本發(fā)明屬于人體穴位檢測(cè)，具體涉及一種用于快速人體穴位識(shí)別的acu-yolo深度學(xué)習(xí)方法。

背景技術(shù)：

1、隨著人工智能技術(shù)的迅猛發(fā)展，深度學(xué)習(xí)在人體穴位識(shí)別領(lǐng)域展現(xiàn)出巨大潛力。以往，穴位治療主要依賴醫(yī)師的經(jīng)驗(yàn)和專業(yè)知識(shí)進(jìn)行穴位查找與定位，培養(yǎng)一名優(yōu)秀的醫(yī)師需要耗費(fèi)數(shù)年時(shí)間，且救治人數(shù)有限，同時(shí)存在效率低下、準(zhǔn)確性不穩(wěn)定等問(wèn)題。近十年來(lái)，卷積神經(jīng)網(wǎng)絡(luò)(cnn)等深度學(xué)習(xí)算法在圖像識(shí)別和目標(biāo)檢測(cè)等任務(wù)中取得了顯著成果。將深度學(xué)習(xí)應(yīng)用于穴位識(shí)別，能夠從大量數(shù)據(jù)中學(xué)習(xí)穴位的特征和模式，從而提高識(shí)別的準(zhǔn)確性和效率。

2、然而，當(dāng)前的深度學(xué)習(xí)模型在穴位識(shí)別應(yīng)用中仍面臨一些挑戰(zhàn)。由于人體穴位的位置和特征可能因個(gè)體差異而有所不同，特別是前胸穴位需要更高的精準(zhǔn)性，這對(duì)模型的泛化能力提出了更高要求。此外，穴位識(shí)別需要高精度的定位，以確保治療的有效性和安全性。

3、因此，現(xiàn)在需要一種能夠?qū)崿F(xiàn)準(zhǔn)確、快速識(shí)別前胸穴位位置的用于快速人體穴位識(shí)別的acu-yolo深度學(xué)習(xí)方法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是提供一種用于快速人體穴位識(shí)別的acu-yolo深度學(xué)習(xí)方法，能夠有效提高人體前胸穴位檢測(cè)的檢測(cè)效率與精度。

2、為實(shí)現(xiàn)上述目的，本發(fā)明所采用的技術(shù)方案是：

3、一種用于快速人體穴位識(shí)別的acu-yolo深度學(xué)習(xí)方法，包括以下步驟：

4、步驟s1：采集人體前胸穴位數(shù)據(jù)集；

5、步驟s2：對(duì)步驟s1中的人體前胸穴位數(shù)據(jù)集進(jìn)行預(yù)處理及標(biāo)注，然后將人體前胸穴位數(shù)據(jù)集劃分為用于訓(xùn)練的訓(xùn)練集、用于驗(yàn)證的驗(yàn)證集以及用于測(cè)試的測(cè)試集；

6、步驟s3：搭建yolov10網(wǎng)絡(luò)結(jié)構(gòu)模型，對(duì)yolov10網(wǎng)絡(luò)框架進(jìn)行改進(jìn)，得到acu-yolo網(wǎng)絡(luò)結(jié)構(gòu)模型；

7、步驟s4：使用步驟s2中的訓(xùn)練集對(duì)步驟s3中的acu-yolo網(wǎng)絡(luò)結(jié)構(gòu)模型進(jìn)行訓(xùn)練，得到人體前胸穴位檢測(cè)模型；

8、步驟s5：利用步驟s4中的人體前胸穴位檢測(cè)模型，對(duì)測(cè)試集進(jìn)行測(cè)試。

9、本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)在于：步驟s2包括以下步驟：

10、步驟s201：對(duì)人體前胸穴位數(shù)據(jù)進(jìn)行預(yù)處理，將人體前胸穴位數(shù)據(jù)集中的各個(gè)圖像的尺寸調(diào)整為1920*1200；

11、步驟s202：使用圖像工具labelme對(duì)步驟s201中預(yù)處理后的人體前胸穴位數(shù)據(jù)集中的各個(gè)圖片進(jìn)行穴位標(biāo)注，得到j(luò)son格式的標(biāo)注文件，并轉(zhuǎn)換格式得到y(tǒng)olov10訓(xùn)練所需的數(shù)據(jù)集；

