CN117853489B - 植、介入性管状器械的内壁质量检测方法及装置 - Google Patents
植、介入性管状器械的内壁质量检测方法及装置 Download PDFInfo
- Publication number
- CN117853489B CN117853489B CN202410257513.4A CN202410257513A CN117853489B CN 117853489 B CN117853489 B CN 117853489B CN 202410257513 A CN202410257513 A CN 202410257513A CN 117853489 B CN117853489 B CN 117853489B
- Authority
- CN
- China
- Prior art keywords
- wall
- tubular instrument
- image
- images
- camera
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000002513 implantation Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 94
- 230000002159 abnormal effect Effects 0.000 claims description 85
- 238000012545 processing Methods 0.000 claims description 22
- 238000005520 cutting process Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000005054 agglomeration Methods 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000012217 deletion Methods 0.000 claims description 9
- 230000037430 deletion Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 230000000295 complement effect Effects 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 7
- 230000000873 masking effect Effects 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 210000004204 blood vessel Anatomy 0.000 abstract description 9
- 239000002473 artificial blood Substances 0.000 abstract description 6
- 210000003128 head Anatomy 0.000 description 18
- 238000007689 inspection Methods 0.000 description 13
- 238000010146 3D printing Methods 0.000 description 9
- 238000007639 printing Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 230000002792 vascular Effects 0.000 description 5
- 230000002526 effect on cardiovascular system Effects 0.000 description 4
- 239000010410 layer Substances 0.000 description 4
- 238000009954 braiding Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010041 electrostatic spinning Methods 0.000 description 3
- 210000001035 gastrointestinal tract Anatomy 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005266 casting Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001523 electrospinning Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241001330002 Bambuseae Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012943 hotmelt Substances 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000013152 interventional procedure Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提供一种植、介入性管状器械的内壁质量检测方法及装置,属于人工血管的图像检测技术领域,本发明的植、介入性管状器械的内壁质量检测方法,通过摄像头在不同角度位置下采集管状器械内壁不同位置处的N张第一图像,可以覆盖所述管状器械内壁的所有位置,进而再将这些第一图像进行图像处理后转化为用于进行异常结构检测的待检测图像,在排除接缝位置对检测结果的影响的情况下,根据目标识别结果自动判断图像的质量等级,实现了对小尺寸的管状器械的内壁的方便而又快速的质量检查,保证了检测效率和准确性。
Description
技术领域
本发明涉及人工血管的图像检测技术领域,尤其涉及一种植、介入性管状器械的内壁质量检测方法及装置。
背景技术
植、介入性管状器械是一类用于在体内进行植、介入性手术或检查的医疗器械,通常由柔软的管道或导管组成,可以在不同组织中进行操作。例如,植、介入性管状器械可以是用于体内组织的导管、鞘管、人工血管、神经修复导管、心血管支架、消化道支架等。
