检索历史 清除

摘要随着科技水平的提高，越来越多的新技术逐渐涌现，计算机视觉和深度学习技术也在不断提高，基于深度学习的目标检测算法已经广泛的应用到人们的日常生活中。在医疗领域，深度神经网络对辅助诊断系统检测能力的提升是巨大的，针对牙齿根管充填异常情况进行目标检测具有重要意义。目标检测算法模型进行优化是提高精度的办法之一，但随着精度的提高，会使网络复杂度随之增加，还会使模型增加参数量与计算量。本文研究将以YOLOv5作为基准网络，从模型优化、模型轻量化和软件设计等方面展开研究，主要的研究内容和取得的成果如下：<br>　　(1)深入分析YOLOv5网络结构的基本原理及模型性能评估指标，并通过YOLOv5各模型对比实验选取YOLOv5s作为模型检测基础。为提高模型在本数据集检测下的精确度，对YOLOv5的网络结构做出改进，提出将YOLOv5s网络模型颈部自带的上采样算子替换为Carafe上采样，并加入了基于归一化处理的注意力机制NAM。在网络模型头部将YOLOv5s的耦合头优化并使用自定义的L-Head解耦头，得到新的网络模型YOLOv5s-L。实验结果表明改进优化后的算法精度提高6.8%，mAP(0.5)提高3.5%。<br>　　(2)对于改进后的YOLOv5s-L，虽然提高了它的检测精度，但参数量与计算量也随之大幅度升高。为了寻求这两者间的平衡，选择模型轻量化处理的方式。本文提出使用轻量化模块GSConv和VOV-GSCSP来替换颈部的Conv和C3_F模块，降低了计算和网络结构的复杂性，同时提高了模型性能和泛化能力。在骨干网络部分选择使用GhostConv和GhostBottleneck来替换Conv和Bottlenecks部分，消除一些冗余特征，减少模型计算量和参数量，使模型更加轻量化，运算速度更快。最后针对后处理算法提出了自定义的DIOU_Soft NMS,得到新的网络模型YOLOv5-Lx。实验结果表明改进后的算法在保证精度较高的情况下，减少了模型的参数量和计算量，使新的网络模型能更好的满足牙齿根管填充异常图像检测需求。<br>　　(3)结合牙齿根管填充的实际工作需求，设计开发了X光小牙片图像处理软件。实现了对X光小牙片的图像增强功能，并且在功能中添加YOLOv5s-Lx的检测识别功能与计算两点间距离功能，通过对比实验，结果充分表明通过软件处理后的X光小牙片图像检测效果更好。