一种基于深度学习的医疗废弃物暂存站异常行为实时检测方法技术

本发明专利技术公开了一种基于深度学习的医疗废弃物暂存站异常行为实时检测方法，涉及异常检测技术领域

【技术实现步骤摘要】
一种基于深度学习的医疗废弃物暂存站异常行为实时检测方法


[0001]本专利技术属于异常行为检测
，特别是涉及一种基于深度学习的医疗废弃物暂存站异常行为实时检测方法
。

技术介绍

[0002]医疗废弃物在医疗机构暂存站暂存时，难以对工作人员操作的规范性进行实时监管，存在较大的安全隐患
。
并且，医疗废弃物非法买卖行为时有发生，医疗废弃物在医疗机构暂存时，易出现异常丢失等情况
。
目前，部分的医疗机构医疗废弃物暂存站缺乏视频监控，部分设置视频监控的暂存站，在出现严重的异常情况时，往往需人工回放寻找原因，医疗废弃物在医疗机构暂存点存放时若出现违规行为，难以实时响应
。
[0003]Yolo
系列算法在目标检测领域应用非常广泛
。Yolo V7
算法在检测精度及泛化性能方面，超越所有的
Yolo
系列算法，然而，传统的
Yolo V7
模型复杂
、
运行占用内存高，难以适用于对于实时性要求较高的应用场景
。
如将传统的
Yolo V7
目标检测算法运用于医疗废弃物暂存站进行异常行为视频图像检测，会存在检测不及时
、
检测精度低的问题
。

