一款基于CNN+OpenCV的智能送藥小車設計

張秉文 張岳 何西遠

收稿日期：2023-05-26

基金項目：山東青年政治學院校級應用型科研項目（2021yyx-yb05）

DOI：10.19850/j.cnki.2096-4706.2024.04.036

摘? 要：智慧醫療是我國醫療界備受關注的領域之一，智能送藥設備是其中重要組成部分。智能送藥設備可以避免人為原因導致藥品發送延誤，提高工作效率，保證工作質量。在疫情期間，更是可以有效減少醫務人員感染的風險。文章設計了一款基于CNN+OpenCV的智能送藥設備，以樹莓派3B+作為主控芯片，使用五路灰度傳感器等硬件模塊，采用Dijkstra算法實現最短路徑、OpenCV進行圖像處理、CNN實現數字識別，模擬了醫院病房送藥任務。經過多次測試，設備均能高效地完成送藥任務。

關鍵詞：機器視覺；智能送藥；CNN；Dijkstra算法

中圖分類號：TP23；TP181? 文獻標識碼：A? 文章編號：2096-4706（2024）04-0175-05

Design of an Intelligent Medication Delivery Cart Based on CNN+OpenCV

ZHANG Bingwen， ZHANG Yue， HE Xiyuan

（School of Information Engineering， Shandong Youth University of Political Science， Ji'nan? 250103， China）

Abstract： Smart healthcare is one of the highly regarded fields in the medical industry in China， and intelligent medication delivery device is an important component within this domain. The device can prevent delays in medication delivery caused by human errors， improve work efficiency and ensure the work quality. During epidemic situation， it can effectively reduce the risk of infection for healthcare workers. This paper designs an intelligent medication delivery device based on CNN+OpenCV. It utilizes the Raspberry Pi 3B+ as the main control unit， uses five-channel grayscale sensors and other hardware modules. It adopts the Dijkstra's algorithm to achieve the shortest path， uses OpenCV for image processing， utilizes CNN to achieve numerical recognition， and simulates medication delivery tasks in hospital wards. Through multiple tests， the device has consistently and efficiently completed medication delivery tasks.

Keywords： machine vision; intelligent medication delivery; CNN; Dijkstra's Algorithm

0? 引? 言

在我國人口老齡化和慢性病高發的大背景下，智慧醫療日益受到醫學界的重視。其中，智能送藥系統作為智慧醫療的重要組成部分，它能夠提高醫院、藥店等機構的工作效率，緩解醫務人員的工作壓力，同時也方便了患者的就醫和用藥。然而，在過去很長一段時間里，人工送藥是最常用的藥品遞送方式。這種方式雖然簡單可靠，但也存在一些局限性和缺點。首先，人工送藥存在感染暴露風險；其次，人工送藥很難保證時效性；再次，疫情高峰時，人工送藥方式也增加了醫務人員的工作壓力。針對以上情況，本文設計了一款智慧送藥設備，來進行無接觸智能藥物配送[1]，減少醫務人員感染的風險，減輕醫務人員的工作壓力。

在智能送藥設備研發方面，付書添等[2]研發了一款基于OpenMV視覺系統的智能送藥小車，可以完成在有線路軌跡和數字病房號標識的場景中藥物的配送任務。孟兆樂等[3]設計的智能送藥小車利用Hausdorff算法和NCC模板匹配，實現了數字的識別功能。本文借鑒已有的智能送藥設備，研究如何在醫療環境中實現非接觸式藥品配送，設計出的智能送藥設備具有操作簡便、功能完善、成本較低等特點，能夠更好地支持創新型藥品運輸方式的實現，有益于智慧醫療系統的建設。

1? 系統總體設計

1.1? 設計思路

智能送藥設備由樹莓派3B+[4]主控芯片、循跡模塊、超聲波避障模塊、L298N電機驅動模塊、供電模塊、數字識別模塊、最短路徑模塊以及前端展示模塊組成，其實物照片如圖1所示，設備的整體結構如圖2所示。

圖1? 設備實物照片

圖2? 設備整體結構圖

設備的操作流程為：醫生輸入需要送藥的病房號，設備利用最短路徑算法計算得出最佳的送藥順序。送藥過程中，設備利用循跡模塊返回的信號來判斷是否到達病房門口，如到達，則進行數字識別，確認病房號碼正確后完成送藥，然后進行下一個病房的送藥，直至送完所有需要送藥的病房。在送藥過程中，前端地圖上會實時顯示設備的路徑，并提示藥品已送達的信息。此外，前端還會展示樹莓派和小車的狀態信息，反饋設備是否有故障，設備送藥的工作流程如圖3所示。

1.2? 地圖規劃

為了滿足模擬送藥的需要，對醫院場景進行了特征化的地圖構建，以減弱病房形狀不規則、非路徑障礙物等因素的影響，突出路徑與藥房之間的幾何關系[5]。這樣可以更準確地計算最短路徑，并且提高設備送藥效率，醫院場景模擬如圖4所示。

