CN115737102B - 激光切割装配式胃转流支架及其制备方法 - Google Patents
激光切割装配式胃转流支架及其制备方法 Download PDFInfo
- Publication number
- CN115737102B CN115737102B CN202310035389.2A CN202310035389A CN115737102B CN 115737102 B CN115737102 B CN 115737102B CN 202310035389 A CN202310035389 A CN 202310035389A CN 115737102 B CN115737102 B CN 115737102B
- Authority
- CN
- China
- Prior art keywords
- feature
- training
- assembled
- matrices
- gastric
- 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
Links
- 230000002496 gastric effect Effects 0.000 title claims abstract description 187
- 238000003698 laser cutting Methods 0.000 title claims abstract description 79
- 238000002360 preparation method Methods 0.000 title abstract description 30
- 238000013461 design Methods 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims description 147
- 239000011159 matrix material Substances 0.000 claims description 103
- 238000001514 detection method Methods 0.000 claims description 78
- 238000013527 convolutional neural network Methods 0.000 claims description 51
- 238000000034 method Methods 0.000 claims description 40
- 238000009826 distribution Methods 0.000 claims description 36
- 230000007246 mechanism Effects 0.000 claims description 35
- 238000003062 neural network model Methods 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 101100001674 Emericella variicolor andI gene Proteins 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 34
- 210000002784 stomach Anatomy 0.000 description 11
- HZEWFHLRYVTOIW-UHFFFAOYSA-N [Ti].[Ni] Chemical compound [Ti].[Ni] HZEWFHLRYVTOIW-UHFFFAOYSA-N 0.000 description 7
- 229910001000 nickel titanium Inorganic materials 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000008093 supporting effect Effects 0.000 description 5
- 239000000047 product Substances 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 210000001035 gastrointestinal tract Anatomy 0.000 description 3
- 238000009941 weaving Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 238000013467 fragmentation Methods 0.000 description 2
- 238000006062 fragmentation reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 208000008589 Obesity Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000009954 braiding Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000009940 knitting Methods 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- 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
- Media Introduction/Drainage Providing Device (AREA)
Abstract
本申请公开了一种激光切割装配式胃转流支架及其制备方法。其在所述激光切割装配式胃流转支架的制备过程中，对组装完成的激光切割装配式胃流转支架进行组装方式检测，以确保其以预定设计样式被组装。具体地，其将组装完成的激光切割装配式胃转流支架的六视图与激光切割装配式胃转流支架的设计参考六视图进行比较，并基于两者之间的差异作为判断组装完成的激光切割装配式胃转流支架是否以预定设计样式进行组装的依据。通过这样的方式，对组装完成的激光切割装配式胃转流支架是否以预定设计样式组装进行准确的判断。
Description
技术领域
本申请涉及智能检测技术领域，且更为具体地，涉及一种激光切割装配式胃转流支架及其制备方法。
背景技术
胃转流支架是一种用于临床肥胖治疗的医疗器械，其原理为：由于绝大多数营养由肠道吸收，胃转流支架通过一层生物相容性良好的薄膜覆盖在一部分肠道，达到食物与部分肠道隔绝，从而减少所摄入食物的吸收。
现有的胃转流支架采用圆丝编织和压转结构，其缺点在于转向和刺角度工艺稳定性不好。因此，期待一种具有优化结构的胃转流支架。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种激光切割装配式胃转流支架及其制备方法。其在所述激光切割装配式胃流转支架的制备过程中，对组装完成的激光切割装配式胃流转支架进行组装方式检测，以确保其以预定设计样式被组装。具体地，其将组装完成的激光切割装配式胃转流支架的六视图与激光切割装配式胃转流支架的设计参考六视图进行比较，并基于两者之间的差异作为判断组装完成的激光切割装配式胃转流支架是否以预定设计样式进行组装的依据。通过这样的方式，对组装完成的激光切割装配式胃转流支架是否以预定设计样式组装进行准确的判断。
