TW202242902A - 醫療廢棄物分類系統及方法 - Google Patents
醫療廢棄物分類系統及方法 Download PDFInfo
- Publication number
- TW202242902A TW202242902A TW110114584A TW110114584A TW202242902A TW 202242902 A TW202242902 A TW 202242902A TW 110114584 A TW110114584 A TW 110114584A TW 110114584 A TW110114584 A TW 110114584A TW 202242902 A TW202242902 A TW 202242902A
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- classification
- recognized
- information
- standard
- Prior art date
Links
Images
Landscapes
- External Artificial Organs (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一種醫療廢棄物分類系統及方法。多個標準分類標誌影像以及多個分類資訊係事先儲存。每一個標準分類標誌影像對應一個分類資訊。第一深度神經網路模型係基於多個標準分類標誌影像以及多個分類資訊訓練以建立。正規影像辨識單元先行判斷關於醫療廢棄物之分類標示之待辨識影像是否匹配多個標準分類標誌影像中之一個標準分類標誌影像。若判斷結果為否定者,深度神經網路辨識單元將待辨識影像輸入基於第一深度神經網路模型之第二深度神經網路模型,進而選擇性地決定關聯待辨識影像之分類資訊。
Description
本發明關於一種醫療廢棄物分類系統及方法,並且特別是關於一種結合正規影像辨識技術與深度神經網路模型(deep neural network model),進一步還結合專家系統辨識技術之醫療廢棄物分類系統及方法。
現今醫療法規對於醫療廢棄物的分類,已規定四類:已有:1.基因毒性廢棄物、2.毒性事業廢棄物、3.溶出毒性事業廢棄物以及4.生物醫療廢棄物。不同類的醫療廢棄物不可以混再一起,否則會造成環境汙染或感染等難以彌補的嚴重問題。
目前各級醫療院所在處理各種醫療廢棄物時,大多仍採用人工方式進行分類,再行丟入對應不同分類的垃圾桶。處理人員必須憑藉自我的判斷與經驗來決定手上的廢棄物應該丟到哪一個垃圾桶。以往醫療廢棄物的分類常耗費大量人力、物力來處理。但是,最大的問題是,只要稍有不慎丟錯了垃圾桶,其所造成的汙染或嚴重問題可能難以彌補。並且,醫療廢棄物除了包含已感染病菌的器械、耗材外,還包含破碎的玻璃瓶、斷裂的金屬器械等危險廢棄物。若處理人員再處理醫療廢棄物上花費過長的時間,容易對處理人員身體造成危害。
隨著醫療法規的推行,規定廠商在產品出廠前即須標示好各級醫療廢棄物分類環保標誌。該標誌可位於包裝袋、瓶身、器械上或任一明顯可供人眼辨識的位置。這些醫療廢棄物分類標誌也具有容易以影像處理技術來辨識的特徵,這些特徵於下文中會詳細描述。原則上以影像辨識技術對醫療廢棄物上的分類標製做辨識,分類處理會快速,也不容易分類錯誤。
然而,實際上醫療廢棄物上的分類標誌大多發生扭曲、變形、模糊、汙染等難以預期的情形。所以,以單一影像辨識技術難以處理醫療廢棄物上的分類標誌的辨識問題。
因此,本發明所欲解決之一技術問題在於提供一種以多重影像辨識技術來辨識醫療廢棄物上情況複雜的分類標誌之醫療廢棄物分類系統及方法。根據本發明之醫療廢棄物分類系統及方法結合正規影像辨識技術與深度神經網路模型,進一步還結合專家系統辨識技術來處理醫療廢棄物上情況複雜的分類標誌難以辨識的問題。
根據本發明之一較佳具體實施例之醫療廢棄物分類系統包含影像擷取單元、資料儲存單元、正規影像辨識單元以及深度神經網路辨識單元。影像擷取單元用以擷取關於醫療廢棄物之分類標示之原始影像。資料儲存單元其內儲存多個標準分類標誌影像以及多個分類資訊。每一個標準分類標誌影像對應一個分類資訊。正規影像辨識單元係分別耦合至影像擷取單元以及資料儲存單元。正規影像辨識單元決定每一個標準分類標誌影像之多個第一關鍵點,並且根據每一個標準分類標誌影像之該多個第一關鍵點計算每一個標準分類標誌影像之多個第一特徵值。正規影像辨識單元決定原始影像之多個第二關鍵點,並且根據原始影像之多個第二關鍵點計算原始影像之多個第二特徵值。