基于機器視覺與深度學習的醫療垃圾分類系統應用

梁懷新 孫小棋 張眾磊 楊鑫 （通訊作者）

1．秦皇島市疾病預防控制中心 河北秦皇島 066000／清華大學天津高端裝備研究院 天津 300300 2．富士機電（天津）有限公司 天津 300450 3．北京時間中國網科技有限公司 天津 300300

1 機器視覺設計應用分析

1.1 機器視覺方案設計

利用信息系統對醫療垃圾進行分類的一個重要前提是實現對不同類別醫療垃圾的識別。通過對機器視覺方案的設計，能夠實現系統構想。簡單來說，機器視覺方案主要有以下幾個要點。一是一般醫療垃圾分類能夠借助信息視同實現室內的識別，在對垃圾進行掃描的過程中，需要進行畫面的捕捉。

二是在進行畫面捕捉的過程中，由于外界的環境因素不確定，主要是光亮的明暗程度會對垃圾畫面的識別造成一定的影響。為了避免出現相關問題，在進行機器視覺設計時，主要使用了背景差分算法進行系統設計，實現垃圾識別平臺的補照強光。三是之所以會使用背景差分的算法，主要是應為該算法在醫療垃圾分類系統中的應用能力較強，能夠確保整體系統的穩定和運行。在算法的具體應用過程中，主要是通過當前幀與背景幀進行運算，對垃圾物品實現預先的判定，確保準確進行醫療垃圾的識別[1]。

1.2 機器視覺方案實現

在醫療垃圾分類系統設計過程中，所使用的是OpenCV（Open Source Computer Vision Library）實現背景差分算法，這種算法首先通過cvtColor函數將采集到的三通道RGB圖像轉換成單通道的灰度圖像。灰度圖像中每一個像素值均為0-255之間的值。但是，在系統運行中，外部條件不一致，外部光照出現變化的話，灰度的像素值也會有所波動，考慮到這一情況，針對有灰度的圖片，采用threshold函數實現二值化處理，然后像素就會變為0與255兩個值，然后再將待識別的二值化圖片同二值化背景圖像做差值，實現背景的區分。

其次，為了減少圖像像素的明顯變化，系統會對已有的灰度圖像進行二值化處理，被檢測到的醫療垃圾的具體圖像十分明顯和清晰，能夠進行人眼識別與判斷。最后，通過背景差分算法在被應用在系統上進行系統檢測，發現被識別的物體能夠清晰地呈現在系統之中，并且可以高效快速地進行大量物品的識別，有利于醫療垃圾分類工作的開展，提高垃圾分類的工作效率。機器視覺方案實際上涉及到很多復雜的計算機算法和技術，在具體的技術實現方面具有一定的精準度，能夠有效應用在系統之中，配合其他系統開展工作[2]。

2 深度學習方案應用分析

2.1 深度學習方案設計

在深度學習方案上面，主要應用MobileNet結構模型實現了對各類醫療物品的分類卷積，該結構由深度級可分離卷積（depthwise separable convolution）作為基礎單元組成，該方法融合兩種卷積方法depthwise convolution和 pointwise convolution，如圖1所示。簡單來說，深度分離卷積主要指的是將傳統的卷積分為一個深度卷積和1×1卷積，在方案應用過程中，深度分離卷積的運行速度更快，更能夠節省成本，達到醫療垃圾分類的目的。

同時，在方案設計的過程中，MobileNet結構在深度分離卷積后增加了激活層，該激活層主要是用于提升系統的運行效率，減少了預處理操作環境，提高了物品的分類工作效率。

圖1 Depthwise separable convolution

2.2 深度學習方案實現

在醫療垃圾分類系統正式運行之前，想要確保對不同垃圾的有效識別，就需要進行系統深度學習方案的實現，在系統中進行Caffe深度學習框架和MobileNet模型安裝以后，還需要對將要識別的物品進行信息采集，訓練模型繼而形成一個完整的神經網絡。

表1 深度學習方案測試結果

一般來說，要對醫療工作中所涉及到的全部醫療垃圾樣本進行信息采集，這里主要識別的醫療物品有醫用手套、防護服、止血鉗等，在物品信息采集過程中，需要不斷變換物品的形態和擺放位置。這是因為在進行垃圾識別掃描的過程中，物品不是有序擺放，而是雜亂無章放置在傳輸臺上。通過數十個圖樣信息的采集，記錄醫療物品的不同形態，最終能夠實現深度學習系統神經網絡的構建，確保系統在應用過程中，能夠對各類物品進行有效識別。通過對醫療垃圾分類系統進行測試（如表1），測試結果發現，深度學習方案對注射器、輸液袋、醫用手套等醫療廢物的識別能力能夠達到99%，可以有效解決醫療垃圾分類的問題。

3 結語

總而言之，借助于現在信息技術構建醫療垃圾分類系統時，需要通過不同方案和模型的構建，經過系統的不斷測試和應用，才能夠不斷改進設計方案，實現系統的有效運行。在機器視覺方案和深度學習方案設計和應用工作開展中，需要工作人員注意是，由于不同醫院所產生的醫療廢物類型也有細微的差別，因此說，系統設計和完善需要結合實際情況開展功能設計工作，并且在機器視覺方案和深度學習方案設計上也需要不斷升級創新，提高系統建設能力[3]。