根据本申请的一个方面，提供了一种激光切割装配式胃转流支架的制备方法，其包括：获取组装完成的激光切割装配式胃转流支架的六视图以及激光切割装配式胃转流支架的设计参考六视图，其中，所述组装完成的激光切割装配式胃转流支架的六视图为第一至第六检测图像，所述激光切割装配式胃转流支架的设计参考六视图为第一至第六参考图像；将所述第一至第六检测图像以及所述第一至第六参考图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六检测特征矩阵以及第一至第六参考特征矩阵；计算所述第一至第六检测特征矩阵以及所述第一至第六参考特征矩阵中每一组对应的特征矩阵之间的差分以得到第一至第六差分特征矩阵；将所述第一至第六差分特征矩阵分别通过预分类器以得到第一至第六概率值；以所述第一至第六概率值作为权重值对所述第一至第六差分特征矩阵进行加权以得到第一至第六校正后差分特征矩阵；将所述第一至第六校正后差分特征矩阵按照通道维度排列为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到关联特征图；和将所述关联特征图通过分类器以得到分类结果，所述分类结果用于表示组装完成的激光切割装配式胃转流支架是否以预定设计样式进行组装。
在上述的激光切割装配式胃转流支架的制备方法中，所述将所述第一至第六检测图像以及所述第一至第六参考图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六检测特征矩阵以及第一至第六参考特征矩阵，包括：所述使用空间注意力机制的第一卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵；以及计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵；其中，所述使用空间注意力机制的第一卷积神经网络模型的最后一层输出的所述特征矩阵为所述第一至第六检测特征矩阵和所述第一至第六参考特征矩阵。
在上述的激光切割装配式胃转流支架的制备方法中，所述计算所述第一至第六检测特征矩阵以及所述第一至第六参考特征矩阵中每一组对应的特征矩阵之间的差分以得到第一至第六差分特征矩阵，包括：以如下公式来计算所述第一至第六检测特征矩阵以及所述第一至第六参考特征矩阵中每一组对应的特征矩阵之间的按位置差分以得到所述第一至第六差分特征矩阵；其中，所述公式为：
其中，
和
分别表示所述第一至第六检测特征矩阵以及所述第一至第六参考特征矩阵中每一组对应的特征矩阵，
表示所述第一至第六差分特征矩阵，
表示按位置差分。
在上述的激光切割装配式胃转流支架的制备方法中，所述将所述第一至第六差分特征矩阵分别通过预分类器以得到第一至第六概率值，包括：使用所述预分类器以如下公式对所述第一至第六差分特征矩阵进行处理以得到所述第一至第六概率值；
其中，所述公式为：
，其中，
为所述第一至第六概率值，
和
为权重矩阵，
和
为偏置向量，
表示将所述第一至第六差分特征矩阵分别投影为向量。
在上述的激光切割装配式胃转流支架的制备方法中，所述将所述第一至第六校正后差分特征矩阵按照通道维度排列为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到关联特征图，包括：通过所述使用三维卷积核的第二卷积神经网络模型在层的正向传递中对输入数据分别进行基于所述三维卷积核的三维卷积处理、均值池化处理和非线性激活处理以由所述第二卷积神经网络模型的最后一层的输出所述关联特征图，其中，所述第二卷积神经网络模型的第一层的输入为所述三维特征张量。
在上述的激光切割装配式胃转流支架的制备方法中，所述将所述关联特征图通过分类器以得到分类结果，所述分类结果用于表示组装完成的激光切割装配式胃转流支架是否以预定设计样式进行组装，包括：将所述关联特征图投影为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
在上述的激光切割装配式胃转流支架的制备方法中，还包括训练步骤：对所述使用空间注意力机制的第一卷积神经网络模型、所述使用三维卷积核的第二卷积神经网络模型和所述分类器进行训练。
在上述的激光切割装配式胃转流支架的制备方法中，所述训练步骤，包括：获取训练数据，所述训练数据包括组装完成的激光切割装配式胃转流支架的六视图以及激光切割装配式胃转流支架的设计参考六视图，其中，所述组装完成的激光切割装配式胃转流支架的六视图为第一至第六检测图像，所述激光切割装配式胃转流支架的设计参考六视图为第一至第六参考图像；将所述第一至第六检测图像以及所述第一至第六参考图像分别通过所述使用空间注意力机制的第一卷积神经网络模型以得到第一至第六训练检测特征矩阵以及第一至第六训练参考特征矩阵；计算所述第一至第六训练检测特征矩阵以及所述第一至第六训练参考特征矩阵中每一组对应的特征矩阵之间的差分以得到第一至第六训练差分特征矩阵；将所述第一至第六训练差分特征矩阵分别通过所述预分类器以得到第一至第六训练概率值；
以所述第一至第六训练概率值作为权重值对所述第一至第六训练差分特征矩阵进行加权以得到第一至第六校正后训练差分特征矩阵；将所述第一至第六校正后训练差分特征矩阵按照通道维度排列为训练三维特征张量后通过所述使用三维卷积核的第二卷积神经网络模型以得到训练关联特征图；将所述训练关联特征图通过所述分类器以得到分类损失函数值；计算所述第一至第六校正后训练差分特征矩阵的多分布二元分类质量损失函数值；和以所述多分布二元分类质量损失函数值和所述分类损失函数值的加权和作为损失函数值对所述使用空间注意力机制的第一卷积神经网络模型、所述使用三维卷积核的第二卷积神经网络模型和所述分类器进行训练。
在上述的激光切割装配式胃转流支架的制备方法中，所述计算所述第一至第六校正后训练差分特征矩阵的多分布二元分类质量损失函数值，包括：以如下公式计算所述第一至第六校正后训练差分特征矩阵的多分布二元分类质量损失函数值；
其中，所述公式为：
其中，
到
是所述第一至第六校正后训练差分特征矩阵，
是参考矩阵，优选地设置为所述第一至第六校正后训练差分特征矩阵的均值矩阵，且
表示特征矩阵的分类结果，
表示向量的1范数。
根据本申请的另一方面，提供了一种激光切割装配式胃转流支架，所述激光切割装配式胃转流支架由上述任一所述的激光切割装配式胃转流支架的制备方法制得。
与现有技术相比，本申请提供的激光切割装配式胃转流支架及其制备方法，其在所述激光切割装配式胃流转支架的制备过程中，对组装完成的激光切割装配式胃流转支架进行组装方式检测，以确保其以预定设计样式被组装。具体地，其将组装完成的激光切割装配式胃转流支架的六视图与激光切割装配式胃转流支架的设计参考六视图进行比较，并基于两者之间的差异作为判断组装完成的激光切割装配式胃转流支架是否以预定设计样式进行组装的依据。通过这样的方式，对组装完成的激光切割装配式胃转流支架是否以预定设计样式组装进行准确的判断。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的激光切割装配式胃转流支架的结构示意图。
图2为根据本申请实施例的激光切割装配式胃转流支架的制备方法的场景示意图。
图3为根据本申请实施例的激光切割装配式胃转流支架的制备方法的流程图。
图4为根据本申请实施例的激光切割装配式胃转流支架的制备方法的架构示意图。
图5为根据本申请实施例的激光切割装配式胃转流支架的制备方法中步骤S170的子步骤流程图。
图6为根据本申请实施例的激光切割装配式胃转流支架的制备方法中进一步包括的训练步骤的流程图。
图7为根据本申请实施例的激光切割装配式胃转流支架的制备系统的框图。
图8为根据本申请实施例的激光切割装配式胃转流支架整体结构立体示意图。
图9为根据本申请实施例的激光切割装配式胃转流支架滑动卡槽与卡块位置关系立体示意图。
