CN108389207A - 一种牙病诊断方法、诊断设备及智能图像采集装置 - Google Patents

Abstract

本发明公开一种牙病诊断方法、诊断设备及智能图像采集装置，属于图像处理技术领域。本发明的一种牙病诊断方法，包括获取待检测的牙齿区域图像；将所述待检测的牙齿区域图像输入至牙病识别模型进行牙病识别，并输出牙病识别结果，所述牙病识别结果包括牙病位置及牙病类型。本发明的一种牙病诊断方法、诊断设备及智能图像采集装置通过采用基于深度学习的图像牙齿诊断方法，将传统牙科中需要长期经验累积的诊断判别方法转化为机器学习的自动识别分类方法，有效提升了辅助诊断的效率，实现牙病诊断的自动化。

Description

一种牙病诊断方法、诊断设备及智能图像采集装置

技术领域

本发明涉及一种牙病诊断方法、诊断设备及智能图像采集装置，属于图像处理领域中的模式识别领域。

背景技术

目前我国一直存在看病难的问题，其主要体现在病人多，医生少，看病时医生需要针对每个病人进行询问、诊断，看病效率不高。牙病诊断是根据牙齿、牙龈位置出现的异常病变特征进行辅助诊断的方法，根据牙医实践证明，当人的牙齿存在病症的时候，常会在牙齿或牙龈不同的位置出现对应的形态、颜色、纹理等异常变化，传统牙齿疾病会基于这些特征变化的表象诊断牙齿病症，但这些诊断均基于医生的个人经验进行判断，因此，如何提高牙病诊断效率，实现自动化的牙病诊断一直是急需解决的问题。

发明内容

本发明的目的在于提供一种牙病诊断方法、诊断设备及智能图像采集装置，通过获取待检测的牙齿区域图像，并其输入到牙病识别模型进行牙病识别得到牙病位置和牙病类型，智能方便的实现牙病的诊断，采用基于深度学习的图像牙齿诊断方法，将传统牙科中需要长期经验累积的诊断判别方法转化为机器学习的自动识别分类方法，有效提升了辅助诊断的效率，实现牙病诊断的自动化。

本发明提供技术方案如下：

一方面，本发明提供了一种牙病诊断方法，包括：

获取待检测的牙齿区域图像；

将所述待检测的牙齿区域图像输入至牙病识别模型进行牙病识别，并输出牙病识别结果，所述牙病识别结果包括牙病位置及牙病类型。

根据本发明的一实施方式，所述获取待检测的牙齿区域图像的步骤包括：

利用智能图像采集装置采集待检测图像；

基于AdaBoost检测算法检测所述待检测图像是否存在牙齿区域，若是，则判定所述待检测图像为待检测的牙齿区域图像。

根据本发明的另一实施方式，所述将所述待检测的牙齿区域图像输入

至牙病识别模型进行牙病识别的步骤之前还包括：

对所述待检测的牙齿区域图像进行对比度和亮度评价得到对比度偏离度值和亮度偏离度值；

当所述对比度偏离度值大于第一阈值和/或所述亮度偏离度值大于第二阈值时对所述待检测的牙齿区域图像进行增强处理。

根据本发明的另一实施方式，所述牙病识别模型为基于MASK-RCNN卷积神经网络分类器训练得到，包括：

输入多张牙齿区域样本图像至所述MASK-RCNN卷积神经网络分类器得到所述多张牙齿区域样本图像的牙病粗定位及分类结果；

基于所述牙病粗定位及分类结果过滤所述多张牙齿区域样本图像；

对所述过滤后的牙齿区域样本图像进行颜色和纹理匹配处理得到处理后的牙病样本图像；

根据所述牙病样本图像建立牙病识别模型。

根据本发明的另一实施方式，所述MASK-RCNN卷积神经网络分类器包括上层网络和下层网络，所述上层网络用于提取所述牙齿区域样本图像的候选牙病位置边界框，所述下层网络用于从每个牙病位置边界框中提取特征并进行分类和边界回归，所述上层网络为具有掩码分支的Faster R-CNN网络，所述下层网络为ResNet网络。

