[發明專利]一種智能化學藥品存儲柜

有效

• 申請號: 202010747508.3
• 申請日: 2020-07-29
• 公開（公告）號: CN111899436B
• 公開（公告）日: 2023-04-28
• 發明（設計）人: 李璟然;秦紅燕
• 申請（專利權）人: 北京市永康藥業有限公司
• 主分類號: G07F17/12
• 分類號: G07F17/12;G07C9/00;A47B67/02;A47B96/02;A47B97/00;B01L1/00;G06K7/14
• 代理公司: 北京高航知識產權代理有限公司 11530
• 代理人: 鄭華麗

1.一種智能化學藥品存儲柜，其特征在于，其包括主柜體、控制裝置和與所述主柜體鉸接的柜門；

所述主柜體中設置隔板，所述隔板將所述主柜體內部劃分為多個儲物格；

所述儲物格內部設置有傳感器組、調節裝置和檢測裝置，每個儲物格上均設置有隔離門，所述隔離門與由隔板組成的儲物格的開口邊緣鉸接；

所述傳感器組用于檢測儲物格中的環境條件數據；所述調節裝置用于調節所述儲物格中的環境條件；所述檢測裝置用于檢測放入儲物格中的化學藥品的屬性信息；

所述柜門上設置有門鎖、門鎖驅動裝置和攝像頭，所述門鎖驅動裝置用于控制所述門鎖的打開和關閉；

所述傳感器組、調節裝置、檢測裝置、門鎖驅動裝置和攝像頭均與所述控制裝置電性連接；

所述攝像頭用于獲取使用化學藥品存儲柜的用戶的頭部圖像，并將所述頭部圖像傳輸至控制裝置；

所述控制裝置用于根據所述頭部圖像判斷所述用戶是否具有使用化學藥品存儲柜的權限，若所述用戶具有使用化學藥品存儲柜的權限，則控制裝置通過門鎖驅動裝置控制門鎖打開；

所述控制裝置包括預處理模塊、提取模塊、特征計算模塊和判斷模塊；

所述預處理模塊用于對所述頭部圖像進行降噪處理，獲得第一圖像；

所述提取模塊用于對所述第一圖像進行分割處理，從所述第一圖像中分割出只包含臉部區域的第二圖像；

所述特征計算模塊用于根據所述第二圖像，獲取臉部特征信息；

所述判斷模塊用于將特征計算模塊獲取的臉部特征信息與預存的臉部特征信息進行匹配，若匹配成功，表示所述用戶具有使用化學藥品存儲柜的權限；

所述對所述頭部圖像進行降噪處理，獲得第一圖像，包括：

對所述頭部圖像進行增強處理，獲得增強圖像；

將所述增強圖像轉化為灰度圖像；

對所述灰度圖像進行降噪處理，獲得第一圖像；

所述對所述頭部圖像進行增強處理，獲得增強圖像，包括：

使用K均值聚類算法將頭部圖像中的像素點劃分為不同的簇；

為不同的簇自適應計算不同的尺度系數；

對每一個簇，根據該簇相應的尺度系數，使用retinex算法對該簇中的像素點進行增強處理；

所有增強后的像素點組成增強圖像；

使用K均值聚類算法將頭部圖像中的像素點劃分為不同的簇，包括：

通過如下迭代計算的方式確定K均值聚類的中心：

對于第1次迭代計算，將頭部圖像中的所有像素點存入集合Q，隨機選取集合Q中的一個元素q₁作為初始聚類中心,將q₁加入聚類中心集合HQ，將Q中除了q₁之外的元素存入集合aQ；

計算q₁與集合aQ中每一個元素之間的聚類距離，將q₁與集合aQ中每一個元素之間的聚類距離存入集合S，聚類距離計算方式如下：

cludis(q₁,q_c)＝w₁os(q₁,q_c)+w₂|Hdis(q₁,q_c)|

式中，cludis(q₁,q_c)表示q₁和集合Q中的元素q_c之間的聚類距離，os(q₁,q_c)表示q₁和q_c的空間距離，Hdis(q₁,q_c)表示q₁和q_c在HSV顏色空間中的色調分量的差值；

從S中選出最小值minS，比較minS和判斷閾值之間的大小，fhtre和sthre均為預設的判斷閾值，且fhtre大于sthre，

若minSfthre，則將在aQ中取得minS的元素q_mi從aQ中刪除，并將q_mi存入HQ；

若sthre≤minS≤fthre，則將q_mi加入q₁所在的簇，同時將q_mi存入HQ；

若sthreminS，則將q_mi加入q₁所在的簇，同時將aQ中取得minS的元素q_mi從aQ中刪除；

對于第t次迭代，t≥2，從集合aQ_t-1中隨機選取一個元素q_t，獲取q_t和集合HQ_t-1中的元素之間的聚類距離的最小值minS_t，比較minS_t和判斷閾值之間的大小，fhtre和sthre均為預設的判斷閾值，且fhtre大于sthre，aQ_t-1表示第t-1次迭代計算所獲得的集合，HQ_t-1表示第t-1次迭代計算所獲得的聚類中心集合，

若minS_tfthre，則將aQ_t-1中取得minS_t的元素q_t從aQ_t-1中刪除，并將q_t存入HQ_t-1；

若sthre≤minS_t≤fthre，則將q_t加入在HQ_t-1中與q_t取得minS_t的元素所在的簇，同時將q_t存入集合HQ_t-1；

若sthreminS_t，則將q_t加入在HQ_t-1中與q_t取得minS_t的元素所在的簇，同時將aQ_t-1中取得minS_t的元素q_t從aQ_t-1中刪除；

重復上述迭代運算直到aQ_t-1中的元素數量為0，將此時的聚類中心集合記為HQ_end；

HQ_end的每一個元素都對應著一個簇，將HQ_end中第d個元素所對應的簇記為clu_d，則該clu_d的中心為clu_d中所有像素點的平均坐標；將平均坐標記為(x_ave,y_ave)，式中，R表示clu_d中所有像素點的集合，r表示R中第r個像素點，x_r和y_r分別表示R中第r個像素點在頭部圖像中的橫坐標和縱坐標；

將clu_d中距離平均坐標最近的像素點作為該簇的最終聚類中心；

將聚類中心集合HQ_end中每一個元素所對應的簇的最終聚類中心存入集合endclu，將endclu中的像素點作為K均值聚類的中心，

基于所述K均值聚類的中心，使用K均值聚類算法對頭部圖像中的像素點進行聚類運算，將頭部圖像中的像素點劃分為不同的簇。