可读存储介质、支架规格识别方法及装置与流程

1.本发明涉及医疗器械检测技术领域，特别涉及一种可读存储介质、支架规格识别方法及装置。


背景技术：

2.支架是在血管里植入支架撑开狭窄，堵塞的血管，多用于冠状动脉硬化，心肌梗塞，脑梗塞等心脑血管疾病。支架能有效的促进血液的正常流动，促进血管再塑功能的恢复，能有效的防止血管弹性回缩，有些支架还能防止血管再次收缩，堵塞。主要分为冠脉支架、脑支架、肾动脉支架、大动脉支架等。
3.支架治疗临床疾病的疗效是有目共睹的，也越来越多的病人选择支架啊介入治疗，因此支架质量的重要性关注度越来越高。支架的大小检测在组装环节必不可少，而且也是尤其重要。因为一旦大规格的支架装载被压握机进行压握后装载进球囊流入市场，就会导致手术过程中支架撑破患者血管。目前来说支架尺寸大小规格检测主要是人工抽查，在显微镜下观察检测为主。判断是大型号规格，小型号规格还是中等型号规格。但是人工抽查检测不能保证每一个产品的规格的正确，并且人工检查受限于质检员的身体状况以及工作状态。在长时间，人工检测展现出了极大的弊端，由于劳动强度大，使得对于支架大小规格判断错误，从而导致误检率高，如将大规格支架判断为小支架或者中等型号支架等，这样极大地限制了生产效率的提高和产品质量的提升，导致不合格的产品流入后续的生产加工过程，酿成极大的事故。


技术实现要素：

4.本发明的目的在于提供一种可读存储介质、支架规格识别方法及装置，以解决在利用人工检查支架规格时误检率高且效率低的问题。
5.为解决上述技术问题，本发明提供一种支架规格识别方法，包括：
6.获取不同预设规格的支架的图像以制作标准数据集，并利用所述标准数据集对一神经网络模型进行训练；
7.获取目标支架的图像，并加载经训练的所述神经网络模型，对所述目标支架的图像进行识别，以评估所述目标支架对应于各所述预设规格的分数值。
8.可选的，在所述的支架规格识方法中，所述支架规格识别方法还包括：
9.设置可信任分数阈值；以及，
10.在评估得到所述目标支架对应于各所述预设规格的分数值后，判断所述分数值是否超过可信任分数阈值；
11.如果是，获取相应所述预设规格的标签并输出。
12.可选的，在所述的支架规格识方法中，所述目标支架对应于各所述预设规格的分数值的总和为1。
13.可选的，在所述的支架规格识方法中，所述获取不同预设规格的支架的图像的方
法包括：
14.根据支架的目标特征判断获取的图像中的支架的规格大小，若规格为所述预设规格，则保留，若规格不为所述预设规格，则丢弃。
15.可选的，在所述的支架规格识方法中，所述目标特征包括支架的节杆的数量和/或用于连接相邻两个所述节杆的连接件的弯折角度。
16.可选的，在所述的支架规格识方法中，所述制作标准数据集的方法包括：
17.将所述不同预设规格的支架的图像的大小调整至选定大小、名称及格式进行统一以及按照规格进行分类。
18.可选的，在所述的支架规格识方法中，在对所述目标支架的图像进行识别之前，所述支架规格识别方法还包括：
19.将所述目标支架的图像调整至所述选定大小。
20.可选的，在所述的支架规格识方法中，在利用所述标准数据集对所述神经网络模型进行训练之前，所述对神经网络模型进行训练的方法还包括：
21.判断所述标准数据集的数据量是否大于一设定值，若否，则对所述标准数据集进行数据扩增。
22.本发明还提供一种支架规格识别装置，包括：
23.图像获取模块，用于获取支架的图像，包括用于制作标准数据集的支架的图像和目标支架的图像；
24.标准数据集制作模块，用于从所述图像获取模块获取的支架的图像中获取不同预设规格的支架的图像以制作所述标准数据集；
25.模型训练与保存模块，用于利用所述标准数据集对一神经网络模型进行训练；
26.支架规格识别模块，用于加载经训练的所述神经网络模型对所述目标支架的图像进行识别，以评估所述目标支架对应于各所述预设规格的分数值。
27.可选的，在所述的支架规格识别装置中，所述支架规格识别装置还包括：可信任分数阈值设置模块，用于设置可信任分数阈值；
28.所述支架规格识别模块还用于在在评估得到所述目标支架对应于各所述预设规格的分数值后，判断所述分数值超过可信任分数阈值，如果是，获取相应所述预设规格的标签并输出。
29.可选的，在所述的支架规格识别装置中，所述目标支架对应于各所述预设规格的分数值的总和为1。
