基于圖像識別的智能藥箱設計與優化

樊 輝，郭東軍，曹 浩，蘇波泳

（1.南通大學電氣工程學院，江蘇 南通 226019；2.南通大學工程訓練中心，江蘇 南通 226019；3.南通大學機械工程學院，江蘇 南通 226019）

1 引言

隨著醫療水平的進步和社會的發展，中國人口老齡化問題日益加重。據統計，截至2017年，中國80歲及以上人口已達2600萬，占國家總人口的1.8%。到2019年，中國60歲及以上人口達到2.49億，占總人口的17.9%［1］。老年人處于疾病高發階段，服藥需求大，且個人自理能力下降，經常發生錯服、漏服、多服藥的情況。因此，如何確保老人按時、準確的用藥成為了現下急需解決的社會問題之一。

針對老年人服藥的問題，國內外許多研究人員開發設計了一系列老人家用藥箱。文獻［2］利用RFID 技術設計了一款智能藥柜。文獻［3］設計了一款基于ARM7體系LPC2148單片機的智能醫藥盒。文獻［4］設計了一款老年人家用智能藥箱，該藥箱主要基于人因工程和無障礙設計相關理論。文獻［5］立足于人機工程，分析老年人需求，完善了藥箱結構和外觀。文獻［6］提出了一種基于ARM的智能藥箱系統。

現有家用智能藥箱功能單一，主要功能是藥品收納和鬧鐘提醒，沒有針對老年人的特殊生活方式進行設計。部分智能藥箱先進行人工分藥，再定時提醒老人服藥，對于長期獨居的高齡老人來說依舊缺乏便利。現有的分藥裝置在機械結構設計上，使用振動電機配合計數器實現按量取藥，容錯率高，若出現意外，將會導致落藥數量過多，無法保證老人用藥安全。在此背景下，這里設計了一款新型智能藥箱。

2 智能藥箱結構設計

智能藥箱包括儲藥倉、落藥機構、藥品收納盒、蜂鳴器、顯示屏、手機控制端等部分。智能藥箱整體結構主要分為上、中、下三層。第一層為儲藥倉，用來存儲不同藥品，儲藥倉選用食品級PP材料，無毒無異味，耐腐蝕，能夠保證藥品密封性能。第二層為落藥機構，根據接收到的信號控制藥品下落。第三層為下落后的各類藥品集中存放區域，即藥品收納盒，并且藥品收納盒中裝有攝像頭，實時采集藥品圖像，對藥品質量進行監測。本藥箱整體為模塊化設計，可以將各個種類、各個尺寸的藥品放在不同儲藥倉中，并且在落藥時，通過各儲藥倉對應落藥機構進行落藥，實現模塊化工作。智能藥箱總體設計，如圖1所示。

圖1 智能藥箱總體設計Fig.1 Overall Design of the Smart Medicine Box

藥品的下落利用落藥機構實現，落藥機構包括落藥軌道、轉盤、與轉盤相連的上下兩盤臂、與上下盤臂連接的上下兩擋片、藥槽。其中，落藥機構的轉盤通過凸輪推動實現轉動［7］，凸輪則由與其連接的舵機驅動。

落藥具體步驟如下：

（1）藥品從儲藥倉經輸藥管下落到落藥軌道，藥品在軌道內依次排列，如圖2（a）所示。

圖2 落藥機構工作示意圖Fig.2 Schematic Diagram of Drug Drop Agency

（2）舵機控制凸輪旋轉，凸輪推動轉盤繞轉動軸正向擺動一定角度，使得上擋片和下擋片同時上抬，上擋片上抬使位于兩擋片間的藥品下落，下擋片上抬阻擋軌道上的其余藥品防止下落，如圖2（b）所示。

（3）藥品下落后順著藥槽進入藥品收納盒。

（4）轉盤由于重力作用自動復位，一次落藥完成，如圖2（c）所示。

3 智能藥箱控制與實現

3.1 智能藥箱出藥流程

智能藥箱控制出藥有兩種方式。一是手機端APP控制出藥。在有網絡的情況下，由監護人對藥箱進行預先設定出藥時間、藥品種類和數量，避免老人因各種原因忘記吃藥；二是藥箱本體觸摸屏控制出藥。本藥箱的每個分藥模塊都有各自獨立的控制按鍵，可通過觸摸屏按鍵預先設定出藥時間、藥品種類和數量，智能藥箱出藥流程，如圖3所示。