正規影像辨識單元根據每一個標準分類標誌影像之多個第一特徵值以及原始影像之多個第二特徵值選擇性地縮放及旋轉原始影像成待辨識影像。正規影像辨識單元決定待辨識影像之多個第三關鍵點,並且根據待辨識影像之多個第三關鍵點計算待辨識影像之多個第三特徵值。正規影像辨識單元根據待辨識影像之多個第三特徵值以及每一個標準分類標誌影像之多個第一特徵值判斷待辨識影像是否匹配該多個標準分類標誌影像中之一個標準分類標誌影像。若正規影像辨識單元的判斷結果為肯定者,正規影像辨識單元則決定對應匹配待辨識影像之標準分類標誌影像之分類資訊關聯待辨識影像。若正規影像辨識單元的判斷結果為否定者,正規影像辨識單元則根據待辨識影像之多個第三特徵值以及每一個標準分類標誌影像之多個第一特徵值決定關於待辨識影像之變形資訊。深度神經網路辨識單元係分別耦合至正規影像辨識單元以及資料儲存單元。第一深度神經網路模型係基於多個標準分類標誌影像以及多個分類資訊訓練以建立。第一深度神經網路模型包含至少兩個序列的卷積層(convolution layer)以及偶合至該至少兩個卷積層中最後一個卷積層之至少兩個全連接層(fully connected layer)。若正規影像辨識單元判斷待辨識影像未匹配多個標準分類標誌影像,深度神經網路辨識單元則根據變形資訊將待辨識影像輸入第二深度神經網路模型以獲得多個分類投票值。每一個分類投票值對應一個分類資訊。第二深度神經網路模型係基於該第一深度神經網路模型並還包含至少一中間層,每一個中間層係穿插於至少兩個卷積層中之兩接續卷積層之間。至少一中間層可以包含反卷積層(deconvolution layer)、空洞卷積層(dilated convolution layer)、激活層(activation layer)、池化層(pooling layer),等。深度神經網路辨識單元根據門檻值以及多個分類投票值選擇性地決定多個分類資訊中之一個分類資訊關聯待辨識影像。
於一具體實施例中,變形資訊可以包含縮小資訊、膨脹資訊、扭曲資訊、偏移資訊,等。縮小資訊對應反卷積層。膨脹資訊對應空洞卷積層。扭曲資訊對應激活層。偏移資訊對應池化層。
進一步,根據本發明之醫療廢棄物分類系統還包含專家系統辨識單元。專家系統辨識單元係分別耦合至資料儲存單元以及深度神經網路辨識單元。資料儲存單元其內還儲存多個變形分類標誌影像。每一個變形分類標誌影像對應一個分類資訊。若深度神經網路辨識單元未決定多個分類資訊中之一個分類資訊關聯待辨識影像,專家系統辨識單元則決定每一個變形分類標誌影像之多個第四關鍵點,並且根據每一個標準變形標示影像之多個第四關鍵點計算每一個變形分類標誌影像之多個第四特徵值。專家系統辨識單元根據該待辨識影像之該多個第三特徵值以及每一個變形分類標誌影像之多個第四特徵值判斷待辨識影像是否匹配多個變形分類標誌影像中之一個變形分類標誌影像。若專家系統辨識單元的判斷結果為肯定者,專家系統辨識單元則決定對應匹配待辨識影像之變形分類標誌影像之分類資訊關聯待辨識影像。
進一步,根據本發明之醫療廢棄物分類系統還包含分類資訊設定單元。分類資訊設定單元係耦合至專家系統辨識單元。分類資訊設定單元提供至少一使用者圖形供使用者經由專家系統辨識單元選定多個分類資訊中之一個分類資訊關聯待辨識影像,並且將待辨識影像加入儲存於資料儲存單元內之多個變形分類標誌影像中。
根據本發明之一佳具體實施例之醫療廢棄物分類方法係運用事先儲存的多個標準分類標誌影像以及多個分類資訊。每一個標準分類標誌影像對應一個分類資訊。第一深度神經網路模型係基於多個標準分類標誌影像以及多個分類資訊訓練以建立。第一深度神經網路模型包含至少兩個序列的卷積層以及偶合至該至少兩個卷積層中最後一個卷積層之至少兩個全連接層。根據本發明之醫療廢棄物分類方法,首先,係擷取關於醫療廢棄物之分類標示之原始影像。接著,根據本發明之醫療廢棄物分類方法係決定每一個標準分類標誌影像之多個第一關鍵點,並且根據每一個標準分類標誌影像之多個第一關鍵點計算每一個標準分類標誌影像之多個第一特徵值。接著,根據本發明之醫療廢棄物分類方法係決定原始影像之多個第二關鍵點,並且根據原始影像之多個第二關鍵點計算原始影像之多個第二特徵值。接著,根據本發明之醫療廢棄物分類方法係根據每一個標準分類標誌影像之多個第一特徵值以及原始影像之多個第二特徵值,選擇性地縮放及旋轉該原始影像成待辨識影像。接著,根據本發明之醫療廢棄物分類方法係決定待辨識影像之多個第三關鍵點,並且根據待辨識影像之多個第三關鍵點計算待辨識影像之多個第三特徵值。