由于人工血管这一类管状器械的尺寸较小,其直径也较小,而像心血管支架这一类产品,其尺寸更小,支架直径仅在6mm以内。在使用制造设备如3D打印设备以及静电纺丝设备等制造完成管状器械植、介入性管状器械后,管状器械植、介入性管状器械内壁的缺陷难以被人眼直接明确地发现,难以对生产的产品进行高效的外观质量检查,不利于进行产品质量评估。
发明内容
本发明提供一种植、介入性管状器械的内壁质量检测方法及装置,用以解决现有技术中管状器械由于尺寸的限制难以高效地进行内壁质量检查的缺陷,实现方便而又快速地对管状器械内壁进行质量检查的效果。
本发明提供一种植、介入性管状器械的内壁质量检测方法,包括:
通过摄像头在不同角度位置下采集管状器械内壁不同位置处的N张第一图像以覆盖所述管状器械内壁的所有位置;所述管状器械设置于检测筒内,所述管状器械的外壁与所述检测筒的内壁贴合,所述摄像头设置于所述检测筒的至少一端以获取所述检测筒内部的图像;所述摄像头安装于云台,所述云台用于调整所述摄像头的拍摄角度以获取所述检测筒内部不同位置处的图像;N为大于1的正整数;
基于所述摄像头在采集各第一图像时的位置以及所述云台的位姿信息,分别将采集到的各第一图像进行裁切、拉伸以及拼接,得到所述管状器械内壁的待检测图像,并对所述待检测图像中拼接的接缝位置进行标记;
对所述待检测图像进行目标识别,识别所述管状器械内壁的异常结构在所述待检测图像中对应的各目标区域;所述异常结构包括所述管状器械内壁的凸点、凹陷、缺失、结团以及残丝中的至少一种;
在所述目标区域与标记的所述接缝位置不存在重合的情况下,确定所述目标区域的面积大小;
基于所述目标区域的面积大小,确定所述管状器械内壁的异常区域的质量等级。
根据本发明提供的一种植、介入性管状器械的内壁质量检测方法,在对所述待检测图像进行目标识别,识别所述管状器械内壁的异常结构在所述待检测图像中对应的各目标区域之后,所述方法还包括:
在所述目标区域与标记的所述接缝位置存在重合的情况下,调整所述云台的位姿信息,并通过所述摄像头在不同角度位置下采集管状器械内壁的M张第二图像,以使得所述目标区域位于所述第二图像的中心位置;M为正整数;
将所述第二图像进行裁切并拉伸,得到所述管状器械内壁的补充检测图像;
对所述补充检测图像进行目标识别,识别所述管状器械内壁的异常区域在所述补充检测图像中对应的目标区域;
基于所述目标区域的面积大小,确定所述管状器械内壁的异常区域的质量等级。
根据本发明提供的一种植、介入性管状器械的内壁质量检测方法,所述通过摄像头在不同角度位置下采集管状器械内壁不同位置处的N张第一图像以覆盖所述管状器械内壁的所有位置,包括:
确定所述管状器械在被制造的轴上的残留痕迹对应的区域位置以及所述管状器械在被制造时的起始点区域位置;
基于所述残留痕迹对应的区域位置以及所述起始点区域位置,确定所述云台在所述摄像头采集N张第一图像时分别对应的目标位姿,以使得所述残留痕迹对应的区域位置以及所述起始点区域位置不位于第一图像的边缘位置;
在所述云台于所述目标位姿下通过所述摄像头采集所述管状器械内壁不同位置处的N张第一图像。
根据本发明提供的一种植、介入性管状器械的内壁质量检测方法,所述基于所述摄像头在采集各第一图像时的位置以及所述云台的位姿信息,分别将采集到的各第一图像进行裁切、拉伸以及拼接,包括:
通过边缘检测算法识别各第一图像中所述管状器械内壁对应的区域;
将所述各第一图像中所述管状器械内壁对应的区域进行裁切,并对相邻的第一图像中的特征点进行匹配;
根据特征点的匹配结果,利用几何变换模型计算不同第一图像之间的重叠区域;
根据计算得到的重叠区域,将相邻的第一图像中的一个重叠区域进行掩模操作,以消除重叠区域;
对去除重叠区域后的各第一图像进行拉伸变换,并对经过拉伸变换后的图像进行拼接。
根据本发明提供的一种植、介入性管状器械的内壁质量检测方法,在对所述待检测图像进行目标识别,识别所述管状器械内壁的异常结构在所述待检测图像中对应的各目标区域之后,所述方法还包括:
确定所述目标区域在拉伸过程中的拉伸因子;
在所述拉伸因子大于拉伸阈值的情况下,通过位于所述管状器械的另一端的摄像头获取所述目标区域的第三图像;
将所述第三图像进行裁切并拉伸,得到所述管状器械内壁的补充检测图像;
对所述补充检测图像进行目标识别,识别所述管状器械内壁的异常结构在所述补充检测图像中对应的目标区域;
基于所述目标区域的面积大小,确定所述管状器械内壁的异常区域的质量等级。
根据本发明提供的一种植、介入性管状器械的内壁质量检测方法,在所述管状器械的长度大于长度阈值的情况下,所述通过摄像头在不同角度位置下采集管状器械内壁不同位置处的N张第一图像以覆盖所述管状器械内壁的所有位置,包括:
通过位于管状器械两端的两个摄像头在不同角度位置下采集管状器械内壁不同位置处的N张第一图像以覆盖所述管状器械内壁的所有位置。
根据本发明提供的一种植、介入性管状器械的内壁质量检测方法,对所述待检测图像进行目标识别,识别所述管状器械内壁的异常结构在所述待检测图像中对应的各目标区域,包括:
将所述待检测图像输入至目标检测模型,所述目标检测模型是以历史图像集合中的历史图像为样本、历史图像中的异常结构所对应的区域为标签训练得到的;所述历史图像集合是预先收集的包括异常结构的管状器械内壁图像的集合;
得到所述目标检测模型输出的对待检测图像中管状器械内壁的异常结构对应的各目标区域。
本发明还提供一种植、介入性管状器械的内壁质量检测装置,包括:
采集模块,用于通过摄像头在不同角度位置下采集管状器械内壁不同位置处的N张第一图像以覆盖所述管状器械内壁的所有位置;所述管状器械设置于检测筒内,所述管状器械的外壁与所述检测筒的内壁贴合,所述摄像头设置于所述检测筒的至少一端以获取所述检测筒内部的图像;所述摄像头安装于云台,所述云台用于调整所述摄像头的拍摄角度以获取所述检测筒内部不同位置处的图像;N为大于1的正整数;
第一处理模块,用于基于所述摄像头在采集各第一图像时的位置以及所述云台的位姿信息,分别将采集到的各第一图像进行裁切、拉伸以及拼接,得到所述管状器械内壁的待检测图像,并对所述待检测图像中拼接的接缝位置进行标记;
第二处理模块,用于对所述待检测图像进行目标识别,识别所述管状器械内壁的异常结构在所述待检测图像中对应的各目标区域;所述异常结构包括所述管状器械内壁的凸点、凹陷、缺失、结团以及残丝中的至少一种;
第三处理模块,用于在所述目标区域与标记的所述接缝位置不存在重合的情况下,确定所述目标区域的面积大小;