根据本发明的另一实施方式，所述对所述过滤后的牙齿区域样本图像进行颜色和纹理匹配处理得到处理后的牙病样本图像的步骤包括：

采用直方图方法对所述过滤后的牙齿区域样本图像进行颜色特征匹配；

采用Tamura算法对所述过滤后的牙齿区域样本图像进行纹理特征匹配；

对所述过滤后的牙齿区域样本图像进行牙病位置和牙病类型标注得到牙病样本图像。

另一方面，本发明还提供了一种牙病诊断设备，包括：

获取模块，用于获取待检测的牙齿区域图像；

识别模块，用于将所述待检测的牙齿区域图像输入至牙病识别模型进行牙病识别，并输出牙病识别结果，所述牙病识别结果包括牙病位置及牙病类型。

再一方面，本发明还提供了一种智能图像采集装置，包括上端的采集部和下端的手持部，所述手持部和采集部之间为连接杆，所述采集部的外部设置有防水罩，其内部设置图像采集模块，所述手持部包括设置于正面的第一按钮和设置于侧面的第二按钮。

根据本发明的一实施方式，所述图像采集模块包括：主处理器单元，与所述主处理器模块连接的图像采集单元、LED补光单元、陀螺仪传感单元、通信单元、电源管理单元和存储单元，所述主处理器单元包括ARM处理器和视频编码处理器，用于实现视频编码处理、图像处理、接口控制以及补光控制，所述图像采集单元包括微距镜头和图像传感器，所述LED补光单元包括蓝光LED灯和白光LED灯，所述陀螺仪传感单元用于测量图像采集过程中的转动或偏转信号，所述通信单元为WiFi通信，所述电源管理单元包括电池子单元和无线充电子单元。

根据本发明的另一实施方式，所述防水罩内部为防水内壳，所述防水罩下端设有卡槽，所述卡槽与卡紧端固定卡紧，所述防水罩与卡紧端的外部设置防水膜及凸环，所述卡紧端设置于弹性条的一端，所述弹性条的另一端与连接杆连接固定，所述连接杆在与弹性条连接的一端设有保持筒，所述保持筒与连接杆之间通过台体连接，所述台体与防水罩端面贴紧，所述连接杆内部还设有中空的连接内筒；

所述保持筒上设有第一通槽和第二通槽，所述保持筒内设有限位环，其外壁设有密封圈，所述密封圈与防水罩内壁贴紧密封，所述保持筒内部安装有卡紧筒，所述的卡紧筒外部设有分别穿过第一通槽、第二通槽与防水罩内壁卡紧的第一卡紧部、第二卡紧部，所述第一通槽、第二通槽分别设置在密封圈上下两侧，所述第一通槽和第二通槽均匀设置在保持筒周向上。

本发明的有益效果如下：

本发明的牙病诊断方法及装置，通过获取待检测的牙齿区域图像，并其输入到牙病识别模型进行牙病识别得到牙病位置和牙病类型，智能方便的实现牙病的诊断。本发明的牙病诊断方法及装置采用基于深度学习的图像牙齿诊断方法，将传统牙科中需要长期经验累积的诊断判别方法转化为机器学习的自动识别分类方法，有效提升了辅助诊断的效率，实现牙病诊断的自动化。

附图说明

图1为本发明的一种牙病诊断方法的一个实施例的流程示意图；

图2为本发明的一种牙病诊断方法的另一个实施例的流程示意图；

图3为本发明的一种牙病诊断方法的牙病识别模型训练的一个实施例的流程示意图；

图4为本发明的一种牙病诊断设备的一个实施例的结构框图；

图5为本发明的一种牙病诊断设备的另一个实施例的结构框图；

图6为本发明的MASK-RCNN卷积神经网络的结构示意图；

图7为本发明的一种智能图像采集装置的具体实施方式的主视图；

图8为本发明的一种智能图像采集装置的具体实施方式的左视图；

图9为本发明的一种智能图像采集装置的具体实施方式的俯视图；

图10为本发明的一种智能图像采集装置的具体实施方式的防水罩与连杆部分装配结构示意图；

图11是图10中装配部分A-A剖视图；

图12是图10中卡紧筒B-B剖视图(去除密封圈后)；

图13为本发明的一种智能图像采集装置的图像采集模块的结构示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

一方面，如图1-3所示，本发明实施例提供了一种牙病诊断方法，包括：

步骤100：获取待检测的牙齿区域图像；

步骤200：将待检测的牙齿区域图像输入至牙病识别模型进行牙病识别，并输出牙病识别结果，牙病识别结果包括牙病位置及牙病类型。

本发明实施例的牙病诊断方法通过获取待检测的牙齿区域图像，并其输入到牙病识别模型进行牙病识别得到牙病位置和牙病类型，智能方便的实现牙病的诊断。本发明实施例的牙病诊断方法采用基于深度学习的图像牙齿诊断方法，将传统牙科中需要长期经验累积的诊断判别方法转化为机器学习的自动识别分类方法，有效提升了辅助诊断的效率，实现牙病诊断的自动化。

