骨检测方法、装置、电子设备及存储介质制造方法及图纸

本申请提供了一种骨检测方法、装置、电子设备及存储介质，所述方法包括：获取目标骨的视觉检测数据，所述目标骨的视觉检测数据是视觉检测设备检测所述目标骨得到的，所述目标骨的视觉检测数据包括所述目标骨的2D检测数据以及所述目标骨的3D检测数据和/或射线检测数据；根据所述目标骨的2D检测数据，获取所述目标骨的2D纹理信息；根据所述目标骨的3D检测数据和/或射线检测数据，获取所述目标骨的3D轮廓信息；根据所述目标骨的2D纹理信息和3D轮廓信息，检测所述目标骨是否是人骨。该骨检测方法利用了计算机视觉技术，实现了非接触式检测，相比传统的人骨鉴定方法效率更高，且无需人工鉴别，智能化水平高。

【技术实现步骤摘要】
骨检测方法、装置、电子设备及存储介质
本申请涉及计算机视觉
，尤其涉及骨检测方法、装置、电子设备及计算机可读存储介质。
技术介绍
传统的人骨鉴定方法主要包括形态学检验、组织学检验和生物学检验等技术手段，需要法医使用显微镜、化学试剂等进行鉴别，操作复杂，且鉴定周期较长。
技术实现思路
本申请的目的在于提供骨检测方法、装置、电子设备及计算机可读存储介质，利用了计算机视觉技术，实现了非接触式检测，相比传统的人骨鉴定方法效率更高，且无需人工鉴别，智能化水平高。本申请的目的采用以下技术方案实现：第一方面，本申请提供了一种骨检测方法，所述方法包括：获取目标骨的视觉检测数据，所述目标骨的视觉检测数据是视觉检测设备检测所述目标骨得到的，所述目标骨的视觉检测数据包括所述目标骨的2D检测数据以及所述目标骨的3D检测数据和/或射线检测数据；根据所述目标骨的2D检测数据，获取所述目标骨的2D纹理信息；根据所述目标骨的3D检测数据和/或射线检测数据，获取所述目标骨的3D轮廓信息；根据所述目标骨的2D纹理信息和3D轮廓信息，检测所述目标骨是否是人骨。该技术方案的有益效果在于，可以利用视觉检测设备获取目标骨的视觉检测数据，根据视觉检测数据可以获取目标骨的2D纹理信息和3D轮廓信息，从而可以判断目标骨是否为人骨，该骨检测方法利用了计算机视觉技术，实现了非接触式检测，相比传统的人骨鉴定方法效率更高，且无需人工鉴别，智能化水平高。在一些可选的实施例中，所述根据所述目标骨的2D纹理信息和3D轮廓信息，检测所述目标骨是否是人骨，包括：获取多个骨样本的2D纹理信息、3D轮廓信息和生物类型标注数据，每个骨样本的生物类型标注数据包括所述骨样本的生物类型标识，所述骨样本的生物类型标识用于指示所述骨样本是否是人骨；根据所述多个骨样本的2D纹理信息、3D轮廓信息和生物类型标注数据，利用深度学习模型进行训练，得到生物分类模型；将所述目标骨的2D纹理信息和3D轮廓信息输入所述生物分类模型，确定所述目标骨是人骨或者不是人骨。该技术方案的有益效果在于，可以根据多个骨样本的2D纹理信息、3D轮廓信息和生物类型标注数据，利用深度学习模型进行训练，得到生物分类模型，一方面，通过向生物分类模型输入目标骨的2D纹理信息和3D轮廓信息，可以判断目标骨是否为人骨，检测效率较高；另一方面，生物分类模型可以由大量的样本数据训练而成，可以识别多种2D纹理信息和3D轮廓信息，适用范围广，智能化水平高。在一些可选的实施例中，所述方法还包括：当所述目标骨是人骨时，根据所述目标骨的2D纹理信息，获取所述目标骨的密度；所述根据所述目标骨的2D纹理信息，获取所述目标骨的密度，包括：获取第一组人骨样本的2D纹理信息和密度标注数据，每个人骨样本的密度标注数据包括所述人骨样本的密度；根据所述第一组人骨样本的2D纹理信息和密度标注数据，利用深度学习模型进行训练，得到密度分类模型；将所述目标骨的2D纹理信息输入所述密度分类模型，估计出所述目标骨的密度。