基于机器视觉的创面测量技术研究.pdfVIP

摘要

创面是皮肤受损形成的表面，根据伤口愈合时间和损伤程度分为急性与慢性创面，特

别是慢性创面更具复杂性和严重的并发症。针对创面治疗、愈合情况评估、检测等工作中

的问题，本文开发一种非接触、低成本、高精度的三维自动伤口测量系统，创面面积、深

度等是该测量系统用于评估损伤程度的关键信息。该系统结合三维测量、深度学习和数字

图像处理技术，可以精确测量创面的面积和深度，系统整体误差控制在5%以内，测量时

间不超过5秒。有效的提高了检测效率，为医护人员提供了可靠的数据支持。本文的主要

研究内容如下：

（1）针对单一彩色相机难以提取目标三维点云信息的问题，本文在硬件选型上，选

用IntelRealSenseD405深度相机对创面进行三维采集，以此精准获取创面的彩色和深度

信息。该相机能够为后续的软件处理提供全面且准确的数据基础。

（2）针对创面和未受损人体皮肤的边缘难以精确区分的问题，在软件层面，完成彩

色与深度图像空间对齐后，构建了基于双层注意力机制的轻量型U-net网络框架。首先对

IntelRealsenseD405采集到的彩色流与深度流数据进行精准对齐，该步骤实现了三维信息

在二维图像上的准确映射，使得本研究能够通过彩色图像的像素点，定位到其对应的三维

空间坐标。为了精准获取创面区域，本研究创新性地运用FCN与U-Net系列卷积神经网

络，对创面图像数据集展开系统的训练与验证。经实验充分证实了本文所提框架的优越性：

在创面图像数据集上，创面区域的分割像素准确率高达94.17%，平均像素准确率达到

88.75%，Dice系数亦达到82.80%。实验结果显示不仅满足创面图像快速、准确分割的严

苛要求，而且可以完成对创面伤口的精准定位。基于创面分割确定伤口位置，通过对提取

出的创面伤口像素点对应的三维空间坐标进行精确的几何计算，成功获取了创面伤口的深

度、面积等信息，并将这些信息进行集中显示，以便医护人员直观查看。

3

（）针对当前临床烧伤深度分类困难的问题，本文提出了一种基于深度学习技术的

烧伤深度分类模型。首先，设计了一种融合卷积神经网络结构，利用本文提出的分割网络

对烧伤创面进行精确分割，以获取准确的烧伤区域。在此基础上，烧伤分类模型分别提取

伤口的局部特征和全局特征，并通过特征融合技术将两者结合。最终，基于融合特征实现

烧伤深度的分类。实验结果表明，在烧伤深度分类任务里，ResNet-101模型展现出卓越

性能。在验证集中，其准确率高达86.23%，精确率达83.61%，召回率为83.18%，F1得

分亦有82.04%。有效解决了烧伤深度分类的难题。

关键词：创面；伤口图像分割；U-Net；创面信息测量；烧伤深度分类

Abstract

Woundisthesurfaceformedbydamagedskin.Accordingtothewoundhealingtimeand

thedegreeofinjury,itisdividedintoacuteandchronicwounds,especiallychronicwoundsare

morecomplexandseriouscomplications.Aimingattheproblemsinwoundtreatment,healing

evaluationanddetection,thispaperdevelopsanon-contact,low-cost,high-precision

three-dimensionalautomaticwoundmeasurementsystem.Thewoundareaanddeptharethe

keyinformationusedtoevaluatethedegreeofinjuryinthismeasurementsystem.Combined

with3Dmeasurement,deeplearninganddigitalimageprocessingtechnology,thesystemcan

accuratelymeasuretheareaanddepthofthewound,theoverallsystemerroris