【技术实现步骤摘要】
一种基于深度学习和机器视觉的包埋盒标签批量识别方法及系统
[0001]本专利技术涉及信息识别
，尤其涉及一种基于深度学习和机器视觉的包埋盒标签批量识别方法及系统。
技术介绍
[0002]病理标本运输流程的监管是医院病理科管理的一个重要组成部分，目前病理科对包埋盒脱水流程没有较好的信息化手段进行监管，造成包埋盒出现异常情况无法进行追溯，容易造成包埋盒丢失；为了加强包埋盒脱水流程的管理，需要对包埋盒流程信息进行记录，但是人工输入包埋盒标签信息的方法费时费力，效率低下。
[0003]现有方法对包埋盒标签进行检测和识别过程中，往往需要目标检测技术。目前基于深度学习的目标检测的技术目前大多使用旋转、缩放、平移等常规通用的数据增强方式，对于某些场景模型泛化能力有限，针对密集目标检测能力不足；通用的目标检测模型结构复杂，前向推理时间过长，不能满足实际生成环境的对于模型速度性能的需求。在对包埋盒标签检测完成之后，需要对标签上的二维码进行检测和识别，目前算法通常只针对二维码进行解析，而检测准确率不高。
技术实现思路
【技术保护点】
【技术特征摘要】
1.一种基于深度学习和机器视觉的包埋盒标签批量识别方法，其特征在于，包括以下步骤：步骤1：获得包埋盒数字图像；步骤2：对获得的包埋盒数字图像进行目标检测，获得整张包埋盒数字图像中每个包埋盒标签的具体坐标，并根据位置坐标裁剪出每个包埋盒标签的图像；步骤3：对获得的每个包埋盒标签图像进行文字识别，获得每个包埋盒标签的字符编号信息；步骤4：对获得的每个包埋盒标签图像进行二维码检测和识别，获得每个包埋盒标签的二维码标识信息；步骤5：将得到的每个包埋盒标签的字符编号信息和二维码标识信息，录入系统，进行病理标本包埋盒信息的登记和记录。2.如权利要求1所述的基于深度学习和机器视觉的包埋盒标签批量识别方法，其特征在于，步骤1中，获得包埋盒数字图像后，将采集到的包埋盒数字图像传入系统进行标签信息识别或者用于图像标注和模型训练。3.如权利要求1所述的基于深度学习和机器视觉的包埋盒标签批量识别方法，其特征在于，步骤2中，采用深度学习技术对获得的包埋盒数字图像进行目标检测，具体包括，图像采集和标注、数据预处理和增强、模型搭建和训练以及模型预测。4.如权利要求3所述的基于深度学习和机器视觉的包埋盒标签批量识别方法，其特征在于，图像采集和标注为利用步骤1中采集的包埋盒数字图像作为模型的训练数据，对采集图像中的包埋盒标签进行矩形框标注。5.如权利要求3所述的基于深度学习和机器视觉的包埋盒标签批量识别方法，其特征在于，数据处理和增强为对标注完的图像使用旋转、缩放、平移和颜色干扰对标注图像进行增强，以获得更多样的训练数据，提高模型泛化能力；或者，数据处理和增强步骤中，使用高斯滤波随机选取图像中的部分区域作模糊处理；或者，数据处理和增强步骤中，随机选取图像中的部分区域作光照变换处理，增强或降低图像部分区域RGB三个通道的颜色强度值，以提高样本泛化能力，降低真实场景中光照对于图像检测效果的影响。6.如权利要求3所述的基于深度学习和机器视觉的包埋盒标签批量识别方法，其特征在于，模型搭建和训练具体为，使用卷积神经网络对包埋盒图像进行目标检测，所述卷积神经网络由一系列卷积层、池化层、激活函数和BN层搭建构成；或者，模型搭建和训练过程中，在模型主干网络特征提取前部分添加空间池化金字塔模块，对提取到的上一层的特征图像，分别设置1
×
1、2
×
2、4
×
4、8
×
8四个不同卷积核大小从四个不同尺寸提取特征图，通过1
×
1的卷积平滑通道后做池化操作，通过双线性差值恢复到原特征图1/2大小，通过concatenate操作融合四个不同视野的特征图。7.如权利要求1所述的基于深度学习和机器视觉的包埋盒标签批量识别方法，其特征在于，步骤3中，把识别到的标签字符信息记录下来并进行规则校验，判断字符信息长度是否在8到15之间，字符前六位...
【专利技术属性】
技术研发人员：徐南，肖强，刘琳，李磊，刘现海，黎洋，张立，王姗姗，苏彬，高波，
申请(专利权)人：山东第一医科大学第二附属医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。