CN117315850B - 一种基于人工智能的针剂存取方法及装置 - Google Patents

Abstract

本发明公开了一种基于人工智能的针剂存取方法及***，其中一种基于人工智能的针剂存取方法包括：通过第一识别单元对采集的针剂条形码或二维码进行识别，获得第一识别结果，将第一识别结果发送至中控单元；中控单元根据第一识别结果和药柜存储情况分配针剂在药柜中的储存位置，驱动运输单元将针剂存储至药柜的相应位置；当需要取药时，将处方信息发送至第二识别单元，获得第二识别结果；由中控单元将第二识别结果与药柜数据库存储的针剂信息进行对比，根据对比结果驱动运输单元进行取药；本发明基于神经网络对针剂信息和处方信息进行识别，根据识别结果和柜内情况实现自动化存取针剂，同时通过RRT*算法优化存取路径，提高针剂存取效率。

Description

一种基于人工智能的针剂存取方法及装置

技术领域

本发明涉及智能药柜的技术领域，尤其涉及一种基于人工智能的针剂存取方法及装置。

背景技术

药房和药店发放针剂药品都需要工作人员按照处方进行寻找，然后手动取药，当取药人数较多的时候，会非常不方便，不仅效率低，而且浪费人力。目前的智能药柜实现了大数量存储、快速准确发药的功能，使在药房找药的工作量大大降低，但智能药柜主要针对的药品是盒装药，而对于针剂药品进行存取的自动化设备的研究相对较少。

发明内容

本发明的目的在于提供一种基于人工智能的针剂存取方法及装置，以解决现有针剂药品存取效率低的问题。

为了克服上述现有技术中的缺陷，本发明提供了一种基于人工智能的针剂存取方法，包括：采集针剂上的条形码或二维码，并发送至第一识别单元，第一识别单元通过第一神经网络对条形码或二维码进行识别，获得第一识别结果，将第一识别结果发送至所述中控单元；所述中控单元根据第一识别结果和药柜存储情况分配针剂在药柜中的储存位置，向运输单元发送第一信号，所述运输单元接收到所述第一信号后将针剂存储至所述药柜的相应位置；当需要取药时，通过终端将处方信息发送至第二识别单元，第二识别单元通过第二神经网络对处方信息进行识别，获得第二识别结果，并将第二识别结果发送至中控单元；由中控单元将第二识别结果与药柜数据库存储的针剂信息进行对比，若二者信息一致，则向运输单元发送第二信号，所述运输单元接收到第二信号后，将与处方信息相匹配的针剂运送至取药处，并通过终端提示工作人员进行取药；若二者信息不一致，则通过终端通知工作人员及时存药。

作为本发明所述的基于人工智能的针剂存取方法的一种优选方案，其中：所述第一神经网络包括特征提取层、特征融合层和分类器；所述特征提取层包括第一卷积层、第二卷积层、第三卷积层、批量归一化层、silu激活层和最大池化层，所述第一卷积层的卷积核大小为1*1，步长为1，用于改变通道数，第二卷积层的卷积核大小为3*3，步长为1，用于特征提取，第三卷积层的卷积核大小为3*3，步长为2，用于下采样；所述特征融合层包括空间金字塔池化层、训练层和推理层，所述空间金字塔池化层用于提取不同尺度的特征，所述训练层包括第四卷积层和第五卷积层，所述第四卷积层的卷积核大小为3*3，步长为1，用于特征提取，第五卷积层的卷积核大小为1*1，步长为1，用于平滑特征；所述推理层包括第六卷积层，所述第六卷积层的卷积核大小为3*3，步长为1，用于将训练层输出的特征矩阵进行融合；通过分类器进行特征分类和识别。

作为本发明所述的基于人工智能的针剂存取方法的一种优选方案，其中：所述第二神经网络包括卷积层、下采样层、全连接层和高斯连接层；所述卷积层的卷积核尺寸为5*5，步长为1。

作为本发明所述的基于人工智能的针剂存取方法的一种优选方案，其中：还包括：根据针剂的储存温度调节药柜的温度和湿度，当针剂被存入或被取出时，由传感器对存入或取出针剂的数量进行电子计数，同时通过第一识别单元对存入或取出的针剂进行条形码或二维码识别，并将计数结果和识别结果发送至药柜数据库。

