静脉输液是医疗护理中不可缺少的治疗措施,但在输液过程中,当输液结束而医护人员无法及时处理时,会出现回血等状况使人遭受痛苦,也会影响医患关系。故对输液液位进行检测也是十分有意义的。而现有的液位检测方法存在一些缺点:机械式检测方法存在结构复杂,精度低等问题;非接触测量方法像超声波,价格昂贵。因此,本文提出了采用图像处理和深度学习的方法,首先对输液瓶的位置进行目标检测,然后对输液瓶的液位进行检测。针对输液瓶目标检测的问题,采用两种方法对输液瓶进行目标检测。为了对输液瓶进行目标检测有一定的认知,采用了基于传统图像处理的SURF(Speeded Up Robust Features,加速鲁棒特征)与FLANN(Fast Approximate Nearest Neighbor Search Library,快速最近邻逼近搜索函数库)算法。首先利用SURF算子进行特征点提取并计算特征向量,然后用FLANN进行特征向量匹配,筛选出符合条件的匹配结果,最后在待检测图像上绘制出包含输液瓶的目标框。为了解决目标检测的检测准确度和检测速度的问题,采用了基于深度学习的SSD(Single Shot Multi Box Detector)算法,以VGG16为基础网络进行特征提取,采取多尺度框制度进行局部特征学习,非极大值抑制(Non-Maximum Suppression,NMS)筛选出默认框,最后输出目标框位置、类别标签。通过实验对比,选取了基于SSD的目标检测方法来对输液瓶进行检测。针对输液瓶液位检测的问题,采用两种方法对输液瓶的液位进行检测。为了准确地检测出液位线,采用了基于图像处理的投影法,首先对图像预处理;然后进行Canny边缘检测;最后通过投影法定位出液位线,进一步对液位线阈值判断,低于阈值则进行警告提示。为了快速地检测液位,采用了基于卷积神经网络(Convolutional Neural Networks,CNN)的方法,第一步将样本集放入CNN模型中训练,不断地进行特征学习,然后全连接层以一维方式输出所有特征向量,最后用Soft Max进行分类,输出类别标签;第二步将经过目标检测和区域裁剪的图片送入已训练的CNN模型中进行液位分类识别,输出类别标签。通过实验对比,选取了基于图像处理的投影法来对输液瓶的液位进行检测。通过上面的基于深度学习的SSD的目标检测方法和基于图像处理的投影法,本文实现了对输液瓶目标检测和输液瓶液位检测的功能,实验证明了该方法的可行性,精度在0.8左右,解决了静脉输液时对液位进行检测的问题。