[发明专利]一种基于多种传感器特征融合和机器学习的医废识别方法

权利要求书

1.一种基于多种传感器特征融合和机器学习的医废识别方法，该方法包含以下步骤：

步骤1：采集医疗废物的红外图像、彩色图像和气体传感器响应信息；

步骤2：对步骤1采集到的样本图像，将医疗废物分为：感染性废物、病理性废物、损伤性废物、药物性废物和化学性废物共五类；

步骤3：对步骤2处理后的样本信息，针对红外图像进行优化，结合彩色图像，进行闭运算得图A1：

步骤3.1：获取彩色图I1的灰度图像得图I2；

步骤3.2：对红外图像采用自适应直方图均衡化，以改善成像效果得图I3；

步骤3.3：将I2与I3以不同的权重相融合得图I4，以改善图像效果，增强图像边缘轮廓信息；

步骤3.4：对I4进行二值化得图像I5，并对I5进行闭运算得图像I6；

步骤3.5：对图像I6中以上下左右4连通的原则，依次计算不同连通域中的像素数量，确定图像最大连通域，保留最大连通域部分，删去其他小连通域部分，得二值图像A1；

步骤4：遍历图像A1中的像素，获取上下左右四个边界点的坐标，并以四点坐标值作为外接矩形范围，即图像I7，以I7所获区域作为目标区域，然后在获取的彩色图像中截取出相应部分，得图像A2，为ROI图像；

步骤5：针对图像采集情况获取特征信息，基于MobileNet网络提取图像的外观特征，以获取的彩色图像作为输入，将全连接层的输出作为目标物的外观特征；

步骤6：针对气体传感器阵列的传感器响应曲线获取特征信息，利用小波变换对响应曲线进行分解，通过对不同传感器求取不同小波的权重构建气体成分特征；

步骤7：将步骤5中得到的图像的外观特征矩阵与步骤6中得到的气体成分特征矩阵相融合，同时结合红外相机采集的温度特征，获得目标物的融合特征矩阵；

步骤8：训练SVM分类器，对步骤7得到的融合特征向量进行分类；

步骤9：对于新采集到的医疗废物样本，经过步骤2到步骤7的处理后，使用步骤8训练得到的分类器，对其进行分类；

其中，所述步骤5具体为：搭建MobileNet网络结构，该网络由10个卷积块构成，每一个卷积块包含一个深度可分离卷积层和卷积层，并且每一个卷积层后都接有一个ReLu非线性变换操作，在最后一个卷积层后接一个全连接层，最终得到一个1000维的特征向量；以彩色图像的三通道的灰度图像作为输入，以目标物外观的特征向量作为输出。

2.如权利要求1所述的一种基于多种传感器特征融合和机器学习的医废识别方法，其特征在于，所述步骤7具体为：

步骤7.1：针对由不同传感器获得的多维特征向量，分别采用进行归一化处理；

步骤7.2：将归一化后的图像特征、气体特征和温度特征向量拼接，获得融合特征向量。

3.如权利要求1所述的一种基于多种传感器特征融合和机器学习的医废识别方法，其特征在于，所述步骤8具体为：

步骤8.1：将感染性废物、病理性废物、损伤性废物合并为一类，药物性废物和化学性废物合并为另一类，训练分类器SVM-1，进行二分类；

步骤8.2：对步骤8.1的结果，将感染性废物和病理性废物合并一类，将病理性废物作为另一类，训练分类器SVM-2对上述两类医疗废物进行二分类；训练分类器SVM-3对药物性废物、化学性废物进行二分类；

步骤8.3：对步骤8.2的结果，训练分类器SVM-4将感染性废物和病理性废物进行二分类；

步骤8.4：采用准确率和精确率对模型进行评估；

准确率为：acc＝(TP+TN)/(TP+FP+FN+TN)

精确率为：pre＝TP/(TP+FP)，其中TP为正确地预测为正例的个数，TN为正确的预测为反例的个数，FP为错误的预测为正例的个数，FN为错误的预测为反例的个数。