一种药品包装和容器外形建模识别和计数方法及系统与流程

1.本发明涉及信息处理技术领域，尤其涉及一种药品包装和容器外形建模识别和计数方法及系统。


背景技术：

2.麻醉药品是管控药品，人工管理费时费力，智能药柜管理是趋势，但空容器精准回收是关键环节，需要识别容器种类、数目，空容器定点投放，集中取出等问题，目前识别回收容器的主要方法为容器贴ocr码识别方法，上述方法只能适用于容器的单个回收，影响高峰用药期间工作效率，需要单独处理、不能广泛应用于临床工作，降低了回收效率。


技术实现要素：

3.针对上述所显示出来的问题，本发明提供了一种药品包装和容器外形建模识别和计数方法及系统用以解决背景技术中提到的传统技术只能适用于容器的单个回收，影响高峰用药期间工作效率，需要单独处理、不能广泛应用于临床工作，降低了回收效率。
4.一种药品包装和容器外形建模识别和计数方法，包括以下步骤：
5.通过预设图像采集方式采集n张毒麻药品的包装容器外形图像数据；
6.设置毒麻药品的包装容器图像的识别模式；
7.基于所述识别模式通过yolov5机器学习算法对所述n张毒麻药品的包装容器外形图像数据进行学习建模，获取识别模型；
8.将所述识别模型加载到终端应用程序中对毒麻药品进行批量识别计数回收。
9.优选的，所述通过预设图像采集方式采集n张毒麻药品的包装容器外形图像数据，包括：
10.根据所述预设图像采集方式设置图像采集条件，所述图像采集条件包括：光照条件和置地条件；
11.根据所述图像采集条件设定摄像头的拍摄角度和焦距参数；
12.检测毒麻药品的包装容器在预设排列序列中的排列情况；
13.根据所述排列情况判断是否符合图像采集需求，若是，通过预设图像采集方式控制摄像头以设定参数采集n张毒麻药品的包装容器外形图像数据。
14.优选的，所述所述设置毒麻药品的包装容器图像的识别模式，包括：
15.获取毒麻药品包装容器的瓶颈参数、视觉参数以及容器内部溶液或粉剂的状态参数；
16.根据所述视觉参数获取毒麻药品包装容器的标签图案识别参数和形状识别参数，根据所述容器内部溶液或粉剂的状态参数获取毒麻药品的空瓶识别参数，根据所述瓶颈参数获取毒麻药品的使用状态识别参数；
17.基于所有识别参数确定毒麻药品的包装容器的多种显示状态；
18.构建每种显示状态对应的识别规则并生成该显示状态对应的识别模式。
19.优选的，在基于所述识别模式通过yolov5机器学习算法对所述n张毒麻药品的包装容器外形图像数据进行学习建模，获取识别模型之前，还包括：
20.获取预设yolov4机器学习模型的模型参数；
21.在所述模型参数中筛选出模型输入端参数、基准网络参数、neck网络参数和head输出层参数；
22.对所述模型输入端参数、基准网络参数、neck网络参数和head输出层参数进行优化；
23.根据优化后的yolov4机器学习模型获取yolov5机器学习算法。
24.优选的，所述基于所述识别模式通过yolov5机器学习算法对所述n张毒麻药品的包装容器外形图像数据进行学习建模，获取识别模型，包括：
25.将n张毒麻药品的包装容器外形图像划分为m张训练图像和n-m张验证图像并分别生成数据训练集和数据验证集；
26.将m张训练图像按照每个训练组的预设数据承载数量划分为多个训练数据组，设置训练数据组的单次批量处理数据最大数量和超参数以及分辨率；
27.将yolov5机器学习算法和识别模式写入到预设神经网络模型中，利用所述预设神经网络模型对多个训练数据组中的训练图像进行六次识别训练；
28.对六次训练后的预设神经网络模型的输出数据进行误差分析，根据分析结果确定训练模型是否合格，若是，将其确认为识别模型。
29.优选的，所述将所述识别模型加载到终端应用程序中对毒麻药品进行批量识别计数回收，包括：
30.将所述识别模型进行编码以获取编码结果，将所述编码结果写入到所述终端应用程序中以生成毒麻药品识别程序；
