[发明专利]一种基于语义分割的静脉输液液位检测方法

权利要求书

1.一种基于语义分割的静脉输液液位检测方法，其特征在于：包括以下步骤：

将输液瓶和输液袋图像进行液位标注，得到数据集；

将数据集输入语义分割网络中；

所述语义分割网络包括特征提取模块、深度特征提取模块、特征融合模块和全连接模块；

所述特征提取模块提取数据集中图像特征，生成低级特征图和高级特征图；

将所述高级特征图输入所述深度特征提取模块中进行特征提取得到第一特征图；

将所述低级特征图和所述第一特征图输入所述特征融合模块中进行融合得到融合特征图；

将所述融合特征图输入全连接模块中，全连接模块对融合特征图上的像素点进行分类，得到数据集中图像有液面和无液面的语义分割结果；

根据数据集中图像的液位标注和语义分割结果以及目标损失函数对语义分割网络进行迭代训练，得到语义分割网络模型；

将待测的输液瓶或者输液袋图像输入语义分割网络模型；语义分割网络模型输出静脉输液液位检测结果。

2.根据权利要求1所述的方法，其特征在于：所述特征提取模块包括卷积模块、卷积注意力模块和多个倒残差模块；特征提取模块包括一阶段模块和二阶段模块，一阶段模块由卷积模块、一个卷积注意力模块和三个倒残差模块依次连接组成，一阶段模块输入为输液瓶或输液袋图像；输液瓶或输液袋图像经过一阶段模块提取特征后得到低级特征图；二阶段模块由十四个倒残差模块依次连接组成，二阶段模块的输入为低级特征图，低级特征图经过二阶段模块中的倒残差模块依次特征提取后，得到高级特征图。

3.根据权利要求2所述的方法，其特征在于：所述特征提取模块的卷积模块依次包括卷积层、批归一化层和激活层；卷积层将卷积模块的输入出作为卷积层的输入，进行特征提取；卷积层用于提取相同分布特征矩阵并输入数据特征，对图像做卷积操作其实就是利用卷积核在图像上滑动，将图像上的值与对应卷积核上的数值相乘，然后将所有相乘后的值相加作为该位置的输出值，并最终滑动遍历完整副图像，得到卷积计算后的结果特征图；批归一化层将卷积层的输出进行批归一化计算，再将批归一化层的输出作为激活层的输入；激活层将批归一化层的输出作为激活层的输入，进行线性激活计算，将激活层的输出作为卷积模块的输出。

4.根据权利要求3所述的方法，其特征在于：所述特征提取模块的卷积注意力模块包括：依次连接的通道注意力结构和空间注意力结构；将所述卷积模块的输出作为所述卷积注意力模块的输入，即作为所述通道注意力结构的输入；将所述通道注意力结构的输入与输出进行逐元素相乘之后得到的输出结果作为所述空间注意力结构的输入；将所述空间注意力结构的输入与空间注意力结构的输出进行逐元素相乘后得到卷积注意力模块的输出。

5.根据权利要求2所述的方法，其特征在于：所述特征提取模块的倒残差模块包括依次连接的卷积模块、深度可分离卷积模块、卷积层；当特征图输入倒残差模块时，卷积模块对特征图进行特征提取，并将特征提取的结果作为深度可分离卷积模块的输入；深度可分离卷积模块对卷积模块的输出进行特征提取后，将结果作为卷积层的输入；卷积层对深度可分离卷积模块的输出进行特征提取，并将特征提取的结果与倒残差模块的输入进行像素相加后输出。

6.根据权利要求1所述的方法，其特征在于：所述深度特征提取模块包括一个卷积模块、三个深度可分离卷积模块、全局平均池化层、一个维度拼接操作、卷积层和上采样层；所述深度特征提取模块中的卷积模块、三个深度可分离卷积模块和全局平均池化层，分别对高级特征图进行特征提取得到五个特征图，将获得的五个特征图在维度上进行特征拼接操作后，依次输入卷积层、上采样层中得到第一特征图。

7.根据权利要求1所述的方法，其特征在于：所述特征融合模块包括一个卷积模块、一个维度拼接操作、一个卷积层和一个上采样层；所述特征融合模块中的卷积模块对低级特征图进行降维，将降维后的低级特征图与第一特征图在维度上进行特征拼接操作后，依次输入卷积层、上采样层中得到融合特征图。