窑医疗卫生装备窑2024年2月第45卷第2期悦澡蚤灶藻泽藻酝藻凿蚤糟葬造耘择怎蚤责皂藻灶贼允燥怎则灶葬造窑灾燥造援45窑晕燥援2窑February窑2024基于深度学习的手术器械视觉图像高斯与椒盐噪声去除方法研究苗保明1，2，3，陈炜1，2，吴航3，4*，余明3，韩思齐3（1.天津理工大学天津市先进机电系统设计与智能控制重点实验室，天津300384；2.天津理工大学机电工程国家级实验教学示范中心，天津300384；3.军事科学院系统工程研究院，天津300161；4.南开大学人工智能学院，天津300381）[摘要]目的院为消除手术器械视觉图像中的高斯与椒盐噪声，并恢复图像的细节特征，提出一种基于深度学习的手术器械视觉图像高斯与椒盐噪声去除方法。方法院首先，构建由多特征融合编码器解码器网络、注意力引导网络和细节恢复渐进式网络3个部分组成的轻量级多任务渐进式网络，使用多特征融合编码器解码器网络预测视觉图像中的噪声信息，并从原图像中去除，使用注意力引导网络进一步去除图像中的残留噪声，使用细节恢复渐进式网络对去噪图像的底层细节特征进行恢复。其次，对轻量级多任务渐进式网络进行轻量化设计，将细节恢复渐进式网络中的部分常规卷积替换为深度可分离卷积。最后，在公开的CBSD68、Kodak24数据集和自建的手术器械噪声数据集上进行去噪实验，比较基于轻量级多任务渐进式网络的去噪方法与经典去噪方法的去噪效果，ResNet-18模型和ResNet-34模型对采用轻量级多任务渐进式网络去噪后的图像的分类准确率，并分析轻量化设计前后的算力和内存占用情况。结果院在公开数据集上，所提出的方法较经典的去噪方法取得了更好的去噪效果。在手术器械噪声数据集上，ResNet-18模型和ResNet-34模型对采用轻量级多任务渐进式网络去噪后的图像分类准确率更高。经过轻量化设计的去噪方法的参数量和浮点运算数（floatingpointoperations，FLOPs）分别减少了约27.27%和29.81%。结论院基于深度学习的手术器械视觉图像高斯与椒盐噪声去除方法具有优秀的手术器械视觉图像去噪性能，且具有更少的算力消耗和内存占用。[关键词]深度学习；手术器械；视觉图像；图像去噪；高斯噪声；椒盐噪声[中国图书资料分类号]R318[文献标志码]A[文章编号]1003-8868渊2024冤02-0001-07DOI院10.19745/j.1003-8868.2024021Deeplearning-basedGaussianandpeppernoiseremovalmethodforvisualimagesofsurgicalinstrumentsMIAOBao-ming1,2,3,CHENWei1,2,WUHang3,4*,YUMing3,HANSi-qi3(1.TianjinKeyLabora...