第四处理模块,用于基于所述目标区域的面积大小,确定所述管状器械内壁的异常区域的质量等级。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述植、介入性管状器械的内壁质量检测方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述植、介入性管状器械的内壁质量检测方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述植、介入性管状器械的内壁质量检测方法。
本发明提供的植、介入性管状器械的内壁质量检测方法及装置,通过摄像头在不同角度位置下采集管状器械内壁不同位置处的N张第一图像,可以覆盖所述管状器械内壁的所有位置,进而再将这些第一图像进行图像处理后转化为用于进行异常结构检测的待检测图像,在排除接缝位置对检测结果的影响的情况下,根据目标识别结果自动判断图像的质量等级,实现了对小尺寸的管状器械的内壁的方便而又快速的质量检查,保证了检测效率和准确性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的植、介入性管状器械的内壁质量检测方法的流程示意图;
图2是本发明提供的植、介入性管状器械的内壁质量检测设备的结构示意图;
图3是本发明提供的植、介入性管状器械的内壁质量检测装置的结构示意图;
图4是本发明提供的电子设备的结构示意图。
附图标记:
210:管状器械;220:检测筒;230:支架;240:摄像头;250:云台;260:照明灯。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1-图4描述本发明的植、介入性管状器械的内壁质量检测方法及装置。
本发明实施例的植、介入性管状器械的内壁质量检测方法主要包括步骤110、步骤120、步骤130以及步骤140。
步骤110,通过摄像头在不同角度位置下采集管状器械内壁不同位置处的N张第一图像以覆盖管状器械内壁的所有位置。
需要说明的是,可以利用检测工装来进行辅助检测,以提高检测过程中的图像质量。检测工装可以包括一个检测筒,检测筒的内壁尺寸与待检测的管状器械的尺寸相匹配,以便于将管状器械放置于检测筒内来进行检测。
可以理解的是,管状器械设置于检测筒内,管状器械的外壁与检测筒的内壁贴合。
摄像头设置于检测筒的至少一端以获取检测筒内部的图像。为便于调整摄像头获取图像的位置以及角度,可以将摄像头安装于云台,云台用于调整摄像头的拍摄角度以获取检测筒内部不同位置处的图像。
可以理解的是,N为大于1的正整数,由于摄像头的取景范围有限,因此需要利用摄像头获取的N张图像来覆盖管状器械内壁的所有位置,进而便于对管状器械内壁进行质量评估。
在一些实施方式中,摄像头可以选取尺寸小的模组,进而便于靠近管状器械来获取更为清晰的图像。摄像头可以配置广角镜头,以获取更大的取景范围,进而便于获取单张更为全面的内壁图像。当然,在管状器械的直径较大的情况下,还可以将摄像头伸入管状器械内部来进行第一图像的采集,可以根据摄像头伸入管状器械的不同位置来获取内壁不同位置的第一图像。
如图2所示,图2展示了一种植、介入性管状器械的内壁质量检测设备,其中包括用于放置管状器械210的检测筒220、用于支撑检测筒的支架230以及用于获取内壁图像的摄像头240。摄像头240可以安装于云台250上,且云台250上可以设置有照明灯260来向管状器械内壁提供灯光,以便于摄像头240获取管状器械内壁更为清晰的图像。
可以理解的是,针对不同型号的产品,可以设置不同尺寸的检测筒来作为检测工装以适配不同尺寸的管状器械,云台的选择也可以根据实际情况来进行设置,此处不作限制。
在一些实施例中,在管状器械的长度大于长度阈值的情况下,通过摄像头在不同角度位置下采集管状器械内壁不同位置处的N张第一图像以覆盖管状器械内壁的所有位置,包括:通过位于管状器械两端的两个摄像头在不同角度位置下采集管状器械内壁不同位置处的N张第一图像以覆盖管状器械内壁的所有位置。
需要说明的是,由于摄像头的取景范围以及的图像质量有一定的上限,且管状器械的直径较小,在管状器械的长度较短时,即在管状器械的长度小于或者等于长度阈值的情况下,采用一个摄像头在管状器械的一端进行拍摄即可以获取管状器械整个长度方向上清晰的内壁图像。
而在管状器械的长度较长时,则需要通过位于管状器械两端的两个摄像头在不同角度位置下采集管状器械内壁不同位置处的N张第一图像以覆盖管状器械内壁的所有位置,进而再根据这些第一图像来检测内壁所有位置的质量,可以保证获取的第一图像的清晰度较高,具有较好的检测参考价值。
步骤120,基于摄像头在采集各第一图像时的位置以及云台的位姿信息,分别将采集到的各第一图像进行裁切、拉伸以及拼接,得到管状器械内壁的待检测图像,并对待检测图像中拼接的接缝位置进行标记。
需要说明的是,在对管状器械进行检测的过程中,可以将制造好的管状器械放入检测筒中,通过调节摄像头以及照明灯所在的云台,控制摄像头获得不同位置和角度下管状器械内壁不同位置处的N张图像。
在此基础上,可以根据云台的运动参数以及摄像头的拍摄参数,得到各个第一图像的取景范围对应的管状器械内壁位置,进而将拍摄得到的各个第一图像按照拍摄角度以及对应的管状器械内壁位置,进行裁切、拉伸以及拼接,得到管状器械内壁完整的矩形展开图像。
当然,在一些实施例中,若每张第一图像还包括管状器械内壁以外的检测筒或者环境背景像素等,基于摄像头在采集各第一图像时的位置以及云台的位姿信息,分别将采集到的各第一图像进行裁切、拉伸以及拼接,可以包括以下过程。
可以先通过边缘检测算法识别各第一图像中管状器械内壁对应的区域,再将各第一图像中管状器械内壁对应的区域进行裁切,并对相邻的第一图像中的特征点进行匹配;根据特征点的匹配结果,利用几何变换模型计算不同第一图像之间的重叠区域;根据计算得到的重叠区域,将相邻的第一图像中的一个重叠区域进行掩模操作,以消除重叠区域;对去除重叠区域后的各第一图像进行拉伸变换,并对经过拉伸变换后的图像进行拼接。
可以理解的是,可以使用边缘检测算法,如Canny算法或Sobel算法,对第一图像进行边缘检测,以识别管状器械内壁对应的区域。在本实施方式中,通过边缘检测算法,可以有效地识别管状器械内壁对应的区域,从而准确地提取出感兴趣的管状器械图像区域。
根据边缘检测结果,将管状器械内壁对应的区域进行裁切,并保存为单独的图像。考虑到拍摄过程中相邻的图像可能会存在拍摄的重叠区域,可以使用特征点提取和匹配算法,如SIFT、SURF或ORB等,在相邻的第一图像中提取特征点,并进行匹配。根据特征点的匹配结果,利用几何变换模型,如RANSAC或Homography等,计算不同第一图像之间的重叠区域。根据计算得到的重叠区域,将其中一个重叠区域进行掩模操作,以消除重叠区域。对去除重叠区域后的各第一图像进行拉伸变换,使其恢复为矩形,然后将它们进行拼接。
