自動化藥物藥丸識別的制作方法
【專利摘要】一種藥丸識別系統(tǒng)從藥物組合物的圖像識別藥物組合物的藥丸類型。系統(tǒng)從拍攝的藥丸的圖像中提取特征。從藥丸圖像中提取的特征包括藥丸的顏色、大小、形狀和表面特征。具體地，特征包括當(dāng)拍攝圖像時使藥丸能夠被從多種方向識別的藥丸的旋轉(zhuǎn)獨(dú)立表面特征。特征向量被應(yīng)用到為每個圖像確定藥丸識別的分類器。對每個圖像的藥丸識別進(jìn)行評分以確定藥物組合物的識別。
【專利說明】自動化藥物藥丸識別
[0001]相關(guān)申請的交叉引用
[0002]本申請要求2012年I月23日提交的美國臨時申請61/589，750號的權(quán)益，其全部公開內(nèi)容由此通過引用全部并入本文。

【技術(shù)領(lǐng)域】
[0003]本發(fā)明總體涉及圖像處理，并且更具體地涉及通過自動化裝置識別藥物組合物(例如，藥丸)。

【背景技術(shù)】
[0004]在美國藥物錯投造成每天至少一人死亡，并且每年傷害大約130萬人。食品和藥品管理局(FDA)對致死性藥物錯投的研究發(fā)現(xiàn)，與藥物有關(guān)的最常見的錯誤涉及給予不適當(dāng)劑量的藥物(41%)以及給予錯誤藥物(14%)。幾乎一半的致死性藥物錯投發(fā)生在60歲以上人員身上，他們經(jīng)常服用多種處方藥物。盡管在1995年實(shí)施的聯(lián)邦法規(guī)要求在所有固體口服劑型藥物上壓印識別碼，這類藥物錯投還是繼續(xù)發(fā)生。
[0005]在醫(yī)院或護(hù)理院的環(huán)境中將藥物給予患者的工作仍然是具有有限質(zhì)量保證并且高度易受人為錯誤影響的手動過程。典型地，護(hù)士閱讀患者處方，打開包含預(yù)期藥物的藥丸瓶，將藥丸放入未標(biāo)記的小塑料杯中，將杯子拿到患者床邊，并且指導(dǎo)患者服用杯中的藥丸。沒有獨(dú)立的質(zhì)量保證過程來確認(rèn)I)正確的藥物以及正確數(shù)量的藥丸放入塑料杯中，2)藥物遞送給正確的患者，或3)以正確的時間(例如，間隔不超過4小時)給予藥物。
[0006]類似地，在家庭環(huán)境中的患者在管理他們自己的藥物方面(這可能導(dǎo)致藥物錯投)負(fù)有大量責(zé)任。家中常見的錯誤包括，除了其他問題之外，服用錯誤劑量或數(shù)量的藥丸，忘記服用某些藥物或劑量，在錯誤的時間服用藥物，一天過多次數(shù)服藥，或一天未足夠次數(shù)服藥。對于一天服用多種藥物或具有涉及復(fù)雜的定時和給藥因素的藥物方案的患者而言，對他們藥物的仔細(xì)地逐日管理可能變得非常困難。
[0007]藥物錯誤還可能發(fā)生在藥房環(huán)境中。填寫的處方可能錯誤標(biāo)記有藥丸的不正確的劑量或數(shù)量、或標(biāo)記有不正確的藥物。藥劑師可能分配錯誤的藥物、數(shù)量、或劑量，這是可能導(dǎo)致患者嚴(yán)重?fù)p傷或者甚至死亡的錯誤。由于勞累過度或分神、或甚至由于類似的藥物名稱、或具有類似物理外觀的藥丸之間的混淆，藥劑師可能犯這些類型的錯誤。
[0008]所需要的是以一種自動化的方式來快速輕松地識別藥物以便確保提供正確的藥物和劑量的機(jī)制。作為自動化藥物和劑量系統(tǒng)的一部分，藥丸必須識別并確認(rèn)為患者的所需藥丸。自動化識別藥丸的特別挑戰(zhàn)是藥丸可以通過制藥公司選擇的任何任意標(biāo)記來識另O。例如，藥丸可以包括任意形狀、表面特征、字體和方向、顏色等。藥丸的特征的這些方面給藥丸識別方法帶來了特定挑戰(zhàn)。另外，當(dāng)機(jī)器或操作員給藥丸定向時，要求以識別的特定方式取向的解決方案造成不當(dāng)延誤。


【發(fā)明內(nèi)容】

[0009]提供了一種藥丸識別系統(tǒng)，其通過從拍攝自藥丸的圖像中提取特征來識別藥丸。從藥丸圖像中提取的特征包括藥丸的使藥丸隨著拍攝圖像能夠在各個方向上被識別的旋轉(zhuǎn)獨(dú)立表面特征。
[0010]提供了一種用于識別藥物組合物的計(jì)算機(jī)實(shí)現(xiàn)系統(tǒng)、方法、和計(jì)算機(jī)可讀介質(zhì)。訪問藥物組合物的至少一個圖像,其中每個圖像提供藥物組合物的不同圖像。從藥物組合物的每個圖像中提取特征，所述特征包括圖像中的藥物組合物的表面特征的旋轉(zhuǎn)獨(dú)立度量。生成與包括針對該圖像提取的特征的藥物組合物的每個圖像的特征向量。將至少一個分類器應(yīng)用于特征向量的每一個以確定與每個圖像相關(guān)聯(lián)的至少一個分類。通過累計(jì)每個圖像的至少一個分類來確定藥丸識別。

【專利附圖】

【附圖說明】
[0011]圖1提供了根據(jù)實(shí)施例的示例性藥丸驗(yàn)證系統(tǒng)的概念圖。
[0012]圖2示出了根據(jù)實(shí)施例的用于從藥丸圖像識別藥丸的方法的概述。
[0013]圖3示出了根據(jù)實(shí)施例的特征提取和圖像分類的實(shí)施例的概述。
[0014]圖4A示出了根據(jù)實(shí)施例的藥丸輪廓識別過程。
[0015]圖4B示出了根據(jù)實(shí)施例的另一個藥丸輪廓識別過程。
[0016]圖5示出了根據(jù)實(shí)施例的用于從藥丸圖像中提取特征的方法。
[0017]圖6示出了根據(jù)實(shí)施例的用于從藥丸圖像中提取表面特征的方法。
[0018]圖7-圖13示出了根據(jù)實(shí)施例的用于提取表面特征的圖像處理技術(shù)。
[0019]圖14示出了根據(jù)實(shí)施例的用于生成藥丸特征的顏色分量的方法。
[0020]圖15示出了根據(jù)實(shí)施例的用于識別藥丸圖像的特征向量的分層分類方法。
[0021]圖16示出了根據(jù)實(shí)施例的使用分類器評分的藥丸識別方法。
[0022]圖17示出了根據(jù)實(shí)施例的藥丸識別系統(tǒng)。
[0023]這些圖僅為了說明的目的說明了本發(fā)明的各個實(shí)施例。本領(lǐng)域技術(shù)人員通過下面的討論可以容易認(rèn)識到在不偏離在此所述的本發(fā)明的原理的情況下可以使用在此說明的結(jié)構(gòu)和方法的替代實(shí)施例。

【具體實(shí)施方式】
[0024](a)概述