接著,根據本發明之醫療廢棄物分類方法係根據待辨識影像之多個第三特徵值以及每一個標準分類標誌影像之多個第一特徵值,判斷待辨識影像是否匹配多個標準分類標誌影像中之一個標準分類標誌影像。接著,若上述步驟的判斷結果為肯定者,根據本發明之醫療廢棄物分類方法係決定對應匹配待辨識影像之標準分類標誌影像之分類資訊關聯待辨識影像。接著,若上述步驟的判斷結果為否定者,根據本發明之醫療廢棄物分類方法則執行下列步驟:根據待辨識影像之多個第三特徵值以及每一個標準分類標誌影像之多個第一特徵值決定關於待辨識影像之變形資訊;根據變形資訊,將待辨識影像輸入第二深度神經網路模型以獲得多個分類投票值;根據門檻值以及多個分類投票值選擇性地決定多個分類資訊中之一個分類資訊關聯待辨識影像。每一個分類投票值對應一個分類資訊。第二深度神經網路模型係基於第一深度神經網路模型,並且還包含至少一中間層。每一個中間層係穿插於至少兩個卷積層中之兩接續卷積層之間。至少一中間層可以包含反卷積層、空洞卷積層、激活層、池化層,等。
與先前技術不同,根據本發明之醫療廢棄物分類系統及醫療廢棄物分類方法結合正規影像辨識技術與深度神經網路模型,進一步還結合專家系統辨識技術可以處理醫療廢棄物上情況複雜的分類標誌難以辨識的問題。
關於本發明之優點與精神可以藉由以下的發明詳述及所附圖式得到進一步的瞭解。
請參閱圖1,根據本發明之較佳具體實施例之醫療廢棄物分類系統1其架構係示意地繪示於圖1中。
如圖1所示,根據本發明之較佳具體實施例之醫療廢棄物分類系統1包含影像擷取單元10、資料儲存單元11、正規影像辨識單元12以及深度神經網路辨識單元13。
影像擷取單元10用以擷取關於醫療廢棄物之分類標示之原始影像。
資料儲存單元11其內儲存多個標準分類標誌影像以及多個分類資訊。每一個標準分類標誌影像對應一個分類資訊。請參閱圖2,四類的標準分類標誌影像範例係示於圖2。圖2所示的標準分類標誌影像皆具有菱形的邊框,圖形與文字的相對位置固定。原則上,醫療廢棄物上的分類標誌若沒發生扭曲、變形、模糊、汙染等難以預期的情形,醫療廢棄物上的分類標誌容易以影像辨識技術辨識。
正規影像辨識單元12係分別耦合至影像擷取單元以及資料儲存單元11。正規影像辨識單元12決定每一個標準分類標誌影像之多個第一關鍵點,並且根據每一個標準分類標誌影像之該多個第一關鍵點計算每一個標準分類標誌影像之多個第一特徵值。正規影像辨識單元12決定原始影像之多個第二關鍵點,並且根據原始影像之多個第二關鍵點計算原始影像之多個第二特徵值。正規影像辨識單元12根據每一個標準分類標誌影像之多個第一特徵值以及原始影像之多個第二特徵值選擇性地縮放及旋轉原始影像成待辨識影像。正規影像辨識單元12決定待辨識影像之多個第三關鍵點,並且根據待辨識影像之多個第三關鍵點計算待辨識影像之多個第三特徵值。正規影像辨識單元12根據待辨識影像之多個第三特徵值以及每一個標準分類標誌影像之多個第一特徵值判斷待辨識影像是否匹配該多個標準分類標誌影像中之一個標準分類標誌影像。
若正規影像辨識單元12的判斷結果為肯定者,正規影像辨識單元12則決定對應匹配待辨識影像之標準分類標誌影像之分類資訊關聯待辨識影像。藉此,只要醫療廢棄物上的分類標誌沒發生扭曲、變形、模糊、汙染等難以預期的情形,正規影像辨識單元12即可以決定對應匹配待辨識影像之標準分類標誌影像。
若正規影像辨識單元12的判斷結果為否定者,也就是說,醫療廢棄物上的分類標誌發生扭曲、變形、模糊、汙染等難以預期的情形,正規影像辨識單元12無法決定對應匹配待辨識影像之標準分類標誌影像。此時,正規影像辨識單元12則根據待辨識影像之多個第三特徵值以及每一個標準分類標誌影像之多個第一特徵值決定關於待辨識影像之變形資訊。
於實際應用中,利用待辨識影像之變形的菱形邊框的四個角可以計算出關於待辨識影像之變形資訊。請參閱圖3、圖4、圖5及圖6,該等圖示係示意地繪示變形的待辨識影像之範例。於一具體實施例中,變形資訊可以包含縮小資訊、膨脹資訊、扭曲資訊、偏移資訊,等。例如,圖3所示的待辨識影像為縮小的待辨識影像,所以,變形資訊包含縮小資訊。圖4所示的待辨識影像為膨脹的待辨識影像,所以,變形資訊包含膨脹資訊。圖5所示的待辨識影像為扭曲的待辨識影像,所以,變形資訊包含扭曲資訊。圖6所示的待辨識影像為偏移的待辨識影像,所以,變形資訊包含偏移資訊。
深度神經網路辨識單元13係分別耦合至正規影像辨識單元12以及資料儲存單元11。第一深度神經網路模型係基於多個標準分類標誌影像以及多個分類資訊訓練以建立。第一深度神經網路模型包含至少兩個序列的卷積層以及偶合至該至少兩個卷積層中最後一個卷積層之至少兩個全連接層。
