前言

之前博客： 【YOLOv5】LabVIEW+OpenVINO讓你的YOLOv5在CPU上飛起來給大家介紹了在LabVIEW上使用openvino加速推理，在CPU上也能感受絲滑的實時物體識別。那我們今天就一起來看一下如何使用LabVIEW+OpenVINO在CPU上部署新冠肺炎CT圖像病害分割，本次實戰模型主要是來自大佬：翼達口香糖，博客：https://blog.csdn.net/weixin_47567401/article/details/122809410

一、LabVIEW視覺工具包下載與配置

1、視覺工具包的下載安裝

可在如下鏈接中下載OpenVINO版工具包： https://download.csdn.net/download/virobotics/18434228

2、OpenVINO toolkit下載安裝

下載地址： 英特爾? Distribution of OpenVINO? 工具套件

1）點擊Dev Tools

在這里插入圖片描述

2）選擇版本，選擇如下版本，并DownLoad：

在這里插入圖片描述

3）下載后，運行安裝即可！（建議安裝到默認路徑）

在這里插入圖片描述

4）可以選擇安裝路徑，具體安裝可以參考官方文檔： https://docs.openvino.ai/cn/latest/openvino_docs_install_guides_installing_openvino_windows.html

5)安裝完成后， 請記得配置環境變量 ，即在電腦的環境變量-->系統變量-->path種添加如下變量

在這里插入圖片描述

二、模型獲取

openvino工作流程，和其他的部署工具都差不多，訓練好模型，解析成openvino專用的.xml和.bin，隨后傳入Inference Engine中進行推理。本實戰中的模型來自： https://blog.csdn.net/weixin_47567401/article/details/122809410，你可以在這里下載到模型：下載模型鏈接

三、語義分割之Unet

1、語義分割在醫療影像上的應用

**隨著人工智能的崛起，將神經網絡與醫療診斷結合也成為研究熱點，智能醫療研究逐漸成熟。在智能醫療領域，語義分割主要應用于腫瘤圖像分割，齲齒診斷等。(下圖分別是齲齒診斷，頭部CT掃描緊急護理診斷輔助和肺癌診斷輔助) **

在這里插入圖片描述

2、Unet簡介

U-Net 起源于醫療圖像分割，整個網絡是標準的encoder-decoder網絡，特點是參數少，計算快，應用性強，對于一般場景適應度很高。原始U-Net的結構如右圖所示，由于網絡整體結構類似于大寫的英文字母U，故得名U-net。左側可視為一個編碼器，右側可視為一個解碼器。編碼器有四個子模塊，每個子模塊包含兩個卷積層，每個子模塊之后通過max pool進行下采樣。由于卷積使用的是valid模式，故實際輸出比輸入圖像小一些。具體來說，后一個子模塊的分辨率=(前一個子模塊的分辨率-4)/2。U-Net使用了Overlap-tile 策略用于補全輸入圖像的上下信息，使得任意大小的輸入圖像都可獲得無縫分割。同樣解碼器也包含四個子模塊，分辨率通過上采樣操作依次上升，直到與輸入圖像的分辨率基本一致。該網絡還使用了跳躍連接，以拼接的方式將解碼器和編碼器中相同分辨率的feature map進行特征融合，幫助解碼器更好地恢復目標的細節。

在這里插入圖片描述