[0025]根據(jù)實(shí)施例提供了一種用于識別藥物組合物(例如，藥丸，其可以包括任何類型的藥丸、片劑、膠囊或其他藥物組合物)的圖像分類方法和系統(tǒng)。圖像處理方法通過從拍攝自藥丸的圖像中提取特征、將評分算法應(yīng)用于所提取的特征、從藥丸識別數(shù)據(jù)庫識別每個圖像的最佳匹配藥丸、并從識別的最佳匹配藥丸識別符合最信任的最佳匹配藥丸的藥丸來提供藥丸識別。
[0026]在一個實(shí)施例中，圖像分類系統(tǒng)是藥丸分配和/或驗(yàn)證系統(tǒng)的一部分。在2011年3月8日提交的國際專利申請PCT/US2011/027586中公開了此系統(tǒng)的一個實(shí)例，該申請要求2011年3月9日提交的美國臨時專利61/311，900號的優(yōu)先權(quán)，這兩個申請由此全部并入本文，然而還可以使用用于分配和/或驗(yàn)證的其他系統(tǒng)或可以獨(dú)立于此分配和/或驗(yàn)證系統(tǒng)進(jìn)行圖像分類。在該示例性藥丸分配和驗(yàn)證系統(tǒng)中，將藥丸引入系統(tǒng)并且系統(tǒng)使用放置在藥丸周圍的照相機(jī)或其他成像設(shè)備來捕獲藥丸的圖像。將圖像提供給圖像分類系統(tǒng)以確定藥丸圖像是否與數(shù)據(jù)庫中的藥丸的特性匹配。具體地，從藥丸圖像中提取特征以形成特征向量，從而使圖像能夠與特征數(shù)據(jù)庫中的已知藥丸的特征進(jìn)行比較。藥丸的識別被系統(tǒng)用來例如確定藥丸是否是患者的處方劑量的一部分。
[0027]圖1示出了示例性藥丸驗(yàn)證系統(tǒng)的概念圖。藥丸100在成像過程期間沿著管道110或路徑向下移動。管道110通常是透明的并且使照相機(jī)120能夠具有藥丸100的無阻視圖。管道100可以被配置為至少局部地給藥丸定向以減少藥丸圖像之間的變化。在一個實(shí)施例中，按傾斜角使用方形管道100以鼓勵藥丸沿藥丸的扁平側(cè)滑動，而不沿任意角自由下落。照相機(jī)120捕獲當(dāng)藥丸穿過管道110時的藥丸100的圖像，并處理圖像以便進(jìn)行藥丸識別。在藥丸移動通過系統(tǒng)時，可以給藥丸拍攝這些圖像。系統(tǒng)不要求在拍攝圖像時阻止藥丸或使藥丸保持靜止，而可以給運(yùn)動中的藥丸拍攝圖像。
[0028]在一個實(shí)施例中，管道110的端部包括門130，其阻止藥丸直到完成識別，比如當(dāng)正在處理藥丸圖像時。一些實(shí)施例不包括門130。當(dāng)完成識別時，移動轉(zhuǎn)向器150以將藥丸引向肯定或否定結(jié)果倉140。如果藥丸被識別為患者規(guī)定的藥丸和劑量，則使藥丸轉(zhuǎn)向至肯定結(jié)果倉140,否則轉(zhuǎn)向至否定結(jié)果倉140。一旦轉(zhuǎn)向器就位，門130就打開并將藥丸引向合適的結(jié)果倉140。在其他實(shí)施例中，其他標(biāo)準(zhǔn)確定是否將藥丸放置在肯定倉中。例如，在一些配置中，使任何數(shù)量的特定類型的檢測藥丸轉(zhuǎn)向至肯定倉。在進(jìn)一步實(shí)施例中，使用幾個結(jié)果倉140，并且每個藥丸類型根據(jù)其識別被轉(zhuǎn)向。幾個結(jié)果倉例如可以用于給不同類型的藥丸的混合物進(jìn)行歸類。因此，用戶將藥丸添加到驗(yàn)證系統(tǒng)并接收藥丸標(biāo)識的快速自動化確定。由于當(dāng)藥丸經(jīng)過管道110時識別出藥丸，因此系統(tǒng)能夠快速識別藥丸并給藥丸歸類。在其他實(shí)施例中，不使用肯定和否定倉，但系統(tǒng)表明每個藥丸被肯定識別還是否定識別(即，指定藥丸類型的肯定或否定匹配)或提供藥丸類型或標(biāo)識的指示或關(guān)于其的信息。
[0029](b)藥丸分類概述
[0030]圖2示出了根據(jù)一個實(shí)施例的用于從藥丸圖像識別201藥丸的方法的概述。該圖只提供了可以包括在該方法中的步驟的一個實(shí)例，但在其他實(shí)施例中步驟可以改變或可以以不同的方式排序。這對全文中描述的所有方法來說是真的。在圖2中，首先系統(tǒng)例如從照相機(jī)120訪問202藥物組合物(例如，藥丸)的圖像。替換地,藥丸圖像通過從獨(dú)立于照相機(jī)120的系統(tǒng)接收藥丸圖像來訪問。即，本文中描述的藥丸識別方法可以用于從一個或多個藥丸圖像識別藥丸的任何應(yīng)用。
[0031]為了給藥丸分類，從藥丸圖像的每一個中提取203特征。如下面詳細(xì)描述，在該實(shí)施例中從藥丸中提取的特征包括顏色、大小、形狀和表面特征，但是可以使用任何合適的特征或特征集合。所提取的特征用于使用與藥丸圖像相關(guān)聯(lián)的特征來創(chuàng)建表示藥丸圖像的特征向量。接下來，來自照相機(jī)的每個圖像通過分類算法來分類204以識別圖像中表示的最可能的藥丸。在分類每個圖像之后，對來自分類器的結(jié)果進(jìn)行評分205以合并來自各個圖像的結(jié)果。由于圖像可以提供不同的藥丸識別，因此評分205確定每個候選藥丸類型的分?jǐn)?shù)以選擇具有最高分?jǐn)?shù)的藥丸類型。
[0032]參照圖3描述特征提取和圖像分類方法(例如，圖2的步驟203和204)的實(shí)施例的概述。圖像分類開始301于藥丸的原始圖像照片或其他圖像。為了從對應(yīng)于藥丸的圖像中提取特征，識別圖像的包含藥丸的部分。為了識別藥丸，藥丸識別系統(tǒng)確定藥丸的輪廓并去除圖像中的反射302。一旦識別出藥丸，就通過各種圖像處理技術(shù)從藥丸圖像創(chuàng)建特征向量303。也就是說，在該實(shí)施例中，每個藥丸圖像與表示藥丸圖像的特征向量相關(guān)聯(lián)。從藥丸圖像中提取的特征通過分類算法來分類204。分類算法使用各種分類算法并且可以輸出圖像的布爾最佳匹配藥丸類型，或替換地，分類方法使用信任值來表示最佳匹配藥丸類型。分類器可以是任何合適的機(jī)器學(xué)習(xí)分類系統(tǒng)，比如支持向量機(jī)(SVM)。