在本实施方式中,通过特征点匹配算法和几何变换模型计算,可以找到不同第一图像之间的重叠区域,从而实现图像的对齐和拼接,这样可以保证拼接后的图像具有连贯性和完整性。而采用掩模操作可以消除重叠区域,避免在拼接过程中产生重复的部分,使拼接后的图像更加清晰和准确。对去除重叠区域的图像进行拉伸变换,并将它们拼接在一起,可以得到一张无缝连接的大图像,可以提供全景视角,同时保持图像的几何形状和比例。
在拼接完成后,需要对待检测图像中拼接的接缝位置进行标记。由于管状器械尺寸较小,待检测图像中拼接的接缝位置在图像处理过程中容易产生像素异常点,会干扰后续的质量检查过程,因此需要对接缝位置进行标记,以便于后续检测过程中进行检测的校对。
步骤130,对待检测图像进行目标识别,识别管状器械内壁的异常结构在待检测图像中对应的各目标区域。
异常结构包括管状器械内壁的凸点、凹陷、缺失、结团以及残丝中的至少一种。
可以理解的是,管状器械可以具有多层结构,多层结构下的管状器械的内壁和外壁可以分别是由静电纺丝、3D生物打印、浇筑或者编织等某一个方法构筑的内壁构建得到,管状器械可以是单层结构,如管状器械也可以是单独由支架构筑的内壁,此处不作限制。
不同制造方式得到的管状器械也会存在不同的异常结构。例如,在管状器械为3D打印制造得到的情况下,异常结构包括管状器械的凸点、凹陷、缺失、结团以及残丝中的至少一种。在管状器械为编织制造得到的情况下,异常结构包括管状器械的残丝。在管状器械为浇筑制造得到的情况下,浇筑过程会存在挥发的过程,异常结构包括管状器械结构的缺失或者气泡。
可以理解的是,可以提前收集具有不同类型异常结构的管状器械内壁图像,并进行标注,将每个异常结构的位置信息作为标签。
在此基础上,可以使用计算机视觉方法,如特征提取算法(如SIFT、SURF、HOG等)或深度学习模型(如卷积神经网络)来提取管状器械内壁图像的特征。这些特征可以包括颜色、纹理、形状等。
可以理解的是,对待检测图像进行目标识别,识别管状器械内壁的异常结构在待检测图像中对应的各目标区域,包括:将待检测图像输入至目标检测模型,目标检测模型是以历史图像集合中的历史图像为样本、历史图像中的异常结构所对应的区域为标签训练得到的;历史图像集合是预先收集的包括异常结构的管状器械内壁图像的集合;得到目标检测模型输出的对待检测图像中管状器械内壁的异常结构对应的各目标区域。
换言之,可以使用已标注的管状器械内壁图像数据,训练目标识别模型。可以选择传统的机器学习算法,如支持向量机、随机森林算法等,也可以使用深度学习模型,如卷积神经网络(CNN),来作为目标识别模型。
在对待检测图像中的管状器械内壁区域进行目标识别时,将管状器械内壁图像输入训练好的目标识别模型中,进行目标识别。根据模型的输出结果和预测概率,判断每个区域是否存在异常结构,还可以确定其具体类型。
根据目标识别的结果,在待检测图像中的目标区域中标记出管状器械内壁的异常结构,如可以使用边框、颜色或其他视觉方式来突出显示这些异常结构。
可以理解的是,采用目标识别技术可以自动化地检测管状器械内壁的异常结构,减少了人工检查的工作量。这样可以节省时间和人力资源,并提高工作效率。相比于人眼的主观判断,目标识别可以提供更为准确和一致的结果。
在一些实施方式中,通过目标识别结果,还可以对管状器械内壁的异常结构进行数据分析和统计,有助于了解异常结构的分布情况、原因分析以及制造过程中可能存在的问题,从而进一步优化和改进生产工艺,提高产品质量。
步骤140,在目标区域与标记的接缝位置不存在重合的情况下,确定目标区域的面积大小。
可以理解的是,在目标区域与标记的接缝位置不存在重合的情况下,可以确定目标识别出的管状器械内壁的异常结构对应的目标区域不是由于图像拼接所造成的像素异常点位置,因而可以将目标区域中的异常结构作为评估质量的依据。
在此基础上,可以将待检测图像转化为一个二值图像,其中目标区域内的像素值设为1,其他区域的像素值设为0。然后,可以使用图像处理库中的函数或算法,计算目标区域的像素数,即目标区域的面积大小。如果已知图像的尺寸和分辨率,则可以将像素数转换为实际面积,进而得到目标区域的面积。
步骤150,基于目标区域的面积大小,确定管状器械内壁的异常区域的质量等级。
需要说明的是,可以将目标区域的面积大小划分为几个范围,每个范围对应一个质量等级。例如,可以将面积小于X平方毫米的异常区域划为质量等级A,面积介于X和Y平方毫米之间的异常区域划为质量等级B,面积大于Y平方毫米的异常区域划为质量等级C。
除了面积大小,还可以考虑其他指标来综合确定质量等级。例如,目标区域的数量以及位置等。
例如,若在心血管支架内壁上发现存在凸台或者任意一个断点,则该心血管支架的质量等级可以被判定为质量等级C。若在消化道支架内壁上发现存在1个小于1平方毫米的缺陷,则该消化道支架的质量等级可以被判定为质量等级A;若在消化道支架内壁上发现存在2个小于一平方毫米的缺陷,则该消化道支架的质量等级可以被判定为质量等级B;若在消化道支架内壁上发现存在3个或3个以上小于一平方毫米的缺陷,则该消化道支架的质量等级可以被判定为质量等级C。
需要说明的是,可以设定不同的阈值或规则来针对不同的管状器械评估这些指标,并将其纳入质量等级的划分,此处不作限制。
根据本发明实施例提供的植、介入性管状器械的内壁质量检测方法,通过摄像头在不同角度位置下采集管状器械内壁不同位置处的N张第一图像,可以覆盖所述管状器械内壁的所有位置,进而再将这些第一图像进行图像处理后转化为用于进行异常结构检测的待检测图像,在排除接缝位置对检测结果的影响的情况下,根据目标识别结果自动判断图像的质量等级,实现了对小尺寸的管状器械的内壁的方便而又快速的质量检查,保证了检测效率和准确性。
在一些实施例中,在对待检测图像进行目标识别,识别管状器械内壁的异常结构在待检测图像中对应的各目标区域之后,本发明实施例的植、介入性管状器械的内壁质量检测方法还包括以下过程。
可以在目标区域与标记的接缝位置存在重合的情况下,调整云台的位姿信息,并通过摄像头在不同角度位置下采集管状器械内壁的M张第二图像,以使得目标区域位于第二图像的中心位置。
可以理解的是,在目标区域与标记的接缝位置存在重合的情况下,则首次识别到的异常结构在待检测图像中对应的各目标区域可能是拼接位置的像素点异常造成。为排除拼接位置像素点异常的干扰,通过调整云台的位姿,使得摄像头在与前次采集不同角度位置下采集管状器械内壁的M张第二图像,以使得目标区域位于第二图像的中心位置,避免出现在接缝位置。M可以为正整数。
