基于Keras框架的人工智能醫(yī)療廢棄物分類的研究

彭正耀，郭智方，段彬

基于Keras框架的人工智能醫(yī)療廢棄物分類的研究

彭正耀，郭智方，段彬

（吉林大學 物理學院，吉林 長春 130022）

由于存在污染和處理復雜的問題，醫(yī)療廢棄物的分類和處理一直是研究的難點，基于Keras框架的醫(yī)療廢棄物分類算法可以實現(xiàn)人工智能醫(yī)療廢棄物的分類。通過大津法對圖像進行去噪處理，采用卷積神經(jīng)網(wǎng)絡，預測廢棄物種類、角度和位置，將預測的最佳抓取姿態(tài)輸出給機械臂完成動作。以棉簽和注射器為樣品，實驗結(jié)果表明，模型訓練后平均分類準確率為97.14%。在實際應用中能夠有效降低人工投入，降低感染風險，適用于環(huán)境較為復雜、分類垃圾種類數(shù)較多的醫(yī)療廢棄物分類。

人工智能；醫(yī)療廢棄物分類；卷積神經(jīng)網(wǎng)絡；機器視覺

1 引言

預防與控制醫(yī)院感染是現(xiàn)代醫(yī)療工作中的重要環(huán)節(jié)[1]。終末處理時對醫(yī)療廢棄物進行合理分類，能夠改善醫(yī)院及病區(qū)環(huán)境，有效地預防和控制感染[2]。傳統(tǒng)的醫(yī)療廢棄物分類主要依靠固定的醫(yī)療衛(wèi)生場所和醫(yī)療廢物分類處理配套設施，通過將醫(yī)療廢棄物放置在固定的位置，來進行分類回 收、處理[3]。但是醫(yī)療廢棄物中銳器及玻璃制品居多，處置復雜，處理不當會增加醫(yī)療人員職業(yè)暴露、造成醫(yī)療廢棄物污染等[4]。

現(xiàn)階段提出的醫(yī)療廢棄物分類方法如多功能醫(yī)用廢棄物桶[5]、醫(yī)療廢棄物分類系統(tǒng)[6]、AGV垃圾車[7]等，大都需要人為參與醫(yī)療廢棄物的處理和分類，有受到病毒感染的風險，且面對種類較多、環(huán)境較為復雜的情況時處置能力有限。因此，本文提出一種基于Keras框架的多輸出醫(yī)療廢棄物分類的方法，利用大津法和卷積神經(jīng)網(wǎng)絡，直接對原始圖像進行識別，輸出（，，，）四維數(shù)據(jù)，分別是廢棄物位置、角度和種類，機械臂將根據(jù)四維數(shù)據(jù)完成分類的工作。

2 整體算法介紹

2.1 系統(tǒng)整體設計

本文的整體系統(tǒng)設計主要包括圖像數(shù)據(jù)處理、卷積神經(jīng)網(wǎng)絡（CNN）的設計與訓練和廢棄物精確抓取。在圖像數(shù)據(jù)處理上，通過計算類間方差最大的方式獲取動態(tài)閾值，并生成針對TensorFlow平臺的TFRecord數(shù)據(jù)集合，利用CNN，系統(tǒng)產(chǎn)生多個輸出，預測最佳抓取行為模式，來表示機械臂抓取廢棄物后的分類方式，其中為四維抓取，表示為=（，，，）。

系統(tǒng)能夠輸出廢棄物的位置（，）、旋轉(zhuǎn)角度（）以及種類（），所以能夠處理數(shù)據(jù)量較大且更為復雜的狀況。

對于CNN網(wǎng)絡設計，在廢棄物種類識別上采用4層卷積層與2層池化層、3層全連接層和1層輸出層的網(wǎng)絡結(jié)構(gòu)，對于廢棄物的角度和位置，在全連接層前引入Dropout隨機刪除部分神經(jīng)元防止過擬合。由于輸出數(shù)據(jù)的不同，輸出層使用的激活函數(shù)、損失函數(shù)和輸出維度也不同。

2.2 卷積神經(jīng)網(wǎng)絡原理

卷積神經(jīng)網(wǎng)絡（CNN）是一類包含卷積計算，且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡，在模式識別、圖像處理等領域起到了重要作用。卷積神經(jīng)網(wǎng)絡一般由三部分構(gòu)成：第一部分是輸入層，第二部分由多個卷積層和池化層的組合組成，第三部分是全連結(jié)的多層感知機分類器。