[0033]在給特征向量分類304之前，在已知藥丸的多個圖像上訓(xùn)練藥丸分類器。使用訓(xùn)練過程，使用包括關(guān)于訓(xùn)練圖像的對應(yīng)藥丸類型的信息的各種訓(xùn)練圖像。在從訓(xùn)練圖像中提取的特征上訓(xùn)練藥丸分類器以確定表征每個藥丸類型的特征。雖然被描述為單個藥丸分類器，但是藥丸分類器可以包括多個分類器，其中在此特定分類器的這組特征和藥丸類型上訓(xùn)練每個分類器。如下所述，可以分層組織分類器，其中高層分類器用于區(qū)別容易區(qū)分的特征向量。例如，高層分類器可以基于顏色進(jìn)行區(qū)別，從而將藥丸分為白色、褐色、紅色、藍(lán)色等。在訓(xùn)練過程中，藥丸可以由操作員指定為屬于特定類型(例如，顏色)，或者可以使特征向量自動集群。集群中與藥丸類型相關(guān)聯(lián)的特征向量用于對高層分類器進(jìn)行訓(xùn)練。在分類高層組之后，較低層分類器可以進(jìn)一步區(qū)分額外集群，或可以將特征向量分類為藥丸類型。在一個實(shí)施例中，分類器保持在藥丸分類數(shù)據(jù)庫中。
[0034](C)藥丸輪廓檢測
[0035]在一個實(shí)施例中，在處理圖像以提取特征之前，處理藥丸的圖像以識別藥丸在圖像內(nèi)的位置并給藥丸定向。該藥丸輪廓識別用于清除圖像并確保從圖像中提取的特征是源自藥丸但不源自背景噪聲或圖像的其他方面的特征。還使用了該藥丸輪廓識別，因?yàn)閳D像可以捕獲位于圖像的各個區(qū)域的所有或部分藥丸并且特定藥丸類型具有各種形狀和大小。
[0036]參照圖4A描述藥丸輪廓識別過程的一個實(shí)施例。藥丸輪廓識別過程開始401于將圖像轉(zhuǎn)換402為灰度圖。接下來，動態(tài)標(biāo)度圖像的灰度范圍403以將原始灰度圖像的顏色范圍校準(zhǔn)為全灰度范圍。換句話說，如果原始灰度范圍在能夠0-255的處理范圍內(nèi)使用20-60的值范圍，則對值范圍20-60進(jìn)行標(biāo)度以使用全部0-255范圍。接下來，檢測包含在藥丸圖像內(nèi)的邊緣404。這可以使用Canny濾波器或用于識別邊緣的另一個機(jī)制來進(jìn)行。所檢測的邊緣可以包括從一個部分至另一個部分具有鮮明對比的藥丸圖像的部分，比如藥丸的實(shí)際邊緣，以及表面標(biāo)記，比如藥丸上的任何刻字、藥丸上的其他壓印、和具有高對比度的圖像的其他方面。因此，該部分中描述的“邊緣”不初步構(gòu)成藥丸的輪廓。
[0037]繼續(xù)用于藥丸輪廓識別的該實(shí)施例，現(xiàn)在將所檢測的邊緣轉(zhuǎn)換405為等值線列表。每個等值線對應(yīng)于圖像中檢測的各個連續(xù)邊緣。檢查區(qū)段并且從等值線列表中去除406沒有達(dá)到最小閾值的等值線。例如，可以要求等值線達(dá)到最小長度和最小縱橫比，比如大于I的縱橫比，以及最小面積(即，等值線中像素的數(shù)量)?？梢酝ㄟ^這種方式檢測并去除陰影和其他噪聲，這提高了只選擇作為藥丸輪廓的一部分的等值線的可能性。接下來，分析開放端等值線以通過識別相鄰的開口端輪廓來確定一個等值線的開口是否與另一個等值線的開口匹配并連接407相鄰的輪廓。在連接等值線之后，等值線現(xiàn)在包括封閉空間。拒絕無法封閉最小面積的封閉空間408。接下來，將等值線轉(zhuǎn)換409至感興趣的區(qū)域。另一個濾波步驟去除410其縱橫比超過最小閾值的感興趣的區(qū)域以及太接近視場邊緣的區(qū)域。換句話說，出于輪廓檢測目的，假設(shè)太接近藥丸的邊緣或過度拉長的感興趣的區(qū)域不構(gòu)成藥丸的部分。
[0038]現(xiàn)在將感興趣的剩余區(qū)域合并411成感興趣的單個區(qū)域并填充感興趣的區(qū)域中的任何孔412。接下來，通過應(yīng)用413開口濾波器(filter)，對感興趣的區(qū)域進(jìn)行平滑處理以去除感興趣的區(qū)域的輪廓外側(cè)的任何突起。最終，擴(kuò)大感興趣的區(qū)域以填充內(nèi)部空間。即，擴(kuò)大414任何內(nèi)部空間至感興趣的區(qū)域的凸殼。這創(chuàng)建了可以用于提取藥丸的特征的藥丸輪廓。
[0039]根據(jù)一個實(shí)施例，在圖4B中示出了另一種識別藥丸輪廓的方法。在該方法中，藥丸輪廓通過并行操作的兩種藥丸輪廓方法來確定。比較這兩種方法以確定哪種方法提供的結(jié)果更好并且可以將這兩種方法進(jìn)行組合以生成最終藥丸輪廓。在開始430藥丸輪廓識別之后，步驟識別431圖像中的管道邊界。由照相機(jī)120拍攝的藥丸100的圖像可以包括藥丸圖像中的管道的部分。管道邊界通常在圖像的上下區(qū)域中識別，盡管位置將基于管道110和照相機(jī)120的布置而改變。在一個實(shí)施例中，管道邊界通過圖像中的角落的低強(qiáng)度區(qū)域識別(左上/右上和左下/右下)。識別并計(jì)算管道邊界的位置和角。
[0040]在第一輪廓確定方法中，通過識別圖像中的高對比度面積來識別410圖像中的一組邊緣。邊緣可以通過任何合適的方法(比如通過Canny濾波器)來檢測。接下來，聯(lián)結(jié)441圖像中識別的彼此相鄰的邊緣。在一個實(shí)施例中，聯(lián)結(jié)的相鄰邊緣彼此共切。在聯(lián)結(jié)之后，從形成閉合等值線的邊緣創(chuàng)建藥丸區(qū)域。
[0041]接下來，識別并去除反射區(qū)域460。通過比較藥丸區(qū)域與管道邊界和圖像的邊緣來確定反射區(qū)域。從藥丸區(qū)域列表中去除藥丸區(qū)域(其是管道邊界的部分)和主要接近圖像的邊緣(例如，頂部和底部)的區(qū)域。對于剩余藥丸區(qū)域，確定背景像素的計(jì)數(shù)461，其表示藥丸區(qū)域封閉像素(其是藥丸背景的可能部分)的程度。通過識別在所有顏色通道(即，在所有顏色類型中)都較暗的像素來確定背景像素?？梢曰诠艿?10和照相機(jī)120的配置來確定黑暗的閾值。當(dāng)背景像素計(jì)數(shù)較高時，其表明藥丸區(qū)域可以明顯大于藥丸，并表明藥丸輪廓確定有錯誤。最終，填充462藥丸區(qū)域至藥丸區(qū)域列表的凸殼。這將藥丸區(qū)域結(jié)合在一起以產(chǎn)生去除負(fù)曲率變形的藥丸輪廓。
[0042]第二輪廓檢測方法開始于來自原始RGB圖像的兩個不同的數(shù)學(xué)推導(dǎo)圖像的灰度分割450。從飽和度顏色通道的變化創(chuàng)建第一灰度圖像。當(dāng)藥丸的顏色可以因區(qū)域不同而改變時，飽和度在整個藥丸中通常都是相對一致的并且在背景部分中是有噪音的。第二灰度圖像是RGB顏色通道的每一個的最大灰度像素值的圖像。將來自每個圖像的分割結(jié)果合成單個藥丸區(qū)域。接下來，通過識別反射線451來確定藥丸反射。反射線使用卷積核來識別水平線像素。水平線像素在管道邊界中識別以識別反射的可能部分。將來自卷積核的像素組合起來以識別反射線451。使用反射線，通過從藥丸區(qū)域452分離反射，將通過灰度分割450產(chǎn)生的感興趣的區(qū)域分為多個斷開連接的區(qū)域。藥丸區(qū)域的分離基于反射線。去除與反射相關(guān)聯(lián)的藥丸區(qū)域460，計(jì)數(shù)背景像素461，并填充區(qū)域至凸殼462，如上所述。因此，創(chuàng)建兩組感興趣的區(qū)域，第一組通過邊緣檢測創(chuàng)建，第二組通過灰度分割創(chuàng)建。
