[发明专利]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

说明书

本发明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。

技术领域

本发明涉及目标检测技术领域，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。

背景技术

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。

目前研究的手术器械自动清点的方法主要有基于RFID(Radio FrequencyIdentification)、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重等不足，不适用于在仓储环境清点中配备的边缘计算设备中部署和使用。

为了实现在计算资源有限的设备上部署并使用算法，在不显著影响识别精度的前提下，通过压缩和加速来实现模型的轻量化也尤为重要，因此，为了实现仓储环境下器械清点模型的边缘设备部署和使用，发明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意义重大。

发明内容

本发明目的是提供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，对基于Swin Transformer的目标检测模型进行模型压缩，在减少运算量和参数量的前提下保证模型的精度。

为了实现上述目的，本发明采用了如下技术方案：

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、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。

优选地，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。

优选地，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；