若正規影像辨識單元12判斷待辨識影像未匹配多個標準分類標誌影像,深度神經網路辨識單元13則根據變形資訊將待辨識影像輸入第二深度神經網路模型以獲得多個分類投票值。每一個分類投票值對應一個分類資訊。
特別地,第二深度神經網路模型係基於第一深度神經網路模型並還包含至少一中間層,每一個中間層係穿插於至少兩個卷積層中之兩接續卷積層之間。至少一中間層可以包含反卷積層、空洞卷積層、激活層、池化層,等。深度神經網路辨識單元13根據門檻值以及多個分類投票值選擇性地決定多個分類資訊中之一個分類資訊關聯待辨識影像。
於一具體實施例中,縮小資訊對應反卷積層。膨脹資訊對應空洞卷積層。扭曲資訊對應激活層。偏移資訊對應池化層。
進一步,同樣如圖1所示,根據本發明之醫療廢棄物分類系統1還包含專家系統辨識單元14。專家系統辨識單元14係分別耦合至資料儲存單元11以及深度神經網路辨識單元13。資料儲存單元11其內還儲存多個變形分類標誌影像。每一個變形分類標誌影像對應一個分類資訊。請參閱圖7,多個變形分類標誌影像範例係示於圖7。
若深度神經網路辨識單元13未決定多個分類資訊中之一個分類資訊關聯待辨識影像,專家系統辨識單元14則決定每一個變形分類標誌影像之多個第四關鍵點,並且根據每一個標準變形標示影像之多個第四關鍵點計算每一個變形分類標誌影像之多個第四特徵值。專家系統辨識單元14根據該待辨識影像之該多個第三特徵值以及每一個變形分類標誌影像之多個第四特徵值判斷待辨識影像是否匹配多個變形分類標誌影像中之一個變形分類標誌影像。若專家系統辨識單元14的判斷結果為肯定者,專家系統辨識單元14則決定對應匹配待辨識影像之變形分類標誌影像之分類資訊關聯待辨識影像。
於實際應用中,根據本發明之醫療廢棄物分類系統1可以與控制多個垃圾桶的蓋子開啟、關閉的機電系統整合。根據本發明之醫療廢棄物分類系統1決定關聯待辨識影像之分類資訊後,即可傳輸分類資訊至機電系統,由機電系統根據分類資訊控制對應的垃圾桶的蓋子開啟。藉此,可以讓處理人員不用接觸垃圾桶,避免被感染。
進一步,同樣如圖1所示,根據本發明之醫療廢棄物分類系統1還包含分類資訊設定單元15。分類資訊設定單元15係耦合至專家系統辨識單元14。分類資訊設定單元15提供至少一使用者圖形供使用者經由專家系統辨識單元14選定多個分類資訊中之一個分類資訊關聯待辨識影像,並且將待辨識影像加入儲存於資料儲存單元11內之多個變形分類標誌影像中。藉此,若醫療廢棄物之分類標示的影像無法由正規影像辨識單元12、深度神經網路辨識單元13以及專家系統辨識單元14辨識,可以藉由人眼辨識其分類資訊,再將元無法辨識的影像儲存於資料儲存單元11內之多個變形分類標誌影像中,以提升專家系統辨識單元14的影像辨識能力。
請參閱圖8,圖8係繪示根據本發明之較佳具體實施例之醫療廢棄物分類方法2的流程圖。根據本發明之醫療廢棄物分類方法2的實施硬體架構及如圖1所示的醫療廢棄物分類系統1的架構。
根據本發明之佳具體實施例之醫療廢棄物分類方法2係運用事先儲存的多個標準分類標誌影像以及多個分類資訊。每一個標準分類標誌影像對應一個分類資訊。第一深度神經網路模型係基於多個標準分類標誌影像以及多個分類資訊訓練以建立。第一深度神經網路模型包含至少兩個序列的卷積層以及偶合至該至少兩個卷積層中最後一個卷積層之至少兩個全連接層。
如圖8所示,根據本發明之醫療廢棄物分類方法2,首先,係執行步驟S20,擷取關於醫療廢棄物之分類標示之原始影像。
接著,根據本發明之醫療廢棄物分類方法2係執行步驟S21,決定每一個標準分類標誌影像之多個第一關鍵點,並且根據每一個標準分類標誌影像之多個第一關鍵點計算每一個標準分類標誌影像之多個第一特徵值。
接著,根據本發明之醫療廢棄物分類方法2係執行步驟S22,決定原始影像之多個第二關鍵點,並且根據原始影像之多個第二關鍵點計算原始影像之多個第二特徵值。
接著,根據本發明之醫療廢棄物分類方法2係執行步驟S23,根據每一個標準分類標誌影像之多個第一特徵值以及原始影像之多個第二特徵值,選擇性地縮放及旋轉該原始影像成待辨識影像。
接著,根據本發明之醫療廢棄物分類方法2係執行步驟S24,決定待辨識影像之多個第三關鍵點,並且根據待辨識影像之多個第三關鍵點計算待辨識影像之多個第三特徵值。
接著,根據本發明之醫療廢棄物分類方法2係執行步驟S25,根據待辨識影像之多個第三特徵值以及每一個標準分類標誌影像之多個第一特徵值,判斷待辨識影像是否匹配多個標準分類標誌影像中之一個標準分類標誌影像。
接著,若步驟S25的判斷結果為肯定者,根據本發明之醫療廢棄物分類方法2係執行步驟S26,決定對應匹配待辨識影像之標準分類標誌影像之分類資訊關聯待辨識影像。
