一种基于深度学习的手术器械仓储环境清点模型压缩方法技术

本发明专利技术公开了一种基于深度学习的手术器械仓储环境清点模型压缩方法，属于目标检测技术领域。一种基于深度学习的手术器械仓储环境清点模型压缩方法，包括以下步骤S1、对手术器械进行拍照采集数据，形成数据集，并根据要求对数据集中的照片进行标签标注；S2、对数据集划分为训练集、验证集和测试集，同时在训练前对数据进行数据增强预处理；S3、针对Swin transformer模型进行轻量化结构设计，降低Swin transformer模型所需的内存和运算量，实现模型的压缩；S4、将目标检测模型代码封装好，然后将数据集输入模型中进行训练。本发明专利技术基于Swin Transformer的目标检测模型进行模型压缩，能够在减少运算量和参数量的前提下保证模型的精度。型的精度。型的精度。

【技术实现步骤摘要】
一种基于深度学习的手术器械仓储环境清点模型压缩方法


[0001]本专利技术涉及目标检测
，尤其涉及一种基于深度学习的手术器械仓储环境清点模型压缩方法。

技术介绍

[0002]近年来，手术器械因为与人们的身体健康息息相关而受到广泛关注，而无论是临床环境还是仓储环境下，都需要对手术器械的种类和数量进行清点以保证后续手术的正常实施。但目前手术器械的清点工作大部分都是通过人工方式完成，这种方法需要消耗大量的人力物力并且效率低下，尤其在仓储环境下，大批量的手术器械的清点工作会严重影响后续工作的正常进度。因此，工业界对仓储环境下手术器械的自动化清点的需求不断提高。
[0003]目前研究的手术器械自动清点的方法主要有基于RFID(Radio Frequency Identification)、基于条形码和基于计算机视觉三种方式，其中由于基于RFID和基于条形码的方法都比较复杂并且成本高昂，所以现在的研究主要着眼于基于计算机视觉的方法，利用深度学习目标检测算法进行器械清点更是近年来最为常见的方式，然而普通的目标检测算法存在模型体量过大和内存占用严本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的手术器械仓储环境清点模型压缩方法，其特征在于，包括以下步骤：S1、手术器械数据采集与标注：对手术器械进行拍照采集数据，形成数据集，并根据要求对数据集中的照片进行标签标注；S2、数据集划分与数据增强：对S1中所得的数据集划分为训练集、验证集和测试集，同时在训练前对数据进行数据增强预处理；S3、目标检测模型轻量化设计：针对Swin transformer模型进行轻量化结构设计，降低Swin transformer模型所需的内存和运算量，实现模型的压缩；S4、目标检测模型训练：将S3中经过轻量化设计的目标检测模型代码封装好，然后将数据集输入模型中进行训练，在预先设定的模型训练波次结束后，保存精度最高模型参数，用于仓储环境下手术器械的清点。2.根据权利要求1所述的一种基于深度学习的手术器械仓储环境清点模型压缩方法，其特征在于，所述S1在进行拍照数据采集时，将所有待检测的手术器械分别按照同类型器械紧靠摆放、同类型器械交叉摆放，不同类型紧靠摆放，不同类型器械交叉摆放、所有器件交叉紧靠混合摆放五种摆放方式依次摆放，用于模拟实际应用中各种复杂情况，确保图像信息采集的丰富性和平衡性。3.根据权利要求1所述的一种基于深度学习的手术器械仓储环境清点模型压缩方法，其特征在于，所述S1中提到的照片标签标注工作，具体包括以下步骤：A1、将采集过图像数据的手术器械设定标签名；A2、将所有采集到的手术器械图片输入到图像标注软件中；A3、利用标注软件将每一张图像中的所有手术器械使用矩形框标注，即每一张图像中的所有手术器械使用矩形描绘出器械轮廓，矩形轮廓标注满足目标检测模型训练所需的信息，然后标记上所对应的标签名；A4、完成标记后，将相对应的标签名、图片名和矩形轮廓和位置信息均保存在JSON类型文件中，其中矩形轮廓位置信息是通过在整张图像上建立坐标系，记录多边形每个顶点的x轴和y轴坐标。4.根据权利要求1所述的一种基于深度学习的手术器械仓储环境清点模型压缩方法，其特征在于，所述S2中提到的训练集、验证集和测试集之间的比例为7:2:1；所述训练集用于训练网络；所述验证集用于训练过程验证模型检测效果，并根据效...

【专利技术属性】
技术研发人员：王海峰，关思宇，孙志强，蒋文波，
申请(专利权)人：上海可明科技有限公司，
类型：发明
国别省市：