CN117095806B - 一种手术室医疗器械的质量管理系统 - Google Patents

Abstract

本发明涉及外科技术领域，提出了一种手术室医疗器械的质量管理系统，包括：数据采集模块，获取反射光光谱图，获取功率光谱图和数据集；位置评分获取模块，根据均功率光谱图获取特征点的初始评分，根据初始评分获取最大波长、最小波长和最大初始位置评分，选取被选特征点和被选择特征点，进而获取被选特征点的位置评分；最终评分获取模块，获取被选特征点的最终评分；功率自适应调节模块，根据被选特征点的位置评分和最终评分对被选特征点进行特征的模拟提取，获取被选特征点，获取被选特征点的光强序列，对神经网络进行训练，获取激光刀控制功率，实现二氧化碳激光刀功率的自适应调节。本发明解决激光刀功率无法进行及时的自适应调整的问题。

Description

一种手术室医疗器械的质量管理系统

技术领域

本发明涉及外科技术领域，具体涉及一种手术室医疗器械的质量管理系统。

背景技术

随着科技的发展，手术室的医疗器械也在不断发展。二氧化碳激光刀作为一种手术刀被广泛用于人体外部病灶的切割上。使用二氧化碳激光刀时，需要医生调节合适的激光刀输出功率，使激光聚焦在病灶上，对病灶进行快速加热，达到切除病灶的目的。在使用过程中，需要医生人为的不断调整激光刀的输出功率，使聚焦点的激光功率合适，在不伤害附近皮肤组织的情况下切割病灶。

在激光刀工作时，由于不同人体组织的结构成分不同，在相同功率下，激光刀照射到目标表面的反射光光谱不同，特别地，在激光刀聚焦点由一种人体组织转移到另一种人体组织上时，反射光的光谱会发生跳变，需要及时对激光刀功率进行调整。对激光刀功率进行调整的过程对医生的技术要求较高，容易导致切割过量或多性切割的问题，在对病人造成额外伤害的同时，延长激光刀工作时间，降低激光刀使用寿命。

发明内容

本发明提供一种手术室医疗器械的质量管理系统，以解决激光刀功率无法进行及时的自适应调整的问题，所采用的技术方案具体如下：

本发明一个实施例提供了一种手术室医疗器械的质量管理系统，该系统包括以下模块：

数据采集模块，获取反射光光谱图、实际激光刀功率和理论激光刀功率，对反射光光谱进行修正，获取均功率光谱图，进而获取数据集；

所述获取反射光光谱图、实际激光刀功率和理论激光刀功率，对反射光光谱进行修正，获取均功率光谱图，进而获取数据集的方法为：

使用中红外光谱仪获取反射光光谱图，其中，反射光光谱图为折线图，横轴为光的波长，纵轴为波长对应的光强；

从激光刀管理系统提取每个反射光光谱图的获取时刻对应的实际激光刀功率和理论激光刀功率；

对反射光光谱中每个波段的光强乘以第一系数，获取光强调整值，将光强调整值构成的光谱图记为均功率光谱图；

将每个获取时刻对应的均功率光谱图、实际激光刀功率和理论激光刀功率记为获取时刻的数据组；

将所有获取时刻的数据组组成的集合记为数据集；

位置评分获取模块，根据均功率光谱图获取特征点的初始评分，根据初始评分获取最大波长、最小波长和最大初始位置评分，选取被选特征点和被选择特征点，设置被选特征点的初始位置评分，进而获取被选特征点的位置评分；

