中药药材核验方法和系统、称重设备以及存储介质与流程

计算;推算;计数设备的制造及其应用技术1.本技术涉及医疗用具技术领域，具体地涉及一种中药药材核验方法和系统、称重设备以及存储介质。背景技术：2.由于中药药材种类繁多，医师为了避免药材的错误抓取，通常在抓取药材后都需要进行交叉核验，若核验结果正常，则继续抓药，若核验结果异常，则需要重复抓取及核验过程，以确保所抓取药材的正确。这种采用纯人工的方式依赖于医师的操作水平且抓药效率低下，并且在实际操作中，首次抓取以及后续核验都有可能出现错误，在这种情况下增加了重新抓取及核验的频率，进一步降低了抓药效率。因而，在中药药材抓取过程中如何提高抓药效率是值得关注的问题。技术实现要素：3.鉴于此，本技术提供一种中药药材核验方法和系统、称重设备以及存储介质，用以提高对中药药材的核验可信度进而提高抓药效率。4.为实现上述目的及其他相关目的，本技术公开的第一方面提供一种中药药材核验方法，包括以下步骤：识别所获取的中药药材图像中对应的中药药材；在识别结果与所提供的所有中药药材均不匹配的情况下，根据预先设置的复核条件，确定所述识别结果的可靠性；其中，所述复核条件是基于所述中药药材的历史数据确定的；以及根据所确定的可靠性选择性地执行提示操作。5.在本技术第一方面的某些实施方式中，所述中药药材图像是在对所述中药药材进行称重时获取的。6.在本技术第一方面的某些实施方式中，所述中药药材图像是在所述中药药材的重量满足预设值时获取的。7.在本技术第一方面的某些实施方式中，所述识别所获取的中药药材图像中对应的中药药材的步骤包括：通过预先训练的神经网络识别所获取的中药药材图像中对应的中药药材。8.在本技术第一方面的某些实施方式中，所述复核条件包括所述神经网络在所述中药药材上的识别准确率。9.在本技术第一方面的某些实施方式中，所述复核条件还包括所述中药药材的历史使用频率。10.在本技术第一方面的某些实施方式中，所述根据所确定的可靠性选择性地执行提示操作的步骤包括：在所述识别结果可靠的情况下，根据所述识别结果执行提示操作；以及在所述识别结果不可靠的情况下，不执行提示操作。11.在本技术第一方面的某些实施方式中，所述在所述识别结果可靠的情况下，根据所述识别结果执行提示操作的步骤包括：在所述识别结果可靠的情况下，根据所述中药药材图像获取相应药材的图片集；以及输出提示信息，所述提示信息至少包括所述图片集。12.在本技术第一方面的某些实施方式中，所述中药药材核验方法还包括录入处方数据以提供所有中药药材的相关信息的步骤。13.本技术公开的第二方面提供一种中药药材核验系统，包括：识别模块，用于识别所获取的中药药材图像中对应的中药药材；确定模块，用于在识别结果与所提供的所有中药药材均不匹配的情况下，根据预先设置的复核条件，确定所述识别结果的可靠性；其中，所述复核条件是基于所述中药药材的历史数据确定的；以及提示模块，用于根据所确定的可靠性选择性地执行提示操作。14.在本技术第二方面的某些实施方式中，所述中药药材图像是在对所述中药药材进行称重时获取的。15.在本技术第二方面的某些实施方式中，所述中药药材图像是在所述中药药材的重量满足预设值时获取的。16.在本技术第二方面的某些实施方式中，所述识别模块用于通过预先训练的神经网络识别所获取的中药药材图像中对应的中药药材。17.在本技术第二方面的某些实施方式中，所述复核条件包括所述神经网络在所述中药药材上的识别准确率。18.在本技术第二方面的某些实施方式中，所述复核条件还包括所述中药药材的历史使用频率。19.在本技术第二方面的某些实施方式中，所述提示模块用于在所述识别结果可靠的情况下，根据所述识别结果执行提示操作；以及在所述识别结果不可靠的情况下，不执行提示操作。20.在本技术第二方面的某些实施方式中，所述提示模块包括获取单元和提示单元，所述获取单元用于在所述识别结果可靠的情况下，根据所述中药药材图像获取相应药材的图片集；所述提示单元用于输出提示信息，所述提示信息至少包括所述图片集。21.在本技术第二方面的某些实施方式中，所述中药药材核验系统还包括录入模块，用于录入处方数据以提供所有中药药材的相关信息。22.