30.可选的，在所述的支架规格识别装置中，所述标准数据集制作模块获取不同预设规格的支架的图像的方法包括：
31.根据支架的目标特征判断获取的图像中的支架的规格大小，若规格为所述预设规格，则保留，若规格不为所述预设规格，则丢弃。
32.可选的，在所述的支架规格识别装置中，所述目标特征包括支架的节杆的数量和/或用于连接相邻两个所述节杆的连接件的弯折角度。
33.可选的，在所述的支架规格识别装置中，所述标准数据集制作模块制作标准数据集的方法包括：
34.将所述不同预设规格的支架的图像的大小调整至选定大小、名称及格式进行统一
以及按照规格进行分类。
35.可选的，在所述的支架规格识别装置中，所述支架规格识别装置还包括：图像大小调整模块，用于将所述目标支架的图像调整至所述选定大小。
36.本发明还提供一种可读存储介质，所述可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现如上所述的支架规格识别方法。
37.综上，在本发明提供的可读存储介质、支架规格识别方法及装置中，首先获取不同预设规格的支架的图像以制作标准数据集，并利用所述标准数据集对一神经网络模型进行训练；而后获取目标支架的图像，并加载经训练的所述神经网络模型，对所述目标支架的图像进行识别，以评估所述目标支架对应于各所述预设规格的分数值。如此，不需要人工干预，便可自动完成对支架的规格的检测，解决了在利用人工检查支架规格时误检率高且效率低的问题。
附图说明
38.图1为本发明实施例中一种支架的结构示意图；
39.图2为本发明实施例提供的支架规格识别方法的流程图；
40.图3为本发明实施例提供的支架规格识别装置的组成框图；
41.其中，各附图标记说明如下：
42.11-节杆；12-连接件；100-图像获取模块；200-标准数据集制作模块；300-模型训练与保存模块；400-支架规格识别模块；500-可信任分数阈值设置模块；600-数据扩增模块；700-图像大小调整模块。
具体实施方式
43.以下结合附图和具体实施例对本发明提出的可读存储介质、支架规格识别方法及装置作进一步详细说明。根据下面说明，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。此外，附图所展示的结构往往是实际结构的一部分。特别的，各附图需要展示的侧重点不同，有时会采用不同的比例。
44.请参考图1，为一种支架的结构示意图，所述支架包括节杆11和连接件12，所述节杆11和所述连接件12的数量均为多个，多个所述节杆11沿轴向依次排布，通过所述连接件12连接相邻两根所述节杆11。
45.所述节杆11的数量的不同，使得所述支架呈现不同的规格，随着所述节杆11数量的增加，所述支架的规格也呈增大趋势。由于相邻所述节杆11之间通过所述连接件12连接，故使得所述支架沿轴向具有一定形变自由度，但如前文所述，一旦大规格的支架装载被压握机进行压握后装载进球囊流入市场，就会导致手术过程中支架撑破患者血管，因此，需要事先对支架的规格进行识别，而现有的通过人工检测支架规格的方式，存在误检率高且效率低的问题。
46.有鉴于此，如图2所示，本发明实施例提供一种支架规格识别方法，所述支架规格识别方法包括如下步骤：
47.s1，获取多种预设规格的支架的图像以制作标准数据集，并利用所述标准数据集
对一神经网络模型进行训练；
48.s2，获取目标支架的图像；
49.s3，加载经训练的所述神经网络模型，对所述目标支架的图像进行识别，以评估所述目标支架对应于各所述预设规格的分数值。
50.即，采用本发明实施例提供的所述支架规格识别方法，不需要人工干预，便可自动完成对支架的规格的检测，因此解决了在利用人工检查支架规格时误检率高且效率低的问题。
51.以下对上述各步骤进行详细说明。
52.一般的，当采集大量图片对神经网络模型时，可能会存在图片格式、名称不一致的情况，另外，对于神经网络模型训练而言，对于图像大小有一定的要求，而支架原本的图像大小与拍摄装置的分辨率有关，当拍摄装置的分辨率较高时，可能存在拍摄图片过大，无法用于神经网络模型训练的情况。
53.因此，步骤s1中，所述获取不同预设规格的支架的图像的方法包括：根据支架的目标特征判断获取的图像中的支架的规格大小，若规格为所述预设规格，则保留，若规格不为所述预设规格，则丢弃。