所述根据均功率光谱图获取特征点的初始评分的方法为：

将均功率光谱图中所有对二氧化碳激光刀的功率产生影响的波段分别记为特征点；

将特征点对应的光强均值记为特征点的均值光强；

对均功率光谱图中所有特征点的均值光强使用最大类间方差法，获取分割阈值；

将均值光强大于分割阈值的特征点的初始评分赋值为均值光强，将均值光强小于等于分割阈值的特征点的初始评分赋值为数字0；

所述根据初始评分获取最大波长、最小波长和最大初始位置评分，选取被选特征点和被选择特征点，设置被选特征点的初始位置评分的方法为：

选取初始评分不为数字0的所有特征点，将波长的最大值记为最大波长，将波长的最小值记为最小波长，将初始位置评分的最大值记为最大初始位置评分；

将所有使用蒙特卡洛搜索树进行选取的特征点记为被选特征点；

将被选择的特征点的高斯核函数窗口内包含的所有特征点记为被选择特征点；

将被选特征点的初始位置评分赋值为第一经验值；

所述进而获取被选特征点的位置评分的方法为：

式中，为被选特征点的高斯核函数窗口内的波段为/>的被选择特征点的位置评分；/>为波段为/>的被选择特征点上一次的位置评分；/>为所有被选择特征点的初始位置评分的最大值；/>为高斯核函数，括号内第一项为核函数的窗口边长，括号内第二项为被选特征点与被选择特征点的波段之间的距离；/>为波段为/>的被选择特征点的初始评分；/>为最大波长；/>为最小波长；/>为波段为/>的被选特征点所在的均功率光谱图中被选特征点的数量；/>为第一预设阈值；/>是高斯核函数的最大值；最终评分获取模块，获取被选特征点的一级随机数和二级随机数，根据被选特征点的一级随机数和二级随机数和经验价值评分的初始值获取被选特征点的经验价值评分，根据被选特征点的位置评分和经验价值评分获取被选特征点的最终评分；

所述获取被选特征点的一级随机数和二级随机数的方法为：

将每个获取时刻的均功率光谱图中被选特征点的光强记为被选特征点的特征值；

将被选特征点的所有特征值按照被选特征点所在的均功率光谱图的获取时间顺序进行排序，获取被选特征点的一级随机数；

将数据集中每个被选特征点的理论激光刀功率按照被选特征点所在的均功率光谱图的获取时间顺序进行排序，获取被选特征点的二级随机数；

所述根据被选特征点的一级随机数和二级随机数和经验价值评分的初始值获取被选特征点的经验价值评分的方法为：

获取被选特征点上一次的经验价值评分；

将被选特征点的一级随机数和二级随机数之间的协方差记为第一协方差；

将被选特征点与其他被选特征点的一级随机数之间的协方差的均值记为第二协方差；

将被选特征点上一次的经验价值评分与第一协方差的和记为第一和值；

将第一和值与第二协方差的差记为被选特征点的经验价值评分；

所述根据被选特征点的位置评分和经验价值评分获取被选特征点的最终评分的方法为：

将搜索价值与搜索价值常数的乘积记为搜索价值项；

将被选特征点的位置评分与经验价值评分的乘积记为第一乘积；

将搜索价值项与第一乘积的和记为第二和值；

将被选特征点被模拟到的次数与所有被选特征点的初始位置评分的最大值的乘积记为第二乘积；

将被选特征点的初始评分与第二乘积的比值与第二和值的乘积记为被选特征点的最终评分；

功率自适应调节模块，根据被选特征点的位置评分、经验价值评分和最终评分，对被选特征点进行特征的模拟提取，获取被选特征点，获取被选特征点的光强序列，进而获取训练数据集，采用训练数据集对神经网络进行训练，根据均功率光谱中特征点的光强和神经网络获取激光刀控制功率，实现二氧化碳激光刀功率的自适应调节；