图10为根据本申请实施例的激光切割装配式胃转流支架整体结构剖视局部立体示意图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述：如上所述，现有的胃转流支架采用圆丝编织和压转结构，其缺点在于转向和刺角度工艺稳定性不好。针对上述技术问题，本申请的申请人提出了一种新型的胃流转支架：激光切割装配式胃流转支架，其通过激光切割工艺制备镍钛管和镍钛板，并通过机械连接结构将镍钛管和镍钛板进行机械连接以制得胃转流支架以代替传统的镍钛丝编织结构。如图1所示，图1为根据本申请实施例的激光切割装配式胃转流支架的结构示意图。
虽然通过激光切割装配式胃流转支架代替传统的镍钛丝编织结构，能够解决现有的镍钛丝编织结构转向和刺角度工艺稳定性不好等技术问题，但是因激光切割装配式胃流转支架的装配复杂，各个组件的形状较为相似，因此，在制备过程中，极易发生组装偏差（例如，某几个配件的位置发生错乱）而导致最终制得的激光切割装配式胃转流支架的成品与设计产品不一致，影响产品的良率。
基于此，在所述激光切割装配式胃流转支架的制备过程中，期待对组装完成的激光切割装配式胃流转支架进行组装方式检测，以确保其以预定设计样式被组装。具体地，在本申请的技术方案中，考虑到如果激光切割装配式胃流转支架被以不正确的方式组装，其最终产品所呈现出的表观样态与激光切割装配式胃流转支架的设计表观样态会存在差异，因此，在本申请的技术方案中，在将激光切割装配式胃转流支架组装完成后，将组装完成的激光切割装配式胃转流支架的六视图与激光切割装配式胃转流支架的设计参考六视图进行比较，并基于两者之间的差异作为依据来判断组装完成的激光切割装配式胃转流支架是否以预定设计样式进行组装。
具体地，在所述激光切割装配式胃转流支架的制备过程中，首先获取组装完成的激光切割装配式胃转流支架的六视图，定义为第一至第六检测图像，以及获得所述激光切割装配式胃转流支架的设计参考六视图，定义为第一至第六参考图像。
然后，将所述第一至第六检测图像和所述第一至第六参考图像分别通过使用空间注意力机制的卷积神经网络模型以得到第一至第六检测特征矩阵以及第一至第六参考特征矩阵。也就是，使用基于深度学习的卷积神经网络模型作为特征提取器来将所述第一至第六检测图像和所述第一至第六参考图像映射到高维特征空间中。值得一提的是，所述基于深度学习的卷积神经网络模型可通过预定训练策略来进行训练，以使得训练完成后的所述基于深度学习的卷积神经网络模型在进行特征提取的过程中，能聚焦于有利于分类判断的特征，而忽略其他无关特征。
特别地，在本申请的技术方案中，考虑到各个检测图像和各个参考图像的空间维度中各个像素点对于最终分类判断的置信度不同，为了提高空间可鉴别性，将空间注意力机制整合入所述卷积神经网络模型以形成所述使用空间注意力机制的第一卷积神经网络模型。
在得到所述第一至第六检测特征矩阵以及所述第一至第六参考特征矩阵后，计算所述第一至第六检测特征矩阵以及所述第一至第六参考特征矩阵中每一组对应的特征矩阵之间的差分以得到第一至第六差分特征矩阵，例如，计算第一检测特征矩阵与所述第一参考特征矩阵之间的差分以得到第一差分特征矩阵。也就是，以同一视角的特征矩阵之间的差分特征矩阵来表示所述组装完成的激光切割装配式胃转流支架和参考激光切割装配式胃转流支架在各个视角之间的差异。在本申请一个具体的示例中，可计算所述第一至第六检测特征矩阵以及所述第一至第六参考特征矩阵中每一组对应的特征矩阵之间的按像素位置差分以得到所述第一至第六差分特征矩阵。
在本申请的技术方案中，考虑到各个局部视角之间的特征分布差异对于最终的分类判断的贡献度不同，而引入贡献度信息可提高最终分类判断的精准度。具体地，在本申请的技术方案中，采用预分类思想来度量各个局部视角之间的特征分布差异对于最终分类判断的贡献度。也就是，将所述第一至第六差分特征矩阵分别通过预分类器以得到第一至第六概率值，接着，以所述第一至第六概率值作为权重值对所述第一至第六差分特征矩阵进行加权以得到第一至第六校正后差分特征矩阵。
进一步地，将所述第一至第六校正后差分特征矩阵按照通道维度排列为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到关联特征图。也就是，将各个校正后的各个局部视角之间的特征分布差异沿着通道维度进行信息聚合以得到三维特征张量，并以使用三维卷积核的第二卷积神经网络模型作为特征提取器来提取各个局部视角之间的特征分布差异之间的高维隐含关联特征以得到所述关联特征图。
最终，将所述关联特征图通过分类器以得到分类结果，所述分类结果用于表示组装完成的激光切割装配式胃转流支架是否以预定设计样式进行组装。通过这样的方式，在所述激光切割装配式胃转流支架的制备过程中，通过机器视觉来构建激光切割装配式胃转流支架的组装方式是否正确的智能检测方案，以此来提高产品制备良率。
特别地，在本申请的技术方案中，将所述第一至第六差分特征矩阵分别通过预分类器得到所述第一至第六概率值作为对所述第一至第六差分特征矩阵进行加权的权重值，可以提升所述第一至第六差分特征矩阵之间的显式关联。但是，由于所述权重值是所述第一至第六差分特征矩阵单独通过预分类器得到的，其对于所述第一至第六校正后差分特征矩阵按照通道维度排列为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型得到的所述关联特征图的全局特征分布的影响较小，因此，期望进一步提升作为局部特征分布的所述第一至第六差分特征矩阵相对于作为全局特征分布的所述关联特征图的局部分布关联度，以提升所述关联特征图的整体特征表达能力，从而提升所述关联特征图的分类结果准确性。
因此，本申请的申请人进一步引入了针对所述第一至第六校正后差分特征矩阵的多分布二元分类质量损失函数，表示为：
其中，
到
是所述第一至第六校正后差分特征矩阵，
是参考矩阵，优选地设置为所述第一至第六校正后差分特征矩阵的均值矩阵，且
表示特征矩阵的分类结果，
表示向量的1范数。
这里，为了避免所述第一至第六校正后差分特征矩阵中的每一个在按照通道维度排列为三维特征张量后在相应的多分布分类域内由于各个局部特征分布对应的决策边界的过度碎片化而使得向着目标类别区域的收敛困难，通过对于每个局部特征分布的基于预定标签的二元分类的全局偏移类概率信息取平均的方式，可以预测每个局部特征分布相对于全局特征分布的连续性质量因数以作为损失函数。这样，通过以此对模型进行训练，就可以通过基于多二元分类的分类问题改进所述关联特征图的整体特征表达能力，从而提升所述关联特征图的分类结果的准确性。
基于此，本申请提供了一种激光切割装配式胃转流支架的制备方法，其包括：获取组装完成的激光切割装配式胃转流支架的六视图以及激光切割装配式胃转流支架的设计参考六视图，其中，所述组装完成的激光切割装配式胃转流支架的六视图为第一至第六检测图像，所述激光切割装配式胃转流支架的设计参考六视图为第一至第六参考图像；将所述第一至第六检测图像以及所述第一至第六参考图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六检测特征矩阵以及第一至第六参考特征矩阵；计算所述第一至第六检测特征矩阵以及所述第一至第六参考特征矩阵中每一组对应的特征矩阵之间的差分以得到第一至第六差分特征矩阵；将所述第一至第六差分特征矩阵分别通过预分类器以得到第一至第六概率值；以所述第一至第六概率值作为权重值对所述第一至第六差分特征矩阵进行加权以得到第一至第六校正后差分特征矩阵；将所述第一至第六校正后差分特征矩阵按照通道维度排列为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到关联特征图；和，将所述关联特征图通过分类器以得到分类结果，所述分类结果用于表示组装完成的激光切割装配式胃转流支架是否以预定设计样式进行组装。
