基于YOLOv10的智能输液液位检测系统设计与实现

1. 项目概述

静脉输液是临床医疗中最常见的治疗手段之一，但传统的人工液位监测方式存在诸多痛点：护士需要频繁巡视病房，工作量大；夜间监测容易出现疏漏；液位判断依赖主观经验，准确性难以保证。针对这些问题，我们开发了一套基于PyQT和YOLOv10深度学习算法的智能静脉输液液位检测系统。

这个毕业设计项目的核心创新点在于将计算机视觉技术与医疗场景深度结合。通过普通摄像头采集输液瓶图像，利用深度学习模型实时分析液位高度，当液位低于安全阈值时自动触发报警。相比市场上基于重力传感器或红外检测的商用设备，我们的方案具有成本低（仅需普通摄像头）、部署灵活（可适配各种输液架）和智能化程度高的优势。

2. 技术架构设计

2.1 整体架构

系统采用经典的三层架构设计：

1. 数据采集层：USB摄像头实时捕获输液瓶视频流（分辨率1920×1080，帧率30fps）
2. 算法处理层：
   • 图像预处理（ROI提取+透视校正）
   • YOLOv10液位检测模型（输入尺寸640×640）
   • 液位状态判断逻辑
3. 应用展示层：PyQT5开发的图形界面，包含视频显示、液位曲线、报警记录等功能模块

2.2 关键技术选型

2.2.1 深度学习框架对比

我们对比了三种主流方案：

• TensorFlow Lite：移动端部署优势，但模型量化后精度损失较大
• PyTorch Mobile：动态图特性调试方便，但运行时内存占用高
• ONNX Runtime：跨平台支持好，最终选择此方案实现模型部署

实测性能对比（Intel i7-1165G7）：

2.2.2 图像预处理流水线

为提高检测精度，设计了特殊的预处理