1.3? 功能設計

智能送藥設備實現的功能有自主循跡、數字識別、計算最短路徑、前端展示以及避障功能，設備功能如圖5所示。

1.3.1? 自主循跡模塊

智能送藥設備的自主循跡功能利用5路灰度傳感器實現。在使用設備前會根據現有的地圖數據建立指令集，由于傳感器檢測到黑線會返回1，沒有檢測到黑線會返回0，通過傳感器可以判斷前方是否是十字路口或丁字路口，設備會在遇到十字路口或丁字路口時，按照指令集實現前行、左拐等操作。

圖3? 設備送藥的工作流程圖

圖4? 醫院場景模擬圖

1.3.2? 數字識別算法模塊

設備對病房門牌拍照后，首先將病房號圖像切割出來，其次，對所得到的病房號圖像進行一系列預處理操作。再次，將預處理后的圖像轉換為MNIST數據格式。最后，通過CNN模型進行數字識別，從而得到所需的病房號碼信息，數字識別算法流程如圖6所示。

圖6? 數字識別算法流程圖

1.3.3? 最短路徑算法模塊

在設備工作時，需要經過很多房間來完成一次送藥任務。為此，本文設計了一種基于迪杰斯特拉算法[6]的路徑規劃方案，將病房看作節點，將醫院地圖作為無向圖，計算兩個病房之間的最短路徑，從而有效縮短送藥時間。同時，我們還重新構建了鏈表來記錄每個最短路徑的具體值，用來計算單次多病房送藥的順序問題。這樣，不僅可以解決單次多病房送藥任務的順序問題，還能提高設備的送藥效率和節省大量時間。

1.3.4? 前端展示模塊

1.3.4.1? 實時路徑展示

該模塊可在網頁上展示完整的地圖。當用戶提交病房號后，小車會從藥房到達該病房，并在網頁地圖上形成實時軌跡路線。通過這種方式，用戶可以清晰地跟蹤小車的位置和行駛路徑，更好地掌握送藥的進度。

1.3.4.2? 狀態與故障信息展示

該模塊可實時展示樹莓派的狀態和運行信息。如果小車的運行正常，則頁面會展示“暫無故障”，但如果小車出現了一些問題，例如電池電量不足或者控制系統失靈，在故障信息模塊中就會返回錯誤信息。這將幫助我們及時發現設備故障并進行處理，以保證設備的可靠性和安全性，前端展示如圖7所示。

1.3.5? 避障算法模塊

智能送藥設備使用了HC-SR04超聲波模塊，該模塊可提供2～400 cm的距離感測功能，測量精度可達到3 mm[7]。我們將其設置為當設備前方出現障礙物并且距離設備僅有5 cm時，設備會立即停止，等待障礙物消失后才會繼續前進。

2? 系統硬件設計

2.1? 主控芯片模塊

智能送藥設備使用3代B+型（3B+）樹莓派作為主控芯片。樹莓派3代B+型在樹莓派3代B型的基礎上進行了多項重要升級。它將處理器主頻提升到了1.4 GHz，同時新增對5 GHz Wi-Fi頻段、Dual-band 802.11AC等方面的支持。

2.2? 五路灰度傳感器模塊

五路灰度傳感器是由多個灰度傳感器組成的設備，通常包含5個獨立的灰度傳感器。傳感器通過檢測物體表面在不同位置的反射率，每個灰度傳感器可以將這些反射率轉換為數字信號輸出。

2.3? 超聲波模塊

HC-SR04超聲波[8]模塊由超聲波發射器、接收器和控制電路組成。比起紅外傳感器，超聲波傳感器的搜索范圍更廣，因此我們在小車前部采用了超聲波傳感器。

3? 系統實現

3.1? 圖像預處理模塊

當設備拍攝到含有病房號的圖像時，會利用OpenCV庫[9]對圖像進行預處理。預處理可分為兩個部分。

第一部分是要切割出病房號存在的區域。對原圖像進行灰度化、高斯模糊濾波、Canny算法邊緣檢測和形態學處理等操作，以去除干擾線和小點，并獲取所有輪廓后篩選符合病房號比例要求的矩形區域。最后返回切割出的病房號圖像。

第二部分是對病房號圖像進行預處理。首先將切割出的病房號圖像進行灰度化和中值濾波以去除噪聲。其次，將濾波后的圖像與原始灰度圖像做差得到差分圖像并進行二值化操作。最后利用高斯模糊操作平滑圖像，去除不必要的噪點，并進行腐蝕處理以便于數字之間的分離。