12、步驟s203：標(biāo)注穴位，分別標(biāo)注大橫穴sp15、天樞穴st25、盲俞穴ki16、神闕穴rn8、中庭穴rn16、天突穴rn22、左乳中穴st171、右乳中穴st172；

13、步驟s204：將acu-yolo訓(xùn)練所需的數(shù)據(jù)集按照8:1:1的比例分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。

14、本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)在于：步驟s3包括以下步驟：

15、步驟s301：搭建yolov10網(wǎng)絡(luò)結(jié)構(gòu)模型，包括輸入層input?layer、提取圖像特征的backbone結(jié)構(gòu)、進(jìn)一步處理和融合特征的neck結(jié)構(gòu)以及輸出層head；所述backbone結(jié)構(gòu)包括conv結(jié)構(gòu)、c2f結(jié)構(gòu)、scdown結(jié)構(gòu)以及sppf結(jié)構(gòu)，neck結(jié)構(gòu)包括c2f結(jié)構(gòu)以及c2fcib結(jié)構(gòu)；

16、步驟s302：在backbone結(jié)構(gòu)中添加psmash注意力機(jī)制模塊；

17、步驟s303：在neck結(jié)構(gòu)中添加msblock多尺度塊；

18、步驟s304：整合改進(jìn)的backbone和neck結(jié)構(gòu)獲得acu-yolo網(wǎng)絡(luò)結(jié)構(gòu)模型。

19、本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)在于：在步驟s302中，注意力機(jī)制模塊psmash在cbam模塊基礎(chǔ)上，將原先的通道注意力替換為使通道注意力具備多尺度性能的msca，其中msca包含深度卷積聚合局部信息、多分支深度卷積捕獲多尺度上下文以及1x1卷積建模不同通道之間的關(guān)系。

20、本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)在于：在步驟s303中，msblock多尺度塊采用分層特征融合策略，通過(guò)倒置瓶頸層代替標(biāo)準(zhǔn)3×3卷積以利用大核卷積增強(qiáng)實(shí)時(shí)目標(biāo)檢測(cè)器提取多尺度特征的能力。

21、本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)在于：步驟s304所獲得的acu-yolo網(wǎng)絡(luò)結(jié)構(gòu)模型中改進(jìn)的backbone?network由conv結(jié)構(gòu)、c2f結(jié)構(gòu)、scdown結(jié)構(gòu)、sppf結(jié)構(gòu)和psmash結(jié)構(gòu)組成，其中psmash結(jié)構(gòu)添加在sppf之后；改進(jìn)的neck?network分別在c2f以及c2fcib之后接入msblock結(jié)構(gòu)。

22、本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)在于：在步驟s4中，使用訓(xùn)練集對(duì)yolov10網(wǎng)絡(luò)結(jié)構(gòu)模型進(jìn)行訓(xùn)練時(shí)，epochs設(shè)定為100，batch設(shè)置為2，imagsz設(shè)置為640，模型的深度設(shè)置為0.67，寬度設(shè)置為0.75，最大通道數(shù)設(shè)置為768。

23、本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)在于：在步驟s4中，使用訓(xùn)練集以及yolov10網(wǎng)絡(luò)結(jié)構(gòu)模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的yolov10網(wǎng)絡(luò)結(jié)構(gòu)模型的權(quán)重文件以及yolov10網(wǎng)絡(luò)結(jié)構(gòu)模型在訓(xùn)練集上的map值；使用訓(xùn)練集以及acu-yolo網(wǎng)絡(luò)結(jié)構(gòu)模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的acu-yolo網(wǎng)絡(luò)結(jié)構(gòu)模型的權(quán)重文件以及acu-yolo網(wǎng)絡(luò)結(jié)構(gòu)模型在訓(xùn)練集上的map值；其中訓(xùn)練好的acu-yolo網(wǎng)絡(luò)結(jié)構(gòu)模型為人體前胸穴位檢測(cè)模型。