接著,若步驟S25的判斷結果為否定者,根據本發明之醫療廢棄物分類方法2則執行步驟S27,根據待辨識影像之多個第三特徵值以及每一個標準分類標誌影像之多個第一特徵值決定關於待辨識影像之變形資訊。
於步驟S27之後,根據本發明之醫療廢棄物分類方法2係執行步驟S28,根據變形資訊,將待辨識影像輸入第二深度神經網路模型以獲得多個分類投票值。
於步驟S28之後,根據本發明之醫療廢棄物分類方法2係執行步驟S29,根據門檻值以及多個分類投票值選擇性地決定多個分類資訊中之一個分類資訊關聯待辨識影像。每一個分類投票值對應一個分類資訊。特別地,第二深度神經網路模型係基於第一深度神經網路模型,並且還包含至少一中間層。每一個中間層係穿插於至少兩個卷積層中之兩接續卷積層之間。至少一中間層可以包含反卷積層、空洞卷積層、激活層、池化層,等。
於一具體實施例中,變形資訊可以包含縮小資訊、膨脹資訊、扭曲資訊、偏移資訊,等。縮小資訊對應反卷積層、該膨脹資訊對應空洞卷積層。扭曲資訊對應該激活層。偏移資訊對應池化層。
根據本發明之醫療廢棄物分類方法2還運用多個事先儲存的變形分類標誌影像。每一個變形分類標誌影像對應一個分類資訊。請參閱圖9,圖9係繪示根據本發明之較佳具體實施例之醫療廢棄物分類方法2進一步的流程圖。
如圖9所示,若步驟S29未決定該多個分類資訊中之一個分類資訊關聯該待辨識影像,醫療廢棄物分類方法2進一步執行步驟S30,決定每一個變形分類標誌影像之多個第四關鍵點,並且根據每一個標準變形標示影像之多個第四關鍵點計算每一個變形分類標誌影像之多個第四特徵值。
於步驟S30之後,根據本發明之醫療廢棄物分類方法2係執行步驟S31,根據待辨識影像之多個第三特徵值以及每一個變形分類標誌影像之多個第四特徵值,判斷待辨識影像是否匹配多個變形分類標誌影像中之一個變形分類標誌影像。
若步驟S31的判斷結果為肯定者,根據本發明之醫療廢棄物分類方法2則執行步驟S32,決定對應匹配待辨識影像之變形分類標誌影像之分類資訊關聯待辨識影像。
進一步,若步驟S31的判斷結果為否定者,則根據本發明之醫療廢棄物分類方法2則執行步驟S33,提供至少一使用者圖形供使用者操作以選定多個分類資訊中之一個分類資訊關聯待辨識影像。於步驟S33之後,根據本發明之醫療廢棄物分類方法2係執行步驟S34,將待辨識影像加入多個是先儲存的變形分類標誌影像中。
藉由以上對本發明之詳述,可以清楚了解根據本發明之醫療廢棄物分類系統及醫療廢棄物分類方法結合正規影像辨識技術與深度神經網路模型,進一步還結合專家系統辨識技術可以處理醫療廢棄物上情況複雜的分類標誌難以辨識的問題。
藉由以上較佳具體實施例之詳述,係希望能更加清楚描述本發明之特徵與精神,而並非以上述所揭露的較佳具體實施例來對本發明之面向加以限制。相反地,其目的是希望能涵蓋各種改變及具相等性的安排於本發明所欲申請之專利範圍的面向內。因此,本發明所申請之專利範圍的面向應該根據上述的說明作最寬廣的解釋,以致使其涵蓋所有可能的改變以及具相等性的安排。
1:醫療廢棄物分類系統
10:影像擷取單元
11:資料儲存單元
12:正規影像辨識單元
13:深度神經網路辨識單元
14:專家系統辨識單元
15:分類資訊設定單元
2:醫療廢棄物分類方法
S20~S29:流程步驟
S30~S34:流程步驟
圖1係根據本發明之一較佳具體實施例之醫療廢棄物分類系統的架構的示意圖。
圖2係四類的標準分類標誌影像的範例示意圖。
圖3係縮小的待辨識影像的範例示意圖。
圖4係膨脹的待辨識影像的範例示意圖。
圖5係扭曲的待辨識影像的範例示意圖。
圖6係偏移的待辨識影像的範例示意圖。
圖7係多個變形分類標誌影像的範例示意圖。
圖8係根據本發明之一較佳具體實施例之醫療廢棄物分類方法的流程圖。
圖9係根據本發明之較佳具體實施例之醫療廢棄物分類方法的進一步流程圖。
1:醫療廢棄物分類系統
10:影像擷取單元
11:資料儲存單元
12:正規影像辨識單元
13:深度神經網路辨識單元
14:專家系統辨識單元
15:分類資訊設定單元
Claims (8)
