【技術實現步驟摘要】
本專利技術涉及計算機視覺，更具體的說，涉及一種凝血儀冷藏試劑存放異常的檢測方法及相關設備。
技術介紹
1、在凝血儀進行凝血實驗前，需要對凝血儀冷藏試劑的存放進行規范性檢測，包括：試劑瓶是否放置在與其大小匹配的試劑凹槽中以及試劑瓶的瓶塞是否取下等，以便及時發現凝血儀冷藏試劑存放異常的情況。
2、現有技術對凝血儀冷藏試劑存在異常的檢測主要靠人工完成，因此，檢測時間長，對凝血儀冷藏試劑存放異常情況的檢測效率低。
技術實現思路
1、有鑒于此，本專利技術公開一種凝血儀冷藏試劑存放異常的檢測方法及相關設備，以實現對凝血儀冷藏試劑存放異常情況的自動檢測，從而提高了檢測效率。
2、一種凝血儀冷藏試劑存放異常的檢測方法，包括：
3、獲取凝血儀冷藏試劑存儲區的待檢測圖像；
4、將所述待檢測圖像輸入至預先構建的目標檢測模型，得到所述待檢測圖像中每個目標區域對應的不同特征類別的預測概率值；其中，每個所述目標區域為所述目標檢測模型采用檢測框框出的包含單個試劑凹槽的區域，所述不同特征類別包括：未放置試劑、正常放置試劑、試劑放置位置異常、試劑瓶口異常和試劑放置位置及瓶口均異常；
5、將每個所述目標區域的最高預測概率值對應的目標特征類別，確定為最終檢測結果。
6、可選的，所述目標檢測模型的構建過程包括：
7、獲取所述凝血儀冷藏試劑存儲區的原始圖像數據集；
8、對所述原始圖像數據集中的每個原始圖像數據，采用檢測框將每個試
9、標注每個所述檢測框所屬的特征類別，得到所述原始圖像數據的標簽文檔，并對所述原始圖像數據進行數據增強，得到目標圖像數據集；
10、基于各個所述標簽文檔對應的檢測框的寬高信息，將所述目標檢測模型的預設錨框尺寸修改為適用于所述原始圖像數據集的尺寸；
11、將所述目標圖像數據集按照預設劃分比例劃分為訓練集、驗證集和測試集；
12、基于修改后的預設錨框尺寸，利用所述訓練集進行模型訓練得到多個檢測模型；
13、利用所述驗證集對各個所述檢測模型的評價指標進行評估，查找到評價指標最佳的備選檢測模型；
14、利用所述測試集對所述備選檢測模型進行測試，當所述備選檢測模型測試通過時，將所述備選檢測模型確定為所述目標檢測模型。
15、可選的，所述基于修改后的預設錨框尺寸，利用所述訓練集進行模型訓練得到多個檢測模型，包括：
16、基于修改后的預設錨框尺寸，將所述訓練集輸入至單階段目標檢測yolov5模型架構，得到多個所述檢測模型。
17、可選的，所述評價指標包括：模型訓練時在反向傳播階段所用的總損失函數以及在所述驗證集上的平均精度。
18、可選的，所述總損失函數包括：置信度損失函數、分類損失函數和回歸損失函數三部分；
19、所述總損失函數的表達式如下：
20、ltotal＝αlobj+βlcls+γlbox；
21、式中，ltotal表示所述總損失函數，lobj表示所述置信度損失函數，lcls表示所述分類損失函數，lbox表示所述回歸損失函數，α、β和γ為權重系數，滿足α+β+γ＝1，α、β、γ＞0；
22、lobj的表達式如下：
23、
24、式中，yij表示第i個網格中第j個檢測框的真實置信度標簽，當檢測框中包含目標物體yij取值為1，否則取值為0；
25、cij表示模型預測第i個網格中第j個檢測框中包含物體的把握程度大小，取值范圍為[0，1]；
26、表示條件函數，判斷依據為第i個網格中第j個檢測框是否包含目標物體，當檢測框中包含目標物體取值為1，否則取值為0；
27、的判斷條件與相反，判斷依據為第i個網格中第j個檢測框是否包含目標物體，當檢測框中包含目標物體取值為0，否則取值為1；
28、s表示模型將圖像劃分的網格數量；
29、b表示模型在每個劃分的網格上生成預測框的數量；
30、lcls的表達式如下：
31、