24、本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)在于：在步驟s5中，采用訓(xùn)練好的yolov10網(wǎng)絡(luò)結(jié)構(gòu)模型的權(quán)重文件以及測(cè)試集進(jìn)行測(cè)試，得到其所需檢測(cè)穴位點(diǎn)預(yù)測(cè)位置與真實(shí)位置之間的誤差距離、以及此模型的穴位平均誤差距離、最大誤差穴位誤差距離和最小誤差穴位誤差距離；

25、采用所述訓(xùn)練好的acu-yolo網(wǎng)絡(luò)結(jié)構(gòu)模型的權(quán)重文件以及測(cè)試集進(jìn)行測(cè)試，得到其所需檢測(cè)穴位點(diǎn)預(yù)測(cè)位置與真實(shí)位置之間的誤差距離以及此模型的穴位平均誤差距離、最大誤差穴位誤差距離和最小誤差穴位誤差距離。

26、本發(fā)明技術(shù)方案的進(jìn)一步改進(jìn)在于：在步驟s301中，在yolov10框架中應(yīng)用關(guān)鍵點(diǎn)檢測(cè)頭，關(guān)鍵點(diǎn)檢測(cè)頭作為解碼器提取穴位點(diǎn)的類別信息與位置信息并輸出最終的穴位預(yù)測(cè)結(jié)果，以拓展出穴位檢測(cè)應(yīng)用方向。

27、由于采用了上述技術(shù)方案，本發(fā)明取得的技術(shù)進(jìn)步是：

28、本發(fā)明用于快速人體穴位識(shí)別的acu-yolo深度學(xué)習(xí)方法，對(duì)圖像進(jìn)行一次前向傳播即可得到所有對(duì)象的位置和類別信息，能夠有效提高檢測(cè)速度，通過(guò)在neck結(jié)構(gòu)的c2f之后加入msblock，在neck結(jié)構(gòu)的c2fcib之后加入msblock，其分層融合特征策略實(shí)現(xiàn)了目標(biāo)穴位的準(zhǔn)確識(shí)別，同時(shí)引入了psmash與msblock的yolov10穴位檢測(cè)算法對(duì)人體前胸穴位進(jìn)行檢測(cè)，實(shí)現(xiàn)了人體前胸穴位點(diǎn)更高程度的精準(zhǔn)性，本發(fā)明可部署于針灸機(jī)器人硬件平臺(tái)或手機(jī)端，實(shí)現(xiàn)打開(kāi)終端即可準(zhǔn)確找到使用者的穴位，具有良好的實(shí)時(shí)性和高精度。

29、本發(fā)明基于yolov10模型框架進(jìn)行特征提取及對(duì)特征進(jìn)行處理，結(jié)合關(guān)鍵點(diǎn)檢測(cè)頭作為解碼器提取穴位點(diǎn)的類別信息與位置信息，輸出最終的穴位預(yù)測(cè)結(jié)果，使得目前的yolov10由單一的目標(biāo)檢測(cè)功能拓展出關(guān)鍵點(diǎn)檢測(cè)功能，并且對(duì)于yolov10主干網(wǎng)絡(luò)與頸部網(wǎng)絡(luò)進(jìn)行改進(jìn)，得到了適用于快速穴位檢測(cè)的acu-yolo。

30、本發(fā)明針對(duì)前胸的大橫穴sp15、天樞穴st25、盲俞穴ki16、神闕穴rn8、中庭穴rn16、天突穴rn22、左乳中穴st171、右乳中穴st172這八個(gè)穴位進(jìn)行檢測(cè)，提高了穴位檢測(cè)準(zhǔn)確率。

31、本發(fā)明通過(guò)在backbone結(jié)構(gòu)的sppf結(jié)構(gòu)輸出之后引入psmash，psmash同時(shí)考慮了通道和空間兩個(gè)維度，降低了計(jì)算復(fù)雜度。

32、本發(fā)明通過(guò)在neck結(jié)構(gòu)的c2f結(jié)構(gòu)之后加入msblock，在neck結(jié)構(gòu)的c2fcib結(jié)構(gòu)之后加入msblock，其分層融合特征策略實(shí)現(xiàn)了目標(biāo)穴位的準(zhǔn)確識(shí)別。