医疗器械生产企业非现场监管中基于YOLO的实时监控与异常检测.pdfVIP

-78-学技术创新2025.11

医疗器械生产企业非现场监管中基于YOLO的

实时监控与异常检测

12

孙明杨，曹云

（1.南京工业大学计算机与信息工程学院，江苏南京；2.江苏省药品监督管理局，江苏南京）

摘要：医疗器械生产过程的质量与安全直接关系到公众健康，传统现场监管因实时性和覆盖范围的局

限，难以满足现代化生产需求。本文设计了一套基于YOLOv5的智能化非现场监管系统，结合深度学习与计算

机视觉技术，实现了对隔离门状态、防护设备佩戴及洗手动作的实时监测与异常测。系统在复杂场景下通过

多尺度特征融合与数据增强，确保了高效的目标测与异常行为识别。实验结果表明，该系统在生产监管中表

现出卓越的实时性与鲁棒性，显著提升了监管效率，为医疗器械生产企业的智能化转型提供了技术支持。

关键词：非现场监管；YOLO算法；实时监控；异常测；计算机视觉

图分类号TP391.4文献标识码A文章编号2096-4390渊2025冤11-0078-04

[5]

引言新路径。

医疗器械生产的质量与安全不仅关乎企业竞争1技术背景与方法

力，还直接影响公众健康和社会稳定。然而，传统的现YOLOv5作为YOLO系列中的重要改进版本，继

[6]

场监管方式长期依赖人工巡检，存在显著的覆盖范围承了YOLO家族的端到端检测架构，同时通过轻量

和实时性局限。在医疗器械企业中，复杂生产环境和化设计和结构优化显著提升了检测速度与精度。该算

繁多操作流程导致监管盲区和滞后反应，增加安全隐法基于PyTorch框架实现，提供了更高的灵活性与可

患。近年来，医疗器械生产质量问题暴露传统监管扩展性。在模型结构上，YOLOv5采用了CSPNet

模式在效率、精准度和成本控制上的不足，迫切需要（CrossStagePartialNetwork）模块以优化特征提取的

技术改进。效率，使用FPN+PAN（FeaturePyramidNetwork和

非现场监管作为新型模式，结合计算机视觉和深PathAggregationNetwork）实现多尺度特征融合，从而

度学习，为医疗器械生产企业提供了新的解决方增强了对不同尺寸目标的检测能力。其自动化混合数

案。在这一背景下，目标检测技术成为非现场监管系据增强（MosaicAugmentation）和标签平滑（Label

[1][7]

统的核心，直接决定系统对动态场景的监控能力。Smoothing）等技术，使YOLOv5在复杂场景中表现

YOLOv5以轻量化设计、多尺度特征融合和高效推理更强的鲁棒性。凭借其色的性能，YOLOv5成为实

能力，完美平衡了实时性与精度，特别适合医疗器械时监控与多任务目标检测的理想选择。

[2]

生产环境中的多任务实时监控需求。