基于机器视觉的医疗设备故障应急维修方法

张迎春

（长治市人民医院，山西长治 046000）

0 引言

由于医疗设备长期处于使用状态，因此不可避免会出现故障问题[1]。根据医疗设备的故障原因，可以将其分为日常使用故障、电路故障、软件故障以及机械故障。不同的故障类型需要采取不同的维修方式，因此在执行故障应急维修前，首先需要确定设备的故障类型。目前的医疗设备故障应急维修方法存在维修效率低、维修效果差等问题，其主要原因是无法确定医疗设备故障的类型和位置。

机器视觉是指用机械替代人眼进行测量和判断的过程。机器视觉采集图像信号传输至图像处理模块，以获取物体的形态信息，并依据图像的亮度、色彩等信息，对图像进行运算，以撷取物体的特性，并依据识别结果控制现场装置。机器视觉技术的应用，能够提高医疗设备故障应急维修的效率和效果。

1 医疗设备故障应急维修方法设计

1.1 医疗设备工作图像采集与预处理

1.1.1 采集设备工作图像

在医疗设备周围安装线阵CCD 传感器，通过扫描的方式获取医疗设备的二维图像。线阵CCD 传感器的成像过程可以量化表示为：

其中，参数m、L 和f 分别为像元数量、传感器与待维修医疗设备之间的距离以及像距，最终得出的结果（x，y）是采集图像中的任意一个像素点，S 为采集图像集合[2]。按照传感器的扫描顺序，对所有的像素点采样结果进行排序与整合，得出医疗设备工作状态下的图像采集结果。

1.1.2 图像灰度化处理

图像经过灰度化处理，既能保留整个图像的结构和特性，又能将三路通道降低至一路，大大降低了运算量。医疗设备初始图像中任意像素点的灰度化处理过程可以表示为：

其中，R、G 和B 为初始图像像素点红、绿、蓝3 个颜色分量，Gray（x.y）表示初始图像中（x.y）位置像素点的灰度值。将初始采集图像中的所有像素点代入式（2），完成图像的灰度化处理。

1.1.3 图像亮度均衡处理

由于环境中的光照和线性CCD 传感器自身对成像的影响，相同颜色的实际物体在图像中可能会显示出不同颜色，采集的图像对难免存在不同程度的亮度差异。亮度差异会直接影响机器视觉对故障位置的判断效果，因此有必要对图像亮度进行均衡化[3]。定义医疗设备图像各灰度值出现概率为P（l），则图像的亮度均衡处理结果可以表示为：

其中，J（x，y）为亮度均衡处理结果。按照上述过程，将原始图像中的非均匀性的像素点转换成均匀分布，使得某一灰度区内的像素数目大致相同，以尽量保证图像对应的直方图的相似性，提高图像的整体对比度。

1.1.4 过滤图像噪声

由于图像采集过程中，医疗设备工作会产生大量的电磁波，可能会对图像采集结果产生干扰，使得图像中存在噪声信号，为了保证故障类型与位置的检测精度，需降低图像中的噪声信号。选择高斯滤波作为图像滤波去噪方式，将连续的二维高斯函数进行离散化处理得到高斯模板为：

其中，d 为高斯模板的长度大小，M 为高斯模板。将式（4）表示的高斯模板放置在医疗设备采集图像的初始端，移动噪声过滤模板，得出医疗设备图像的降噪结果：

其中，参数ω 为图像各个像素点的权重值，（fx，y）为图像降噪结果。按照上述处理过程得到对医疗设备图像中所有像素点的处理结果。

1.2 利用机器视觉技术确定医疗设备故障类型与位置

以采集并处理完成的医疗设备图像为处理对象，利用机器视觉技术，通过设置故障比对标准、图像特征提取、特征匹配等步骤，确定当前医疗设备是否存在故障、故障类型以及故障点位置。

1.2.1 设置医疗设备故障比对标准

医疗设备故障类型中，日常使用故障主要是操作失误产生的，而日常使用故障大多数为设备老化或短路故障，因此在此次故障类型的检测过程中，忽略该故障类型。医疗设备电路故障可以分为短路故障、断路故障和元器件老化故障，其中短路故障是主控电流电源接地引发的设备故障，此时医疗设备电流和温度迅速升高，从医疗设备图像中可以发现电源位置与地面之间存在连接线。断路故障是医疗设备电路被切断造成的故障，此时医疗设备中无电流通过，且医疗设备电路图像中存在明显断点[4]。而当医疗设备发生元器件老化故障时，在对应图像中元器件存在明显形变。同理可以得出设备软故障和机械故障下，医疗设备图像的特征，并以此作为判断当前医疗设备是否存在故障的比对标准。

1.2.2 医疗设备图像特征提取与匹配

待提取的医疗设备图像特征包括设备组成元件的轮廓特征、接线特征以及电路分布特征。在特征提取过程中利用Prewitt 边缘算子，该算子是一种顾及到图像每个点的处理方法，可以实现水平和竖直两个方向上的边缘检测。Prewitt 边缘算子由较好的边缘子图像集合构成，通过对该模型逐个对目标进行检测，当该算法与模板运算符最接近时，得到最大值作为该算法的最大值，并将其作为该算法的基本思想，即边界探测算子的基本思想[5]。在检测过程中，利用差分算子对图像进行边缘提取，因为在边缘区域内的像素和相邻区域的像素值存在很大差异，因此，在检测过程中，通常使用差分算子进行边缘检测。Prewitt 边缘算子的表达式如下：

