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(wǎng)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(tǒng)對醫(yī)療垃圾進行分類的一個重要前提是實現(xiàn)對不同類別醫(yī)療垃圾的識別。通過對機器視覺方案的設計，能夠實現(xiàn)系統(tǒng)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(yī)療垃圾分類能夠借助信息視同實現(xiàn)室內(nèi)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(huán)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(xiàn)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(tǒng)設計，實現(xiàn)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(yī)療垃圾分類系統(tǒng)中的應用能力較強，能夠確保整體系統(tǒng)的穩(wěn)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(xiàn)預先的判定，確保準確進行醫(yī)療垃圾的識別[1]。

1.2 機器視覺方案實現(xiàn)

在醫(yī)療垃圾分類系統(tǒng)設計過程中，所使用的是OpenCV（Open Source Computer Vision Library）實現(xiàn)背景差分算法，這種算法首先通過cvtColor函數(shù)將采集到的三通道RGB圖像轉換成單通道的灰度圖像?；叶葓D像中每一個像素值均為0-255之間的值。但是，在系統(tǒng)運行中，外部條件不一致，外部光照出現(xiàn)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(shù)實現(xiàn)二值化處理，然后像素就會變?yōu)?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(xiàn)背景的區(qū)分。

其次，為了減少圖像像素的明顯變化，系統(tǒng)會對已有的灰度圖像進行二值化處理，被檢測到的醫(yī)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(tǒng)上進行系統(tǒng)檢測，發(fā)現(xiàn)被識別的物體能夠清晰地呈現(xiàn)在系統(tǒng)之中，并且可以高效快速地進行大量物品的識別，有利于醫(yī)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(xiàn)方面具有一定的精準度，能夠有效應用在系統(tǒng)之中，配合其他系統(tǒng)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(xiàn)了對各類醫(yī)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(tǒng)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(jié)省成本，達到醫(yī)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(tǒng)的運行效率，減少了預處理操作環(huán)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(xiàn)

在醫(yī)療垃圾分類系統(tǒng)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(tǒng)深度學習方案的實現(xiàn)，在系統(tǒng)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(jīng)網(wǎng)絡。

表1 深度學習方案測試結果

一般來說，要對醫(yī)療工作中所涉及到的全部醫(yī)療垃圾樣本進行信息采集，這里主要識別的醫(yī)療物品有醫(yī)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(tài)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(shù)十個圖樣信息的采集，記錄醫(yī)療物品的不同形態(tài)，最終能夠實現(xiàn)深度學習系統(tǒng)神經(jīng)網(wǎng)絡的構建，確保系統(tǒng)在應用過程中，能夠對各類物品進行有效識別。通過對醫(yī)療垃圾分類系統(tǒng)進行測試（如表1），測試結果發(fā)現(xiàn)，深度學習方案對注射器、輸液袋、醫(yī)用手套等醫(yī)療廢物的識別能力能夠達到99%，可以有效解決醫(yī)療垃圾分類的問題。

3 結語

總而言之，借助于現(xiàn)在信息技術構建醫(yī)療垃圾分類系統(tǒng)時，需要通過不同方案和模型的構建，經(jīng)過系統(tǒng)的不斷測試和應用，才能夠不斷改進設計方案，實現(xiàn)系統(tǒng)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(yī)院所產(chǎn)生的醫(yī)療廢物類型也有細微的差別，因此說，系統(tǒng)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(chuàng)新，提高系統(tǒng)建設能力[3]。