技术实现思路

[0004]1.
专利技术要解决的技术问题
[0005]本专利技术的目的在于提供一种基于深度学习的医疗废弃物暂存站异常行为实时检测方法，本专利技术通过医疗废弃物暂存站摄像机采集的视频图像，基于改进的
Yolo V7
目标检测算法实现医疗废弃物暂存站异常行为实时检测，本专利技术通过改进
Yolo V7
的
Backbone
和
Neck
网络，使
Yolo V7
算法模型具有轻量化的特点，具有较高的检测精度和较快的检测速度
。
[0006]2.
技术方案
[0007]为达到上述目的，本专利技术提供的技术方案为：
[0008]本专利技术的一种基于深度学习的医疗废弃物暂存站异常行为实时检测方法，包括以下步骤：
[0009]S1
：收集医疗废弃物暂存站异常行为图像，建立异常行为检测数据集；
[0010]S2
：使用
MobileNetV3
网络结构代替传统
Yolo V7
的
Backbone
模块，使用改进
NAS
‑
FPN
网络和
CoAtNet
网络代替传统
Yolo V7
的
Neck
模块，构建基于改进
Yolo V7
的快速医疗废弃物异常行为检测模型；
[0011]S3
：利用异常行为数据集对检测模型进行训练，获得异常行为实时检测的深度学习模型；
[0012]S4
：基于医疗废弃物暂存站实时采集的视频图像，进行预处理，将图像尺寸统一化；
[0013]S5
：将预处理后的待检测图像输入深度学习模型进行异常行为实时检测，并对异
常行为实时预警
。
[0014]更进一步地，替换后
Backbone
模块包括输入层
、
卷积层和8个
Bottleneck
单元，每个
Bottleneck
单元包括的
Bottleneck
模块数量依次为1，2，3，4，3，3，2，2；选取三个
Bottleneck
单元提取的特征作为
Backbone
的输出特征
。
[0015]更进一步地，选取第
4、
第6和第8个
Bottleneck
单元提取的特征作为
Backbone
的输出特征
。
[0016]更进一步地，
Bottleneck
模块包括依次连接的1×1卷积层
、BN
批归一化层
、
激活函数层
、DConv
深度可分离卷积层
、BN
批归一化层
、ReLU
激活函数和1×1卷积层
。
[0017]更进一步地，在第3，第4，第7，第8个
Bottleneck
单元的
ReLU
激活函数和1×1卷积之间增加一个
SE
通道注意力机制网络；
[0018]不同
Bottleneck
单元的激活函数层中使用的激活函数是不同的
。
在第5，第6，第7，第8的
Bottleneck
单元中的激活函数使用
h
‑
swish
激活函数，其余
Bottleneck
单元中的激活函数使用
ReLU6
激活函数
。
[0019]更进一步地，
SE
通道注意力机制网络包括依次连接的全局平均池化层
Global Pool、
全连接层
FC、
激活函数
ReLU、
全连接层
FC
和激活函数
Sigmoid。
[0020]更进一步地，替换后的
Neck
模块使用改进
NAS
‑
FPN
网络对不同尺寸的特征图像进行融合；使用
CoAtNet
网络对经过改进
NAS
‑
FPN
网络特征融合的图像做进一步的特征提取；将经过
CoAtNet
网络进一步提取的特征图像作为输出特征层，并且输入到
Yolo V7
的
Head
模块
。
[0021]更进一步地，替换后的
Neck
模块经过1×1卷积分别连接三个
Bottleneck
单元的输出特征图像
。
[0022]更进一步地，改进
NAS
‑
FPN
网络，通过将原本五层特征融合网络结构改进为三层特征融合网络结构，对不同尺寸的特征图像进行融合的过程如下：输入特征图像
P2
和
P3
经过全局平均池化层
GP
后获得特征图
P4
，特征图
P4
经过
CBR
模块后获得特征图
P5
，特征图
P5
与
P1
相加，获得输出特征图
C1
；输出特征图
C1
经过
CBR
模块后获得特征图
P6
，特征图
P6
与
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医疗废弃物暂存站异常行为实时检测方法，其特征在于，包括以下步骤：
S1
：收集医疗废弃物暂存站异常行为图像，建立异常行为检测数据集；
S2
：使用
MobileNetV3
网络结构代替传统
Yolo V7
的
Backbone
模块，使用改进
NAS
‑
FPN
网络和
CoAtNet
网络代替传统
Yolo V7
的
Neck
模块，构建基于改进
Yolo V7
的快速医疗废弃物异常行为检测模型；
S3
：利用异常行为数据集对检测模型进行训练，获得异常行为实时检测的深度学习模型；
S4
：基于医疗废弃物暂存站实时采集的视频图像，进行预处理，将图像尺寸统一化；
S5
：将预处理后的待检测图像输入深度学习模型进行异常行为实时检测，并对异常行为实时预警
。2.
根据权利要求1所述的一种基于深度学习的医疗废弃物暂存站异常行为实时检测方法，其特征在于：替换后
Backbone
模块包括输入层
、
卷积层和8个
Bottleneck
单元，每个
Bottleneck
单元包括的
Bottleneck
模块数量依次为1，2，3，4，3，3，2，2；选取三个
Bottleneck
单元提取的特征作为
Backbone
的输出特征
。3.
根据权利要求2所述的一种基于深度学习的医疗废弃物暂存站异常行为实时检测方法，其特征在于：选取第
4、
第6和第8个
Bottleneck
单元提取的特征作为替换后
Backbone
模块的输出特征
。4.
根据权利要求3所述的一种基于深度学习的医疗废弃物暂存站异常行为实时检测方法，其特征在于：
Bottleneck
模块包括依次连接的1×1卷积层
、BN
批归一化层
、
激活函数层
、DConv
深度可分离卷积层
、BN
批归一化层
、ReLU
激活函数和1×1卷积层
。5.
根据权利要求4所述的一种基于深度学习的医疗废弃物暂存站异常行为实时检测方法，其特征在于：在第3，第4，第7，第8个
Bottleneck
单元的
ReLU
激活函数和1×1卷积之间增加一个
SE
通道注意力机制网络；在第5，第6，第7，第8的
Bottleneck
单元中的激活函数层使用
h
‑
swish
激活函数，其余
Bottleneck
单元中的激活函数层使用
ReLU6
激活函数
。6.
根据权利要求5所述的一...

【专利技术属性】
技术研发人员：吴紫恒，李勇涛，王兵，马小陆，李聪，赵远，汪文艳，卢琨，
申请(专利权)人：安徽工业大学，
类型：发明
国别省市：