开发使用卷积神经网络细分的微导管挤出角度估计系统.

科学领域:

• 制造业 工程 制造工程
• 医疗器械技术 医疗器械技术
• 人工智能在制造业中的应用

背景情况:

• 由于其医疗应用,微导管管需要严格的质量控制.
• 操作员的变化可能导致挤出角度不一致,影响微导管质量.
• 在树脂挤出过程中实时估计挤出角度一直是一个重大挑战.

研究的目的:

• 开发和验证基于深度学习的系统,用于微导管制造中的实时挤出角度估计.
• 提高质量控制和减少微导管挤出过程中的变化.
• 建立一种用于实时挤出角度测量的新方法.

主要方法:

• 设计了一个采用两个RGB摄像头用于前方和侧面视图的系统.
• 一个卷积神经网络 (CNN) 被训练用于挤出树脂的图像细分.
• 主要组件分析 (PCA) 应用于细分图像,以准确估计挤出角度.

主要成果:

• 该系统实现了0.8848的平均交叉与结合 (mIoU) 的细分精度.
• 平均绝对角度误差 (MAE) 为0.5968,显示出高精度.
• 推断时间为0.0546秒,证实了系统的实时能力.

结论:

• 拟议的深度学习系统有效地实时估计挤出角度.
• 经过验证的系统适用于改善微导管管制造中的质量控制.
• 这代表了第一个实时深度学习方法来估计这个过程中的挤出角度.