[发明专利]一种基于深度学习算法的小儿视力障碍筛查系统及方法

权利要求书

1.一种基于深度学习算法的小儿视力障碍筛查方法，其特征在于，包括：

步骤M1：获取一段儿童上半身的视频；

步骤M2：对视频进行实时解析，利用质量控制算法，提取出视频中符合预设要求的高质量片段，并利用人脸的关键点信息，裁剪出高质量的面部片段和眼部片段；

步骤M3：利用面部片段信息和眼部片段信息分别训练面部分类网络和眼部分类网络，直至损失函数收敛，得到训练后的面部分类网络和眼部分类网络；

步骤M4：使用训练后的面部分类网络和眼部分类网络，为每一个面部数组和眼部数组编码，得到相应的患有眼部疾病的概率；

步骤M5：将通过面部分类网络得到的患有眼部疾病的概率和通过眼部分类网络得到的患有眼部疾病的概率进行集成，最终输出儿童是否患有视力障碍的阴阳性判断结果；

所述面部分类网络和眼部分类网络是基于ResNet-18架构搭建两套架构相同的视频分类网络，根据面部数组和眼部数组得到相应的眼部疾病的概率。

2.根据权利要求1所述的基于深度学习算法的小儿视力障碍筛查方法，其特征在于，所述步骤M2包括：

步骤M2.1：对输入视频进行逐帧的抽取，形成视频帧；

步骤M2.2：将抽取的视频帧输入到人脸关键点提取网络，得到人脸的关键点信息；

步骤M2.3：利用人脸的关键点信息，进行二维变换，得到人脸朝向的偏航角；

步骤M2.4：当人脸朝向的偏航角超过预设值时，则认为为低质量视频帧，进行删除处理，将剩余连续的高质量视频帧拼合，组成高质量的片段；

步骤M2.5：根据人脸的关键点信息，裁剪出高质量片段中儿童的面部和双眼部分，得到高质量的面部片段和眼部片段。

3.根据权利要求1所述的基于深度学习算法的小儿视力障碍筛查方法，其特征在于，所述步骤M3包括：

步骤M3.1：将每个面部片段和眼部片段的信息读取为四维数组，四个维度分别为高、宽、色彩以及时间；

步骤M3.2：对每个像素进行归一化处理，并统一缩放至预设分辨率，得到归一化后的面部数组和眼部数组；

步骤M3.3：基于ResNet-18架构搭建两套架构相同的视频分类网络，分别为面部分类网络和眼部分类网络；

步骤M3.4：基于归一化后的面部数组和眼部数组，利用Adam优化算法分别训练面部分类网络和眼部分类网络，直至相应的损失函数收敛，得到训练后的面部分类网络和眼部分类网络。

4.根据权利要求3所述的基于深度学习算法的小儿视力障碍筛查方法，其特征在于，所述视频分类网络包括：多个卷积层、全连接层、时间维度池化、全连接层、ReLU层、全连接层和sigmoid层；

面部数组或眼部数组依次通过多个卷积层、全连接层、时间维度池化、全连接层、ReLU层、全连接层和sigmoid层，得到患有眼部疾病的概率。