- 一種醫療廢棄物分類系統,包含: 一影像擷取單元,用以擷取關於一醫療廢棄物之一分類標示之一原始影像;一資料儲存單元,其內儲存多個標準分類標誌影像以及多個分類資訊,每一個標準分類標誌影像對應一個分類資訊;一正規影像辨識單元,係分別耦合至該資料儲存單元該影像擷取單元以及,該正規影像辨識單元決定每一個標準分類標誌影像之多個第一關鍵點並根據每一個標準分類標誌影像之該多個第一關鍵點計算每一個標準分類標誌影像之多個第一特徵值,該正規影像辨識單元決定該原始影像之多個第二關鍵點並根據該原始影像之該多個第二關鍵點計算該原始影像之多個第二特徵值,該正規影像辨識單元根據每一個標準分類標誌影像之該多個第一特徵值以及該原始影像之多個第二特徵值選擇性地縮放及旋轉該原始影像成一待辨識影像,該正規影像辨識單元決定該待辨識影像之多個第三關鍵點並根據該待辨識影像之該多個第三關鍵點計算該待辨識影像之多個第三特徵值,該正規影像辨識單元根據該待辨識影像之該多個第三特徵值以及每一個標準分類標誌影像之該多個第一特徵值判斷該待辨識影像是否匹配該多個標準分類標誌影像中之一個標準分類標誌影像,若判斷結果為肯定者,該正規影像辨識單元決定對應匹配該待辨識影像之該標準分類標誌影像之該分類資訊關聯該待辨識影像,若判斷結果為否定者,該正規影像辨識單元根據該待辨識影像之該多個第三特徵值以及每一個標準分類標誌影像之該多個第一特徵值決定關於該待辨識影像之一變形資訊;以及一深度神經網路辨識單元,係分別耦合至該正規影像辨識單元以及該資料儲存單元,一第一深度神經網路模型係基於該多個標準分類標誌影像以及該多個分類資訊訓練以建立,該第一深度神經網路模型包含至少兩個序列的卷積層以及偶合至該至少兩個卷積層中最後一個卷積層之至少兩個全連接層,若該正規影像辨識單元判斷該待辨識影像未匹配該多個標準分類標誌影像,該深度神經網路辨識單元根據該變形資訊將該待辨識影像輸入一第二深度神經網路模型以獲得多個分類投票值,每一個分類投票值對應一個分類資訊,該第二深度神經網路模型係基於該第一深度神經網路模型並還包含至少一中間層,每一個中間層係穿插於該至少兩個卷積層中之兩接續卷積層之間,該至少一中間層包含選自由一反卷積層、一空洞卷積層、一激活層以及一池化層所組成之群組中之其一,該深度神經網路辨識單元根據一門檻值以及該多個分類投票值選擇性地決定該多個分類資訊中之一個分類資訊關聯該待辨識影像。
- 如請求項1所述之醫療廢棄物分類系統,其中該變形資訊包含選自由一縮小資訊、一膨脹資訊、一扭曲資訊以及一偏移資訊,該縮小資訊對應該反卷積層,該膨脹資訊對應該空洞卷積層,該扭曲資訊對應該激活層,該偏移資訊對應該池化層。
- 如請求項2所述之醫療廢棄物分類系統,進一步包含: 一專家系統辨識單元,係分別耦合至該資料儲存單元以及該深度神經網路辨識單元,該資料儲存單元其內還儲存多個變形分類標誌影像,每一個變形分類標誌影像對應一個分類資訊,若該深度神經網路辨識單元未決定該多個分類資訊中之一個分類資訊關聯該待辨識影像,該專家系統辨識單元決定每一個變形分類標誌影像之多個第四關鍵點並根據每一個標準變形標示影像之該多個第四關鍵點計算每一個變形分類標誌影像之多個第四特徵值,該專家系統辨識單元根據該待辨識影像之該多個第三特徵值以及每一個變形分類標誌影像之該多個第四特徵值判斷該待辨識影像是否匹配該多個變形分類標誌影像中之一個變形分類標誌影像,若判斷結果為肯定者,該專家系統辨識單元決定對應匹配該待辨識影像之該變形分類標誌影像之該分類資訊關聯該待辨識影像。
- 如請求項3所述之醫療廢棄物分類系統,進一步包含: 一分類資訊設定單元,係耦合至該專家系統辨識單元,該分類資訊設定單元提供至少一使用者圖形供一使用者經由該專家系統辨識單元選定該多個分類資訊中之一個分類資訊關聯該待辨識影像,並將該待辨識影像加入儲存於該資料儲存單元內之該多個變形分類標誌影像中。
- 一種醫療廢棄物分類方法,多個標準分類標誌影像以及多個分類資訊係事先儲存,每一個標準分類標誌影像對應一個分類資訊,一第一深度神經網路模型係基於該多個標準分類標誌影像以及該多個分類資訊訓練以建立,該第一深度神經網路模型包含至少兩個序列的卷積層以及偶合至該至少兩個卷積層中最後一個卷積層之至少兩個全連接層,該醫療廢棄物分類方法包含下列步驟: (a)擷取關於一醫療廢棄物之一分類標示之一原始影像;(b)決定每一個標準分類標誌影像之多個第一關鍵點並根據每一個標準分類標誌影像之該多個第一關鍵點計算每一個標準分類標誌影像之多個第一特徵值;(c)決定該原始影像之多個第二關鍵點並根據該原始影像之該多個第二關鍵點計算該原始影像之多個第二特徵值;(d)根據每一個標準分類標誌影像之該多個第一特徵值以及該原始影像之多個第二特徵值,選擇性地縮放及旋轉該原始影像成一待辨識影像;(e)決定該待辨識影像之多個第三關鍵點並根據該待辨識影像之該多個第三關鍵點計算該待辨識影像之多個第三特徵值;(f)根據該待辨識影像之該多個第三特徵值以及每一個標準分類標誌影像之該多個第一特徵值,判斷該待辨識影像是否匹配該多個