基于Keras框架的人工智能醫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框架的醫療廢棄物分類算法可以實現人工智能醫療廢棄物的分類。通過大津法對圖像進行去噪處理，采用卷積神經網絡，預測廢棄物種類、角度和位置，將預測的最佳抓取姿態輸出給機械臂完成動作。以棉簽和注射器為樣品，實驗結果表明，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，適用于環境較為復雜、分類垃圾種類數較多的醫療廢棄物分類。

人工智能；醫療廢棄物分類；卷積神經網絡；機器視覺

1 引言

預防與控制醫院感染是現代醫療工作中的重要環節[1]。終末處理時對醫療廢棄物進行合理分類，能夠改善醫院及病區環境，有效地預防和控制感染[2]。傳統的醫療廢棄物分類主要依靠固定的醫療衛生場所和醫療廢物分類處理配套設施，通過將醫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，處理不當會增加醫療人員職業暴露、造成醫療廢棄物污染等[4]。

現階段提出的醫療廢棄物分類方法如多功能醫用廢棄物桶[5]、醫療廢棄物分類系統[6]、AGV垃圾車[7]等，大都需要人為參與醫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框架的多輸出醫療廢棄物分類的方法，利用大津法和卷積神經網絡，直接對原始圖像進行識別，輸出（，，，）四維數據，分別是廢棄物位置、角度和種類，機械臂將根據四維數據完成分類的工作。

2 整體算法介紹

2.1 系統整體設計

本文的整體系統設計主要包括圖像數據處理、卷積神經網絡（CNN）的設計與訓練和廢棄物精確抓取。在圖像數據處理上，通過計算類間方差最大的方式獲取動態閾值，并生成針對TensorFlow平臺的TFRecord數據集合，利用CNN，系統產生多個輸出，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=（，，，）。

系統能夠輸出廢棄物的位置（，）、旋轉角度（）以及種類（），所以能夠處理數據量較大且更為復雜的狀況。

對于CNN網絡設計，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層輸出層的網絡結構，對于廢棄物的角度和位置，在全連接層前引入Dropout隨機刪除部分神經元防止過擬合。由于輸出數據的不同，輸出層使用的激活函數、損失函數和輸出維度也不同。

2.2 卷積神經網絡原理

卷積神經網絡（CNN）是一類包含卷積計算，且具有深度結構的前饋神經網絡，在模式識別、圖像處理等領域起到了重要作用。卷積神經網絡一般由三部分構成：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，第三部分是全連結的多層感知機分類器。

在第一、二部分中，卷積層能夠通過權值共享和局部感知降低參數數目來加快運算速度，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元組成，相鄰兩層之間的神經元之間存在聯系，而相同層的神經元之間沒有聯系。最后一部分處在整體架構的最后一部分，此時運算量較小，結構較為簡單，通過它得出含有目標信息的數據。

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點，Keras中包含網絡層、損失函數、優化器、激活函數、正則化等方法的獨立模塊，有利于模型的實現、訓練和優化。Keras支持CNN和RNN，并且可以與TensoFlow進行自然連接，有利于快速地構建和訓練深度學習模型，因此本文采用Keras的基本架構建立卷積神經網絡。

3 圖像數據處理

3.1 數據的采集和分類

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，分為三組數據集合。

3.2 圖像的預處理

為了提高分類準確性，更好地提取數據特征，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

本文的訓練數據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：在利用隊列讀取數據時，可以隨時補充數據，不必考慮數據隊列當前狀態；在填充數據時，可以使用多線程加速。最后，將TFRecord格式文件轉化成DataSet才能用于模型的訓練。通過對DataSet中圖像數據進行重復、混洗、分批等操作得到可供模型訓練的數據集。

4 多輸出卷積神經網絡模型的建立

本文提出基于卷積網絡的多輸出系統用于輸出三類參數。該結構以一個獨立的輸入層作為開端，輸入的是一個經過處理的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。線性運算的結果加上偏置之后傳入一個非線性的激活函數。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據量，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。該層中每一個神經元都與上一層所有神經元建立全連接，起到整合信息的作用。對于廢棄物的位置和角度，連續數據在全連接層前需要引入Dropout層來隨機刪除部分神經元，抑制過擬合。

由于輸出數據類型的不同，三類輸出層各不相同，具體如表1所示。

表1 輸出層結構對比

結構激活函數損失函數輸出層維度 廢棄物種類Sigmoid均方誤差函數1 廢棄物位置Softmax交叉熵損失函數784 廢棄物角度Softmax交叉熵損失函數180

5 仿真實驗

為了驗證本模型對于醫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、圖像平移等圖像增強操作進行仿真實驗，而且在試驗前，對數據重復、混洗、分批處理。卷積神經網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 卷積神經網絡訓練過程

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，實驗結果與測定值基本一致。模型對廢棄物的種類的驗證結果如圖3所示。

6 結論

本文提出了一種基于Keras框架的人工智能醫療廢棄物分類的算法，該算法主要依據數字圖像處理和卷積神經網絡，對醫療廢棄物的種類、旋轉角度和位移做出預測。以往的醫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療廢棄物的分類。后續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果

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

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

［3］張媛媛，朱春荷.“互聯網+護理服務”背景下醫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.一種多功能醫用廢棄物桶的設計［J］.醫療衛生裝備，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療廢棄物分類系統［J］.電腦編程技巧與維護，2019（5）：108-110.

［7］陳怡靜.醫療病區智能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。郭智方（1998—），男，本科在讀，自動化專業。

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、時間分辨超快光譜學。

〔編輯：張思楠〕