CN113537104B - 一种基于互联网医院的处方图片智能识别方法及*** - Google Patents
一种基于互联网医院的处方图片智能识别方法及*** Download PDFInfo
- Publication number
- CN113537104B CN113537104B CN202110836008.1A CN202110836008A CN113537104B CN 113537104 B CN113537104 B CN 113537104B CN 202110836008 A CN202110836008 A CN 202110836008A CN 113537104 B CN113537104 B CN 113537104B
- Authority
- CN
- China
- Prior art keywords
- prescription
- picture
- pictures
- training
- sub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Chemical & Material Sciences (AREA)
- Medicinal Chemistry (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种基于互联网医院的处方图片智能识别方法及***,通过收集若干个具有非处方标签和若干个具有处方标签的图片作为训练集,基于训练集对Bit模型进行训练,获取用于识别处方图片的处方图片识别模型,通过将客户端发送的待识别图片输入处方图片识别模型中实现处方图片的自动识别,并在当待识别图片被识别为处方图片,将所述处方图片推送至对应的展示端,从而简化互联网的问诊流程,提高问诊效率。
Description
技术领域
本发明涉及计算机技术领域,尤其是涉及一种基于互联网医院的处方图片智能识别方法及***。
背景技术
互联网医院是通过整合提升和医生资源,在网上为患者提供问诊和处方等服务的技术平台,在该平台上,用户可以根据医生开具的处方进行问诊或取药。然而,用户上传处方图片后,往往需要医生或药师识别用户上传的处方图片是否有效,再根据识别结果进行问诊或取药,耗时长,效率较低。
发明内容
本申请实施例提供了一种基于互联网医院的处方图片智能识别方法及***,可以自动识别用户上传的处方图片并自动推送至展示端,提高问诊效率。
本申请实施例的第一方面,提供了一种基于互联网医院的处方图片智能识别方法,所述互联网医院包括客户端、服务器端和展示端;
所述基于互联网医院的处方图片智能识别方法包括以下步骤:
收集若干个具有非处方标签和若干个具有处方标签的图片作为训练集;
基于所述训练集对Bit模型进行训练,获取用于识别处方图片的处方图片识别模型;
获取客户端发送的待识别图片;
将所述待识别图片输入处方图片识别模型中,获取所述待识别图片的处方识别结果;
当所述待识别图片被识别为处方图片时,将所述处方图片推送至所述展示端。
本申请实施例的第二方面,提供了一种基于互联网医院的处方图片智能识别***,所述互联网医院包括客户端、服务器端和展示端;
所述基于互联网医院的处方图片智能识别***包括:
训练集获取模块,用于收集若干个具有非处方标签和若干个具有处方标签的图片作为训练集;
模型获取模块,用于基于所述训练集对Bit模型进行训练,获取用于识别处方图片的处方图片识别模型;
待识别图片获取模块,用于获取客户端发送的待识别图片;
处方识别模块,用于将所述待识别图片输入处方图片识别模型中,获取所述待识别图片的处方识别结果;
推送模块,用于若所述待识别图片被识别为处方图片,将所述处方图片推送至所述展示端。
本申请实施例的第三方面,提供了一种计算机可读存储介质,其上储存有计算机程序,该计算机程序被处理器执行时实现如上述任意一项所述基于互联网医院的处方图片智能识别方法的步骤。
本申请实施例的第四方面,提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项所述基于互联网医院的处方图片智能识别方法的步骤。
在本申请实施例中,通过收集若干个具有非处方标签和若干个具有处方标签的图片作为训练集,基于训练集对Bit模型进行训练,获取用于识别处方图片的处方图片识别模型,通过将客户端发送的待识别图片输入处方图片识别模型中实现处方图片的自动识别,并在当待识别图片被识别为处方图片,将所述处方图片推送至对应的展示端,从而简化互联网的问诊流程,提高问诊效率。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1为本发明一个实施例中基于互联网医院的处方图片智能识别方法的应用场景示意图;
图2为本发明一个实施例中基于互联网医院的处方图片智能识别方法的流程图;
图3为本发明一个实施例中基于互联网医院的处方图片智能识别***的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确,所描述的实施例仅仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它例子,都属于本申请实施例保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中,需要理解的是,术语“第一”、“第二”、“第三”等仅用于区别类似的对象,而不必用于描述特定的顺序或先后次序,也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