31.采集待识别毒麻药品包装容器的目标图像，利用所述毒麻药品识别程序对目标图像进行识别以确定容器数量和容器种类以及容器使用状态；
32.根据容器数量和容器种类以及容器使用状态对毒麻药品包装容器进行批量归类回收处理；
33.将毒麻药品包装容器的计数识别信息加入到备案系统与取药人和还药人的信息相匹配；
34.若不匹配，生成信息不匹配提示通过预设信息平台告知用药医生和药品管理员。
35.优选的，所述对六次训练后的预设神经网络模型的输出数据进行误差分析，根据分析结果确定训练模型是否合格，若是，将其确认为识别模型，包括：
36.通过数据验证集中的验证图像输入到所述训练后的预设神经网络模型进行识别，获取识别结果；
37.根据所述识别结果确定训练后的预设神经网络模型的识别错误概率，根据所述识别错误概率分析出训练后的预设神经网络模型的识别误差；
38.确认所述识别误差是否在预设误差阈值范围内，若是，确定训练模型合格，若否，确定所述训练模型不合格；
39.当确认训练模型合格后，将其确认为所述识别模型。
40.优选的，所述方法还包括：
41.获取所述识别模型的模型参数，根据所述模型参数获取识别模型的损失函数均值、检测loss均值、分类loss均值、精度值和召回率阈值；
42.根据所述损失函数均值和检测loss均值确定识别模型的检测精度；
43.基于所述分类loss均值确定识别模型的分类精度；
44.根据所述精度值和召回率阈值确定识别模型的识别精度，基于所述检测精度、分类精度和识别精度确定识别模型是否需要继续训练。
45.优选的，所述根据容器数量和容器种类以及容器使用状态对毒麻药品包装容器进行批量归类回收处理，包括：
46.根据所述容器种类将待识别毒麻药品包装容器进行划分，获取第一划分结果；
47.根据所述容器使用状态对所述第一划分结果中每种毒麻药品包装容器进行使用完毕空瓶和未使用完毕半瓶以及未使用全瓶进行划分，获取第二划分结果；
48.根据所述第一划分结果和第二划分结果选择适配的回收模式对毒麻药品包装容器进行批量回收处理。
49.一种药品包装和容器外形建模识别和计数系统，该系统包括：
50.采集模块，用于通过预设图像采集方式采集n张毒麻药品的包装容器外形图像数据；
51.设置模块，用于设置毒麻药品的包装容器图像的识别模式；
52.建模模块，用于基于所述识别模式通过yolov5机器学习算法对所述n张毒麻药品的包装容器外形图像数据进行学习建模，获取识别模型；
53.加载模块，用于将所述识别模型加载到终端应用程序中对毒麻药品进行批量识别计数回收。
54.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
55.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
56.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
57.图1为本发明所提供的一种药品包装和容器外形建模识别和计数方法的工作流程图；
58.图2为本发明所提供的一种药品包装和容器外形建模识别和计数方法的另一工作流程图；
59.图3为本发明所提供的一种药品包装和容器外形建模识别和计数方法的又一工作流程图；
60.图4为本发明所提供的一种药品包装和容器外形建模识别和计数系统的结构示意图。
具体实施方式
61.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
62.麻醉药品是管控药品，人工管理费时费力，智能药柜管理是趋势，但空容器精准回收是关键环节，需要识别容器种类、数目，空容器定点投放，集中取出等问题，目前识别回收容器的主要方法为容器贴ocr码识别方法，上述方法只能适用于容器的单个回收，影响高峰用药期间工作效率，需要单独处理、不能广泛应用于临床工作，降低了回收效率。为了解决上述问题，本实施例公开了一种药品包装和容器外形建模识别和计数方法。