作为一个举例说明，本发明实施例的牙病诊断方法的步骤100包括：

步骤101：利用智能图像采集装置采集待检测图像；

本发明实施例的待检测图像可以通过专用智能图像采集装置，也可通过口腔内窥镜，X射线扫描仪，或者相机、手机等移动终端来采集获取。

需要说明的是，采用普通的相机采集图像的优点是调整方式简单，可使得图像全局具有较通用的可视效果，但无法针对特定的动态目标进行成像控制，尤其是在不同光照的环境条件下，无法使得牙齿目标达到良好的成像效果；采用手机等移动终端采集图像的优点是通用性比较强，针对选择区域进行自动对焦，同时基于选择区域进行亮度成像控制，但作为移动端的辅助诊断，对于牙齿疾病的成像质量要求较高，因此对于图像的清晰度和亮度对比度有独立的评判指标，同时，区域选择的位置大小和操作性对最终的成像都会有影响，对使用者的拍摄技巧也有较高的操作要求，不适合普遍性的适用；口腔内窥镜，X射线扫描仪采集图像其拍照环境、角度及特征测量点的选取是通过人工测量进行，图像增强和处理是为了便于数据测量，整体目的是用来做数据采集，而作为用以机器学习和自动判别的图像并不合适。因此，为了保证待检测图片的质量，优选采用专用智能图像采集装置。

步骤102：基于AdaBoost检测算法检测待检测图像是否存在牙齿区域，若是，则判定待检测图像为待检测的牙齿区域图像。

在图像采集过程中，我们需要实时监测牙齿的位置，本发明实施例的牙病诊断方法采用AdaBoost算法进行目标检测。AdaBoost算法是把一系列的弱分类器组合成一个强分类器，首先给出例子集合，然后对该例子集合进行循环操作，每次循环首先得到一个弱假设，然后计算该假设的错误率，根据该错误率改变每个例子的权重进入下一个循环，其算法流程如下：

1)初始化训练数据的权值分布。如果有N个图像样本，则每一个训练样本最开始时都被赋予相同的权值：1/N；

2)训练弱分类器。具体训练过程中，如果某个样本点已经被准确地分类，那么在构造下一个训练集中，它的权值就被降低；相反，如果某个样本点没有被准确地分类，那么它的权值就得到提高。然后，权值更新过的样本集被用于训练下一个分类器，整个训练过程如此迭代地进行下去。

3)将各个训练得到的弱分类器组合成强分类器。各个弱分类器的训练过程结束后，加大分类误差率小的弱分类器的权重，使其在最终的分类函数中起着较大的决定作用，而降低分类误差率大的弱分类器的权重，使其在最终的分类函数中起着较小的决定作用。

本发明实施例的牙病诊断方法通过预先训练的AdaBoost检测算法检测待检测图像是否存在牙齿区域，为后续的牙病位置定位提供基础。

作为另一个举例说明，本发明实施例的牙病诊断方法的步骤200之前还包括：

步骤300：对待检测的牙齿区域图像进行对比度和亮度评价得到对比度偏离度值和亮度偏离度值，当对比度偏离度值大于第一阈值和/或亮度偏离度值大于第二阈值时对待检测的牙齿区域图像进行增强处理。

对于牙病图像来说，牙病部位的图像从颜色和形状来看有部分与牙缝、牙龈、舌根或拍摄到的其他正常位置相似，同时由于图像采集质量问题，有部分对比度不是非常高的牙病部位所呈现的牙病特征并不是非常明显，因此需要对图像做增强处理。本发明实施例采用视网膜增强Retinex算法，其对各种不同类型的图像进行自适应性地增强，可在动态范围、边缘和颜色三方面达到平衡。视网膜增强Retinex算法是根据物体的颜色，即由物体对光线的放射能力决定的，而与光照强度无关。假设图像S(x,y),可分解成R(x,y)和L(x,y),R(x,y)是反射物体图像，L(x,y)是入射光图像，因此，计算各个像素之间的相对明暗关系，可以对图像的每个像素点做矫正，从而确定该像素点的颜色。

根据Retinex理论，人眼感知物体的亮度取决于环境的照明和物体表面对照射光的反射，其数学表达式为：

I(x,y)＝L(x,y)*R(x,y) (1)

两边取对数：log[R(x,y)]＝log[I(x,y)]-log[L(x,y)] (2)

