基于深度学习的修复性牙科仪器的对象检测,对牙科供应单位的工作流程自动化和感染控制有潜在的影响
Suvit Poomrittigul1, Sirawit Mittong1, Bhornsawan Thanathornwong2
1School of Information Technology, King Mongkut's Institute of Technology Ladkrabang (KMITL), Bangkok, Thailand.
Scientific reports
|December 3, 2025
概括
本研究介绍了一种人工智能模型,用于自动识别牙科仪器,提高牙科机构的工作流程效率和感染控制. YOLOv8模型在托盘上检测和分类修复性牙科工具方面表现出高准确度.
科学领域:
- 人工智能的人工智能
- 计算机视觉 计算机视觉
- 牙科技术 牙科技术
背景情况:
- 自动化系统对于优化牙科供应单位的工作流程和感染控制至关重要.
- 精确识别牙科仪器对于有效的库存管理和灭菌过程至关重要.
研究的目的:
- 开发和评估用于自动检测和分类修复性牙科仪器的深度学习模型.
- 评估YOLOv8模型的性能与此任务的先前版本相比.
- 支持工作流程自动化,并加强牙科供应单位的感染控制.
主要方法:
- 创建了一个由1000张图像组成的数据集,包含14个类别的14000个注释的修复性牙科仪器.
- 通过精度,回忆和平均平均精度 (mAP) 度量来训练和评估YOLOv8物体检测模型.
- 性能与YOLOv5,YOLOv6和YOLOv7进行了基准测试,使用会话级数据分割来确保可靠的概括.
主要成果:
- YOLOv8实现了最高的性能,mAP@0.5达到95.9%,mAP@[0.5:0.95]达到80.9%.
- 单个仪器类别的精度在90.3%至100%之间,回忆率在80.6%至98.5%之间.
- 该模型在标准和严格的评估标准下展示了强大的检测能力.
结论:
- YOLOv8深度学习模型可用于自动修复性牙科仪器检测,为提高牙科供应单元效率提供了一个有前途的工具.
- 观察到高精度和稳定性,但建议在不同的临床环境中进一步验证.
- 未来的实施应包括安全的人工智能辅助工作流程的人在循环验证和审计轨道.
