【技术实现步骤摘要】
基于神经网络通过人脸照片识别骨面型的方法及系统
[0001]本专利技术涉及智能识别
,尤其涉及基于神经网络通过人脸照片识别骨面型的方法及系统
。
技术介绍
[0002]社会进步推动着对审美轮廓的追求,越来越多的患者寻求正颌或正畸治疗,希望在整体面部美感上得到改善,这突显了对面部整体美的综合认知的重要性
。
各种研究广泛探讨了面部吸引力的排名,提出了诸如黄金比例和面部三分之一等比例的标准,对称性或平均性等
。
然而,上述使用空间关系提出的测量方法主要是基于经验证据开发的,引入了相当大的主观偏见
。
此外,作为美感感知中至关重要的因素,如面部体积和连接曲线等软组织特征,并没有被几何比例充分考虑在内
。
因此,迫切需要制定更综合的策略来评估面部美感
。
[0003]从治疗的角度来看,正畸治疗所涉及的主要审美问题围绕着矢状面骨骼差异
。
上颌或下颌的相对缺陷或过度生长可能会破坏面部平衡,导致不和谐
。
虽然个人对美的认知可能各异,但相对和谐的上颌下颌关系,如骨性
I
类,通常被认为比
II
类或
III
类更令人愉悦
。
因此,治疗
II
类或
III
类患者的一个共同目标是尽量减少他们与
I
类的差异,或减弱强调他们不和谐特征的影响
。
然而,正如上述所述,面部吸引力取决于 ...
【技术保护点】
【技术特征摘要】
1.
基于神经网络通过人脸照片识别骨面型的方法,其特征在于:包括以下步骤:
S1、
构建样本集:所述样本集分为
I、II、III
三类矢状骨骼类型,每例样本均包括正面
、45
度侧面和
90
度侧面的人脸照片;
S2、
构建并训练
Shuffle
‑
Attention
模型,
Shuffle
‑
Attention
模型用于基于软组织人脸照片判别骨性分类;
Shuffle
‑
Attention
模型采用轻量级的
ShuffleNet
作为骨干,具体包括三个输入层
、
三个独立的特征提取器
、
一个用于集成的特征融合层
、
用于注意机制的
SE
模块以及一个分类器,三个输入层分别与三个独立特征提取器连接,三个独立特征提取器均与特征融合层连接,特征融合层连接
SE
模块,
SE
模块连接池化层及全连接层,最后输入分类器;将每例样本的正面
、45
度侧面和
90
度侧面分别输入所述三个输入层进行模型训练,获得训练好的
Shuffle
‑
Attention
模型
。2.
根据权利要求1所述的基于神经网络通过人脸照片识别骨面型的方法,其特征在于:所述
S1
包括以下步骤:收集数据:收集患者的正面
、45
度侧面和
90
度侧面的人脸照片,以及头影测量放射图像;根据患者的头颅侧位放射片测量
ANB
值;根据
ANB
值标记对应样本的矢状骨骼类型
。3.
根据权利要求2所述的基于神经网络通过人脸照片识别骨面型的方法,其特征在于:所述患者没有先天畸形
、
感染
、
创伤和肿瘤病史;同时,具有明显骨骼畸形且需要手术的患者被排除在外
。4.
根据权利要求2或3所述的基于神经网络通过人脸照片识别骨面型的方法,其特征在于:测量
ANB
值时,首先采用自动头影测量标记功能来标记侧面头影图像,然后由至少两名经过培训的正畸医生进行手动检查和修正标记;1°
≤ANB≤5
°
被分为
I
类,
ANB>5
°
被分为
I I
类,
ANB<1
°
被分为
III
类;在分类...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。