LabVIEW+OpenVINO在CPU上部署新冠肺炎检测模型实战（含源码）

第第页LabVIEW+OpenVINO在CPU上部署新冠肺炎检测模型实战（含源码）

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InferenceEngine中进行推理。本实战中的模型来自：/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Unet1、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maxpool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-（ti）le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featuremap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OpenVINOtoolkit，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matreshape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

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。

如您想要探讨更多关于LabVIEW与人工智能技术，欢迎加入我们进行（技术交流）：705637299，进群请备注暗号：LabVIEW（机器学习）

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

附加说明（操作系统）：Windows10（python）：3.6及以上LabVIEW：2023及以上64位版本视觉工具包：（te）chforce_lib_opencv_cpu-3.vipOpenVINO：2023.4.2总结以上就是今天要给大家分享的内容。

如果文章对你有帮助，