其中I(x,y)代表被观察或照相机接收到的图像信号；L(x,y)代表环境光的照射分量；R(x,y)表示携带图像细节信息的目标物体的反射分量。对于图像数据I(x,y)，计算出对应的R(x,y)，则R(x,y)认为是增强后的图像，L(x,y)可以通过对图像数据I(x,y)进行高斯模糊而得到。算法具体流程如下：

(1)计算原始图像按指定尺度进行模糊后的图像L(x,y)；

(2)对原始图像进行每个尺度的高斯模糊，得到模糊后的图像Li(x,y),其中小标i表示尺度数。

(3)对每个尺度下进行累加计算

Log[R(x,y)]＝Log[R(x,y)]+Weight(i)*(Log[Ii(x,y)]-Log[Li(x,y)]) (3)

其中Weight(i)表示每个尺度对应的权重，要求各尺度权重之和必须为1，经典的取值为等权重。

(4)将Log[R(x,y)]量化为0到255范围的像素值，作为最终的输出。量化的方式采用计算出Log[R(x,y)]的最大值Max和最小值Min,然后对每一个值Value，进行线性量化，公式为：

R(x,y)＝(Value-Min)/(Max-Min)*(255-0) (4)

亮度是最直观评价牙齿图像成像的指标。根据经验值，选择均值亮度的期望值为100，在0-100和100-255之间各等分10个等级作为目标亮度的偏离度，设置权重为0.4即第一阈值。对于牙齿来说，因颜色的差异性、环境光照等多种因素的影响，单纯的亮度评价指数不足以作为牙齿成像参考的完备性依据，故同时引入对比度评价。根据经验值，理想状态下对比度均值的期望值为25，因此，将牙齿对比度均值从0-25等分10个等级，作为目标区域对比度的偏离度，权重为0.15即第二阈值。

本发明实施例的牙病诊断方法通过对待检测图像的质量评价，可将评价结果反馈给相机进行成像控制调整，当启动时给出初始化部署的快门和增益成像参数，以后每一帧的成像调整结果都会进行反馈并对相机进行参数设置，同样的，每次所获得的图像也会保留该帧图像对应的成像参数信息，作为后续成像控制的参考依据。(1)检测不到牙齿时的成像特征：一是拍摄范围内不存在目标，二是由于环境光照问题使得画面成像过亮或过暗，这时可采用中心测光的模式，拍摄相机成像宽度为w，高度为h，以拍摄中心为中心点，取得宽度为w/2，高度为h/2的矩形作为测光区域，计算该区域内的图像亮度，建立缓冲长度为10帧的区域亮度列表，计算区域亮度均值。(2)牙齿检测成像特征：以牙齿序列的亮度均值和对比度均值作为牙齿成像特征。计算牙齿亮度，建立缓冲长度为10帧的牙齿亮度列表，计算牙齿亮度均值。统计牙齿直方图，以最大类间方差法做阈值分割，分别计算高部亮度均值grayhigh和低部亮度均值graylow，以公式:

nContrast_LP＝(grayhigh-graylow)*100/256 (5)

计算牙齿对比度nContrast_LP，建立牙齿对比度列表，计算牙齿对比度列表均值。(3)成像参数调整在确定了成像控制调整策略之后，多参数协同对增益和快门调整，使得目标达到最优的成像效果。其中包括亮度成像控制和对比度成像控制：

亮度成像控制：当参与计算的亮度值低于亮度下限时，如果快门值没有调到最大，计算期望亮度与参与计算的亮度差值，查找亮度差值和快门调整比例映射表(表1)，按调整比例提高快门值，直至最大快门；如果快门已经调整到极限，按照调整幅度为1增加增益，直至最大增益；当参与计算的亮度值高于亮度上限时，如果增益值没有调到最低，按照调整步长1减小增益，直至增益下限；如果增益已调至下限，计算期望亮度与参与计算的亮度差值，查找亮度差值和快门调整比例映射表，按调整比例降低快门值，直至快门值下限。

