本发明涉及图像识别,特别涉及一种采血管铝箔帽状态识别方法、装置、设备及介质。
背景技术:
1、医学检测流水线运行过程中,部分采血管血液样本需要分时间段进行多项生化免疫和血液分析检测,另一部分采血管血液样本需要留样以便后续复测。通常医学检测流水线会配置冰箱用来低温存储采血管血液样本,采血管样本出冰箱后进行下次检测前需要将采血管铝箔帽去膜,会在冰箱旁边配置一台去封膜设备进行铝箔帽去膜作业。从冰箱取出采血管铝箔帽去膜不干净会造成后续各种检测设备发生撞针危险,严重影响到检测设备的运行安全以及作业人员的生物安全,因此开封膜设备需要准确识别铝箔帽去膜状态,采血管铝箔帽状态识别在医学检测流水线中有着非常重要的应用。
2、目前,在对采血管铝箔帽状态检测的过程中,一种是基于超声波检测的采血管铝箔帽状态识别技术,该技术使用超声波探测原理来检测采血管铝箔帽的状态。然而,该技术只能简单判断采血管铝箔帽的状态,只能通过检测超声波在采血管管口是否被阻挡来判断是否有铝箔帽,对于铝箔帽去膜不干净的采血管样本,无法准确识别采血管铝箔帽的状态,识别准确率比较低。另一种是基于传统机器视觉检测的采血管铝箔帽状态识别技术,该技术使用传统机器视觉中模板匹配方法来检测采血管铝箔帽的状态。然而使用模板匹配技术只能识别特定型号的采血管铝箔帽的状态,由于采血管铝箔帽状态十分复杂,去膜不干净以及采血管管壁挂液样本的干扰,识别准确率比较低。
3、综上,如何提高识别采血管铝箔帽状态的准确率是目前有待解决的问题。
技术实现思路
1、有鉴于此,本发明的目的在于提供一种采血管铝箔帽状态识别方法、装置、设备及介质,能够提高识别采血管铝箔帽状态的准确率。其具体方案如下:
2、第一方面,本技术公开了一种采血管铝箔帽状态识别方法,包括:
3、对采血管的位置进行监测,并在所述采血管的位置到达目标检测位置时,采集所述采血管的原始图像;
4、利用预设机器视觉算法对所述原始图像进行处理,得到所述采血管的第一管口铝箔帽图像;
5、将所述第一管口铝箔帽图像进行归一化处理,然后将归一化后的第一管口铝箔帽图像输入至预先构建的轻量化深度学习分类网络模型中,以便利用所述轻量化深度学习分类网络模型输出的识别结果,确定所述采血管的铝箔帽状态。
6、可选的,所述对采血管的位置进行监测,并在所述采血管的位置到达目标检测位置时,采集所述采血管的原始图像之前,还包括:
7、加载所述轻量化深度学习分类网络模型的模型文件。
8、可选的,获取所述模型文件,包括:
9、获取若干份包含不同型号的采血管的铝箔帽样本;其中,所述铝箔帽样本包括所述铝箔帽的未去膜样本、所述铝箔帽的去膜失败样本以及所述铝箔帽的去膜成功样本;
10、利用工业相机采集所述铝箔帽样本的样本图像,并根据所述样本图像,利用所述预设机器视觉算法对所述样本图像进行处理,确定出与所述铝箔帽样本对应的第二管口铝箔帽图像,以得到模型训练集;
11、利用所述模型训练集对所述轻量化深度学习分类网络模型进行训练,并在训练的过程中动态调整所述轻量化深度学习分类网络模型的学习率,以便经过预设次数的迭代训练后,利用当前的学习率确定出所述轻量化深度学习分类网络模型当前的最佳模型参数,然后根据所述最佳模型参数确定出所述轻量化深度学习分类网络模型的模型文件。
12、可选的,所述利用预设机器视觉算法对所述原始图像进行处理,得到所述采血管的第一管口铝箔帽图像,包括:
13、对所述原始图像进行色彩转换,以将所述原始图像对应的rgb彩色图像转换为灰度图像;
14、对所述灰度图像进行空间域高斯滤波和/或中值滤波,然后对滤波后图像进行第一预设处理,以得到所述采血管的第一感兴趣区域图像;
15、根据所述第一感兴趣区域图像,按照预设铝箔帽的高度对所述滤波后图像进行裁剪,以得到所述采血管管口的铝箔帽区域图像;
16、对所述铝箔帽区域图像进行第二预设处理,以得到所述铝箔帽的第二感兴趣区域图像;
17、根据所述第二感兴趣区域图像,对所述铝箔帽区域图像进行裁剪,以得到所述采血管的第一管口铝箔帽图像。
18、可选的,所述对滤波后图像进行第一预设处理,以得到所述采血管的第一感兴趣区域图像,包括:
19、利用基于预设低阈值构建的第一边缘检测算法对所述滤波后图像进行处理,以得到所述采血管的边沿二值化图像;
20、利用第一轮廓提取算法对所述采血管的边沿二值化图像进行处理,以获得与所述采血管的边沿二值化图像对应的第一外轮廓点集;
21、确定所述第一外轮廓点集的最小外接矩形,以得到所述采血管的第一感兴趣区域图像。