[0043]接下來，將兩個藥丸輪廓組合在一起470。來自基于邊緣和基于灰度的輪廓的輪廓用于確定單個藥丸輪廓。組合輪廓可以是來自兩個藥丸輪廓之一的藥丸輪廓，或者可以是藥丸輪廓的組合。確定使用哪個組合輪廓基于每個感興趣的區(qū)域的背景像素計(jì)數(shù)來確定。當(dāng)背景像素計(jì)數(shù)對一個藥丸輪廓相對于另一個明顯更低時，更低的藥丸輪廓被選擇作為組合藥丸輪廓。當(dāng)這兩個藥丸輪廓具有類似像素計(jì)數(shù)時，使用每個藥丸類型的感興趣的區(qū)域的結(jié)合以確定共用于這兩者的感興趣的區(qū)域。另外，剩余轉(zhuǎn)折點(diǎn)可以通過分析感興趣的區(qū)域中的轉(zhuǎn)折點(diǎn)來識別。檢查轉(zhuǎn)折點(diǎn)以確定轉(zhuǎn)折點(diǎn)是否構(gòu)成線。如果此線在與管道相關(guān)聯(lián)的圖像的區(qū)域中識別，則從藥丸輪廓中去除與線相關(guān)聯(lián)的感興趣的區(qū)域并且感興趣的剩余區(qū)域被作為藥丸輪廓返回。
[0044]作為前述方法的結(jié)果，識別藥丸的輪廓并且藥丸的輪廓可以用于提取藥丸的特征以與藥丸分類方法一起使用。上文是藥丸輪廓識別方法的一個實(shí)施例；在其他實(shí)施例中可以使用識別藥丸輪廓的其他方法。
[0045](d)特征向量
[0046]使用來自圖像的識別的藥丸形狀，從圖像中提取特征并將特征向量構(gòu)造為表征藥丸圖像。特征向量被分類系統(tǒng)用來通過使藥丸圖像與已知的藥丸類型相關(guān)聯(lián)來訓(xùn)練分類器，并通過使用受訓(xùn)分類器識別未知藥丸。在一個實(shí)施例中，特征向量包括從藥丸的形狀和大小、藥丸的表面特征、和藥丸的顏色分量中提取的分量。
[0047]在圖5中示出了從藥丸圖像中提取特征的方法的實(shí)施例。在如上文所討論的確定藥丸的輪廓之后，特征向量創(chuàng)建開始501。首先，生成矩形，從而封閉藥丸輪廓并減小大小直至確定封閉藥丸輪廓的最小矩形502，使得矩形可以具有藥丸輪廓周圍的任意定向。接下來，旋轉(zhuǎn)封閉的藥丸輪廓503，使得具有藥丸輪廓的矩形是水平的。即，矩形用于將藥丸旋轉(zhuǎn)至主要水平位置，以使得縱橫比和其他特征很容易持續(xù)地在藥丸圖像上測量?？梢允褂脤⑺幫鑸D像旋轉(zhuǎn)至水平位置的其他方法，或在一些實(shí)施例中計(jì)算特征，而不旋轉(zhuǎn)藥丸圖像。在該實(shí)施例中，從所旋轉(zhuǎn)的藥丸圖像中提取特征。作為概述，從藥丸輪廓計(jì)算形狀和大小分量504，計(jì)算表面特征分量505，并計(jì)算顏色分量506。在下面進(jìn)一步詳細(xì)描述這些各種分量的生成。將這些分量添加507至與圖像相關(guān)聯(lián)的特征向量。
[0048]另外，可以將來自拍攝自藥丸的其他圖像的特征添加508至特征向量并歸類以便更好表征一些類型的特征。在該實(shí)施例中，將來自每個圖像的大小和顏色特征添加至每個圖像的特征向量的各個部分。例如，將每個圖像的大小相關(guān)的面積特征添加至每個圖像的面積特征向量。在添加面積特征數(shù)據(jù)之前，對圖像的數(shù)據(jù)進(jìn)行串聯(lián)并歸類。因此，如果三個圖像包括19，32和25的相關(guān)聯(lián)的面積特征，則對面積特征進(jìn)行串聯(lián)并歸類以生成添加至三個圖像的每個特征向量的一組面積特征{19，25，32}。添加此數(shù)據(jù)使分類器能夠在數(shù)據(jù)上訓(xùn)練，該數(shù)據(jù)例如表明示出了藥丸的短邊的圖像實(shí)際上是一般長方形藥丸的短邊。以此方式添加至每個特征向量的特征在下面進(jìn)行更全面的描述，并包括面積、長度和縱橫比的基于大小的特征。描述每個圖像的表面特征復(fù)雜性的特征還可以添加至每個特征向量。該特征例如一般可以表不表面紋理在藥丸的各側(cè)上的分布。
[0049](e)特征向量一形狀和大小分量
[0050]使用藥丸圖像和輪廓，一個實(shí)施例生成特征向量的各個形狀和大小分量。大小和形狀計(jì)算例如包括最長維度的長度、藥丸輪廓的長度、面積、縱橫比、圓度、緊密度、凸性、蓬松性和結(jié)構(gòu)因素。
[0051]圓度測量藥丸輪廓與圓圈的相似度，并且在一個實(shí)施例中通過計(jì)算區(qū)域的面積并將面積除以從中心至等值線像素的最大距離的平方，再乘以Pi來計(jì)算(圓度=(面積)/(最大距離)2*π)。
[0052]緊密度測量等值線相對于區(qū)域的面積的長度。緊密度在一個實(shí)施例中通過對等值線的長度求平方值并將結(jié)果除以區(qū)域的面積的四倍并乘以Pi來測量(緊密度=(等值線長度)2/(4*面積* π ))。
[0053]凸性測量輸入?yún)^(qū)域以確定區(qū)域的凸性水平的度量。凸性在一個實(shí)施例中通過將區(qū)域的原始面積除以凸殼的面積來測量(凸性=(區(qū)域的面積)/(凸殼的面積))。
[0054]蓬松性和結(jié)構(gòu)因素是可以從推導(dǎo)自區(qū)域的橢圓參數(shù)推導(dǎo)出來。將區(qū)域轉(zhuǎn)換為半徑ARa,半徑BRb，和面積A的橢圓測量值，其中Ra ^ Rb。額外特征(異方性)在一個實(shí)施例中可以計(jì)算為艮與&的比(異方性=Ra/Rb)。蓬松性在一個實(shí)施例中計(jì)算為Pi乘以Ra和Rb，再除以A(蓬松性=Ji*Ra*Rb/A)。結(jié)構(gòu)因素在一個實(shí)施例中計(jì)算為異方性乘以蓬松性減一(結(jié)構(gòu)因素=(異方性*蓬松性)_1)。
[0055](f)特征向量一具有旋轉(zhuǎn)獨(dú)立性的表面特征