表一：亮度差值与快门调整比例映射表

对比度成像控制模块：当参与计算的对比度值低于对比度下限时，如果快门值没有调到最大，计算期望对比度与参与计算的对比度差值，查找对比度差值和快门调整比例映射表(表2)，按调整比例提高快门值，直至最大快门；如果快门已经调整到极限，按照调整幅度为1增加增益，直至最大增益；当参与计算的亮度值高于亮度上限时，如果增益值没有调到最低，按照调整步长1减小增益，直至增益下限；如果增益已调至下限，计算期望对比度与参与计算的对比度差值，查找对比度差值和快门调整比例映射表，按调整比例降低快门值，直至快门值下限；当以参考目标进行对比度成像控制调整的时候，如对比度低于低阈值，亮度高于高阈值，调暗；对比度低于低阈值，亮度低于低阈值，调亮；当以牙齿进行对比度成像控制调整的时候，如对比度低于低阈值，亮度高于期望值时，成像不做调整；对比度低于低阈值，亮度低于期望值时，调亮。

表2：对比度差值与快门调整比例映射表

本发明实施例的牙病诊断方法对待检测的牙齿区域图像进行对比度评价和亮度评价得到对比度偏离度值和亮度偏离度值，当对比度偏离度值大于第一阈值和/或亮度偏离度值大于第二阈值时对待检测的牙齿区域图像进行增强处理，从而保证牙齿图像的质量。

作为另一个举例说明，本发明实施例的牙病诊断方法的牙病识别模型为基于MASK-RCNN卷积神经网络分类器训练得到，包括：

步骤201：输入多张牙齿区域样本图像至MASK-RCNN卷积神经网络分类器得到多张牙齿区域样本图像的牙病粗定位及分类结果；

步骤202：基于牙病粗定位及分类结果过滤多张牙齿区域样本图像；

步骤203：对过滤后的牙齿区域样本图像进行颜色和纹理匹配处理得到处理后的牙病样本图像；

步骤204：根据牙病样本图像建立牙病识别模型。

本发明实施例的牙病识别模型基于MASK-RCNN卷积神经网络分类器训练得到，首先通过MASK-RCNN卷积神经网络分类器对多张牙齿区域样本图像进行牙病粗定位及分类，之后通过人工或其他方法对图像进行过滤筛选，然后对过滤后的牙齿区域样本图像进行颜色和纹理匹配处理得到处理后的牙病样本图像，基于牙病样本图像建立牙病识别模型。

本发明实施例的牙病诊断方法通过深度学习的方法训练牙病识别模型，模型鲁棒性强，分类快速准确。

作为另一个举例说明，本发明实施例的牙病诊断方法的MASK-RCNN卷积神经网络分类器包括上层网络和下层网络，上层网络用于提取牙齿区域样本图像的候选牙病位置边界框，下层网络用于从每个牙病位置边界框中提取特征并进行分类和边界回归，上层网络为具有掩码分支的Faster R-CNN网络，下层网络为ResNet网络。

如图6所示，为了实现快速精确的牙病目标检测及牙病区域的精确分割，基于已建立的牙病样本库，本发明实施例选择了MASK-RCNN卷积神经网络分类器进行牙病目标的精确检测与分割。Faster R-CNN为每个候选目标输出类标签和边框偏移量，MaskR-CNN在Faster R-CNN的基础上添加了一个在每个感兴趣区域上预测分割掩码的分支。

Faster R-CNN由两个阶段组成，第一阶段提出候选目标边界框，第二阶段使用RoIPool从每个候选框中提取特征并进行分类和边界回归。Mask R-CNN在Faster R-CNN第二阶段上，与预测类和框偏移量并行的为每个RoI输出二进制掩码。每个采样后的RoI上的多任务损失函数定义为：L＝Lcls+Lbox+Lmask

其中Lcls为分类损失，Lbox为检测框损失，Lmask为平均二进制交叉熵损失。对Lmask的定义允许网络为每个类独立地预测二进制掩码，依靠专用分类分支预测用于选择输出掩码的类标签。mask分支对每一个RoI有Km2维度的输出，即K个类别，分辨率为m*m的二值mask。因此采用单像素sigmoid二值交叉熵，二值交叉熵会使得每一类的mask不互相竞争，而不是和其他类的mask比较。

在Faster R-CNN中，使用RoIPool从每个RoI提取小特征图，RoIPool首先将浮点数表示的RoI缩放到与特征图匹配的粒度，然后将缩放后的RoI分块，最后汇总每个块覆盖的区域的特征值。这样的计算使RoI与提取的特征错位。虽然这可能不会影响分类，因为分类对小幅度的变换具有一定的鲁棒性，但它对预测像素级精确的掩码有很大的负面影响。Mask R-CNN提出了RoIAlign层以去除RoIPool的错位，将提取的特征与输入准确对齐。在RoIAlign中采用了双线性插值计算每个位置的精确值，并将结果汇总(使用最大或平均池化)，以进行像素到像素pixel-to-pixel的对准。

