(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210966489.2 (22)申请日 2022.08.12 (71)申请人 同济大学 地址 200092 上海市杨 浦区四平路1239号 (72)发明人 齐鹏　高泽远　 (74)专利代理 机构 上海科盛知识产权代理有限 公司 312 25 专利代理师 蔡彭君 (51)Int.Cl. G06V 40/14(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 10/54(2022.01)G06V 10/20(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 基于重组Unet的近红外 静脉图像处理方法、 装置及存 储介质 (57)摘要 本发明涉及一种基于重组Unet的近红外静 脉图像处理方法、 装置及存储介质， 其中方法包 括： 获取近红外静脉图像； 构建基于重组Unet网 络的近红外静脉图像处理模型并进行训练， 所述 重组Unet网络包括依次连接的主干特征提取网 络、 加强特征提取网络和预测网络， 其中， 所述主 干特征提取网络基于VGG网络对近红外静脉图像 进行卷积和下采样处理得到有效特征层， 所述加 强特征提取网络基于Unet网络对有效特征层进 行特征融合， 得到特征信息， 所述预测 网络对特 征信息进行二分类预测得到 静脉图像处理结果； 基于训练完成的近红外静脉图像处理模型对近 红外静脉图像进行图像处理得到静脉图像处理 结果。 与现有 技术相比， 本发明具有识别精度高、 计算速度快等优点。 权利要求书1页 说明书4页 附图2页 CN 115359520 A 2022.11.18 CN 115359520 A 1.一种基于 重组Unet的近红外静脉图像处 理方法， 其特 征在于， 包括以下步骤： 获取近红外静脉图像； 构建基于重组Unet网络的近红外静脉图像处理模型并进行训练， 所述重组Unet网络包 括依次连接的主干特征提取网络、 加强特征提取网络和预测网络， 其中， 所述主干特征提取 网络基于VGG网络对近红外静脉图像进行卷积和下采样处理得到有效特征层， 所述加强特 征提取网络基于Unet网络对有效特征层进行特征融合， 得到特征信息， 所述预测网络对特 征信息进行二分类预测得到静脉图像处 理结果； 基于训练完成的近红外静脉图像处理模型对近红外静脉图像进行图像处理得到静脉 图像处理结果。 2.根据权利要求1所述的一种基于重组Unet的近红外静脉图像处理方法， 其特征在于， 所述VGG网络由卷积层和池化层组成。 3.根据权利要求2所述的一种基于重组Unet的近红外静脉图像处理方法， 其特征在于， 所述主干特 征提取网络通过2*2的池化层完成下采样。 4.根据权利要求1所述的一种基于重组Unet的近红外静脉图像处理方法， 其特征在于， 所述有效特 征层共5层。 5.根据权利要求3所述的一种基于重组Unet的近红外静脉图像处理方法， 其特征在于， 所述特征融合为对有效特 征层进行2倍上采样处 理并执行concat堆叠操作。 6.根据权利要求1所述的一种基于重组Unet的近红外静脉图像处理方法， 其特征在于， 所述特征信息包括纹 理特征和形状特 征。 7.根据权利要求1所述的一种基于重组Unet的近红外静脉图像处理方法， 其特征在于， 所述静脉图像处 理结果为仅包括静脉 标签和背景 标签的静脉图像。 8.根据权利要求7所述的一种基于重组Unet的近红外静脉图像处理方法， 其特征在于， 所述重组Unet网络的损失函数为： 其中， yi是特征标签， yi＝1代表静脉标签， yi＝0代表背景标签， p(yi)是N个特征标签为1 的预测概 率。 9.一种基于重组Unet的近红外静脉图像处理装置， 包括存储器、 处理器， 以及存储于所 述存储器中的程序， 其特征在于， 所述处理器执行所述程序时实现如权利要求 1‑8中任一所 述的方法。 10.一种存储介质， 其上存储有程序， 其特征在于， 所述程序被执行时实现如权利要求 1‑8中任一所述的方法。权　利　要　求　书 1/1 页 2 CN 115359520 A 2基于重组U net的近红外静脉图像处理 方法、 装置及存储介质 技术领域 [0001]本发明涉及图像处理领域， 尤其是涉及一种基于重组Unet的近红外静脉图像处理 方法、 装置及存 储介质。 背景技术 [0002]静脉穿刺是医学上最普遍的临床干预措施， 也是造成医疗伤害的主要原因。 随着 人们对生物识别安全性要求的提高， 上肢近红外静脉图像可以用于无接触式扎针机器人的 血管识别检测工作， 对于静脉图像的分割效果将直接影响机器的操作识别效果。 [0003]目前， 实现近红外静脉分割的处 理方法包括两种： [0004]一种是基于硬件检测实时快照， 对视频流进行处理， 采用高端的近红外摄像机可 以达到接近实时处理的速度， 但是高端的设备伴随着昂贵的价格、 复杂的操作和调试过程， 调试所费时间也较长。 同时需要操作员具有较高的熟练度和专注度， 实际效果不佳。 另一种 方法是基于卷积神经网络的图像处理技术， 在搭载至机器前使用大量(亦或是少量)数据提 前对网络模型进行训练， 将训练效果优秀的结果搭载在静脉穿刺设备上， 该种 方法降低了 对操作员的要求， 但是提高了对神经网络训练效果的要求， 常用的Unet网络能够从更少的 训练图像中进 行学习， 但是由于传统的Unet模 型框架较为复杂， 识别速率较低， 网络的收敛 过程慢， 不利于搭 载在手术机器人 上。 [0005]CN111046738A提出了一种针对指静脉分割的轻量化Unet的精度提升方法， 通过加 入知识蒸馏的运用， 采用参数正常结构相同的Unet来辅助训练轻量级的网络， 既不会增加 网络本身的大小， 又可以提高因为参数减少的精度。 但该专利使用Unet网络来对轻量级网 络进行辅助训练， 并没有直接缩小 Unet的结构， 收敛速度慢， 且 难以实现预训练。 发明内容 [0006]本发明的目的就是为了提供一种基于重组Unet的近红外静脉图像处理方法、 装置 及存储介质， 减小 Unet网络的网络结构， 提高计算速度和识别精确度。 [0007]本发明的目的可以通过以下技 术方案来实现： [0008]一种基于 重组Unet的近红外静脉图像处 理方法， 包括以下步骤： [0009]获取近红外静脉图像； [0010]构建基于重组Unet网络的近红外静脉图像处理模型 并进行训练， 所述重组Unet网 络包括依次连接的主干特征提取网络、 加强特征提取网络和预测网络， 其中， 所述主干特征 提取网络基于VGG网络对近红外静脉图像进行卷积和下采样处理得到有效特征层， 所述加 强特征提取网络基于Unet网络对有效特征层进行特征融合， 得到特征信息， 所述预测网络 对特征信息进行二分类预测得到静脉图像处 理结果； [0011]基于训练完成的近红外静脉图像处理模型对近红外静脉图像进行图像处理得到 静脉图像处 理结果。 [0012]所述VGG网络由卷积层和池化层组成。说　明　书 1/4 页 3 CN 115359520 A 3