作为本发明所述的基于人工智能的针剂存取方法的一种优选方案，其中：还包括：所述第一信号包括存药驱动信号和最短存药路径；所述第二信号包括取药驱动信号和最短取药路径；所述中控单元通过RRT*算法获取最短存药路径和最短取药路径。

作为本发明所述的基于人工智能的针剂存取装置的一种优选方案，其中：包括：数据采集模块，被配置为执行采集针剂上的条形码或二维码，并发送至第一识别单元；针剂信息识别模块，被配置为执行由第一识别单元通过第一神经网络对条形码或二维码进行识别，获得第一识别结果，将第一识别结果发送至所述中控单元；控制模块，被配置为执行所述中控单元根据第一识别结果和药柜存储情况分配针剂在药柜中的储存位置，向运输单元发送第一信号，所述运输单元接收到所述第一信号后将针剂存储至所述药柜的相应位置；处方信息识别模块，被配置为执行当需要取药时，通过终端将处方信息发送至第二识别单元，第二识别单元通过第二神经网络对处方信息进行识别，获得第二识别结果，并将第二识别结果发送至中控单元；控制模块，还被配置为执行由中控单元将第二识别结果与药柜数据库存储的针剂信息进行对比，若二者信息一致，则向运输单元发送第二信号，所述运输单元接收到第二信号后，将与处方信息相匹配的针剂运送至取药处，并通过终端提示工作人员进行取药；若二者信息不一致，则通过终端通知工作人员及时存药。

作为本发明所述的基于人工智能的针剂存取装置的一种优选方案，其中：所述针剂信息识别模块，具体被配置为执行：所述第一神经网络包括特征提取层、特征融合层和分类器；所述特征提取层包括第一卷积层、第二卷积层、第三卷积层、批量归一化层、silu激活层和最大池化层，所述第一卷积层的卷积核大小为1*1，步长为1，用于改变通道数，第二卷积层的卷积核大小为3*3，步长为1，用于特征提取，第三卷积层的卷积核大小为3*3，步长为2，用于下采样；所述特征融合层包括空间金字塔池化层、训练层和推理层，所述空间金字塔池化层用于提取不同尺度的特征，所述训练层包括第四卷积层和第五卷积层，所述第四卷积层的卷积核大小为3*3，步长为1，用于特征提取，第五卷积层的卷积核大小为1*1，步长为1，用于平滑特征；所述推理层包括第六卷积层，所述第六卷积层的卷积核大小为3*3，步长为1，用于将训练层输出的特征矩阵进行融合；通过分类器进行特征分类和识别。

作为本发明所述的基于人工智能的针剂存取装置的一种优选方案，其中：所述针剂信息识别模块，具体被配置为执行：所述第二神经网络包括卷积层、下采样层、全连接层和高斯连接层；所述卷积层的卷积核尺寸为5*5，步长为1。

作为本发明所述的基于人工智能的针剂存取装置的一种优选方案，其中：还包括感应模块，被配置为执行：根据针剂的储存温度调节药柜的温度和湿度，当针剂被存入或被取出时，由传感器对存入或取出针剂的数量进行电子计数，同时通过第一识别单元对存入或取出的针剂进行条形码或二维码识别，并将计数结果和识别结果发送至药柜数据库。

作为本发明所述的基于人工智能的针剂存取装置的一种优选方案，其中：还包括：所述第一信号包括存药驱动信号和最短存药路径；所述第二信号包括取药驱动信号和最短取药路径；所述中控单元通过RRT*算法获取最短存药路径和最短取药路径。

本发明的有益效果：本发明基于神经网络对针剂信息和处方信息进行识别，根据识别结果和柜内情况实现自动化存取针剂，同时通过RRT*算法优化存取路径，提高针剂存取效率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明第一个实施例所述的一种基于人工智能的针剂存取方法的流程示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1，为本发明的第一个实施例，该实施例提供了一种基于人工智能的针剂存取方法，包括：

S1：采集针剂上的条形码或二维码，并发送至第一识别单元，第一识别单元通过第一神经网络对条形码或二维码进行识别，获得第一识别结果，将第一识别结果发送至中控单元。

通过摄像头采集针剂上的条形码或二维码，并将采集的条形码或二维码发送至第一识别单元，第一识别单元通过第一神经网络对条形码或二维码进行识别，具体的，第一神经网络包括特征提取层、特征融合层和分类器。

