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