在第一、二部分中，卷積層能夠通過權(quán)值共享和局部感知降低參數(shù)數(shù)目來加快運算速度，而池化層主要負責特征映射。在該部分，每層都由多個平面組成，而每個平面又由多個獨立的神經(jīng)元組成，相鄰兩層之間的神經(jīng)元之間存在聯(lián)系，而相同層的神經(jīng)元之間沒有聯(lián)系。最后一部分處在整體架構(gòu)的最后一部分，此時運算量較小，結(jié)構(gòu)較為簡單，通過它得出含有目標信息的數(shù)據(jù)。

2.3 Keras框架

本文采用Keras框架進行模型的訓練。作為基于Python的深度學習庫，Keras具有高度模塊化、極簡化和可擴充特性等優(yōu)點，Keras中包含網(wǎng)絡層、損失函數(shù)、優(yōu)化器、激活函數(shù)、正則化等方法的獨立模塊，有利于模型的實現(xiàn)、訓練和優(yōu)化。Keras支持CNN和RNN，并且可以與TensoFlow進行自然連接，有利于快速地構(gòu)建和訓練深度學習模型，因此本文采用Keras的基本架構(gòu)建立卷積神經(jīng)網(wǎng)絡。

3 圖像數(shù)據(jù)處理

3.1 數(shù)據(jù)的采集和分類

本文利用攝像頭采集光照良好、分辨率為80×120的樣本。同時，為了便于前景像素和背景像素的分隔，本文采用背景為黑色，樣品分別按照種類、角度和位置分類，分為三組數(shù)據(jù)集合。

3.2 圖像的預處理

為了提高分類準確性，更好地提取數(shù)據(jù)特征，提高識別速度，本文采用大津法對圖像進行了預處理。大津法是一種通過計算類間方差最大的方式獲取動態(tài)閾值的方法，計算簡單，不受圖像亮度和對比度的影響，類間方差的計算公 式為：

=1×（－1）2+2×（－2）2（1）

式（1）中：1為背景像素點占整幅圖像的比例；為整幅圖像的平均灰度；1為背景圖像平均灰度；2為前景像素點占整幅圖像的比例；2為前景圖像平均灰度。

本文通過遍歷類間方差在整個灰度區(qū)間[0，255]的值，可以得到最合適的分割圖像最佳閾值。最后，通過圖像處理改變圖像大小，處理前后的圖像如圖1所示。

圖1 處理前后圖像

3.3 DataSet的建立

本文的訓練數(shù)據(jù)使用谷歌推薦的二進制文件的存儲格式TFRecord。在使用TensorFlow平臺時，TFRecord可以提高讀取的效率：在利用隊列讀取數(shù)據(jù)時，可以隨時補充數(shù)據(jù)，不必考慮數(shù)據(jù)隊列當前狀態(tài)；在填充數(shù)據(jù)時，可以使用多線程加速。最后，將TFRecord格式文件轉(zhuǎn)化成DataSet才能用于模型的訓練。通過對DataSet中圖像數(shù)據(jù)進行重復、混洗、分批等操作得到可供模型訓練的數(shù)據(jù)集。

4 多輸出卷積神經(jīng)網(wǎng)絡模型的建立

本文提出基于卷積網(wǎng)絡的多輸出系統(tǒng)用于輸出三類參數(shù)。該結(jié)構(gòu)以一個獨立的輸入層作為開端，輸入的是一個經(jīng)過處理的28×28的矩陣。

卷積層中，需要用卷積核進行卷積運算來完成特征的提取，然后通過過濾器完成線性運算。線性運算的結(jié)果加上偏置之后傳入一個非線性的激活函數(shù)。最終得到其輸出，公 式為：

池化層的主要作用為降低卷積層輸出的數(shù)據(jù)量，能一定程度上抑制過擬合。池化是利用一個滑動窗口將高分辨率圖像轉(zhuǎn)化為低分辨率圖像，池化的公式如下：