对于多种牙病病症图像的分类检测与分割，我们构造MASK-RCNN网络如下：对于用于整个图像上的特征提取的下层卷积网络，我们采用了深度为50层ResNet，在MASK-RCNN中从第四阶段的最终卷积层提取特征。对于上层网络，扩展了ResNet和FPN中提出的FasterR-CNN的上层网络，分别添加了一个掩码分支。

作为另一个举例说明，本发明实施例的牙病诊断方法的步骤203包括：

步骤2031：采用直方图方法对过滤后的牙齿区域样本图像进行颜色特征匹配；

步骤2032：采用Tamura算法对过滤后的牙齿区域样本图像进行纹理特征匹配；

步骤2033：对牙齿区域样本图像进行牙病位置和牙病类型标注得到牙病样本图像。

本发明实施例的颜色匹配采用直方图匹配的方法，计算公式如下所示：

H₁和H₂分别为模板图像和重叠区域图像的直方图，计算两直方图的Bhattacharyya距离如下：

本发明实施例的纹理匹配采用Tamura算法进行纹理特征匹配。Tamura纹理特征的六个分量对应于心理学角度上纹理特征的六种属性，分别是粗糙度(coarseness)、对比度(contrast)、方向度(directionality)、线像度(linelikeness)、规整度(regularity)和粗略度(roughness)。本发明实施例主要利用粗糙度、对比度和方向度计算牙病模板纹理与待检测的目标图像的相似度。

(1)粗糙度：

粗糙度的计算可以分为以下几个步骤进行。首先，计算图像中大小为2k×2k个像素的活动窗口中像素的平均强度值，即有

其中k＝0,1,…,5而g(i,j)是位于(i,j)的像素强度值。然后，对于每个像素，分别计算它在水平和垂直方向上互不重叠的窗口之间的平均强度差。

其中对于每个像素，能使E值达到最大(无论方向)的k值用来设置最佳尺寸Sbest(x,y)＝2k。最后，粗糙度可以通过计算整幅图像中Sbest的平均值来得到，表达为：

(2)对比度

对比度是通过对像素强度分布情况的统计得到的，即通过α₄＝μ₄/σ₄来定义的，其中μ₄是四次矩而σ₂是方差。对比度是通过如下公式衡量的:

该值给出了整个图像或区域中对比度的全局度量。

(3)方向度

方向度的计算需要首先计算每个像素处的梯度向量。该向量的模和方向分别定义为：

|ΔG|＝(|Δ_H|+|Δ_V|)/2

θ＝tan^-1(Δ_V/Δ_H)+π/2 (12)

其中.H和.V分别是通过图像卷积下列两个3x3操作符所得的水平和垂直方向上的变化量。

当所有像素的梯度向量都被计算出来后，一个直方图HD被构造用来表达θ值。该直方图首先对θ的值域范围进行离散化，然后统计了每个bin中相应的|.G|大于给定阈值的像素数量。这个直方图对于具有明显方向性的图像会表现出峰值，对于无明显方向的图像则表现得比较平坦。最后，图像总体的方向性可以通过计算直方图中峰值的尖锐程度获得，表示如下:

上式中的p代表直方图中的峰值，n_p为直方图中所有的峰值。对于某个峰值p，W_p代表该峰值所包含的所有的bin，而是具有最高值的bin。

另一方面，如图4-5所示，本发明实施例还提供了一种牙病诊断设备，包括：

获取模块10，用于获取待检测的牙齿区域图像；

识别模块20，用于将待检测的牙齿区域图像输入至牙病识别模型进行牙病识别，并输出牙病识别结果，牙病识别结果包括牙病位置及牙病类型。

作为一个举例说明，本发明实施例的牙病诊断设备的获取模块10包括：

采集单元11，用于利用智能图像采集装置采集待检测图像；

检测单元12，用于基于AdaBoost检测算法检测待检测图像是否存在牙齿区域，若是，则判定待检测图像为待检测的牙齿区域图像。

本发明实施例的牙病诊断设备通过获取模块获取待检测的牙齿区域图像，并其输入到检测模块，通过牙病识别模型进行牙病识别得到牙病位置和牙病类型，智能方便的实现牙病的诊断。本发明实施例的牙病诊断设备将传统牙科中需要长期经验累积的诊断判别转化为机器学习的自动识别分类，有效提升了辅助诊断的效率，实现牙病诊断的自动化。

