LabVIEW+OpenVINO在CPU上部署新冠肺炎檢測模型實戰

前言

之前部落格：【YOLOv5】LabVIEW+OpenVINO讓你的YOLOv5在CPU上飛起來給大家介紹了在LabVIEW上使用openvino加速推理，在CPU上也能感受絲滑的實時物體識別。那我們今天就一起來看一下如何使用LabVIEW+OpenVINO在CPU上部署新冠肺炎CT影像病害分割，本次實戰模型主要是來自大佬：翼達口香糖，部落格：https://blog.csdn.net/weixin_...

一、LabVIEW視覺工具包下載與配置

1、視覺工具包的下載安裝

可在如下連結中下載工具包：https://segmentfault.com/a/1190000042225535

2、OpenVINO toolkit下載安裝

下載地址：英特爾® Distribution of OpenVINO™ 工具套件
1）點選Dev Tools

在這裡插入圖片描述
2）選擇版本，選擇如下版本，並DownLoad：

在這裡插入圖片描述
3）下載後，執行安裝即可！（建議安裝到預設路徑）

4）可以選擇安裝路徑，具體安裝可以參考官方文件：https://docs.openvino.ai/cn/latest/openvino_docs_install_guides_installing_openvino_windows.html

5)安裝完成後，請記得配置環境變數，即在電腦的環境變數-->系統變數-->path種新增如下變數

在這裡插入圖片描述

二、模型獲取

openvino工作流程，和其他的部署工具都差不多，訓練好模型，解析成openvino專用的.xml和.bin，隨後傳入Inference Engine中進行推理。本實戰中的模型來自：https://blog.csdn.net/weixin_...，你可以在這裡下載到模型：下載模型連結

三、語義分割之Unet

1、語義分割在醫療影像上的應用

隨著人工智慧的崛起，將神經網路與醫療診斷結合也成為研究熱點，智慧醫療研究逐漸成熟。在智慧醫療領域，語義分割主要應用於腫瘤影像分割，齲齒診斷等。(下圖分別是齲齒診斷，頭部CT掃描緊急護理診斷輔助和肺癌診斷輔助)
在這裡插入圖片描述

2、Unet簡介

U-Net 起源於醫療影像分割，整個網路是標準的encoder-decoder網路，特點是引數少，計算快，應用性強，對於一般場景適應度很高。原始U-Net的結構如右圖所示，由於網路整體結構類似於大寫的英文字母U，故得名U-net。左側可視為一個編碼器，右側可視為一個解碼器。編碼器有四個子模組，每個子模組包含兩個卷積層，每個子模組之後透過max pool進行下采樣。由於卷積使用的是valid模式，故實際輸出比輸入影像小一些。具體來說，後一個子模組的解析度=(前一個子模組的解析度-4)/2。U-Net使用了Overlap-tile 策略用於補全輸入影像的上下資訊，使得任意大小的輸入影像都可獲得無縫分割。同樣解碼器也包含四個子模組，解析度透過上取樣操作依次上升，直到與輸入影像的解析度基本一致。該網路還使用了跳躍連線，以拼接的方式將解碼器和編碼器中相同解析度的feature map進行特徵融合，幫助解碼器更好地恢復目標的細節。
在這裡插入圖片描述