该技术方案的有益效果在于，当目标骨是人骨时，可以根据第一组人骨样本的2D纹理信息和密度标注数据，利用深度学习模型进行训练，得到密度分类模型，一方面，通过向密度分类模型输入目标骨的2D纹理信息，可以估计出所述目标骨的密度，自动化程度高；另一方面，密度分类模型可以由大量的样本数据训练而成，可以识别多种2D纹理信息，适用范围广，智能化水平高。在一些可选的实施例中，所述方法还包括：根据所述目标骨的密度，估计出所述目标骨对应的人的年龄。该技术方案的有益效果在于，可以根据目标骨的密度估计出对应的人的年龄，相比传统的骨龄检测方式效率更高。在一些可选的实施例中，所述方法还包括：当所述目标骨是人骨时，根据所述目标骨的3D轮廓信息，获取所述目标骨的部位信息；所述根据所述目标骨的3D轮廓信息，获取所述目标骨的部位信息，包括：获取第二组人骨样本的3D轮廓信息和部位标注数据，每个人骨样本的部位标注数据包括所述人骨样本的部位信息；根据所述第二组人骨样本的3D轮廓信息和部位标注数据，利用深度学习模型进行训练，得到部位分类模型；将所述目标骨的3D轮廓信息输入所述部位分类模型，得到所述目标骨的部位信息。该技术方案的有益效果在于，当目标骨是人骨时，可以根据第二组人骨样本的3D轮廓信息和部位标注数据，利用深度学习模型进行训练，得到部位分类模型，一方面，通过向部位分类模型输入目标骨的3D轮廓信息，可以得到目标骨的部位信息，自动化程度高；另一方面，部位分类模型可以由大量的样本数据训练而成，可以识别多种3D轮廓信息，适用范围广，智能化水平高。在一些可选的实施例中，所述部位信息包括部位类型和/或相对位置信息。该技术方案的有益效果在于，通过向部位分类模型输入目标骨的3D轮廓信息，可以得到目标骨的部位类型和/或相对位置信息，当目标骨为断骨时，可以获取该断骨的部位类型以及该断骨相对于该部位骨头的位置。在一些可选的实施例中，所述方法还包括：当所述目标骨是人骨时，根据所述目标骨的3D轮廓信息，获取所述目标骨的损伤信息；所述根据所述目标骨的3D轮廓信息，获取所述目标骨的损伤信息，包括：获取第三组人骨样本的3D轮廓信息和损伤标注数据，每个人骨样本的损伤标注数据包括所述人骨样本的损伤信息；根据所述第三组人骨样本的3D轮廓信息和损伤标注数据，利用深度学习模型进行训练，得到损伤分类模型；将所述目标骨的3D轮廓信息输入所述损伤分类模型，得到所述目标骨的损伤信息。该技术方案的有益效果在于，当目标骨是人骨时，可以根据第三组人骨样本的3D轮廓信息和损伤标注数据，利用深度学习模型进行训练，得到损伤分类模型，一方面，通过向损伤分类模型输入目标骨的3D轮廓信息，可以得到目标骨的损伤信息，自动化程度高；另一方面，损伤分类模型可以由大量的样本数据训练而成，可以识别多种3D轮廓信息，适用范围广，智能化水平高。在一些可选的实施例中，所述损伤信息包括以下至少一种：损伤类型、损伤次数和损伤程度。该技术方案的有益效果在于，损伤分类模型可以识别多种类型的损伤信息，适用范围广。第二方面，本申请提供了一种骨检测装置，所述装置包括：视觉获取模块，用于获取目标骨的视觉检测数据，所述目标骨的视觉检测数据是视觉检测设备检测所述目标骨得到的，所述目标骨的视觉检测数据包括所述目标骨的2D检测数据以及所述目标骨的3D检测数据和/或射线检测数据；2D获取模块，用于根据所述目标骨的2D检测数据，获取所述目标骨的2D纹理信息；3D获取模块，用于根据所述目标骨的3D检测数据和/或射线检测数据，获取所述目标骨的3D轮廓信息；人骨检测模块，用于根据所述目标骨的2D纹理信息和3D轮廓信息，检测所述目标骨是否是人骨。在一些可选的实施例中，所述人骨检测模块包括：骨样本单元，用于获取多个骨样本的2D纹理信息、3D轮廓信息和生物类型标注数据，每个骨样本的生物类型标注数据包括所述骨样本的生物类型标识，所述骨样本的生物类型标识用于指示所述骨样本是否是人骨；生物模型单元，用于根据所述多个骨样本的2D纹理信息、3D轮廓信息和生物类本文档来自技高网...

【技术保护点】
1.一种骨检测方法，其特征在于，所述方法包括：/n获取目标骨的视觉检测数据，所述目标骨的视觉检测数据是视觉检测设备检测所述目标骨得到的，所述目标骨的视觉检测数据包括所述目标骨的2D检测数据以及所述目标骨的3D检测数据和/或射线检测数据；/n根据所述目标骨的2D检测数据，获取所述目标骨的2D纹理信息；/n根据所述目标骨的3D检测数据和/或射线检测数据，获取所述目标骨的3D轮廓信息；/n根据所述目标骨的2D纹理信息和3D轮廓信息，检测所述目标骨是否是人骨。/n

【技术特征摘要】
1.一种骨检测方法，其特征在于，所述方法包括：
获取目标骨的视觉检测数据，所述目标骨的视觉检测数据是视觉检测设备检测所述目标骨得到的，所述目标骨的视觉检测数据包括所述目标骨的2D检测数据以及所述目标骨的3D检测数据和/或射线检测数据；
根据所述目标骨的2D检测数据，获取所述目标骨的2D纹理信息；
根据所述目标骨的3D检测数据和/或射线检测数据，获取所述目标骨的3D轮廓信息；
根据所述目标骨的2D纹理信息和3D轮廓信息，检测所述目标骨是否是人骨。


2.根据权利要求1所述的骨检测方法，其特征在于，所述根据所述目标骨的2D纹理信息和3D轮廓信息，检测所述目标骨是否是人骨，包括：
获取多个骨样本的2D纹理信息、3D轮廓信息和生物类型标注数据，每个骨样本的生物类型标注数据包括所述骨样本的生物类型标识，所述骨样本的生物类型标识用于指示所述骨样本是否是人骨；
根据所述多个骨样本的2D纹理信息、3D轮廓信息和生物类型标注数据，利用深度学习模型进行训练，得到生物分类模型；
将所述目标骨的2D纹理信息和3D轮廓信息输入所述生物分类模型，确定所述目标骨是人骨或者不是人骨。


3.根据权利要求1所述的骨检测方法，其特征在于，所述方法还包括：
当所述目标骨是人骨时，根据所述目标骨的2D纹理信息，获取所述目标骨的密度；
所述根据所述目标骨的2D纹理信息，获取所述目标骨的密度，包括：
获取第一组人骨样本的2D纹理信息和密度标注数据，每个人骨样本的密度标注数据包括所述人骨样本的密度；
根据所述第一组人骨样本的2D纹理信息和密度标注数据，利用深度学习模型进行训练，得到密度分类模型；
将所述目标骨的2D纹理信息输入所述密度分类模型，估计出所述目标骨的密度。


4.根据权利要求3所述的骨检测方法，其特征在于，所述方法还包括：
根据所述目标骨的密度，估计出所述目标骨对应的人的年龄。


5.根据权利要求1所述的骨检测方法，其特征在于，所述方法还包括：
当所述目标骨是人骨时，根据所述目标骨的3D轮廓信息，获取所述目标骨的部位信息；
所述根据所述目标骨的3D轮廓信息，获取所述目标骨的部位信息，包括：
获取第二组人骨样本的3D轮廓信息和部位标注数据，每个人骨样本的部位标注数据包括所述人骨样本的部位信息；
根据所述第二组人骨样本的3D轮廓信息和部位标注数据，利用深度学习模型进行训练，得到部位分类模型；
将所述目标骨的3D轮廓信息输入所述部位分类模型，得到所述目标骨的部位信息。


6.根据权利要求5所述的骨检测方法，其特征在于，所述部位信息包括部位类型和/或相对位置信息。


7.根据权利要求1所述的骨检测方法，其特征在于，所述方法还包括：
当所述目标骨是人骨时，根据所述目标骨的3D轮廓信息，获取所述目标骨的损伤信息；
所述根据所述目标骨的3D轮廓信息，获取所述目标骨的损伤信息，包括：
获取第三组人骨样本的3D轮廓信息和损伤标注数据，每个人骨样本的损伤标注数据包括所述人骨样本的损伤信息；
根据所述第三组人骨样本的3D轮廓信息和损伤标注数据，利用深度学习模型进行训练，得到损伤分类模型；
将所述目标骨的3D轮廓信息输入所述损伤分类模型，得到所述目标骨的损伤信息。


8.根据权利要求7所述的骨检测方法，其特征在于，所述损伤信息包括以下至少一种：损伤类型、损伤次数和损伤程度。


9.一种骨检测装置，其特征在于，所述装置包括：
视觉获取模块，用于获取目标骨的视觉检测数据，所述目标骨的视觉检测数据是视觉检测设备检测所述目标骨得到的，所述目标骨的视觉检测数据包括所述目标骨的2D检测数据以及所述目标骨的3D检测数据和/或射线检测数据；...

【专利技术属性】
技术研发人员：陈海波，李宗剑，
申请(专利权)人：深兰人工智能芯片研究院江苏有限公司，
类型：发明
国别省市：江苏;32