作为另一个举例说明，本发明实施例的牙病诊断设备还包括：

质量评价模块30，用于对待检测的牙齿区域图像进行对比度和亮度评价得到对比度偏离度值和亮度偏离度值，当对比度偏离度值大于第一阈值和/或亮度偏离度值大于第二阈值时对待检测的牙齿区域图像进行增强处理。

作为另一个举例说明，本发明实施例的牙病诊断设备还包括牙病识别模型训练模块40，包括：

牙病粗定位及分类单元41，用于输入多张牙齿区域样本图像至MASK-RCNN卷积神经网络分类器得到多张牙齿区域样本图像的牙病粗定位及分类结果；

过滤单元42，用于基于牙病粗定位及分类结果过滤多张牙齿区域样本图像；

颜色和纹理匹配单元43，用于对过滤后的牙齿区域样本图像进行颜色和纹理匹配处理得到处理后的牙病样本图像；

模型建立单元44，用于根据牙病样本图像建立牙病识别模型。

再一方面，如图7-13所示，本发明实施例还提供了一种智能图像采集装置，包括上端的采集部210和下端的手持部110，手持部和采集部之间为连接杆120，采集部的外部设置有防水罩130，其内部设置图像采集模块50，手持部包括设置于正面的第一按钮111和设置于侧面的第二按钮112。

作为一个举例说明，本发明实施例的图像采集模块50包括：主处理器单元51，与主处理器模块连接的图像采集单元52、LED补光单元53、陀螺仪传感单元54、通信单元55、电源管理单元56和存储单元57，主处理器单元51包括ARM处理器和视频编码处理器(未示出)，用于实现视频编码处理、图像处理、接口控制以及补光控制，图像采集单元52包括微距镜头和图像传感器(未示出)，LED补光单元53包括蓝光LED灯和白光LED灯，陀螺仪传感单元54用于测量图像采集过程中的转动或偏转信号，通信单元55为WiFi通信，电源管理单元56包括电池子单元和无线充电子单元(未示出)。

作为一个举例说明，本发明实施例的智能图像采集装置的防水罩130内部为防水内壳131，防水罩130下端设有卡槽132，卡槽132与卡紧端126固定卡紧，防水罩130与卡紧端126的外部设置防水膜140及凸环141，卡紧端126设置于弹性条125的一端，弹性条125的另一端与连接杆120连接固定，连接杆120在与弹性条125连接的一端设有保持筒127，保持筒127与连接杆120之间通过台体122连接，台体122与防水罩130端面贴紧，连接杆120内部还设有中空的连接内筒121；

保持筒127上设有第一通槽123和第二通槽124，保持筒127内设有限位环150，其外壁设有密封圈410，密封圈410与防水罩130内壁贴紧密封，保持筒127内部安装有卡紧筒310，卡紧筒外部设有分别穿过第一通槽123、第二通槽124与防水罩130内壁卡紧的第一卡紧部311、第二卡紧部312，第一通槽123、第二通槽124分别设置在密封圈410上下两侧，第一通槽123和第二通槽124均匀设置在保持筒127周向上。

使用时，通过限位环限制卡紧筒装入位置，然后通过第一卡紧部第二卡紧部分别与防水罩内壁卡紧以保证防水罩与连接杆的装配强度。

本发明实施例的图像采集模块的导线220与供电电路连通供电，采用褶皱线(和电话线类似)，使用时其可以拉长、伸缩，这样可以防止导线被扯断。

本发明实施例的卡槽外部设有防水膜，防水膜上下两端分别与卡槽上下两端附近密封装配、固定，且防水膜采用高弹性材料制成，如硅胶、橡胶，需要取出防水罩时，只需要通过防水膜按压卡紧端，使卡紧端推出卡槽后直接将防水罩拉出即可。防水膜在与卡紧端对应处设有凸环，使用时们可以通过凸环进一步按压卡紧端，从而使得增加对卡紧端的按压距离，方便取出防水罩。

本发明实施例的弹性条采用弹性材料制成，可以是弹性塑料片，使用时，通过其弹性使卡紧端卡紧在卡槽内。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种牙病诊断方法，其特征在于，包括：

