之前博客：
一、LabVIEW视觉工具包下载与配置
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：
2）选择版本，选择如下版本，并DownLoad：
3）下载后，运行安装即可！（建议安装到默认路径）
4）可以选择安装路径，具体安装可以参考官方文档：
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：
三、语义分割之Unet
1、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
-
操作系统：Windows10
-
python：3.6及以上
-
LabVIEW：2018及以上 64位版本
-
视觉工具包：techforce_lib_opencv_cpu-1.0.0.73.vip
-
OpenVINO：2021.4.2
总结
以上就是今天要给大家分享的内容。 如您想要探讨更多关于LabVIEW与人工智能技术，欢迎加入我们的技术交流群：705637299，进群请备注暗号：LabVIEW机器学习
如果文章对你有帮助，欢迎✌关注、?点赞、✌收藏、?订阅专栏