CN112345520B - 基于深度学习的医用配件组装检测方法及装置 - Google Patents

基于深度学习的医用配件组装检测方法及装置 Download PDF

Info

Publication number
CN112345520B
CN112345520B CN202011037441.0A CN202011037441A CN112345520B CN 112345520 B CN112345520 B CN 112345520B CN 202011037441 A CN202011037441 A CN 202011037441A CN 112345520 B CN112345520 B CN 112345520B
Authority
CN
China
Prior art keywords
medical accessory
image
target
frame
catheter port
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011037441.0A
Other languages
English (en)
Other versions
CN112345520A (zh
Inventor
张石清
赵小明
杨本全
林军华
徐峰
罗坚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taizhou University
Original Assignee
Taizhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Taizhou University filed Critical Taizhou University
Priority to CN202011037441.0A priority Critical patent/CN112345520B/zh
Publication of CN112345520A publication Critical patent/CN112345520A/zh
Application granted granted Critical
Publication of CN112345520B publication Critical patent/CN112345520B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23P—METAL-WORKING NOT OTHERWISE PROVIDED FOR; COMBINED OPERATIONS; UNIVERSAL MACHINE TOOLS
    • B23P21/00—Machines for assembling a multiplicity of different parts to compose units, with or without preceding or subsequent working of such parts, e.g. with programme control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/845—Objects on a conveyor
    • G01N2021/8455—Objects on a conveyor and using position detectors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Analytical Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Mechanical Engineering (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于CenterNet卷积神经网络模型的医用配件组装检测方法及装置，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；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；相机采集医用配件图像和导管端口图像至处理模块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，判断目标框的位置与预设真实框位置是否一致；针对输液器医用配件组装过程中的物料是否到位、定位难的问题，实现了精准定位与组装，提高了视觉检测的准确性，有效地提高了产品生产效率。

