换一批基于卷积神经网络的采血管铝箔帽状态检测方法
Aluminum Foil Cap State Detection Method for Blood Collection Tubes Based on Convolutional Neural Networks
摘要目的 针对医学实验室自动化生化免疫检验流水线识别准确率和识别速度要求极高、采血管类型众多、采血管铝箔帽状态复杂以及管壁挂液干扰严重的问题,提出一种基于卷积神经网络的采血管铝箔帽状态检测方法,以实现采血管铝箔帽状态的识别.方法 首先采用轻量化的模型设计思想,通过减少模型的深度降低参数量和计算量,同时引入通道注意力机制,以提高样本特征的提取能力;其次采用Focal Loss损失函数解决难例样本挖掘的问题,进一步优化模型的性能;最后,通过教师网络指导学生网络进行知识蒸馏,得到最终轻量化的小模型.结果 对学生网络模型的轻量化设计使该检测方法适用于资源有限的边缘计算设备,模型的参数量仅为0.354 M,计算量为0.165 GFlops,对Jetson Nano设备的识别速度为3.42 ms,且其在复杂的采血管情况下,识别准确率可达100%.结论 本研究充分验证了该模型的轻量化、高效性和实用性,说明基于轻量化卷积神经分类网络模型的检测方法可准确识别采血管铝箔帽状态,是医学实验室自动化生化免疫检验流水线中采血管铝箔帽状态检测的解决方案.
更多相关知识
关键词
采血管铝箔帽状态检测卷积神经网络轻量化分类网络模型边缘侧aluminum foil cap state detection for blood collection tubeconvolutional neural networkslightweight classification network modeledge side
栏目名称
DOI
10.3969/j.issn.1674-1633.2024.03.002
发布时间
2024-04-03（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家重点研发计划（2022YFC2406400）
- 浏览15
- 被引1
- 下载3
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
