首页IT科技labview opc部署失败 1967362042(LabVIEW+OpenVINO在CPU上部署新冠肺炎检测模型实战)

labview opc部署失败 1967362042(LabVIEW+OpenVINO在CPU上部署新冠肺炎检测模型实战)

时间2025-06-20 12:47:07分类IT科技浏览4462
导读:前言...

前言

之前博客:【YOLOv5】LabVIEW+OpenVINO让你的YOLOv5在CPU上飞起来给大家介绍了在LabVIEW上使用openvino加速推理             ,在CPU上也能感受丝滑的实时物体识别             。那我们今天就一起来看一下如何使用LabVIEW+OpenVINO在CPU上部署新冠肺炎CT图像病害分割                    ,本次实战模型主要是来自大佬:翼达口香糖      ,博客:https://blog.csdn.net/weixin_47567401/article/details/122809410

一            、LabVIEW视觉工具包下载与配置

1                   、视觉工具包的下载安装

可在如下链接中下载工具包:https://www.cnblogs.com/virobotics/p/16527821.html

2        、OpenVINO toolkit下载安装

下载地址:英特尔® Distribution of OpenVINO™ 工具套件

1)点击Dev Tools

2)选择版本         ,选择如下版本                    ,并DownLoad:

3)下载后         ,运行安装即可!(建议安装到默认路径)

4)可以选择安装路径      ,具体安装可以参考官方文档:https://docs.openvino.ai/cn/latest/openvino_docs_install_guides_installing_openvino_windows.html

5)安装完成后                    ,请记得配置环境变量            ,即在电脑的环境变量-->系统变量-->path种添加如下变量

二         、模型获取

openvino工作流程   ,和其他的部署工具都差不多                    ,训练好模型               ,解析成openvino专用的.xml和.bin,随后传入Inference Engine中进行推理                    。本实战中的模型来自:https://blog.csdn.net/weixin_47567401/article/details/122809410                 ,你可以在这里下载到模型:下载模型链接

三                  、语义分割之Unet

1           、语义分割在医疗影像上的应用

随着人工智能的崛起                   ,将神经网络与医疗诊断结合也成为研究热点   ,智能医疗研究逐渐成熟      。在智能医疗领域             ,语义分割主要应用于肿瘤图像分割                    ,龋齿诊断等         。(下图分别是龋齿诊断      ,头部CT扫描紧急护理诊断辅助和肺癌诊断辅助)

2      、Unet简介

U-Net 起源于医疗图像分割         ,整个网络是标准的encoder-decoder网络                    ,特点是参数少         ,计算快      ,应用性强                    ,对于一般场景适应度很高                    。原始U-Net的结构如右图所示            ,由于网络整体结构类似于大写的英文字母U   ,故得名U-net         。左侧可视为一个编码器                    ,右侧可视为一个解码器      。编码器有四个子模块               ,每个子模块包含两个卷积层,每个子模块之后通过max pool进行下采样                    。由于卷积使用的是valid模式                 ,故实际输出比输入图像小一些            。具体来说                   ,后一个子模块的分辨率=(前一个子模块的分辨率-4)/2   。U-Net使用了Overlap-tile 策略用于补全输入图像的上下信息   ,使得任意大小的输入图像都可获得无缝分割                    。同样解码器也包含四个子模块             ,分辨率通过上采样操作依次上升                    ,直到与输入图像的分辨率基本一致               。该网络还使用了跳跃连接      ,以拼接的方式将解码器和编码器中相同分辨率的feature map进行特征融合         ,帮助解码器更好地恢复目标的细节。

四                  、LabVIEW+OpenVINO在CPU上部署新冠肺炎检测模型(covid_main.vi )

运行本项目                    ,请务必安装新版工具包及OpenVINO toolkit         ,否则会报错无法运行

1              、实现过程

dnn模块调用IR模型(模型优化器)

设置计算后台与计算目标设备(推理引擎加速)

读取待检测的影像图片

图像预处理(blobFromImage)

推理

后处理

绘制分割出的感染区域

添加logo和标题      ,并将其保存为MP4

后处理中

先将mat reshape 成512*512

进行二值化阈值处理

寻找轮廓

绘制轮廓

在指定地方绘制logo

将其在前面板显示并保存为MP4                    ,保存为MP4之前记得进行颜色空间转换                 。

2   、程序源码

3                  、推理运行

请将下载的项目放在不包含中文的路径下            ,打开covid_main.vi   ,修改检测影像路径为实际路径                    ,运行检测 有如下四个文件夹可选

注意:readNetFromModelOptimizer.vi中IR模型路径不可以包含中文

4                 、运行效果

五、项目源码及模型下载

大家可关注微信公众号:VIRobotics               ,回复关键字:新冠肺炎检测实战 获取本次分享内容的完整项目源码及模型                   。

附加说明

操作系统:Windows10

python:3.6及以上

LabVIEW:2018及以上 64位版本

视觉工具包:techforce_lib_opencv_cpu-1.0.0.73.vip

OpenVINO:2021.4.2

总结

以上就是今天要给大家分享的内容   。 如您想要探讨更多关于LabVIEW与人工智能技术,欢迎加入我们的技术交流群:705637299                 ,进群请备注暗号:LabVIEW机器学习

如果文章对你有帮助                   ,欢迎✌关注               、?点赞                    、✌收藏    、?订阅专栏

创心域SEO版权声明:以上内容作者已申请原创保护,未经允许不得转载,侵权必究!授权事宜、对本内容有异议或投诉,敬请联系网站管理员,我们将尽快回复您,谢谢合作!

展开全文READ MORE
react生命周期钩子函数(react生命周期) 天津seo网站排名优化公司(天津seo技术教程)