Description

基于深度学习的医用配件组装检测方法及装置
技术领域
本发明属于医疗器械和深度学习技术领域，具体来说涉及一种基于深度学习的医用配件组装检测方法及装置。
背景技术
一次性输液器的组装过程中，部分医用配件（如流速调节器）需要穿过导管进行组装。现有输液器医用配件组装技术大多预先设置固定的插杆，然后插杆需要穿过医用配件直到导管上。这种医用配件组装方式对于导向定位要求较高。一旦出现位置偏差，就很容易造成插杆与医用配件、导管发生碰撞，从而损坏输液器的组装。
在进行输液器医用配件组装之前，需要检测医用配件上料是否到位。在这方面传统采用的方法是光纤检测，但光纤检测成本较高，为了降低成本，大多采用重力平衡法来检测，但这一方法对平衡性要求较高，而且平衡性差也会降低检测精度。
发明内容
本发明的目的之一在于提供一种基于深度学习的医用配件组装检测方法及装置，以解决背景技术中现有的医用配件组装所采用的光纤检测成本较高以及重力平衡法检测时平衡性要求较高的问题。
为实现上述目的，本发明提供技术方案如下：
一种基于深度学习的医用配件组装检测方法，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。
优选地，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。
优选地，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。
优选地，所述预处理包括图像灰度化和图像滤波去噪处理。
优选地，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。
优选地，将任一灰度图像采用自适应平滑滤波去噪。
一种输液器医用配件组装检测装置，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。
与现有技术相比，本发明的有益效果为：
本发明区别于现有的输液器医用配件组装检测系统，采用了一种基于CenterNet卷积神经网络模型的视觉检测方法进行检测，针对输液器医用配件组装过程中的物料是否到位、定位难的问题，实现了精准定位与组装，提高了视觉检测的准确性，有效地提高了产品生产效率，突破了医用耗材领域输液器医用配件穿管组装的技术难题，提高了输液器医用配件组装的合格率。
附图说明
图1为本发明流程图。
图2为本发明结构示意图。
附图说明：1-输送通道、2-插杆、3-第一夹取机构、4-第一升降机构、5-导管、6-相机、7-医用配件、8-移动接料座、9-支撑横板、10-旋转升降架、11-第二升降机构、12-第二夹取机构、13-导向架。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种输液器医用配件组装检测装置，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。
本发明中，举例来说，该输送通道为传送带，输送通道的左端为上料口，右端则为下料口；移动接料座用于接收输送通道的下料口的医用配件后移动至夹取机构的正下方，举例来说，该移动接料座为接料座和移动机构的组合，该移动机构可以为无杆气缸或者其他水平移动机构，无杆气缸水平设置且该无杆气缸的移动座与接料座固定连接使得接料座可水平移动。本领域技术人员需要了解到，第一夹取机构及第一升降机构的具体设置、第二夹取机构及第二升降机构的具体设置为本领域公知常识，本领域技术人员可根据实际情况自行设置。导向架上的导向孔从左往右横向设置，插杆右端与导向孔配合设置；第二夹持机构用于夹持导管一端，第二升降机构用于对导管进行上下移动；旋转升降架与相机连接用于对相机上下移动并水平转动相机，举例来说，该旋转升降架包括电机和电动伸缩杆，电机固定设置在支撑横板上，电机转轴与电动伸缩杆连接，相机则固定连接在电动伸缩杆底端。
本发明中，处理模块的输出端分别与无杆气缸的控制端、第一升降机构的控制端、第二升降机构的控制端、第一夹持机构的控制端、第二夹持机构的控制端、旋转升降架的控制端等电连接，各控制端控制对应的机构运转，至于处理模块如何控制控制端对对应的机构进行运转，此为本领域公知常识，本领域技术人员可根据实际情况自行设置。
一种基于深度学习的医用配件组装检测方法，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；
本发明中，初始位的相机高度高于插杆的高度且相机摄像头朝右设置，医用配件从输送通道的左端上料并需要传送至移动接料座；第一预设位高度低于插杆所在水平线，该第一状态为相机的摄像头朝向左侧设置，因此相机需要通过旋转升降架下降至第一预设位并通过旋转升降架旋转预设角度至相机摄像头朝左。
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；
本发明中，该处理模块为电脑；相机设置在移动接料座右上方，相机采集的接料图像也即关于移动接料座的左视图；相机采集接料图像并传输给处理模块，处理模块需要对接料图像进行预处理后得到预处理后的接料图像。
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；