所述根据被选特征点的位置评分、经验价值评分和最终评分，对被选特征点进行特征的模拟提取，获取被选特征点，获取被选特征点的光强序列的方法为：

采用改进的蒙特卡洛搜索树对被选特征点进行特征的模拟提取，模拟完成后，将经验价值评分最大的第一经验值个被选择特征点作为被选特征点；

获取被选特征点的光强，将所有光强按照光强对应的波段从小到大进行排列，获取光强序列；

将被选特征点的光强序列、实际激光刀功率和理论激光刀功率记为被选特征点的数据序列。

进而获取训练数据集，采用训练数据集对神经网络进行训练，根据均功率光谱中特征点的光强和神经网络获取激光刀控制功率，实现二氧化碳激光刀功率的自适应调节的方法为：

将所有被选特征点的数据序列组成的集合记为训练数据集；

采用训练数据集对神经网络进行训练，获取训练完成的神经网络；

将均功率光谱中特征点的光强输入训练完成的神经网络，获取激光刀控制功率；

将激光刀控制功率输入激光刀的管理系统，实现二氧化碳激光刀功率的自适应调节。

本发明的有益效果是：

本发明根据获取的二氧化碳激光刀的反射光光谱图获取均功率光谱图，首先，根据均功率光谱图获取特征点的初始评分，根据初始评分获取最大波长、最小波长和最大初始位置评分，选取被选特征点和被选择特征点，设置被选特征点的初始位置评分，进而获取被选特征点的位置评分，使距离被选特征点越近、初始评分值越小的被选特征点的高斯核函数窗口内的被选择特征点的位置评分下降越明显，防止蒙特卡洛搜索选取的被选特征点聚集在临近波段，避免特征点包含的信息重复，使神经网络的映射准确率降低，降低激光刀的功率自适应调整的精确度；其次，获取被选特征点的一级随机数和二级随机数，根据被选特征点的一级随机数和二级随机数和经验价值评分的初始值获取被选特征点的经验价值评分，根据被选特征点的位置评分和经验价值评分获取被选特征点的最终评分；然后，根据被选特征点的位置评分和经验价值评分获取被选特征点的最终评分，根据被选特征点的位置评分、经验价值评分和最终评分更改蒙特卡洛搜索树的选择阶段的选择规则，扩展为蒙特卡洛搜索网络，获取训练数据集，采用训练数据集对神经网络进行训练，根据均功率光谱中特征点的光强和神经网络获取激光刀控制功率，解决激光刀功率无法进行及时的自适应调整的问题，实现二氧化碳激光刀功率的自适应调节。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一个实施例所提供的一种手术室医疗器械的质量管理系统的流程示意图；

图2为神经网络示意图。

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。

请参阅图1，其示出了本发明一个实施例提供的一种手术室医疗器械的质量管理系统流程图，该系统包括：数据采集模块、位置评分获取模块、最终评分获取模块、功率自适应调节模块。

数据采集模块，获取反射光光谱图、实际激光刀功率和理论激光刀功率，对反射光光谱进行修正，获取均功率光谱图，进而获取数据集。

在二氧化碳激光刀上安装中红外光谱仪，中红外光谱仪包括相机和光谱仪主体两个部分，将相机安装在二氧化碳激光刀刀头部分，相机的取景框对准并跟随激光刀的对焦点。

使用中红外光谱仪的相机获取反射光，将反射光输入光谱仪主体，获取反射光光谱图。其中，反射光光谱图为折线图，横轴为光的波长，纵轴为波长对应的光强。

从激光刀管理系统提取每个反射光光谱图的获取时刻对应的实际激光刀功率和理论激光刀功率。

为了避免实时调整的激光功率对反光光谱产生影响，对反射光光谱进行修正。

对反射光光谱中每个波段的光强乘以第一系数，获取光强调整值，将光强调整值构成的光谱图记为均功率光谱图。其中，第一系数的经验值为二氧化碳激光刀的额定功率与当前光谱拍摄时对应的激光功率的比值。

将每个获取时刻对应的均功率光谱图、实际激光刀功率和理论激光刀功率记为获取时刻的数据组，将所有获取时刻的数据组组成的集合记为数据集。

至此，获取均功率光谱图和数据集。

位置评分获取模块，根据均功率光谱图获取特征点的初始评分，根据初始评分获取最大波长、最小波长和最大初始位置评分，选取被选特征点和被选择特征点，设置被选特征点的初始位置评分，进而获取被选特征点的位置评分。