[0056]在一個實(shí)施例中，還可以從圖像中提取額外特征以反映藥丸的表面特征。圖6是示出了一個實(shí)施例中的從藥丸圖像中提取表面特征的方法的流程圖。圖7-13示出了根據(jù)實(shí)施例用于提取表面特征的圖像處理技術(shù)。圖6在本文中共同參照圖7-13進(jìn)行描述以示出圖像處理。在開始表面特征提取600之后，訪問藥丸圖像601。將訪問的圖像轉(zhuǎn)換為如圖7中所示的灰度圖。在圖5中所示的圖像中，在對從照相機(jī)或其他成像設(shè)備接收的圖像進(jìn)行平滑處理之后，示出了藥丸的灰度圖像。
[0057]接下來，使用藥丸的輪廓，腐蝕藥丸邊緣并向外復(fù)制602藥丸邊界以對從藥丸至藥丸圖像的剩余部分的過渡進(jìn)行平滑處理。圖8中示出了由此產(chǎn)生的腐蝕和復(fù)制。應(yīng)用各向異性濾波器603，其進(jìn)一步對藥丸圖像進(jìn)行平滑處理并增強(qiáng)藥丸中的對比特征。圖9中示出了各向異性濾波器之后的藥丸圖像。
[0058]接下來，應(yīng)用灰度范圍濾波器604?；叶确秶鸀V波器轉(zhuǎn)換圖像使得每個像素的值等于像素周圍的給定大小的方形的灰度值的范圍差。該結(jié)果強(qiáng)調(diào)圖像中的表面特征并在圖10中示出。在一個實(shí)施例中，表示表面復(fù)雜性的特征通過在圖10中所示的圖像上整合來捕獲。表面復(fù)雜性特征可以充當(dāng)可從藥丸表面獲得的表面信息的量的代理并且可以用于給藥丸分類評分，如下所述。在其他實(shí)施例中，表面復(fù)雜性的度量可以在表面特征過程中的另一個點(diǎn)處獲得。
[0059]由于圖像可以從各個角捕獲，尤其是如果藥丸作為圖像旋轉(zhuǎn)或運(yùn)動或服用，則下一個處理步驟通過將圖像轉(zhuǎn)換為如圖11中所示的極坐標(biāo)605來向捕獲圖像提供旋轉(zhuǎn)獨(dú)立性。通過使用極坐標(biāo)和極獨(dú)立的統(tǒng)計(jì)的組合，各種藥丸旋轉(zhuǎn)產(chǎn)生類似的特征向量?？赡艽嬖陬愃铺卣飨蛄浚?yàn)闃O變換允許在極坐標(biāo)圖像的獨(dú)立于原始圖像中的藥丸旋轉(zhuǎn)的行上計(jì)算的統(tǒng)計(jì)。旋轉(zhuǎn)獨(dú)立性允許使用各種藥丸圖像進(jìn)行可靠分類。
[0060]接下來，在一個實(shí)施例中，對極坐標(biāo)圖像進(jìn)行子采樣606，如圖12所示。子采樣技術(shù)概括了數(shù)據(jù)并降低了由相同的藥丸類型產(chǎn)生的特征基本上不同的可能性。接下來，可以將子采樣圖像分成行，如圖13中所見。每行1301用于生成607 —組旋轉(zhuǎn)獨(dú)立表面特征。由于每行在極坐標(biāo)中，因此每行從原始圖像的中心徑向向外表示“環(huán)”。從行1301中提取的特征獨(dú)立于像素順序。結(jié)果，特征表征從原始圖像的中心向外延伸的每個環(huán)。使用極坐標(biāo)和獨(dú)立于像素順序測量的特征提供旋轉(zhuǎn)獨(dú)立特征集合。從行1301中提取的特征可以包括平均灰度值、灰度值的標(biāo)準(zhǔn)偏差、灰度值的熵、及灰度值的異方性。在實(shí)踐中，可使用任何特征，其提供旋轉(zhuǎn)獨(dú)立的行的測量值。從所子采樣的極坐標(biāo)圖像中提取的特征被附加至特征向量。
[0061](g)特征向量一彥頁色分量
[0062]提取進(jìn)一步特征以分析藥丸圖像的顏色分量，如圖14所示。在一個實(shí)施例中，使用原始彩色圖像，開始顏色分量計(jì)算1401。將彩色圖像轉(zhuǎn)換1402為色度飽和度值圖像。接下來，基于每個像素的色度和飽和度值來創(chuàng)建二維直方圖1403。二維直方圖中的每個倉表示色度和飽和度的特定組合并且包括與此特定組合相關(guān)聯(lián)的像素。正因如此，色度飽和度值的“值”分量在該實(shí)施例中被丟棄并且直方圖不包括像素亮度。在實(shí)施例中，直方圖被進(jìn)一步標(biāo)準(zhǔn)化以增強(qiáng)各個直方圖之間的比較。計(jì)算直方圖統(tǒng)計(jì)1404，包括質(zhì)心坐標(biāo)的中心和灰度值瞬間(moment)的橢圓軸。接下來降低1405色度飽和度直方圖的分辨率。降低直方圖的分辨率類似于上文針對表面特征使用的子采樣技術(shù)。降低分辨率減少了特征向量的維數(shù)并由此概括了數(shù)據(jù)。在分辨率降低的直方圖上計(jì)算進(jìn)一步的統(tǒng)計(jì)1406。在一個實(shí)施例中，針對分辨率降低的直方圖測量每個行和每個列的平均灰度值。從顏色直方圖中提取的額外特征被附加至特征向量。
[0063](h)組合的圖像特征
[0064]除了各個圖像統(tǒng)計(jì)之外，在一個實(shí)施例中利用表示針對藥丸拍攝的圖像集合的特征來擴(kuò)增每個圖像的特征向量。例如，某些藥丸類型在藥丸的不同側(cè)上具有不同顏色。對于這些藥丸，單獨(dú)圖像可以只捕獲藥丸上的顏色之一，并且藥丸類型易受誤分類的影響。由于藥丸的其他圖像可以包括藥丸上的另外的顏色，因此包括來自其他圖像的顏色數(shù)據(jù)至單獨(dú)圖像的分類改善了此單獨(dú)圖像的藥丸分類。例如，如果藥丸在一側(cè)為白色，在另一側(cè)為藍(lán)色，則白色側(cè)藥丸的圖像具有被誤分類為不同白色藥丸的可能性更大。然而，包括來自同樣包括藍(lán)色側(cè)的圖像的信息最小化或消除了該誤分類。
[0065]正因如此，來自藥丸的圖像集合的特征被附加至每個圖像的特征向量。從圖像集合附加的特征可以包括任何特征，其從圖像的不同角度來看可以改變并具有較高的辨識性值。例如，這些特征可以包括上述顏色相關(guān)特征以及上述大小和形狀特征。針對大小和形狀特征，藥丸的短維度的圖像可以被誤分類為其長維度類似的不同的更小藥丸。然而，利用特征向量中包括來自另一個圖像的最大長維度長度，可以最小化或消除此誤分類。
[0066]作為先前特征提取技術(shù)的結(jié)果，從拍攝自藥丸的圖像中提取特征向量。接下來，特征向量被用作一個分類器或多個分類器的輸入以確定圖像描述哪個藥丸?？蛇x地，特征向量用于訓(xùn)練分類器以便稍后進(jìn)行藥丸識別。
[0067](i)藥丸分類
