[发明专利]基于深度学习的医用配件组装检测方法及装置

权利要求书

1.一种基于深度学习的医用配件组装检测方法，其特征在于，所述检测方法包括以下步骤：

步骤1：医用配件通过输送通道输送至移动接料座，相机下降至第一预设位并转至第一预设状态；

步骤2：相机采集接料图像并同步至处理模块，处理模块对接料图像预处理；

步骤3：处理模块将预处理后的接料图像输入医用配件输送目标检测网络，根据输出的目标类别判断医用配件是否到达接料座；若是，则执行步骤4，否则返回步骤2；

步骤4：第二夹取机构向下移动夹取导管一端后上升至与插管处于同一水平线，同时移动接料座水平移动至第一夹取机构正下方，第一夹取机构向下移动夹取医用配件至插杆和导管间，执行步骤5；

步骤5：相机移动至第二预设位采集医用配件图像后，转至第二预设状态采集导管端口图像，同步医用配件图像和导管端口图像至处理模块，执行步骤6；

步骤6：处理模块对医用配件图像和导管端口图像进行预处理后作为医用配件组装目标检测网络输入，分别得到医用配件图像的目标框和目标类别以及导管端口图像的目标框和目标类别，执行步骤7；

步骤7：判断目标框的位置与预设真实框位置是否一致，若是，则相机回到初始位，对医用配件进行组装；否则调整第一夹取机构高度并返回步骤5。

2.如权利要求1所述的一种基于深度学习的医用配件组装检测方法，其特征在于，医用配件输送目标检测网络的获取包括以下步骤：

步骤A1：通过相机获取输送通道输送医用配件至移动接料座的输送视频，逐帧读取输送视频并保存成帧图像；

步骤A2：人为对任一帧图像中的医用配件部分设置目标框和目标类别，所述目标类别为医用配件是否到达移动接料座；

步骤A3：对任一帧图像进行预处理后，将所有预处理后的帧图像及对应的目标框和目标类别保存成第一数据集；

步骤A4：通过第一数据集对CenterNet卷积神经网络模型进行训练，得到医用配件输送目标检测网络。

3.如权利要求1所述的一种基于深度学习的医用配件组装检测方法，其特征在于，所述医用配件组装目标检测网络的获取包括以下步骤：

步骤B1：将医用配件和导管端口调节至不与插管处于同一直线，在第二预设位采集若干医用配件图像，在第二预设状态采集若干导管端口图像；

步骤B2：将医用配件和导管端口调节至与插杆处于同一直线，在第二预设位采集若干医用配件图像，在第二预设状态采集若干导管端口图像；

步骤B3：人为对医用配件图像中的医用配件部分设置目标框和目标类别，对导管端口图像中的导管端口部分设置目标框和目标类别，所述目标类别为医用配件或导管端口；

步骤B4：将医用配件图像和导管端口图像进行预处理，将预处理后的医用配件图像、导管端口图像及对应的目标框和类别保存为第二数据集；

步骤B5：通过第二数据集对CenterNet卷积神经网络模型进行训练，得到医用配件组装目标检测网络。

4.如权利要求1所述的一种基于深度学习的医用配件组装检测方法，其特征在于，所述预处理包括图像灰度化和图像滤波去噪处理。

5.如权利要求4所述的一种基于深度学习的医用配件组装检测方法，其特征在于，对图像的RGB分量以对应的权值进行加权平均，得到灰度图像。

6.如权利要求5所述的一种基于深度学习的医用配件组装检测方法，其特征在于，将任一灰度图像采用自适应平滑滤波去噪。

7.一种应用权利要求1-6任一项所述基于基于深度学习的医用配件组装检测方法的装置，其特征在于，包括输送通道，输送通道的下料口配合设有移动接料座，移动接料座上方配合设有第一夹取机构，第一夹取机构通过第一升降机构与一支撑横板固定连接，支撑横板两端分别设有导向架和第二升降机构，导向架上设有导向孔，导向架配合导向通孔设有插杆，第二升降机构与第二夹取机构连接，第二夹取机构与导管一端配合设置；第二夹取机构和第一夹取机构间的支撑横板固定连接有旋转升降架，旋转升降架连接有相机。