標準分類標誌影像中之一個標準分類標誌影像;(g)若步驟(f)之判斷結果為肯定者,決定對應匹配該待辨識影像之該標準分類標誌影像之該分類資訊關聯該待辨識影像;(h)若步驟(f)之判斷結果為否定者,則執行下列步驟:(i)根據該待辨識影像之該多個第三特徵值以及每一個標準分類標誌影像之該多個第一特徵值決定關於該待辨識影像之一變形資訊;(j)根據該變形資訊,將該待辨識影像輸入一第二深度神經網路模型以獲得多個分類投票值,每一個分類投票值對應一個分類資訊,其中該第二深度神經網路模型係基於該第一深度神經網路模型並還包含至少一中間層,每一個中間層係穿插於該至少兩個卷積層中之兩接續卷積層之間,該至少一中間層包含選自由一反卷積層、一空洞卷積層、一激活層以及一池化層所組成之群組中之其一;以及(k)根據一門檻值以及該多個分類投票值選擇性地決定該多個分類資訊中之一個分類資訊關聯該待辨識影像。
- 如請求項5所述之醫療廢棄物分類方法,其中該變形資訊包含選自由一縮小資訊、一膨脹資訊、一扭曲資訊以及一偏移資訊,該縮小資訊對應該反卷積層,該膨脹資訊對應該空洞卷積層,該扭曲資訊對應該激活層,該偏移資訊對應該池化層。
- 如請求項6所述之醫療廢棄物分類方法,多個變形分類標誌影像係事先儲存,每一個變形分類標誌影像對應一個分類資訊,該醫療廢棄物分類方法進一步包含下列步驟: (l)若步驟(k)未決定該多個分類資訊中之一個分類資訊關聯該待辨識影像,則執行下列步驟:(m)決定每一個變形分類標誌影像之多個第四關鍵點並根據每一個標準變形標示影像之該多個第四關鍵點計算每一個變形分類標誌影像之多個第四特徵值;(n)根據該待辨識影像之該多個第三特徵值以及每一個變形分類標誌影像之該多個第四特徵值,判斷該待辨識影像是否匹配該多個變形分類標誌影像中之一個變形分類標誌影像;以及(o)若步驟(n)之判斷結果為肯定者,決定對應匹配該待辨識影像之該變形分類標誌影像之該分類資訊關聯該待辨識影像。
- 如請求項7所述之醫療廢棄物分類方法,進一步包含下列步驟: (p)若步驟(n)之判斷結果為否定者,則執行下列步驟:(q)提供至少一使用者圖形供一使用者操作以選定該多個分類資訊中之一個分類資訊關聯該待辨識影像;以及(r)將該待辨識影像加入該多個是先儲存的變形分類標誌影像中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110114584A TWI768841B (zh) | 2021-04-22 | 2021-04-22 | 醫療廢棄物分類系統及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110114584A TWI768841B (zh) | 2021-04-22 | 2021-04-22 | 醫療廢棄物分類系統及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI768841B TWI768841B (zh) | 2022-06-21 |
TW202242902A true TW202242902A (zh) | 2022-11-01 |
Family
ID=83103975
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110114584A TWI768841B (zh) | 2021-04-22 | 2021-04-22 | 醫療廢棄物分類系統及方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI768841B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10452813B2 (en) * | 2016-11-17 | 2019-10-22 | Terarecon, Inc. | Medical image identification and interpretation |
CN111639677B (zh) * | 2020-05-07 | 2022-09-02 | 齐齐哈尔大学 | 一种基于多分路通道扩容网络的垃圾图像分类方法 |
CN111553354A (zh) * | 2020-05-14 | 2020-08-18 | 詹俊鲲 | 医用垃圾处理方法、装置及存储介质 |
CN112270347B (zh) * | 2020-10-20 | 2024-07-02 | 南京中自启智科技有限公司 | 一种基于改进ssd的医疗废弃物分类检测方法 |