此外,在本申请的描述中,除非另有说明,“若干个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本申请提供的基于互联网医院的处方图片智能识别方法,可以应用于如图1所示的互联网医院中,其中,互联网医院包括客户端101、服务器端102和展示端103。客户端101和展示端103分别通过网络与服务器端102通信。客户端101用于获取用户输入的待识别图片,并通过网络发送至服务器端102,服务器端102用于执行本申请实施例中的基于互联网医院的处方图片识别方法识别所述待识别图片,并在待识别图片被识别为处方图片时,将处方图片推送至所述展示端103;所述展示端103用于接收所述服务器端102发送的处方图片并进行展示。
其中,客户端101可以是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备或其它可以通过网络与服务器端101进行通信的设备,服务器端102可以是独立的服务器或者是多个服务器组成的服务器集群,展示端103可以是个人计算机、笔记本电脑、智能手机、平板电脑和显示器等可以用于展示处方图片的设备。
如图2所示,本发明提供了一种基于互联网医院的处方图片智能识别方法,包括以下步骤:
步骤S1:收集若干个具有非处方标签和若干个具有处方标签的图片作为训练集;
所述具有处方标签的图片可以是经过医生或药师审核确认的处方图片,处方图片可以是处方笺图片。所述具有处方标签的图片可以是用户抓取的网络上的非处方图片,并通过对处方图片添加处方标签,对非处方图片添加非处方标签,得到若干个具有非处方标签和若干个具有处方标签的图片。
步骤S2:基于所述训练集对Bit模型进行训练,获取用于识别处方图片的处方图片识别模型;
在一个实施例中,在基于所述训练集对Bit模型进行训练的步骤之前,还包括:
将所述训练集缩放为具有预设分辨率的正方形图片并转化为tensor矩阵;
对所述tensor矩阵进行归一化。
具体地,可以采用利用torchvision.transforms函数等张量转换方式将图片转化为tensor矩阵,在转换后通过对tensor矩阵进行归一化,以便于后续图片特征的比对,提高图片识别效率。
预设分辨率可以根据图片的大小及识别需求进行设置,优选地,分辨率边长大于320个像素。在一个实施例中,预设分辨率可以设置为512×512。
Bit模型是谷歌公司开发的预训练模型(Big Transfer),相比较常规的卷积神经完模型,Bit模型通过预先使用少量的通用数据进行预训练,通过针对性调节Bit模型的超参数,使得Bit模型可以快速适应新的目标任务,提高数据计算效率和精准度。在本申请实施例中,基于Bit模型构建用于识别处方图片的处方图片识别模型,通过利用训练集中的若干个具有非处方标签和若干个具有处方标签的图片训练Bit模型,得到用于识别处方图片的处方图片识别模型。
步骤S3:获取客户端发送的待识别图片;
待识别图片为用户输入的需要识别是否为处方的图片。
在一个实施例中,所述获取客户端发送的待识别图片的步骤之后,还包括:
将所述待识别图片缩放为具有预设分辨率的正方形图片并转化为tensor矩阵;
对所述tensor矩阵进行归一化。
可以采用利用torchvision.transforms函数等张量转换方式将图片转化为tensor矩阵,在转换后通过对tensor矩阵进行归一化,以便于后续图片特征的比对,提高图片识别效率。
步骤S4:将所述待识别图片输入处方图片识别模型中,获取所述待识别图片的处方识别结果。
所述处方图片识别模型识别所述待识别图片,并输出处方识别结果;其中,所述处方识别结果包括所述待识别图片被识别为处方图片,或者所述待识别图片被识别为非处方图片。
步骤S5:若所述待识别图片被识别为处方图片,将所述处方图片推送至所述展示端。
所述展示端为所述处方图片需要展示的对象端,其可以为用户预先设置的固定展示对象,也可以根据用户的操作指令进行确定。在一个实施例中,所述展示端为医生端或者药师端;
所述基于互联网医院的处方图片智能识别方法还包括以下步骤:
响应于用户的展示指令,将所述处方图片推送至所述医生端或者药师端;
其中,所述展示指令用于指示所述处方图片需要推送的对象,用户可以根据实际的需求将所述展示端设置为医生端或药师端,例如,当用户的需求为购买处方药时,通过将识别后的处方图片推送至药师端,便于药师及时开具对应的药物,简化开药流程;当用户的需求为问诊时,可以通过将识别的处方图片推送至医生端,便于医生快速了解用户的病情,提高问诊效率。
在本申请实施例中,通过收集若干个具有非处方标签和若干个具有处方标签的图片作为训练集,基于训练集对Bit模型进行训练,获取用于识别处方图片的处方图片识别模型,通过将客户端发送的待识别图片输入处方图片识别模型中实现处方图片的自动识别,并在当待识别图片被识别为处方图片,将所述处方图片推送至对应的展示端,从而简化互联网的问诊流程,提高效率。