63.一种药品包装和容器外形建模识别和计数方法，如图1所示，包括以下步骤：
64.步骤s101、通过预设图像采集方式采集n张毒麻药品的包装容器外形图像数据；
65.步骤s102、设置毒麻药品的包装容器图像的识别模式；
66.步骤s103、基于所述识别模式通过yolov5机器学习算法对所述n张毒麻药品的包装容器外形图像数据进行学习建模，获取识别模型；
67.步骤s104、将所述识别模型加载到终端应用程序中对毒麻药品进行批量识别计数回收。
68.在本实施例中，预设图像采集方式可以为扫描、拍摄、传输、上传等方式；
69.在本实施例中，识别模式包括对毒麻药品的包装容器的外观识别和形状识别以及颜色识别和状态识别；
70.在本实施例中，加载方式可以通过小程序的形式或者应用的形式加载到终端应用程序中。
71.上述技术方案的工作原理为：通过预设图像采集方式采集n张毒麻药品的包装容器外形图像数据，设置毒麻药品的包装容器图像的识别模式，基于所述识别模式通过yolov5机器学习算法对所述n张毒麻药品的包装容器外形图像数据进行学习建模，获取识别模型，将所述识别模型加载到终端应用程序中对毒麻药品进行批量识别计数回收。
72.上述技术方案的有益效果为：通过利用毒麻药品玻璃容器的图像数据和为其设置的识别模式来利用机器学习算法对图像数据进行识别学习建模进而获得识别模型来自动地对批量的毒麻药品玻璃容器进行识别技术回收，提高了回收效率，极大地节省了时间成本，解决了传统技术只能适用于容器的单个回收，影响高峰用药期间工作效率，需要单独处理、不能广泛应用于临床工作，降低了回收效率的问题。
73.在一个实施例中，如图2所示，所述通过预设图像采集方式采集n张毒麻药品的包装容器外形图像数据，包括：
74.步骤s201、根据所述预设图像采集方式设置图像采集条件，所述图像采集条件包括：光照条件和置地条件；
75.步骤s202、根据所述图像采集条件设定摄像头的拍摄角度和焦距参数；
76.步骤s203、检测毒麻药品的包装容器在预设排列序列中的排列情况；
77.步骤s204、根据所述排列情况判断是否符合图像采集需求，若是，通过预设图像采集方式控制摄像头以设定参数采集n张毒麻药品的包装容器外形图像数据。
78.在本实施例中，排列情况表示为毒麻药品的包装容器在摄像头设定的拍摄排列序列中的摆放端正情况。
79.上述技术方案的有益效果为：通过设置图像采集条件可以更加清晰和完整地实现图像采集工作，提高了工作效率和稳定性，进一步地，通过设定摄像头的拍摄角度和焦距参数可以进一步地保证采集图像的清晰度，为后续模型训练奠定了高质量的训练样本，提高了模型在训练过程中的学习精度。
80.在一个实施例中，所述所述设置毒麻药品的包装容器图像的识别模式，包括：
81.获取毒麻药品包装容器的瓶颈参数、视觉参数以及容器内部溶液或粉剂的状态参数；
82.根据所述视觉参数获取毒麻药品包装容器的标签图案识别参数和形状识别参数，根据所述容器内部溶液或粉剂的状态参数获取毒麻药品的空瓶识别参数，根据所述瓶颈参数获取毒麻药品的使用状态识别参数；
83.基于所有识别参数确定毒麻药品的包装容器的多种显示状态；
84.构建每种显示状态对应的识别规则并生成该显示状态对应的识别模式。
85.在本实施例中，瓶颈参数表示为瓶颈处于完整或破裂时的状态参数；
86.在本实施例中，视觉参数表示为毒麻药品包装容器的形状视觉参数；
87.在本实施例中，显示状态表示为毒麻药品的包装容器的承载药品显示状态和外观显示状态。
88.上述技术方案的有益效果为：通过确定毒麻药品包装容器的多个参数来确定其多个显示状态进而生成识别模式可以将毒麻药品包装的所有的显示形态考虑在内从而实现对实时样本无遗漏地识别，进一步地提高了识别效率和稳定性。