将均功率光谱图中所有对二氧化碳激光刀的功率产生影响的波段分别记为特征点，将特征点对应的光强均值记为特征点的均值光强。

对均功率光谱图中所有特征点的均值光强使用最大类间方差法，获取分割阈值，将均值光强大于分割阈值的特征点的初始评分赋值为均值光强，将均值光强小于等于分割阈值的特征点的初始评分赋值为0。

均功率光谱图中，光强均值较高的波长段代表反射光谱中反射量大，包含更多的人体组织信息。对特征点使用蒙特卡洛搜索树进行选取，在进行蒙特卡洛搜索时，应舍弃包含的信息极少的特征点，赋予信息多的特征点更高的权重。所以，上述初始位置评分的设置可加快搜索过程，提高特征点选取质量。

选取初始评分不为0的所有特征点，将波长的最大值记为最大波长，将波长的最小值记为最小波长，将初始位置评分的最大值记为最大初始位置评分。

对特征点使用蒙特卡洛搜索树进行选取时，需要获取特征点的位置评分，在选择特征点时，应考虑特征点之间的距离，避免在一个区域内重复选取特征点。相近的特征点虽然在判别人体组织信息时效果较好，但是，相近的特征点包含信息是重复的。所以，特征点位置评分需要考虑所有特征点之间的关系。

将所有使用蒙特卡洛搜索树进行选取的特征点记为被选特征点，将被选择的特征点的高斯核函数窗口内包含的所有特征点记为被选择特征点，被选特征点的初始位置评分经验值取1。

对所有被选特征点使用蒙特卡洛搜索树，根据初始位置评分获取第一迭代后每个被选特征点的位置评分。

根据上述指标，获取被选特征点的位置评分。

式中，为被选特征点的高斯核函数窗口内的波段为/>的被选择特征点的位置评分；/>为波段为/>的被选择特征点上一次的位置评分；/>为所有被选择特征点的初始位置评分的最大值；/>为高斯核函数，括号内第一项为核函数的窗口边长，括号内第二项为被选特征点与被选择特征点的波段之间的距离；/>为波段为/>的被选择特征点的初始评分；/>为最大波长；/>为最小波长；/>为波段为/>的被选特征点所在的均均功率光谱图中被选特征点的数量，经验值为30；/>为第一预设阈值，经验值取5；/>是高斯核函数的最大值。

均功率光谱图为核函数的窗口边长。当高斯核函数的窗口过大时，会导致被选特征点窗口内其他特征点的影响偏大；当高斯核函数的窗口过小时，会导致被选特征点无法对相邻特征点造成足够影响。本实施例的核函数的窗口边长由被选择特征点的波长范围和被选特征点的数量综合得到，窗口边长的选取更为合适。

为波段为/>的被选择特征点与被选择特征点之间的距离，即被选特征点与波段为/>的被选择特征点每比较一次，会对被选特征点的核函数窗口内波段为/>的被选择特征点的位置评分进行下降，当波段为/>的被选择特征点与被选择特征点之间的距离越小时，距离越近，下降的影响越大，对应的位置评分的减少量越多，在使用蒙特卡洛搜索树进行特征点的选取时，选取的特征点越为分散，可提升最终判断结果的质量，使神经网络的映射更为准确，提升激光刀的功率自适应调整的精确度。

的作用为对高斯核函数项进行归一化。

作为系数对被选择特征点/>的位置评分的取值进行限定，作用为保证初始评分值越大的被选择特征点受到被选择点的影响越小，使初始评分值大的被选特征点更容易被选到，使蒙特卡洛搜索能够以更短的搜索次数获取更好的效果，提升最终判断结果的质量，使神经网络的映射更为准确，提升激光刀的功率自适应调整的精确度。

至此，可获取被选特征点的位置评分，使距离被选特征点越近、初始评分值越小的被选特征点的高斯核函数窗口内的被选择特征点的位置评分下降越明显，防止蒙特卡洛搜索选取的被选特征点聚集在临近波段，避免特征点包含的信息重复，使神经网络的映射准确率降低，降低激光刀的功率自适应调整的精确度。