由于本申请涉及的是处方图片等较为隐私的数据,收集到的图片的数量较为有限,难以通过收集大量样本以提高模型的泛化能力,针对上述问题,本实施实施例基于所述训练集对Bit模型进行训练的步骤包括:
获取所述若干个具有非处方标签的图片与处方图片的相似度;
所述具有非处方标签的图片与处方图片的相似度可以人为判断,也可以通过比对像素、计算汉明距离或利用感知哈希算法等相似度识别算法得到。
根据相似度和相似等级的对应关系,将所述若干个具有非处方标签的图片分为若干个相似等级;
相似度与相似等级的对应关系可以根据实际需求进行设置,其中,相似等级越高,图片与处方图片的相似度越高。
将每一个相似等级的处方图片分别和所述若干个具有处方标签的图片进行组合,得到若干个子训练集;
获取每一个子训练集的相似等级;
根据所述每一个子训练集的相似等级,确定该子训练集的标签平滑因子;其中,相似等级越高,标签平滑因子越大;
基于预设的训练参数,利用所述若干个子训练集及其对应的标签平滑因子对所述对Bit模型进行训练,获取用于识别处方图片的处方图片识别模型。
现有的图像识别算法在进行识别时,通常将标签平滑因子固定为某一个值,而本申请通过将数据集按照相似度分为多个子训练集,每一个子训练集使用不同的标签平滑因子进行模型训练,使模型学习到了一定程度的样本相似度,增强了模型的泛化能力,识别准确率更高。
具体地,所述预设的训练参数包括训练周期和学***滑因子对所述对Bit模型进行训练的步骤具体包括:
根据所述每一个子训练集的相似等级,按照从低至高的顺序依次利用所述若干个子训练集及其对应的标签平滑因子对所述对Bit模型进行训练。
具体地,本申请实施例中根据所述具有非处方标签的图片与处方图片的相似度的高低将所述具有非处方标签的图片分为:“很像处方笺”(例如图片模糊到无法辨认关键信息的处方笺、关键信息有遗漏的处方笺和空白的处方笺)、“有点像处方笺”(例如与处方笺有点相像的门诊病历)、“完全不像处方笺”(例如人的自拍照、化验单)三个相似等级,并将该三个相似等级的图片(负样本)分别与处方图片(正样本)进行组合,得到3个包括正负样本的子训练集train_0、train_0.1、train_0.3。使用train_0训练集训练时,设置epoch数为i,标签平滑因子为0,标签经平滑后为[0,1],使用train_0.1训练集训练,设置epoch数为j,标签平滑因子为0.2,标签经平滑后为[0.1,0.9],使用train_0.3训练集训练,设置epoch数为q,标签平滑因子为0.6,标签经平滑后为[0.3,0.7],其中,epoch数i、j和q,这三个整数的值可以根据训练需求进行设定,优选地,将所述epoch数i、j和q设置为可以使模型在每个训练集的迭代次数大致相当的数值。
通过获取训练集中各图片与处方图片的相似等级,利用不同相似等级的图片和具有处方标签的图片进行组合得到若干个子训练集,根据相似等级的高低确定每一个子训练集的识别难度和对应的标签平滑因子,通过调整每一个子训练集的标签平滑因子,提高模型的泛化能力和识别准确率;按照相似等级从低至高的顺序依次利用所述若干个子训练集及其对应的标签平滑因子对所述对Bit模型进行训练,以识别难度由小至大的子训练集依次训练模型,避免模型陷入局部最优,提高处方图片识别模型的训练效率和精准度。
在一个实施例中,利用所述若干个子训练集及其对应的标签平滑因子对所述对Bit模型进行训练的步骤包括:
基于带动量的小批量随机梯度下降算法和预设的训练参数,利用所述若干个子训练集及其对应的标签平滑因子对所述对Bit模型进行训练,获取用于识别处方图片的处方图片识别模型。
带动量的小批量随机梯度下降算法是利用梯度确定参数更新的方向,即在每次迭代中,对每个变量,按照目标函数在该变量梯度的相反方向,更新对应的参数值,通过对目标函数中的参数不断迭代更新,使得目标函数逐渐靠近最小值。该算法每次计算一小部分训练数据的损失函数,根据这一部分数据的平均梯度更新参数;本申请实施例中基于带动量的小批量随机梯度下降算法对对Bit模型进行训练,以降低了更新参数的方差,使得收敛过程更为稳定。
如图3所示,本申请实施例还提供了一种基于互联网医院的处方图片智能识别***,所述互联网医院包括客户端、服务器端和药师端;
所述基于互联网医院的处方图片智能识别***包括:
训练集获取模块1,用于收集若干个具有非处方标签和若干个具有处方标签的图片作为训练集;
模型获取模块2,用于基于所述训练集对Bit模型进行训练,获取用于识别处方图片的处方图片识别模型;
待识别图片获取模块3,用于获取客户端发送的待识别图片;
处方识别模块4,用于将所述待识别图片输入处方图片识别模型中,获取所述待识别图片的处方识别结果;
推送模块5,用于若所述待识别图片被识别为处方图片,将所述处方图片推送至所述展示端。
需要说明的是,上述实施例提供的基于互联网医院的处方图片智能识别***在执行基于互联网医院的处方图片智能识别方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分为不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的基于互联网医院的处方图片智能识别***与基于互联网医院的处方图片智能识别方法属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本申请实施例还提供了一种计算机可读存储介质,其上储存有计算机程序,该计算机程序被处理器执行时实现如上述任意一项所述基于互联网医院的处方图片智能识别方法的步骤。
