一种基于人工智能的输液安全预警系统的制作方法

本技术涉及输液预警系统领域，尤其是一种基于人工智能的输液安全预警系统。

背景技术：

1、输液是以连续输入的方式将医用液体和药物经一定的途径注入体内的给药方法。最普遍而重要的途径是经静脉输液,其优点是输液量、质、速度易控制、调节，疗效迅速，每个医院均配有输液大厅，由于输液时，药液直接进入患者的血液循环系统，如果由于医护人员的工作疏忽，导致输入药液存在着患者过敏物质，或者输液过程中未及时换药或者拔针头，导致空气进入血管形成栓塞，将会造成极为严重的后果，甚至患者会出现生命危险。

2、现有专利文献“cn114173297a一种智能输液监护管理系统”中，公开了一种输液监护管理系统，系统采用的是自动扣重原理，应用现代物联网技术，具有系统集成、高精度、稳定可靠、组网灵活、多项提前预警、统一分配和管理等优势。然而，这种解决方案需要在每一个输液点位上增加一套装置，会给医院增加庞大的费用开支；

3、也即，现有技术存在如下的技术问题，普通的输液监护系统成本较大，难以维护。因此，针对上述问题提出一种基于人工智能的输液安全预警系统。

技术实现思路

1、在本实施例中提供了一种基于人工智能的输液安全预警系统用于解决现有技术中的普通的输液监护系统成本较大，难以维护的问题。

2、根据本技术的一个方面，提供了一种基于人工智能的输液安全预警系统，包括输液袋支撑模块、摄像模块、边缘分析模块、告警模块、输液袋固定模块和图像处理模块；

3、所述输液袋支撑模块为可升降式输液架，所述输液袋支撑模块处设置有用于悬挂输液袋的输液袋固定模块，所述输液袋支撑模块处安装设置有摄像模块，所述摄像模块和边缘分析模块之间电性连接，所述边缘分析模块和告警模块之间电性连接，所述边缘分析模块的内部设置有图像处理模块，所述边缘分析模块的内部设置有液位检测模型，所述告警模块包括屏幕和语音播报模块。

4、进一步地，所述基于人工智能的输液安全预警方法包括如下步骤：

5、1、通过摄像模块获取输液室中的实时图像；

6、2、把得到的图像送入边缘分析模块，对输液室中的每个输液点位的输液器进行检测，得到每个输液器的位置信息和类别；

7、3、扣取每个输液器的区域图像，送入液位检测模型，得到每个输液器中当前实际的液位位置信息；

8、4、当液位位置达到预设报警阈值点位后，通过告警模块进行告警上报，把告警的输液位置号显示在屏幕上，并进行语音播报，提醒护理人员及时更换输液器。

9、进一步地，所述步骤1中，所述摄像模块支持拍摄的图像分辨率最小为1080p，进而最大程度获取清晰的输液室全景图像，以便于更好进行输液器的检测以及液位检测，此处支持的拍摄图像分辨率最小为为1080p。

10、进一步地，所述的步骤2中的对输液室中的每个输液点位的输液器进行检测，还包括如下步骤：

11、步骤2.1，图像预处理操作

12、对摄像模块抓拍的图像进行了预处理操作，预处理操作时，包括但不限于图像任意角度旋转、图像亮度和饱和度增强等操作。

13、步骤2.2，数据标定

14、对步骤2.1中的图像进行输液器的位置标定，标出悬挂在输液架上的输液器的外接矩形框，同时标定出当前图像中的输液器是输液瓶还是输液袋，当是输液瓶时标定为0，当是输液袋时标定为1；

15、步骤2.3，网络结构搭建

16、所述网络用于来检测图像中的输液器的位置信息，即输液器在图像中的矩形区域坐标，所述网络结构采用优化后的mobilenet-v2+centernet相结合的网络结构，所述相关的优化操作包括如下方面

17、(1)、修改原始的网络输入的图像的大小，根据需要的实际大小，针对性修改网络层中的信息，对池化层以及特征输出层等进行修改，确保在连接到centernet前的特征层的尺寸大小为输入图像宽高的各四分之一；

18、(2)、在现有网络结构基础上添加属性分支，属性分支和centernet分支的输入确保来自同一个特征层，该属性分支用来输出当前是输液瓶还是输液袋。通过该属性的输出，便于护理人员在更换药水时更加便捷方便，同时减少错拿药水等现象的发生。

19、步骤2.4，模型训练

20、所述模型训练在训练过程中采用int8数据进行训练，在降低模型参数的同时提升了模型的精度，解决了现有技术中，先使用浮点数据进行模型训练，待模型收敛后，对模型进行int8量化操作带来一定程度的精度损失的问题。

21、把带有标签的数据送入到设定好的网络中，使用caffe框架进行训练，在整个模型训练过程中，网络数据流均为int8类型，当loss收敛到一定程度保持不变时，即可得到稳定的网络模型。