本发明中，将预处理后的接料图像输入医用配件输送目标检测网络进行目标检测，即可得到接料图像中医用配件部分的目标框及目标类别，若目标类别是“已到达”，则需要将移动接料座上的医用配件夹取至与插杆和导管处于同一直线以便于医用配件的组装，具体为步骤4-7；若目标类别为“未到达”，则说明医用配件为到达移动接料座，则要返回步骤2继续采集接料图像进行目标检测直至医用配件到达移动接料座。
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；
本发明中，由于第一夹取机构仅能通过第一升降机构上下移动，因此移动接料座需要移动至夹取机构的正下方以便于第一夹取机构夹取医用配件；第一夹取机构夹取医用配件并向上移动。
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；
本发明中，需要了解到的是，相机是在通过第一升降机构向上移动至与插杆处于同一水平线，此时相机摄像头正对第一夹持机构上的医用配件；这里的第二预设状态是相机摄像头正对导管端口状态；相机获取的医用配件图像是关于医用配件的右视图、导管端口图像是关于导管端口的左视图；这里需要注意的是，采集的医用配件图像和导管端口图像均只有一幅。
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；
本发明中，需要注意的是，医用配件图像输入到医用配件组装目标检测网络中，输出得到的是医用配件图像中医用配件部分的目标框和目标类别。导管端口图像输入到医用配件组装目标检测网络中，输出得到的是导管端口图像中导管端口部分的目标框和目标类别。
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，则相机通过旋转升降机构回到初始位，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。
本发明步骤7中，该预设真实框位置包括两个，分别为第二数据集中医用配件图像中医用配件的目标框的位置，以及第二数据集中导管端口图像中导管端口的目标框的位置；该“判断目标框的位置与预设目标框位置是否一致”具体为判断医用配件图像中医用配件部分的目标框位置与第二数据集中医用配件图像中医用配件的目标框的位置是否一致，以及判断导管端口图形中导管端口部分的目标框位置与第二数据集中导管端口图像中导管端口部分的目标框的位置是否一致。
本发明步骤7中，通过升降机构调整夹取机构高度从而调整医用配件，使医用配件和插管、导管端口处于同一水平线。
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。
本发明步骤A2中，通过labeling对帧图像设置目标框和目标类别，具体而言，这里的目标框就是医用配件部分所在的边界框，该边界框为矩形，该具体的目标类别为“已到达”或者“未到达”；通过labeling设置目标框和目标类别，形成xml文件，也即一帧图像对应一xml文件，所有xml文件和对应的预处理后的帧图像组成了第一数据集。
本发明步骤A4中，如何通过第一数据集对CenterNer卷积神经网络模型进行训练，为本领域的公知常识，本领域技术人员可根据实际情况自行设置。
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。
本发明步骤B2中，所述的“将医用配件和导管端口调节至与插管处于同一位置”为调节第一升降机构和第二升降机构，使第一夹持机构上的医用配件能与第二夹持机构上的导管端口、插杆处于同一水平线。
本发明步骤B3中，也通过Labeling分别对任一医用配件图像、导管端口图像设置目标框和目标类别，这里的具体目标类别则是“导管端口”或者“医用配件”。
本发明中，所得到的预处理包括图像灰度化和图像滤波去噪处理。
图像灰度化是对图像的RGB分量以对应的权值进行加权平均，得到灰度图像，公式为： Gray(i，j)＝0.299*R(i，j)+0.578*G(i，j)+0.114*B(i，j)，其中(i，j)表示对应图像中任一像素的坐标。
图像滤波去噪处理则为将任一灰度图像采用自适应平滑滤波去噪，过程如下：
当图像灰度值用二维信号f(k)(m，n)表示时，其中m为灰度图像点的横坐标变量；n为灰度图像点的纵坐标变量，
(1)令k＝0，迭代次数K＝5，并设置参数h的值；
(2)计算梯度和/>
(3)计算滤波器的权系数
(4)对f(k)(m，n)进行加权平均
(5)k等于K否，如果k＝K，则结束迭代；否则k＝K+1，转步骤(2)。
由上可知，自适应平滑方法的基本思想是采用一个局部加权模板与灰度图像信号进行迭代卷积(迭代次数一般是固定的)，这一过程具有各向异性扩散的性质，在每次迭代时各个像元点的加权系数是改变的，它是该像元点的梯度函数。同时滤波器的加权系数还依赖于参数h，该参数控制了在迭代过程中所要保留下来的突变点的幅度。总之，加权系数反映了图像灰度值连续性的程度。经过多次迭代后，滤波器的输出图像变为由若干均匀强度区城所组成，且这些区城之间存在很好的边缘。因此，自适应平滑具有两个明显的作用:一是锐化了区城边缘；二是使区城内部得到平滑。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (7)