本技术公开的第三方面提供一种称重设备，包括：称重装置，用于称量所抓取的中药药材以获得所述中药药材的重量；拍摄装置，用于拍摄所抓取的中药药材以获得中药药材图像；处理装置，与所述称重装置和所述拍摄装置通信连接，所述处理装置用于根据所述中药药材的重量以及所述中药药材图像执行如前所述的中药药材核验方法；以及提示装置，与所述处理装置通信连接，用于输出提示信息。23.在本技术第三方面的某些实施方式中，所述提示装置包括显示单元，所述显示单元用于显示下述至少之一：所拍摄的中药药材图像，根据所述中药药材图像获取的相应药材的图片集。24.在本技术第三方面的某些实施方式中，所述称重设备还包括：接收装置，与所述处理装置通信连接，所述接收装置用于接收处方数据以向所述处理装置提供所有中药药材的相关信息。25.本技术公开的第四方面提供一种中药药材核验系统，包括：储药柜，所述储药柜包括药品位置提示设备；如前所述的称重设备；以及控制装置，所述控制装置与所述储药柜和所述称重设备通信连接，所述控制装置用于根据所接收的处方数据控制所述药品位置提示设备向用户提示所述储药柜中盛放药材的置药格，以及基于所抓取的药材控制所述称重设备输出提示信息。26.本技术公开的第五方面提供一种计算机存储介质，存储有至少一种程序，所述至少一种程序被执行时实现如前所述的中药药材核验方法。27.综上所述，本技术的中药药材核验方法和系统、称重设备以及存储介质，通过对经图像识别的中药药材的识别结果进行二次复核以根据识别结果的可靠性来进行提示操作，能够有效改进中药药材在抓取过程中的核验可信度，进而提高抓药效率。28.本领域技术人员能够从下文的详细描述中容易地洞察到本技术的其它方面和优势。下文的详细描述中仅显示和描述了本技术的示例性实施方式。如本领域技术人员将认识到的，本技术的内容使得本领域技术人员能够对所公开的具体实施方式进行改动而不脱离本技术所涉及发明的精神和范围。相应地，本技术的附图和说明书中的描述仅仅是示例性的，而非为限制性的。附图说明29.本技术所涉及的发明的具体特征如所附权利要求书所显示。通过参考下文中详细描述的示例性实施方式和附图能够更好地理解本技术所涉及发明的特点和优势。对附图简要说明书如下：30.图1显示为本技术中药药材核验方法在一实施例中的流程示意图。31.图2显示为本技术中药药材核验方法在另一实施例中的流程示意图。32.图3显示为本技术中药药材核验系统在一实施例中的结构示意图。33.图4显示为本技术中药药材核验系统在另一实施例中的结构示意图。34.图5显示为本技术称重设备在一实施例中的结构示意图。35.图6显示为本技术称重设备在另一实施例中的结构示意图。36.图7本技术中药药材核验系统在一实施例中的结构示意图。具体实施方式37.以下由特定的具体实施例说明本技术的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本技术的其他优点及功效。38.在下述描述中，参考附图，附图描述了本技术的若干实施例。应当理解，还可使用其他实施例，并且可以在不背离本公开的精神和范围的情况下进行模块或单元组成、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的，并且本技术的实施例的范围仅由公布的专利的权利要求所限定。这里使用的术语仅是为了描述特定实施例，而并非旨在限制本技术。39.如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“a、b或c”或者“a、b和/或c”意味着“以下任一个：a；b；c；a和b；a和c；b和c；a、b和c”。仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。40.由于中药药材种类繁多，医师为了避免药材的错误抓取，通常在抓取药材后都需要进行交叉核验，若核验结果正常，则继续抓药，若核验结果异常，则需要重复抓取及核验过程，以确保所抓取药材的正确。这种采用纯人工的方式依赖于医师的操作水平且抓药效率低下。41.近年来，随着计算机技术的发展，提出了采用机器识别替代人工核验以对所抓取的中药药材进行核验的方式。然而，由于机器识别存在误差，在机器识别出异常结果的情况下，存在将原本正常的情况错误认定为异常，这会导致不必要的重复抓取以及核对，因为实际上所抓取的药材并无异常，这样的重复操作降低了抓药效率。