图2为根据本申请实施例的激光切割装配式胃转流支架的制备方法的应用场景图。如图2所示，在该应用场景中，获取组装完成的激光切割装配式胃转流支架（例如，如图2中所示意的F）的六视图（例如，如图2中所示意的D1）以及激光切割装配式胃转流支架的设计参考六视图（例如，如图2中所示意的D2），其中，所述组装完成的激光切割装配式胃转流支架的六视图为第一至第六检测图像，所述激光切割装配式胃转流支架的设计参考六视图为第一至第六参考图像，然后，将所述第一至第六检测图像和所述第一至第六参考图像输入至部署有激光切割装配式胃转流支架的制备算法的服务器（例如，如图2中所示意的S）中，其中所述服务器能够基于所述激光切割装配式胃转流支架的制备算法生成用于表示组装完成的激光切割装配式胃转流支架是否以预定设计样式进行组装的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法：图3为根据本申请实施例的激光切割装配式胃转流支架的制备方法的流程图。如图3所示，根据本申请实施例的激光切割装配式胃转流支架的制备方法，包括步骤：S110，获取组装完成的激光切割装配式胃转流支架的六视图以及激光切割装配式胃转流支架的设计参考六视图，其中，所述组装完成的激光切割装配式胃转流支架的六视图为第一至第六检测图像，所述激光切割装配式胃转流支架的设计参考六视图为第一至第六参考图像；S120，将所述第一至第六检测图像以及所述第一至第六参考图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六检测特征矩阵以及第一至第六参考特征矩阵；S130，计算所述第一至第六检测特征矩阵以及所述第一至第六参考特征矩阵中每一组对应的特征矩阵之间的差分以得到第一至第六差分特征矩阵；S140，将所述第一至第六差分特征矩阵分别通过预分类器以得到第一至第六概率值；S150，以所述第一至第六概率值作为权重值对所述第一至第六差分特征矩阵进行加权以得到第一至第六校正后差分特征矩阵；S160，将所述第一至第六校正后差分特征矩阵按照通道维度排列为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到关联特征图；和，S170，将所述关联特征图通过分类器以得到分类结果，所述分类结果用于表示组装完成的激光切割装配式胃转流支架是否以预定设计样式进行组装。
图4为根据本申请实施例的激光切割装配式胃转流支架的制备方法的架构示意图。如图4所示，在该网络架构中，首先，获取组装完成的激光切割装配式胃转流支架的六视图以及激光切割装配式胃转流支架的设计参考六视图，其中，所述组装完成的激光切割装配式胃转流支架的六视图为第一至第六检测图像，所述激光切割装配式胃转流支架的设计参考六视图为第一至第六参考图像；接着，将所述第一至第六检测图像以及所述第一至第六参考图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六检测特征矩阵以及第一至第六参考特征矩阵；然后，计算所述第一至第六检测特征矩阵以及所述第一至第六参考特征矩阵中每一组对应的特征矩阵之间的差分以得到第一至第六差分特征矩阵；接着，将所述第一至第六差分特征矩阵分别通过预分类器以得到第一至第六概率值；然后，以所述第一至第六概率值作为权重值对所述第一至第六差分特征矩阵进行加权以得到第一至第六校正后差分特征矩阵；接着，将所述第一至第六校正后差分特征矩阵按照通道维度排列为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到关联特征图；最后，将所述关联特征图通过分类器以得到分类结果，所述分类结果用于表示组装完成的激光切割装配式胃转流支架是否以预定设计样式进行组装。
更具体地，在步骤S110中，获取组装完成的激光切割装配式胃转流支架的六视图以及激光切割装配式胃转流支架的设计参考六视图，其中，所述组装完成的激光切割装配式胃转流支架的六视图为第一至第六检测图像，所述激光切割装配式胃转流支架的设计参考六视图为第一至第六参考图像。考虑到如果激光切割装配式胃流转支架被以不正确的方式组装，其最终产品所呈现出的表观样态与激光切割装配式胃流转支架的设计表观样态会存在差异，因此，在本申请的技术方案中，在将激光切割装配式胃转流支架组装完成后，将组装完成的激光切割装配式胃转流支架的六视图与激光切割装配式胃转流支架的设计参考六视图进行比较，并基于两者之间的差异作为依据来判断组装完成的激光切割装配式胃转流支架是否以预定设计样式进行组装。
更具体地，在步骤S120中，将所述第一至第六检测图像以及所述第一至第六参考图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六检测特征矩阵以及第一至第六参考特征矩阵。使用基于深度学习的卷积神经网络模型作为特征提取器来将所述第一至第六检测图像和所述第一至第六参考图像映射到高维特征空间中。值得一提的是，所述基于深度学习的卷积神经网络模型可通过预定训练策略来进行训练，以使得训练完成后的所述基于深度学习的卷积神经网络模型在进行特征提取的过程中，能聚焦于有利于分类判断的特征，而忽略其他无关特征。特别地，考虑到各个检测图像和各个参考图像的空间维度中各个像素点对于最终分类判断的置信度不同，为了提高空间可鉴别性，将空间注意力机制整合入所述卷积神经网络模型以形成所述使用空间注意力机制的第一卷积神经网络模型。
相应地，在一个具体示例中，所述将所述第一至第六检测图像以及所述第一至第六参考图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六检测特征矩阵以及第一至第六参考特征矩阵，包括：所述使用空间注意力机制的第一卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵；以及，计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵；其中，所述使用空间注意力机制的第一卷积神经网络模型的最后一层输出的所述特征矩阵为所述第一至第六检测特征矩阵和所述第一至第六参考特征矩阵。
更具体地，在步骤S130中，计算所述第一至第六检测特征矩阵以及所述第一至第六参考特征矩阵中每一组对应的特征矩阵之间的差分以得到第一至第六差分特征矩阵。例如，计算第一检测特征矩阵与所述第一参考特征矩阵之间的差分以得到第一差分特征矩阵。也就是，以同一视角的特征矩阵之间的差分特征矩阵来表示所述组装完成的激光切割装配式胃转流支架和参考激光切割装配式胃转流支架在各个视角之间的差异。在本申请一个具体的示例中，可计算所述第一至第六检测特征矩阵以及所述第一至第六参考特征矩阵中每一组对应的特征矩阵之间的按像素位置差分以得到所述第一至第六差分特征矩阵。
相应地，在一个具体示例中，所述计算所述第一至第六检测特征矩阵以及所述第一至第六参考特征矩阵中每一组对应的特征矩阵之间的差分以得到第一至第六差分特征矩阵，包括：以如下公式来计算所述第一至第六检测特征矩阵以及所述第一至第六参考特征矩阵中每一组对应的特征矩阵之间的按位置差分以得到所述第一至第六差分特征矩阵；其中，所述公式为：
其中，
和
分别表示所述第一至第六检测特征矩阵以及所述第一至第六参考特征矩阵中每一组对应的特征矩阵，
表示所述第一至第六差分特征矩阵，
表示按位置差分。
在本申请的技术方案中，考虑到各个局部视角之间的特征分布差异对于最终的分类判断的贡献度不同，而引入贡献度信息可提高最终分类判断的精准度。
更具体地，在步骤S140中，将所述第一至第六差分特征矩阵分别通过预分类器以得到第一至第六概率值。具体地，在本申请的技术方案中，采用预分类思想来度量各个局部视角之间的特征分布差异对于最终分类判断的贡献度。也就是，将所述第一至第六差分特征矩阵分别通过预分类器以得到第一至第六概率值，接着，以所述第一至第六概率值作为权重值对所述第一至第六差分特征矩阵进行加权以得到第一至第六校正后差分特征矩阵。