在此基础上,可以按照上述实施方式中相似的方法将第二图像进行裁切并拉伸,得到管状器械内壁的补充检测图像。
进一步地,可以按照上述实施方式中目标识别的方式来对补充检测图像进行目标识别,识别管状器械内壁的异常区域在补充检测图像中对应的目标区域,进而再基于目标区域的面积大小,确定管状器械内壁的异常区域的质量等级。
在一些实施例中,通过摄像头在不同角度位置下采集管状器械内壁不同位置处的N张第一图像以覆盖管状器械内壁的所有位置,可以包括以下过程。
可以确定管状器械在被制造的轴上的残留痕迹对应的区域位置以及管状器械在被制造时的起始点区域位置。
例如,针对人工血管产品,可以确定血管支架在3D打印设备上被打印的转轴上的残留痕迹对应的区域位置、人工血管内层的内壁在静电纺丝制造过程中轴上的残留痕迹对应的区域位置以及血管支架在3D打印设备上被打印的起始点区域位置。
需要说明的是,人工血管的设计需要具有足够的强度来承受血液压力,同时保持一定的弹性以模仿自然血管的功能。因此,人工血管可以采用内层、中层支架以及外层的结构来模拟真实血管。中层的人工血管支架提供了血管的主要强度和弹性,它由更坚固的材料制成,确保人工血管在体内具有适当的性能。中层的人工血管支架这种管状器械可以使用包括第四轴***的3D打印设备来进行制造,打印设备包含在打印喷嘴下方连接于基座的转轴,其中转轴、喷嘴或者两者都可以沿纵轴移动。该四轴打印***还具有直接沉积热熔细丝形式或粘性溶液细丝形式的聚合物材料的材料输送***。沉积的细丝粘附于转轴的表面或者粘合于已经附着于该转轴的之前挤出的细丝上。
轴可以是指3D打印设备上用于固定和旋转打印对象的轴,也可以是静电纺丝过程中人工血管所被固定的轴。当管状器械在3D打印设备上打印以及静电纺丝过程中时,轴上会有一个或多个接触点,这些接触点与管状器械相接触并可能留下残留痕迹。
残留痕迹是指在管状器械与轴接触的位置上,轴上可能会留下一些痕迹、残丝或其他标记,这些残留痕迹对应的位置处的管状器械可能会存在异常结构。
此外,在3D打印以及编织等过程中,需要确定管状器械的制造起始点,如3D打印设备在开始打印管状器械时的初始位置和结束位置。起始点区域可能在管状器械的一侧,打印喷头在起始点区域可能会存在出丝异常,进而起始点位置区域对应的位置处的管状器械也可能会存在打印异常结构。
在此基础上,可以基于残留痕迹对应的区域位置以及起始点区域位置,确定云台在摄像头采集N张第一图像时分别对应的目标位姿,以使得残留痕迹对应的区域位置以及起始点区域位置不位于第一图像的边缘位置。
可以理解的是,可以根据残留痕迹和起始点的位置信息,确定目标区域在管状器械上对应的位置。
根据目标区域的位置信息,利用几何计算或机器视觉算法,计算出云台需要调整的位置和姿态。这可以通过计算云台相对于当前位置的偏移量和旋转角度来实现。将计算得到的云台目标位姿信息输入到云台控制***中,使得云台移动到相应的位置并调整姿态。云台控制***可以根据具体设备的要求进行设置和操作。在云台调整到相应的目标位姿后,通过摄像头采集管状器械内壁不同位置处的N张第一图像。确保图像中包含了所需的目标区域,并且残留痕迹和起始点区域不位于图像的边缘位置。
在本实施方式中,可以避免容易产生异常结构的残留痕迹和起始点区域可以不位于接缝处,这样可以降低误识别的概率,提高检测效率。
在一些实施例中,在对待检测图像进行目标识别,识别管状器械内壁的异常结构在待检测图像中对应的各目标区域之后,本发明实施例的植、介入性管状器械的内壁质量检测方法还包括以下过程。
可以先确定目标区域在拉伸过程中的拉伸因子;在拉伸因子大于拉伸阈值的情况下,通过位于管状器械的另一端的摄像头获取目标区域的第三图像;将第三图像进行裁切并拉伸,得到管状器械内壁的补充检测图像;对补充检测图像进行目标识别,识别管状器械内壁的异常结构在补充检测图像中对应的目标区域;基于目标区域的面积大小,确定管状器械内壁的异常区域的质量等级。
可以理解的是,在拉伸因子大于拉伸阈值的情况下,图像在远离摄像头的一端在被拉伸过程中可能会存在较为严重的失真,进而导致目标识别可能不够准确。
因此,在本实施方式中,通过位于管状器械的另一端的摄像头获取管状器械另一端的第三图像作为补充检测图像,降低图像被拉伸的幅度,提高目标识别的准确性。
下面对本发明提供的植、介入性管状器械的内壁质量检测装置进行描述,下文描述的植、介入性管状器械的内壁质量检测装置与上文描述的植、介入性管状器械的内壁质量检测方法可相互对应参照。
如图3所示,本发明实施例的植、介入性管状器械的内壁质量检测装置主要包括采集模块310、第一处理模块320、第二处理模块330、第三处理模块340以及第四处理模块350。
采集模块310用于通过摄像头在不同角度位置下采集管状器械内壁不同位置处的N张第一图像以覆盖管状器械内壁的所有位置;管状器械设置于检测筒内,管状器械的外壁与检测筒的内壁贴合,摄像头设置于检测筒的至少一端以获取检测筒内部的图像;摄像头安装于云台,云台用于调整摄像头的拍摄角度以获取检测筒内部不同位置处的图像;N为大于1的正整数;
第一处理模块320用于基于摄像头在采集各第一图像时的位置以及云台的位姿信息,分别将采集到的各第一图像进行裁切、拉伸以及拼接,得到管状器械内壁的待检测图像,并对待检测图像中拼接的接缝位置进行标记;
第二处理模块330用于对待检测图像进行目标识别,识别管状器械内壁的异常结构在待检测图像中对应的各目标区域;异常结构包括管状器械内壁的凸点、凹陷、缺失、结团以及残丝中的至少一种;
第三处理模块340用于在目标区域与标记的接缝位置不存在重合的情况下,确定目标区域的面积大小;
第四处理模块350用于基于目标区域的面积大小,确定管状器械内壁的异常区域的质量等级。
根据本发明实施例提供的植、介入性管状器械的内壁质量检测装置,通过摄像头在不同角度位置下采集管状器械内壁不同位置处的N张第一图像,可以覆盖所述管状器械内壁的所有位置,进而再将这些第一图像进行图像处理后转化为用于进行异常结构检测的待检测图像,在排除接缝位置对检测结果的影响的情况下,根据目标识别结果自动判断图像的质量等级,实现了对小尺寸的管状器械的内壁的方便而又快速的质量检查,保证了检测效率和准确性。