本工程位于抗震7度區，為滿足各個單體的抗震及嵌固要求，對各個單體進行分開計算，根據GB 50011—2010《建筑抗震設計規范》（2016年版）（以下簡稱“抗震規范”）要求，取主樓周邊外延3跨且不小于20m范圍的地下室作為各個單體的地下室進行抗震計算。地下室頂板作為上部結構的嵌固部位時，上述范圍的地下1層抗震等級同相應的上部結構的抗震等級，地下1層以下抗震構造措施的抗震等級可逐層降低但不低于四級，無上部結構的地下室抗震等級按自身情況根據抗震規范確定。主樓和裙房分縫處考慮抗震變形影響，可設置防碰撞措施[4]。

圖3 智能藥箱出藥流程Fig.3 Intelligent Medicine Box Dispensing Process

3.2 智能藥箱控制功能實現

智能藥箱控制功能，如圖4所示。包括主控芯片、電源模塊、舵機、物聯網模塊、光電開關、對射激光傳感器、LCD電容屏以及語音模塊等。其中，主控芯片選用STM32F1芯片。物聯網模塊選用ATK-ESP8266 模塊，并選用串口轉WIFI STA模式來連接網絡。舵機是一種位置伺服的驅動器，藥箱通過舵機控制各個出藥模塊的運行。語音模塊即用來完成語音提醒功能，該模塊支持單曲不循環模式，即觸一次播放一次后停止播放，也支持單曲循環模式，即觸發一次播放一次后一直播放當前樂曲。LCD電容屏選用ATK-4.3’TFTLCD 電容觸摸屏，主要用來顯示各個藥倉的信息，也可控制出藥種類和數量。使用對射激光傳感器檢測出藥的數量，每出一粒藥，觸發一次單片機的外部中斷，進行計數。使用光電開關檢測老人是否來取藥，當老人來取藥時，傳感器會反饋給單片機一個信號，單片機控制語音模塊停止語音提醒。

圖4 智能藥箱控制功能圖Fig.4 Intelligent Medicine Box Control Function Diagram

3.3 手機端APP設計

用戶安裝藥箱配套的移動端APP 后，便可通過網絡控制藥箱，用戶可通過APP設置出藥量，出藥種類及出藥時間，到達出藥時間后，手機APP可通過網絡向智能藥箱發送命令，使之語音提醒老人吃藥，并出藥。APP界面，如圖5所示。

圖5 智能藥箱APP界面Fig.5 Intelligent Medicine Box APP Interface

4 基于圖像識別的智能藥箱優化

4.1 優化目標與約束條件

在實現上述自動落藥功能的基礎上，通過簡單實驗發現，藥品在存儲或落藥過程中可能會出現質量問題。而老人可能視力不好，無法對藥物進行質量檢查，若隨意服用易造成意外情況。基礎的藥箱功能已無法滿足實際需要。因此，這里以實現藥品質量監測作為優化目標，藥品質量作為約束條件，創新設計了一個藥品質量監測輔助裝置。即在藥品收納盒內部加裝攝像頭，對藥品質量實時監測，并利用四元數與自組織神經網絡結合的圖像邊緣檢測算法對獲取的藥物圖像進行邊緣提取分析對比，當檢測到藥物有質量問題時，藥箱語音功能發出警報，提醒老人勿服并更換新藥物。

4.2 算法介紹

這里引入四元數與自組織神經網絡兩種算法，將四元數作為圖像中基本的像素信息，利用單位四元數以及三維空間矢量旋轉構建的濾波器結合自組織神經網絡對濾波的結果進行分類區別邊緣點和非邊緣點，從而得到圖像的邊緣。

4.2.1 基于四元數的圖像邊緣特征

四元數也稱超復數，是對普通復數的一種擴展，一般四元數的形式［8］，如式（1）所示。

式中：γ0，γ1，γ2，γ3∈R（實數集），i，j，k—相對應的虛數因子，并且滿足關系式（2）：

當參數γ0=0時，四元數q為純四元數。

將四元數構成的三維矢量進行旋轉是一種常用的利用四元數尋找圖像邊緣的方法。假設以一個單位四元數u（即模為1）為旋轉軸，向量Q(x，y，z)旋轉度數為2θ，此時向量Q可以用純四元數q=ix+jy+kz表示。經過推導證明，該向量的旋轉結果，如式（3）所示。