54.如前文所述，支架的节杆的数量，使其呈现不同的规格，因此，在一具体实施方式中，在制作所述标准数据集时，所述目标特征可采用节杆数量，即根据支架的节杆数量，设定不同规格s、m、l，以用于神经网络模型的训练。例如，s可表示节杆的数量为4的支架的规格，m可表示节杆的数量为8的支架的规格，l可表示节杆的数量为12的支架的规格，s、m、l具体所对应的节杆的数量可根据目标支架的节杆的数量进行调整。而在获取大量图像用于制作所述标准数据集时，可能获取的图像中包含了(s、m、l)之外的支架的图像，因此，在获取图像之后，首先应当对获取的图像进行筛选，丢弃预设规格(s、m、l)之外的支架的图像。
55.在另外的实施方式中，也可以获取相邻两个节杆之间的所述连接件的弯折角度，据此判断支架规格，所述连接件的弯折角度越小，表示支架的规格越大。
56.另外，所述目标特征也可为所述节杆的数量和所述连接件的弯折角度的组合。且在用于所述网络模型训练时，实际采取的特征可不仅限于节杆的数量、节杆之间的弯折角度。
57.在获取不同预设规格的支架的图像之后，所述制作标准数据集的方法可包括：将所述不同预设规格的支架的图像的大小调整至选定大小、名称及格式进行统一，以及按照规格进行分类。
58.具体的，判断图像的名称、格式是否统一，若不统一，则修改图片名称、格式，以使所述标准数据集中所有图片的名称相同，格式一致；以及，判断图像的大小是否满足标准，若不满足，则将各图像的大小调整到选定大小，例如，若原本图片大小为2448*2048，则可将其调整至224*224，以用于神经网络模型的训练。其中，对于格式/名称的调整、大小的调整以及图片的分类不分先后。
59.在对神经网络模型进行训练时，一般的，制作形成的所述标准数据集包括训练数据集和测试数据集，因此，本实施例中，所述训练数据集和所述测试数据集均由三种规格(s、m、l)的支架的图像组成，且所述训练数据集和所述测试数据集中图像的名称和格式均统一。
60.在本实施例，通过三种预设规格(s、m、l)来对所述支架规格识别方法进行说明。在另外一些实施例中，为进一步提高测试精度，还可对规格做进一步细分，例如分为：xs、s、m、l和xl，各规格所对应的节杆的数量逐渐增加，在此不再举例说明，但需理解，即使预设规格的种类发生改变，所有预设规格的最终评估出的分数值的总和应保持不变，例如可为1。在另外一些实施例中，所有分数值的总和也可采用100。
61.另外，在对神经网络模型进行训练时，对于图像的数量有一定要求，一般要求图像数量至少达到2000～3000张。因此，本实施例中，较佳的，在利用所述标准数据集对所述神经网络模型进行训练之前，所述对神经网络模型进行训练的方法还包括：判断所述标准数据集的数据量是否足够，即是否大于一设定值，若否，则对所述标准数据集进行数据扩增。所述进行数据扩增的方法包括亮度扩增、旋转扩增以及翻转扩增中的一种或多种。
62.本实施例中，优选的，所述神经网络模型为使用全局池化层(gap，global average pooling)替代全连接层的神经网络模型。在常见的卷积神经网络，例如densenet201模型中，全连接层之前的卷积层负责对图像进行特征提取，在获取特征后，传统的方法是接上全连接层之后再进行激活分类,而全局池化层的思路是使用全局池化层来替代该全连接层(即使用全局池化层的方式来降维)，更重要的一点是保留了前面各个卷积层和池化层提取到的空间信息以及语义信息，所以在实际应用中效果提升也较为明显。另外，全局池化层去除了对输入图片数量大小的限制，而且可通过减少模型中的参数总数来最小化过度拟合。
63.在利用训练好的所述神经网络模型来对目标支架的图像进行训练时，所述目标支架的图像大小需与制作所述标准数据集时选定的图像大小保持一致，以使规格能够被准确识别。而在所述目标支架的图像的获取时，同样的，受拍摄装置分辨率的影响，可能无法保证拍摄出来的图像的大小正好与用于所述神经网络模型训练时选定的图像大小(即所述设定大小)一致。因此，本实施例中，在执行完步骤s2之后，步骤s3之前，所述支架规格识别方法还可包括：将所述目标支架的图像调整至所述选定大小，从而以使所述目标支架能够被训练后的所述神经网络模型识别规格。
