疫苗接種機(jī)器人中的肌肉注射點(diǎn)智能檢測(cè)技術(shù)

摘要

本項(xiàng)目對(duì)于目前全球新冠疫情下低收入國(guó)家疫苗接種率不高的問題，運(yùn)用AMD-Xilinx提供的KV260硬件平臺(tái)和Vitis-AI開發(fā)平臺(tái)，基于2D圖像的視覺AI輔助的疫苗肌肉注射點(diǎn)檢測(cè)技術(shù)，結(jié)合輕量級(jí)神經(jīng)網(wǎng)絡(luò)模型，利用量化技術(shù)、后處理技術(shù)等，設(shè)計(jì)了一個(gè)低開發(fā)成本、低人力成本、低交叉感染風(fēng)險(xiǎn)的自動(dòng)疫苗接種方案。

項(xiàng)目背景

新型冠狀病毒還在影響著人們生活的方方面面，給公共衛(wèi)生、全球運(yùn)輸系統(tǒng)和許多領(lǐng)域帶來了前所未有的挑戰(zhàn)。大多數(shù)政府已經(jīng)實(shí)施過封鎖，限制國(guó)際旅行等各類政策，以減輕病毒的傳播。鑒于目前還沒有能夠?qū)共《镜奶匦?，接種疫苗仍然是最有效手段之一。

然而，全球疫苗接種率仍然很低，尤其是在低收入國(guó)家。根據(jù)世衛(wèi)組織的數(shù)據(jù)，低收入國(guó)家只有14.5%的人口接種了至少一劑疫苗[1]。許多非洲國(guó)家的疫苗接種率更低，僅在1.5%至4%之間。在這種情況下，如何才能提供一個(gè)低成本的疫苗接種方案是最緊急，但也是極具挑戰(zhàn)性的。因?yàn)殚_發(fā)疫苗本身成本很高，接種疫苗這個(gè)過程也有一定成本，此外，傳統(tǒng)的疫苗接種可能會(huì)增加病毒傳播的風(fēng)險(xiǎn)，還有醫(yī)護(hù)人員的工作量。

自主機(jī)器人注射能成為一種安全有效的方案，人們只需走進(jìn)封閉的空間，露出手臂。最近，有兩個(gè)自動(dòng)注射機(jī)器人原型被開發(fā)出來。第一個(gè)是加拿大的初創(chuàng)公司開發(fā)的Cobi：是世界上第一個(gè)自動(dòng)無針注射機(jī)器人，它通過激光雷達(dá)傳感器和AI位置跟蹤，得以識(shí)別人體識(shí)別。然后， 360度深度感知系統(tǒng)會(huì)引導(dǎo)機(jī)械臂定位，注射藥物[2]。另外一個(gè)是“后羿”，它是由上海同濟(jì)大學(xué)研發(fā)的國(guó)內(nèi)首款自動(dòng)疫苗注射機(jī)器人，它通過三維人體模型，得以自動(dòng)識(shí)別注射位置。通過一個(gè)簡(jiǎn)單的三維點(diǎn)云相機(jī)對(duì)人體進(jìn)行拍攝，快速自動(dòng)擬合人體對(duì)應(yīng)部位的三維模型，準(zhǔn)確識(shí)別疫苗注射部位及注射角度。[3, 4]

值得一提的是，這兩種解決方案都采用了無針注射，確保了安全和無痛注射。另一個(gè)關(guān)鍵因素是它們檢測(cè)注射部位的方案。為了完成檢測(cè)任務(wù)，這兩種機(jī)器人的方案都涉及到復(fù)雜的三維模型識(shí)別算法還有多維度的傳感器。雖然這兩個(gè)機(jī)器人所用的算法可以提供準(zhǔn)確的部位檢測(cè)，但它們也涉及大量的開發(fā)工作，多維度傳感技術(shù)和昂貴的硬件支持，這些都會(huì)增加這些機(jī)器人的整體成本。所以本項(xiàng)目中，我們認(rèn)為有必要去提出一個(gè)低成本且有效的注射點(diǎn)識(shí)別方案，這樣才將機(jī)器人部署到世界各地。