如果使U=cosθ+usinθ，則上式可簡化表示為：

在RGB三維空間中，當一個圖像像素的RGB三分量值相等，則稱該向量為灰度矢量，灰度矢量可以作為判斷圖像邊緣很好的標尺［9］。對任一像素矢量對應的純四元數進行相應旋轉變換，從結果中三分量值的相近程度可以判斷出當前像素點是否為邊緣點。

衡量三分量的值是否相近，實質上是衡量結果矢量的純虛四元數部分和與其最模接近的灰度矢量的相近程度。兩個矢量的相近程度通常用歐幾里德距離來衡量，三維空間的歐幾里德距計算公式為：

當兩矢量的歐式距離接近或等于0時，可認為該點是非邊緣點，反之為邊緣點［10］。

4.2.2 自組織神經網絡（SOM）

歐氏距離對于如何界定邊緣點依然是模糊的，可以用兩種方法將得到的歐氏距離進行聚類分析，一種是人為進行數學統計分析，另一種是通過某種自動分類的算法分析。自組織神經網絡是符合要求的自動分類識別算法［11］，自組織神經網絡中包含自組織競爭網絡［12］、自組織特征映射網絡等類別。自組織特征映射網絡以其無教師示范的聚類特點被引入到這里的圖像邊緣檢測中。

自組織特征映射網絡（SOFM）的核心算法是一種無教師示范性質的聚類算法。網絡共分為輸入層和輸出層兩層，輸入層利用權值向量把從外界輸入的信息集中到輸出層的各個神經元，輸入樣本的維數與節點數是一致的。輸出層同時也是競爭層，節點數為需要分類的類數。并且，SOFM的學習過程相對更加簡潔［13］。

將得到的每個像素點對應的歐氏距離d作為訓練樣本進行SOFM網絡的訓練，訓練結束后的網絡就可以直接根據相關步驟對圖像進行邊緣檢測提取邊緣［14］。

4.3 監測流程

優化后的藥品質量監測裝置具體工作流程如下：

（1）藥品下落進入收納盒后，安裝在收納盒內部的攝像頭獲取藥品圖像，將其作為測試樣本；（2）通過四元數對藥品圖像進行邊緣像素信息，判斷像素點是否為邊緣點；（3）利用自組織神經網絡將得到的各像素點對應的歐式距離進行網絡訓練，隨后進行邊緣提取；（4）以預先提取好的完好藥品圖像邊緣作為訓練樣本，將提取的測試樣本邊緣與訓練樣本邊緣進行特征對比；（5）當訓練樣本與測試樣本特征不同時，即為下落的藥品有質量問題，藥箱語音功能發出警報提醒老人；反之，則藥品無質量問題。

4.4 實驗結果與數據分析

首先，獲取完好藥品圖像，提取完好藥品圖像邊緣作為訓練樣本，如圖6所示。根據貯藏環境和藥品下落過程的影響，藥品易出現殘缺、受潮、變色及表面生斑等質量問題［15］，具體邊緣圖像，如圖7所示。

圖6 完好藥品與邊緣提取Fig.6 Intact Medicine and Extracted Edge

圖7 問題藥品邊緣Fig.7 Problem Drug Fringe

隨后，將預先準備好的問題藥品與完好藥品混合，放入藥箱。根據完好藥品與問題藥品數量的不同，分別進行4組落藥實驗，每組進行50次，以此計算藥品質量監測的準確率，如表1所示。

表1 藥品質量監測實驗數據Tab.1 Drug Quality Monitoring Experimental Data

通過數據分析可發現，智能藥箱藥品質量監測裝置監測準確率達到100%，實現了基于圖像識別的智能藥箱優化目標。

5 結論

（1）設計了一種針對老年人特性的新型智能藥箱，藥箱整體采用模塊化設計，可通過觸摸屏設定落藥時間、藥品種類和數目。并設計了手機端APP，提前設定老人服藥種類、數量和時間，且通過傳感器檢測藥品數量是否滿足要求、老人是否按時取藥；（2）針對藥品質量監測問題對智能藥箱進行優化，創新設計了藥品質量監測裝置，引入一種四元數與自組織神經網絡結合的圖像邊緣檢測方法對藥品進行邊緣提取，實現藥品質量監測；（3）實驗數據表明，智能藥箱落藥過程順暢，能實現預期功能，且藥品質量監測裝置監測準確率達到100%，保障了老人服藥的安全性。