64.步骤s3中，在输入需要检测的图像后，加载经训练的所述神经网络模型以对输入的图像中的支架的规格进行识别，以评估所述目标支架对应于各所述预设规格的分数值，例如，以分数值总和为1为例，若经识别，得到三种规格[l，m，s]对应的分数值分别为[0.97，0.02，0.01]，则表示所述目标支架为l规格的可能性最大。
[0065]
优选的，所述支架规格识别方法还包括：设置可信任分数阈值，在评估得到所述目标支架对应于各所述预设规格的分数值后，判断所述分数值是否超过可信任分数阈值，如果是，获取相应所述预设规格的标签并输出。在设定可信分数阈值后，当预测分数低于此阈值，可以认为网络结果没有很好的识别出支架的规格。如，以分数值总和为1为例，此处可设定可信任分数阈值为0.75，若经识别，得到三种规格[l，m，s]对应的分数值分别为[0.97，0.02，0.01]，很明显l规格的分数值为0.97超过了设定的可信任分数阈值0.75，故最终输出l规格的标签。其中，所述可信任阈值通过人为预先设置，不同的产品，所述可信任阈值可能不同，具体可通过标定得到。另外，各规格的相应标签可提前设置，例如可设置l规格的标签为1，m规格的标签为2，s规格的标签为3。
[0066]
基于同一思想，本发明实施例还提供一种支架规格识别装置，所述支架规格识别装置包括：
[0067]
图像获取模块100，用于获取支架的图像，包括用于制作标准数据集的支架的图像和目标支架的图像；
[0068]
标准数据集制作模块200，用于从所述图像获取模块获取的支架的图像中获取不同预设规格的支架的图像以制作标准数据集；
[0069]
模型训练与保存模块300，用于利用所述标准数据集对一神经网络模型进行训练；
[0070]
支架规格识别模块400，用于加载经训练的所述神经网络模型对调整图像大小至所述设定大小的所述目标支架的图像进行识别，以评估所述目标支架对应于各所述预设规格的分数值。
[0071]
所述标准数据集制作模块200利用从所述图像获取模块获取的支架的图像中获取不同预设规格的支架的图像以制作所述标准数据集的方法，所述标准数据集制作模块获取不同预设规格的支架的图像的方法，以及，所述模型训练与保存模块300进行训练的所述神经网络模型，已在本实施例中支架规格识别方法部分进行描述，在此不再赘述。
[0072]
另外，优选的，所述支架规格识别装置还包括：可信任分数阈值设置模块500，可信任分数阈值设置模块500用于设置可信任分数阈值。对应的，所述支架规格识别模块400还用于在在评估得到所述目标支架对应于各所述预设规格的分数值后，判断所述分数值超过可信任分数阈值，如果是，获取相应所述预设规格的标签并输出。
[0073]
同样，由于在对神经网络模型进行训练时，对于图像的数量有一定要求，一般要求图像数量至少达到2000～3000张。因此，本实施例中，较佳的，所述支架规格识别装置还包括：数据扩增模块600，所述数据扩增模块600用于判断所述标准数据集的数据量是否足够，若否，则对所述标准数据集进行数据扩增。所述进行数据扩增的方法包括亮度扩增、旋转扩增以及翻转扩增中的一种或多种。
[0074]
此外，本实施例中，所述支架规格识别装置还可包括：图像大小调整模块700，用于将所述目标支架的图像调整至所述选定大小，以使当所述目标支架的图像大小与所述选定大小不一致时，调整所述目标支架的图像大小。
[0075]
为了描述的方便，描述以上支架规格识别装置时以功能分为各种模块分别描述。当然，在实施本发明时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
[0076]
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机程序的形式体现出来，该计算机程序可以存储在可读存储介质中，如rom/ram、磁碟、光盘等。故而，本发明实施例还提供一种可读存储介质，所述可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，本发明实施例或者实施例的某些部分所述的支架规格识别方法。
[0077]
综上所述，本发明提供的可读存储介质、支架规格识别方法及装置以全自动化的方法对支架的规格进行了检测，不需要人工干预，解决了在利用人工检查支架规格时误检率高且效率低的问题。
[0078]
上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。