[0068]藥丸分類器可以使用各種機(jī)器學(xué)習(xí)技術(shù)來實(shí)現(xiàn)。例如，在一個實(shí)施例中機(jī)器學(xué)習(xí)技術(shù)使用支持向量機(jī)(SVM)來實(shí)現(xiàn)。另一個實(shí)施例使用高斯混合模型。進(jìn)一步實(shí)施例使用神經(jīng)網(wǎng)絡(luò)。分類器通常被實(shí)現(xiàn)為以特征向量為輸入并產(chǎn)生藥丸類型作為輸出的數(shù)學(xué)函數(shù)。例如，分類器可以輸出表示是否匹配的布爾值，或者可以輸出表示藥丸類型的信任分?jǐn)?shù)的一系列值。通常，分類器可以使用利用特定藥丸類型識別的一組藥丸圖像進(jìn)行訓(xùn)練，使得分類器可以識別未來圖像中的藥丸類型。分類器分?jǐn)?shù)用于確定在藥丸圖像中識別哪些藥丸類型。
[0069]圖15示出了用于識別藥丸圖像的特征向量的分層分類方法。由于有數(shù)千種或數(shù)萬種或更多種可識別的藥丸，因此試圖在單個分類器中區(qū)分這些單獨(dú)藥丸的分類器可能不產(chǎn)生令人滿意的結(jié)果。在這種方法中，以分層的方式使用幾種分類器來區(qū)別藥丸的類型。首先將特征向量提供給頂層分類器1510。頂層分類器1510只使用特征向量的基于顏色的分量來分類特征向量。在該實(shí)例中，圖像的特征向量包括來自拍攝自藥丸的藥丸圖像的基于顏色的特征。頂層分類器被配置為確定特征向量屬于藥丸類型的哪個集群。例如，當(dāng)使用顏色時，可以基于藥丸的顏色將藥丸分組成或集群成藥丸集合。在這種情況下，頂層分類器1510確定特征向量是白色藥丸。選擇對應(yīng)于白色藥丸的中間分類器1520。
[0070]在該實(shí)施例中，中間分類器1520進(jìn)一步基于顏色、大小、和形狀分量以類似于頂層分類器的方式來區(qū)別藥丸。在該實(shí)例中，中間層分類器1520將特征向量1500分類為乳白色的小且橢圓形的藥丸。因此，中間層分類器1520可以相對于頂層分類器1510區(qū)別更細(xì)微的顏色區(qū)別。盡管分類的描述有助于理解藥丸分類的分層概念，但是在實(shí)踐中，沒有正式定義下一層分類器的選擇。特別地，可以通過根據(jù)在每個分類層級使用的特征對藥丸進(jìn)行集群來確定層次結(jié)構(gòu)中的每級藥丸。即，頂層顏色分類器1510通過根據(jù)顏色特征向量對藥丸類型進(jìn)行集群來訓(xùn)練并被訓(xùn)練為將藥丸分為集群1、集群2等等。僅對分層分類的進(jìn)一步理解進(jìn)行“白色”描述。因此，例如，中間層分類器1520可以對名義上包括類似于人眼的藥丸的一組底層分類器1530之間的特征向量，比如{乳白色，小，橢圓}和{乳白色，中等，橢圓}。
[0071]在識別對應(yīng)于通過中間層分類器1520的分類的底層分類器1530之后，底層分類器1530使用整個特征向量來對藥丸進(jìn)行分類。正因如此，底層分類器將藥丸識別為特定藥丸識別1540。如該實(shí)例中所示，底層分類器還可以表示藥丸的等級次序，例如表明藥丸最可能是第一藥丸識別1540 (Watson 349),但也有第二最可能的藥丸識別(Jones 150)。額外等級次序可以進(jìn)一步由底層分類器1530生成。通過使用分層分類方法，每個層級的分類器可以集中于每個層級的辨識特征。另外，每個分類器要做出有限數(shù)量的分類，而不是如果使用單個分類器則要使用的數(shù)千或數(shù)萬分類。由此確定每個特征向量的藥丸識別1540。
[0072](j)分類評分
[0073]圖16中示出了使用分類器評分的藥丸識別方法。在該實(shí)施例中，每個分類結(jié)果被用作“投票”以確定最終返回哪個藥丸類型作為藥丸圖像的藥丸類型。圖16中示出了確定返回哪個藥丸類型的一種方法。該圖中使用的方法示出了分類器是可以返回“最可能”分類和“第二可能”分類的SVM的實(shí)施例，但不返回信任分?jǐn)?shù)。
[0074]在起始點(diǎn)1601處，通過提取特征向量來處理拍攝自藥丸的多個圖像。接下來，分類器被應(yīng)用1602到每個藥丸圖像以對每個圖像確定1603最可能和第二可能的藥丸類型。評分方法通過將分?jǐn)?shù)1604分配給分類結(jié)果，比如通過為最可能分類分配分?jǐn)?shù)1.0和為第二可能分類分配分?jǐn)?shù)0.5來繼續(xù)進(jìn)行。最可能和第二可能分類的分?jǐn)?shù)可以通過信任值進(jìn)行修改以用于分類。對于不主動提供信任值的分類器，信任值可以通過分析分類器的結(jié)果來確定。對于SVM，SVM由單獨(dú)二值分類器組成。當(dāng)SVM確定特定藥丸比另一個藥丸更可能時，SVM中的單獨(dú)二值分類器為更可能的藥丸“投票”。因此，可以訪問來自底層分類器1530的二值分類結(jié)果以確定來自底層分類器1530中的單獨(dú)二值分類器的結(jié)果。最可能與第二可能藥丸類型識別之間的差別可以用于調(diào)整結(jié)果之間的評分。如果第二可能可通過更少的二值分類器來區(qū)別，則第二可能藥丸分類的分?jǐn)?shù)增加，更靠近最可能藥丸識別的值。
[0075]在一個實(shí)施例中，在確定每個圖像的藥丸的分?jǐn)?shù)之后，每個圖像的分?jǐn)?shù)也可以相對于每個圖像的表面復(fù)雜性進(jìn)行加權(quán)。如上所述，表面復(fù)雜性特征描述表面特征的程度以及每個藥丸圖像上的其他特性。因此，包括更少表面特征復(fù)雜性的藥丸圖像可以具有更少的區(qū)別特征，以此識別準(zhǔn)確的藥丸類型。因此，對與具有復(fù)雜性降低的藥丸圖像相關(guān)聯(lián)的分?jǐn)?shù)進(jìn)行加權(quán)以降低來自分類的評分。
[0076]分?jǐn)?shù)用于對每個藥丸類型投票1604以為藥丸圖像記分分類結(jié)果。最高評分藥丸類型是被識別為藥丸的藥丸類型的類型。下面的表I中示出了該藥丸分類系統(tǒng)的實(shí)例。
[0077]

I藥丸類型I I藥丸類型2 I藥丸類型3 I藥丸類型4
圖像 A TTo079OO
圖像 B 0.75OOO
圖像 C 078O0ΓδO
圖像 D 073OO0Γδ
總計(jì)2.85790Γδ0Γδ
[0078]表I
