LabVIEW+OpenVINO在CPU上部署新冠肺炎检测模型实战 _生活百科

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

【LabVIEW+OpenVINO在CPU上部署新冠肺炎检测模型实战】2）选择版本，选择如下版本，并DownLoad：

3）下载后，运行安装即可?。ńㄒ榘沧暗侥下肪叮?

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