[發(fā)明專利]基于醫(yī)療組合蓋的圖像處理方法、裝置、設(shè)備及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202210487647.6
• 申請日: 2022-05-06
• 公開（公告）號: CN114742816A
• 公開（公告）日: 2022-07-12
• 發(fā)明（設(shè)計）人: 羅曉忠
• 申請（專利權(quán)）人: 心鑒智控（深圳）科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/73;G06V10/774;G06V10/80;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳漢林匯融知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44850
• 代理人: 吳洪波

本發(fā)明涉及人工智能領(lǐng)域，公開了一種基于醫(yī)療組合蓋的圖像處理方法、裝置、設(shè)備及存儲介質(zhì)，用于提高醫(yī)療組合蓋圖像檢測的準(zhǔn)確率。所述基于醫(yī)療組合蓋的圖像處理方法包括：對樣本圖像進(jìn)行信息標(biāo)注，得到標(biāo)簽信息，樣本圖像為有瑕疵的醫(yī)療組合蓋圖像和無瑕疵的醫(yī)療組合蓋圖像；將樣本圖像和標(biāo)簽信息輸入深度學(xué)習(xí)模型，并通過深度學(xué)習(xí)模型提取內(nèi)蓋特征圖與外蓋特征圖進(jìn)行模型訓(xùn)練，得到醫(yī)療組合蓋瑕疵檢測模型；獲取待檢測醫(yī)療組合蓋的目標(biāo)圖像輸入醫(yī)療組合蓋瑕疵檢測模型進(jìn)行瑕疵檢測，輸出檢測結(jié)果；根據(jù)檢測結(jié)果判斷待檢測醫(yī)療組合蓋是否為良品；若否，則對待檢測醫(yī)療組合蓋進(jìn)行剔除，并通過用戶界面對檢測結(jié)果進(jìn)行展示。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能領(lǐng)域，尤其涉及一種基于醫(yī)療組合蓋的圖像處理方法、裝置、設(shè)備及存儲介質(zhì)。

背景技術(shù)

隨著近年來藥品生產(chǎn)質(zhì)量管理規(guī)范不斷升級，醫(yī)藥行業(yè)對藥品生產(chǎn)質(zhì)量要求越來越高，制藥廠家在保證質(zhì)量的前提下對生產(chǎn)效率提高也有迫切的需求，因此醫(yī)療組合蓋生產(chǎn)機(jī)器加裝生產(chǎn)效率高、產(chǎn)品兼容性強(qiáng)的組合蓋檢測系統(tǒng)勢在必行。

現(xiàn)有方案通過人工目檢，人工目檢采用高亮光源輔助，手動調(diào)整角度目視檢測瑕疵，觀察到瑕疵即手動剔除，無法實現(xiàn)高效全自動化生產(chǎn)，即現(xiàn)有方案的準(zhǔn)確率低。

發(fā)明內(nèi)容

本發(fā)明提供了一種基于醫(yī)療組合蓋的圖像處理方法、裝置、設(shè)備及存儲介質(zhì)，用于提高醫(yī)療組合蓋圖像檢測的準(zhǔn)確率。

本發(fā)明第一方面提供了一種基于醫(yī)療組合蓋的圖像處理方法，所述基于醫(yī)療組合蓋的圖像處理方法包括：獲取多個醫(yī)療組合蓋的樣本圖像，并對所述樣本圖像進(jìn)行信息標(biāo)注，得到所述樣本圖像對應(yīng)的標(biāo)簽信息，其中，所述樣本圖像包括：有瑕疵的醫(yī)療組合蓋圖像和無瑕疵的醫(yī)療組合蓋圖像；將所述樣本圖像和所述標(biāo)簽信息輸入預(yù)置的深度學(xué)習(xí)模型，并通過所述深度學(xué)習(xí)模型提取所述樣本圖像的內(nèi)蓋特征圖與外蓋特征圖進(jìn)行模型訓(xùn)練，得到醫(yī)療組合蓋瑕疵檢測模型；獲取待檢測醫(yī)療組合蓋的目標(biāo)圖像，并將所述目標(biāo)圖像輸入所述醫(yī)療組合蓋瑕疵檢測模型進(jìn)行瑕疵檢測，輸出檢測結(jié)果；根據(jù)所述檢測結(jié)果判斷所述待檢測醫(yī)療組合蓋是否為良品；若否，則對所述待檢測醫(yī)療組合蓋進(jìn)行剔除，并通過預(yù)置的用戶界面對所述檢測結(jié)果進(jìn)行展示。

可選的，在本發(fā)明第一方面的第一種實現(xiàn)方式中，所述深度學(xué)習(xí)模型依次包括：目標(biāo)特征提取網(wǎng)絡(luò)、RPN網(wǎng)絡(luò)、ROI Align層和FCN網(wǎng)絡(luò)；所述目標(biāo)特征提取網(wǎng)絡(luò)用于提取所述樣本圖像的目標(biāo)特征圖，其中，所述目標(biāo)特征圖包括內(nèi)蓋特征圖、外蓋特征圖和融合特征圖；所述RPN網(wǎng)絡(luò)用于生成所述目標(biāo)特征圖對應(yīng)的預(yù)選框；所述ROI Align層用于將目標(biāo)特征圖中預(yù)選框進(jìn)行分割和端點池化并將所述預(yù)選框和目標(biāo)特征圖融合，生成標(biāo)注特征圖；所述FCN網(wǎng)絡(luò)用于對所述標(biāo)注特征圖的各個像素點進(jìn)行預(yù)測，得到所述樣本圖像對應(yīng)的預(yù)測結(jié)果。

可選的，在本發(fā)明第一方面的第二種實現(xiàn)方式中，所述將所述樣本圖像和所述標(biāo)簽信息輸入預(yù)置的深度學(xué)習(xí)模型，并通過所述深度學(xué)習(xí)模型提取所述樣本圖像的內(nèi)蓋特征圖與外蓋特征圖進(jìn)行模型訓(xùn)練，得到醫(yī)療組合蓋瑕疵檢測模型，包括：將所述樣本圖像和所述標(biāo)簽信息輸入預(yù)置的深度學(xué)習(xí)模型中；通過所述目標(biāo)特征提取網(wǎng)絡(luò)提取所述樣本圖像對應(yīng)的目標(biāo)特征圖；將所述目標(biāo)特征圖輸入所述RPN網(wǎng)絡(luò)中，并通過所述RPN網(wǎng)絡(luò)并根據(jù)預(yù)置的錨框信息生成所述目標(biāo)特征圖對應(yīng)的預(yù)選框；將所述預(yù)選框和所述目標(biāo)特征圖輸入所述ROI Align層，并通過所述ROI Align層對將所述預(yù)選框和目標(biāo)特征圖融合，并對所述預(yù)選框進(jìn)行分割和端點的池化，得到標(biāo)注特征圖；將所述標(biāo)注特征圖輸入所述FCN網(wǎng)絡(luò)，并通過所述FCN網(wǎng)絡(luò)對所述標(biāo)注特征圖的各個像素點進(jìn)行預(yù)測，得到所述樣本圖像對應(yīng)的預(yù)測結(jié)果并輸出；根據(jù)所述預(yù)測結(jié)果和所述標(biāo)簽信息，對所述深度學(xué)習(xí)模型的參數(shù)進(jìn)行優(yōu)化，直至所述深度學(xué)習(xí)模型收斂，得到所述醫(yī)療組合蓋瑕疵檢測模型。