本申请实施例可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可读储存介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于:相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
本申请实施例还提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项所述基于互联网医院的处方图片智能识别方法的步骤。
本申请实施例的基于互联网医院的处方图片智能识别方法,通过对用户输入的主诉信息进行智能预问诊,获取用户的反馈信息并利用自然语言处理技术将用户的描述转换成符合医生阅读、书写习惯的电子病历,减少问诊时间和医生的问诊流程,可以有效提高问诊效率。
本发明并不局限于上述实施方式,如果对本发明的各种改动或变形不脱离本发明的精神和范围,倘若这些改动和变形属于本发明的权利要求和等同技术范围之内,则本发明也意图包含这些改动和变形。
Claims (9)
1.一种基于互联网医院的处方图片智能识别方法,其特征在于,所述互联网医院包括客户端、服务器端和展示端;
所述基于互联网医院的处方图片智能识别方法包括以下步骤:
收集若干个具有非处方标签和若干个具有处方标签的图片作为训练集;
基于所述训练集对Bit模型进行训练,获取用于识别处方图片的处方图片识别模型,所述训练步骤包括:获取所述若干个具有非处方标签的图片与处方图片的相似度;根据相似度和相似等级的对应关系,将所述若干个具有非处方标签的图片分为若干个相似等级;其中,相似等级越高,图片与处方图片的相似度越高;将每一个相似等级的处方图片和所述若干个具有处方标签的图片进行组合,得到若干个子训练集;获取每一个子训练集的相似等级;根据所述每一个子训练集的相似等级,确定该子训练集的标签平滑因子;其中,相似等级越高,标签平滑因子越大;基于预设的训练参数,利用所述若干个子训练集及其对应的标签平滑因子对所述对Bit模型进行训练,获取用于识别处方图片的处方图片识别模型;
获取客户端发送的待识别图片;
将所述待识别图片输入处方图片识别模型中,获取所述待识别图片的处方识别结果;
当所述待识别图片被识别为处方图片时,将所述处方图片推送至所述展示端。
2.根据权利要求1所述的基于互联网医院的处方图片智能识别方法,其特征在于,所述预设的训练参数包括训练周期和学习率;其中,一个训练周期内所述每一个子训练集均完成一次训练,每一个训练周期均设有不同的学习率。
3.根据权利要求2所述的基于互联网医院的处方图片智能识别方法,其特征在于,所述基于预设的训练参数,利用所述若干个子训练集及其对应的标签平滑因子对所述对Bit模型进行训练的步骤具体包括:
根据所述每一个子训练集的相似等级,按照从低至高的顺序依次利用所述若干个子训练集及其对应的标签平滑因子对所述对Bit模型进行训练。
4.根据权利要求3所述的基于互联网医院的处方图片智能识别方法,其特征在于,利用所述若干个子训练集及其对应的标签平滑因子对所述对Bit模型进行训练的步骤包括:
基于带动量的小批量随机梯度下降算法和预设的训练参数,利用所述若干个子训练集及其对应的标签平滑因子对所述对Bit模型进行训练,获取用于识别处方图片的处方图片识别模型。
5.根据权利要求1所述的基于互联网医院的处方图片智能识别方法,其特征在于,所述获取客户端发送的待识别图片的步骤之后,还包括:
将所述待识别图片缩放为具有预设分辨率的正方形图片并转化为tensor矩阵;
对所述tensor矩阵进行归一化。
6.根据权利要求1所述的基于互联网医院的处方图片智能识别方法,其特征在于,所述展示端为医生端或者药师端;
所述基于互联网医院的处方图片智能识别方法还包括以下步骤:
响应于用户的展示指令,将所述处方图片推送至所述医生端或者药师端;其中,所述展示指令用于指示所述展示端为医生端或药师端。
7.一种基于互联网医院的处方图片智能识别***,其特征在于,所述互联网医院包括客户端、服务器端和展示端;
所述基于互联网医院的处方图片智能识别***包括:
训练集获取模块,用于收集若干个具有非处方标签和若干个具有处方标签的图片作为训练集;
模型获取模块,用于基于所述训练集对Bit模型进行训练,获取用于识别处方图片的处方图片识别模型,所述训练步骤包括:获取所述若干个具有非处方标签的图片与处方图片的相似度;根据相似度和相似等级的对应关系,将所述若干个具有非处方标签的图片分为若干个相似等级;其中,相似等级越高,图片与处方图片的相似度越高;将每一个相似等级的处方图片和所述若干个具有处方标签的图片进行组合,得到若干个子训练集;获取每一个子训练集的相似等级;根据所述每一个子训练集的相似等级,确定该子训练集的标签平滑因子;其中,相似等级越高,标签平滑因子越大;基于预设的训练参数,利用所述若干个子训练集及其对应的标签平滑因子对所述对Bit模型进行训练,获取用于识别处方图片的处方图片识别模型;