89.在本实施例中，构建每种显示状态对应的识别规则并生成该显示状态对应的识别模式，包括：
90.确定毒麻药品包装容器在每种显示状态下的视角属性；
91.基于所述视角属性确定毒麻药品包装容器在每种显示状态下的描述因子；
92.通过所述描述因子构建毒麻药品包装容器在每种显示状态下的识别模型；
93.根据识别模型获取毒麻药品包装容器在每种显示状态下的识别参数；
94.对所述识别参数进行排列组合生成m个识别策略，设置n个预设识别规则，其中m＝n；
95.将所述预设识别规则和识别策略进行融合处理，获取n个识别策略规则；
96.提取n个识别策略规则的规则参数和策略参数并根据二者构建每个识别策略规则的计算模型；
97.利用卷积神经网络对毒麻药品包装容器在每种显示状态下的识别参数进行自适应学习处理，根据处理结果确定每个识别策略规则的计算模型对应的计算参数；
98.根据每个识别策略规则的计算模型对应的计算参数和计算模型生成该识别策略规则的计算表达式；
99.基于毒麻药品包装容器在每种显示状态下的识别参数执行每个识别策略规则的计算表达式，根据执行结果选择毒麻药品包装容器在每种显示状态下的最佳识别策略规则；
100.确定在最佳识别策略规则下毒麻药品包装容器在每种显示状态的识别损失差，根据所述识别损失差创建识别字典；
101.获取所述识别字典的常数矩阵、嵌入矩阵和标签矩阵；
102.根据所述常数矩阵、嵌入矩阵和标签矩阵设置毒麻药品包装容器在每种显示状态下对应的识别模式。
103.在本实施例中，视角属性表示为毒麻药品包装容器在每种显示状态下多视角显示属性因子；
104.在本实施例中，描述因子表示为毒麻药品包装容器在每种显示状态下的外形描述情况；
105.在本实施例中，识别参数表示为毒麻药品包装容器在每种显示状态下的外形识别参数、颜色识别参数、完整度识别参数和状态识别参数；
106.在本实施例中，识别损失差表示为在最佳识别策略规则下对毒麻药品包装容器在每种显示状态下的识别误差或者识别图像损失局域与全域的比例；
107.在本实施例中，识别字典表示为对识别损失差进行识别补偿的网络字典。
108.上述技术方案的有益效果为：通过构建毒麻药品包装容器在每种显示状态下的识别模型可以快速地获取到毒麻药品包装容器在每种显示状态下的识别参数从而根据其对不同策略规则的测试结果来选择出最佳的识别策略规则，使得筛选的规则更加客观和实用，进一步地，通过根据筛选识别策略规则的识别损失差来创建识别字典进而设置识别模式可以克服识别规则所来带的误差或者损失来对毒麻药品包装容器进行更加精确和稳定的识别工作，提高了稳定性的同时也保证了识别精度，提高了实用性。
109.在一个实施例中，在基于所述识别模式通过yolov5机器学习算法对所述n张毒麻药品的包装容器外形图像数据进行学习建模，获取识别模型之前，还包括：
110.获取预设yolov4机器学习模型的模型参数；
111.在所述模型参数中筛选出模型输入端参数、基准网络参数、neck网络参数和head输出层参数；
112.对所述模型输入端参数、基准网络参数、neck网络参数和head输出层参数进行优化；
113.根据优化后的yolov4机器学习模型获取yolov5机器学习算法。
114.上述技术方案的有益效果为：通过对模型参数进行优化可以保证机器学习算法的识别精度和识别速度等性能获得极大地提成，进一步地提高了识别效率和实用性。
115.在一个实施例中，如图3所示，所述基于所述识别模式通过yolov5机器学习算法对所述n张毒麻药品的包装容器外形图像数据进行学习建模，获取识别模型，包括：
116.步骤s301、将n张毒麻药品的包装容器外形图像划分为m张训练图像和n-m张验证图像并分别生成数据训练集和数据验证集；
117.步骤s302、将m张训练图像按照每个训练组的预设数据承载数量划分为多个训练数据组，设置训练数据组的单次批量处理数据最大数量和超参数以及分辨率；
