基于机器视觉与深度学习的医疗垃圾分类系统应用

梁怀新 孙小棋 张众磊 杨鑫 （通讯作者）

1．秦皇岛市疾病预防控制中心 河北秦皇岛 066000／清华大学天津高端装备研究院 天津 300300 2．富士机电（天津）有限公司 天津 300450 3．北京时间中国网科技有限公司 天津 300300

1 机器视觉设计应用分析

1.1 机器视觉方案设计

利用信息系统对医疗垃圾进行分类的一个重要前提是实现对不同类别医疗垃圾的识别。通过对机器视觉方案的设计，能够实现系统构想。简单来说，机器视觉方案主要有以下几个要点。一是一般医疗垃圾分类能够借助信息视同实现室内的识别，在对垃圾进行扫描的过程中，需要进行画面的捕捉。

二是在进行画面捕捉的过程中，由于外界的环境因素不确定，主要是光亮的明暗程度会对垃圾画面的识别造成一定的影响。为了避免出现相关问题，在进行机器视觉设计时，主要使用了背景差分算法进行系统设计，实现垃圾识别平台的补照强光。三是之所以会使用背景差分的算法，主要是应为该算法在医疗垃圾分类系统中的应用能力较强，能够确保整体系统的稳定和运行。在算法的具体应用过程中，主要是通过当前帧与背景帧进行运算，对垃圾物品实现预先的判定，确保准确进行医疗垃圾的识别[1]。

1.2 机器视觉方案实现

在医疗垃圾分类系统设计过程中，所使用的是OpenCV（Open Source Computer Vision Library）实现背景差分算法，这种算法首先通过cvtColor函数将采集到的三通道RGB图像转换成单通道的灰度图像。灰度图像中每一个像素值均为0-255之间的值。但是，在系统运行中，外部条件不一致，外部光照出现变化的话，灰度的像素值也会有所波动，考虑到这一情况，针对有灰度的图片，采用threshold函数实现二值化处理，然后像素就会变为0与255两个值，然后再将待识别的二值化图片同二值化背景图像做差值，实现背景的区分。

其次，为了减少图像像素的明显变化，系统会对已有的灰度图像进行二值化处理，被检测到的医疗垃圾的具体图像十分明显和清晰，能够进行人眼识别与判断。最后，通过背景差分算法在被应用在系统上进行系统检测，发现被识别的物体能够清晰地呈现在系统之中，并且可以高效快速地进行大量物品的识别，有利于医疗垃圾分类工作的开展，提高垃圾分类的工作效率。机器视觉方案实际上涉及到很多复杂的计算机算法和技术，在具体的技术实现方面具有一定的精准度，能够有效应用在系统之中，配合其他系统开展工作[2]。

2 深度学习方案应用分析

2.1 深度学习方案设计

在深度学习方案上面，主要应用MobileNet结构模型实现了对各类医疗物品的分类卷积，该结构由深度级可分离卷积（depthwise separable convolution）作为基础单元组成，该方法融合两种卷积方法depthwise convolution和 pointwise convolution，如图1所示。简单来说，深度分离卷积主要指的是将传统的卷积分为一个深度卷积和1×1卷积，在方案应用过程中，深度分离卷积的运行速度更快，更能够节省成本，达到医疗垃圾分类的目的。

同时，在方案设计的过程中，MobileNet结构在深度分离卷积后增加了激活层，该激活层主要是用于提升系统的运行效率，减少了预处理操作环境，提高了物品的分类工作效率。

图1 Depthwise separable convolution

2.2 深度学习方案实现

在医疗垃圾分类系统正式运行之前，想要确保对不同垃圾的有效识别，就需要进行系统深度学习方案的实现，在系统中进行Caffe深度学习框架和MobileNet模型安装以后，还需要对将要识别的物品进行信息采集，训练模型继而形成一个完整的神经网络。

表1 深度学习方案测试结果

一般来说，要对医疗工作中所涉及到的全部医疗垃圾样本进行信息采集，这里主要识别的医疗物品有医用手套、防护服、止血钳等，在物品信息采集过程中，需要不断变换物品的形态和摆放位置。这是因为在进行垃圾识别扫描的过程中，物品不是有序摆放，而是杂乱无章放置在传输台上。通过数十个图样信息的采集，记录医疗物品的不同形态，最终能够实现深度学习系统神经网络的构建，确保系统在应用过程中，能够对各类物品进行有效识别。通过对医疗垃圾分类系统进行测试（如表1），测试结果发现，深度学习方案对注射器、输液袋、医用手套等医疗废物的识别能力能够达到99%，可以有效解决医疗垃圾分类的问题。

3 结语

总而言之，借助于现在信息技术构建医疗垃圾分类系统时，需要通过不同方案和模型的构建，经过系统的不断测试和应用，才能够不断改进设计方案，实现系统的有效运行。在机器视觉方案和深度学习方案设计和应用工作开展中，需要工作人员注意是，由于不同医院所产生的医疗废物类型也有细微的差别，因此说，系统设计和完善需要结合实际情况开展功能设计工作，并且在机器视觉方案和深度学习方案设计上也需要不断升级创新，提高系统建设能力[3]。