[0079]表I示出了根據(jù)四個藥丸類型分類的一組四個圖像。每個圖像被分類以識別最可能和第二可能的藥丸類型。已經(jīng)調(diào)整該圖中的分?jǐn)?shù)以估計(jì)每個圖像的信任值和相對表面特征復(fù)雜性。藥丸分類的信任值可以通過比較圖像的每個藥丸類型的值得到。例如，圖像A針對藥丸類型2具有相似分?jǐn)?shù)，因?yàn)榉诸惼鲗⑺幫桀愋虸和2以相似的方式排名，并且特別地在底層分類器1530中只相差幾個二值分類器。表面特征復(fù)雜性通過比較每個圖像的最大分?jǐn)?shù)得到。例如，與圖像D的最大分?jǐn)?shù)0.5相比，圖像A具有最大分?jǐn)?shù)1.0，原因是圖像A相對于圖像D具有更復(fù)雜的表面并且被給予更多的加權(quán)。給分類分?jǐn)?shù)記分，并且藥丸類型I被識別為圖像之間的最佳評分藥丸類型。藥丸類型I被識別1606并被報(bào)告為藥丸的藥丸類型。在一個實(shí)施例中，在藥丸被識別為藥丸類型之前，總記分必須達(dá)到閾值。使用閾值降低了具有尚未由系統(tǒng)訓(xùn)練的藥丸類型的藥丸被錯誤地分類為現(xiàn)有藥丸類型的可能性。
[0080]在另一個實(shí)施例中，分類器產(chǎn)生每個藥丸類型的信用分?jǐn)?shù)，而不是“最有可能”藥丸類型。使用信用分?jǐn)?shù)，系統(tǒng)還可以確定藥丸類型對匹配不足夠信任，因此藥丸不被識別為已知的藥丸類型。
[0081](k)藥丸識別系統(tǒng)
[0082]圖17中提供了藥丸識別系統(tǒng)1700的實(shí)施例。藥丸識別系統(tǒng)1700可連接至圖1中所示的系統(tǒng)用于捕獲藥丸圖像。將藥丸圖像提供給藥丸識別系統(tǒng)1700并且由此產(chǎn)生的藥丸識別確定用于放置藥丸的結(jié)果倉140。在其他實(shí)施例中，藥丸識別系統(tǒng)1700可以獨(dú)立于捕獲藥丸圖像的系統(tǒng)放置。
[0083]藥丸識別系統(tǒng)1700包括藥丸照片數(shù)據(jù)庫1701，其包括藥丸的原始照片。藥丸照片數(shù)據(jù)庫接收由照相機(jī)拍攝的照片并且可以無期限地或在指定時間段內(nèi)對其進(jìn)行存儲。在一個實(shí)施例中，藥丸照片數(shù)據(jù)庫接收新藥丸照片并僅在藥丸識別過程期間保持照片。特征提取模塊1702通過從藥丸圖像中提取大小、形狀和表面特征并構(gòu)造特征向量來從如上所述的藥丸照片中提取特征。將由此產(chǎn)生的特征向量存儲在特征數(shù)據(jù)庫1703中。
[0084]分類器訓(xùn)練模塊1704基于所提取的藥丸特征和藥丸類型指示來訓(xùn)練分類器或一組分類器。將藥丸類型指示結(jié)合相關(guān)聯(lián)的特征向量以訓(xùn)練分類器。受訓(xùn)分類器或分類器集合被存儲在藥丸分類器數(shù)據(jù)庫1705中以便用于對新藥丸進(jìn)行分類。在一些實(shí)施例中，藥丸識別系統(tǒng)包括預(yù)先配置的一組分類器，使得藥丸識別系統(tǒng)不訓(xùn)練分類器，并預(yù)先配置分類器。分類器還可以從外部源加載，比如通過從網(wǎng)絡(luò)傳輸分類器或從外部非易失性存儲裝置接收分類器。因此，外部系統(tǒng)可以提供更新以改變通過數(shù)據(jù)庫分類的藥丸。這些配置可以省略分類器訓(xùn)練模塊1704。
[0085]使用與每個圖像和特征向量相關(guān)聯(lián)的藥丸分類，分類器投票模塊1706從藥丸分類器提供單個藥丸的確定。分類器投票模塊1706可以對來自如上文提供的多個被應(yīng)用的照片的分類投票進(jìn)行加權(quán)。分類器投票模塊1706然后將最有可能的藥丸分類作為藥丸類型提供給用戶或控制如圖1所示的門130和轉(zhuǎn)向器150。
[0086]為了說明性目的已給出了對本發(fā)明的實(shí)施例的前述描述；這并不意味著是排他性的或者將本發(fā)明限制于所公開的確切形式。相關(guān)領(lǐng)域技術(shù)人員可以理解，根據(jù)以上公開內(nèi)容可以有多種修改和變形。
[0087]該描述的某些部分根據(jù)算法和有關(guān)信息的操作的符號表示描述了本發(fā)明的實(shí)施例。這些算法描述和表示通常被數(shù)據(jù)處理領(lǐng)域的技術(shù)人員用于將工作的實(shí)質(zhì)有效傳達(dá)給本領(lǐng)域的其他技術(shù)人員。這些操作盡管從功能上、計(jì)算上或邏輯上進(jìn)行了描述，但應(yīng)被理解為通過計(jì)算機(jī)程序或等效電路、微代碼等來實(shí)現(xiàn)。此外，已經(jīng)證明有時方便地將這些操作的布置稱為模塊，而不失一般性。描述的操作及其相關(guān)聯(lián)的模塊可以在軟件、固件、硬件或其任意組合中實(shí)施。
[0088]可以利用一個或多個硬件或軟件模塊單獨(dú)或與其他設(shè)備一起執(zhí)行或?qū)崿F(xiàn)本文中描述的任何步驟、操作或過程。在一個實(shí)施例中，軟件模塊利用包括含有計(jì)算機(jī)程序代碼的計(jì)算機(jī)可讀介質(zhì)的計(jì)算機(jī)程序產(chǎn)品來實(shí)現(xiàn)，其可以由計(jì)算機(jī)處理器執(zhí)行以便執(zhí)行所描述的任意或全部步驟、操作或過程。
[0089]本發(fā)明的實(shí)施例在本文中還可以涉及一種執(zhí)行操作的裝置。該裝置可以特殊構(gòu)造而成以便達(dá)到所需目的，和/或可以包括由計(jì)算機(jī)中存儲的計(jì)算機(jī)程序選擇性激活或重新配置的通用計(jì)算設(shè)備。此計(jì)算機(jī)程序可以存儲在非瞬態(tài)有形計(jì)算機(jī)可讀存儲介質(zhì)中，或存儲在適合存儲電子指令的任何類型的介質(zhì)中，這些介質(zhì)可以與計(jì)算機(jī)系統(tǒng)總線耦合。此外，在本說明書中所引用的任何計(jì)算系統(tǒng)都可以包括單個處理器或者可以是采用多個處理器設(shè)計(jì)以提高計(jì)算能力的架構(gòu)。
[0090]本發(fā)明的實(shí)施例還可以涉及一種通過本文描述的計(jì)算過程生產(chǎn)的產(chǎn)品。此產(chǎn)品可以包括由計(jì)算過程產(chǎn)生的信息，其中該信息存儲在非瞬態(tài)有形計(jì)算機(jī)可讀存儲介質(zhì)上并且可以包括計(jì)算機(jī)程序產(chǎn)品或本文描述的其他數(shù)據(jù)組合的任何實(shí)施例。
[0091]最后，本說明書中使用的語言被主要選擇為達(dá)到可讀性和指導(dǎo)目的，并且可尚未被選擇為描述或限制本發(fā)明主題。因此，意圖是本發(fā)明的范圍不受詳細(xì)描述的限制，而是由在此基礎(chǔ)上針對應(yīng)用發(fā)布的任何權(quán)利要求限制。相應(yīng)地，本發(fā)明的實(shí)施例的公開內(nèi)容旨在用于說明以下權(quán)利要求中陳述的本發(fā)明的范圍，但不對其進(jìn)行限制。
