模型生成方法及相关装置、设备和存储介质与流程

1.本技术涉及计算机视觉技术领域，特别是涉及一种模型生成方法及相关装置、设备和存储介质。


背景技术：

2.由于日常使用、自然老化等因素，人体器官、物体器件、地面道路等均不可避免地发生缺损。以人体器官为例，由于摄糖偏多、用牙习惯等诸多原因，龋齿发生率也日益增多。
3.目前，缺损填补的操作通常较为复杂。以龋齿填补为例，一般需要经过去龋、树脂分层填充、光固化氢氧化钙间接盖髓，以及高速涡轮牙钻、牙牙刮匙、带钩镊、残根镊等多器械进行调磨、抛光等繁杂处理，才能完成龋齿填补，如此大大影响效率。有鉴于此，如何提升缺损填补的效率成为亟待解决的问题。


技术实现要素：

4.本技术提供一种模型生成方法及相关装置、设备和存储介质。
5.本技术第一方面提供了一种模型生成方法，包括：获取缺损的待处理对象在清理前采集的第一数据，并获取缺损的待处理对象在清理后采集的第二数据；基于第一数据和第二数据，生成缺损的待处理对象的待填补部分的三维模型。
6.因此，获取缺损的待处理对象在清理前采集的第一数据，并获取缺损的待处理对象在清理后采集的第二数据，从而基于第一数据和第二数据，生成缺损的待处理对象的待填补部分的三维模型，故通过缺损的待处理对象在清理前后分别采集到的第一数据和第二数据，能够建模得到缺损的待处理对象的待填补部分的三维模型，从而能够大大减少填补操作。故此，能够提升缺损填补的效率。
7.其中，获取缺损的待处理对象在清理前采集的第一数据，包括：获取各个所述待处理对象在清理前采集的图像数据；基于图像数据，确定缺损的待处理对象；将缺损的待处理对象的图像数据，作为第一数据。
8.因此，通过获取各个所述待处理对象在清理前采集的图像数据，并基于图像数据，确定缺损的待处理对象，从而将缺损的待处理对象的图像数据，作为第一数据，故通过图像识别，能够在填补全流程中大大减少待处理对象的检查操作，进而能够进一步提升效率。
9.其中，待处理对象为牙齿，缺损的待处理对象为龋齿，基于图像数据，确定缺损的待处理对象，包括：基于图像数据，分别获取各个牙齿的龋齿置信度；基于龋齿置信度，确定各个牙齿中的龋齿。
10.因此，基于图像数据，分别获取各个牙齿的龋齿置信度，并基于龋齿置信度，确定各个牙齿中的龋齿，故通过龋齿置信度确定龋齿，能够提升确定龋齿的准确性。
11.其中，图像数据包括可见光图像数据和深度图像数据，基于图像数据，分别获取各个牙齿的龋齿置信度，包括：基于可见光图像数据进行识别，分别得到各个牙齿的第一龋齿置信度；以及，基于深度图像数据进行识别，分别得到各个牙齿的第二龋齿置信度；结合第
一龋齿置信度和第二龋齿置信度，得到各个牙齿的龋齿置信度。
12.因此，图像数据包括可见光图像数据和深度图像数据，并基于可见光图像数据进行识别，分别得到各个牙齿的第一龋齿置信度，以及基于深度图像数据进行识别，分别得到各个牙齿的第二龋齿置信度，从而结合第一龋齿置信度和第二龋齿置信度，得到各个牙齿的龋齿置信度，故通过从可见光和深度两个维度进行龋齿识别，能够进一步提升确定龋齿的准确性。
13.其中，基于龋齿置信度，确定各个牙齿中的龋齿，包括：判断龋齿置信度是否高于第一阈值；在龋齿置信度大于第一阈值的情况下，确定牙齿为龋齿；在龋齿置信度不大于第一阈值且大于第二阈值的情况下，显示牙齿的图像数据，并接收基于图像数据输入的识别结果；其中，第一阈值大于第二阈值，且识别结果包括牙齿是否为龋齿。
14.因此，通过判断龋齿置信度是否高于第一阈值，并响应于牙齿的置信度高于第一阈值，确定牙齿为龋齿，从而无需用户手动确认，而在龋齿置信度不大于第一阈值且大于第二阈值的情况下，显示牙齿的图像数据，并接收基于图像数据输入的识别结果，且第一阈值大于第二阈值，识别结果包括牙齿是否为龋齿，从而在无法直接确认的情况下，通过与用户简单交互确认是否龋齿，故此能够大大节省确认是否为龋齿的操作流程，并提升确认是否为龋齿的准确性，即能够同时提升确认龋齿的效率和精度。
15.其中，待处理对象为牙齿，缺损的待处理对象为龋齿，模型生成方法还包括：将未确定为龋齿的牙齿的图像数据，保存至牙齿所属对象的牙齿档案。
16.因此，将未确定为龋齿的牙齿的图像数据，保存至牙齿所属对象的牙齿档案，有利于提升后续复诊的便利性。
17.其中，在基于第一数据和第二数据，生成缺损的待处理对象的待填补部分的三维模型之后，方法还包括：响应于待填补部分已填补完毕，获取龋齿在填补完毕后采集的第三数据，并保存第三数据至龋齿所属对象的牙齿档案。
