一种基于神经网络的用于医疗垃圾分类的方法技术

本发明专利技术涉及一种基于神经网络的用于医疗垃圾分类的方法，包括：获取待识别的图像；将所述图像输入预先训练的神经网络模型，输出所述图像的类别：确定初始神经网络模型的网络结构以及初始化所述初始神经网络模型的网络参数；获取样本集；从所述样本集中选取样本，以及执行以下训练步骤：将选取的样本图像输入初始神经网络模型，得到样本的预测类别；将样本的预测类别与标注信息中的类别进行比较；根据比较结果确定所述初始神经网络模型是否达到预设的达标条件；响应于确定出所述初始神网络模型达到所述达标条件，将所述初始神经网络作为训练好的神经网络。

A method of medical waste classification based on Neural Network

【技术实现步骤摘要】
一种基于神经网络的用于医疗垃圾分类的方法
本专利技术涉及一种医疗垃圾分类方法，具体涉及一种基于神经网络的用于医疗垃圾分类的方法，属于医疗

技术介绍
基于神经网络的智能医疗垃圾分类算法，主要是指通过数据挖掘，大数据技术和人工智能等手段来解决医疗领域的医疗垃圾识别、分类、回收等问题。医疗垃圾，不同于生活中的常规垃圾，主要是指医疗机构在医疗、预防、保健以及其他相关活动中产生的具有直接或间接感染性、毒性以及其他危害性的废物，具体包括感染性、病理性、损伤性、药物性、化学性废物。这些废物含有大量的细菌性病毒，而且有一定的空间污染、急性病毒传染和潜伏性传染的特征，如若随意丢弃、疏于管理，会对周边居民、生态环境造成严重的影响。目前我国对医疗垃圾的处理仍存在诸多问题，比如垃圾桶简陋，垃圾分类混乱，分拣人员培训不足等问题。现阶段医疗垃圾主要由统一的收购部门进行回收和处理，因此需要给第三方支付相应的处理费用，不仅会提高医院垃圾的成本，而且会加剧医院在垃圾设施和人类资源上的不重视，进而会逐步陷入恶性循环。神经网络算法在分类问题中有很多经典的算法，比如LeNet、AlexNet、VGGNet以及ResNet等。
技术实现思路
本专利技术的目的是提出一种基于神经网络的用于医疗垃圾分类的方法，该方法分类效果相比于已有经典方法更有效且耗时短。本专利技术解决其技术问题所采用的技术方案是：一种用于输出信息的方法，包括：获取待识别的图像；将所述图像输入预先训练的神经网络模型，输出所述图像的类别，其中，所述神经网络模型是通过如下步骤训练得到的：确定初始神经网络模型的网络结构以及初始化所述初始神经网络模型的网络参数；获取样本集，其中，样本包括样本图像和用于标注样本图像的类别的标注信息；从所述样本集中选取样本，以及执行以下训练步骤：将选取的样本图像输入初始神经网络模型，得到样本的预测类别；将样本的预测类别与标注信息中的类别进行比较；根据比较结果确定所述初始神经网络模型是否达到预设的达标条件；响应于确定出所述初始神网络模型达到所述达标条件，将所述初始神经网络作为训练好的神经网络。本专利技术通过对医疗垃圾进行图像采集和预处理，提出一种简易高效的神经网络算法对其进行分类，进而构建一套集医疗垃圾识别、分拣、定位以及追踪的医疗垃圾智能分类系统。作为优选，所述训练步骤还包括：响应于确定出初始神经网络模型未达到所述达标条件，调整初始神经网络模型中的网络参数，以及从所述样本集中重新选取样本，使用调整后的初始神经网络模型作为初始神经网络模型，继续执行所述训练步骤。作为优选，所述达标条件包括：迭代次数达到预定迭代阈值或损失值小于预定损失阈值。作为优选，所述样本图像的尺寸经过一致化处理成预定大小；以及在将所述图像输入预先训练的神经网络模型之前，所述方法还包括：将所述图像的尺寸进行一致化处理所述预定大小。作为优选，所述神经网络模型包括2个卷积层，3个激活层，2个全连接层，2个池化层，依次为：卷积层1、激活层1、池化层1、卷积层2、激活层2、池化层2、全连接层1、激活层3、全连接层2。作为优选，所述神经网络模型的参数如下所示：卷积层1：输入通道数为3，输出通道数为10，采用的卷积核，步长等于1，padding等于1；激活层1：采用ReLu函数；池化层1：通过2×2的最大池化层并设定步长等于2；卷积层2：输入通道数为10输出通道数为20，采用的卷积核函数，步长等于1，padding等于1；激活层2：采用ReLu函数；池化层2：输出通道数为20，通过2×2的最大池化层并设定步长等于2；全连接层1：输入通道数为20，输出通道数为120；激活层3：采用ReLu函数；全连接层2：输出通道为样本图像的类别数量。作为优选，所述神经网络模型采用交叉熵损失函数计算损失值。作为优选，所述神经网络模型采用随机梯度下降法进行迭代优化。作为优选，所述神经网络模型采用0.001的学习率。作为优选，所述图像为医疗垃圾图，所述图像的类别为以下之一：手套，纱布，输液器，输液瓶，输液袋。本专利技术的方法具体过程为：输入：已打标签(5类)的医疗垃圾图像(训练集)，待分类的医疗垃圾图像，学习率lr＝0.001，迭代次数epoch；输出：给出未分类的医疗垃圾图像对应的预测标签(类别)；具体步骤如下：S1.针对5类样本：手套，纱布，输液器，输液瓶以及输液袋进行人工校验，局部采样和重采样，并将各类样本数据量保持相对均衡；S2.通过Python3的pillow和opencv-python模块对图像的尺寸进行一致化处理，本专利技术将每个样本图片处理成(227×227×3)，即图像大小为227×227的方形彩图；S3.卷积层1：输入层227×227×3，设定输出通道为10，采用5×5的卷积核，步长等于1，padding等于1，并进行卷积计算，通过卷积输出计算公式很容易可以得到(227-5+2*1)/1+1＝225，这里设定输出10个通道，即输出225×225×10；S4.激活层1：采用ReLu函数对步骤S3进行处理，即将小于0的数全部变成0，其他值保持原样不变，图片的大小尺寸保持不变；S5.池化层1：通过2×2的最大池化层并设定步长等于2，对步骤S4的结果进行计算，得到112×112×10的输出结果；S6.卷积层2：将步骤S5的输出结果作为输入层，设定输出通道数为20，采用5×5的卷积核函数，步长等于1，padding等于1，根据卷积输出计算公式(112-5+2*1)/1+1＝110，即可到110×110×20的输出结果；S7.激活层2：采用ReLu函数对步骤S6的输出结果进行处理，元素小于0的值变成0，其他值保持不变，其图片尺寸大小保持不变，输出结果为110×110×20；S8.池化层2：将S7的结果设定为输入值，设定输出通道等于20，通过2×2的最大池化层并设定步长等于2，对步骤S7结果进行计算，即可得到55×55×20的输出结果；S9.全连接层1：设定输出通道为120，由于输入通道是20个55×55的矩阵，通过PyTorch的view成员函数将55×55×20展成1×60500向量，通过全连接层输出1×120的向量；S10.激活层3:采用ReLu函数对步骤S9的输出结果进行非线性处理，即小于0的元素全部变成0，其他元素保持不变；S11.全连接层2：将S10的输出结果作为本层的输入层，由于类别总共为5类，因此设定输出通道为5，即得到1×5向量结果，选择5个结果中值最大对应的标签，作为待测样本的预测类别；S12.采用交叉熵损失函数，随机梯度下降法(或其他优化函数方法)对预测结果进行迭代优化；S13.对步骤S3-步骤S12重复计算，直到完成设定迭代次数或满足设定的容忍误本文档来自技高网...