待识别图片获取模块,用于获取客户端发送的待识别图片;
处方识别模块,用于将所述待识别图片输入处方图片识别模型中,获取所述待识别图片的处方识别结果;
推送模块,用于若所述待识别图片被识别为处方图片,将所述处方图片推送至所述展示端。
8.一种计算机设备,其特征在于:包括存储器、处理器以及存储在所述存储器中并可被所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-6中任意一项所述基于互联网医院的处方图片智能识别方法的步骤。
9.一种计算机可读存储介质,其上储存有计算机程序,其特征在于:该计算机程序被处理器执行时实现如权利要求1-6任意一项所述基于互联网医院的处方图片智能识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110836008.1A CN113537104B (zh) | 2021-07-23 | 2021-07-23 | 一种基于互联网医院的处方图片智能识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110836008.1A CN113537104B (zh) | 2021-07-23 | 2021-07-23 | 一种基于互联网医院的处方图片智能识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113537104A CN113537104A (zh) | 2021-10-22 |
CN113537104B true CN113537104B (zh) | 2022-03-08 |
Family
ID=78088799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110836008.1A Active CN113537104B (zh) | 2021-07-23 | 2021-07-23 | 一种基于互联网医院的处方图片智能识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537104B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005211541A (ja) * | 2004-01-30 | 2005-08-11 | Yuyama Manufacturing Co Ltd | 錠剤収納取出装置 |
CN112308649A (zh) * | 2020-05-29 | 2021-02-02 | 北京沃东天骏信息技术有限公司 | 用于推送信息的方法和装置 |
CN112541544A (zh) * | 2020-12-09 | 2021-03-23 | 福州大学 | 一种基于深度学习的垃圾分类方法 |
CN112883731A (zh) * | 2021-04-29 | 2021-06-01 | 腾讯科技(深圳)有限公司 | 内容分类方法和装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9916538B2 (en) * | 2012-09-15 | 2018-03-13 | Z Advanced Computing, Inc. | Method and system for feature detection |
CN107451592A (zh) * | 2017-06-30 | 2017-12-08 | 广东数相智能科技有限公司 | 一种处方药品核对方法及装置 |
-
2021
- 2021-07-23 CN CN202110836008.1A patent/CN113537104B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005211541A (ja) * | 2004-01-30 | 2005-08-11 | Yuyama Manufacturing Co Ltd | 錠剤収納取出装置 |
CN112308649A (zh) * | 2020-05-29 | 2021-02-02 | 北京沃东天骏信息技术有限公司 | 用于推送信息的方法和装置 |
CN112541544A (zh) * | 2020-12-09 | 2021-03-23 | 福州大学 | 一种基于深度学习的垃圾分类方法 |
CN112883731A (zh) * | 2021-04-29 | 2021-06-01 | 腾讯科技(深圳)有限公司 | 内容分类方法和装置 |
Non-Patent Citations (3)
Title |
---|
"Sparse Label Smoothing Regularization";JEAN-PAUL AINAM.et al;《IEEE》;20190313;全文 * |
"Big Transfer (BiT):General Visual Representation Learning";Alexander Kolesnikov.et al;《arXiv:1912.11370v3》;20200505;全文 * |