其中，Q（xx，y）和Q（yx，y）分别为医疗设备图像像素坐标在x和y 方向上的微分，max（·）为最大值求解函数，Q（x，y）为综合Prewitt 边缘算子。利用两个模板对图像进行卷积，得到的最大值就是图像的输出，即为图像轮廓边缘的特征提取结果。按照上述方式分别在医疗设备元件、连接电路以及电源3 个位置上，得出图像轮廓特征的提取结果，记为Qcom。最终将特征提取结果代入到式（7）中，判断当前医疗设备的故障类型。

其中，Qset为设置的类型i 医疗设备故障的特征标准。若计算得出特征相似度λ 的值高于0.9，则说明当前医疗设备存在故障，故障类型为i；否则需要进行下一个故障类型的比对，直到确定故障类型为止。如果提取的图像特征与设置的所有故障类型标准特征均不匹配，则证明当前医疗设备未发生故障。

1.2.3 确定医疗设备故障点位置

为方便医疗设备故障点的定位，设置医疗设备图像的任意一点为参照点，将其图像坐标标记为（xi，y）i。通过图像轮廓特征匹配，可以直接确定电路断开以及电源接地的位置，通过图像测量计算出故障点与参考点之间的距离为h，则医疗设备故障点的定位结果可以表示为：

式（8）计算结果（xfault，yfaul）t为故障点图像坐标求解结果。在此基础上，根据医疗设备图像与医疗设备实体之间的关系，可以得出医疗设备故障点的空间坐标为：

式（9）中，κ 为空间系数，xCCD和yCCD分别为线性CCD 传感器设备的安装位置坐标，（xspace，yspac）e为故障点在设备空间内的坐标。最终将医疗设备故障点的定位结果，作为故障的应急维修位置。

1.3 实现医疗设备故障应急维修

针对故障医疗设备，在故障点定位位置上，根据故障类型的检测结果，选择合适的故障应急维修方案。当设备出现软故障时，重新启动或安装软件，设备即可恢复正常。另外，如果医疗设备出现断路，医院应当为其配备高质量、高功率的UPS 电源，记录其工作时间，并对其进行适时的更换，并在电源附近安装绝缘变压器，以避免工频干扰[6]。针对元器件老化故障，则使用备用元件替换故障元件，保证两者的型号和规格均相同，更换后设备故障即可排除。

2 维修效果测试实验分析

为了测试基于机器视觉的医疗设备故障应急维修方法的维修性能，设计维修效果的测试实验，并通过与传统医疗设备维修方法的对比，体现出优化设计方法的性能优势。

2.1 准备医疗设备处理样本

实验选取不同类型的医疗设备作为研究样本。医疗设备处理类型有诊断设备、治疗设备和辅助设备，诊断设备分别为X射线诊断设备、超声诊断设备、功能检查设备、内窥镜设备，准备数量均为50 台，治疗设备分别为接触治疗机、浅层治疗机、深度治疗机、电疗设备、人工呼吸机、心脏除颤起搏设备，准备数量均为30 台，辅助设备分别为15 台消毒灭菌设备、25 台血库存储设备、50 台医用录像摄影设备。

经过调试，上述医疗设备初始状态均为健康设备，不存在故障现象。通过电源接地、人为电路剪断以及设备元件替换等方式，实现医疗设备故障的设置，并实时记录各设备的故障类型以及位置信息。

2.2 安装机器视觉硬件设备

由于优化设计的医疗设备故障应急维修方法应用了机器视觉技术，因此需要在实验环境中安装相关的硬件设备，包括线性CCD 传感器、光源等。将硬件设备安装在准备的医疗设备样本中，将光源调整至开启状态，并向机器视觉运行程序中添加一个数据采集任务，观察线性CCD 传感器是否能够正常输出图像采集样本。在机器视觉硬件设备正常输出预期结果的前提下，执行实验的下一步操作。

2.3 设置维修效果测试指标

此次实验分别从维修效率和维修质量两个方面进行效果测试，设置维修响应时间用来反映方法的维修效率，也就是从医疗设备的故障发现到维修完成之间消耗的时间，最终得出的维修响应时间越短，证明对应方法的维修效率越高。另外，将维修效果的量化测试指标设置为医疗设备的合格率，计算公式为：

其中，Nrepait和Nall分别表示经过维修处理后得出的合格的医疗设备数量以及实验中设置样本的总数量。最终计算得出的合格率ηqualified越高，说明对应方法的维修效果越优。

2.4 实验过程与效果分析

同时启动机器视觉硬件设备以及医疗设备样本，通过机器视觉技术得出医疗设备故障类型、位置等信息的检测结果，并且选择相应的维修方式，得出应急维修处理结果（图1）。

图1 医疗设备故障应急维修结果

根据图1 可知，设备故障发生位置在（424，63，375）坐标处，故障点数量为2 个，故障类型是短路故障，根据维修方案完成维修工作后，将其传递给质检部门，判断当前医疗设备的故障问题是否解决。为了保证实验结果的可信度，将准备的实验样本平均分为5 组，每组样本数量均为94 台。另外，实验还设置传统的医疗设备故障应急维修方法作为实验的对比方法，该方法未应用机器视觉技术，在实际测试过程中，保证两种方法的处理对象以及运行环境均相同。通过相关数据的统计，得出维修性能的测试结果（表1）。

表1 维修性能测试对比数据

通过平均值计算，得出传统方法和优化方法应急维修响应时间的平均值分别为22.42 min 和5.66 min。将表1 的数据代入式（10），得出两种方法的维修合格率分别为94.26%和99.36%，由此证明基于机器视觉的医疗设备故障应急维修方法的维修效率和效果均得到明显提升。

3 结束语

在科技快速发展的大背景下，医疗设备的大量使用为医疗事业的发展打下了良好的基础。针对目前医疗器械使用中出现的各类问题，通过机器视觉技术的应用，采取相应的措施和方法，以保证医疗设备的使用效率。