【技术保护点】
1.一种用于输出信息的方法，包括：/n获取待识别的图像；/n将所述图像输入预先训练的神经网络模型，输出所述图像的类别，其中，所述神经网络模型是通过如下步骤训练得到的：/n确定初始神经网络模型的网络结构以及初始化所述初始神经网络模型的网络参数；/n获取样本集，其中，样本包括样本图像和用于标注样本图像的类别的标注信息；/n从所述样本集中选取样本，以及执行以下训练步骤：将选取的样本图像输入初始神经网络模型，得到样本的预测类别；将样本的预测类别与标注信息中的类别进行比较；根据比较结果确定所述初始神经网络模型是否达到预设的达标条件；响应于确定出所述初始神网络模型达到所述达标条件，将所述初始神经网络作为训练好的神经网络。/n

【技术特征摘要】
1.一种用于输出信息的方法，包括：
获取待识别的图像；
将所述图像输入预先训练的神经网络模型，输出所述图像的类别，其中，所述神经网络模型是通过如下步骤训练得到的：
确定初始神经网络模型的网络结构以及初始化所述初始神经网络模型的网络参数；
获取样本集，其中，样本包括样本图像和用于标注样本图像的类别的标注信息；
从所述样本集中选取样本，以及执行以下训练步骤：将选取的样本图像输入初始神经网络模型，得到样本的预测类别；将样本的预测类别与标注信息中的类别进行比较；根据比较结果确定所述初始神经网络模型是否达到预设的达标条件；响应于确定出所述初始神网络模型达到所述达标条件，将所述初始神经网络作为训练好的神经网络。


2.根据权利要求1所述的方法，其中，所述训练步骤还包括：
响应于确定出初始神经网络模型未达到所述达标条件，调整初始神经网络模型中的网络参数，以及从所述样本集中重新选取样本，使用调整后的初始神经网络模型作为初始神经网络模型，继续执行所述训练步骤。


3.根据权利要求1所述的方法，其中，所述达标条件包括：迭代次数达到预定迭代阈值或损失值小于预定损失阈值。


4.根据权利要求1所述的方法，其中，所述样本图像的尺寸经过一致化处理成预定大小；以及
在将所述图像输入预先训练的神经网络模型之前，所述方法还包括：
将所述图像的尺寸进行一致化处理所述预定大小。


5.根据权...

【专利技术属性】
技术研发人员：卢荟，于祥雨，方建勇，金倩君，周海英，李娟，王碧贤，胡贤良，应俊，秦林，
申请(专利权)人：浙江大学医学院附属第一医院，
类型：发明
国别省市：浙江;33