[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

说明书

本发明是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，本发明属于多种传感器融合领域和机器学习领域，具体涉及图像和气体传感器特征向量融合和多分类输出的医疗废物自动识别方法。该方法首先是利用红外图像和彩色图像融合，二值化后进行形态学闭操作，得到彩色图像中的ROI区域，获得目标物的准确位置。然后利用MobileNet获得目标物彩色图像特征向量，利用小波系数构建目标物气体成分特征向量，结合红外图像获取的温度信息，构建融合特征向量。最后训练多个SVM分类器，先对类间差异大的类别进行分类，再对类间差异小的类别进行精确分类。本发明与人工分类方法相比，具有快速、高效、安全、准确以及价格低廉等特点。

技术领域

本发明属于多种传感器融合领域和机器学习领域，具体涉及图像和气体传感器特征融合和多分类输出的医疗废物自动识别方法。

背景技术

医疗废物的分辨特征包括其散发的特殊气体类型和外观特点等，凭借这两个特征可以区分出不同的医疗废物类型。目前我国的医疗废物分类工作主要由医院医护人员及相关从业人员完成。医疗废物人工分类过程种存在多个问题：第一，医院尤其是大型综合医院每天会产生大量的医疗废物，人工分类效率低下，会导致医疗废物堆积的情况发生；第二，人工分类过程中难免存在与医疗废物接触的过程，而医疗废物种又含有大量的致病菌，存在疾病感染的风险；第三，部分医疗废物含有放射性物质，长时间暴露于此，会影响人的身心健康；第四，人工分类难免存在漏分、误分等情况。

随着传感器技术、数字图像处理技术、多传感器融合技术以及机器学习技术的发展，在越来越多的领域已经存在大量的自动识别分类技术取代人工。有鉴于此，针对医疗废物分类这一难题，实现方案是，首先利用多种传感器采集目标物的红外图像、彩色图像和气体成分信息。针对红外图像，利用目标物的温度特性结合形态学算法，去掉背景区域，得到目标物的前景图像，以及获取目标物的温度特征；针对彩色图像，利用卷积神经网络学习目标物的形态特征；针对目标物的气体特性，利用小波函数提取气体传感器阵列响应曲线的响应特征。利用归一化函数统一不同特征的度量尺度，并构建融合特征向量。最后利用SVM分类器对多种医疗废物进行分类。

发明内容

本发明针对目前人工进行医废分类中存在的问题：人工分类效率低下，会导致医疗废物堆积的情况发生、人工分类过程中存在疾病感染的风险、长时间暴露于医疗废物中会影响人的身心健康、人工分类难免存在漏分和误分等情况，设计了一种基于多种传感器特征融合和机器学习的医疗废物识别分类方法，以此达到快速、高效、可靠、准确的医疗废物分类的目的。

本发明技术方案是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；