【技术实现步骤摘要】
本专利技术涉及计算机视觉，具体是指一种基于机器学习的口腔卫生管理方法及系统。
技术介绍
1、传统的个人口腔卫生管理方式主要依赖于个体的主观判断和经验，无法提供科学准确的口腔健康评估和个性化管理建议，此外，患者往往对口腔卫生的重要性和正确方法缺乏认识，导致口腔健康状况的下降。而传统的图像去噪算法存在处理复杂度高导致处理速度慢、缺乏处理不同类似的图像和噪声情况的适应性能力和面对复杂的噪声和图像处理效果有限的问题；原始的dbn模型存在复杂性过高、过拟合、调整参数收敛效果差从而降低模型性能的问题；而一般的搜索算法存在因搜索参数过多导致搜索速度慢而搜索参数过少导致只能达到局部最优无法达到全局最优的矛盾性问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了一种基于机器学习的口腔卫生管理方法及系统，针对传统的图像去噪算法存在处理复杂度高导致处理速度慢、缺乏处理不同类似的图像和噪声情况的适应性能力和面对复杂的噪声和图像处理效果有限的问题，本方案采用计算噪声强度总和的方法精准评估图像噪声水平、基于边缘分割技术提取目标像素和综合考虑像素值最后对标记的像素值去噪处理从而达到精准且快速去噪的效果，基于角度阈值调节去噪效果使得算法可调节度提高，算法适应性增强；针对原始的dbn模型存在复杂性过高、过拟合、调整参数收敛效果差从而降低模型性能的问题，本方案采用基于指数衰减适应性调整学习率，对模型的权重矩阵进行矩阵范数约束及加入正则化和稀疏性惩罚从而提高模型适应度、增强鲁棒性、防止过拟合从
2、本专利技术采取的技术方案如下：本专利技术提供的一种基于机器学习的口腔卫生管理方法，该方法包括以下步骤：
3、步骤s1：数据采集；
4、步骤s2：建立边缘导向去噪模型，通过多尺度形态学方法对图像进行分割，基于边缘分割技术提取目标像素，综合考虑每个片段中提取的像素，计算标准平均像素值，识别并标记标准像素集片段中的相似点和不相似点，最后对标记的像素集进行去噪处理；
5、步骤s3：基于矩阵范数约束的dbn模型初始化，通过定义能量函数、联合分布、独立概率分布和条件概率分布，并计算参数梯度值，更新学习率并利用对比散度模型对参数集θ进行重组，最终对模型的权重矩阵进行矩阵范数约束及加入正则化和稀疏性惩罚完成基于矩阵范数约束的dbn模型初始化；
6、步骤s4：基于并行化训练的超参数优化，将搜索的参数空间划分为多个子空间，利用并行化训练和独特的搜索算法分别搜索子空间内的最佳参数，最后将最佳参数合并且进一步验证模型性能，确定最终模型。
7、进一步地，在步骤s1中，所述数据采集是采集口腔图像数据集，所述口腔图像数据集包括口腔图像和对应标签，标签为口腔卫生评估等级；
8、进一步地，在步骤s2中，所述建立边缘导向去噪模型具体包括以下步骤：
9、步骤s21：获取噪声图像强度总和，所用公式如下：
10、；
11、式中，dnids是获取噪声图像强度总和，m是第m段图像，gi是获取图像，gits是获取图像强度，th是增强质量的强度阈值；
12、步骤s22：图像分割，基于边缘分割技术，提取每一段中的目标像素，步骤如下：
13、；
14、；
15、；
16、；
17、式中，is是图像分割后每个像素点的目标像素值，i（x，y）是原始图像的像素值，（x，y）是坐标，m是第m段，δ是变化率，size（is（i））是is（i）的像素数量，is（i）是像素点i的分割值，pixs[m]是第m段像素集合，gisr（i）是获取像素点的分割值，fpixs[m]是第m段最大像素值，isgr（i（i））是第i个分割区域的平均强度值，r是第m段的总像素，η是角度，g是损坏像素集的函数，max its是最大图像强度，min its是最小图像强度；
18、步骤s23：计算标准平均像素值，综合考虑每个片段中提取的像素，所用公式如下：
19、；
20、式中，stdpixs是标准平均像素值，abs是取绝对值，is（x）是图像分割后的像素点x的分割点，max its（fpixs（i））是fpixs（i）中的像素点的最大强度值；
21、步骤s24：标记像素集，识别标准像素集片段中的不相似点，并对相似点和不相似点像素集进行标记，所用公式如下：
22、；
23、式中，labpixs是标记像素集；
24、步骤s25：去噪处理，对标记的像素集进行去噪处理，所用公式如下：
25、；
26、式中，dnis是去噪，labs（x，y）是原始图像中坐标为（x，y）的像素，gits（）是求像素强度的函数，labpixs（i）是第i个相关像素集，ηi是角度阈值。
27、进一步地，在步骤s3中，dbn是一种概率生成模型，由一组受限玻尔兹曼机即rbm和反向传播神经网络组成，包含可见层、n隐藏层和输出层，可见层放置在模型的末尾，特征在学习过程时通过隐藏层传递，最后在输出层分配适当的类标签，所述基于矩阵范数约束的dbn模型初始化具体包括以下步骤：
28、步骤s31：定义rbm的能量函数e，输入层设有向量v={v1，v2，…，vm}，隐藏层设有向量h={h1，h2，…，hn}，所用公式如下：
29、；
30、式中，v是可见层的状态，h是隐藏层的状态，θ是rbm的参数，ai是输入层的单位偏差，bj是隐藏层的单位偏差，i和j分别是可见层和隐藏层的节点索引，ωi，j是输入层和隐藏层之间的节点间的链路权重；
31、步骤s32：定义联合分布p（v，h），所用公式如下：
32、；
33、；
34、式中，r（θ）是归一化因子；
35、步骤s33：定义输入层的独立概率分布，所用公式如下：
36、；
37、步骤s34：定义所有层的条件概率分布，所用公式如下：
38、；
39、；
40、式中，σ（）是sigmoid函数；
41、步骤s35：计算参数梯度值，所用公式如下：
42、；
43、；
44、；
45、式中，<>data是rbm推导出的概率，<>model是由重构的rbm提供的概率；
46、步骤s36：更新学习率并利用对比散度模型对参数集θ进行重组，当rbm的初始训练过程完成，当前的隐藏层将其转化为后续rbm的可见层，每次rb本文档来自技高网...
【技术保护点】
1.一种基于机器学习的口腔卫生管理方法，其特征在于：该方法包括以下步骤：
2.一种基于机器学习的口腔卫生管理系统，用于实现如权利要求1所述的一种基于机器学习的口腔卫生管理方法，其特征在于：包括数据采集模块、边缘导向去噪模块、DBN模型初始化模块和超参数优化模块；
【技术特征摘要】
1.一种基于机器学习的口腔卫生管理方法，其特征在于：该方法包括以下步骤：
2.一种基于机器学习的口腔卫生管理系统，用于实现如权...
【专利技术属性】
技术研发人员：吴姗，董银银，钟锟，
申请(专利权)人：贵州医科大学附属口腔医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。