118.步骤s303、将yolov5机器学习算法和识别模式写入到预设神经网络模型中，利用所述预设神经网络模型对多个训练数据组中的训练图像进行六次识别训练；
119.步骤s304、对六次训练后的预设神经网络模型的输出数据进行误差分析，根据分
析结果确定训练模型是否合格，若是，将其确认为识别模型。
120.在本实施例中，超参数可以为不为零的正整数；
121.在本实施例中，六次识别训练是为了保证预设神经网络模型实现收敛的最佳训练次数。
122.上述技术方案的有益效果为：通过生成数据训练集和数据验证集既可以对模型进行训练同时还可以对其进行验证，进一步地提高了实用性，进一步地，通过划分训练数组和图像数据的批量处理参数可以使得模型进行数据的有序训练，进一步地提高了稳定性。
123.在一个实施例中，所述将所述识别模型加载到终端应用程序中对毒麻药品进行批量识别计数回收，包括：
124.将所述识别模型进行编码以获取编码结果，将所述编码结果写入到所述终端应用程序中以生成毒麻药品识别程序；
125.采集待识别毒麻药品包装容器的目标图像，利用所述毒麻药品识别程序对目标图像进行识别以确定容器数量和容器种类以及容器使用状态；
126.根据容器数量和容器种类以及容器使用状态对毒麻药品包装容器进行批量归类回收处理；
127.将毒麻药品包装容器的计数识别信息加入到备案系统与取药人和还药人的信息相匹配；
128.若不匹配，生成信息不匹配提示通过预设信息平台告知用药医生和药品管理员。
129.在本实施例中，毒麻药品识别程序表示为可运行在计算机或者服务器终端的毒麻药品识别应用程序。
130.上述技术方案的有益效果为：可以通过电脑等终端对待识别玻璃容器进行智能识别分类和回收处理工作，提高了智能化和回收效率，节省了人力成本，进一步地提高了实用性，进一步地，通过将毒麻药品包装容器的计数识别信息加入到备案系统与取药人和还药人的信息相匹配可以记录每个毒麻药品的使用情况信息，实现对每个毒麻药品使用流程的精确监控，进一步地提高了实用性。
131.在本实施例中，将毒麻药品包装容器的计数识别信息加入到备案系统，具体为：
132.获取所述备案系统对应存储服务器的节点状态信息；
133.根据所述节点状态信息确定存储服务器中的空闲节点，调取每个空闲节点的剩余存储资源；
134.确定存储毒麻药品包装容器的计数识别信息所需要的内存值；
135.根据所述每个空闲节点的剩余存储资源和存储毒麻药品包装容器的计数识别信息所需要的内存值计算出每个空闲节点的推荐度：
[0136][0137]
其中，fi表示为第i个空闲节点的推荐度，di表示为第i个空闲节点的数据传输效率，t
1i
表示为第i个空闲节点的剩余存储资源，t
2i
表示为第i个空闲节点的总分配存储资源，α表示为节点的分配资源比例对数据传输效率的增益因子，log表示为对数，p
′
表示为存储毒麻药品包装容器的计数识别信息所需要的内存值，pi表示为第i个空闲节点的分配内
存值，e表示为自然常数，取值为2.72，ai表示为第i个空闲节点的处理能力值，b表示为毒麻药品包装容器的计数识别信息对应的数据量，bi表示为第i个空闲节点的单周期最大存储数据量，di表示为第i个空闲节点的传输时延指数，vi表示为第i个空间节点的当前网络带宽，v’表示为预设参考带宽阈值；
[0138]
选择出推荐度最大的目标空闲节点作为数据传输节点；
[0139]
将毒麻药品包装容器的计数识别信息通过所述目标空闲节点备案系统对应存储服务器中。
[0140]
上述技术方案的有益效果为：通过根据每个空闲节点的状态参量和工作参数来计算出其推荐度可以根据每个空闲节点对于毒麻药品包装容器的计数识别信息的消化情况和传输效率以及传输时延和和传输能力等多个维度来综合地评估出每个空闲节点的适配度从而选择出推荐度最高的空闲节点进行数据传输，既保证了数据传输效率同时还保证了数据传输的稳定性和内存，提高了实用性。