22、可选的,所述对所述铝箔帽区域图像进行第二预设处理,以得到所述铝箔帽的第二感兴趣区域图像,包括:
23、利用基于预设高阈值构建的第二边缘检测算法对所述铝箔帽区域图像进行处理,以得到所述铝箔帽的边沿二值化图像;
24、利用第二轮廓提取算法对所述铝箔帽的边沿二值化图像进行处理,以获得与所述铝箔帽的边沿二值化图像对应的第二外轮廓点集;
25、确定所述第二外轮廓点集的最小外接矩形,以得到所述铝箔帽的第二感兴趣区域图像。
26、可选的,所述将归一化后的第一管口铝箔帽图像输入至预先构建的轻量化深度学习分类网络模型中,以便利用所述轻量化深度学习分类网络模型输出的识别结果,确定所述采血管的铝箔帽状态,包括:
27、将归一化后的第一管口铝箔帽图像输入至预先构建的轻量化深度学习分类网络模型中,确定出所述轻量化深度学习分类网络模型输出的识别结果;
28、若所述识别结果的得分值不小于第一预设阈值,则将当前的识别结果对应的第一分类类型确定为所述采血管的铝箔帽状态;
29、若所述识别结果的得分值小于所述第一预设阈值,并且所述轻量化深度学习分类网络模型的识别次数等于第二预设阈值,则根据最高得分值对应的一次识别结果确定相应的第二分类类型,然后将所述第二分类类型确定为所述采血管的铝箔帽状态;
30、若所述识别结果的得分值小于所述第一预设阈值,并且所述轻量化深度学习分类网络模型的识别次数小于所述第二预设阈值,则重新执行所述利用预设机器视觉算法对所述原始图像进行处理,得到所述采血管的第一管口铝箔帽图像的步骤。
31、可选的,构建所述轻量化深度学习分类网络模型,包括:
32、搭建所述轻量化深度学习分类网络模型的网络结构;其中,所述网络结构包括输入部分、主枝部分、侧枝部分以及分类器;所述输入部分包括依次连接的卷积层与最大池化层,所述卷积层经过预设激活函数处理后传递至所述最大池化层;所述主枝部分为所述网络结构中的主干通路部分,包括第一组卷积层、第二组卷积层和第三组卷积层,所述第一组卷积层、所述第二组卷积层和所述第三组卷积层之间通过所述预设激活函数连接;所述第一组卷积层、所述第二组卷积层和所述第三组卷积层中各自均包含若干相互连接的干线卷积层和支线卷积层;所述侧枝部分为所述网络结构中有所述输入部分和所述主枝部分延伸出的分支通路部分;所述分类器包括依次连接的全局池化层、线性变换层和softmax层;
33、对所述网络结构中各部分的基本参数进行设置,以得到所述轻量化深度学习分类网络模型。
34、第二方面,本技术公开了一种采血管铝箔帽状态识别装置,包括:
35、采血管位置监测模块,用于对采血管的位置进行监测,并在所述采血管的位置到达目标检测位置时,采集所述采血管的原始图像;
36、机器视觉算法处理模块,用于利用预设机器视觉算法对所述原始图像进行处理,得到所述采血管的第一管口铝箔帽图像;
37、模型处理模块,用于将所述第一管口铝箔帽图像进行归一化处理,然后将归一化后的第一管口铝箔帽图像输入至预先构建的轻量化深度学习分类网络模型中,以便利用所述轻量化深度学习分类网络模型输出的识别结果,确定所述采血管的铝箔帽状态。
38、第三方面,本技术公开了一种电子设备,所述电子设备包括处理器和存储器;其中,所述存储器用于存储计算机程序,所述计算机程序由所述处理器加载并执行以实现如前所述的采血管铝箔帽状态识别方法。
39、第四方面,本技术公开了一种计算机可读存储介质,用于存储计算机程序;其中所述计算机程序被处理器执行时实现如前所述的采血管铝箔帽状态识别方法。
40、本技术提供了一种采血管铝箔帽状态识别方法,对采血管的位置进行监测,并在所述采血管的位置到达目标检测位置时,采集所述采血管的原始图像;利用预设机器视觉算法对所述原始图像进行处理,得到所述采血管的第一管口铝箔帽图像;将所述第一管口铝箔帽图像进行归一化处理,然后将归一化后的第一管口铝箔帽图像输入至预先构建的轻量化深度学习分类网络模型中,以便利用所述轻量化深度学习分类网络模型输出的识别结果,确定所述采血管的铝箔帽状态。可见,本发明使用传统机器视觉与轻量化深度学习分类网络模型相结合的技术,准确识别采血管铝箔帽状态,模型非常轻量化,需要的硬件资源和算力都很小,识别速度快。该技术可以兼容不同型号的采血管铝箔帽,对于采血管铝箔帽去膜不干净以及采血管管壁挂液的样本都有很高的识别准确率。
41、此外,本技术提供的一种采血管铝箔帽状态识别装置、设备及存储介质,与上述采血管铝箔帽状态识别方法对应,效果同上。