基于3D扫描的口腔检查识别方法技术

本发明专利技术涉及口腔检查领域，具体涉及基于3D扫描的口腔检查识别方法，包括以下步骤：S1、通过3D扫描获取病牙图像；S2、对所述病牙图像进行预处理，所述预处理包括包括标注数据和分样处理；S3、以预处理后的病牙图像为基础进行机器深度学习训练并建立算法模型，所述算法模型为以残差网络为主干网络结合目标检测算法建立的多尺度算法模型；S4、通过所述多尺度算法模型对待识别的口腔扫描图像进行病牙识别，以残差网络为主干网络结合目标检测算法构建的多尺度算法模型，通过两级损失函数进行两个阶段的检测，使得网络具有从粗检测到精检测的能力。力。

【技术实现步骤摘要】
基于3D扫描的口腔检查识别方法


[0001]本专利技术属于口腔检查领域，具体涉及基于3D扫描的口腔检查识别方法。

技术介绍

[0002]对于口腔健康与预防越来越被人们所重视，对于口腔内的检查也走进了人们的生活，以往大多是依靠有经验的医生通过反光镜和手电配合的方式进行人为观察了解口腔内的健康状况，但是对于牙齿来说，目标小，其出现病害后有时反应不是很直观，并且肉眼观察容易出现偏差，不利于确诊。

