原创力文档- 1、本文档共8页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号CN109859203A
(43)申请公布日2019.06.07
(21)申请号201910125415.4G06K9/34(2006.01)
G06N3/04(2006.01)
(22)申请日2019.02.20
(71)申请人福建医科大学附属口腔医院
地址350002福建省福州市鼓楼区杨桥中
路246号
(72)发明人于皓张长源林秀娇程辉
张思慧
(74)专利代理机构福州元创专利商标代理有限
公司35100
代理人蔡学俊
(51)Int.Cl.
G06T7/00(2017.01)
G06T7/11(2017.01)
G06T7/13(2017.01)
G06T7/136(2017.01)
权利要求书2页说明书4页附图1页
(54)发明名称
基于深度学习的缺陷牙齿图像识别方法
(57)摘要
本发明涉及一种基于深度学习的缺陷牙齿
图像识别方法，首先提供的缺陷牙齿图像数据集
合采用分水岭分割算法对数据集中的图像进行
区域分割，得到区域分割后的图像；用高斯低通
滤波器滤去噪声采用canny算子提取图像边缘得
到边缘提取后的图像；分别进行图像叠加；然后，
建立深度学习的图像训练数据集，并手动对图像
的缺陷区域标记；选取cifar10Net的深度学习网
络模型，对全连接层参数微调；对牙齿图像数据
集进行迁移学习，训练并优化网络结构与参数；
最后，保存训练好的神经网络模型，输入待判别
的新图像，完成图像预处理及牙齿图像的缺陷区
域建议。本发明将深度学习理论应用于实际有效
A
3的缺陷牙齿图像识别方法具有很强的鲁棒性，能
0
2较好地运用于口腔医学图像的智能识别领域。
9
5
8
9
0
1
N
C
权利要求书
CN109859203A1/2页
1.一种基于深度学习的缺陷牙齿图像识别方法，其特征在于：包括以下步骤：
步骤S1：提供缺陷牙齿图像数据集和原始图像，采用分水岭分割算法对所述牙齿图像
数据集进行图像分割，分离出牙齿根部、牙齿冠部和背景区域，得到区域分割后的图像；
步骤S2：采用高斯低通滤波器滤去所述原始图像的噪声用以减少伪边缘的识别；并用
canny算子提取所述原始图像的边缘特征，得到边缘提取后的图像；
步骤S3：将所述原始图像与所述区域分割后的图像以及边缘提取后的图像分别叠加，
得到区域分割叠加图像和边缘提取叠加图像；保留所述原始图像细节并加强所述原始图像
的边缘与区域信息，用以增强分割区域与边缘提取特性；
步骤S4：采用matlab中的TIL对所述原始图像标识缺陷牙齿区域，用以建立用于深度学
习模型的训练数据集；
步骤S5：采用深度学习的卷积神经网络cifar10Net模型，针对所述牙齿图像，对所述深
度学习的卷积神经网络cifar10Net模型的全连接层进行网络结构微调；
步骤S6：采用网络结构微调后的深度学习的卷积神经网络cifar10Net模型对所述牙齿
图像数据集进行迁移学习，训练并优化所述深度学习的卷积神经网络cifar10Net模型结构
与参数；保存训练好的深度学习的卷积神经网络cifar10Net模型；
步骤S7：提供一待识别图像，通过Matlab载入待识别图像，对所述待识别图像执行步骤
S1到步骤S3，并利用步骤S6中所述的训练好
文档评论（0）