相应地，在一个具体示例中，所述将所述第一至第六差分特征矩阵分别通过预分类器以得到第一至第六概率值，包括：使用所述预分类器以如下公式对所述第一至第六差分特征矩阵进行处理以得到所述第一至第六概率值；其中，所述公式为：
，其中，
为所述第一至第六概率值，
和
为权重矩阵，
和
为偏置向量，
表示将所述第一至第六差分特征矩阵分别投影为向量。
更具体地，在步骤S150中，以所述第一至第六概率值作为权重值对所述第一至第六差分特征矩阵进行加权以得到第一至第六校正后差分特征矩阵。
更具体地，在步骤S160中，将所述第一至第六校正后差分特征矩阵按照通道维度排列为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到关联特征图。也就是，将各个校正后的各个局部视角之间的特征分布差异沿着通道维度进行信息聚合以得到三维特征张量，并以使用三维卷积核的第二卷积神经网络模型作为特征提取器来提取各个局部视角之间的特征分布差异之间的高维隐含关联特征以得到所述关联特征图。
相应地，在一个具体示例中，所述将所述第一至第六校正后差分特征矩阵按照通道维度排列为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到关联特征图，包括：通过所述使用三维卷积核的第二卷积神经网络模型在层的正向传递中对输入数据分别进行基于所述三维卷积核的三维卷积处理、均值池化处理和非线性激活处理以由所述第二卷积神经网络模型的最后一层的输出所述关联特征图，其中，所述第二卷积神经网络模型的第一层的输入为所述三维特征张量。
更具体地，在步骤S170中，将所述关联特征图通过分类器以得到分类结果，所述分类结果用于表示组装完成的激光切割装配式胃转流支架是否以预定设计样式进行组装。
相应地，在一个具体示例中，如图5所示，所述将所述关联特征图通过分类器以得到分类结果，所述分类结果用于表示组装完成的激光切割装配式胃转流支架是否以预定设计样式进行组装，包括：S171，将所述关联特征图投影为分类特征向量；S172，使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，S173，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
相应地，在一个具体示例中，所述的激光切割装配式胃转流支架的制备方法，还包括训练步骤：对所述使用空间注意力机制的第一卷积神经网络模型、所述使用三维卷积核的第二卷积神经网络模型和所述分类器进行训练。
相应地，在一个具体示例中，如图6所示，所述训练步骤，包括：S210，获取训练数据，所述训练数据包括组装完成的激光切割装配式胃转流支架的六视图以及激光切割装配式胃转流支架的设计参考六视图，其中，所述组装完成的激光切割装配式胃转流支架的六视图为第一至第六检测图像，所述激光切割装配式胃转流支架的设计参考六视图为第一至第六参考图像；S220，将所述第一至第六检测图像以及所述第一至第六参考图像分别通过所述使用空间注意力机制的第一卷积神经网络模型以得到第一至第六训练检测特征矩阵以及第一至第六训练参考特征矩阵；S230，计算所述第一至第六训练检测特征矩阵以及所述第一至第六训练参考特征矩阵中每一组对应的特征矩阵之间的差分以得到第一至第六训练差分特征矩阵；S240，将所述第一至第六训练差分特征矩阵分别通过所述预分类器以得到第一至第六训练概率值；S250，以所述第一至第六训练概率值作为权重值对所述第一至第六训练差分特征矩阵进行加权以得到第一至第六校正后训练差分特征矩阵；S260，将所述第一至第六校正后训练差分特征矩阵按照通道维度排列为训练三维特征张量后通过所述使用三维卷积核的第二卷积神经网络模型以得到训练关联特征图；S270，将所述训练关联特征图通过所述分类器以得到分类损失函数值；S280，计算所述第一至第六校正后训练差分特征矩阵的多分布二元分类质量损失函数值；和，S290，以所述多分布二元分类质量损失函数值和所述分类损失函数值的加权和作为损失函数值对所述使用空间注意力机制的第一卷积神经网络模型、所述使用三维卷积核的第二卷积神经网络模型和所述分类器进行训练。
特别地，在本申请的技术方案中，将所述第一至第六训练差分特征矩阵分别通过预分类器得到所述第一至第六训练概率值作为对所述第一至第六训练差分特征矩阵进行加权的权重值，可以提升所述第一至第六训练差分特征矩阵之间的显式关联。但是，由于所述权重值是所述第一至第六训练差分特征矩阵单独通过预分类器得到的，其对于所述第一至第六校正后训练差分特征矩阵按照通道维度排列为训练三维特征张量后通过使用三维卷积核的第二卷积神经网络模型得到的所述训练关联特征图的全局特征分布的影响较小，因此，期望进一步提升作为局部特征分布的所述第一至第六训练差分特征矩阵相对于作为全局特征分布的所述训练关联特征图的局部分布关联度，以提升所述训练关联特征图的整体特征表达能力，从而提升所述训练关联特征图的分类结果准确性。因此，本申请的申请人进一步引入了针对所述第一至第六校正后训练差分特征矩阵的多分布二元分类质量损失函数。
相应地，在一个具体示例中，所述计算所述第一至第六校正后训练差分特征矩阵的多分布二元分类质量损失函数值，包括：以如下公式计算所述第一至第六校正后训练差分特征矩阵的多分布二元分类质量损失函数值；其中，所述公式为：
其中，
到
是所述第一至第六校正后训练差分特征矩阵，
是参考矩阵，优选地设置为所述第一至第六校正后训练差分特征矩阵的均值矩阵，且
表示特征矩阵的分类结果，
表示向量的1范数。
这里，为了避免所述第一至第六校正后训练差分特征矩阵中的每一个在按照通道维度排列为三维特征张量后在相应的多分布分类域内由于各个局部特征分布对应的决策边界的过度碎片化而使得向着目标类别区域的收敛困难，通过对于每个局部特征分布的基于预定标签的二元分类的全局偏移类概率信息取平均的方式，可以预测每个局部特征分布相对于全局特征分布的连续性质量因数以作为损失函数。这样，通过以此对模型进行训练，就可以通过基于多二元分类的分类问题改进所述关联特征图的整体特征表达能力，从而提升所述关联特征图的分类结果的准确性。
综上，基于本申请实施例的激光切割装配式胃转流支架及其制备方法。其在所述激光切割装配式胃流转支架的制备过程中，对组装完成的激光切割装配式胃流转支架进行组装方式检测，以确保其以预定设计样式被组装。具体地，其将组装完成的激光切割装配式胃转流支架的六视图与激光切割装配式胃转流支架的设计参考六视图进行比较，并基于两者之间的差异作为判断组装完成的激光切割装配式胃转流支架是否以预定设计样式进行组装的依据。通过这样的方式，对组装完成的激光切割装配式胃转流支架是否以预定设计样式组装进行准确的判断。
其中，在本申请中，如图1所示的所述的激光切割装配式胃转流支架由前述的激光切割装配式胃转流支架的制备方法制得。