至此，获取被选特征点的位置评分。

最终评分获取模块，获取被选特征点的一级随机数和二级随机数，根据被选特征点的一级随机数和二级随机数和经验价值评分的初始值获取被选特征点的经验价值评分，根据被选特征点的位置评分和经验价值评分获取被选特征点的最终评分。

使用蒙特卡洛搜索树对被选特征点进行选取时，需要设置经验价值评分。

将每个获取时刻的均功率光谱图中被选特征点的光强记为被选特征点的特征值，则被选特征点在每个获取时刻有一个对应的特征值。将被选特征点的所有特征值按照被选特征点所在的均功率光谱图的获取时间顺序进行排序，获取被选特征点的一级随机数。

获取不同被选特征点的一级随机数之间的协方差。当协方差越大时，协方差对应的两个被选特征点的相关性越强，即协方差对应的两个被选特征点的信息越可能出现重复，同时对协方差对应的两个被选特征点进行选择的选择效果越糟糕。

将数据集中每个被选特征点的理论激光刀功率按照被选特征点所在的均功率光谱图的获取时间顺序进行排序，获取被选特征点的二级随机数。

获取被选特征点的一级随机数和二级随机数之间的协方差。当协方差越大时，被选特征点包含的信息识别人体组织的显著性越强，对被选特征点进行选择的选择效果越好。

取经验价值评分的初始值为0。

根据不同被选特征点的一级随机数之间的协方差、被选特征点的一级随机数和二级随机数之间的协方差和经验价值评分的初始值获取被选特征点的经验价值评分。

其中，为被选特征点的经验价值评分；/>为被选特征点上一次的经验价值评分，当被选择的被选特征点是第一次被选择进行计算时，取值为经验价值评分的初始值；/>为被选特征点的一级随机数和二级随机数之间的协方差；/>为被选特征点与其他被选特征点的一级随机数之间的协方差的均值。

至此，获取被选特征点的经验价值评分。

使用蒙特卡洛搜索树对被选特征点进行选取时，需要获取搜索价值，本实施例使用上置信界算法中的搜索价值项作为搜索价值。其中，上置信界算法中的搜索价值项为公知技术，不再赘述。

根据被选特征点的位置评分和经验价值评分获取被选特征点的最终评分。

式中，为被选特征点的最终评分；/>为被选特征点的初始评分；/>为所有被选特征点的初始位置评分的最大值；/>为被选特征点被模拟到的次数；/>为被选特征点的位置评分；/>为被选特征点的经验价值评分；/>为搜索价值常数，经验值取100；为搜索价值。

的作用为保证初始评分值越大的被选特征点的最终评分越大，且初始评分值为0的被选特征点不会被选到，同时，伴随着选特征点被模拟到的次数的增多，初始评分值对总体评分的影响越来越小。

的作用为使经验价值评分越大的被选特征点的最终评分越大，同时，使距离被选特征点越近的被选特征点越难被选择到。

为蒙特卡洛搜索树中的搜索价值项，其含义为本领域公知技术，不再赘述。

特征点评分的获取综合考虑和权衡了被选特征点的模拟过程中初始评分、位置评分、经验价值评分以及搜索价值，使特征点的选取更加合理，尽可在固定的特征点数量的前提下获取包含更多的皮肤组织信息的光谱强度分布，即获取信息密度高的高质量特征点，使激光刀的功率控制更为精确。

至此，获取被选特征点的最终评分。

功率自适应调节模块，根据被选特征点的位置评分、经验价值评分和最终评分，对被选特征点进行特征的模拟提取，获取被选特征点，获取被选特征点的光强序列，进而获取训练数据集，采用训练数据集对神经网络进行训练，根据均功率光谱中特征点的光强和神经网络获取激光刀控制功率，实现二氧化碳激光刀功率的自适应调节。

