[发明专利]基于深度学习的药品识别系统及其识别方法

权利要求书

1.基于深度学习的药品识别系统及其识别方法，其特征在于：

利用深度学习构建药品的识别系统，识别药品的关键性特征。传统识别方法的不足是因为药品复杂性，特征提取方法不能处理多变的图像，特征点提取方法需要人工专家定义重要的特征点位置。而且，对于哪些特征点重要也不能给出统一的标准。基于深度学习的卷积神经网络(CNN)可以自动生成特征，这就避免人为特征提取上的不稳定性以及盲点。与传统特征提取方法不同，CNN通过卷积核提取特征，每一个神经元和前一层的局部感受区域相连，通过卷积核计算局部特征。每个较低层的输出作为更高层的输入，可以从大量输入数据中学习有效的特征表示，学习到的高阶表示中包含输入数据的许多结构信息，是一种从数据中提取特征表示的好方法，能够用于分类、回归和信息检索等特定问题中。方法的主要三个部分包括：药品图像训练样本、测试样本、目标图像的预处理；构建模型单元；识别输出单元。

2.如权利1要求说述的基于深度学习的药品识别方法，其特征在于：

药品图像训练样本、测试样本、目标图像的预处理。包括求取图像的灰度图，边缘检测及外框处理；

预处理

2.1预处理:求取灰度图

在预处理阶段，由于真彩色图像包含的信息量很大，这会严重影响图像处理的速度，因此，我们先对图像进行灰度化处理。真彩色图像也可以称作RGB图像，图像上每个像素都有R、G、B这3个分量，本文采用的是加权平均法，即给每个像素的3个分量分配不同的权值，然后计算它们的加权平均数，公式如下

R=G=B=WRR+WGG+WBB3]]>

式中：WR、WG、W B分别为R、G、B的权值，经过多次测试验证，在医院药房现有的药品包装的图片库中，我们发现复杂的图像背景中，当WR＝0.291，WG＝0.592，WB＝0.117时得到的是最为合理的灰度图。

2.2预处理:边缘检测及外框处理

由于药品在输送过程中，在图像中的占比和位置不定，为了使接下来的处理速度进一步提升、图像识别更加精确，首先需要定位药品的外边框位置，接下来的处理就可以集中在我们需要的部分，而排除大量的背景图像干扰，也进一步减轻识别运行负担，提高检测速度；

首先，灰度化处理后，我们对所得图形再进行边缘检测处理，这样使字符区域更为突出显示。本发明采用的是基于拉普拉斯-高斯(LOG)的边缘检测，它利用信号的二阶导数等于零时幅度的一阶导数最大原理，通过寻找图像的二阶导数的零点来确定图像的边缘。利用拉普拉斯高斯算子在进行边缘检测时，首先将图像与高斯函数进行卷积运算，得到高斯函数处理后的平滑图像；

h(x，y)＝f(x，y)×G(x，y)

G(x,y)=12πσ2exp[-12σ2(x2+y2)]]]>

σ为高斯函数方差，与平滑度成正比；然后对平滑后的图像h(x，y)进行拉普拉斯变换，得到拉普拉斯高斯算子边缘检测图像。