18.因此，在生成三维模型之后，响应于待填补部分已填补完毕，获取龋齿在填补完毕后采集的第三数据，并保存第三数据至龋齿所属对象的牙齿档案，故有利于提升后续复诊的便利性。
19.本技术第二方面提供了一种模型生成装置，包括：数据获取模块和模型生成模块，数据获取模块，用于获取缺损的待处理对象在清理前采集的第一数据，并获取缺损的待处理对象在清理后采集的第二数据；模型生成模块，用于基于第一数据和第二数据，生成缺损的待处理对象的待填补部分的三维模型。
20.本技术第三方面提供了一种模型生成设备，包括相互耦接的存储器和处理器，处理器用于执行存储器中存储的程序指令，以实现上述第一方面中的模型生成测方法。
21.因此，能够建模得到缺损的待处理对象的待填补部分的三维模型，从而能够大大减少缺损填补操作。故此，能够提升缺损填补的效率。
22.其中，模型生成设备还包括图像采集器件，图像采集器件耦接至处理器，且图像采集器件用于采集待处理对象的图像数据。
23.其中，图像采集器件包括可见光相机和深度相机。
24.其中，模型生成设备还包括三维打印器件，三维打印器件耦接至处理器，且三维打印器件用于基于缺损的待处理对象的待填补部分的三维模型进行打印。
25.本技术第四方面提供了一种计算机可读存储介质，其上存储有程序指令，程序指令被处理器执行时实现上述第一方面中的模型生成方法。
26.上述方案，获取缺损的待处理对象在清理前采集的第一数据，并获取缺损的待处理对象在清理后采集的第二数据，从而基于第一数据和第二数据，生成缺损的待处理对象的待填补部分的三维模型，故通过缺损的待处理对象在清理前后分别采集到的第一数据和第二数据，能够建模得到缺损的待处理对象的待填补部分的三维模型，从而能够大大减少缺损填补操作。故此，能够提升缺损填补的效率和体验。
附图说明
27.图1是本技术模型生成方法一实施例的流程示意图；
28.图2是确定各个牙齿中的龋齿一实施例的流程示意图；
29.图3是本技术模型生成方法另一实施例的流程示意图；
30.图4是本技术模型生成装置一实施例的框架示意图；
31.图5是本技术模型生成设备一实施例的框架示意图；
32.图6是本技术计算机可读存储介质一实施例的框架示意图。
具体实施方式
33.下面结合说明书附图，对本技术实施例的方案进行详细说明。
34.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本技术。
35.本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。
36.请参阅图1，图1是本技术模型生成方法一实施例的流程示意图。
37.具体而言，可以包括如下步骤：
38.步骤s11：获取缺损的待处理对象在清理前采集的第一数据，并获取缺损的待处理对象在清理后采集的第二数据。
39.本公开实施例中，待处理对象可以根据具体应用场景进行设置。以待处理对象是路面为例，缺损的待处理对象即表征存在诸如坑洼、开裂等情况的路面；或者，以待处理对象是器皿为例，缺损的待处理对象即表征存在缺口、裂痕等情况的器皿；或者，以待处理对象是牙齿为例，缺损的待处理对象即表征存在蛀洞、缺口等情况的牙齿，本技术公开实施例中将此统称为龋齿。其他场景可以以此类推，在此不再一一举例。
40.在一个实施场景中，以待处理对象是牙齿为例，对龋齿的清理操作可以包括但不限于清除坏死部分等，在此不做限定。坏死部分的具体含义，可以参阅龋齿的医学技术，在此不再赘述。
41.在一个实施场景中，为了在清理之前确定出缺损的待处理对象，可以先获取各个所述待处理对象在清理前采集的图像数据，并基于图像数据，确定缺损的待处理对象，从而将缺损的待处理对象的图像数据，作为上述第一数据。上述方式，通过获取各个所述待处理
对象在清理前采集的图像数据，并基于图像数据，确定缺损的待处理对象，从而将缺损的待处理对象的图像数据，作为第一数据，故通过图像识别，能够在填补全流程中大大减少待处理对象的检查操作，进而能够进一步提升效率。
42.在一个具体的实施场景中，以待处理对象是牙齿为例，可以获取牙齿在清理前采集的图像数据，再基于图像数据，确定各个牙齿中龋齿，以及将龋齿的图像数据，作为上述第一数据；或者，以器皿修补场景为例，可以获取器皿在清理前的图像数据(如，器皿的外表面的图像数据、器皿内表面的图像数据等)，再基于图像数据，确定缺损的器皿，以及将缺损的器皿的图像数据，作为上述第一数据。其他情况可以以此类推，在此不再一一举例。