特征提取层包括第一卷积层、第二卷积层、第三卷积层、批量归一化层、silu激活层和最大池化层，第一卷积层的卷积核大小为1*1，步长为1，用于改变通道数，第二卷积层的卷积核大小为3*3，步长为1，用于特征提取，第三卷积层的卷积核大小为3*3，步长为2，用于下采样。

其中需要说明的是，silu激活层采用silu激活函数，silu激活函数是swish激活函数的变体，其公式如下：

silu(x)＝x·sigmoid(x)

式中，x为输入。

特征融合层包括空间金字塔池化层、训练层和推理层，空间金字塔池化层通过最大池化来获得不同感受野，从而提取不同尺度的特征，训练层包括第四卷积层和第五卷积层，第四卷积层的卷积核大小为3*3，步长为1，用于特征提取，第五卷积层的卷积核大小为1*1，步长为1，用于平滑特征；推理层包括第六卷积层，第六卷积层的卷积核大小为3*3，步长为1，用于将训练层输出的特征矩阵进行融合；较佳的是，将空间金字塔池化层与卷积层进行融合，能够减少一半的计算量，使得速度变得快，同时精度也得到提升。

最后，通过分类器对特征融合层输出的特征进行特征分类和识别，即寻找特征所在的位置，绘制预测框，对预测框内的特征进行分类和识别，获得第一识别结果。

S2：中控单元根据第一识别结果和药柜存储情况分配针剂在药柜中的储存位置，向运输单元发送第一信号，运输单元接收到第一信号后将针剂存储至药柜的相应位置。

第一信号包括存药驱动信号和最短存药路径；

中控单元可采用单片机，中控单元通过RRT*算法获取最短存药路径，RRT*算法的原理是：对当前结点进一步检索，寻找其到附近结点的最短距离，寻找到最优父节点之后在一定圆范围内不断检索所有临近结点的组合方式，重新组合路径，使其达到最优的效果，从而获得最优路径，且搜索速度快，减少存药时间。

S3：当需要取药时，通过终端将处方信息发送至第二识别单元，第二识别单元通过第二神经网络对处方信息进行识别，获得第二识别结果，并将第二识别结果发送至中控单元。

其中需要说明的是，终端可以是手机、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、可穿戴设备(例如智能手表)，本申请实施例对此并不限定。

当需要取药时，通过终端将处方信息发送至第二识别单元，第二识别单元通过第二神经网络对处方信息进行识别，识别内容包括针剂名称、用量等，第二神经网络采用LeNet-5神经网络，其包括卷积层、下采样层、全连接层和高斯连接层；其中，卷积层的数量为2、下采样层的数量为2、全连接层的数量为2，卷积层的卷积核尺寸均为5*5，步长均为1；下采样层均采用最大池化操作，每个窗口大小均为2*2，步长均为2；全连接层包括第一全连接层和第二全连接层，第一全连接层将每个大小为5*5的特征图拉成一个长度为400的向量，并通过一个带有120个神经元的全连接层进行连接，第二全连接层将120个神经元连接到84个神经元，最后通过激活函数输出第二识别结果。

LeNet-5的训练过程使用反向传播算法(BP算法)，通过最小化误差函数(通常使用交叉熵损失函数)来优化网络的权重和偏置。网络的权重和偏置是通过随机初始化得到的，然后，网络通过反向传播算法不断地调整权重和偏置，使得误差函数最小化。

S4：由中控单元将第二识别结果与药柜数据库存储的针剂信息进行对比，若二者信息一致，则向运输单元发送第二信号，运输单元接收到第二信号后，将与处方信息相匹配的针剂运送至取药处，并通过终端提示工作人员进行取药；若二者信息不一致，则通过终端通知工作人员及时存药。

第二信号包括取药驱动信号和最短取药路径，中控单元通过RRT*算法获取最短取药路径。

本实施例也可通过显示屏、闪烁灯等设备通知工作人员及时取药或存药。

S5：根据针剂的储存温度调节药柜的温度和湿度，当针剂被存入或被取出时，由传感器对存入或取出针剂的数量进行电子计数，同时通过第一识别单元对存入或取出的针剂进行条形码或二维码识别，并将计数结果和识别结果发送至药柜数据库。