在正式開始項(xiàng)目之前，我們咨詢醫(yī)學(xué)專家得知目前的新冠疫苗主要是靠肌肉注射，因?yàn)榭梢允顾巹┭杆賲⑴c到系統(tǒng)循環(huán)中。綜合考慮下，三角肌是最適合接種的部位，因?yàn)樗┏渥?，面積大。而且不同個(gè)體之間，三角肌差異不大。這啟發(fā)了我們，基于Xilinx KV260，利用視覺AI輔助技術(shù)，實(shí)現(xiàn)2D肌內(nèi)注射部位檢測(cè)方案。

技術(shù)設(shè)計(jì)過程總覽

我們的目標(biāo)是讓連接 KV260 的顯示器指示患者手臂上的注射部位。由于硬件資源的限制和目前現(xiàn)有的手臂檢測(cè)工作數(shù)量較少，我們決定將問題簡(jiǎn)化為人臉檢測(cè)輔助后處理來指示結(jié)果。對(duì)于我們項(xiàng)目的主體部分，研究重點(diǎn)放在基于 Vitis-AI 的模型選擇和訓(xùn)練策略。而對(duì)于后處理，主要使用OpenCV進(jìn)行代碼編寫，后使用VVAS進(jìn)行編譯和處理。在測(cè)試階段，我們使用收集到的與我們的應(yīng)用場(chǎng)景相匹配的圖片來查看模型與后處理模塊結(jié)合下的準(zhǔn)確性，然后相應(yīng)地調(diào)整我們的模型或是后處理模塊的參數(shù)。

基于Vitis-AI的模型準(zhǔn)備

根據(jù)VVAS官網(wǎng)的描述，VVAS支持 Vitis-AI 模型是有限的，對(duì)于我們需要的模型類 FACEDETECT，VVAS 中只有 densebox 可用，并且精度在我們可以接受的范圍內(nèi)?？紤]到我們的應(yīng)用場(chǎng)景是疫苗接種。為了降低病毒傳播的風(fēng)險(xiǎn)，人們?cè)诖蜥槙r(shí)大多戴口罩。Vitis-AI 中預(yù)訓(xùn)練使用的數(shù)據(jù)集為 WIDER FACE，該數(shù)據(jù)集內(nèi)不強(qiáng)調(diào)佩戴醫(yī)用口罩的人臉。為了確?？梢院芎玫貦z測(cè)戴口罩的人臉，尤其是當(dāng)人們?cè)谧⑸溥^程中將側(cè)臉轉(zhuǎn)向儀器時(shí)，我們使用 MAFA（一個(gè)有口罩人臉數(shù)據(jù)集）對(duì)densebox原先自帶的預(yù)訓(xùn)練的結(jié)果進(jìn)行增加性訓(xùn)練。

模型訓(xùn)練、量化與編譯流程

我們采用Vitis-AI里面預(yù)置的Caffe框架，可以使用以下命令在Vitis-AI中啟動(dòng)它：

我們的訓(xùn)練是基于Vitis-AI中預(yù)訓(xùn)練結(jié)果進(jìn)行的，可以訪問Vitis-AI的官方repo下載需要的densebox模型相關(guān)文件，并執(zhí)行以下命令：

當(dāng)然，在執(zhí)行以上命令之前，請(qǐng)記得將“train.prototxt”文件中指向數(shù)據(jù)集的path改為MAFA數(shù)據(jù)集所在的路徑。