3.2? CNN數字識別模塊

CNN是一種深度學習算法，經常被廣泛應用于圖像處理[10]和識別領域。相比其他算法，它具備提取圖像局部特征、抽象逐漸復雜等優勢，因此能夠有效地解決數字旋轉、變形等問題[11]。設備所采用的CNN網絡模型共有15層（包括輸入層），分為特征提取和多分類輸出兩個部分。在特征提取方面，使用了四個卷積層和兩個最大池化層來提取圖像中的局部特征。卷積層采用了兩個大小為5×5的濾波器和兩個大小為3×3的濾波器進行卷積操作，并使用ReLU非線性激活函數增強表達能力。每一個卷積層后都加入了批標準化操作，有助于加速模型收斂和防止過擬合。在每兩個卷積層之間還添加了一個最大池化層，以實現特征下采樣并保證特征不變性。在多分類輸出方面，使用了兩個全連接層，并在兩個全連接層之間添加Dropou層來避免過擬合。經過特征提取后將結果通過Flatten層展平，輸入到全連接層，獲得各類別預測的概率結果。

4? 系統測試與結果分析

4.1? 模型評估

模型的訓練損失值為0.027 9，準確率為0.992 1。這表明模型在訓練集上的表現比較優秀，能夠較好地擬合訓練數據。驗證損失值為0.029 1，驗證準確率為0.994 5。這表明模型在驗證集上的表現也非常好，具有良好的泛化性能，能夠適應新的數據，模型評估如圖8所示。

圖8? 模型評估圖

4.2? 實驗測試

實驗測試結果如表1所示。

表1? 實驗測試結果

病房號 到達病房門前時間/s 識別時間/s 識別結果 送達時間/s

1001號 12 40 正確 52

1004號 16 39 正確 55

1006號 16 39 正確 55

具體內容如下：

1）設備運送藥品到1001號病房。要求到達病房門前的時間小于20 s，數字識別的時間小于42 s，識別的結果準確，送到的時間小于58 s。

2）設備運送藥品到1004號病房。要求到達病房門前的時間小于20 s，數字識別的時間小于42 s，識別的結果準確，送到的時間小于58 s。

3）設備運送藥品到1005號病房。要求到達病房門前的時間小于20 s，數字識別的時間小于42 s，識別的結果準確，送到的時間小于58 s。

綜上，設備的測試結果符合基本要求。

5? 結? 論

本次設計的智能送藥設備擁有多項功能，包括利用傳感器進行自主循跡、檢測數字區域、識別數字、計算送藥最短路徑以及在前端展示設備的路徑和信息。其中，利用CNN網絡訓練的數字識別模型在訓練集和驗證集上表現優異，具有出色的數字識別功能。Dijkstra算法被用來計算最短路徑，從而提高了設備的送藥效率并節省了大量時間。此外，設備配備的前端可視化功能，使用戶能夠實時查看設備的位置和狀態，當設備出現故障時可以及時處理。經過實驗驗證，該設備成功地完成了模擬送藥任務，實現了預期功能。本設備的應用能夠實現病房藥物的自動化、高效化配送、降低醫護人員的感染風險、減輕醫務人員負擔，對于構建智慧醫療系統，具有重要的價值。

參考文獻：

[1] 張省，張樊宇.防疫物資“無接觸”機器人配送優化研究 [J].計算機工程與應用，2023，59（17）：295-307.

[2] 付書添，查雪紅，許超.基于OpenMV視覺系統的智能送藥小車 [J].工業控制計算機，2022，35（7）：6-9.

[3] 孟兆樂，蔣野，劉增林.基于機器學習的智能送藥小車設計 [J].山西電子技術，2022（3）：30-33.

[4] 陳鵬，陳智利，李龐躍，等.樹莓派3B+導盲系統設計與實現 [J].西安工業大學學報，2020，40（3）：305-309.

[5] 葉添，林興亮，楊潞霞.基于視覺系統的智能送藥小車設計 [J].山西電子技術，2023（1）：66-69.

[6] 王華.基于Dijkstra算法的物流配送最短路徑算法研究 [J].計算機與數字工程，2011，39（3）：48-50.

[7] 馮樹棟，楊延寧，杜永星，等.基于HC-SR04的多方位車距監測系統設計 [J].現代電子技術，2023，46（6）：44-48.

[8] 孟卓.基于HC-SR04的超聲波導盲系統設計 [J].電子設計工程，2019，27（21）：136-139+145.

[9] 張領先，景嘉平，李淑菲，等.基于圖像自動標注與改進YOLO v5的番茄病害識別系統 [J].農業機械學報，2023，54（11）：198-207.

[10] KRIZHEVSKTY A，SUTSKEVER I，HINTON G E. ImageNet Classification with Deep Convolutional Neural Networks [J].Communications of the ACM，2017，60（6）：84-90.

[11] 周飛燕，金林鵬，董軍.卷積神經網絡研究綜述 [J].計算機學報，2017，40（6）：1229-1251.

作者簡介：張秉文（2002.01—），男，漢族，山東

濱州人，本科在讀，研究方向：大數據、數據挖掘；張岳（1988.05—），男，漢族，山東濟南人，講師，碩士研究生，研究方向：大數據、數據挖掘；何西遠（2002.11—），男，漢族，山東濟寧人，本科在讀，研究方向：大數據、數據挖掘。