示例性系统：图7为根据本申请实施例的激光切割装配式胃转流支架的制备系统100的框图。如图7所示，根据本申请实施例的激光切割装配式胃转流支架的制备系统100，包括：图像数据获取模块110，用于获取组装完成的激光切割装配式胃转流支架的六视图以及激光切割装配式胃转流支架的设计参考六视图，其中，所述组装完成的激光切割装配式胃转流支架的六视图为第一至第六检测图像，所述激光切割装配式胃转流支架的设计参考六视图为第一至第六参考图像；第一卷积编码模块120，用于将所述第一至第六检测图像以及所述第一至第六参考图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六检测特征矩阵以及第一至第六参考特征矩阵；差分计算模块130，用于计算所述第一至第六检测特征矩阵以及所述第一至第六参考特征矩阵中每一组对应的特征矩阵之间的差分以得到第一至第六差分特征矩阵；预分类模块140，用于将所述第一至第六差分特征矩阵分别通过预分类器以得到第一至第六概率值；加权模块150，用于以所述第一至第六概率值作为权重值对所述第一至第六差分特征矩阵进行加权以得到第一至第六校正后差分特征矩阵；第二卷积编码模块160，用于将所述第一至第六校正后差分特征矩阵按照通道维度排列为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到关联特征图；和，分类结果生成模块170，用于将所述关联特征图通过分类器以得到分类结果，所述分类结果用于表示组装完成的激光切割装配式胃转流支架是否以预定设计样式进行组装。
在一个示例中，在上述激光切割装配式胃转流支架的制备系统100中，所述第一卷积编码模块120，用于：所述使用空间注意力机制的第一卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：对输入数据进行卷积处理以生成卷积特征图；对所述卷积特征图进行池化处理以生成池化特征图；对所述池化特征图进行非线性激活以生成激活特征图；计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵；以及，计算所述空间特征矩阵和所述空间得分图的按位置点乘以获得特征矩阵；其中，所述使用空间注意力机制的第一卷积神经网络模型的最后一层输出的所述特征矩阵为所述第一至第六检测特征矩阵和所述第一至第六参考特征矩阵。
在一个示例中，在上述激光切割装配式胃转流支架的制备系统100中，所述差分计算模块130，用于：以如下公式来计算所述第一至第六检测特征矩阵以及所述第一至第六参考特征矩阵中每一组对应的特征矩阵之间的按位置差分以得到所述第一至第六差分特征矩阵；其中，所述公式为：
其中，
和
分别表示所述第一至第六检测特征矩阵以及所述第一至第六参考特征矩阵中每一组对应的特征矩阵，
表示所述第一至第六差分特征矩阵，
表示按位置差分。
在一个示例中，在上述激光切割装配式胃转流支架的制备系统100中，所述预分类模块140，用于：使用所述预分类器以如下公式对所述第一至第六差分特征矩阵进行处理以得到所述第一至第六概率值；其中，所述公式为：
，其中，
为所述第一至第六概率值，
和
为权重矩阵，
和
为偏置向量，
表示将所述第一至第六差分特征矩阵分别投影为向量。
在一个示例中，在上述激光切割装配式胃转流支架的制备系统100中，所述第二卷积编码模块160，进一步用于：通过所述使用三维卷积核的第二卷积神经网络模型在层的正向传递中对输入数据分别进行基于所述三维卷积核的三维卷积处理、均值池化处理和非线性激活处理以由所述第二卷积神经网络模型的最后一层的输出所述关联特征图，其中，所述第二卷积神经网络模型的第一层的输入为所述三维特征张量。
在一个示例中，在上述激光切割装配式胃转流支架的制备系统100中，所述分类结果生成模块170，用于：将所述关联特征图投影为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
在一个示例中，在上述激光切割装配式胃转流支架的制备系统100中，还包括对所述使用空间注意力机制的第一卷积神经网络模型、所述使用三维卷积核的第二卷积神经网络模型和所述分类器进行训练的训练模块。
在一个示例中，在上述激光切割装配式胃转流支架的制备系统100中，所述训练模块，包括：训练数据获取模块，用于获取训练数据，所述训练数据包括组装完成的激光切割装配式胃转流支架的六视图以及激光切割装配式胃转流支架的设计参考六视图，其中，所述组装完成的激光切割装配式胃转流支架的六视图为第一至第六检测图像，所述激光切割装配式胃转流支架的设计参考六视图为第一至第六参考图像；训练第一卷积编码模块，用于将所述第一至第六检测图像以及所述第一至第六参考图像分别通过所述使用空间注意力机制的第一卷积神经网络模型以得到第一至第六训练检测特征矩阵以及第一至第六训练参考特征矩阵；训练差分模块，用于计算所述第一至第六训练检测特征矩阵以及所述第一至第六训练参考特征矩阵中每一组对应的特征矩阵之间的差分以得到第一至第六训练差分特征矩阵；训练预分类模块，用于将所述第一至第六训练差分特征矩阵分别通过所述预分类器以得到第一至第六训练概率值；训练加权模块，用于以所述第一至第六训练概率值作为权重值对所述第一至第六训练差分特征矩阵进行加权以得到第一至第六校正后训练差分特征矩阵；训练第二卷积编码模块，用于将所述第一至第六校正后训练差分特征矩阵按照通道维度排列为训练三维特征张量后通过所述使用三维卷积核的第二卷积神经网络模型以得到训练关联特征图；分类损失函数值计算模块，用于将所述训练关联特征图通过所述分类器以得到分类损失函数值；多分布二元分类质量损失函数值计算模块，用于计算所述第一至第六校正后训练差分特征矩阵的多分布二元分类质量损失函数值；和，训练模块，用于以所述多分布二元分类质量损失函数值和所述分类损失函数值的加权和作为损失函数值对所述使用空间注意力机制的第一卷积神经网络模型、所述使用三维卷积核的第二卷积神经网络模型和所述分类器进行训练。
在一个示例中，在上述激光切割装配式胃转流支架的制备系统100中，所述计算所述第一至第六校正后训练差分特征矩阵的多分布二元分类质量损失函数值，包括：以如下公式计算所述第一至第六校正后训练差分特征矩阵的多分布二元分类质量损失函数值；其中，所述公式为：
其中，
到
是所述第一至第六校正后训练差分特征矩阵，
是参考矩阵，优选地设置为所述第一至第六校正后训练差分特征矩阵的均值矩阵，且
表示特征矩阵的分类结果，
表示向量的1范数。
这里，本领域技术人员可以理解，上述激光切割装配式胃转流支架的制备系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图6的激光切割装配式胃转流支架的制备方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的激光切割装配式胃转流支架的制备系统100可以实现在各种无线终端中，例如激光切割装配式胃转流支架的制备算法的服务器等。在一个示例中，根据本申请实施例的激光切割装配式胃转流支架的制备系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该激光切割装配式胃转流支架的制备系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该激光切割装配式胃转流支架的制备系统100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该激光切割装配式胃转流支架的制备系统100与该无线终端也可以是分立的设备，并且该激光切割装配式胃转流支架的制备系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
结构示例：该示例涉及到以下结构：万向槽F1、万向球F2、固定杆F3、连接轴F4、固定环F5、滑动卡槽F6、弹簧F7和卡块F8，该示例解决F在对胃内壁支撑后出现松弛而无法有效值的问题。
参考图8至图10：具体工作过程如下：工作时，将胃转流支架F放置在需要支撑的胃内壁后，在胃转流支架F的自然松弛作用下伸展开，此时在胃转流支架F的伸展作用下通过万向槽F1带动活动连接在其内部的万向球F2向外侧运动，万向球F2带动固定在内部的固定杆F3向外侧伸展，使得固定杆F3的内侧端通过连接轴F4在固定环F5的两侧转动，此时固定杆F3伸展到与固定环F5处于同一水平状态，此时固定杆F3在转动的过程中带动卡块F8在滑动卡槽F6中滑动，当运动到滑动卡槽F6的最内侧时，在弹簧F7的伸展作用下使得卡块F8与滑动卡槽F6的内侧卡接，进而实现对胃转流支架F的固定支撑作用，提高了胃转流支架F支撑时的稳定性，防止胃转流支架F支撑过程中出现支撑力度不够而无法支撑胃内壁的问题，保证了胃转流支架F支撑的有效性。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种激光切割装配式胃转流支架的制备方法，其特征在于，包括：