由此可见，在机器识别并不能确保百分百核验准确的情况下，如何在中药药材抓取过程中提高对中药药材的核验可信度，进而提高抓药效率是值得关注的问题。42.鉴于此，为了能够提高中药药材的核验可信度以及抓药效率，本技术提供了一种中药药材核验方法。请参阅图1，显示为本技术中药药材核验方法在一实施例中的流程示意图，如图所示，中药药材核验方法包括步骤s100至步骤s120。43.在步骤s100中，识别所获取的中药药材图像中对应的中药药材。44.其中，中药药材图像可以是在抓取中药药材的任意时刻获取的图像，只要确保所获取的中药药材图像为所抓取药材的图像即可。例如，中药药材图像可以是通过摄像装置拍摄取得的。在某些实施例中，摄像装置可以在一个角度下摄取一幅或多幅图像，或者，摄像装置也可以从不同角度拍摄以获取多幅图像，以便能够更好地识别药材图像中对应的中药药材。45.鉴于中药药材定量取用的特性，在某些实施例中，中药药材图像可以是在对所述中药药材进行称重时获取的。例如，在中药药材是采用称重装置称重、采用摄像装置进行拍摄的情况下，当将所抓取的中药药材放置在称重装置上进行称重时，启动摄像装置对所放置的中药药材进行拍摄以获得中药药材图像。另外，在一些示例中，可以在确保中药药材满足重量条件的情况下再启动核验程序，因而中药药材图像可以是在所述中药药材的重量满足预设值时获取的。其中，所述预设值是基于处方数据确定的。也就是说，在中药药材是采用称重装置称重、采用摄像装置进行拍摄的情况下，将所抓取的中药药材放置在称重装置上进行称重，当中药药材的重量达到处方数据中所规定的量时，启动摄像装置对中药药材进行拍摄以获得中药药材图像。46.另外，由上述可知，所获取的中药药材图像可以是一幅或多幅图像。基于此，在获取多幅中药药材图像的情况下，在某些实施例中，可以先对所获取的多幅药材图像进行预处理以选择一幅图像作为识别步骤中待识别的药材图像，例如可以基于对所获取的各图像的质量、曝光度、药材在图像中的清晰度等进行评价以选择能够清晰表达药材特征的图像作为待识别药材图像，以提高识别步骤的识别率。47.在确定待识别的中药药材图像后，可以对待识别药材图像中的特征例如纹理、形状等进行提取并将所提取的特征与预先存储的特征进行比对，以获得对应的中药药材。另外，还可以通过图像识别算法、神经网络等方式来识别所获取的中药药材图像中对应的中药药材。例如，可以通过预先训练的神经网络识别所获取的中药药材图像中对应的中药药材。在某些实施例中，可以将中药药材图像作为输入，经预先训练的神经网络后输出相应的药材标签。在另一些实施例中，可以将中药药材图像作为输入，经预先训练的神经网络后输出相应的药材标签和图片标签。在又一些实施例中，可以将中药药材图像作为输入，经预先训练的第一神经网络后输出相应的药材标签，经预先训练的第二神经网络后输出相应的图片标签，本技术中，所述第一神经网络和第二神经网络统称为神经网络。其中，中药药材图像可以是通过摄像装置拍摄的所抓取药材的图像。药材标签是用来表征对药材图像进行识别后的识别结果，即表征为何种药材，包括但不限于药材名称、药材编号等。为了便于将中药药材的识别结果和所提供的所有中药药材进行匹配操作，在某些实施例中，所述药材标签的表现形式与预先提供的所有中药药材的表现形式一致，例如，都表现为中药药材名称。但本技术并不限于此，所述药材标签的表现形式可以是任意形式，只要能够与预先提供所有中药药材进行匹配操作即可。图片标签是用来表征识别后所确定的中药药材的图像，所述图片标签可以在后续步骤中进行显示，例如与所拍摄的中药药材图像一起显示，便于用户查看。48.在一些示例中，所述神经网络是卷积神经网络(convolutional neural network，cnn)，cnn将图像的原始像素数据作为输入，然后学习如何提取这些特征，最终推断出这些特征所构成的对象。在一具体示例中，cnn接收输入特征图，该输入特征图以三维矩阵的形式表征，其中前两个维度的大小分别与图像的长度和宽度(以像素为单位)对应，第三个维度的大小设置为3，对应于彩色图像的3个通道，即红色、绿色和蓝色。一般地，cnn可以包括多个模块，每个模块执行卷积、修正线性单元(relu)转换和池化的操作。具体地，在卷积操作中，卷积会提取输入特征图的图块，并向这些图块应用过滤器以计算新特征，生成输出特征图(也称为卷积特征，其大小和深度可能与输入特征图不同)。其中，卷积可以由以下两个参数定义：所提取图块的大小以及输出特征图的深度。在进行卷积期间，过滤器有效地在输入特征图的网格上沿水平方向和竖直方向滑动，从而提取每个对应的图块。对于每个过滤器-图块对，cnn对过滤器矩阵和图块矩阵执行元素级乘法运算，然后对所得矩阵的所有元素求和，得出一个值。每个过滤器-图块对的每个结果值都会输出到卷积特征矩阵中。在训练期间，cnn学习过滤器矩阵的最优值，以便能够从输入特征图中提取有意义的特征，例如纹理特征、边缘特征、形状特征等。在执行卷积运算后，cnn向卷积特征应用relu转换，以便将非线性规律引入模型中。relu之后是池化步骤，即降低卷积特征的采样率，从而在减少特征图维度的同时保留最关键的特征信息。另外，卷积神经网络的末端是一个或多个全连接层，其作用是根据卷积提取的特征进行分类。通常，最后的全连接层会包括一个softmax激活函数，该函数会针对模型尝试预测的每个分类标签输出一个概率值。49.应注意的是，上述卷积神经网络仅为举例，还可以使用其他神经网络进行图像识别，只要能够将所输入的图像转换为对应的药材标签，或者将所输入的图像转换为对用的药材标签和图片标签即可。另外，上述卷积神经网络的模型结构仅为举例，本技术并不限于此，例如，卷积神经网络的模型也可以是resnet模型、densenet模型等，在此不再赘述。50.另外，在基于中药药材图像输出图片标签的情况下，还可以采用例如直方图比较法、感知哈希算法、ssim等图片相似性判断算法来基于药材图像获得图片标签。51.在步骤s110中，在识别结果与所提供的所有中药药材均不匹配的情况下，根据预先设置的复核条件，确定识别结果的可靠性。其中，所述复核条件是基于中药药材的历史数据确定的。52.在实际应用中，医师都是按照医药处方逐一进行抓药，对此，在一些实施例中，所提供的所有中药药材是指医药处方上记载的所有药材。为了能够获得所有药材的相关信息，在某些实施例中，本技术中药药材的核验方法还包括录入处方数据以提供所有中药药材的相关信息的步骤。例如，在处方数据为纸质处方的情况下，可以通过扫描的方式例如扫描仪将纸质处方转换为电子处方完成录入；又如，在处方数据为电子处方的情况下，可以经由数据传输以获得处方数据。另外，所述中药药材的相关信息包括但不限于：各中药药材的名称、编号、抓取重量等。53.在某些实施例中，在识别药材图像中对应的中药药材为a药材后，将a药材与处方中的所有中药药材逐一进行匹配，若处方中也存在a药材，则匹配成功，表明所抓取的药材正确，在药材a满足抓取量后开始下一味药材的抓取、识别以及核验；若处方中不存在a药材，则匹配不成功，表明所抓取的药材存在异常。在异常的情况下，根据复核条件进一步确定识别结果的可靠性。其中，所述复核条件是基于中药药材的历史数据确定的。例如，复核条件可以根据历史识别过程中该中药药材被正确识别的概率来确定。例如，若该药材被正确识别的概率低，则表明本次识别结果不可靠，也就是说被错误识别的可能性增大，药材存在异常的可能性降低；若该药材被正确识别的概率高，则表明本次识别结果可靠，也就是说药材存在异常的可能性非常高。54.在另一些实施例中，在采用神经网络识别中药药材图像中对应的中药药材的情况下，识别结果可以由神经网络所输出的药材标签来表征。在成功识别获得药材标签后，将以药材标签表征的识别结果与处方中的中药药材逐一进行匹配，若匹配成功，则表明所抓取的药材正确，在该药材满足抓取量后开始下一味药材的抓取、识别以及核验；若都不匹配，则需要根据预先设置的复核条件来确定识别结果是否可靠，也就是说，在不匹配的情况下，并不一定表明所抓取的药材异常，而是进一步确认是否异常。55.其中，所述复核条件包括神经网络在中药药材上的识别准确率。在一示例中，可以在训练神经网络时，记录神经网络在各药材上的识别结果以获得神经网络在该药材上的识别准确率。所述识别准确率可以采用召回率和精确率进行评价。本技术中，识别准确率fβ’可通过下述公式表示：56.fβ’＝(1+β^2)·npv·tnr/β^2·npv+tnr公式(1)57.其中，npv称为阴性预测值，表示在阴性样本上的精确率，npv＝tn/(tn+fn)；tnr称为真阴性率，表示在阴性样本上的召回率，tnr＝tn/n＝tn/(fp+tn)。其中，tp表示真阳性，即正确的肯定；tn表示真阴性，即正确的否定；fp表示伪阳性，即错误的肯定；fn表示伪阴性，即错误的否定；β可以根据查全率和查准率进行调节。58.当经神经网络识别的药材标签与所有中药药材均不匹配的情况下，若神经网络在该药材上的识别准确率大于某一预设值，则表明本次识别结果可靠，认为在该药材上的判断是准确的，确定存在异常。若神经网络在该药材上的识别准确率小于该预设值，则表明本次识别结果不可靠，认为在该药材上的判断是不准确的，确定不存在异常。其中，预设值可以根据神经网络在训练过程中的数据进行设置，也可以根据经验人为设置。59.另外，由于中药药材种类繁多，一些药材的使用频率较高，一些药材的使用频率较低，考虑到实际应用中使用频率低的药材数据量小，神经网络在进行识别时出错概率较高，因而为了能够更精确地确定识别结果的可靠性，所述复核条件还包括中药药材的历史使用频率。所述历史使用频率可以通过统计药材在历史药方中出现的次数来确定。在一示例中，药材的历史使用频率通过下述公式表示：60.历史使用频率＝药材在历史药方中出现的次数/历史药方总的药材数公式(2)61.基于此，对于识别结果的可靠性评判通过神经网络在药材上的识别准确率和该药材的历史使用频率来共同评价。在一示例中，针对某一味药材，若神经网络在该药材上的识别准确率和该药材的历史频率的乘积大于一预设值时，则表明本次识别结果可靠，认为在该药材上的判断是准确的，确定存在异常。若神经网络在该药材上的识别准确率和该药材的历史频率的乘积小于一预设值时，则表明本次识别结果不可靠，认为在该药材上的判断是不准确的，确定不存在异常。其中，预设值可以根据神经网络在训练过程中的数据以及历史药方相关数据进行设置，也可以根据经验人为设置。62.另外，由于有些中药药材从外形或纹理上十分接近，使得神经网络在识别过程中容易产生混淆，因而，神经网络在药材上的易混淆率也可以作为识别准确率的一项指标。对此，在训练神经网络时对容易产生混淆的药材进行统计，作为确定识别准确率的一项参数，以便更好的提高对中药药材的识别。63.应注意的是，上述识别结果由药材名称或者药材标签的形式表示仅为举例，本技术并不限于此，只要识别结果能够与所提供的中药药材进行匹配操作即可。例如，识别结果还可以是药材编号或自定义的能够区分各药材的其他表现形式。64.在步骤s120中，根据所确定的可靠性选择性地执行提示操作。65.其中，所述提示操作可以通过语音进行提示，也可以通过图片显示进行提示。在通过图片显示提示的情况下，在一示例中，可以显示药材名称、药材图片、所拍摄的图像中至少之一，以便医师进行比对。66.如上所述，当识别结果与所有中药药材均不匹配时，表明所抓取的药材存在异常，即有抓错药的可能。在此基础上，在某些实施例中，在识别结果可靠的情况下，根据识别结果执行提示操作；以及在识别结果不可靠的情况下，不执行提示操作。也就是说，如果根据预先设置的复核条件确定识别结果可靠，即抓错药的可能性非常高，则可以进行语音或显示提示。如果根据预先设置的复核条件确定识别结果不可靠，即抓错药的可能性比较低，可以不进行语音或显示提示。或者，不论识别结果是否可靠，都可以进行提示，但选用不同的提示方式以便医师注意到这一区别。67.在实际应用中，为了能够减少识别步骤的计算量，同时又能在确定存在异常的情况下向医师提供直观的可视结果，增加识别的可解释性。在某些实施例中，可以在识别图像中对应的中药药材时仅识别药材标签，在确定识别结果可靠的情况下，根据所述中药药材图像获取相应药材的图片集；以及输出提示信息，所述提示信息至少包括所述图片集。具体地，可以采用上述的图片相似性算法基于药材图像获得相应药材的图片集。所述图片集可以是所识别出的药材对应的一幅或多幅图像，也可以是使用数据库例如faiss库找到的最邻近的图片的集合。68.本技术的中药药材核验方法，通过对经图像识别的中药药材的识别结果进行二次复核以根据识别结果的可靠性来进行提示操作，能够有效改进中药药材在抓取过程中的核验可信度，进而提高抓药效率。69.请参阅图2，显示为本技术中药药材核验方法在另一实施例中的流程示意图，如图所示，中药药材核验方法包括步骤s200至步骤s230。70.在步骤s200中，录入处方数据以提供所有中药药材的相关信息。71.由于医师在抓药时是按照医药处方进行的，一般地，医药处方包括纸质处方、电子处方。因而，在处方数据为纸质处方的情况下，可以通过扫描的方式例如扫描仪将纸质处方转换为电子处方完成录入；又如，在处方数据为电子处方的情况下，可以经由数据传输以获得处方数据。另外，所述中药药材的相关信息包括但不限于：各中药药材的名称、编号、抓取重量等。其中，药材名称、药材编号可以用于后续的匹配操作，药材的抓取重量可以用于后续的称重操作以及摄像装置摄取图像的启动参数。72.在步骤s210中，识别所获取的中药药材图像中对应的中药药材。73.其中，步骤s210与上述步骤s100类似，在此不再赘述。74.在步骤s220中，在识别结果与所提供的所有中药药材均不匹配的情况下，根据预先设置的复核条件，确定识别结果的可靠性。其中，所述复核条件是基于中药药材的历史数据确定的。75.其中，步骤s220与上述步骤s110类似，在此不再赘述。76.在步骤s230中，在识别结果可靠的情况下，根据中药药材图像获取相应药材的图片集并输出至少包括所述图片集的提示信息。77.其中，识别结果可靠表示抓错药的可能性非常高。在此基础上，为了能够向医师提供直观的可视结果，增加识别的可解释性，可以采用图片相似性算法基于药材图像获得相应药材的图片集并显示。所述图片集可以是所识别出的药材对应的一幅或多幅图像，也可以是使用数据库例如faiss库找到的最邻近的图片的集合。为了能够有效地提示异常结果，在某些实施例中，可以显示所拍摄的药材图像以及所获取的图片集，以便于医师查看差异，并伴以语音提示，增强提示效果。78.本技术的中药药材核验方法，将所抓取药材的图像经识别后的识别结果与录入的所有药材进行匹配操作，在不匹配的情况下并不直接进行提示，而是经过二次复核以确定识别结果是否可靠，并在识别结果不可靠的情况下提示异常情况并显示药材图片，一方面能够对初次识别结果进行二次筛选，避免不需要的重复操作进而提高抓药效率，另一方面能够向用户提供直观显示，增强识别的可解释性。79.本技术还提供一种中药药材核验系统，请参阅图3，显示为本技术中药药材核验系统在一实施例中的结构示意图，如图所示，中药药材核验系统包括识别模块10，确定模块11以及提示模块12。80.识别模块10用于识别所获取的中药药材图像中对应的中药药材。81.其中，中药药材图像可以是在抓取中药药材的任意时刻获取的图像，只要确保所获取的中药药材图像为所抓取药材的图像即可。鉴于中药药材定量取用的特性，在某些实施例中，所述中药药材图像是在对所述中药药材进行称重时获取的。进一步地，所述中药药材图像是在所述中药药材的重量满足预设值时获取的。82.对于药材图像的识别可以通过对药材图像中的特征例如纹理、形状等进行提取并将所提取的特征与预先存储的特征进行比对，以获得对应的中药药材。另外，还可以通过图像识别算法、神经网络等方式来识别所获取的中药药材图像中对应的中药药材。在某些实施例中，所述识别模块用于通过预先训练的神经网络识别所获取的中药药材图像中对应的中药药材。83.确定模块11用于在识别结果与所提供的所有中药药材均不匹配的情况下，根据预先设置的复核条件，确定识别结果的可靠性；其中，复核条件是基于中药药材的历史数据确定的。84.在采用神经网络识别中药药材图像中对应的中药药材的情况下，所述复核条件包括所述神经网络在所述中药药材上的识别准确率。另外，考虑到在实际应用中使用频率低的药材数据量小，神经网络在进行识别时出错概率较高，因而为了能够更精确地确定识别结果的可靠性，所述复核条件还包括所述中药药材的历史使用频率。85.提示模块12用于根据所确定的可靠性选择性地执行提示操作。在某些实施例中，所述提示模块用于在所述识别结果可靠的情况下，根据所述识别结果执行提示操作；以及在所述识别结果不可靠的情况下，不执行提示操作。86.在实际应用中，为了能够减少识别模块的计算量，同时又能在确定存在异常的情况下向医师提供直观的可视结果，增加识别的可解释性。在某些实施例中，提示模块12包括获取单元和提示单元，所述获取单元用于在所述识别结果可靠的情况下，根据所述中药药材图像获取相应药材的图片集；所述提示单元用于输出提示信息，所述提示信息至少包括所述图片集。87.请参阅图4，显示为本技术中药药材核验系统在另一实施例中的结构示意图，如图所示，中药药材核验系统包括识别模块20，确定模块21，提示模块22以及录入模块23。88.其中，所述识别模块20，确定模块21，提示模块22与上述的识别模块10，确定模块11以及提示模块12类似，在此不再赘述。