對(duì)于模型的量化，我們只需執(zhí)行以下命令：

該命令中使用到的“.caffemodel”浮點(diǎn)模型文件可由上一步的訓(xùn)練命令執(zhí)行后得到，也可從我們整個(gè)項(xiàng)目的repo中下載：

https://github.com/iCAS-SJTU/J-eye/tree/main/models/float

為了得到最后能在KV260上執(zhí)行的模型文件“.xmodel”，我們需要對(duì)量化后模型文件進(jìn)行編譯，可采用以下命令：

該命令中使用的文件均可從https://github.com/iCAS-SJTU/J-eye/tree/main/models/quantized下載，其中兩個(gè)“deploy.*”文件均為模型量化后結(jié)果，“arch.json”文件可由KV260的官方源碼repo獲得。

后處理模塊搭建

后處理模塊的搭建中主要運(yùn)用的工具就是VVAS，我們需要將它的整個(gè)repo clone下來。

（該部分的過程都假定我們?cè)凇?{PATH_TO_VVAS}/VVAS/”目錄底下，關(guān)于交叉編譯環(huán)境的搭建，由于篇幅原因，詳見我們?cè)趆ackster.io上發(fā)布的文章）。

首先，我們需要先編譯vvas-util里面的文件。這之中的第一步需要我們修改“meson.cross”里面的“SYSROOT”和“NATIVESYSROOT”。接著我們?cè)凇皏vas-utils/”這個(gè)目錄下執(zhí)行以下命令：

在成功編譯之后，將以下文件復(fù)制到指定位置。

同時(shí)也可以把“vvas-utils/”目錄下的所有“.h”文件復(fù)制到“${SYSROOT}/usr/include”這個(gè)目錄下以避免一些后續(xù)的報(bào)錯(cuò)。

結(jié)束了“vvas-utils”部分的編譯之后，我們開始“vvas-gst-plugins”部分的處理。我們可以再利用前面編輯過的“meson.cross”文件（直接復(fù)制到“vvas-gst-plugins/”目錄下），然后執(zhí)行同樣的編譯命令。

成功編譯之后，我們還需要做一些文件復(fù)制。

同時(shí)也同樣需要把“vvas-gst-plugins/”目錄下的所有“.h”文件復(fù)制到“${SYSROOT}/usr/include”這個(gè)目錄下以避免一些后續(xù)的報(bào)錯(cuò)。

最后一步，我們進(jìn)入到“vvas-accel-sw-libs/”目錄下，將其中“vvas_xboundingbox/src”下的“vvas_xboundingbox.cpp”替換成我們修改過的https://github.com/iCAS-SJTU/J-eye/tree/main/post-processing/src中的cpp代碼。然后執(zhí)行以下命令：

在編譯成功之后，進(jìn)入到“build/vvas_xboundingbox/”下我們可以找到”vvas_xboundingbox.so”文件用于后處理模塊當(dāng)中。

集成于KV260

由于我們的應(yīng)用是基于smartcam的，我們需要先下載基本的smartcam應(yīng)用包。

在/opt/xilinx/share/ivas/smartcam/目錄下，執(zhí)行以下命令。

接著，將

https://github.com/iCAS-SJTU/J-eye/tree/main/models/compiled

中所有的文件下載到該目錄中。我們還需要將后處理模塊要用到的文件

https://github.com/iCAS-SJTU/J-eye/tree/main/post-processing

復(fù)制到/opt/xilinx/lib目錄底下。文件都部署完成后，我們可以執(zhí)行以下命令來運(yùn)行整個(gè)程序。

結(jié)果演示

患者應(yīng)面朝左側(cè)直立站/坐于相機(jī)前，檢測(cè)結(jié)果將呈現(xiàn)于下圖中顯示器。

當(dāng)患者位于難以進(jìn)行注射的位置時(shí)，顯示器上將發(fā)出位置偏離的警告信息。

當(dāng)患者位于可檢測(cè)范圍內(nèi)時(shí)，注射點(diǎn)位置將由白色圓圈標(biāo)出。

審核編輯 ：李倩