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行植、介入性管状器械的内壁质量检测方法,该方法包括:通过摄像头在不同角度位置下采集管状器械内壁不同位置处的N张第一图像以覆盖管状器械内壁的所有位置;管状器械设置于检测筒内,管状器械的外壁与检测筒的内壁贴合,摄像头设置于检测筒的至少一端以获取检测筒内部的图像;摄像头安装于云台,云台用于调整摄像头的拍摄角度以获取检测筒内部不同位置处的图像;N为大于1的正整数;基于摄像头在采集各第一图像时的位置以及云台的位姿信息,分别将采集到的各第一图像进行裁切、拉伸以及拼接,得到管状器械内壁的待检测图像,并对待检测图像中拼接的接缝位置进行标记;对待检测图像进行目标识别,识别管状器械内壁的异常结构在待检测图像中对应的各目标区域;异常结构包括管状器械内壁的凸点、凹陷、缺失、结团以及残丝中的至少一种;在目标区域与标记的接缝位置不存在重合的情况下,确定目标区域的面积大小;基于目标区域的面积大小,确定管状器械内壁的异常区域的质量等级。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的植、介入性管状器械的内壁质量检测方法,该方法包括:通过摄像头在不同角度位置下采集管状器械内壁不同位置处的N张第一图像以覆盖管状器械内壁的所有位置;管状器械设置于检测筒内,管状器械的外壁与检测筒的内壁贴合,摄像头设置于检测筒的至少一端以获取检测筒内部的图像;摄像头安装于云台,云台用于调整摄像头的拍摄角度以获取检测筒内部不同位置处的图像;N为大于1的正整数;基于摄像头在采集各第一图像时的位置以及云台的位姿信息,分别将采集到的各第一图像进行裁切、拉伸以及拼接,得到管状器械内壁的待检测图像,并对待检测图像中拼接的接缝位置进行标记;对待检测图像进行目标识别,识别管状器械内壁的异常结构在待检测图像中对应的各目标区域;异常结构包括管状器械内壁的凸点、凹陷、缺失、结团以及残丝中的至少一种;在目标区域与标记的接缝位置不存在重合的情况下,确定目标区域的面积大小;基于目标区域的面积大小,确定管状器械内壁的异常区域的质量等级。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的植、介入性管状器械的内壁质量检测方法,该方法包括:通过摄像头在不同角度位置下采集管状器械内壁不同位置处的N张第一图像以覆盖管状器械内壁的所有位置;管状器械设置于检测筒内,管状器械的外壁与检测筒的内壁贴合,摄像头设置于检测筒的至少一端以获取检测筒内部的图像;摄像头安装于云台,云台用于调整摄像头的拍摄角度以获取检测筒内部不同位置处的图像;N为大于1的正整数;基于摄像头在采集各第一图像时的位置以及云台的位姿信息,分别将采集到的各第一图像进行裁切、拉伸以及拼接,得到管状器械内壁的待检测图像,并对待检测图像中拼接的接缝位置进行标记;对待检测图像进行目标识别,识别管状器械内壁的异常结构在待检测图像中对应的各目标区域;异常结构包括管状器械内壁的凸点、凹陷、缺失、结团以及残丝中的至少一种;在目标区域与标记的接缝位置不存在重合的情况下,确定目标区域的面积大小;基于目标区域的面积大小,确定管状器械内壁的异常区域的质量等级。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述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软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种植、介入性管状器械的内壁质量检测方法,其特征在于,包括:
通过摄像头在不同角度位置下采集管状器械内壁不同位置处的N张第一图像以覆盖所述管状器械内壁的所有位置;所述管状器械设置于检测筒内,所述管状器械的外壁与所述检测筒的内壁贴合,所述摄像头设置于所述检测筒的至少一端以获取所述检测筒内部的图像;所述摄像头安装于云台,所述云台用于调整所述摄像头的拍摄角度以获取所述检测筒内部不同位置处的图像;N为大于1的正整数;
基于所述摄像头在采集各第一图像时的位置以及所述云台的位姿信息,分别将采集到的各第一图像进行裁切、拉伸以及拼接,得到所述管状器械内壁的待检测图像,并对所述待检测图像中拼接的接缝位置进行标记;
对所述待检测图像进行目标识别,识别所述管状器械内壁的异常结构在所述待检测图像中对应的各目标区域;所述异常结构包括所述管状器械内壁的凸点、凹陷、缺失、结团以及残丝中的至少一种;
在所述目标区域与标记的所述接缝位置不存在重合的情况下,确定所述目标区域的面积大小;
基于所述目标区域的面积大小,确定所述管状器械内壁的异常区域的质量等级;
所述通过摄像头在不同角度位置下采集管状器械内壁不同位置处的N张第一图像以覆盖所述管状器械内壁的所有位置,包括:
确定所述管状器械在被制造的轴上的残留痕迹对应的区域位置以及所述管状器械在被制造时的起始点区域位置;
基于所述残留痕迹对应的区域位置以及所述起始点区域位置,确定所述云台在所述摄像头采集N张第一图像时分别对应的目标位姿,以使得所述残留痕迹对应的区域位置以及所述起始点区域位置不位于第一图像的边缘位置;
在所述云台于所述目标位姿下通过所述摄像头采集所述管状器械内壁不同位置处的N张第一图像;
所述基于所述摄像头在采集各第一图像时的位置以及所述云台的位姿信息,分别将采集到的各第一图像进行裁切、拉伸以及拼接,包括:
通过边缘检测算法识别各第一图像中所述管状器械内壁对应的区域;
将所述各第一图像中所述管状器械内壁对应的区域进行裁切,并对相邻的第一图像中的特征点进行匹配;
根据特征点的匹配结果,利用几何变换模型计算不同第一图像之间的重叠区域;
根据计算得到的重叠区域,将相邻的第一图像中的一个重叠区域进行掩模操作,以消除重叠区域;
对去除重叠区域后的各第一图像进行拉伸变换,并对经过拉伸变换后的图像进行拼接。
2.根据权利要求1所述的植、介入性管状器械的内壁质量检测方法,其特征在于,在对所述待检测图像进行目标识别,识别所述管状器械内壁的异常结构在所述待检测图像中对应的各目标区域之后,所述方法还包括:
在所述目标区域与标记的所述接缝位置存在重合的情况下,调整所述云台的位姿信息,并通过所述摄像头在不同角度位置下采集管状器械内壁的M张第二图像,以使得所述目标区域位于所述第二图像的中心位置;M为正整数;
将所述第二图像进行裁切并拉伸,得到所述管状器械内壁的补充检测图像;
对所述补充检测图像进行目标识别,识别所述管状器械内壁的异常区域在所述补充检测图像中对应的目标区域;
基于所述目标区域的面积大小,确定所述管状器械内壁的异常区域的质量等级。