-
2021
- 2021-04-22 TW TW110114584A patent/TWI768841B/zh active
Also Published As
Publication number | Publication date |
---|---|
TWI768841B (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kumar et al. | Artificial intelligence-based solution for sorting COVID related medical waste streams and supporting data-driven decisions for smart circular economy practice | |
US11188783B2 (en) | Reverse neural network for object re-identification | |
Akmeliawati et al. | Real-time Malaysian sign language translation using colour segmentation and neural network | |
EP1967985A3 (en) | Apparatus, method, computer program and computer readable storage medium for information prcessing | |
CN106204646A (zh) | 基于bp神经网络的多运动目标跟踪方法 | |
KR101930400B1 (ko) | 딥러닝 분석을 위한 모듈화시스템을 이용한 컨텐츠 제공 방법 | |
CN111017429B (zh) | 一种基于多因素融合的社区垃圾分类方法及系统 | |
CN113111769A (zh) | 垃圾违规投放行为监控方法、装置和计算机设备 | |
JP2023517895A (ja) | 自動化された廃棄物管理のための方法および電子装置 | |
CN110929582A (zh) | 口算题自动批改方法及装置、存储介质、电子设备 | |
CN113807347A (zh) | 一种基于目标检测技术的厨余垃圾杂质识别方法 | |
TW202242902A (zh) | 醫療廢棄物分類系統及方法 | |
CN109241907A (zh) | 标注方法、装置及电子设备 | |
CN113255550B (zh) | 一种基于视频的行人垃圾扔投次数统计方法 | |
CN111177308A (zh) | 一种文本内容的识别情绪方法 | |
JP6988995B2 (ja) | 画像生成装置、画像生成方法および画像生成プログラム | |
Zhang et al. | A braille recognition system by the mobile phone with embedded camera | |
CN106897665A (zh) | 应用于智能机器人的物体识别方法及系统 | |
Zin et al. | A mobile application for offline handwritten character recognition | |
US8818023B2 (en) | Bulk region of interest learning | |
GB2429544A (en) | A classification system for recognising mis-labelled reference images | |
US11455179B1 (en) | Processing system and processing method for performing emphasis process on button object of user interface | |
Jeong et al. | OpenPose based smoking gesture recognition system using artificial neural network | |
Kim et al. | YOLO-based robotic grasping | |
CN109829491A (zh) | 用于图像检测的信息处理方法、装置以及存储介质 |