[发明专利]齿痕检测方法、装置、电子设备及可读存储介质

说明书

本申请提供了一种齿痕检测方法、装置、电子设备及可读存储介质，涉及图像处理技术领域。本申请的齿痕检测方法基于深度学习神经网络，通过样本舌头图像对深度学习神经网络进行训练，使得深度学习神经网络具备识别舌头图像中齿痕区域的能力，从而可以对待识别图像中的齿痕区域进行识别。本申请采用经过训练后的深度学习神经网络作为齿痕识别的主体，在识别过程中无需人工参与，不必依赖经验值，能够自动完成齿痕区域的检测，检测准确率相比采用决策分类器、曲线拟合方法以及凹点检测方法要更高。

技术领域

本发明涉及图像处理技术领域，具体而言，涉及一种齿痕检测方法、装置、电子设备及可读存储介质。

背景技术

在医疗领域中，舌头上是否存在齿痕以及齿痕的数量、位置等信息，都可以用以确定人体的健康状态。可以通过人工观察的方式确定舌头上是否存在齿痕，但面对大量的舌像数据，人工观察方式的效率就较为低下。目前，可以采用决策分类器、基于曲线拟合的齿痕提取方法以及基于凹点检测的齿痕识别方法，来对舌像数据进行齿痕识别。但采用决策分类器的识别方法准确率低，只能达到80％准确率，如此低的准确率是无法满足智能检测的要求的。基于曲线拟合的齿痕提取方法中，对边缘分割要求高，并且与拟合曲线拟合度要高，而正确识别率只有60％左右。在基于凹点检测的齿痕识别方法中，虽然准确率比曲线拟合高，但识别过程严重依赖于阈值的选取，而阈值选择的一般是经验值，准确率依然不能达到较高的水平。因此，亟需一种准确度更高的齿痕识别方法。

发明内容

有鉴于此，本发明提供了一种齿痕检测方法、装置、电子设备及可读存储介质，能够实现更高精度的齿痕识别。

本发明提供的技术方案如下：

一种齿痕检测方法，包括：

将标定有齿痕区域的样本舌头图像输入深度学习神经网络进行训练；

检测所述深度学习神经网络的损失值是否小于预设阈值，在小于预设阈值时，判定所述深度学习神经网络训练完成；

将待识别的舌头图像输入训练完成的深度学习神经网络进行识别，确定所述待识别的舌头图像中的齿痕区域。

进一步地，所述方法还包括，标定所述样本舌头图像中的齿痕区域，具体步骤包括：

建立与所述样本舌头图像对应的二维坐标系；

响应用户输入的标定指令，在所述二维坐标系中使用标定框选定所述样本舌头图像中的齿痕区域；

根据所述标定框的多个角点在所述样本舌头图像中的坐标偏移值，确定所述齿痕区域在所述二维坐标系中的标定坐标偏移值。

进一步地，建立深度学习神经网络，使用标定后的所述样本舌头图像对所述深度学习神经网络进行训练的步骤包括：

建立包含PNet、RNet和ONet的深度学习神经网络；

使用所述PNet对所述样本舌头图像中的齿痕区域进行预测，确定预测得到的齿痕区域在所述二维坐标系中的预测坐标偏移值；

将所述预测坐标偏移值与所述标定坐标偏移值之间的差值做交叉熵损失，采用梯度下降法调整所述预测坐标偏移值与所述标定坐标偏移值之间的训练误差；

当所述预测坐标偏移值与所述标定坐标偏移值之间的训练误差小于预设阈值时，结束所述PNet识别训练，得到所述样本舌头图像中存在齿痕的预测区域以及所述预测区域的置信度；

使用所述RNet对所述预测区域进行进一步检测，提取所述预测区域中置信度高于第一预设阈值的预测区域，并进行非极大值抑制得到准确率更高的预测区域；