换一批摘要目的 提出一种基于改进YOLOv8n模型的手术器械识别方法,旨在减少传统手动计数方法中容易出现的错误,进一步保护患者的安全.方法 在网络主干部分引入压缩和激励(Squeeze-and-Excitation,SE)网络注意力机制,以增强模型对特征信息的利用能力;其次,模型融入双向特征金字塔网络(Bidirectional Feature Pyramid Network,BiFPN)结构,以更有效地整合多尺度特征;最后,采用加权交并比(Weighted Intersection over Union,WIoU)损失函数对原始网络的损失函数进行优化,从而提升模型精度.结果 消融实验结果显示,加入SE网络注意力机制、BiFPN结构以及WIoU损失函数的YOLOv8n模型在手术器械识别任务中,mAP50(交并比阈值设为50%时的平均精度均值)为98.7%,mAP50-95(交并比阈值设为50%～95%时的平均精度均值)为95.6%,相较于原始YOLOv8n模型,mAP50与mAP50-95分别提高了6.8%和8.0%.改进后的YOLOv8n模型与其他主流算法对比,相较于SSD算法,mAP50与mAP50-95分别提高了11.58%与18.30%;相较于Faster R-CNN算法,分别提高了3.43%与9.10%;相较于YOLOv4算法,分别提高了5.97%与7.00%;相较于IYOLO算法,分别提高了2.22%与8.00%.结论 改进YOLOv8n模型在精度上优于YOLOv4等常见算法,可有效减少器械漏检现象,显著提升手术器械识别的可靠性与精度.
更多相关知识
关键词
器械漏检改进YOLOv8n压缩和激励(SE)网络注意力机制加权交并比(WIoU)损失函数双向特征金字塔网络(BiFPN)结构多尺度特征手术器械识别方法missed inspection of instrumentsimprove YOLOv8nsqueeze-and-excitation(SE)network attention mechanismweighted intersection-union ratio(WIoU)loss functionbidirectional feature pyramid network(BiFPN)structuremulti-scale featuressurgical instrument
栏目名称
DOI
10.3969/j.issn.1674-1633.20241560
发布时间
2025-12-29（万方平台首次上网日期，不代表论文的发表时间）
基金项目
安徽省高校自然科学研究项目（2023AH051856）
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