"正则化方法:标签平滑";会飞的猪;《https://blog.csdn.net/qwer7512090/article/details/00700261》;20190910;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113537104A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7331171B2 (ja) | 画像認識モデルをトレーニングするための方法および装置、画像を認識するための方法および装置、電子機器、記憶媒体、並びにコンピュータプログラム | |
CN108280477B (zh) | 用于聚类图像的方法和装置 | |
CN111191791B (zh) | 基于机器学习模型的图片分类方法、装置及设备 | |
CN111062871B (zh) | 一种图像处理方法、装置、计算机设备及可读存储介质 | |
EP3968179A1 (en) | Place recognition method and apparatus, model training method and apparatus for place recognition, and electronic device | |
US8805812B1 (en) | Learning semantic image similarity | |
CN111324774B (zh) | 一种视频去重方法和装置 | |
WO2018059016A1 (zh) | 针对机器学习的特征处理方法及特征处理*** | |
US20150278350A1 (en) | Recommendation System With Dual Collaborative Filter Usage Matrix | |
US20190392258A1 (en) | Method and apparatus for generating information | |
US20190095788A1 (en) | Supervised explicit semantic analysis | |
CN109858333B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
WO2022105117A1 (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
US11501110B2 (en) | Descriptor learning method for the detection and location of objects in a video | |
WO2022001724A1 (zh) | 一种数据处理方法及装置 | |
CN112395390B (zh) | 意图识别模型的训练语料生成方法及其相关设备 | |
CN113705733A (zh) | 医疗票据图像处理方法及装置、电子设备、存储介质 | |
CN113707323B (zh) | 基于机器学习的疾病预测方法、装置、设备及介质 | |
CN116662488A (zh) | 业务文档检索方法、装置、设备及存储介质 | |
CN114519397B (zh) | 基于对比学习的实体链接模型的训练方法、装置、设备 | |
CN113537104B (zh) | 一种基于互联网医院的处方图片智能识别方法及*** | |
CN116863116A (zh) | 基于人工智能的图像识别方法、装置、设备及介质 | |
CN116756281A (zh) | 知识问答方法、装置、设备和介质 | |
CN114241411B (zh) | 基于目标检测的计数模型处理方法、装置及计算机设备 | |
CN116958852A (zh) | 视频与文本的匹配方法、装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP02 | Change in the address of a patent holder |
Address after: Room 206-208, Building 4, No. 2 Tiantai 1st Road, Huangpu District, Guangzhou City, Guangdong Province, 510700 Patentee after: Guangzhou Fangzhou Information Technology Co.,Ltd. Address before: 510700 room 1005, No. 118, banhe Road, Huangpu District, Guangzhou, Guangdong Patentee before: Guangzhou Fangzhou Information Technology Co.,Ltd. |
|
CP02 | Change in the address of a patent holder |