3.根据权利要求1所述的植、介入性管状器械的内壁质量检测方法,其特征在于,在对所述待检测图像进行目标识别,识别所述管状器械内壁的异常结构在所述待检测图像中对应的各目标区域之后,所述方法还包括:
确定所述目标区域在拉伸过程中的拉伸因子;
在所述拉伸因子大于拉伸阈值的情况下,通过位于所述管状器械的另一端的摄像头获取所述目标区域的第三图像;
将所述第三图像进行裁切并拉伸,得到所述管状器械内壁的补充检测图像;
对所述补充检测图像进行目标识别,识别所述管状器械内壁的异常结构在所述补充检测图像中对应的目标区域;
基于所述目标区域的面积大小,确定所述管状器械内壁的异常区域的质量等级。
4.根据权利要求1所述的植、介入性管状器械的内壁质量检测方法,其特征在于,在所述管状器械的长度大于长度阈值的情况下,所述通过摄像头在不同角度位置下采集管状器械内壁不同位置处的N张第一图像以覆盖所述管状器械内壁的所有位置,包括:
通过位于管状器械两端的两个摄像头在不同角度位置下采集管状器械内壁不同位置处的N张第一图像以覆盖所述管状器械内壁的所有位置。
5.根据权利要求1所述的植、介入性管状器械的内壁质量检测方法,其特征在于,对所述待检测图像进行目标识别,识别所述管状器械内壁的异常结构在所述待检测图像中对应的各目标区域,包括:
将所述待检测图像输入至目标检测模型,所述目标检测模型是以历史图像集合中的历史图像为样本、历史图像中的异常结构所对应的区域为标签训练得到的;所述历史图像集合是预先收集的包括异常结构的管状器械内壁图像的集合;
得到所述目标检测模型输出的对待检测图像中管状器械内壁的异常结构对应的各目标区域。
6.一种植、介入性管状器械的内壁质量检测装置,其特征在于,包括:
采集模块,用于通过摄像头在不同角度位置下采集管状器械内壁不同位置处的N张第一图像以覆盖所述管状器械内壁的所有位置;所述管状器械设置于检测筒内,所述管状器械的外壁与所述检测筒的内壁贴合,所述摄像头设置于所述检测筒的至少一端以获取所述检测筒内部的图像;所述摄像头安装于云台,所述云台用于调整所述摄像头的拍摄角度以获取所述检测筒内部不同位置处的图像;N为大于1的正整数;所述采集模块还用于确定所述管状器械在被制造的轴上的残留痕迹对应的区域位置以及所述管状器械在被制造时的起始点区域位置;基于所述残留痕迹对应的区域位置以及所述起始点区域位置,确定所述云台在所述摄像头采集N张第一图像时分别对应的目标位姿,以使得所述残留痕迹对应的区域位置以及所述起始点区域位置不位于第一图像的边缘位置;在所述云台于所述目标位姿下通过所述摄像头采集所述管状器械内壁不同位置处的N张第一图像;
第一处理模块,用于基于所述摄像头在采集各第一图像时的位置以及所述云台的位姿信息,分别将采集到的各第一图像进行裁切、拉伸以及拼接,得到所述管状器械内壁的待检测图像,并对所述待检测图像中拼接的接缝位置进行标记;所述第一处理模块还用于通过边缘检测算法识别各第一图像中所述管状器械内壁对应的区域;将所述各第一图像中所述管状器械内壁对应的区域进行裁切,并对相邻的第一图像中的特征点进行匹配;根据特征点的匹配结果,利用几何变换模型计算不同第一图像之间的重叠区域;根据计算得到的重叠区域,将相邻的第一图像中的一个重叠区域进行掩模操作,以消除重叠区域;对去除重叠区域后的各第一图像进行拉伸变换,并对经过拉伸变换后的图像进行拼接;
第二处理模块,用于对所述待检测图像进行目标识别,识别所述管状器械内壁的异常结构在所述待检测图像中对应的各目标区域;所述异常结构包括所述管状器械内壁的凸点、凹陷、缺失、结团以及残丝中的至少一种;
第三处理模块,用于在所述目标区域与标记的所述接缝位置不存在重合的情况下,确定所述目标区域的面积大小;
第四处理模块,用于基于所述目标区域的面积大小,确定所述管状器械内壁的异常区域的质量等级。
7.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述植、介入性管状器械的内壁质量检测方法。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述植、介入性管状器械的内壁质量检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410257513.4A CN117853489B (zh) | 2024-03-07 | 2024-03-07 | 植、介入性管状器械的内壁质量检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410257513.4A CN117853489B (zh) | 2024-03-07 | 2024-03-07 | 植、介入性管状器械的内壁质量检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117853489A CN117853489A (zh) | 2024-04-09 |
CN117853489B true CN117853489B (zh) | 2024-05-28 |
Family
ID=90535043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410257513.4A Active CN117853489B (zh) | 2024-03-07 | 2024-03-07 | 植、介入性管状器械的内壁质量检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117853489B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9401021B1 (en) * | 2011-12-14 | 2016-07-26 | Atti International Services Company, Inc. | Method and system for identifying anomalies in medical images especially those including body parts having symmetrical properties |
CN106092471A (zh) * | 2016-05-30 | 2016-11-09 | 宿迁市三石包装容器有限公司 | 金属桶接缝检测装置 |
CN108921848A (zh) * | 2018-09-29 | 2018-11-30 | 长安大学 | 基于多目相机的桥梁缺陷检测装置及检测图像拼接方法 |
