所述药品的合法性;
其中,所述候选图像数据生成模块包括:
图像数据对齐模块,用于将所述目标区域数据分别与多个所述掩膜图像数据进行对齐;
像素点相乘模块,用于若完成对齐,则将所述目标区域数据分别与多个所述候选图像数据逐像素点相乘,得到多个候选图像数据;
颜色分量调整模块,用于若所述候选图像数据中的像素点的颜色分量大于预设的上限值,则将所述候选图像数据中的像素点的颜色分量设置为所述上限值;
所述图像数据对齐模块包括:
子区域数据检测模块,用于在所述目标区域数据中检测表示检测线的第一子区域数据与表示质控线的第二子区域数据;
透明掩膜查询模块,用于在所述掩膜图像数据中查询为检测线设置的第一透明掩膜、为质控线设置的第二透明掩膜;
第一重叠程度计算模块,用于计算所述第一子区域数据与所述第一透明掩膜之间的第一重叠程度;
第二重叠程度计算模块,用于计算所述第二子区域数据与所述第二透明掩膜之间的第二重叠程度;
第三重叠程度融合模块,用于将所述第一重叠程度与所述第二重叠程度融合为第三重叠程度;
对齐确定模块,用于若所述第三重叠程度大于预设的重叠阈值,则确定所述目标区域数据与所述掩膜图像数据完成对齐。
7.一种电子设备,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权利要求1-5中任一项所述的药品的订购校验方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序用于使处理器执行时实现权利要求1-5中任一项所述的药品的订购校验方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311573409.8A CN117575735B (zh) | 2023-11-23 | 2023-11-23 | 一种药品的订购校验方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311573409.8A CN117575735B (zh) | 2023-11-23 | 2023-11-23 | 一种药品的订购校验方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117575735A CN117575735A (zh) | 2024-02-20 |
CN117575735B true CN117575735B (zh) | 2024-05-14 |
Family
ID=89885852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311573409.8A Active CN117575735B (zh) | 2023-11-23 | 2023-11-23 | 一种药品的订购校验方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117575735B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115578486A (zh) * | 2022-10-19 | 2023-01-06 | 北京百度网讯科技有限公司 | 图像生成方法、装置、电子设备和存储介质 |
CN115661302A (zh) * | 2022-09-27 | 2023-01-31 | 安徽尚趣玩网络科技有限公司 | 一种视频编辑方法、装置、设备及存储介质 |
CN117036457A (zh) * | 2023-08-17 | 2023-11-10 | 广东电网有限责任公司 | 一种屋顶面积的测量方法、装置、设备及存储介质 |
-
2023
- 2023-11-23 CN CN202311573409.8A patent/CN117575735B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115661302A (zh) * | 2022-09-27 | 2023-01-31 | 安徽尚趣玩网络科技有限公司 | 一种视频编辑方法、装置、设备及存储介质 |
CN115578486A (zh) * | 2022-10-19 | 2023-01-06 | 北京百度网讯科技有限公司 | 图像生成方法、装置、电子设备和存储介质 |
CN117036457A (zh) * | 2023-08-17 | 2023-11-10 | 广东电网有限责任公司 | 一种屋顶面积的测量方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117575735A (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111986178B (zh) | 产品缺陷检测方法、装置、电子设备和存储介质 | |
CN110569878B (zh) | 一种基于卷积神经网络的照片背景相似度聚类方法及计算机 | |
US20200019760A1 (en) | Three-dimensional living-body face detection method, face authentication recognition method, and apparatuses | |
CN111667520B (zh) | 红外图像和可见光图像的配准方法、装置及可读存储介质 | |
CN110348441B (zh) | 增值税发票识别方法、装置、计算机设备及存储介质 | |
TWI766201B (zh) | 活體檢測方法、裝置以及儲存介質 | |
CN110659646A (zh) | 一种多任务证件图像自动处理方法、装置、设备及可读存储介质 | |
CN106462572A (zh) | 用于分布式光学字符识别和分布式机器语言翻译的技术 | |
CN108229418B (zh) | 人体关键点检测方法和装置、电子设备、存储介质和程序 | |
CN106415605A (zh) | 用于分布式光学字符识别和分布式机器语言翻译的技术 | |
CN109949227A (zh) | 图像拼接方法、系统及电子设备 | |
CN112464925A (zh) | 基于机器学习的移动端开户资料银行信息自动提取方法 | |
CN115797736B (zh) | 目标检测模型的训练和目标检测方法、装置、设备和介质 | |
Saar et al. | Browserbite: cross‐browser testing via image processing | |
KR20180092455A (ko) | 딥 러닝을 이용한 카드번호 인식방법 | |
CN112102201A (zh) | 图像阴影反光消除方法、装置、计算机设备及存储介质 | |
Xia et al. | An efficient and robust target detection algorithm for identifying minor defects of printed circuit board based on PHFE and FL-RFCN | |
CN114445841A (zh) | 纳税申报表识别方法和装置 | |
CN113191204A (zh) | 一种多尺度遮挡行人检测方法及系统 | |
WO2024164979A1 (zh) | 物品识别方法、装置、存储介质及电子设备 | |
CN117876608A (zh) | 三维图像重建方法、装置、计算机设备及存储介质 | |
CN117575735B (zh) | 一种药品的订购校验方法、装置、设备及存储介质 | |
CN112966687A (zh) | 图像分割模型训练方法、装置及通信设备 | |
CN115273184B (zh) | 人脸活体检测模型训练方法及装置 | |
CN111127327B (zh) | 一种图片倾斜检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |