一种应用于静脉采血机器人的表皮伤病区域识别方法与流程

本发明涉及图像识别技术领域，尤其是涉及一种应用于静脉采血机器人的表皮伤病区域识别方法。

背景技术：

在人工智能图像识别技术快速发展的背景之下，静脉识别技术处于独一无二的重要地位。从静脉身份认证，到全自动静脉穿刺，更为高效、安全的高尖端技术推动了静脉图像识别技术的发展。

在静脉图像采集的过程中，通常采用近红外(nir)相机获取图像，然而在图像采集过程中会产生两种问题：

一、近红外光的穿透力并不强，如果待穿刺部位有较深的表皮伤病，如疤痕等，会导致静脉无法显示在图像上；

二、如果表皮伤病较浅，红外线穿透了表皮并在最终的图像中获取到了静脉图片，而在图像识别、分割过后选取了伤病部位做穿刺点，可能会导致穿刺失败或二次感染等不必要的风险。

中国专利cn201610512205.7公开了一种自动扎针系统及其控制方法，采用红外摄像头进行图像采集，但红外光存在被表皮伤病遮挡的情况，导致获取到残缺的静脉血管图像；同时红外光也可能穿过表皮伤病部位，采集到静脉血管图像，从而忽略了表皮伤病，导致最终选取伤病部位作为穿刺点。以上情况对于含有表皮伤病的患者来说都是具有安全隐患的。

技术实现要素：

本发明的目的就是为了克服上述现有技术存在的静脉图像的获取受表皮伤病的影响较大、易造成穿刺失败或二次感染的缺陷而提供一种应用于静脉采血机器人的表皮伤病区域识别方法。

本发明的目的可以通过以下技术方案来实现：

一种应用于静脉采血机器人的表皮伤病区域识别方法，具体包括以下步骤：

s1.获取光学摄像头拍摄的目标穿刺点所在表皮的光学图片，所述光学图片转化为灰度图片，形成表皮图片数据集，所述表皮图片数据集划分为表皮图片训练集和表皮图片测试集；

s2.构建卷积神经网络模型，所述卷积神经网络模型设有路径收缩模块和路径扩展模块，根据所述卷积神经网络模型对灰度图片进行预处理，将灰度图片的每一个像素点进行二分类，并根据预设的损失函数对所述卷积神经网络模型进行训练；

s3.所述灰度图片训练集输入卷积神经网络模型进行训练，训练完成后，所述表皮图片测试集输入完成训练的卷积神经网络模型，计算二分类准确率，根据表皮图片测试集的测试结果对卷积神经网络模型进行调整；

s4.获取新采集的目标穿刺点所在表皮的目标光学图片，转化为目标灰度图片后输入完成调整的卷积神经网络模型，输出所述目标光学图片中的表皮伤病区域和非表皮伤病区域。

所述步骤s1具体包括以下步骤：

s101.获取光学摄像头拍摄的目标穿刺点所在表皮的光学图片；

s102.所述光学图片转化为灰度图片，对所述灰度图片的每一像素分别进行标准化，并对含表皮伤病的像素点进行标记，形成表皮图片数据集，所述表皮图片数据集划分为表皮图片训练集和表皮图片测试集。

进一步地，所述步骤s102中光学图片转化为灰度图片的公式如下所示：

其中，grey为灰度图片的像素值，[rgb]为光学图片的像素值。

进一步地，所述步骤s102中标准化的公式具体如下所示：

其中，aij为灰度图片的方阵的元素，apq为标准化后的灰度图片的方阵。

所述步骤s2具体包括以下步骤：

s201.构建卷积神经网络模型，输入预设比例的灰度图片；

s202.根据所述路径收缩模块，将大小为预设比例的灰度图片转换为预设过渡比例的灰度图片；

s203.根据路径扩展模块，将大小为预设过渡比例的灰度图片转换为目标比例；

s204.所述大小为目标比例的灰度图片经过sigmoid函数，对灰度图片的每一个像素点进行二分类，分为表皮伤病的像素点和非表皮伤病的像素点；

s205.获取预设的损失函数，所述卷积神经网络模型根据完成二分类的灰度图片按所述损失函数最小化的限定进行训练。

进一步地，所述步骤s202中路径收缩模块的具体操作过程为将预设比例的灰度图片首先经过两层卷积层，然后重复经过一次下采样与两层卷积层的组合，直至灰度图片的图像大小变为预设过渡比例；

所述步骤s203中路径扩展模块的具体操作过程为将所述大小为预设过渡比例的灰度图片重复经过一次上采样、一次特征图拼接加上两层卷积层的组合，直到灰度图片的大小转换为目标比例。

进一步地，所述步骤s202中通过设置最大池化层来进行下采样。

进一步地，所述sigmoid函数具体如下所示：

其中，x为灰度图片上像素点的像素值。

进一步地，所述损失函数具体如下所示：

其中，w(x)为边界权值函数，pl(x)(x)为softmax函数，所述softmax函数具体如下所示：

其中，zj为完成二分类的灰度图片上像素点的像素值，k为灰度图片上像素点的总数量。

进一步地，所述步骤s204中有表皮伤病的像素点的像素值为1，非表皮伤病的像素点的像素值为0。

所述表皮图片训练集占表皮图片数据集的比例为50％-80％，对应的表皮图片测试集占表皮图片数据集的比例为20％-50％。

与现有技术相比，本发明具有以下有益效果：

1.本发明采用光学摄像头获取图像，更清晰地获得穿刺点附近表皮图片，再通过卷积神经网络进行训练、识别，通过路径收缩模块、路径扩展模块与边界权值的损失函数相结合，使识别算法对于表皮伤病的边界更为敏感，提高了表皮伤病区域的边界划分的精度，在进行静脉穿刺前规避含有表皮伤病的区域，避免在表皮伤病的区域进行穿刺导致穿刺失败或二次感染，提高了静脉穿刺的成功率和准确性，保证了患者伤病区域的安全性。

2.本发明的卷积神经网络模型中设有同时具备捕捉上下文信息的收缩路径模块和允许精确定位的对称的扩展路径模块，使上下文信息向更高层分辨率传播，并且使用弹性形变对数据进行增强，既可以解决训练数据不足的问题，也可以提高鲁棒性；在损失函数中设置了加权损失，通过预先计算权重图，一方面补偿了训练数据每类像素的不同频率，另一方面使神经网络模型更注重学习图片的边缘，有利于对表皮伤病的区域进行分割。

附图说明

图1为本发明的流程示意图；

图2为本发明卷积神经网络模型的结构示意图；

图3为本发明sigmoid激活函数的示意图；

图4为本发明具体步骤的流程示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例一

如图1所示，一种应用于静脉采血机器人的表皮伤病区域识别方法，避免在表皮伤病的区域进行穿刺导致穿刺失败或二次感染，提高了静脉穿刺的成功率和准确性，保证了患者伤病区域的安全性，具体包括以下步骤：

步骤s1.获取光学摄像头拍摄的目标穿刺点所在表皮的光学图片，光学图片转化为灰度图片，形成表皮图片数据集，表皮图片数据集划分为表皮图片训练集和表皮图片测试集；

步骤s2.构建类似于u-net的网络结构的卷积神经网络模型，卷积神经网络模型设有路径收缩模块和路径扩展模块，根据卷积神经网络模型对灰度图片进行预处理，将灰度图片的每一个像素点进行二分类，并根据预设的损失函数对卷积神经网络模型进行训练；

步骤s3.灰度图片训练集输入卷积神经网络模型进行训练，训练完成后，表皮图片测试集输入完成训练的卷积神经网络模型，计算二分类准确率，根据表皮图片测试集的测试结果对卷积神经网络模型进行调整；

步骤s4.获取新采集的目标穿刺点所在表皮的目标光学图片，转化为目标灰度图片后输入完成调整的卷积神经网络模型，输出目标光学图片中的表皮伤病区域和非表皮伤病区域。

如图4所示，步骤s1具体包括以下步骤：

步骤s101.获取光学摄像头拍摄的目标穿刺点所在表皮的光学图片；

步骤s102.光学图片转化为灰度图片，对灰度图片的每一像素分别进行标准化，并对含表皮伤病的像素点进行标记，形成表皮图片数据集，表皮图片数据集划分为表皮图片训练集和表皮图片测试集。

步骤s102中光学图片转化为灰度图片的公式如下所示：

其中，grey为灰度图片的像素值，[rgb]为光学图片的像素值。

步骤s102中标准化的公式具体如下所示：

其中，aij为灰度图片的方阵的元素，apq为标准化后的灰度图片的方阵。

卷积神经网络模型的预处理对应的预设比例为512*512*1，预设过渡比例为32*32*1024，目标比例为512*512*64，预设比例、中间过渡比例和目标比例的形式为灰度图片的长*宽*高，单位为像素。

如图2所示，步骤s2具体包括以下步骤：

步骤s201.构建卷积神经网络模型，输入512*512*1的灰度图片；

步骤s202.根据路径收缩模块，灰度图片经过两层卷积层，图像大小变为512*512*64，之后重复经过一层最大池化层与两层卷积层的组合，在最大池化层中进行下采样，直至灰度图片的图像大小变为32*32*1024；

步骤s203.根据路径扩展模块，大小为32*32*1024的灰度图片重复经过一次上采样、一次特征图拼接加上两层卷积层的组合，直到灰度图片的大小转换为512*512*64；

步骤s204.大小为512*512*64的灰度图片经过sigmoid函数，对灰度图片的每一个像素点进行二分类，分为表皮伤病的像素点和非表皮伤病的像素点；

步骤s205.获取预设的损失函数，卷积神经网络模型根据完成二分类的灰度图片按损失函数最小化的限定进行训练。

如图3所示，sigmoid函数具体如下所示：

其中，x为灰度图片上像素点的像素值。

损失函数具体如下所示：

其中，w(x)为边界权值函数，pl(x)(x)为softmax函数，softmax函数具体如下所示：

其中，zj为完成二分类的灰度图片上像素点的像素值，k为灰度图片上像素点的总数量。

步骤s204中有表皮伤病的像素点的像素值为1，非表皮伤病的像素点的像素值为0。

表皮图片训练集占表皮图片数据集的比例为50％-80％，对应的表皮图片测试集占表皮图片数据集的比例为20％-50％，本实施中表皮图片训练集的比例优选为80％，表皮图片测试集的比例对应为20％。

步骤s3具体包括以下步骤：

步骤s301.将表皮图片数据集中按80％比例通过随机抽样选出的表皮图片训练集作为训练数据输入卷积神经网络模型进行训练；

步骤s302.将剩余20％的表皮图片数据集作为表皮图片测试集，输入完成训练的卷积神经网络模型，计算二分类准确率，根据表皮图片测试集的测试结果对卷积神经网络模型进行调整。

步骤s4具体包括以下步骤：

步骤s401.静脉穿刺前，采用光学摄像头获取目标穿刺点附近的表皮图片，表皮图片输入完成调整的卷积神经网络模型，返回将含表皮伤病的像素点进行标记的表皮图片。

此外，需要说明的是，本说明书中所描述的具体实施例子，所取名称可以不同，本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等效变化或者简单变化，均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。