基于改进YOLOv7-Tiny的智能输液监控系统：提升医疗液体检测精度与实时性的创新方法

为解决静脉输液过程中人工监测效率低、误差率高的问题，研究人员开发了基于改进YOLOv7-Tiny的液体水平检测算法。通过引入DS-ELAN、DCN-ELAN和P-ELAN模块，在4296张标注图像数据集上实现88.319%召回率和90.102% mAP@[0.5:0.95]，显著提升复杂环境下输液瓶液位检测精度，为智能医疗设备提供高效解决方案。

　　

在医疗场景中，静脉输液是住院患者最常用的治疗手段之一，中国医院约90%的患者需要接受静脉给药。然而，传统人工监测方式存在两大痛点：护士短缺导致工作负荷过重，以及患者因持续关注液位而产生的心理压力。更严峻的是，复杂光照条件和输液瓶形态差异使得现有监测设备难以实现精准识别，可能引发输液过量或空气栓塞等医疗风险。

遵义医科大学的研究团队在《Computers in Biology and Medicine》发表研究，提出基于改进YOLOv7-Tiny的智能输液监控算法。该研究通过三大技术创新：动态蛇形卷积（Dynamic Snake Convolution）增强细长液面检测能力，可变形卷积网络（Deformable Convolution Network）适应输液瓶形态变化，以及部分卷积（Partial Convolution）优化边缘设备计算效率。研究收集4296张涵盖不同光照、角度的输液瓶图像构建数据集，在保持YOLOv7-Tiny原有速度优势的同时，检测精度显著提升。

方法创新
研究团队在YOLOv7-tiny框架基础上，设计DS-ELAN模块通过动态蛇形卷积捕捉液位线拓扑特征；DCN-ELAN模块利用可变形卷积应对输液瓶形变；P-ELAN模块采用稀疏卷积减少计算量。模型训练采用迁移学习策略，在嵌入式设备部署时推理速度达58FPS。

实验结果

1. 性能对比：改进模型mAP@0.5达94.7%，较基线提升6.2%；小目标检测（液位线）召回率提升12.8%
2. 消融实验：DS-ELAN对细长目标检测贡献最大，DCN-ELAN有效应对30°倾斜角干扰
3. 实时性测试：在树莓派4B平台实现200ms级响应，满足临床实时预警需求

结论与意义
该研究首次将改进YOLOv7-tiny应用于医疗输液监控，通过多模块协同创新解决液位检测中的特殊挑战。实际应用中可降低86.7%的人工巡查频次，有效缓解护理人力紧张问题。技术路线对胰岛素泵监测、透析液位检测等医疗场景具有推广价值，为智慧医院建设提供重要技术支撑。研究团队公开的数据集为后续研究奠定基础，相关算法已申请医疗器械认证。