1.一种面向医疗废物全流程的溯源与风险预警方法,其特征在于,包括:在交接节点对无法扫码的医疗废物包生成损失标签,并与上一节点已记录且本节点未出现的未扫描交接标签构成匹配对;
利用本节点所有已知标签测试预训练神经网络,依据每个预训练神经网络的分类准确率确定其对应特征的特征权重;
基于该特征权重对所有损失标签进行聚类分析,得到每个损失标签的预测类别,具体包括:对于任意两个损失标签,将这两个损失标签的包装图像分别输入每个预训练神经网络;
对于每个预训练神经网络,判断其针对这两个损失标签输出的分类结果是否相同;
若相同,则将该预训练神经网络对应的特征权重进行归一化,并计入这两个损失标签的聚类贡献值,若不相同,则将零计入聚类贡献值;
将这两个损失标签的聚类贡献值进行求和,得到这两个损失标签之间的相似度分数;
依据所有损失标签两两之间的相似度分数,通过聚类算法对所有损失标签进行聚类,得到分类簇;
将每个分类簇与每个预定义的医疗废物标准类别进行匹配,确定每个分类簇对应的医疗废物类别,将此医疗废物类别确定为该分类簇中每个损失标签的预测类别;
对于每一个匹配对,将其中的损失标签的预测类别,与该匹配对中的未扫描交接标签的历史类别进行比对;
若一致,则以本节点所有已知标签为参照,计算各已知标签与该损失标签的当前重量差、及各已知标签与该未扫描交接标签的历史重量差,基于当前重量差和历史重量差的一致性计算初步匹配性度量,具体包括:针对本节点中的每个已知标签,计算其当前重量与该损失标签的当前重量之间的第一重量差,并计算其在上一节点的历史重量与该未扫描交接标签的历史重量之间的第二重量差;
计算第一重量差与第二重量差之差的绝对值;
根据绝对值的大小,确定该已知标签对该匹配对的匹配贡献值,其中,绝对值和匹配贡献值呈负相关;
计算该已知标签的当前重量与损失标签的当前重量之差的绝对值;
根据该重量之差的绝对值的大小,为该已知标签分配一个权重,其中,该重量之差的绝对值和所分配的权重呈负相关;
以所分配的权重对该已知标签的匹配贡献值进行加权,得到该已知标签的加权贡献;
将所有已知标签的加权贡献求和,将求和结果确定为初步匹配性度量;
根据该损失标签的预测类别获取重量稳定性权重,对该匹配对中两个标签的重量绝对差异进行加权,生成重量惩罚项;融合初步匹配性度量与重量惩罚项生成每个匹配对的最终匹配代价;
若不一致,则为每个匹配对生成极大代价作为最终匹配代价;
基于所有匹配对的最终匹配代价构建代价矩阵,利用匈牙利算法进行全局最优匹配,为匹配成功的损失标签确定全流程溯源信息。
2.根据权利要求1所述的一种面向医疗废物全流程的溯源与风险预警方法,其特征在于,所述利用本节点所有已知标签测试预训练神经网络,依据每个预训练神经网络的分类准确率确定其对应特征的特征权重,具体包括:将本节点所有已知标签的包装图像,分别输入每个预训练神经网络,获得各预训练神经网络对每个已知标签的分类结果;
将每个已知标签的分类结果与该已知标签的真实类别进行比对;
统计各预训练神经网络分类正确的已知标签数量;
依据分类正确的已知标签数量,为每个预训练神经网络对应的特征分配特征权重,其中,分配的特征权重和分类正确的数量呈正相关。
3.根据权利要求1所述的一种面向医疗废物全流程的溯源与风险预警方法,其特征在于,所述根据该损失标签的预测类别获取重量稳定性权重,对该匹配对中两个标签的重量绝对差异进行加权,生成重量惩罚项,具体包括:根据损失标签的预测类别,查询预设的重量稳定性权重映射表,得到对应的重量稳定性权重,其中,预设的重量稳定性权重映射表是基于历史数据分析建立的,且预设的重量稳定性权重映射表中,重量稳定性权重与医疗废物类别的重量变化稳定程度呈正相关;
计算匹配对中损失标签的当前重量与未扫描交接标签的历史重量之差的绝对值,并进行归一化处理,得到重量绝对差异;
将重量绝对差异乘以重量稳定性权重,得到重量惩罚项。
4.根据权利要求1所述的一种面向医疗废物全流程的溯源与风险预警方法,其特征在于,所述融合初步匹配性度量与重量惩罚项生成每个匹配对的最终匹配代价,具体包括:将初步匹配性度量转换为初步匹配代价,其中,初步匹配性度量和初步匹配代价呈负相关;
将初步匹配代价和重量惩罚项相乘,得到该匹配对的最终匹配代价。
5.根据权利要求1所述的一种面向医疗废物全流程的溯源与风险预警方法,其特征在于,所述基于所有匹配对的最终匹配代价构建代价矩阵,利用匈牙利算法进行全局最优匹配,为匹配成功的损失标签确定全流程溯源信息,具体包括:以所有损失标签为矩阵的行,以所有未扫描交接标签为矩阵的列;
将每一个匹配对的最终匹配代价,填入到该匹配对中损失标签所在行与未扫描交接标签所在列交叉对应的矩阵元素位置,得到初始代价矩阵;
若损失标签的数量与未扫描交接标签的数量不相等,则向矩阵中添加由预设值填充的行或列,将初始代价矩阵扩展为方阵,得到代价矩阵;
将代价矩阵输入匈牙利算法进行运算,求解得到总代价最小的全局最优匹配方案;
根据最优匹配方案,确定每一个损失标签所匹配的未扫描交接标签,并为匹配成功的每一对标签执行数据关联;
将匹配成功的未扫描交接标签所载有的、自产生节点起直至上一节点的完整历史溯源信息,赋予与其匹配的损失标签,对本节点的损失标签进行信息补全,得到本节点中损失标签的全流程溯源信息;
对于未能在最优匹配方案中成功匹配的损失标签或未扫描交接标签,生成人工核验预警。
6.根据权利要求2所述的一种面向医疗废物全流程的溯源与风险预警方法,其特征在于,所述依据分类正确的已知标签数量,为每个预训练神经网络对应的特征分配特征权重,具体包括:将每个预训练神经网络分类正确的已知标签数量,除以本节点所有已知标签的总数量,得到该网络的分类准确率,并将该分类准确率作为其所对应特征的特征权重。
7.根据权利要求1所述的一种面向医疗废物全流程的溯源与风险预警方法,其特征在于,所述聚类算法为K-means聚类算法,且聚类算法的聚类参数设置为5。
8.一种面向医疗废物全流程的溯源与风险预警系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的一种面向医疗废物全流程的溯源与风险预警方法的步骤。