获取组装完成的激光切割装配式胃转流支架的六视图以及激光切割装配式胃转流支架的设计参考六视图，其中，所述组装完成的激光切割装配式胃转流支架的六视图为第一至第六检测图像，所述激光切割装配式胃转流支架的设计参考六视图为第一至第六参考图像；
将所述第一至第六检测图像以及所述第一至第六参考图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六检测特征矩阵以及第一至第六参考特征矩阵；
计算所述第一至第六检测特征矩阵以及所述第一至第六参考特征矩阵中每一组对应的特征矩阵之间的差分以得到第一至第六差分特征矩阵；
将所述第一至第六差分特征矩阵分别通过预分类器以得到第一至第六概率值；
以所述第一至第六概率值作为权重值对所述第一至第六差分特征矩阵进行加权以得到第一至第六校正后差分特征矩阵；
将所述第一至第六校正后差分特征矩阵按照通道维度排列为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到关联特征图；和
将所述关联特征图通过分类器以得到分类结果，所述分类结果用于表示组装完成的激光切割装配式胃转流支架是否以预定设计样式进行组装。
2.根据权利要求1所述的激光切割装配式胃转流支架的制备方法，其特征在于，所述将所述第一至第六检测图像以及所述第一至第六参考图像分别通过使用空间注意力机制的第一卷积神经网络模型以得到第一至第六检测特征矩阵以及第一至第六参考特征矩阵，包括：所述使用空间注意力机制的第一卷积神经网络模型的各层在层的正向传递过程中对输入数据分别进行：
对输入数据进行卷积处理以生成卷积特征图；
对所述卷积特征图进行池化处理以生成池化特征图；
对所述池化特征图进行非线性激活以生成激活特征图；
计算所述激活特征图的各个位置沿通道维度的均值以生成空间特征矩阵；
计算所述空间特征矩阵中各个位置的类Softmax函数值以获得空间得分矩阵；以及
计算所述空间特征矩阵和所述空间得分矩阵的按位置点乘以获得特征矩阵；
其中，所述使用空间注意力机制的第一卷积神经网络模型的最后一层输出的所述特征矩阵为所述第一至第六检测特征矩阵和所述第一至第六参考特征矩阵。
3.根据权利要求2所述的激光切割装配式胃转流支架的制备方法，其特征在于，所述计算所述第一至第六检测特征矩阵以及所述第一至第六参考特征矩阵中每一组对应的特征矩阵之间的差分以得到第一至第六差分特征矩阵，包括：以如下公式来计算所述第一至第六检测特征矩阵以及所述第一至第六参考特征矩阵中每一组对应的特征矩阵之间的按位置差分以得到所述第一至第六差分特征矩阵；
其中，所述公式为：
其中，
和
分别表示所述第一至第六检测特征矩阵以及所述第一至第六参考特征矩阵中每一组对应的特征矩阵，
表示所述第一至第六差分特征矩阵，
表示按位置差分。
4.根据权利要求3所述的激光切割装配式胃转流支架的制备方法，其特征在于，所述将所述第一至第六差分特征矩阵分别通过预分类器以得到第一至第六概率值，包括：
使用所述预分类器以如下公式对所述第一至第六差分特征矩阵进行处理以得到所述第一至第六概率值；
其中，所述公式为：
，其中，
为所述第一至第六概率值，
和
为权重矩阵，
和
为偏置向量，
表示将所述第一至第六差分特征矩阵分别投影为向量。
5.根据权利要求4所述的激光切割装配式胃转流支架的制备方法，其特征在于，所述将所述第一至第六校正后差分特征矩阵按照通道维度排列为三维特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到关联特征图，包括：
通过所述使用三维卷积核的第二卷积神经网络模型在层的正向传递中对输入数据分别进行基于所述三维卷积核的三维卷积处理、均值池化处理和非线性激活处理以由所述第二卷积神经网络模型的最后一层的输出所述关联特征图，其中，所述第二卷积神经网络模型的第一层的输入为所述三维特征张量。
6.根据权利要求5所述的激光切割装配式胃转流支架的制备方法，其特征在于，所述将所述关联特征图通过分类器以得到分类结果，所述分类结果用于表示组装完成的激光切割装配式胃转流支架是否以预定设计样式进行组装，包括：
将所述关联特征图投影为分类特征向量；
使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
7.根据权利要求6所述的激光切割装配式胃转流支架的制备方法，其特征在于，还包括训练步骤：对所述使用空间注意力机制的第一卷积神经网络模型、所述使用三维卷积核的第二卷积神经网络模型和所述分类器进行训练。
8.根据权利要求7所述的激光切割装配式胃转流支架的制备方法，其特征在于，所述训练步骤，包括：
获取训练数据，所述训练数据包括组装完成的激光切割装配式胃转流支架的六视图以及激光切割装配式胃转流支架的设计参考六视图，其中，所述组装完成的激光切割装配式胃转流支架的六视图为第一至第六检测图像，所述激光切割装配式胃转流支架的设计参考六视图为第一至第六参考图像；
将所述第一至第六检测图像以及所述第一至第六参考图像分别通过所述使用空间注意力机制的第一卷积神经网络模型以得到第一至第六训练检测特征矩阵以及第一至第六训练参考特征矩阵；
计算所述第一至第六训练检测特征矩阵以及所述第一至第六训练参考特征矩阵中每一组对应的特征矩阵之间的差分以得到第一至第六训练差分特征矩阵；
将所述第一至第六训练差分特征矩阵分别通过所述预分类器以得到第一至第六训练概率值；
以所述第一至第六训练概率值作为权重值对所述第一至第六训练差分特征矩阵进行加权以得到第一至第六校正后训练差分特征矩阵；
将所述第一至第六校正后训练差分特征矩阵按照通道维度排列为训练三维特征张量后通过所述使用三维卷积核的第二卷积神经网络模型以得到训练关联特征图；
将所述训练关联特征图通过所述分类器以得到分类损失函数值；
计算所述第一至第六校正后训练差分特征矩阵的多分布二元分类质量损失函数值；和
以所述多分布二元分类质量损失函数值和所述分类损失函数值的加权和作为损失函数值对所述使用空间注意力机制的第一卷积神经网络模型、所述使用三维卷积核的第二卷积神经网络模型和所述分类器进行训练。
9.根据权利要求8所述的激光切割装配式胃转流支架的制备方法，其特征在于，所述计算所述第一至第六校正后训练差分特征矩阵的多分布二元分类质量损失函数值，包括：以如下公式计算所述第一至第六校正后训练差分特征矩阵的多分布二元分类质量损失函数值；
其中，所述公式为：
其中，
到
是所述第一至第六校正后训练差分特征矩阵，
是参考矩阵，所述参考矩阵设置为所述第一至第六校正后训练差分特征矩阵的均值矩阵，且
表示特征矩阵的分类结果，
表示向量的1范数。
10.一种激光切割装配式胃转流支架，其特征在于，所述激光切割装配式胃转流支架由如权利要求1至9任一所述的激光切割装配式胃转流支架的制备方法制得。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310035389.2A CN115737102B (zh) | 2023-01-10 | 2023-01-10 | 激光切割装配式胃转流支架及其制备方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310035389.2A CN115737102B (zh) | 2023-01-10 | 2023-01-10 | 激光切割装配式胃转流支架及其制备方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115737102A CN115737102A (zh) | 2023-03-07 |