22、步骤2.5，获取图像中的输液瓶(袋)的位置信息和类别

23、为了确保实际使用时模型的效果和训练时一致，在实际使用过程中，还所述获取图像中的输液瓶(袋)的位置信息和类别包括如下步骤：

24、(1)、对摄像机抓拍的图像进行图像缩放和图像格式转换，缩放到模型训练时的网络输入大小，图像格式转换到模型训练时的输入格式，确保推理和模型训练时处理的图像大小和格式一致，包括但不限于图像大小为320*512，图像格式为yuv等；

25、(2)、把处理好的图像，送入到模型中进行推理，检测分支输出三个信息，属性分支输出一个结果，其中，检测分支输出的信息为检测框中心点热度图、偏移量和大小，属性分支输出的是类别索引值，通过后处理以及索引表，即可得到摄像机抓拍图中的输液瓶(袋)的位置信息以及对应的类别。

26、进一步地，所述步骤3中，扣取每个输液瓶(袋)的区域图像，可以得到一个稳定的检测模型，当摄像机抓拍的图像进过检测模型分析，即可得到当前图像上的输液瓶(袋)区域外界矩形，利用已知的输液瓶(袋)区域坐标，从获得的抓拍图像中扣取出输液瓶(袋)区域，作为药水液位分析的输入图像。

27、进一步地，所述的液位检测模型的液位检测方法包括如下步骤：

28、步骤3.1，图像预处理操作，对扣取的图像进行亮度和饱和度增强、模糊、遮挡等操作，其中，亮度饱和度增强有利于液位检测时具有更强的辨识度，模糊和遮挡等操作有利于分析不同环境下的图像；

29、步骤3.2，数据标定，对步骤3.1中的图像进行液位的位置标定，标出输液瓶(袋)中药水液位的外接矩形框(矩形框左上角点的横坐标、纵坐标，矩形框的宽和高)；

30、步骤3.3，网络结构搭建，本部分的网络主要是用来检测图像中的输液瓶(袋)中液位线的位置信息，即液位线在图像中的矩形区域坐标，所述网络结构采用优化后的mobileone-s3+yolo-v8相结合的网络结构，相关的优化操作，包括但不限于以下几个方面：

31、(1)、修改原始的网络输入的图像的大小，根据需要的实际大小，针对性修改网络层中的信息，进行修改池化层以及特征输出层等，确保在mobileone-s3骨干网络输出层的特征和yolo-v8输入层特征大小匹配；

32、(2)、去掉原始mobileone-s3网络结构中的全连接层，只保留其骨干网络f1层之前的结构，在原始yolo-v8网络结构基础上去掉原始的backbone结构，保留f2层之后的结构，然后在该f1网络层后面拼接优化后的yolo-v8结构f1，组成一个新的网络结构；

33、步骤3.4，模型训练，在训练过程中采用int8数据进行训练，把带有标签的数据送入到设定好的网络中，使用caffe框架进行训练，在整个模型训练过程中，网络数据流均为int8类型，不再是常用的浮点类型数据，当loss收敛到一定程度保持不变时，即可得到稳定的网络模型；在现有的技术中，更多的是先使用浮点数据进行模型训练，待模型收敛后，对模型进行int8量化操作，然而，该方式会带来一定程度的精度损失，本技术提出在训练过程中采用int8数据进行训练，在降低模型参数的同时提升了模型的精度；

34、步骤3.5，获取液位线位置信息，为了确保实际使用时模型的效果和训练时一致，在实际使用过程中，还包括如下步骤：

35、(1)、对扣取的输液瓶(袋)图像进行图像缩放和图像格式转换，缩放到模型训练时的网络输入大小，图像格式转换到模型训练时的输入格式，确保推理和模型训练时处理的图像大小和格式一致，包括但不限于图像大小为96*128，图像格式为yuv等；

36、(2)、把处理好的图像，送入到模型中进行推理，检测信息输出层为一层，该层特征包含了检测框左上角横坐标、纵坐标、宽、高、置信度以及类别号等信息，通过后处理分析，即可得到输入的输液瓶(袋)图像中液位线对应的矩形框信息。

37、进一步地，所述步骤4中，在告警上报时，为了更好的获取输液瓶(袋)的位置信息，使用时，每个摄像机拍摄的输液点的个数为n，并提起预制好每个点位的编号，当输液瓶(袋)的检测信息获取后，对应预制位中的编号，即可得到具体的输液点的信息。

38、进一步地，所述步骤4中，可以得到输液瓶(袋)中液位线的检测框r1，输液瓶(袋)检测框r2，r1/r2的值即为当前液位线占比值d，当d的值小于预设值s时，进行实时告警，上报对应点位的信息到显示模块，并进行语音播报，是需要更换输液瓶还是需要更换输液袋。

39、进一步地，所述步骤4中，在告警时，通过屏幕将告警的输液位置号进行显示。

40、进一步地，所述步骤4中，在告警时，通过屏幕将进行需要更换药液的输液点位号上报、更换输液瓶或输液袋信息上报。

41、通过本技术上述实施例，通过视频监控的方式，运用边缘分析终端设备，对输液大厅内的输液情况进行实时分析，预警上报，不仅有效节省了费用开支，还具有安装便捷、应用方便的特点，同时，摄像机还可以作为监控设备，起到一机多用的功能，具有重要的临床推广使用价值。