[0141]
在一个实施例中，所述对六次训练后的预设神经网络模型的输出数据进行误差分析，根据分析结果确定训练模型是否合格，若是，将其确认为识别模型，包括：
[0142]
通过数据验证集中的验证图像输入到所述训练后的预设神经网络模型进行识别，获取识别结果；
[0143]
根据所述识别结果确定训练后的预设神经网络模型的识别错误概率，根据所述识别错误概率分析出训练后的预设神经网络模型的识别误差；
[0144]
确认所述识别误差是否在预设误差阈值范围内，若是，确定训练模型合格，若否，确定所述训练模型不合格；
[0145]
当确认训练模型合格后，将其确认为所述识别模型。
[0146]
在本实施例中，识别错误概率表示为训练后的预设神经网络模型识别标签错误和识别外形错误以及识别瓶内药品状态错误的综合概率；
[0147]
在本实施例中，识别误差表示为训练后的预设神经网络模型对于毒麻药品的包装容器的识别失败数量与识别成功数量的比值。
[0148]
上述技术方案的有益效果为：通过根据训练模型的识别错误概率来对训练模型的识别误差进行分析可以快速地确定训练模型的识别效果进而选择是否对其进行继续训练，保证了训练模型的精度和训练效果，进一步地提高了稳定性和实用性。
[0149]
在一个实施例中，所述方法还包括：
[0150]
获取所述识别模型的模型参数，根据所述模型参数获取识别模型的损失函数均值、检测loss均值、分类loss均值、精度值和召回率阈值；
[0151]
根据所述损失函数均值和检测loss均值确定识别模型的检测精度；
[0152]
基于所述分类loss均值确定识别模型的分类精度；
[0153]
根据所述精度值和召回率阈值确定识别模型的识别精度，基于所述检测精度、分类精度和识别精度确定识别模型是否需要继续训练。
[0154]
上述技术方案的有益效果为：通过根据模型参数确定识别模型在各个功能维度的精度情况从而可以进一步地确定模型的识别效果，进一步地保证了模型的精度和识别准确率。
[0155]
在一个实施例中，所述根据容器数量和容器种类以及容器使用状态对毒麻药品包
装容器进行批量归类回收处理，包括：
[0156]
根据所述容器种类将待识别毒麻药品包装容器进行划分，获取第一划分结果；
[0157]
根据所述容器使用状态对所述第一划分结果中每种毒麻药品包装容器进行使用完毕空瓶和未使用完毕半瓶以及未使用全瓶进行划分，获取第二划分结果；
[0158]
根据所述第一划分结果和第二划分结果选择适配的回收模式对毒麻药品包装容器进行批量回收处理。
[0159]
上述技术方案的有益效果为：通过根据对毒麻药品包装容器进行两次划分可以全面地确定毒麻药品包装容器的所有状态进而选择出每个毒麻药品包装容器的最佳回收模式，进一步地保证了回收效率。
[0160]
本实施例还公开了一种药品包装和容器外形建模识别和计数系统，如图4所示，该系统包括：
[0161]
采集模块401，用于通过预设图像采集方式采集n张毒麻药品的包装容器外形图像数据；
[0162]
设置模块402，用于设置毒麻药品的包装容器图像的识别模式；
[0163]
建模模块403，用于基于所述识别模式通过yolov5机器学习算法对所述n张毒麻药品的包装容器外形图像数据进行学习建模，获取识别模型；
[0164]
加载模块404，用于将所述识别模型加载到终端应用程序中对毒麻药品进行批量识别计数回收。
[0165]
上述技术方案的工作原理及有益效果在方法权利要求中已经说明，此处不再赘述。
[0166]
本领域技术用户员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
[0167]
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。