32、式中，yij(c)表示該物體所屬的真實類別；
33、pij(c)表示模型預測的該物體所屬各個類別的概率；
34、c表示class中某一具體的特征類別；
35、class表示所有特征類別的集合；
36、lbox的表達式如下：
37、
38、式中，iou定義為真實框和預測框的交集比上二者的并集；
39、ρ(a,b)表示兩框中心點的距離；
40、a表示人工標注的真實框對應的區域；
41、b表示模型生成的預測框對應的區域；
42、v表示真實框寬高比和預測框寬高比的差距；
43、c表示兩框最小外接矩形c的對角線長度；
44、w表示框的寬；
45、h表示框的高。
46、可選的，對所述原始圖像數據進行數據增強的策略包括：隨機裁剪、隨機平移和旋轉、隨機改變亮度、增添隨機遮擋以及增加隨機噪聲五種策略。
47、可選的，所述檢測方法還包括：
48、將每個所述目標區域對應的所述最終檢測結果在所述待檢測圖像上進行標注，得到目標檢測圖像；
49、將所述目標檢測圖像作為檢測結果圖輸出。
50、一種凝血儀冷藏試劑存放異常的檢測裝置，包括：
51、圖像獲取單元，用于獲取凝血儀冷藏試劑存儲區的待檢測圖像；
52、特征類別預測單元，用于將所述待檢測圖像輸入至預先構建的目標檢測模型，得到所述待檢測圖像中每個目標區域對應的不同特征類別的預測概率值；其中，每個所述目標區域為所述目標檢測模型采用檢測框框出的包含單個試劑凹槽的區域，所述不同特征類別包括：未放置試劑、正常放置試劑、試劑放置位置異常、試劑瓶口異常和試劑放置位置及瓶口均異常；
53、檢測結果確定單元，用于將每個所述目標區域的最高預測概率值對應的目標特征類別，確定為最終檢測結果。
54、一種電子設備，所述電子設備包括：存儲器和處理器；
55、所述存儲器用于存儲至少一個指令；
56、所述處理器用于執行所述至少一個指令以實現上述所述的凝血儀冷藏試劑存放異常的檢測方法。
57、一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲至少一個指令，所述至少一個指令被處理器執行時實現上述所述的凝血儀冷藏試劑存放異常的檢測方法。
58、從上述的技術方案可知，本專利技術公開了一種凝血儀冷藏試劑存放異常的檢測方法及相關設備，獲取凝血儀冷藏試劑存儲區的待檢測圖像，將待檢測圖像輸入至預先構建的目標檢測模型，得到待檢測圖像中每個目標區域對應的不同特征類別的預測概率值，目標區域為目標檢測模型采用檢測框框出的包含單個試劑凹槽的區域，并將每個目標區域的最高預測本文檔來自技高網...
【技術保護點】
1.一種凝血儀冷藏試劑存放異常的檢測方法，其特征在于，包括：
2.根據權利要求1所述的檢測方法，其特征在于，所述目標檢測模型的構建過程包括：
3.根據權利要求2所述的檢測方法，其特征在于，所述基于修改后的預設錨框尺寸，利用所述訓練集進行模型訓練得到多個檢測模型，包括：
4.根據權利要求2所述的檢測方法，其特征在于，所述評價指標包括：模型訓練時在反向傳播階段所用的總損失函數以及在所述驗證集上的平均精度。
5.根據權利要求4所述的檢測方法，其特征在于，所述總損失函數包括：置信度損失函數、分類損失函數和回歸損失函數三部分；
6.根據權利要求2所述的檢測方法，其特征在于，對所述原始圖像數據進行數據增強的策略包括：隨機裁剪、隨機平移和旋轉、隨機改變亮度、增添隨機遮擋以及增加隨機噪聲五種策略。
7.根據權利要求1所述的檢測方法，其特征在于，所述檢測方法還包括：
8.一種凝血儀冷藏試劑存放異常的檢測裝置，其特征在于，包括：
9.一種電子設備，其特征在于，所述電子設備包括：存儲器和處理器；
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。