| CN115737102B true CN115737102B (zh) | 2023-04-25 |
Family
ID=85348923
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310035389.2A Active CN115737102B (zh) | 2023-01-10 | 2023-01-10 | 激光切割装配式胃转流支架及其制备方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115737102B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013240857A (ja) * | 2012-05-21 | 2013-12-05 | Azbil Corp | 部品組み立て装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100309307A1 (en) * | 2009-06-08 | 2010-12-09 | Ju Jin | Automatic stent inspection system |
| JP2012042370A (ja) * | 2010-08-20 | 2012-03-01 | Kimura Unity Co Ltd | 組付検査装置、組付検査方法および組付検査プログラム |
| CN108508027B (zh) * | 2018-04-18 | 2023-10-20 | 江门市科业电器制造有限公司 | 一种定子检测方法及检测装置 |
| CN113440323B (zh) * | 2020-03-26 | 2023-05-02 | 先健科技(深圳)有限公司 | 支架装配系统及支架装配方法 |
| CN115496932A (zh) * | 2021-06-18 | 2022-12-20 | 株式会社Ntt都科摩 | 基于神经网络的分类方法和分类装置 |
| CN115496740B (zh) * | 2022-10-10 | 2023-05-16 | 湖北华鑫光电有限公司 | 基于卷积神经网络的镜片缺陷检测方法及其系统 |
-
2023
- 2023-01-10 CN CN202310035389.2A patent/CN115737102B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013240857A (ja) * | 2012-05-21 | 2013-12-05 | Azbil Corp | 部品組み立て装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115737102A (zh) | 2023-03-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20240081618A1 (en) | Endoscopic image processing | |
| Yin et al. | Towards large-pose face frontalization in the wild | |
| Yu et al. | Supervising neural attention models for video captioning by human gaze data | |
| Kim et al. | Laf-net: Locally adaptive fusion networks for stereo confidence estimation | |
| EP2339537B1 (en) | Method of determining reference features for use in an optical object initialization tracking process and object initialization tracking method | |
| CN102903096B (zh) | 一种基于单目视频的对象深度提取方法 | |
| Li et al. | Dense correlation network for automated multi-label ocular disease detection with paired color fundus photographs | |
| CN109376767A (zh) | 基于深度学习的视网膜oct图像分类方法 | |
| CN110569725B (zh) | 一种基于自注意力机制的深度学习的步态识别系统与方法 | |
| CN113283444B (zh) | 一种基于生成对抗网络的异源图像迁移方法 | |
| CN110032940B (zh) | 一种视频行人重识别的方法和系统 | |
| CN111027464A (zh) | 对卷积神经网络和序特征编码联合优化的虹膜识别方法 | |
| CN108564047B (zh) | 一种基于3d关节点序列的人体行为识别方法 | |
| Yang et al. | A robust iris segmentation using fully convolutional network with dilated convolutions | |
| CN115737102B (zh) | 激光切割装配式胃转流支架及其制备方法 | |
| CN117392312A (zh) | 基于可变形神经辐射场的单目内窥镜新视角图像生成方法 | |
| CN113011362A (zh) | 基于双线性池化与注意力机制的细粒度眼底图像分级算法 | |
| Liu et al. | Geometrized transformer for self-supervised homography estimation | |
| CN118134785A (zh) | 基于特征分解强化和梯度补充的图像融合方法 | |
| Fuentes-Jimenez et al. | Deep shape-from-template: Wide-baseline, dense and fast registration and deformable reconstruction from a single image | |
| Tan et al. | Detection and Diagnosis of Small Target Breast Masses Based on Convolutional Neural Networks | |
| CN105956606B (zh) | 一种基于不对称变换的行人再标识方法 | |
| CN113486930B (zh) | 基于改进RetinaNet的小肠淋巴瘤分割模型建立、分割方法及装置 | |
| CN113283423B (zh) | 基于生成网络的自然场景扭曲文本图像矫正方法及系统 | |
| Liu et al. | BB-homography: Joint binary features and bipartite graph matching for homography estimation |
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 |