药品对应

insert into Z_Dict_List (YaoPinID, HiID, ShiYongXZ, ShiYongXZMC, ZiFuBL, ShouFeiLB, ShouFeiLBMC,YaoPinLB, YaoPinLBMC, YaoPinJX, XianZhiLB)
         values ('02-14-0376', '8888888', .050, 2, :ZiFuBL, 2, 乙类, :YaoPinLB, :YaoPinLBMC, :YaoPinJX, :XianZhiLB)

--ShiYongXZ:草药为1 其余为0  ShiYongXZMC:对应为 限制 与不限制 --ShouFeiLB ShouFeiLBMC 1 西药费,2 中成药
---YaoPinLB, YaoPinLBMC  1  '甲类'  2  '乙类'   '自费
----ShiYongXZMC:: XianZhiLB when 0 then '不限制'      when 1 then '限制'

医院目录SQL:

select b.FeiYongNo, a.HiID, a.HiFeiYongMC, a.ShiYongXZ, a.ShiYongXZMC, a.ShouFeiLB, a.ShouFeiLBMC, a.FeiYongLB,
    a.FeiYongLBMC, a.ShenPiJB, a.ShenPiJBMC, a.ZiFuBL, b.FeiYongMC, b.DanWei,
   b.YiYuanSF as DanJia, b.PinYinMa, b.WuBiMa, c.HeSuanMC
   from Z_Dict_Charge a right join Dict_HosCharge b on a.FeiYongNo=b.FeiYongNo
   inner join Dict_CheckItem c on b.HeSuanBM=c.HeSuanBM
   order by a.ShouFeiLB,b.FeiYongNo

 医保目录SQL:

 

ExpandedBlockStart.gifView Code

  select a.FeiYongNo, a.ZiFuBL, a.FeiYongMC, a.ShouFeiLB,
 ShouFeiLBMC=b.HeSuanMC, a.FeiYongLB, a.FeiYongLBMC,
   a.BeiZhu,a.PinYinMa,a.WuBiMa
 from Z_Hi_Charge a,Z_Hi_CheckItem b
 where a.ShouFeiLB=b.HeSuanBM
 order by a.ShouFeiLB,a.FeiYongNo

转载于:https://www.cnblogs.com/zsdentist/articles/1562882.html

<think>好的,用户想了解如何通过AI和计算机视觉技术实现药品的检测、计数、分类以及根据症状推荐药品的方案。我需要结合现有的引用内容,特别是图像检测和边缘检测的相关技术,来构建一个可行的技术方案。 首先,用户提到的药品检测,可能需要使用目标检测算法,比如YOLO或Faster R-CNN。引用[1]中提到血细胞的检测,可以借鉴类似的方法,用深度学习模型来识别药品的位置和类别。同时,引用[4]里的边缘检测算子如Sobel、Prewitt可能用于预处理,增强图像特征。 然后是计数,检测到每个药品的位置后,统计bounding box的数量即可完成计数,这和引用[1]中的血细胞计数类似。 分类部分可能需要更精细的特征提取,比如使用ResNet或EfficientNet这样的分类网络。此外,可能需要结合药品的形状、颜色等特征,引用[4]中的边缘检测有助于提取形状信息。 症状分类和药品推荐可能需要自然语言处理技术,结合患者的症状文本,但用户提到的是CV技术,所以可能需要从图像中提取症状信息,比如皮疹的照片,但更可能的是将已分类的药品与已知的症状数据库进行匹配,引用[3]中的故障诊断分析可能类比于症状的分类方法。 技术方案需要分步骤:数据收集与标注、模型选择与训练、系统集成。数据方面需要大量标注的药品图像,可能涉及数据增强。模型部分,目标检测和分类模型的选择很重要。系统集成时要考虑实时性,引用[1]中的界面显示和结果保存功能可以参考。 另外,引用[2]和[3]提到的Matlab源码可能涉及图像处理的具体实现,但实际应用中可能更多使用Python和深度学习框架如TensorFlow或PyTorch。边缘检测作为预处理步骤,可以提升检测精度,尤其是在药品轮廓明显的情况下。 最后,应用场景可能包括药房自动管理、疗辅助诊断等,需要确保系统的准确性和可靠性,特别是在药品识别错误可能导致严重后果的情况下。可能需要结合数据库验证,比如引用[1]中的统计和保存功能,确保结果可追溯。 相关问题部分,需要考虑技术细节、优化方法、数据需求、实际应用中的挑战以及与其他系统的集成,这些都是用户可能会进一步询问的方向。</think>### 药品图像识别、检测、计数、分类及症状匹配技术方案 #### 1. **药品检测与识别** - **目标检测技术**:采用深度学习模型(如YOLO、Faster R-CNN)定位药品并识别类别。 - 输入:药品图像(单张或批量)或实时摄像头视频流。 - 输出:药品位置(边界框)、类别、置信度。 - 示例代码框架(基于YOLO): ```python import cv2 model = cv2.dnn.readNet("yolo_weights.weights", "yolo_config.cfg") # 输入预处理与推理 ``` - **边缘增强预处理**:使用Sobel/Prewitt算子提取药品轮廓,提升检测精度[^4]。例如: $$ G_x = \begin{bmatrix} -1 & 0 & 1 \\ -2 & 0 & 2 \\ -1 & 0 & 1 \end{bmatrix}, \quad G_y = \begin{bmatrix} -1 & -2 & -1 \\ 0 & 0 & 0 \\ 1 & 2 & 1 \end{bmatrix} $$ #### 2. **药品计数** - **基于检测结果的统计**:直接统计检测模型输出的边界框数量(类似血细胞计数方法[^1])。 - **密度估计**:若药品重叠严重,可采用密度估计网络(如CrowdCNN)。 #### 3. **药品分类与特征提取** - **多标签分类模型**:使用ResNet、EfficientNet等网络,根据药品形状、颜色、文字标签分类。 - **关键特征融合**:结合药品的: - **形状特征**(圆形药片 vs. 胶囊) - **颜色直方图** - **OCR文字识别**(提取药品名称) #### 4. **症状匹配与推荐** - **知识图谱构建**:建立药品-症状关联数据库(如布洛芬对应“发烧”)。 - **多模态输入**: - **文本输入**:患者症状描述(NLP处理)。 - **图像输入**:若症状可视觉化(如皮疹),结合图像分类模型辅助判断。 - **推荐逻辑**:通过规则引擎或图神经网络(GNN)匹配药品与症状。 #### 5. **系统集成与部署** - **技术栈**: - 前端:Python/OpenCV或Web界面(实时显示检测结果[^1])。 - 后端:PyTorch/TensorFlow模型服务,SQL/Neo4j数据库。 - **功能扩展**: - 支持结果保存(图片/视频标注文件)。 - 摄像头实时检测(参考血细胞检测系统)。 --- ### 技术挑战与解决方案 | 挑战 | 解决方案 | |------|----------| | 药品外观相似度高 | 融合多模态特征(形状+颜色+文字) | | 光照/遮挡干扰 | 数据增强(随机裁剪、亮度调整) | | 小样本药品类别 | 使用迁移学习(预训练模型微调) | | 实时性要求 | 模型轻量化(MobileNet-YOLO) | --- ###
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值