采用改进的蒙特卡洛搜索树对被选特征点进行特征的模拟提取，改进的蒙特卡洛搜索树包含的步骤如下：

选择阶段：获取所有被选特征点的最终评分，获取最终评分最大的被选特征点作为第一个特征点，更新最终评分最大的特征点的窗口内的被选择特征点的位置评分；获取所有被选特征点的最终评分，取最终评分最大的被选特征点作为第二个被选特征点，更新最终评分最大的特征点的位置评分，按照相同方法对剩余其他的被选特征点进行更新；同理，模拟获取个被选特征点并进行更新，然后，将所有被选特征点和被选择特征点的位置评分赋值为1。其中，/>的经验值取30。

反向传播阶段：在获取个被选特征点后，获取被选特征点的经验价值评分，统计被选特征点被模拟到的次数和蒙特卡洛模拟的总次数。

重复上述步骤，进行次蒙特卡洛模拟，将经验价值评分最大的/>个被选择特征点作为被选特征点。其中，/>经验值取10000，/>经验值取10000。

获取被选特征点的光强，将所有光强按照光强对应的波段从小到大进行排列，获取光强序列。将被选特征点的光强序列、实际激光刀功率和理论激光刀功率记为被选特征点的数据序列，将所有被选特征点的数据序列组成的集合记为训练数据集。

采用训练数据集对神经网络进行训练，神经网络示意图如图2所示。其中，神经网络可采用BP神经网络，包含输入层、FC层和输出层，将实际激光刀功率和理论激光刀功率的均方误差作为损失函数，优化器采用Adam优化器。

将均功率光谱中特征点的光强输入神经网络，获取激光刀控制功率，将激光刀控制功率输入激光刀的管理系统，实现二氧化碳激光刀功率的自适应调节，提升二氧化碳激光手术刀的手术质量。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种手术室医疗器械的质量管理系统，其特征在于，该系统包括以下模块：

数据采集模块，获取反射光光谱图、实际激光刀功率和理论激光刀功率，对反射光光谱进行修正，获取均功率光谱图，进而获取数据集；

所述获取反射光光谱图、实际激光刀功率和理论激光刀功率，对反射光光谱进行修正，获取均功率光谱图，进而获取数据集的方法为：

使用中红外光谱仪获取反射光光谱图，其中，反射光光谱图为折线图，横轴为光的波长，纵轴为波长对应的光强；

从激光刀管理系统提取每个反射光光谱图的获取时刻对应的实际激光刀功率和理论激光刀功率；

对反射光光谱中每个波段的光强乘以第一系数，获取光强调整值，将光强调整值构成的光谱图记为均功率光谱图；

将每个获取时刻对应的均功率光谱图、实际激光刀功率和理论激光刀功率记为获取时刻的数据组；

将所有获取时刻的数据组组成的集合记为数据集；

位置评分获取模块，根据均功率光谱图获取特征点的初始评分，根据初始评分获取最大波长、最小波长和最大初始位置评分，选取被选特征点和被选择特征点，设置被选特征点的初始位置评分，进而获取被选特征点的位置评分；