获取待检测的牙齿区域图像；

将所述待检测的牙齿区域图像输入至牙病识别模型进行牙病识别，并输出牙病识别结果，所述牙病识别结果包括牙病位置及牙病类型。

2.根据权利要求1所述的一种牙病诊断方法，其特征在于，所述获取待检测的牙齿区域图像的步骤包括：

利用智能图像采集装置采集待检测图像；

基于AdaBoost检测算法检测所述待检测图像是否存在牙齿区域，若是，则判定所述待检测图像为待检测的牙齿区域图像。

3.根据权利要求1所述的一种牙病诊断方法，其特征在于，所述将所

述待检测的牙齿区域图像输入至牙病识别模型进行牙病识别的步骤之前还包括：

对所述待检测的牙齿区域图像进行对比度和亮度评价得到对比度偏离度值和亮度偏离度值，当所述对比度偏离度值大于第一阈值和/或所述亮度偏离度值大于第二阈值时对所述待检测的牙齿区域图像进行增强处理。

4.根据权利要求1所述的一种牙病诊断方法，其特征在于，所述牙病识别模型为基于MASK-RCNN卷积神经网络分类器训练得到，包括：

输入多张牙齿区域样本图像至所述MASK-RCNN卷积神经网络分类器得到所述多张牙齿区域样本图像的牙病粗定位及分类结果；

基于所述牙病粗定位及分类结果过滤所述多张牙齿区域样本图像；

对所述过滤后的牙齿区域样本图像进行颜色和纹理匹配处理得到处理后的牙病样本图像；

根据所述牙病样本图像建立牙病识别模型。

5. 据权利要求4所述的一种牙病诊断方法，其特征在于，所述MASK-RCNN卷积神经网络分类器包括上层网络和下层网络，所述上层网络用于提取所述牙齿区域样本图像的候选牙病位置边界框，所述下层网络用于从每个牙病位置边界框中提取特征并进行分类和边界回归，所述上层网络为具有掩码分支的Faster R-CNN网络，所述下层网络为ResNet网络。

6.根据权利要求4述的一种牙病诊断方法，其特征在于，所述对所述过滤后的牙齿区域样本图像进行颜色和纹理匹配处理得到处理后的牙病样本图像的步骤包括：

采用直方图方法对所述过滤后的牙齿区域样本图像进行颜色特征匹配；

采用Tamura算法对所述过滤后的牙齿区域样本图像进行纹理特征匹配；

对所述过滤后的牙齿区域样本图像进行牙病位置和牙病类型标注得到牙病样本图像。

7.一种牙病诊断设备，其特征在于，包括：

获取模块，用于获取待检测的牙齿区域图像；

识别模块，用于将所述待检测的牙齿区域图像输入至牙病识别模型进行牙病识别，并输出牙病识别结果，所述牙病识别结果包括牙病位置及牙病类型。

8.一种智能图像采集装置，其特征在于，包括上端的采集部和下端的手持部，所述手持部和采集部之间为连接杆，所述采集部的外部设置有防水罩，其内部设置图像采集模块，所述手持部包括设置于正面的第一按钮和设置于侧面的第二按钮。

9.根据权利要求8所述的一种智能图像采集装置，其特征在于，所述图像采集模块包括：主处理器单元，与所述主处理器模块连接的图像采集单元、LED补光单元、陀螺仪传感单元、通信单元、电源管理单元和存储单元，所述主处理器单元包括ARM处理器和视频编码处理器，用于实现视频编码处理、图像处理、接口控制以及补光控制，所述图像采集单元包括微距镜头和图像传感器，所述LED补光单元包括蓝光LED灯和白光LED灯，所述陀螺仪传感单元用于测量图像采集过程中的转动或偏转信号，所述通信单元为WiFi通信，所述电源管理单元包括电池子单元和无线充电子单元。

10.根据权利要求8所述的一种智能图像采集装置，其特征在于，所述防水罩内部为防水内壳，所述防水罩下端设有卡槽，所述卡槽与卡紧端固定卡紧，所述防水罩与卡紧端的外部设置防水膜及凸环，所述卡紧端设置于弹性条的一端，所述弹性条的另一端与连接杆连接固定，所述连接杆在与弹性条连接的一端设有保持筒，所述保持筒与连接杆之间通过台体连接，所述台体与防水罩端面贴紧，所述连接杆内部还设有中空的连接内筒；

所述保持筒上设有第一通槽和第二通槽，所述保持筒内设有限位环，其外壁设有密封圈，所述密封圈与防水罩内壁贴紧密封，所述保持筒内部安装有卡紧筒，所述的卡紧筒外部设有分别穿过第一通槽、第二通槽与防水罩内壁卡紧的第一卡紧部、第二卡紧部，所述第一通槽、第二通槽分别设置在密封圈上下两侧，所述第一通槽和第二通槽均匀设置在保持筒周向上。