全連接層將輸入的“分布式特征表示”映射到樣本標記空間。該層中每一個神經(jīng)元都與上一層所有神經(jīng)元建立全連接，起到整合信息的作用。對于廢棄物的位置和角度，連續(xù)數(shù)據(jù)在全連接層前需要引入Dropout層來隨機刪除部分神經(jīng)元，抑制過擬合。

由于輸出數(shù)據(jù)類型的不同，三類輸出層各不相同，具體如表1所示。

表1 輸出層結(jié)構(gòu)對比

結(jié)構(gòu)激活函數(shù)損失函數(shù)輸出層維度 廢棄物種類Sigmoid均方誤差函數(shù)1 廢棄物位置Softmax交叉熵損失函數(shù)784 廢棄物角度Softmax交叉熵損失函數(shù)180

5 仿真實驗

為了驗證本模型對于醫(yī)療廢棄物分類的實際效果，并與前人的實驗形成對比，本文分別選取了20張棉簽和20張注射器的照片，并對照片進行圖像旋轉(zhuǎn)、圖像平移等圖像增強操作進行仿真實驗，而且在試驗前，對數(shù)據(jù)重復、混洗、分批處理。卷積神經(jīng)網(wǎng)絡中訓練集的訓練過程如圖2所示。

由圖2可知，隨著迭代次數(shù)的增加，本模型對訓練集廢棄物種類、位置、角度識別的準確率得到提高，其中廢棄物種類的準確率為97.14%、損失為0.028 0，訓練時間為 663 ms。

圖2 卷積神經(jīng)網(wǎng)絡訓練過程

為進一步驗證模型的可靠性，本文隨機選取部分樣本利用模型對廢棄物的種類、位置、角度驗證，實驗結(jié)果與測定值基本一致。模型對廢棄物的種類的驗證結(jié)果如圖3所示。

6 結(jié)論

本文提出了一種基于Keras框架的人工智能醫(yī)療廢棄物分類的算法，該算法主要依據(jù)數(shù)字圖像處理和卷積神經(jīng)網(wǎng)絡，對醫(yī)療廢棄物的種類、旋轉(zhuǎn)角度和位移做出預測。以往的醫(yī)療垃圾分類一般都需要人工的參與，適應性不高、分類能力較差，本文提出的算法能夠可靠且高效地完成醫(yī)療廢棄物的分類。后續(xù)的工作將進一步提高該算法的運算速度，在資源受限的硬件設備上完成對廢棄物的抓取檢測。

圖3 模型對廢棄物的種類的驗證結(jié)果

［1］齊天白，施惠芬，侯珺琳.一種醫(yī)療器械用清洗殺菌消毒裝置的研制［J］.醫(yī)療衛(wèi)生裝備，2019，40（2）：104-105.

［2］褚玲玲，曹秋蓮.一種醫(yī)用廢棄物柜的制作與應用［J］.醫(yī)療衛(wèi)生裝備，2018，39（5）：107-109.

［3］張媛媛，朱春荷.“互聯(lián)網(wǎng)+護理服務”背景下醫(yī)療廢物管理存在的問題及對策［J］.中國護理管理，2019，19（7）：972-974.

［4］陳建偉，陳曉琳，孫吉花，等.醫(yī)療失效模式與效應分析在防范護理人員針刺傷中的應用效果［J］.中華現(xiàn)代護理雜志，2018，24（9）：1096-1099.

［5］王莉，查俊，闞峰玉，等.一種多功能醫(yī)用廢棄物桶的設計［J］.醫(yī)療衛(wèi)生裝備，2019，40（12）：103-105.

［6］陳宇超，卞曉曉.基于機器視覺與深度學習的醫(yī)療廢棄物分類系統(tǒng)［J］.電腦編程技巧與維護，2019（5）：108-110.

［7］陳怡靜.醫(yī)療病區(qū)智能AGV垃圾車造型設計分析研究［D］.南京：南京航空航天大學，2018.

2095－6835（2020）10－0001－03

X799.5

A

10.15913/j.cnki.kjycx.2020.10.001

彭正耀（1999—），男，本科在讀，自動化專業(yè)。郭智方（1998—），男，本科在讀，自動化專業(yè)。

段彬（1987—），男，工程師，研究方向為大學物理實驗教學與儀器研發(fā)、時間分辨超快光譜學。

〔編輯：張思楠〕