所述根据均功率光谱图获取特征点的初始评分的方法为：

将均功率光谱图中所有对二氧化碳激光刀的功率产生影响的波段分别记为特征点；

将特征点对应的光强均值记为特征点的均值光强；

对均功率光谱图中所有特征点的均值光强使用最大类间方差法，获取分割阈值；

将均值光强大于分割阈值的特征点的初始评分赋值为均值光强，将均值光强小于等于分割阈值的特征点的初始评分赋值为数字0；

所述根据初始评分获取最大波长、最小波长和最大初始位置评分，选取被选特征点和被选择特征点，设置被选特征点的初始位置评分的方法为：

选取初始评分不为数字0的所有特征点，将波长的最大值记为最大波长，将波长的最小值记为最小波长，将初始位置评分的最大值记为最大初始位置评分；

将所有使用蒙特卡洛搜索树进行选取的特征点记为被选特征点；

将被选择的特征点的高斯核函数窗口内包含的所有特征点记为被选择特征点；

将被选特征点的初始位置评分赋值为第一经验值；

所述进而获取被选特征点的位置评分的方法为：

式中，为被选特征点的高斯核函数窗口内的波段为/>的被选择特征点的位置评分；/>为波段为/>的被选择特征点上一次的位置评分；/>为所有被选择特征点的初始位置评分的最大值；/>为高斯核函数，括号内第一项为核函数的窗口边长，括号内第二项为被选特征点与被选择特征点的波段之间的距离；/>为波段为/>的被选择特征点的初始评分；/>为最大波长；/>为最小波长；/>为波段为/>的被选特征点所在的均功率光谱图中被选特征点的数量；/>为第一预设阈值；/>是高斯核函数的最大值；最终评分获取模块，获取被选特征点的一级随机数和二级随机数，根据被选特征点的一级随机数和二级随机数和经验价值评分的初始值获取被选特征点的经验价值评分，根据被选特征点的位置评分和经验价值评分获取被选特征点的最终评分；

所述获取被选特征点的一级随机数和二级随机数的方法为：

将每个获取时刻的均功率光谱图中被选特征点的光强记为被选特征点的特征值；

将被选特征点的所有特征值按照被选特征点所在的均功率光谱图的获取时间顺序进行排序，获取被选特征点的一级随机数；

将数据集中每个被选特征点的理论激光刀功率按照被选特征点所在的均功率光谱图的获取时间顺序进行排序，获取被选特征点的二级随机数；

所述根据被选特征点的一级随机数和二级随机数和经验价值评分的初始值获取被选特征点的经验价值评分的方法为：

获取被选特征点上一次的经验价值评分；

将被选特征点的一级随机数和二级随机数之间的协方差记为第一协方差；

将被选特征点与其他被选特征点的一级随机数之间的协方差的均值记为第二协方差；

将被选特征点上一次的经验价值评分与第一协方差的和记为第一和值；

将第一和值与第二协方差的差记为被选特征点的经验价值评分；

所述根据被选特征点的位置评分和经验价值评分获取被选特征点的最终评分的方法为：

将搜索价值与搜索价值常数的乘积记为搜索价值项；

将被选特征点的位置评分与经验价值评分的乘积记为第一乘积；

将搜索价值项与第一乘积的和记为第二和值；

将被选特征点被模拟到的次数与所有被选特征点的初始位置评分的最大值的乘积记为第二乘积；

将被选特征点的初始评分与第二乘积的比值与第二和值的乘积记为被选特征点的最终评分；

功率自适应调节模块，根据被选特征点的位置评分、经验价值评分和最终评分，对被选特征点进行特征的模拟提取，获取被选特征点，获取被选特征点的光强序列，进而获取训练数据集，采用训练数据集对神经网络进行训练，根据均功率光谱中特征点的光强和神经网络获取激光刀控制功率，实现二氧化碳激光刀功率的自适应调节；

所述根据被选特征点的位置评分、经验价值评分和最终评分，对被选特征点进行特征的模拟提取，获取被选特征点，获取被选特征点的光强序列的方法为：

采用改进的蒙特卡洛搜索树对被选特征点进行特征的模拟提取，模拟完成后，将经验价值评分最大的第一经验值个被选择特征点作为被选特征点；

获取被选特征点的光强，将所有光强按照光强对应的波段从小到大进行排列，获取光强序列；

将被选特征点的光强序列、实际激光刀功率和理论激光刀功率记为被选特征点的数据序列；

所述进而获取训练数据集，采用训练数据集对神经网络进行训练，根据均功率光谱中特征点的光强和神经网络获取激光刀控制功率，实现二氧化碳激光刀功率的自适应调节的方法为：

将所有被选特征点的数据序列组成的集合记为训练数据集；

采用训练数据集对神经网络进行训练，获取训练完成的神经网络；

将均功率光谱中特征点的光强输入训练完成的神经网络，获取激光刀控制功率；

将激光刀控制功率输入激光刀的管理系统，实现二氧化碳激光刀功率的自适应调节。