[发明专利]重建神经元质量检测方法、有序点云分类方法及装置

权利要求书

1.一种重建神经元质量检测方法，其特征在于，包括：

获取待检测重建神经元的节点数据；

根据所述节点数据，确定各所述节点各自对应的邻域节点；

针对每一所述节点，根据预设间隔，从所述节点对应的各所述邻域节点中，确定所述节点对应的特征节点；

根据所述节点和所述特征节点各自的三维空间坐标，确定所述节点对应的结构特征；

根据所述节点与所述特征节点之间所有节点的灰度值，确定所述节点对应的灰度特征；

将所述节点对应的结构特征和灰度特征作为所述节点对应的局部特征；

将各所述节点各自对应的局部特征输入训练好的卷积神经网络，通过所述卷积神经网络的卷积块进行全局特征矩阵提取，获得所述待检测重建神经元的全局特征矩阵；

通过所述卷积神经网络的全连接层，基于所述待检测重建神经元的全局特征矩阵进行分类，获得分类结果；

根据所述分类结果确定所述待检测重建神经元的质量检测结果。

2.根据权利要求1所述的重建神经元质量检测方法，其特征在于，所述根据所述节点和所述特征节点各自的三维空间坐标，确定所述节点对应的结构特征，包括：

根据所述节点和所述特征节点各自的三维空间坐标，确定从所述节点到所述特征节点的拟合直线的长度；

根据所述节点和所述特征节点各自的三维空间坐标，对所述拟合直线与三维空间中各平面的夹角进行分析，获得各平面夹角的角度；

根据所述节点和所述特征节点各自的三维空间坐标，对所述拟合直线进行向量分析，获得所述拟合直线的向量；

将所述拟合直线的长度、各所述平面夹角的角度和所述拟合直线的向量作为所述节点对应的结构特征。

3.根据权利要求1所述的重建神经元质量检测方法，其特征在于，所述根据所述节点与所述特征节点之间所有节点的灰度值，确定所述节点对应的灰度特征，包括：

获取所述节点与所述特征节点之间所有节点的灰度值；

对所有节点的灰度值进行均值分析，获得所有节点的灰度值的均值；

对所有节点的灰度值进行标准差分析，获得所有节点的灰度值的标准差；

将所述有节点的灰度值的均值和标准差作为所述节点的灰度特征。

4.根据权利要求1所述的重建神经元质量检测方法，其特征在于，所述将各所述节点各自对应的局部特征输入训练好的卷积神经网络，通过所述卷积神经网络的卷积块进行全局特征矩阵提取，获得所述待检测重建神经元的全局特征矩阵，包括：

将各所述节点各自对应的局部特征输入训练好的卷积神经网络，通过所述卷积神经网络中由两个一维卷积层和一个最大池化层组成的各卷积块进行特征提取，获得所述待检测重建神经元的全局特征矩阵。

5.根据权利要求4所述的重建神经元质量检测方法，其特征在于，所述将各所述节点各自对应的局部特征输入训练好的卷积神经网络，通过所述卷积神经网络中由两个一维卷积层和一个最大池化层组成的各卷积块进行特征提取，获得所述待检测重建神经元的全局特征矩阵，包括：

将各所述节点各自对应的局部特征输入训练好的卷积神经网络，通过所述卷积神经网络中前n个卷积块的两个一维卷积层和最大池化层进行提取特征，获得第一特征矩阵，其中，所述一维卷积层的第一层卷积核大小为1×m，第二层的卷积核大小为3×m，最大池化层的核大小为2×1，m为特征维数，n为卷积块个数；

将所述第一特征矩阵的第n个卷积块的两个一维卷积层和最大池化层进行提取特征，所述待检测重建神经元的全局特征矩阵，其中，所述一维卷积层的第一层卷积核大小为1×m，第二层的卷积核大小为3×m，最大池化层的核大小，根据所述待检测重建神经元中节点数目确定，所述最大池化层的核大小为：

N为神经元节点的个数。