CN213544428U (zh) * | 2020-11-16 | 2021-06-25 | 重庆市铜梁区人民医院 | 用于管状医疗器械的内腔检测装置 |
CN113379734A (zh) * | 2021-07-09 | 2021-09-10 | 无锡时代天使医疗器械科技有限公司 | 质量检测方法、装置、设备及计算机可读存储介质 |
CN215493184U (zh) * | 2021-07-08 | 2022-01-11 | 台州市立医院 | 一种供应室用消毒洗涤质量检测装置 |
CN117309759A (zh) * | 2023-09-04 | 2023-12-29 | 科大讯飞华南人工智能研究院(广州)有限公司 | 缺陷检测***、方法、电子设备和存储介质 |
-
2024
- 2024-03-07 CN CN202410257513.4A patent/CN117853489B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9401021B1 (en) * | 2011-12-14 | 2016-07-26 | Atti International Services Company, Inc. | Method and system for identifying anomalies in medical images especially those including body parts having symmetrical properties |
CN106092471A (zh) * | 2016-05-30 | 2016-11-09 | 宿迁市三石包装容器有限公司 | 金属桶接缝检测装置 |
CN108921848A (zh) * | 2018-09-29 | 2018-11-30 | 长安大学 | 基于多目相机的桥梁缺陷检测装置及检测图像拼接方法 |
CN213544428U (zh) * | 2020-11-16 | 2021-06-25 | 重庆市铜梁区人民医院 | 用于管状医疗器械的内腔检测装置 |
CN215493184U (zh) * | 2021-07-08 | 2022-01-11 | 台州市立医院 | 一种供应室用消毒洗涤质量检测装置 |
CN113379734A (zh) * | 2021-07-09 | 2021-09-10 | 无锡时代天使医疗器械科技有限公司 | 质量检测方法、装置、设备及计算机可读存储介质 |
CN117309759A (zh) * | 2023-09-04 | 2023-12-29 | 科大讯飞华南人工智能研究院(广州)有限公司 | 缺陷检测***、方法、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117853489A (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784337B (zh) | 一种黄斑区识别方法、装置及计算机可读存储介质 | |
CN109697719B (zh) | 一种图像质量评估方法、装置及计算机可读存储介质 | |
US9149179B2 (en) | System and method for identifying eye conditions | |
US9265411B2 (en) | Anterior segment three-dimensional image processing apparatus, and anterior segment three-dimensional image processing method | |
WO2018008593A1 (ja) | 画像診断学習装置、画像診断装置、方法およびプログラムを格納する記憶媒体 | |
US20220157047A1 (en) | Feature Point Detection | |
CN110400289A (zh) | 眼底图像识别方法、装置、设备和存储介质 | |
JP5404358B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
US20110103655A1 (en) | Fundus information processing apparatus and fundus information processing method | |
CN111616800B (zh) | 眼科手术导航*** | |
CN108520512B (zh) | 一种测量眼部参数的方法及装置 | |
CN110766656A (zh) | 筛查眼底黄斑区异常的方法、装置、设备和存储介质 | |
CN113436070A (zh) | 一种基于深度神经网络的眼底图像拼接方法 | |
CN113643184B (zh) | 基于光学相干断层扫描的眼底血管展示方法、***及介质 | |
CN117853489B (zh) | 植、介入性管状器械的内壁质量检测方法及装置 | |
US20130162947A1 (en) | Method and device for determining the eye torsion | |
CN107979983A (zh) | 用于确定眼睛的位置和/或取向的方法和设备 | |
US20230025493A1 (en) | Ophthalmic image processing method, ophthalmic image processing device, and ophthalmic image processing program | |
JP2006334044A (ja) | 眼科測定装置 | |
CN109343303B (zh) | 一种基于内锥镜面扫描全景成像的微钻视觉检测方法及装置 | |
CN112053780A (zh) | 一种基于眼底图片的人工智能白内障筛查转诊*** | |
JP5331661B2 (ja) | 画像処理方法および画像処理装置 | |
CN115359548A (zh) | 一种手持式智能瞳孔检测装置及检测方法 | |
CN117808815B (zh) | 植、介入性管状器械的外壁质量检测方法及装置 | |
CN115170459A (zh) | 病灶比例确定方法、装置、***及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |