CN118781277A - 牙科支架模型的生成方法、系统、电子设备及存储介质 - Google Patents

Abstract

本申请公开了一种牙科支架模型的生成方法、系统、电子设备及存储介质，所属的技术领域涉及模型设计技术。所述牙科支架模型的生成方法包括：获取用户的口腔点云数据，并利用高斯滤波算法和基于曲率的下采样算法对所述口腔点云数据进行处理，得到初始三维牙颌模型；对所述初始三维牙颌模型进行正位操作，对正位操作后的初始三维牙颌模型进行修整，得到正位三维牙颌模型；将所述正位三维牙颌模型输入至深度学习网络模型中进行识别，得到牙科支架的边界信息和区域标签；根据所述边界信息和所述区域标签生成牙科支架模型。本申请能够提高牙科支架模型的生成效率和精度。

Description

牙科支架模型的生成方法、系统、电子设备及存储介质

技术领域

本申请涉及模型设计技术领域，特别涉及一种牙科支架模型的生成方法、系统、电子设备及存储介质。

背景技术

在口腔修复领域，牙科支架（即义齿支架）设计是重要分支，其常用的金属材料为钴铬合金、钛金属、钴铬钼合金、金合金等，不同材质需要为牙科支架设置不同厚度以更符合人体口腔构造。

目前的牙科支架设计软件需要较多的手工交互设计操作，导致设计效率和设计精度不高，且牙科支架模型的质量依赖设计师的经验和操作技巧，有时需要重新设计才能完成设计任务。此外，由于牙龈上存在牙齿缺失的情况，本领域需要通过对口腔点云数据进行预处理得到三维牙颌模型，但是预处理过程使用的参数往往根据人工经验设置，容易出现三维牙颌模型与实际口腔状态差异过大的情况，导致牙科支架模型的生成效率和精度较低。

因此，如何提高牙科支架模型的生成效率和精度是本领域技术人员目前需要解决的技术问题。

发明内容

本申请的目的是提供一种牙科支架模型的生成方法、系统、电子设备及存储介质，能够提高牙科支架模型的生成效率和精度。

为解决上述技术问题，本申请提供一种牙科支架模型的生成方法，包括：

获取用户的口腔点云数据，并利用高斯滤波算法和基于曲率的下采样算法对所述口腔点云数据进行处理，得到初始三维牙颌模型；其中，所述高斯滤波算法的参数和所述下采样算法的参数为利用目标函数进行迭代优化得到的参数；所述目标函数用于描述原始点云数据与预处理结果的点云特征差异度，所述预处理结果为所述原始点云数据经过所述高斯滤波算法和所述下采样算法处理后的结果；

对所述初始三维牙颌模型进行正位操作，对正位操作后的初始三维牙颌模型进行修整，得到正位三维牙颌模型；

将所述正位三维牙颌模型输入至深度学习网络模型中进行识别，得到牙科支架的边界信息和区域标签；

根据所述边界信息和所述区域标签生成牙科支架模型。

可选的，在利用高斯滤波算法和基于曲率的下采样算法对所述口腔点云数据进行处理之前，还包括：

对所述高斯滤波算法和所述下采样算法的参数进行初始化；

选取所述原始点云数据；

利用所述高斯滤波算法和所述下采样算法对所述原始点云数据进行处理，得到所述预处理结果；

通过所述目标函数计算所述预处理结果与所述原始点云数据的点云特征差异度；其中，所述点云特征差异度用于描述法向量和曲率的差异程度；

判断是否达到迭代终止条件；其中，所述迭代终止条件为最近一次计算的点云特征差异度小于第一临界值或迭代次数大于第二临界值；

若是，则判定所述高斯滤波算法和所述下采样算法的参数优化完毕；

若否，则根据所述点云特征差异度调整所述高斯滤波算法的参数和/或所述下采样算法的参数，并进入利用所述高斯滤波算法和所述下采样算法对所述原始点云数据进行处理的步骤。

可选的，通过所述目标函数计算所述预处理结果与所述原始点云数据的点云特征差异度，包括：

将i的值设置为1；

从所述预处理结果中选取第i个点作为当前的目标点；

将所述原始点云数据中与所述目标点对应的点作为参考点；

计算所述目标点与所述参考点的单点差异信息；其中，所述单点差异信息包括法向量差异值和曲率差值；

判断所述预处理结果中的点是否均选取完毕；

若是，则根据所有所述单点差异信息生成所述点云特征差异度；

若否，则将i的值加1，并进入从所述预处理结果中选取第i个点作为当前的目标点的步骤。

可选的，对所述初始三维牙颌模型进行正位操作，包括：

按照预设规则对所述初始三维牙颌模型的姿态进行调整，以便完成正位操作；

其中，所述预设规则为所述初始三维牙颌模型的前牙舌面朝向显示屏、且所述初始三维牙颌模型的前牙闭合方向朝上，所述显示屏用于显示所述初始三维牙颌模型。

可选的，所述对正位操作后的初始三维牙颌模型进行修整，包括：

对所述正位操作后的初始三维牙颌模型执行填倒凹操作和蜡型修整操作。

可选的，将所述正位三维牙颌模型输入至深度学习网络模型中进行识别，得到牙科支架的边界信息和区域标签，包括：

将所述正位三维牙颌模型输入至所述深度学习网络模型；

利用所述深度学习网络模型对所述正位三维牙颌模型的点云数据进行点云采样和特征提取，并根据特征提取结果输出对应牙科支架的所述边界信息和所述区域标签。

可选的，根据所述边界信息和所述区域标签生成牙科支架模型，包括：

根据所述边界信息和所述区域标签确定所述正位三维牙颌模型的牙齿缺失区域，并在所述牙齿缺失区域生成固位网模型；

根据所述边界信息和所述区域标签确定所述正位三维牙颌模型的大连接体区域，并在所述大连接体区域生成大连接体模型；

根据所述边界信息和所述区域标签确定所述正位三维牙颌模型的卡环位置，并在所述卡环位置生成卡环模型；

在所述牙齿缺失位区域与所述大连接体区域的邻接区域生成终止线模型；

根据所述固位网模型、所述大连接体模型、所述卡环模型和所述终止线模型生成所述牙科支架模型。

可选的，在所述牙齿缺失区域生成固位网模型，包括：

在所述牙齿缺失区域中生成网状结构，设置所述网状结构的网孔形状、网孔尺寸和厚度，并将所述网状结构设置为所述固位网模型。

可选的，所述获取用户的口腔点云数据，包括：

利用口内扫描仪对用户的口腔进行扫描得到所述口腔点云数据。

本申请还提供了一种牙科支架模型的生成系统，该系统包括：

模型获取系统，用于获取用户的口腔点云数据，并利用高斯滤波算法和基于曲率的下采样算法对所述口腔点云数据进行处理，得到初始三维牙颌模型；其中，所述高斯滤波算法的参数和所述下采样算法的参数为利用目标函数进行迭代优化得到的参数；所述目标函数用于描述原始点云数据与预处理结果的点云特征差异度，所述预处理结果为所述原始点云数据经过所述高斯滤波算法和所述下采样算法处理后的结果；

预处理模块，用于对所述初始三维牙颌模型进行正位操作，对正位操作后的初始三维牙颌模型进行修整，得到正位三维牙颌模型；

识别模块，用于将所述正位三维牙颌模型输入至深度学习网络模型中进行识别，得到牙科支架的边界信息和区域标签；

建模模块，用于根据所述边界信息和所述区域标签生成牙科支架模型。

本申请还提供了一种存储介质，其上存储有计算机程序，所述计算机程序执行时实现上述牙科支架模型的生成方法执行的步骤。

本申请还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现上述牙科支架模型的生成方法执行的步骤。

本申请提供了一种牙科支架模型的生成方法，包括：获取用户的口腔点云数据，并利用高斯滤波算法和基于曲率的下采样算法对所述口腔点云数据进行处理，得到初始三维牙颌模型；其中，所述高斯滤波算法的参数和所述下采样算法的参数为利用目标函数进行迭代优化得到的参数；所述目标函数用于描述原始点云数据与预处理结果的点云特征差异度，所述预处理结果为所述原始点云数据经过所述高斯滤波算法和所述下采样算法处理后的结果；对所述初始三维牙颌模型进行正位操作，对正位操作后的初始三维牙颌模型进行修整，得到正位三维牙颌模型；将所述正位三维牙颌模型输入至深度学习网络模型中进行识别，得到牙科支架的边界信息和区域标签；根据所述边界信息和所述区域标签生成牙科支架模型。

本申请在获取用户的口腔点云数据后，使用高斯滤波算法和基于曲率的下采样算法对所述口腔点云数据进行处理得到初始三维牙颌模型。上述高斯滤波算法和下采样算法的参数均利用目标函数进行迭代优化得到，故使用高斯滤波算法和下采样算法处理得到的初始三维牙颌模型符合用户口腔的实际状态。本申请还对获取的初始三维牙颌模型进行正位操作和修整操作得到正位三维牙颌模型，利用深度学习网络模型对正位三维牙颌模型进行边界识别和区域划分，得到牙科支架的边界信息和区域标签，进而基于边界信息和区域标签生成牙科支架模型。本申请基于深度学习网络模型自动识别三维牙颌模型对应的牙科支架的边界信息和区域标签，进而自动生成牙科支架模型，该过程无需工作人员手工交互设计，实现了牙科支架模型的自动生成，能够提高牙科支架模型的生成效率和精度。本申请同时还提供了一种牙科支架模型的生成系统、一种存储介质和一种电子设备，具有上述有益效果，在此不再赘述。

附图说明

为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例所提供的一种牙科支架模型的生成方法的流程图；

图2为本申请实施例所提供一种基于3D人工智能算法生成牙科活动支架的流程图；

图3为本申请实施例所提供的一种支架部件识别方法流程图；

图4为本申请实施例所提供的一种支架部件识别结果示意图；

图5为本申请实施例所提供的一种固位网模型生成结果示意图；

图6为本申请实施例所提供的一种大连接体模型生成结果示意图；

图7为本申请实施例所提供的一种卡环模型生成结果示意图；

图8为本申请实施例所提供的一种终止线模型生成结果示意图；

图9为本申请实施例所提供的一种花纹蜡模型生成结果示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本文中使用的前牙舌面、倒凹、大连接体、卡环等词语为牙科领域的专业术语；前牙舌面指前牙靠近舌头的面；倒凹为在洞底的侧髓线角或点角处平洞底向侧壁牙本质作出的潜入小凹；大连接体(major connector)为连接义齿且位于牙弓两侧部分的结构；卡环是活动义齿修复的主要固位体。

下面请参见图1，图1为本申请实施例所提供的一种牙科支架模型的生成方法的流程图。

具体步骤可以包括：

S101：获取用户的口腔点云数据，并利用高斯滤波算法和基于曲率的下采样算法对所述口腔点云数据进行处理，得到初始三维牙颌模型；

其中，本实施例可以应用于三维建模功能的电子设备，可以从数据库中获取用户的口腔点云数据，也可以利用口内扫描仪对用户的口腔进行扫描得到所述用户的口腔点云数据。本实施例可以先后使用高斯滤波算法和基于曲率的下采样算法对口腔点云数据进行预处理，并将处理得到的结果作为初始三维牙颌模型。

在本步骤之前还可以存在对高斯滤波算法和基于曲率的下采样算法（以下简称下采样算法）的参数进行迭代优化的操作。即，高斯滤波算法的参数为利用目标函数进行迭代优化得到的参数，下采样算法的参数为利用目标函数进行迭代优化得到的参数。上述目标函数用于描述原始点云数据与预处理结果的点云特征差异度，预处理结果为所述原始点云数据经过所述高斯滤波算法和所述下采样算法处理后的结果。本步骤中用于处理得到初始三维牙颌模型的高斯滤波算法和下采样算法的参数为迭代优化完毕后的参数。

S102：对所述初始三维牙颌模型进行正位操作，对正位操作后的初始三维牙颌模型进行修整，得到正位三维牙颌模型；

其中，在得到初始三维牙颌模型后，可以对初始三维牙颌模型在显示界面中的显示角度进行调整，即进行正位操作，以使正位操作后的初始三维牙颌模型处于正位状态。

本实施例还可以对正位操作后的初始三维牙颌模型进行修整，正位操作后和上述修整操作后的初始三维牙颌模型即正位三维牙颌模型。

具体的，上述修整的过程包括：对所述正位操作后的初始三维牙颌模型执行填倒凹操作和蜡型修整操作。

S103：将所述正位三维牙颌模型输入至深度学习网络模型中进行识别，得到牙科支架的边界信息和区域标签；

其中，在本步骤之前可以利用数据集训练深度学习网络模型的操作，上述数据集为已经标注了边界信息和区域标签的三维牙颌模型。在将正位三维牙颌模型输入至深度学习网络模型后，深度学习网络模型可以对正位三维牙颌模型的区域边界和区域标签进行预测，得到需要建模得到的牙科支架的边界信息和区域标签。牙科支架存在固位网、大连接体、卡环、终止线等多个区域，边界信息用于描述上述区域的边界位置，区域标签用于描述上述区域对应的区域种类。

S104：根据所述边界信息和所述区域标签生成牙科支架模型。

其中，在得到边界信息和区域标签后可以得到各个区域的形状和所在的位置，进而可以基于边界信息和区域标签生成牙科支架模型。作为一种可行的实施方式，本实施例根据边界信息得到各个区域对应的子模型，还可以根据各子模型对应的区域标签进行模型组合得到上述牙科支架模型（即，牙科活动支架模型）。

本实施例在获取用户的口腔点云数据后，使用高斯滤波算法和基于曲率的下采样算法对所述口腔点云数据进行处理得到初始三维牙颌模型。上述高斯滤波算法和下采样算法的参数均利用目标函数进行迭代优化得到，故使用高斯滤波算法和下采样算法处理得到的初始三维牙颌模型符合用户口腔的实际状态。本实施例对获取的初始三维牙颌模型进行正位操作和修整操作得到正位三维牙颌模型，利用深度学习网络模型对正位三维牙颌模型进行边界识别和区域划分，得到牙科支架的边界信息和区域标签，进而基于边界信息和区域标签生成牙科支架模型。本实施例基于深度学习网络模型自动识别三维牙颌模型对应的牙科支架的边界信息和区域标签，进而自动生成牙科支架模型，该过程无需工作人员手工交互设计，实现了牙科支架模型的自动生成，能够提高牙科支架模型的生成效率和精度。

作为对于图1对应实施例的进一步介绍，在利用高斯滤波算法和基于曲率的下采样算法对所述口腔点云数据进行处理之前，还可以通过以下方式迭代优化高斯滤波算法和基于曲率的下采样算法的参数：

步骤A1：对所述高斯滤波算法和所述下采样算法的参数进行初始化；

其中，本步骤可以对高斯滤波算法的参数进行随机初始化，还可以对下采样算法的参数进行随机初始化。

步骤A2：选取所述原始点云数据；

其中，原始点云数据可以为数据库中其他用户的口腔点云数据，也可以为S101中获取的用户的口腔点云数据。

步骤A3：利用所述高斯滤波算法和所述下采样算法对所述原始点云数据进行处理，得到所述预处理结果；

其中，本步骤可以依次使用高斯滤波算法和下采样算法对原始点云数据进行滤波处理和下采样处理，得到预处理结果。

步骤A4：通过所述目标函数计算所述预处理结果与所述原始点云数据的点云特征差异度；

其中，在得到预处理结果后，可以将预处理结果与原始点云数据进行特征比对，得到点云特征差异度。上述点云特征差异度用于描述法向量和曲率的差异程度，即：预处理结果与原始点云数据的法向量差异程度，以及预处理结果与原始点云数据的曲率差异程度。

步骤A5：判断是否达到迭代终止条件；若是，则进入步骤A6；若否，则进入步骤A7。

其中，所述迭代终止条件为最近一次计算的点云特征差异度小于第一临界值或迭代次数大于第二临界值。若最近一次计算的点云特征差异度小于第一临界值，则可以进入步骤A6；若迭代次数大于第二临界值，则可以进入步骤A6。上述迭代次数与步骤A4的执行次数相等。

步骤A6：判定所述高斯滤波算法和所述下采样算法的参数优化完毕；

其中，在判定所述高斯滤波算法的参数和所述下采样算法的参数优化完毕后，可以执行利用高斯滤波算法和基于曲率的下采样算法对所述口腔点云数据进行处理的操作，以便得到初始三维牙颌模型。

步骤A7：根据所述点云特征差异度调整所述高斯滤波算法的参数和/或所述下采样算法的参数，并进入步骤A3。

上述高斯滤波算法的参数包括滤波半径的大小和高斯核的标准差的大小等，上述下采样算法的参数包括采样间隔、曲率阈值、邻域半径等。

通过本实施例的操作能够使得预处理后的点云数据的特征，更加接近于原始点云数据，还能够提高数据的可靠性，降低制作生成的牙科支架模型的不合格率，减少返工概率，提高产品的质量。

作为对于上述实施例的进一步介绍，步骤A4中具体可以通过以下方式计算点云特征差异度：

步骤B1：将i的值设置为1；

步骤B2：从所述预处理结果中选取第i个点作为当前的目标点；

步骤B3：将所述原始点云数据中与所述目标点对应的点作为参考点；

具体的，本实施例可以预先对原始点云数据建立索引结构，基于目标点的位置信息，在索引结构中查找最近的点作为参考点。

步骤B4：计算所述目标点与所述参考点的单点差异信息；

其中，所述单点差异信息包括法向量差异值和曲率差值；即，上述法向量差异值指：目标点的法向量与参考点的法向量的差异值；曲率差值指：目标点的法向量与参考点的曲率差值的差异值。法向量差异值表示两个点云中对应点的法向量方向之间的角度差异，用于量化表面局部方向的变化程度。曲率差值表示两个点云中对应点的曲率值之差，用于量化表面局部弯曲程度的变化。

步骤B5：判断所述预处理结果中的点是否均选取完毕；若是，则进入步骤B6；若否，则进入步骤B7；

步骤B6：根据所有所述单点差异信息生成所述点云特征差异度；

本实施例可以将所有单点差异信息相加得到点云特征差异度，点云特征差异度即目标函数的值。

步骤B7：将i的值加1，并进入步骤B2。

在口腔内，部分牙龈上有的有牙齿，部分牙龈上缺失牙齿，整个口腔点云数据对应的牙齿模型呈现不规则的形状，假如直接使用预处理算法对口腔点云数据进行预处理操作时，不易准确控制预处理操作过程中的参数（需要人工多次根据经验调整），进一步将导致口腔点云数据中的牙齿部分的特征值与原始牙齿部分的特征值有较大的差异。由于接下来需要针对牙齿部分制作并生成卡环，卡环是用于固定假牙部分，但是由于预处理后的点云牙齿模型的牙齿部分相对于原始的牙齿部分相差较大（预处理将改变模型中点云数据的特征值和形状），当预处理效果不好时，会影响卡环生成的贴合度。贴合度较低，会导致最终生成的假牙模型不牢靠，严重的话会影响生成的假牙模型的质量导致需要重新修正或返工。为了能够高效精确地完成诊断与诊疗计划的制订、提高牙科支架模型的生成效率和精度，本实施例提供一种对口腔点云数据进行与处理的方式，得到精准的初始三维牙颌模型，具体过程如下：在得到口腔点云数据之后，使用高斯曲面滤波算法（即，一种用于处理曲面点云的高斯滤波算法）、基于曲率的下采样算法对原始点云进行滤波和下采样的预处理操作，滤波可以减少噪声数据对后续操作的影响，下采样可以降低计算量并提高系统运行效率。

本实施例可以使用高斯曲面滤波算法、基于曲率的下采样算法对原始点云数据进行预处理。进一步通过构建目标函数J，根据处理后的点云数据的特征值与原始点云数据的特征值，计算目标函数J的值，通过迭代的调整滤波和下采样算法的参数，使得目标函数的值达到最小值，此时预处理后的点云数据既减少了噪声数据的影响，又降低了运算量，同时牙齿部分的特征值和形状精度最接近于原始点云数据中牙齿部分的特征值和形状精度，得到最优的初始三维牙颌模型。

其中，构建目标函数J并迭代调整的过程包括以下步骤：

步骤C1：初始随机参数使用高斯曲面滤波算法、基于曲率的下采样算法，对原始点云数据进行预处理操作，以便计算原始点云数据中每个点的法向量和曲率。

步骤C2：计算第一次预处理操作后的点云数据中每个点的法向量和曲率。根据第一次预处理操作后的点云数据中每个点的法向量和曲率以及原始点云数据中对应点的法向量和曲率，计算目标函数J的值，有以下计算过程：

；

上式中，n表示参与计算的点的数量，表示第i个点的特征处理前后的差异程度。

原始点云数据与预处理操作后的点云数据中点的特征的差异程度，有以下计算过程：

；

上式中，A为原始点云数据中点的法向量、B为预处理后的点云中对应点的法向量；A∙B表示向量A和B的点积，即对应元素相乘后求和；||A||和||B||分别表示向量A和B的欧几里得长度，也称为模或大小；cos^-1 (∙)表示反余弦函数；q为原始点云中点的曲率值；q’为预处理后对应点的曲率值。

步骤C3：向上或向下调整高斯曲面滤波算法、基于曲率的下采样算法中的参数，并进行预处理操作，得到当前次根据当前次预处理操作后的点云数据中点的法向量和曲率，计算目标函数J的值。

步骤C4：如果当前次计算得到的J值小于上一次计算得到的J值，则在这个方向上继续调整，反之，则反向调整控制参数。

循环上述过程迭代调整控制参数，直到目标函数J的值达到最小值或小于设定的目标函数阈值，则停止迭代，此时得到最优的预处理后的点云数据。其中，目标函数阈值的设定可由经验调整设定，或根据预处理后的点云数据的特征值来调整设定。

本实施例在使用高斯曲面滤波算法对原始点云数据进行滤波时，可以通过迭代的调整滤波半径的大小和高斯核的标准差的大小，来计算目标函数J的值。在高斯曲面滤波算法中，滤波半径越大，滤波后的曲面更加平滑，对应点的法向量和曲率的变化程度越小。本实施例在使用高斯曲面滤波算法进行下采样时，迭代的调整曲率阈值的大小，来计算目标函数J的值。在基于曲面的下采样算法中，曲率阈值越大，下采样后的点云中的曲率变化较小。

在完成上述预处理操作后，将会去除点云数据中一些不必要的噪声点，提高数据的准确性和可靠性；另一方面可以有效的减少数据量，加快处理速度和降低资源消耗。由于进行预处理操作后的点云数据的特征最大程度的接近原始点云数据的特征，后续制作生成的牙科支架模型具有较好的准确性和贴合度，可以降低生成的牙科支架模型不牢靠的问题，本实施例能够高效精确地完成诊断与诊疗计划的制订、提高牙科支架模型的生成效率和精度。

作为对于图1对应实施例的进一步介绍，可以按照预设规则对所述初始三维牙颌模型的姿态进行调整，以便完成正位操作；其中，所述预设规则为所述初始三维牙颌模型的前牙舌面朝向显示屏、且所述初始三维牙颌模型的前牙闭合方向朝上，所述显示屏用于显示所述初始三维牙颌模型。上述前牙闭合方向指前牙由张开状态变为闭合状态时的运动方向。

作为对于图1对应实施例的进一步介绍，利用深度学习网络模型预测牙科支架的边界信息和区域标签的过程包括：将所述正位三维牙颌模型输入至所述深度学习网络模型；利用所述深度学习网络模型对所述正位三维牙颌模型的点云数据进行点云采样和特征提取，并根据特征提取结果输出对应牙科支架的所述边界信息和所述区域标签。

作为对于图1对应实施例的进一步介绍，可以通过以下方式生成牙科支架模型：根据所述边界信息和所述区域标签确定所述正位三维牙颌模型的牙齿缺失区域，并在所述牙齿缺失区域生成固位网模型；根据所述边界信息和所述区域标签确定所述正位三维牙颌模型的大连接体区域，并在所述大连接体区域生成大连接体模型；根据所述边界信息和所述区域标签确定所述正位三维牙颌模型的卡环位置，并在所述卡环位置生成卡环模型；在所述牙齿缺失位区域与所述大连接体区域的邻接区域生成终止线模型；根据所述固位网模型、所述大连接体模型、所述卡环模型和所述终止线模型生成所述牙科支架模型。具体的，本实施例还可以在牙科支架模型上设置花纹蜡。

具体的，本实施例可以通过以下方式生成固位网模型：在所述牙齿缺失区域中生成网状结构，设置所述网状结构的网孔形状、网孔尺寸和厚度，并将所述网状结构设置为所述固位网模型。

下面通过在实际应用中的实施例说明上述实施例描述的流程。

目前的设计软件中过多的手工交互设计操作，存在以下问题：（1）导致设计效率较低；（2）导致设计精度不高、设计效果过渡依赖设计师的经验和操作技巧，有时需要重新设计才能完成设计任务；（3）专家经验需要较长时间积累，初级技工需要记忆大量案例才能设计合格的产品。

随着大数据时代的到来，基于机器学习的人工智能技术，尤其是神经网络技术飞速发展，基于人工智能技术的相关研究已涉及口腔医疗多个领域，特别在活动支架三维模型自动化分割与识别方面具有巨大潜力，可辅助口腔医生及技师完成繁琐重复的手工劳动、消除主观误差，更加高效精确地完成诊断与诊疗计划的制订。目前，现有技术中大多基于的二维数据模型，与三维数据相比存在较大误差。

为了解决上述相关技术中存在的问题，本实施例提供了一种基于3D人工智能算法自动生成牙科活动支架的方案，利用深度学习网络模型根据活动支架kennedy（肯尼迪）分类，按照牙齿缺失位不同，自动生成支架中的大连接体、固位网、卡环、终止线和花纹蜡，其中大连接体、固位网、卡环、终止线和花纹蜡都会根据模型进行自动生成。本实施例可以按照真实模型的情况自动训练出合适的支架设计模型，减少了大量的人机交互操作，使支架设计质量和效率有了很大程度的提升。

请参见图2，图2为本申请实施例所提供一种基于3D人工智能算法生成牙科活动支架的流程图，具体过程为：

步骤S201：创建订单并选择制作支架的一种金属材质，根据金属材质设置相应的厚度，将口内扫描仪扫描得到的初始三维牙颌模型数据导入订单列表。

步骤S202：将初始三维牙颌模型进行自动正位、填倒凹、蜡型修整等处理，得到正位三维牙颌模型。

为了有利于模型在位置相同条件下统一处理，需要打开牙颌模型默认自动正位，牙齿的面正朝屏幕方向，并且前牙方向朝上方。可以根据牙颌模型特征区域自动切削牙模；点击自动填倒凹设置当前模型就位道；自动蜡型修整使模型更平整光滑。

步骤S203：构建用于特征识别分割的深度学习网络模型，利用深度学习网络模型自动识别各区域边界特征。

具体的，本实施例可以将正位三维牙颌模型的点云数据输入至训练好的深度学习网络模型中进行预测，最终得到义齿3D打印支架边界（即边界信息）及各部分区域标签。

步骤S204：根据网络输出结果（即，义齿3D打印支架的边界及部分区域标签）自动生成固位网模型、大连接体模型、卡环模型、终止线模型及花纹蜡模型；

步骤S205：实现并完成牙科支架模型。

具体的，上述步骤S202的实现过程可以为：将初始三维牙颌模型进行自动正位，以使牙齿的面朝屏幕方向，前牙方向朝上方。还可以根据就位道方向自动填倒凹、根据牙齿区域自动修整蜡型等处理，得到正位三维牙颌模型。

本实施例可以预设深度学习网络模型中大量数据集，按照活动支架分类标注模型数据，进行模型数据处理、对3D点云模型数据进行特征提取。具体的，本实施例可以使用最远点采样的方法，再对正位三维牙颌模型的局部区域进行多层次的特征学习，将下一级提取的特征融合到原始特征中进行结合组成新的特征，通过全局特征和局部特征相结合的方式得到每个点的标签，进而得到牙颌各部位识别结果。

作为一种可行的实施方式，本实施例可以对正位三维牙颌模型进行各部位标注标签，因牙膜体积大，点云数据点数庞大。为了避免点云数据占用显存过大，本实施例可以在不影响物体形态的情况下进行采样。上述采样方法包括最远点采样法、曲率采样或随机下采样。

上述步骤S204中生成固位网模型的过程包括：在牙槽嵴或牙齿缺失位区域生成蜡片，选择圆孔形状并设置网孔图案大小，设置蜡网厚度生成固位网模型。具体的，本实施例可以根据深度学习网络模型输出的固位网自动识别缺牙区域，并在缺牙区域内生成蜡片；选择加载蜡片上圆孔的形状及分布排列方式；设置网孔图案孔的大小，或通过选择拖动蜡网交互箭头控制大小；从缓冲蜡的顶部开始设置蜡网厚度，设置光滑程度，较小的数值更贴合牙齿表面，继而生成固位网模型。

上述步骤S204中生成大连接体模型的过程包括：确定选取的大连接体的区域范围，将区域轮廓均匀采点，将所有三维点连接起来生成连接区域，确定大连接体底部距离厚度；创建线性边缘过渡，以较大数值生成平滑的过渡大连接体边缘，进而得到连接体模型。

上述步骤S204中生成卡环模型的过程包括：根据卡环数据库得到基牙上可设置的卡环相对位置及种类，在识别到的卡环位置生成对应的卡环模型（如扁平卡环和圆形卡环）。

上述步骤S204中生成终止线模型的过程包括：固位网模型与大连接体模型相接区域的预设点（如近中点和远中点）之间线段进行均匀采点，将所有点投影连接生成终止线。作为另一种可行的实施方式，本实施例可以确定终止线生成区域，对区域线段之间进行均匀采点，对采样得到的点进行投影，连接投影得到的点生成终止线模型。

上述步骤S204中生成花纹蜡模型的过程包括：确定生成蜡纹区域及目标纹理，设置可选择不同密度，生成更符合人体真实口腔环境。

基于最远点采样原理进行云点数据采样的过程包括如下步骤：

步骤D1：输入正位三维牙颌模型的点云数据有N个点，从点云数据中选取一个点p0作为起始点，得到采样点集合。

步骤D2：计算所有点到p0的距离，构成N维数组L，从中选择最大值对应的点作为p1，更新采样点集合。

步骤D3：计算采样点集合中的点之外所有点到p1的距离，对于每一个点pi，点pi与点p1之间的距离如果小于 (即，p i和p 0之间的距离)，则更新，d(pi，p1)表示点pi与点p1之间的距离。因此，数组L中存储的一直是每一个点到采样点集合S的最近距离。

步骤D4：选取数组L中最大值对应的点作为p2，进而更新采样点集合。

重复步骤D2-步骤D4，一直采样到N’个目标采样点为止，N’为预设值。

本实施例将原本应用于图像实例、语义分割的深度学习算法应用于三维牙颌数据模型上，建立了牙科活动支架各部件区域边界识别的深度学习网络模型。本实施例利用深度学习网络模型对正位三维牙颌模型进行预测，自动识别活动支架中固位网模型、大连接体模型、卡环模型和终止线模型，减少了过多的人机交互操作，提升了支架的设计效率及设计质量。

请参见图3，图3为本申请实施例所提供的一种支架部件识别方法流程图，包括如下步骤：

S301：输入正位三维牙颌模型的点云数据。

S302：利用最远点采样原理处理数据。

因网络性能限制，也为保证点云数据的几何特性，本实施例可以采用最远点采样方法提取点云数据，并采用不同半径的球领域的点进行提取。

S303：对采样得到的数据进行局域多层次特征提取操作。

本实施例可以对采样后的点云进行特征提取，将点云分成不同的局部区域，对局部区域进行多层次的特征学习，将提取的特征融合到原始特征中进行结合，组成新的特征再进行的特征提取。

S304：根据标签自动识别区域。

本实施例可以通过结合全局和局部特征每个点的标签实现活动支架部件识别。

请参见图4，图4为本申请实施例所提供的一种支架部件识别结果示意图，图中A表示卡环、B表示终止线、C表示固位网、D表示大连接体、E表示花纹蜡。本实施例可以将识别结果与原标准部件分割对比，可以较准确的识别出各部位区域及边界，并由此确定活动支架各部件区域。

请参见图5，图5为本申请实施例所提供的一种固位网模型生成结果示意图，图5中圆孔网的区域即固位网C所在的区域，本实施例可以根据网络识别牙位区域并自动生成固位网。对于上颌部分缺失和上颌全口两种情况，本实施例均可以自动生成固位网。

具体生成固位网模型的过程包括：经深度学习网络模型输出的牙齿缺失区域内自动生成固位网并且固位网下面的蜡区域也会自动生成。固位网下面需要后期进行冲胶，位冲胶留出的空间，蜡的作用主要就是口腔组织不直接接触金属支架，满足口腔舒适度；本实施例可以选择加载的圆孔的形状，分布排列；本实施例可以设置网孔图案孔的大小，或通过选择拖动蜡网交互箭头控制大小；本实施例可以从缓冲蜡的顶部开始设置蜡网厚度；本实施例可以设置光滑程度，较小的数值更贴合牙齿表面，进而生成固位网模型。

上述固位网模型中自动生成的蜡片实体都是根据贝塞尔曲线经法向插值后融合实体化得到，其贝塞尔曲线三次方公式为：

；

、、、四个点在平面或在三维空间中定义了三次方贝塞尔曲线；和是贝塞尔曲线的起始点和终点，和是贝塞尔曲线的控制点。是贝塞尔曲线的变量，根据的变化就能计算出点的位置。

贝塞尔曲线的插值公式为：

；

是拟合的二次曲线，，，是贝塞尔曲线经过的三个点的纵坐标；表示二次曲线的自变量。上式中、和表示基函数。

；

；

；

，，是贝塞尔曲线上三个点的横坐标。

协方差交叉融合公式为：

；

；

和是两个图像融合前的初始状态，是融合参数，表示协方差矩阵融合结果， 和是两个图像融合的前协方差矩阵。

请参见图6，图6为本申请实施例所提供的一种大连接体模型生成结果示意图，图中示出了根据网络自动识别区域生成大连接体D的位置。

请参见图7，图7为本申请实施例所提供的一种卡环模型生成结果示意图，图中示出了根据网络自动识别区域生成的卡环A的位置。在上颌和下颌两种场景中，均可以按照本实施例的方案自动生成卡环，卡环分为扁平卡环和圆形卡环。具体生成卡环模型方法：根据卡环数据库得到基牙上可设置的卡环相对位置及种类；在识别到的卡环位置生成对应的扁平卡环和圆形卡环。在卡环设计环节中，需要显示固位网垫片的厚度，以此确定支架表面的平滑度，卡环生成后每个环节都可以测量活动支架的整体厚度，点击测量按钮，鼠标移动到支架的位子可实时测量设计支架的厚度，再次点击便取消测量。

请参见图8，图8为本申请实施例所提供的一种终止线模型生成结果示意图，图中示出了终止线B所在的位置。终止线为用于固定和连接活动支架的绳索、钢丝索或其他材料，它们在搭建结构和保证安全方面起着重要作用，活动支架终止线用于安全固定活动支架结构。通过将终止线连接到支架上的固定点，可以增强支架的稳定性，防止支架在使用过程中移动或倾斜，从而提供安全的工作平台。活动支架终止线能够承受支架结构上的重力荷载。通过将重力传递到支架的固定点或结构物上，帮助支架保持稳定，并分散和承受荷载，以确保支架的结构强度和稳定性，及防止倾倒和脱离的作用。具体生成终止线模型的过程为：确定终止线生成区域；固位网与大连接体模型相接区域近中点与近远点之间，区域线段之间进行均匀采点；对点投影，连接投影结果生成终止线。

请参见图9，图9为本申请实施例所提供的一种花纹蜡模型生成结果示意图，图中示出了花纹蜡模型E所在的位置。本实施例可以在牙科支架模型上大连接体边缘少2mm区域为生成蜡纹的位置，蜡纹的区域与大连接体的区域差距比较小，四周稍留一定间距便可添加蜡纹，此目的是为了还原真实口腔环境，更适合使用。具体生成蜡纹方法为：确定生成蜡纹区域及目标纹理，设置可选择不同密度，生成更符合人体真实口腔环境。

本实施例可以对输入的初始三维牙颌模型进行模型正位、填倒凹、蜡型修整等处理；根据获取的三维牙颌模型点云数据和深度学习网络模型自动识别各区域边界特征；进行RPD（Removable Partial Dentur，可摘局部义齿）智能设计，自动生成固位网、大连接体、卡环、终止线及蜡纹等部件的模型，进而完成牙科支架模型的设计。本实施例基于深度学习算法自动识别三维牙颌模型区域，大幅度减少了现有设计软件中手工交互设计操作，可快速提高牙科支架模型的设计效率和设计精度。

本申请实施例还提供的一种牙科支架模型的生成系统，该系统可以包括：

模型获取系统，用于获取用户的口腔点云数据，并利用高斯滤波算法和基于曲率的下采样算法对所述口腔点云数据进行处理，得到初始三维牙颌模型；其中，所述高斯滤波算法的参数和所述下采样算法的参数为利用目标函数进行迭代优化得到的参数；所述目标函数用于描述原始点云数据与预处理结果的点云特征差异度，所述预处理结果为所述原始点云数据经过所述高斯滤波算法和所述下采样算法处理后的结果；

预处理模块，用于对所述初始三维牙颌模型进行正位操作，对正位操作后的初始三维牙颌模型进行修整，得到正位三维牙颌模型；

识别模块，用于将所述正位三维牙颌模型输入至深度学习网络模型中进行识别，得到牙科支架的边界信息和区域标签；

建模模块，用于根据所述边界信息和所述区域标签生成牙科支架模型。

本实施例对获取的初始三维牙颌模型进行正位操作和修整操作得到正位三维牙颌模型，利用深度学习网络模型对正位三维牙颌模型进行边界识别和区域划分，得到牙科支架的边界信息和区域标签，进而基于边界信息和区域标签生成牙科支架模型。本实施例基于深度学习网络模型自动识别三维牙颌模型对应的牙科支架的边界信息和区域标签，进而自动生成牙科支架模型，该过程无需工作人员手工交互设计，实现了牙科支架模型的自动生成，能够提高牙科支架模型的生成效率和精度。

进一步的，还包括：

参数优化模块，用于对所述高斯滤波算法和所述下采样算法的参数进行初始化；还用于选取所述原始点云数据；还用于利用所述高斯滤波算法和所述下采样算法对所述原始点云数据进行处理，得到所述预处理结果；还用于通过所述目标函数计算所述预处理结果与所述原始点云数据的点云特征差异度；其中，所述点云特征差异度用于描述法向量和曲率的差异程度；还用于判断是否达到迭代终止条件；其中，所述迭代终止条件为最近一次计算的点云特征差异度小于第一临界值或迭代次数大于第二临界值；若是，则判定所述高斯滤波算法和所述下采样算法的参数优化完毕；若否，则根据所述点云特征差异度调整所述高斯滤波算法的参数和/或所述下采样算法的参数，并进入利用所述高斯滤波算法和所述下采样算法对所述原始点云数据进行处理的步骤。

进一步的，参数优化模块通过所述目标函数计算所述预处理结果与所述原始点云数据的点云特征差异度的过程包括：将i的值设置为1；从所述预处理结果中选取第i个点作为当前的目标点；将所述原始点云数据中与所述目标点对应的点作为参考点；计算所述目标点与所述参考点的单点差异信息；其中，所述单点差异信息包括法向量差异值和曲率差值；判断所述预处理结果中的点是否均选取完毕；若是，则根据所有所述单点差异信息生成所述点云特征差异度；若否，则将i的值加1，并进入从所述预处理结果中选取第i个点作为当前的目标点的步骤。

进一步的，预处理模块对所述初始三维牙颌模型进行正位操作的过程包括：按照预设规则对所述初始三维牙颌模型的姿态进行调整，以便完成正位操作；其中，所述预设规则为所述初始三维牙颌模型的前牙舌面朝向显示屏、且所述初始三维牙颌模型的前牙闭合方向朝上，所述显示屏用于显示所述初始三维牙颌模型。

进一步的，预处理模块对正位操作后的初始三维牙颌模型进行修整的过程包括：对所述正位操作后的初始三维牙颌模型执行填倒凹操作和蜡型修整操作。

进一步的，识别模块将所述正位三维牙颌模型输入至深度学习网络模型中进行识别，得到牙科支架的边界信息和区域标签的过程包括：将所述正位三维牙颌模型输入至所述深度学习网络模型；利用所述深度学习网络模型对所述正位三维牙颌模型的点云数据进行点云采样和特征提取，并根据特征提取结果输出对应牙科支架的所述边界信息和所述区域标签。

进一步的，建模模块根据所述边界信息和所述区域标签生成牙科支架模型的过程包括：根据所述边界信息和所述区域标签确定所述正位三维牙颌模型的牙齿缺失区域，并在所述牙齿缺失区域生成固位网模型；根据所述边界信息和所述区域标签确定所述正位三维牙颌模型的大连接体区域，并在所述大连接体区域生成大连接体模型；根据所述边界信息和所述区域标签确定所述正位三维牙颌模型的卡环位置，并在所述卡环位置生成卡环模型；在所述牙齿缺失位区域与所述大连接体区域的邻接区域生成终止线模型；根据所述固位网模型、所述大连接体模型、所述卡环模型和所述终止线模型生成所述牙科支架模型。

进一步的，建模模块在所述牙齿缺失区域生成固位网模型的过程包括：在所述牙齿缺失区域中生成网状结构，设置所述网状结构的网孔形状、网孔尺寸和厚度，并将所述网状结构设置为所述固位网模型。

进一步的，模型获取系统获取用户的口腔点云数据的过程包括：

利用口内扫描仪对用户的口腔进行扫描得到所述口腔点云数据。

由于系统部分的实施例与方法部分的实施例相互对应，因此系统部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。

本申请还提供了一种存储介质，其上存有计算机程序，该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括：U盘、移动硬盘、只读存储器（Read-Only Memory ，ROM）、随机存取存储器（Random Access Memory ，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

本申请还提供了一种电子设备，可以包括存储器和处理器，所述存储器中存有计算机程序，所述处理器调用所述存储器中的计算机程序时，可以实现上述实施例所提供的步骤。当然所述电子设备还可以包括各种网络接口，电源等组件。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (12)

1.一种牙科支架模型的生成方法，其特征在于，包括：

获取用户的口腔点云数据，并利用高斯滤波算法和基于曲率的下采样算法对所述口腔点云数据进行处理，得到初始三维牙颌模型；其中，所述高斯滤波算法的参数和所述下采样算法的参数为利用目标函数进行迭代优化得到的参数；所述目标函数用于描述原始点云数据与预处理结果的点云特征差异度，所述预处理结果为所述原始点云数据经过所述高斯滤波算法和所述下采样算法处理后的结果；

对所述初始三维牙颌模型进行正位操作，对正位操作后的初始三维牙颌模型进行修整，得到正位三维牙颌模型；

将所述正位三维牙颌模型输入至深度学习网络模型中进行识别，得到牙科支架的边界信息和区域标签；

根据所述边界信息和所述区域标签生成牙科支架模型。

2.根据权利要求1所述牙科支架模型的生成方法，其特征在于，在利用高斯滤波算法和基于曲率的下采样算法对所述口腔点云数据进行处理之前，还包括：

对所述高斯滤波算法和所述下采样算法的参数进行初始化；

选取所述原始点云数据；

利用所述高斯滤波算法和所述下采样算法对所述原始点云数据进行处理，得到所述预处理结果；

通过所述目标函数计算所述预处理结果与所述原始点云数据的点云特征差异度；其中，所述点云特征差异度用于描述法向量和曲率的差异程度；

判断是否达到迭代终止条件；其中，所述迭代终止条件为最近一次计算的点云特征差异度小于第一临界值或迭代次数大于第二临界值；

若是，则判定所述高斯滤波算法和所述下采样算法的参数优化完毕；

若否，则根据所述点云特征差异度调整所述高斯滤波算法的参数和/或所述下采样算法的参数，并进入利用所述高斯滤波算法和所述下采样算法对所述原始点云数据进行处理的步骤。

3.根据权利要求2所述牙科支架模型的生成方法，其特征在于，通过所述目标函数计算所述预处理结果与所述原始点云数据的点云特征差异度，包括：

将i的值设置为1；

从所述预处理结果中选取第i个点作为当前的目标点；

将所述原始点云数据中与所述目标点对应的点作为参考点；

计算所述目标点与所述参考点的单点差异信息；其中，所述单点差异信息包括法向量差异值和曲率差值；

判断所述预处理结果中的点是否均选取完毕；

若是，则根据所有所述单点差异信息生成所述点云特征差异度；

若否，则将i的值加1，并进入从所述预处理结果中选取第i个点作为当前的目标点的步骤。

4.根据权利要求1所述牙科支架模型的生成方法，其特征在于，对所述初始三维牙颌模型进行正位操作，包括：

按照预设规则对所述初始三维牙颌模型的姿态进行调整，以便完成正位操作；

其中，所述预设规则为所述初始三维牙颌模型的前牙舌面朝向显示屏、且所述初始三维牙颌模型的前牙闭合方向朝上，所述显示屏用于显示所述初始三维牙颌模型。

5.根据权利要求1所述牙科支架模型的生成方法，其特征在于，所述对正位操作后的初始三维牙颌模型进行修整，包括：

对所述正位操作后的初始三维牙颌模型执行填倒凹操作和蜡型修整操作。

6.根据权利要求1所述牙科支架模型的生成方法，其特征在于，将所述正位三维牙颌模型输入至深度学习网络模型中进行识别，得到牙科支架的边界信息和区域标签，包括：

将所述正位三维牙颌模型输入至所述深度学习网络模型；

利用所述深度学习网络模型对所述正位三维牙颌模型的点云数据进行点云采样和特征提取，并根据特征提取结果输出对应牙科支架的所述边界信息和所述区域标签。

7.根据权利要求1所述牙科支架模型的生成方法，其特征在于，根据所述边界信息和所述区域标签生成牙科支架模型，包括：

根据所述边界信息和所述区域标签确定所述正位三维牙颌模型的牙齿缺失区域，并在所述牙齿缺失区域生成固位网模型；

根据所述边界信息和所述区域标签确定所述正位三维牙颌模型的大连接体区域，并在所述大连接体区域生成大连接体模型；

根据所述边界信息和所述区域标签确定所述正位三维牙颌模型的卡环位置，并在所述卡环位置生成卡环模型；

在所述牙齿缺失位区域与所述大连接体区域的邻接区域生成终止线模型；

根据所述固位网模型、所述大连接体模型、所述卡环模型和所述终止线模型生成所述牙科支架模型。

8.根据权利要求7所述牙科支架模型的生成方法，其特征在于，在所述牙齿缺失区域生成固位网模型，包括：

在所述牙齿缺失区域中生成网状结构，设置所述网状结构的网孔形状、网孔尺寸和厚度，并将所述网状结构设置为所述固位网模型。

9.根据权利要求1所述牙科支架模型的生成方法，其特征在于，所述获取用户的口腔点云数据，包括：

利用口内扫描仪对用户的口腔进行扫描得到所述口腔点云数据。

10.一种牙科支架模型的生成系统，其特征在于，包括：

模型获取系统，用于获取用户的口腔点云数据，并利用高斯滤波算法和基于曲率的下采样算法对所述口腔点云数据进行处理，得到初始三维牙颌模型；其中，所述高斯滤波算法的参数和所述下采样算法的参数为利用目标函数进行迭代优化得到的参数；所述目标函数用于描述原始点云数据与预处理结果的点云特征差异度，所述预处理结果为所述原始点云数据经过所述高斯滤波算法和所述下采样算法处理后的结果；

预处理模块，用于对所述初始三维牙颌模型进行正位操作，对正位操作后的初始三维牙颌模型进行修整，得到正位三维牙颌模型；

识别模块，用于将所述正位三维牙颌模型输入至深度学习网络模型中进行识别，得到牙科支架的边界信息和区域标签；

建模模块，用于根据所述边界信息和所述区域标签生成牙科支架模型。

11.一种电子设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现如权利要求1至9任一项所述牙科支架模型的生成方法的步骤。

12.一种存储介质，其特征在于，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如权利要求1至9任一项所述牙科支架模型的生成方法的步骤。