录入模块23用于录入处方数据以提供所有中药药材的相关信息。89.在此，本技术中药药材核验系统中各模块的工作方式与上述中药药材核验方法中对应步骤相同或相似，在此不再赘述。90.本技术还提供一种称重设备，请参阅图5，显示为本技术称重设备在一实施例中的结构示意图，如图所示，称重设备包括称重装置30，拍摄装置31，处理装置32以及提示装置33。91.称重装置30用于称量所抓取的中药药材以获得所述中药药材的重量。所述称重装置可以是任意形式的电子秤，在某些实施例中，所述称重装置的称重面板上可以设置多个传感器，以同时对多种药材进行称重操作。92.拍摄装置31用于拍摄所抓取的中药药材以获得中药药材图像。所述拍摄装置包括但不限于：照相机、视频摄像机、集成有光学系统或ccd芯片的摄像模块、集成有光学系统和cmos芯片的摄像模块等。所述拍摄装置可以独立地设置在称重装置附近，或者集成在称重装置上。另外，为了获得不同视角下的药材图像，可以根据需要在称重装置的不同位置设置拍摄装置，只要能够拍摄到称重装置上所放置的中药药材即可。在某些实施例中，还可以对应称重面板的位置设置多个拍摄装置，以便同时拍摄称重装置上放置的不同药材。例如，可以在称重装置的称重面板上方设置拍摄装置。93.处理装置32与称重装置30和拍摄装置31通信连接，处理装置32用于根据中药药材的重量以及中药药材图像执行上述的中药药材核验方法。处理装置执行中药药材核验方法的具体实现方式如图1和图2及其相应描述所示，在此不再赘述。94.其中，处理装置可以接收来自称重装置的重量数据以及来自拍摄装置的图像数据并进行核验操作。在某些实施例中，所述处理装置可以集成在称重设备上。在另一些实施例中，所述处理装置还可以设置在云端，与所述称重设备通信连接，称重设备将称重装置获取的称重数据以及拍摄装置获取的图像数据上传至云端的进行计算，然后将计算结果传输给处理装置以控制提示装置进行提示操作。95.处理装置可以包括一个或多个通用微处理器、一个或多个专用处理器(asic)、一个或多个数字信号处理器(dsp)、一个或多个现场可编程逻辑阵列(fpga)、或它们的任何组合。所述处理装置还与i/o端口和输入结构可操作地耦接，该i/o端口可使得称重设备能够与各种其他电子设备进行交互，该输入结构可使得用户能够与计算设备进行交互。因此，输入结构可包括按钮、键盘、鼠标、触控板等。在一种示例中，所述处理装置通过数据线分别连接称重装置、拍摄装置和提示装置。所述处理装置通过接口协议与称重装置、拍摄装置和提示装置进行交互。其中，所述数据读写技术包括但不限于：高速/低速数据接口协议、数据库读写操作等。所述接口协议包括但不限于：hdmi接口协议、串行接口协议等。96.提示装置33与处理装置32通信连接，用于输出提示信息。其中，提示装置可以与称重装置集成为一体，也可以独立设置。例如，提示装置可以是外接音箱、外接显示屏等。提示装置也可以是集成在称重装置上的扬声器、显示面板等。在某些实施例中，提示装置包括显示单元，用于显示下述至少之一：所拍摄的中药药材图像，根据所述中药药材图像获取的相应药材的图片集。97.请参阅图6，显示为本技术称重设备在另一实施例中的结构示意图，如图所示，称重设备包括称重装置40，拍摄装置41，处理装置42，提示装置43以及接收装置44。98.其中，称重装置40，拍摄装置41，处理装置42以及提示装置43与上述的称重装置30，拍摄装置31，处理装置32以及提示装置33相似，在此不再赘述。99.接收装置44与处理装置42通信连接，用于接收处方数据以向处理装置提供所有中药药材的相关信息。其中，在处方数据为纸质处方的情况下，接收装置可以是扫描枪，通过扫描的方式将纸质处方转换为电子处方完成录入；在处方数据为电子处方的情况下，接收装置可以是数据传输接口，经由数据传输以获得处方数据。另外，所述中药药材的相关信息包括但不限于：各中药药材的名称、编号、抓取重量等。100.本技术的称重设备，通过处理装置对经由拍摄装置拍摄的药材图像进行识别并进行二次复核，然后根据识别结果的可靠性控制提示装置进行提示操作，能够有效改进中药药材在抓取过程中的核验可信度，进而提高抓药效率。此外，该称重设备可以易于操作，能够独立完成中药药材核验操作，而不需要对现有设备进行改造。