本發明基于級聯深度學習方法的骨科耗材檢測方法及系統，包括：獲取訓練用的骨科耗材圖像數據，在訓練用的骨科耗材圖像中，人工標注待檢測骨科耗材物體的位置；利用至少兩種檢測器對人工標注后的訓練用的圖像進行檢測，檢測過程分為兩個過程，先利用檢測器進行骨科耗材外盒的檢測，再利用檢測器進行骨科耗材的檢測；將數據集輸入到骨科耗材外盒深度學習模型中，對深度學習模型進行訓練，得到訓練好的深度學習模型；基于訓練好的骨科耗材外盒深度學習模型和骨科耗材深度學習模型，對新的骨科耗材圖像進行檢測，獲得新的待檢測骨科耗材圖像檢測結果。

技術領域

本發明屬于人工智能技術領域，涉及一種基于深度學習方法的骨科耗材檢測方法及系統。

背景技術

目標檢測即在圖片中找出感興趣的目標，并且確定其位置和類別。目標檢測技術發展至今，主要有兩類方法：傳統的經典目標檢測方法以及人工智能相關的深度學習方法。

傳統目標檢測方法主要是三個步驟：①區域選擇②特征提取③分類器。在實現本公開的過程中，發明人發現經典技術中存在以下技術問題：

在區域選擇過程中，由于目標可能出現在圖像任何位置，并且目標的大小，長寬比例也不能確定，所以最初采用的是滑窗法（Sliding Window）的策略對整幅圖像進行遍歷。但是其缺點包括：時間的復雜度太高，并且產生了太多冗余的不必要窗口，也會嚴重影響后續特征提取和分類的速度和性能。

在特征提取中，通常使用SIFT, HOG特征，但是由于目標形態多樣性、光照變化多樣性、背景多樣性等原因會導致目標檢測的效果不是很理想。會導致提取的特征難以對圖片進行準確的描述，需要尋找特定的特征提取方法，才能提高檢測的準確性。

在分類器中，主要使用SVM, Adaboost分類器等。但是這些方法需要根據特定的場景選擇特定的參數，而且沒有統一的選擇標準。綜上所述，目前該技術存在的主要問題是：針對圖像中的骨科耗材位置標定和分類檢測問題，如何在此問題上展開工作，從而實現快速準確的目標檢測。

發明內容

為了解決現有技術的不足，本公開提供了基于級聯深度學習方法的骨科耗材檢測方法及系統，在數據較少且目標和背景相似度較高但應用場景較為單一的情況下，神經網絡由于具有一定的魯棒性，其依然可以達到比較好的檢測效果。

為了達到上述目的，本發明是采用下述的技術方案實現的：

一種基于級聯深度學習方法的骨科耗材檢測方法，包括如下步驟：

步驟1：數據準備

獲取訓練用的骨科耗材圖像數據，在訓練用的骨科耗材圖像中，人工標注待檢測骨科耗材物體的位置。同時使用數據增強的方法對標注的數據集進行擴充。方法如：模糊、去噪、平移等。

步驟2：骨釘盒子類別分類器訓練

利用訓練好的外盒檢測器K近鄰進行骨科耗材外盒的檢測。其中，需要將耗材外盒的數據集輸入到骨科耗材外盒深度學習模型中，對深度學習模型進行訓練，得到訓練好的外盒檢測模型。

步驟3：YOLOv3模型訓練

將步驟1中準備的人工標注數據集輸入到骨科耗材內容深度學習模型YOLOv3中，對深度學習模型進行訓練，得到訓練好的骨科耗材內容精細檢測模型。對骨釘盒中的骨釘位置、數量、類別同時輸出。

步驟4：模型使用

基于訓練好的骨科耗材外盒深度學習模型和骨科耗材深度學習模型，對新的骨科耗材圖像進行檢測。將待識別的骨釘盒圖片輸出網絡，經過骨釘盒類別分類，可以得到骨釘盒類別。此時加載YOLOv3訓練好的模型權重，對骨釘盒中的骨釘位置、數量、類別進行判定，從而獲得新的待檢測骨科耗材圖像檢測結果。

與現有技術相比，本發明的優點和積極效果在于：