【權(quán)利要求】
1.一種用于識別藥物組合物的計(jì)算機(jī)實(shí)現(xiàn)方法，所述方法包括: 訪問所述藥物組合物的至少一個圖像，其中，每個圖像包括所述藥物組合物的不同圖像； 從所述藥物組合物的每個圖像中提取特征，所述特征包括所述圖像中的所述藥物組合物的表面特征的旋轉(zhuǎn)獨(dú)立度量； 生成與所述藥物組合物的每個圖像相關(guān)聯(lián)的特征向量，所述特征向量包括針對該圖像提取的所述特征； 將至少一個分類器應(yīng)用于每一個所述特征向量以確定與每個圖像相關(guān)聯(lián)的至少一個分類；以及 通過累計(jì)每個圖像的所述至少一個分類來確定藥丸識別。
2.如權(quán)利要求1所述的計(jì)算機(jī)實(shí)現(xiàn)方法，還包括: 接收指定所需藥丸類型的藥丸驗(yàn)證請求； 確定所述藥丸識別是否與所需藥丸類型匹配；以及 報(bào)告所述藥丸識別是否與所需藥丸類型匹配的確定。
3.如權(quán)利要求2所述的計(jì)算機(jī)實(shí)現(xiàn)方法，所述方法還包括響應(yīng)于所述藥丸識別與所需藥丸類型匹配而將所述藥物組合物引向接受倉，并響應(yīng)于匹配失敗將所述藥物組合物引向拒絕倉。
4.如權(quán)利要求1所述的計(jì)算機(jī)實(shí)現(xiàn)方法，其中，所提取的特征還包括顏色、形狀、大小和表面特征。
5.如權(quán)利要求4所述的計(jì)算機(jī)實(shí)現(xiàn)方法，其中，每個圖像的特征提取包括執(zhí)行以下步驟: 識別所述圖像的藥丸輪廓； 將腐蝕濾波器應(yīng)用于所述圖像的所述藥丸輪廓； 在應(yīng)用所述腐蝕濾波器之后將所述藥丸輪廓復(fù)制到所述圖像的外部；以及 在復(fù)制所述藥丸輪廓之后將各向異性濾波器應(yīng)用于所述圖像。
6.如權(quán)利要求1所述的計(jì)算機(jī)實(shí)現(xiàn)方法，其中，通過執(zhí)行以下步驟來確定每個圖像的表面特征的旋轉(zhuǎn)獨(dú)立度量: 將所述圖像轉(zhuǎn)換為極坐標(biāo)圖像； 對所述極坐標(biāo)圖像進(jìn)行子采樣；以及 從子采樣的極坐標(biāo)圖像中提取表面特征的所述旋轉(zhuǎn)獨(dú)立度量。
7.如權(quán)利要求1所述的計(jì)算機(jī)實(shí)現(xiàn)方法，其中，與所述藥物組合物的每個圖像相關(guān)聯(lián)的所述特征向量包括從另一個圖像中提取的形狀、顏色和大小相關(guān)的特征中的至少一個。
8.如權(quán)利要求7所述的計(jì)算機(jī)實(shí)現(xiàn)方法，其中，在將歸類的特征添加到所述特征向量中之前，將從其他圖像中提取的特征與來自所述藥物組合物的圖像的特征一起歸類。
9.如權(quán)利要求1所述的計(jì)算機(jī)實(shí)現(xiàn)方法，其中，所述至少一個分類器包括一組分層分類器，所述分層分類器包括至少一個頂層分類器和至少一個底層分類器。
10.如權(quán)利要求9所述的計(jì)算機(jī)實(shí)現(xiàn)方法，其中，所述特征向量包括顏色特征并且所述頂層分類器基于所述特征向量中的所述顏色特征來執(zhí)行分類。
11.如權(quán)利要求9所述的計(jì)算機(jī)實(shí)現(xiàn)方法，其中，所述特征向量包括大小和形狀特征，并且所述一組分層分類器還包括基于所述特征向量中的所述大小和形狀特征來執(zhí)行分類的至少一個中間分類器。
12.如權(quán)利要求9所述的計(jì)算機(jī)實(shí)現(xiàn)方法，其中，所述至少一個底層分類器基于旋轉(zhuǎn)獨(dú)立表面特征來執(zhí)行分類。
13.如權(quán)利要求1所述的計(jì)算機(jī)實(shí)現(xiàn)方法，其中，通過累計(jì)每個圖像的所述至少一個分類確定所述藥丸識別包括基于各個分類的信任度來確定每個圖像分類的加權(quán)。
14.如權(quán)利要求1所述的計(jì)算機(jī)實(shí)現(xiàn)方法，其中，與每個圖像相關(guān)聯(lián)的所述特征向量包括表面復(fù)雜性特征，并且其中，通過累計(jì)每個圖像的所述至少一個分類確定所述藥丸識別包括基于與所述圖像相關(guān)聯(lián)的所述特征向量的相對表面復(fù)雜性特征來對每個圖像的所述至少一個分類進(jìn)行加權(quán)。
15.一種用于識別藥物組合物的計(jì)算機(jī)實(shí)現(xiàn)方法，所述方法包括: 訪問所述藥物組合物的至少一個圖像； 為所述至少一個圖像中的每一個開發(fā)一組特征，其中，通過以下操作來為每個圖像開發(fā)所述特征: 在所述圖像中識別所述藥物組合物的輪廓； 至少部分基于所識別的輪廓來從所述圖像計(jì)算所述圖像的旋轉(zhuǎn)獨(dú)立表征； 降低所述圖像的所述旋轉(zhuǎn)獨(dú)立表征的分辨率； 從所述圖像的分辨率降低的旋轉(zhuǎn)獨(dú)立表征中提取表示所述圖像的表面特征的特征，該特征包括為所述圖像開發(fā)的特征的至少一部分；以及 將每個圖像的這組特征提供給用于分類器訓(xùn)練的分類模塊以便進(jìn)行藥物組合物識別。
16.如權(quán)利要求15所述的計(jì)算機(jī)實(shí)現(xiàn)方法，其中，提取步驟還從所述至少一個圖像中提取顏色、大小和形狀特征。
17.如權(quán)利要求15所述的計(jì)算機(jī)實(shí)現(xiàn)方法，其中，所述藥物組合物的所述輪廓使用邊緣檢測算法進(jìn)行識別。
18.如權(quán)利要求15所述的計(jì)算機(jī)實(shí)現(xiàn)方法，其中，所述藥物組合物的所述輪廓使用灰度分割算法進(jìn)行識別。
19.如權(quán)利要求15所述的計(jì)算機(jī)實(shí)現(xiàn)方法，還包括至少部分基于每個圖像的這組特征來訓(xùn)練一組分層分類器。
【文檔編號】G06K9/62GK104205128SQ201380014155
【公開日】2014年12月10日 申請日期:2013年1月23日 優(yōu)先權(quán)日:2012年1月23日
【發(fā)明者】尤金·格什泰恩, 艾倫·雅各布斯, 亞歷山大·格巴拉 申請人:破賽普提醫(yī)藥有限公司