当针剂被存入或被取出时，药柜数据库的针剂信息将同步更新。

其中，传感器可采用具有计数功能的传感器，本申请实施例对此并不限定。

实施例2

本实施例提供了一种基于人工智能的针剂存取装置，包括，

数据采集模块，被配置为执行采集针剂上的条形码或二维码，并发送至第一识别单元。

针剂信息识别模块，被配置为执行由第一识别单元通过第一神经网络对条形码或二维码进行识别，获得第一识别结果，将第一识别结果发送至中控单元。

控制模块，被配置为执行中控单元根据第一识别结果和药柜存储情况分配针剂在药柜中的储存位置，向运输单元发送第一信号，运输单元接收到第一信号后将针剂存储至药柜的相应位置；其中，第一信号包括存药驱动信号和最短存药路径，中控单元通过RRT*算法获取最短存药路径。

处方信息识别模块，被配置为执行当需要取药时，通过终端将处方信息发送至第二识别单元，第二识别单元通过第二神经网络对处方信息进行识别，获得第二识别结果，并将第二识别结果发送至中控单元。

控制模块，还被配置为执行由中控单元将第二识别结果与药柜数据库存储的针剂信息进行对比，若二者信息一致，则向运输单元发送第二信号，运输单元接收到第二信号后，将与处方信息相匹配的针剂运送至取药处，并通过终端提示工作人员进行取药；若二者信息不一致，则通过终端通知工作人员及时存药；其中，第二信号包括取药驱动信号和最短存药路径，中控单元通过RRT*算法获取最短取药路径。

针剂信息识别模块，具体被配置为执行：第一神经网络包括特征提取层、特征融合层和分类器；特征提取层包括第一卷积层、第二卷积层、第三卷积层、批量归一化层、silu激活层和最大池化层，第一卷积层的卷积核大小为1*1，步长为1，用于改变通道数，第二卷积层的卷积核大小为3*3，步长为1，用于特征提取，第三卷积层的卷积核大小为3*3，步长为2，用于下采样；特征融合层包括空间金字塔池化层、训练层和推理层，空间金字塔池化层用于提取不同尺度的特征，训练层包括第四卷积层和第五卷积层，第四卷积层的卷积核大小为3*3，步长为1，用于特征提取，第五卷积层的卷积核大小为1*1，步长为1，用于平滑特征；推理层包括第六卷积层，第六卷积层的卷积核大小为3*3，步长为1，用于将训练层输出的特征矩阵进行融合；通过分类器进行特征分类和识别。

针剂信息识别模块，具体被配置为执行：第二神经网络包括卷积层、下采样层、全连接层和高斯连接层；卷积层的卷积核尺寸为5*5，步长为1。

感应模块，被配置为执行：根据针剂的储存温度调节药柜的温度和湿度，当针剂被存入或被取出时，由传感器对存入或取出针剂的数量进行电子计数，同时通过第一识别单元对存入或取出的针剂进行条形码或二维码识别，并将计数结果和识别结果发送至药柜数据库。

应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机***通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机***的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

如在本申请所使用的，术语“组件”、“模块”、“***”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地***、分布式***中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它***进行交互)的信号，以本地和/或远程过程的方式进行通信。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种基于人工智能的针剂存取方法，其特征在于，包括：

采集针剂上的条形码或二维码，并发送至第一识别单元，第一识别单元通过第一神经网络对条形码或二维码进行识别，获得第一识别结果，将所述第一识别结果发送至中控单元；

所述中控单元根据第一识别结果和药柜存储情况分配针剂在药柜中的储存位置，向运输单元发送第一信号，所述运输单元接收到所述第一信号后将针剂存储至药柜的相应位置；

当需要取药时，通过终端将处方信息发送至第二识别单元，第二识别单元通过第二神经网络对处方信息进行识别，获得第二识别结果，并将第二识别结果发送至中控单元；

由中控单元将第二识别结果与药柜数据库存储的针剂信息进行对比，若二者信息一致，则向运输单元发送第二信号，所述运输单元接收到第二信号后，将与处方信息相匹配的针剂运送至取药处，并通过终端提示工作人员进行取药；

若二者信息不一致，则通过终端通知工作人员及时存药；

其中，所述第一神经网络包括特征提取层、特征融合层和分类器；

所述特征提取层包括第一卷积层、第二卷积层、第三卷积层、批量归一化层、silu激活层和最大池化层，所述第一卷积层的卷积核大小为1*1，步长为1，用于改变通道数，第二卷积层的卷积核大小为3*3，步长为1，用于特征提取，第三卷积层的卷积核大小为3*3，步长为2，用于下采样；

所述特征融合层包括空间金字塔池化层、训练层和推理层，所述空间金字塔池化层用于提取不同尺度的特征，所述训练层包括第四卷积层和第五卷积层，所述第四卷积层的卷积核大小为3*3，步长为1，用于特征提取，第五卷积层的卷积核大小为1*1，步长为1，用于平滑特征；所述推理层包括第六卷积层，所述第六卷积层的卷积核大小为3*3，步长为1，用于将训练层输出的特征矩阵进行融合；

通过分类器进行特征分类和识别；

其中，所述第二神经网络包括卷积层、下采样层、全连接层和高斯连接层；所述卷积层的卷积核尺寸为5*5，步长为1。

2.如权利要求1所述的基于人工智能的针剂存取方法，其特征在于，还包括：

根据针剂的储存温度调节药柜的温度和湿度，当针剂被存入或被取出时，由传感器对存入或取出针剂的数量进行电子计数，同时通过第一识别单元对存入或取出的针剂进行条形码或二维码识别，并将计数结果和识别结果发送至药柜数据库。

3.如权利要求2所述的基于人工智能的针剂存取方法，其特征在于，还包括：

所述第一信号包括存药驱动信号和最短存药路径；

所述第二信号包括取药驱动信号和最短取药路径；

所述中控单元通过RRT*算法获取最短存药路径和最短取药路径。

4.一种基于人工智能的针剂存取装置，其特征在于，包括：

数据采集模块，被配置为执行采集针剂上的条形码或二维码，并发送至第一识别单元；

针剂信息识别模块，被配置为执行由第一识别单元通过第一神经网络对条形码或二维码进行识别，获得第一识别结果，将第一识别结果发送至中控单元；

控制模块，被配置为执行所述中控单元根据第一识别结果和药柜存储情况分配针剂在药柜中的储存位置，向运输单元发送第一信号，所述运输单元接收到所述第一信号后将针剂存储至药柜的相应位置；

处方信息识别模块，被配置为执行当需要取药时，通过终端将处方信息发送至第二识别单元，第二识别单元通过第二神经网络对处方信息进行识别，获得第二识别结果，并将第二识别结果发送至中控单元；

控制模块，还被配置为执行由中控单元将第二识别结果与药柜数据库存储的针剂信息进行对比，若二者信息一致，则向运输单元发送第二信号，所述运输单元接收到第二信号后，将与处方信息相匹配的针剂运送至取药处，并通过终端提示工作人员进行取药；若二者信息不一致，则通过终端通知工作人员及时存药；

其中，所述针剂信息识别模块，具体被配置为执行：

所述第一神经网络包括特征提取层、特征融合层和分类器；

所述特征提取层包括第一卷积层、第二卷积层、第三卷积层、批量归一化层、silu激活层和最大池化层，所述第一卷积层的卷积核大小为1*1，步长为1，用于改变通道数，第二卷积层的卷积核大小为3*3，步长为1，用于特征提取，第三卷积层的卷积核大小为3*3，步长为2，用于下采样；

所述特征融合层包括空间金字塔池化层、训练层和推理层，所述空间金字塔池化层用于提取不同尺度的特征，所述训练层包括第四卷积层和第五卷积层，所述第四卷积层的卷积核大小为3*3，步长为1，用于特征提取，第五卷积层的卷积核大小为1*1，步长为1，用于平滑特征；所述推理层包括第六卷积层，所述第六卷积层的卷积核大小为3*3，步长为1，用于将训练层输出的特征矩阵进行融合；

通过分类器进行特征分类和识别；

其中，所述针剂信息识别模块，具体被配置为执行：

所述第二神经网络包括卷积层、下采样层、全连接层和高斯连接层；所述卷积层的卷积核尺寸为5*5，步长为1。

5.如权利要求4所述的基于人工智能的针剂存取装置，其特征在于，还包括感应模块，被配置为执行：

根据针剂的储存温度调节药柜的温度和湿度，当针剂被存入或被取出时，由传感器对存入或取出针剂的数量进行电子计数，同时通过第一识别单元对存入或取出的针剂进行条形码或二维码识别，并将计数结果和识别结果发送至药柜数据库。

6.如权利要求5所述的基于人工智能的针剂存取装置，其特征在于，还包括：

所述第一信号包括存药驱动信号和最短存药路径；

所述第二信号包括取药驱动信号和最短取药路径；

所述中控单元通过RRT*算法获取最短存药路径和最短取药路径。