基于YOLO框架的医用创可贴瑕疵识别与分拣研究

发布时间：2020-07-18 03:38

【摘要】：随着社会人力成本和自动化水平日益提高,对瑕疵医用创可贴进行自动化分拣研究具有重要的理论价值和实践意义。通过梳理分析相关文献资料发现瑕疵医用创可贴自动分拣存在以下难点:第一难以有效识别和定位医用创可贴;第二难以有效分类瑕疵医用创可贴。本研究综合改进后的YOLO-U网络和瑕疵医用创可贴二次分类算法,解决了分拣难点且通过实验实现了瑕疵医用创可贴的自动分拣。具体研究工作如下:第一,针对医用创可贴难以识别和定位的问题,本研究以YOLO框架为骨架,在YOLO v2-tiny网络的基础上提出YOLO-U网络,运用YOLO-U网络回归出医用创可贴的位置、类别以及置信度。为了提高医用创可贴的识别率和准确定位医用创可贴的位置,YOLO-U网络采用了二次特征提取的方式以获得更多细节特征,即改变YOLO v2-tiny的架构,在原有全程3*3大小卷积核的网络中加入了多层卷积层,且在每一层卷积层中采用批量归一化的方法规范模型。实验结果显示:YOLO-U网络识别定位的误差(Loss)低于YOLO v2-tiny网络的识别定位误差;YOLO-U网络输出的预测框与真实框之间的契合度(IOU)高于YOLO v2-tiny网络;YOLO-U网络的实时性在训练集中达到了19.0264ms,相比YOLO v2-tiny网络减少了2.2236ms;YOLO-U网络在1000张测试样本中达到了98.3%的识别率,高于YOLO v2-tiny网络与Faster RCNN网络的识别率。第二,针对难以有效分类瑕疵医用创可贴的问题,本研究提出了瑕疵医用创可贴二次分类算法,该算法通过二次分类分别解决了药芯漏贴、药芯倾斜和药芯污染的问题。对药芯漏贴问题,提出了一种变权值通道算法。该算法在相关性计算时改变了通道占比值,设定阈值,每个样本根据置信度进行第一次药芯漏贴分类。对于药芯倾斜和药芯污染问题,提出了一种先倾斜矫正识别后采用拓扑学数学知识分析轮廓的方法。该方法采用改进的霍夫变换原理对样本进行倾斜矫正,然后采用基于拓扑分析的轮廓算法返回药芯坐标点,并获取药芯区域。根据设定的坐标差阈值和药芯区域阈值对样本进行第二次药芯倾斜和药芯污染分类。实验结果显示:该二次分类算法比经典二分类SVM算法具有更高的分类准确率且在测试样本中的分类准确率达94.67%。第三,为验证算法的准确性和瑕疵医用创可贴自动分拣的可实施性,进行了瑕疵医用创可贴分拣方案设计,包括分拣机器人结构的选择、结构简化、正运动求解、逆运动求解、硬件部分选型、视觉系统标定以及分拣实验。其中分拣机器人视觉系统标定主要确定了摄像头、分拣机器人以及医用创可贴的相对位置;分拣实验采用了真错误率、假错误率和错误率三个指标分析了分拣瑕疵医用创可贴的准确性。实验数据显示:经YOLO-U网络和二次分类算法融合后,在传送带速度为0.0167m/s时,分拣错误率为6.3%。
【学位授予单位】：浙江师范大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TH77;TP18
【图文】：

示意图,框架,候选框,示意图

图 1.1 RCNN 框架示意图[7]CNN 的实现主要分为三步：第一步输入图片，获取候选框，候选框大约 2采用卷积神经网络对每一个候选框提取特征；第三步采用 SVM[12]分类框的特征进行分类以确定类别。在这一实现过程中，RCNN 网络的创新

示意图,示意图

图 2.4 人工标注示意图<folder>bandaid</folder><filename>2088.jpg</filename>12 < pose>Unspecified</pose>13 <truncated>0</truncated>14 <difficult>0</difficult>

曲线图,损失函数,曲线图,创可贴

c)batch为24 d)batch为32图 2.6 YOLO-U 网络在不同 batch 值情况下损失函数曲线图2.3 YOLO-U 网络识别和定位医用创可贴

【相似文献】