101.本技术还提供一种中药药材核验系统，请参阅图7，显示为本技术中药药材核验系统在一实施例中的结构示意图，如图所示，中药药材核验系统包括储药柜50，称重设备51以及控制装置52。102.储药柜50用于存储中药药材，其中，储药柜包括药品位置提示设备。针对储药柜的实现方式，可参阅专利公告号cn212322643u中描述的储药柜方案，在此，专利公告号cn212322643u的专利全文内容引用至此。103.称重设备51的具体实现方式如图5和图6及其相应描述所示，在此不再赘述。104.控制装置52与储药柜50和称重设备51通信连接，所述控制装置用于根据所接收的处方数据控制所述药品位置提示设备向用户提示所述储药柜中盛放药材的置药格，以及基于所抓取的药材控制所述称重设备输出提示信息。105.控制装置可以包括一个或多个通用微处理器、一个或多个专用处理器(asic)、一个或多个数字信号处理器(dsp)、一个或多个现场可编程逻辑阵列(fpga)、或它们的任何组合。所述控制装置还与i/o端口和输入结构可操作地耦接，该i/o端口可使得中药药材核验系统能够与各种其他电子设备进行交互，该输入结构可使得用户能够与计算设备进行交互。因此，输入结构可包括按钮、键盘、鼠标、触控板等。在一种示例中，所述控制装置通过数据线分别连接称重设备和储药柜中的药品位置提示设备。所述控制装置通过接口协议与称重设备和储药柜中的药品位置提示设备进行交互。其中，所述数据读写技术包括但不限于：高速/低速数据接口协议、数据库读写操作等。所述接口协议包括但不限于：hdmi接口协议、串行接口协议等。106.在某些实施例中，控制装置可以与称重设备的处理装置独立设置。在另一些实施例中，在称重设备的处理装置未集成在称重设备上时，称重设备的处理装置可以和控制装置共用处理器。107.在实际应用中，控制装置根据所接收的处方数据，通过药品位置提示设备提示盛放药品的置药格，医师将药材从置药格中取出并放置在称重设备上进行核验操作，并在识别结果可靠的情况下进行提示操作，一方面能够实现储药柜中药物的快速定位，另一方面能够有效改进中药药材在抓取过程中的核验可信度，提高了配取药的效率。108.另外需要说明的是，通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本技术的部分或全部可借助软件并结合必需的通用硬件平台来实现。基于这样的理解，本技术还提供一种计算机存储介质，所述存储介质存储有至少一个程序，所述程序在被调用时执行前述的任一所述的中药药材核验方法。109.基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可包括其上存储有机器可执行指令的一个或多个机器可读介质，这些指令在由诸如计算机、计算机网络或其他电子设备等一个或多个机器执行时可使得该一个或多个机器根据本技术的实施例来执行操作。例如执行机器人的定位方法中的各步骤等。机器可读介质可包括，但不限于，软盘、光盘、cd-rom(紧致盘-只读存储器)、磁光盘、rom(只读存储器)、ram(随机存取存储器)、eprom(可擦除可编程只读存储器)、eeprom(电可擦除可编程只读存储器)、磁卡或光卡、闪存、或适于存储机器可执行指令的其他类型的介质/机器可读介质。其中，所述存储介质可位于机器人也可位于第三方服务器中，如位于提供某应用商城的服务器中。在此对具体应用商城不做限制，如小米应用商城、华为应用商城、苹果应用商城等。110.本技术可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等。111.本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。112.上述实施例仅例示性说明本技术的原理及其功效，而非用于限制本技术。任何熟悉此技术的人士皆可在不违背本技术的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本技术所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本技术的权利要求所涵盖。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!