在医疗领域,生病输液是一种常见的医疗现象,输液过程中需要时刻关注点滴瓶中的药液是否输完,以免因药液输完后未及时处理造成空气进入血管或血液倒流等现象发生,引发医疗事故。输液过程时间久、耗费精力。针对此问题,目前研究多是基于传感器装置进行点滴瓶中的液位检测,即直接或间接的在容器周围添加辅助传感装置,很多容器都是无法重复使用的,成本太高存在局限性。本文研究基于机器视觉方法实现点滴瓶中的液位线区域检测。本文研究的主要内容包括:1.分割前景图像以缩小检测范围。在点滴液位检测研究中,将采集到的图像用于训练好的卷积神经网络模型中,采集到的点滴瓶图像背景复杂,本文中采用Grab Cut算法通过交互得到点滴瓶前景图像,交互分割后的点滴瓶前景图像特征仅限于瓶内,缩小了检测范围,便于本文最后基于卷积神经网络模型进行点滴瓶中的液位线区域检测。2.改进引导滤波算法进行去噪处理。针对点滴液位检测研究,通过Grab Cut算法分割后得到的点滴瓶前景图像存在边缘凹陷、突刺问题,结合改进的引导滤波算法对图像进行去噪处理,改进的引导滤波算法主要将图像分割后得到的前景目标图像进行二值化处理作为引导滤波器的掩码图像,结合原图像进行去噪处理,实验结果与同类型的滤波器进行比较分析。3.基于视觉的点滴瓶液位检测。在液位检测研究中,传统方法大多数采用传感装置,本文使用基于视觉的深度学习算法应用于点滴瓶液位检测中,即通过参数优化后的卷积神经网络模型对大量点滴瓶图像数据集进行训练学习,将Grab Cut分割后再进行引导滤波处理过的点滴瓶图像通过训练好的卷积神经网络模型进行液位线特征区域检测。实验表明,在对于Grab Cut分割后存在的边缘凹陷、突刺问题,结合Grab Cut改进的引导滤波方法在峰值信噪比、结构相似性及平均运行时间上要优于其他对比方法,有明显改善;去噪细化后的前景点滴瓶图像通过训练好的Faster-RCNN网络模型迭代不同次数,比较其真阳性识别率、AP、平均运行时间及检测效果图中的目标置信度,发现在学习率为0.001,迭代次数为10000时,其运行时间一般、真阳性识别率最高、AP值最大、检测效果图中的目标置信度最高,此时效果最好。