基于机器视觉与深度学习的医疗垃圾分类系统

分类：论文范文 发表时间：2021-11-15 13:57

　　摘要：基于机器视觉与深度学习的医疗垃圾分类系统包括目标定位系统和智能识别系统。目标定位系统由OpenCV检测并定位待识别物体，智能识别系统应用深度学习的MobileNet模型对识别物体进行训练和分类。以手术钳、手套、输液带和注射器为例，实验结果表明，设计的医疗垃圾自动识别分类系统的识别精度大于99%。该系统在应用于实际的医疗垃圾分类中，能有效减少人工投入、降低分拣员受病毒感染的风险。

　　关键词：医疗垃圾分类；机器视觉；深度学习；OpenCV软件；MobileNet模型

　　我国医疗机构针对医疗垃圾的分类问题未引起足够的重视，分类比较粗糙，未真正落实医疗废物合理分类处理[1]。政府对于医疗废物处置的方法多为统一填埋，这一处理方式虽然方便，但不能将医疗垃圾中可回收利用的物品分拣出来。设计的基于机器视觉与深度学习的医疗垃圾分类系统，通过目标定位系统和深度学习系统，能有效减少垃圾分拣中的人工投入，降低分拣员受医疗垃圾中病毒二次传染的风险。本系统涉及了计算机视觉和深度学习两大人工智能的重要分支。计算机视觉提出了二值视觉、分割和约束传播技术，为摄像机标定、颜色和纹理处理、运动检测和目标识别等问题提供了有效的解决方案[2]，OpenCV是近年来推出的开源、免费的计算机视觉库，利用其包含的函数，可以方便地实现数字图像和视频处理[3]。深度学习则是一种新兴的多层神经网络算法，能够模仿人类大脑在面临大量感知数据时，高效准确地获取关键信息，并且缓解了传统训练算法的局部最小性[4]。

　　1系统整体实现流程

　　基于机器视觉与深度学习的医疗垃圾分类系统包括目标定位系统和智能识别系统，系统整体流程图如图1所示。目标定位系统通过OpenCV（跨平台计算机视觉库）检测和定位待识别物体，采集样本数据集和测试数据集。样本数据集通过智能识别系统的MobileNet结构模型训练出能够供识别使用的对应神经网络模型，测试数据集用于测试神经网络模型对目标物体的分类准确度。若训练出的神经网络模型达到预期分类准确度，则可以采用该神经网络模型实现最终的目标物体分类。

　　2计算机视觉解决方案

　　2.1计算机视觉方案原理

　　医疗垃圾分类是在室内相对稳定的环境下进行，摄像头处于静止状态捕捉画面，摄像头与物体之间不存在相对运动，通过对识别平台补照强光的方式抵消外界灯光不稳定的影响。采用背景差分算法，该算法具有实现简单、运算速度快的突出特性，可以有效提高系统对医疗垃圾在画面中的检测与定位速度。

　　2.2计算机视觉方案的实现

　　采用OpenCV实现背景差分算法，先通过cvtColor函数将采集到的三通道RGB图像转换成单通道的灰度图像。灰度图像中每一个像素值均为0~255之间的值。若背景光照有变化，灰度图像的像素值就会有很大的波动。为了减少误差，可以通过threshold函数对已有灰度图像进行二值化处理。二值化后的像素值只有0和255这两个值。再将含有待识别目标的二值化图像与二值化背景图像进行相减，实现背景差分。至此，待检测物体已经在图像中清晰可辨。为了确保检测的准确度，通过morphologyEx函数调用MORPH_CLOSE（闭运算）的接口，将背景差分结果中大面积的白色区域连通，去除小面积的白色噪点，增强图像特征。最后，通过minAreaRect函数从闭运算的结果图像中获取最小包围矩形框，根据矩形框坐标，在原图中设置感兴趣区域（RIO,regionofinterest)，将待检测目标截出，供后续深度学习使用。

　　3深度学习解决方案

　　3.1深度学习方案原理

　　MobileNet[5]结构模型借鉴了深度分离卷积，能够对图像进行精准快速地分类。深度分离卷积的核心思想是将传统卷积分解为一个深度卷积和一个1×1卷积。深度分离卷积在模型大小上和模型计算量上都进行了大量的压缩，使得模型运算速度快，计算开销少，准确性好。深度可分离卷积的计算量缩减为传统卷积的1/9左右[6]。MobileNet结构在深度卷积和1×1卷积后都增加了BN层和ReLU的激活层。深度卷积结合1×1的卷积方式代替传统卷积，由于大量使用1×1的卷积，可直接使用高度优化的矩阵相乘（如GEMM[7]）完成运算，并且1×1的卷积不需要im2col[8]的预处理操作，提升了运算效率。

　　3.2深度学习方案的实现

　　先安装Caffe深度学习框架和MobileNet模型，然后将目标样本图片进行训练，训练出对应的神经网络。以止血钳为例，如图5所示，改变止血钳方向、位置、形态多次采集构成数据集。

　　结语

　　综合考虑医疗垃圾分拣员受病毒感染的风险性，利用OpenCV定位目标物体和应用深度学习的MobileNet模型进行物体识别，可实现医疗垃圾的自动分类。实验结果表明，该系统能够实现参与测试的注射器、止血钳、输液袋和手套4类物品的分类问题，识别精准度大于99%，在医疗垃圾分类方面具有实际应用价值。

　　参考文献

　　[1]陈扬,吴安华,冯钦忠,等.医疗废物处理处置技术与源头分类对策[J].感染控制杂志,2012,11(6).

　　[2]JainRC,KasturiR,SchunckBG.MachineVision[M].ChinaMachinePress;McGraw-HillEducation(Asia),2003.

　　[3]秦小文,温志芳,乔维维.基于OpenCV的图像处理[J].电子测试,2011,(7):39-41.

　　[4]孙志军,薛磊,许阳明,等.深度学习研究综述[J].计算机应用研究,2012,29(8):2806-2810.

　　[5]HowardAG,ZhuM,ChenB,等.MobileNets:EfficientConvolutionalNeuralNetworksforMobileVisionApplications[J].2017.

　　[6]SifreL,Mallat,Stéphane.Rigid-MotionScatteringforTextureClassification[J].ComputerScience,2014.

　　[7]张帅，李涛，王艺峰，焦晓帆，杨愚鲁,等.细粒度任务并行GPU通用矩阵乘[J].计算机工程与科学,2015,37(5):847-856.

　　[8]VasudevanA,AndersonA,GreggD.ParallelMultiChannelConvolutionusingGeneralMatrixMultiplication[J].2017.

　　陈宇超，卞晓晓

上一篇：基于层次分析法的食品企业质量安全成熟度评价研究 下一篇：我国食品安全法律规制的制度检视与路径优化