一种基于深度学习检测小目标的方法和系统技术方案

本发明专利技术属于人工智能辅助医疗技术领域，具体涉及一种基于深度学习检测小目标的方法和系统。本发明专利技术中，基于深度学习检测小目标的方法包括如下步骤：步骤1，输入待检测小目标的图像数据；步骤2，将所述图像数据输入深度学习网络模型，识别出待检测小目标的位置和/或类型；所述深度学习网络模型是改进的Yolo网络，改进的方式包括：将Backbone中所有C3模块中引入了SE注意力机制。本发明专利技术还将上述改进的Yolo网络与其他神经网络模型结合，构建了眼科手术器械检测方法。本发明专利技术为提升眼科手术安全性和效率提供了全新的检测方案，同时也为未来手术室内自动化管理系统的发展奠定了坚实的基础，具有很好的应用前景。

【技术实现步骤摘要】

本专利技术属于人工智能辅助医疗，具体涉及一种基于深度学习检测小目标的方法和系统。

技术介绍

1、手术器械在医疗手术中扮演着至关重要的角色，确保手术的顺利进行和患者的安全。然而，由于手术器械的频繁使用和清洁、消毒过程中的不恰当，器械可能出现各种缺损，如断裂或变形等。这些缺损可能会影响器械的性能，增加手术风险，甚至可能导致手术失败。

2、传统的手术器械检查方法通常依赖于人工视觉检查，这不仅耗时且效率低下，还存在主观性和误判的风险。随着人工智能和计算机视觉技术的快速发展，自动化的手术器械缺损检测系统逐渐受到了关注。这些系统可以快速、准确地检测和识别手术器械上的缺损，提高检查的效率和准确性。

3、garcía-peraza-herrera等人在2016年提出用于微创手术中手术器械检测和跟踪的算法。该算法在微创手术的低速视频数据集中准确率达到88.3％。alshirbaji等人在2020年将卷积神经网络与两种长短期记忆模型相结合，该方法在原始腹腔镜视频中检测手术器械的精确度达到了91％。kitaguchi等人开发了一种能够同时识别腹腔镜结直肠本文档来自技高网...

【技术保护点】

1.一种基于深度学习检测小目标的方法，其特征在于，包括如下步骤：

2.按照权利要求1所述的基于深度学习检测小目标的方法，其特征在于：所述图像数据为灰度图像；

3.按照权利要求2所述的基于深度学习检测小目标的方法，其特征在于：所述Yolov5网络改进的方式还包括：在Neck层中，在第18层将40*40的特征图通过卷积层扩大为80*80特征图；在第19层进行上采样，将80*80特征图扩大为160*160特征图；在第20层，将第19层获得的160*160特征图与Backbone中第2层的160*160特征图进行融合，生成一个160*160的特征图；</p>

4.按照...

【技术特征摘要】

1.一种基于深度学习检测小目标的方法，其特征在于，包括如下步骤：

2.按照权利要求1所述的基于深度学习检测小目标的方法，其特征在于：所述图像数据为灰度图像；

3.按照权利要求2所述的基于深度学习检测小目标的方法，其特征在于：所述yolov5网络改进的方式还包括：在neck层中，在第18层将40*40的特征图通过卷积层扩大为80*80特征图；在第19层进行上采样，将80*80特征图扩大为160*160特征图；在第20层，将第19层获得的160*160特征图与backbone中第2层的160*160特征图进行融合，生成一个160*160的特征图；

4.按照权利要求3所述的基于深度学习检测小目标的方法，其特征在于：改进的yolov5网络的层次设计如下表所示：

5.按照权利要求...

【专利技术属性】
技术研发人员：钟捷，成洪壮，李杰，李春秀，沈亚丹，宁欣茹，任怡菲，王友，董文韬，王茜，刘逸，陈丽，凌若岚，陈思竹，易航锦，徐明鑫，杨航，冷思雨，
申请(专利权)人：四川省医学科学院·四川省人民医院，
类型：发明
国别省市：