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。
CN202011037441.0A 2020-09-28 2020-09-28 基于深度学习的医用配件组装检测方法及装置 Active CN112345520B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011037441.0A CN112345520B (zh) 2020-09-28 2020-09-28 基于深度学习的医用配件组装检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011037441.0A CN112345520B (zh) 2020-09-28 2020-09-28 基于深度学习的医用配件组装检测方法及装置

Publications (2)

Publication Number Publication Date
CN112345520A CN112345520A (zh) 2021-02-09
CN112345520B true CN112345520B (zh) 2024-02-13

Family

ID=74361068

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011037441.0A Active CN112345520B (zh) 2020-09-28 2020-09-28 基于深度学习的医用配件组装检测方法及装置

Country Status (1)

Country Link
CN (1) CN112345520B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113770674A (zh) * 2021-09-18 2021-12-10 中国工程物理研究院机械制造工艺研究所 一种装配装置和装配方法
CN114280319B (zh) * 2021-12-24 2022-12-13 深圳普门科技股份有限公司 分析仪及其安装方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103196370A (zh) * 2013-04-01 2013-07-10 北京理工大学 一种导管接头空间位姿参数的测量方法和装置
CN103191516A (zh) * 2013-04-28 2013-07-10 台州迈得医疗工业设备股份有限公司 一种医用导管和医用零配件的组装方法及其装置
CN106041525A (zh) * 2016-07-20 2016-10-26 梁启明 一种输液器自动装配装置
CN205919784U (zh) * 2016-07-20 2017-02-01 梁启明 一种导管检测装置
CN109175935A (zh) * 2018-10-22 2019-01-11 迈得医疗工业设备股份有限公司 医用物料组装装置
CN109977945A (zh) * 2019-02-26 2019-07-05 博众精工科技股份有限公司 基于深度学习的定位方法和系统
CN111272071A (zh) * 2020-03-06 2020-06-12 迈得医疗工业设备股份有限公司 导管组装到位检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102011054452A1 (de) * 2011-10-13 2013-04-18 How To Organize (H2O) Gmbh Vorrichtung und Verfahren zum Zusammenstellen von Instrumentensets

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103196370A (zh) * 2013-04-01 2013-07-10 北京理工大学 一种导管接头空间位姿参数的测量方法和装置
CN103191516A (zh) * 2013-04-28 2013-07-10 台州迈得医疗工业设备股份有限公司 一种医用导管和医用零配件的组装方法及其装置
CN106041525A (zh) * 2016-07-20 2016-10-26 梁启明 一种输液器自动装配装置
CN205919784U (zh) * 2016-07-20 2017-02-01 梁启明 一种导管检测装置
CN109175935A (zh) * 2018-10-22 2019-01-11 迈得医疗工业设备股份有限公司 医用物料组装装置
CN109977945A (zh) * 2019-02-26 2019-07-05 博众精工科技股份有限公司 基于深度学习的定位方法和系统
CN111272071A (zh) * 2020-03-06 2020-06-12 迈得医疗工业设备股份有限公司 导管组装到位检测方法

Also Published As

Publication number Publication date
CN112345520A (zh) 2021-02-09

Similar Documents

Publication Publication Date Title
CN112345520B (zh) 基于深度学习的医用配件组装检测方法及装置
CN104122077B (zh) 无限共轭光路测量光学镜头的调制传递函数的方法及装置
CN214747771U (zh) 零部件自动检测设备
CN109514218B (zh) 一种蜗杆装配检测装置
CN217359566U (zh) 一种齿轮缺陷检测装置
CN108759676A (zh) 基于棋盘格的传动箱端面大尺寸形位公差检测装置与方法
CN113252224B (zh) 一种磁拉力检测方法及设备
CN208432196U (zh) 一种电芯厚度检测装置
CN207456400U (zh) 一种冲压回弹检测装置
CN112414681B (zh) 一种智能无线通信设备安装检测方法
CN204424310U (zh) 一种带取料机构的led插件机
CN206573084U (zh) 一种用于跳动检测的传感机构
CN114354139A (zh) 一种检测显示屏用自动采集设备及其采集方法
CN203748112U (zh) 充电器线路板检测与贴标组合式设备
CN221445894U (zh) 一种两分裂导线耐张线夹检测设备
CN219957385U (zh) 一种aoi检测设备的宽度调整装置
CN221549641U (zh) 一种锂电池全自动性能检测设备
CN110926776A (zh) 一种拖拉机电控液压悬挂系统提升能力检测装置及检测方法
CN221260779U (zh) 一种人造板表面缺陷检测装置
CN207752039U (zh) 一种用于变速箱线束的线束总成检测台
CN110455499A (zh) 一种成像相机mtf测试装置及方法
CN212963207U (zh) 基准尺高度调节机构
CN217688430U (zh) 一种液滴采集测量装置
TWI832592B (zh) 貼膜設備以及貼膜設備之調節方法
CN108061535A (zh) 玻镁板厚度及不平度在线测量装置及使用方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant