侯剑平,赵万里,孙千鹏,王超,刘聪
安图实验仪器(郑州)有限公司,河南 郑州 450016
随着新的检测技术和自动化仪器的应用逐渐普及,更多的医院开始引入医学实验室自动化生化免疫检验流水线[1]。在流水线的运行过程中,采血管从冰箱取出后需要使用开封膜设备去掉铝箔帽。铝箔帽去膜失败会造成后续检测设备撞针,严重影响流水线的运行安全及作业人员的生物安全,因此采血管铝箔帽状态检测意义重大。
医学实验室自动化生化免疫检验流水线对检测设备的识别准确率要求极高,识别错误率不能高于十万分之一。同时,极高的检测通量对识别速度要求非常高,识别时间不能超过20 ms。由于采血管样本类型众多,采血管铝箔帽封膜和去膜失败状态复杂,以及存在大量管壁挂液样本的干扰,且前人研究的基于超声波检测技术[2]以及传统机器视觉的缺陷检测技术[3]只能适用于单一类型、正常情况下的采血管铝箔帽状态检测,无法满足实际检验过程中对复杂采血管铝箔帽状态的检测要求,因此该研究技术的识别准确率较低。
深度学习技术的快速发展使基于卷积神经网络的图像分类网络模型的识别精度越来越高。从VGGNet[4]、GoogleNet[5]到ResNet[6],识别错误率大幅降低至3.57%。随着嵌入式边缘侧应用场景的出现,图像分类网络模型正朝着轻量化的方向发展,DenseNet[7]、MobileNet[8]和ShuffleNet[9]等轻量化分类网络模型的参数量下降至10 M以内。目前,刘洋等[10]将轻量级卷积神经网络应……