В данной статье изучается проблема определения классов типов ожогов на основе использования моделей глубокого обучения для диагностики типов ожогов при лечении ожоговых поражений. Набор данных представляет собой коллекцию различных фотографий ожоговых поражений для оценки реальных медицинских задач на основе компьютерного зрения. На основе исследования рассмотрены задачи детектирования, сегментации и классификации ожоговых поражений за счет использования моделей глубокого обучения. В частности, в исследовании использовались две модели сверточных нейронных сетей — самая популярная классическая U-Net и быстрая Yolov5. Реализация методов осуществлялась на основе фотоизображений в формате jpeg. Исследование показало, что метод U-net позволяет уменьшить количество параметров и ускорить сходимость модели с небольшой потерей точности, в то время как Yolov5 показал хорошую производительность и подтвердил высокую способность к обучению. U-Net уменьшает размер выборки на разницу в 0,8 МБ, а mAP(0,5) снижается на 0,7%. Модель Yolov5 оказалась эффективной в увеличении скорости обработки, а индекс mAP(0,5) увеличился на 10%, то есть доказал, что производительность высокая. В результате исследования мы предлагаем эффективный метод классификации ожоговых поражений путем сравнения моделей глубокого обучения U-net и YOLOv5 для детектирования, сегментации и классификации изображений ожоговых поражений на классы 1-й, 2-й и 3-й степени.

ожоговые поражения, сетевая архитектура, искусственный интеллект, глубокое обучение, диагностика ожогов, детектирование ожога