技术实现思路

[0003]本专利技术提供基于3D扫描的口腔检查识别方法，以解决上述问题，包括以下步骤：
[0004]S1、通过3D扫描获取病牙图像；
[0005]S2、对所述病牙图像进行预处理，所述预处理包括包括标注数据和分样处理；
[0006]S3、以预处理后的病牙图像为基础进行机器深度学习训练并建立算法模型，所述算法模型为以残差网络为主干网络结合目标检测算法建立的多尺度算法模型；
[0007]S4、通过所述多尺度算法模型对待识别的口腔扫描图像进行病牙识别。
[0008]优选的，所述标注数据包括病牙类别和风险程度。
[0009]优选的，所述分样处理包括将病牙区域图像进行分样并复制，将复制的病牙区域图像随机粘贴到该样本的其他区域，对分样复制的图像进行标注。
[0010]优选的，所述步骤S2中，采用二折交叉验证的方法划分数据，随机抽取80％数据用于模型训练，剩余20％数据用于验证，将数据分为5份进行二折交叉验证，每个训练数据集轮训40次。
[0011]优选的，对模型训练的学习率进行等间隔调整，每10个训练数据集一次训练调整为原来的0.8倍。
[0012]优选的，所述多尺度算法模型的损失函数loss包括分类任务的交叉熵损失函数和检测任务的损失函数，表征为：
[0013]loss＝CE(x,gth_c)+DL(x,gth_d)
ꢀꢀ
(1)
[0014]式中，CE为用于分类任务的交叉熵损失函数，gth_c为分类的真实值标签，DL为用于检测任务的损失函数，gth_d为检测框的真实标签。
[0015]优选的，所述检测任务的损失函数表征为：
[0016]DL(x,gth_d)＝1/N(L
c
(x,c)+aL
loc
(l,gth_d))
ꢀꢀ
(2)
[0017]式中，L
loc
(l,gth_d)为关于预测框和真实框的平滑的1范数损失函数，a为系数。
[0018]优选的，L
loc
(l,gth_d)表征为：
[0019]L
loc
(l,gth_d)＝∑smooth_L1(l,(i)-gth_d(i))
ꢀꢀ
(3)。
[0020]优选的，L
c
(x,c)为关于输出与检测后分类自信度损失函数，也即交叉熵损失函数，表征为：
[0021]L
c
(x,c)＝-∑x_p(i)log(c_p(i))-∑x_n(i)log(c_n(i))
ꢀꢀ
(4)。
[0022]优选的，训练结束后对模型进行量化。
[0023]本专利技术具有以下有益效果：提供基于3D扫描的口腔检查识别方法，以残差网络为主干网络结合目标检测算法构建的多尺度算法模型，通过两级损失函数进行两个阶段的检测，使得网络具有从粗检测到精检测的能力，并具有多尺度学习能力，网络先进行下采样提取高层语义信息，然后将然后将高层特征与底层特征进行整合拼接，综合成新的特征进行目标检测，这种策略有效改善了对小目标的检测能力。
附图说明
[0024]图1为本专利技术实施例实施步骤框图；
[0025]图2为本专利技术实施例中多尺度算法模型示意图；
[0026]图3为本专利技术实施例中本方案改进方法和经典方法中算法收敛速度对比图。
具体实施方式
[0027]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。若未特别指明，实施例中所用的技术手段为本领域技术人员所熟知的常规手段。
[0028]在本专利技术的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。
[0029]如图1-3所示，基于3D扫描的口腔检查识别方法，包括以下步骤：
[0030]S1、通过3D扫描获取病牙图像；
[0031]S2、对所述病牙图像进行预处理，所述预处理包括包括标注数据和分样处理；
[0032]S3、以预处理后的病牙图像为基础进行机器深度学习训练并建立算法模型，所述算法模型为以残差网络为主干网络结合目标检测算法建立的多尺度算法模型；
[0033]S4、通过所述多尺度算法模型对待识别的口腔扫描图像进行病牙识别。
[0034]使用数字口腔扫描仪运用凝视型结构光三维测量技术，从不同视角实时生成多幅三维图像，并采用快速拼接算法，创建出单颗牙齿或全牙弓三维数据。
[0035]这里图像为[224,224]分辨率的RGB图像，不论是训练阶段还是预测阶段，图像的规格都是一致的。首先，用病牙图像对图像进行训练，得到检测算法模型。而后，利用训练好的算法模型对新采集的牙齿图像，进行病牙的检测和识别。
[0036]作为优选的方案，所述标注数据包括病牙类别和风险程度，对于类别标注比如说虫牙、龋齿等，风险程度主要表征病牙的危害程度，或者说是病害程度，细分的等级可以为后期的识别提供依据。
[0037]作为优选的方案，所述分样处理包括将病牙区域图像进行分样并复制，将复制的病牙区域图像随机粘贴到该样本的其他区域，对分样复制的图像进行标注。
[0038]得到牙齿扫描图像之后，我们会对图像中的病齿区域进行标注，并记录标注框的对角位置的像素坐标(x1,y1)和(x2,y2)，像素坐标即像素点相当于图像原点的坐标。这样，
我们就可以唯一的描述一个矩形标注框，其四个顶点分别为：(x1,y1)，(x1,y2)，(x2,y1)，(x2,y2)。
[0039]标注框的图像区域占整个图像区域的比例是很低的，为了增加病齿区域的样本数目。我们将标注框区域内的图像随机复制到图像的其他位置。首先，我们在图像区域[1280,760]，随机生成新的标注框的左上顶点(x_n,y_n),根据标注框的高度H和宽度W，很容易得到新的标注框的右下顶点(x_n+W,y_n-H)。如果新框没有超出图像区域，并且也原标注框也没有重叠区域，则保留该标注框，并将原标注框区域内的像素值赋值给新的标注框的像素。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于3D扫描的口腔检查识别方法，其特征在于：包括以下步骤：S1、通过3D扫描获取病牙图像；S2、对所述病牙图像进行预处理，所述预处理包括包括标注数据和分样处理；S3、以预处理后的病牙图像为基础进行机器深度学习训练并建立算法模型，所述算法模型为以残差网络为主干网络结合目标检测算法建立的多尺度算法模型；S4、通过所述多尺度算法模型对待识别的口腔扫描图像进行病牙识别。2.根据权利要求1所述的基于3D扫描的口腔检查识别方法，其特征在于：所述标注数据包括病牙类别和风险程度。3.根据权利要求2所述的基于3D扫描的口腔检查识别方法，其特征在于：所述分样处理包括将病牙区域图像进行分样并复制，将复制的病牙区域图像随机粘贴到该样本的其他区域，对分样复制的图像进行标注。4.根据权利要求1所述的基于3D扫描的口腔检查识别方法，其特征在于：所述步骤S2中，采用二折交叉验证的方法划分数据，随机抽取80％数据用于模型训练，剩余20％数据用于验证，将数据分为5份进行二折交叉验证，每个训练数据集轮训40次。5.根据权利要求4所述的基于3D扫描的口腔检查识别方法，其特征在于：对模型训练的学习率进行等间隔调整，每10个训练数据集一次训练调整为原来的0.8倍。6.根据权利要求1所述的基于3D扫描的口腔检查识别方法，其特征在于：所述多尺度算法模型的损失函数loss包括分类任务的交叉熵损失函数和检测任务的损失函数，表征为：loss＝CE(x,gth_c)+DL(x,gth_d)
...

【专利技术属性】
技术研发人员：王少刚，刘军，
申请(专利权)人：法赫光学科技成都有限公司，
类型：发明
国别省市：