43.在一个具体的实施场景中，图像数据可以包括可见光图像数据，例如，rgb图像数据、灰度图像数据等，在此不做限定。仍以待处理对象是牙齿为例，在得到可见光图像数据的基础上，即可基于可见光图像数据进行识别，确定各个牙齿中的龋齿。
44.例如，为了提升识别效率，可以预先训练一个龋齿识别模型，龋齿识别模型可以包括但不限于卷积神经网络等，在此对龋齿识别模型的网络结构不做限定。在此基础上，可以利用龋齿识别模型对可见光图像数据进行识别，得到龋齿识别结果，且龋齿识别结果包括各个牙齿分别是否为龋齿。具体而言，可以预先采集若干样本可见光图像，且样本可见光图像标注有各个牙齿的样本标记，样本标记表示牙齿实际是否为龋齿(如，可以采用样本标记1表示牙齿为龋齿，采用样本标记0表示牙齿不是龋齿)。基于此，可以利用龋齿识别模型对样本可见光图像进行识别，得到牙齿的预测标记，预测标记表示牙齿经预测是否为龋齿，从而可以基于样本标记与预测标记之间的差异，调整龋齿识别模型的网络参数。需要说明的是，差异的具体度量方式，可以参阅诸如交叉熵损失等损失函数，而参数的具体调整方式可以参阅诸如梯度下降等优化方式，在此不再赘述。
45.或者，区别于前述通过龋齿识别模型对可见光图像进行龋齿识别的方式，也可以利用传统图像处理方式对可见光图像进行处理，以确定各个牙齿中的龋齿。具体而言，可以先利用边缘算子对可见光图像数据进行处理，得到各个牙齿的边缘。进一步地，可以对牙齿的边缘所形成的牙齿区域采用诸如分水岭算法等进行处理，若处理之后，牙齿区域中存在线条(或者，线条较粗、线条较多)，则表明牙齿表面存在较为明显的线条，由此可以认为该牙齿为龋齿，反之，若处理之后，牙齿区域中不存在线条(或者，线条较细、线条较少)，则表明牙齿表面不存在较为明显的线条，由此可以认为该牙齿并非龋齿。
46.在一个具体的实施场景中，为了弥补通过可见光图像进行龋齿识别时可能存在误将吸烟等因素导致牙齿表面识别出线条的不足，图像数据也可以包括深度图像数据，例如，可以采用3d结构光相机、3d tof(time of fly，飞行时间)、超声波扫描器件等对牙齿进行图像采集，得到深度图像数据。在此基础上，即可基于深度图像数据进行识别，确定各个牙齿中的龋齿。例如，若基于深度图像数据进行识别，发现牙齿外形较为完整，则可以认为牙齿并非龋齿，反之，若基于深度图像数据进行识别，发现牙齿存在孔洞，则可以认为牙齿为龋齿。
47.在一个具体的实施场景中，仍以待处理对象是牙齿为例，可以基于图像数据，分别获取各个牙齿的龋齿置信度，基于此可以基于龋齿置信度，确定各个牙齿中的龋齿。需要说明的是，龋齿置信度越高，牙齿为龋齿的可能性越大，反之，龋齿置信度越低，牙齿为龋齿的可能性越低。龋齿置信度的具体计算过程，以及基于龋齿置信度确定龋齿的方式，可以参阅
下述公开实施例，在此暂不赘述。上述方式，基于图像数据，分别获取各个牙齿的龋齿置信度，并基于龋齿置信度，确定各个牙齿中的龋齿，故通过置信度确定龋齿，能够提升确定龋齿的准确性。
48.在一个实施场景中，仍以待处理对象是牙齿为例，在确定各个牙齿中的龋齿之后，可以将未确定为龋齿的牙齿的图像数据，保存至牙齿所属对象的牙齿档案。例如，牙齿档案中可以存有按照采集时间归档的图像数据。上述方式，将未确定为龋齿的牙齿的图像数据，保存至牙齿所属对象的牙齿档案，有利于提升后续复诊的便利性。
49.在一个实施场景中，在确定各个牙齿中的龋齿，并获取龋齿的第一数据之后，可以响应于对龋齿清理完毕，进一步对清理后的龋齿进行采集，得到第二数据。需要说明的是，第二数据可以包括深度图像数据，也可以同时包括可见光图像数据和深度图像数据，在此不做限定。
50.步骤s12：基于第一数据和第二数据，生成缺损的待处理对象的待填补部分的三维模型。
51.在一个实施场景中，如前所述，第一数据可以包括深度图像数据，且第二数据也可以包括深度图像数据。以待处理对象是牙齿为例，为了便于区分，可以将龋齿清理之前的深度图像数据称之为第一深度图像，并将龋齿清理之后的深度图像数据称之为第二深度图像。具体而言，可以获取第一深度图像中龋齿与其他牙齿的相邻(如，啮合)部分的第一局部图像，并基于第二深度图像，获取龋齿空洞部分的第二局部图像。在此基础上，可以融合第一局部图像和第二局部图像，得到融合局部图像。为了提升三维模型的可用性，还可以进一步对融合局部图像进行微调，并基于微调后的融合局部图像，得到待填补部分的三维模型。需要说明的是，上述微调可以包括但不限于去除融合局部图像中的离群点等，在此不做限定。
52.在另一个实施场景中，仍以待处理对象是牙齿为例，如前所述，可以将龋齿清理之前第一数据中的深度图像数据称之为第一深度图像，并将龋齿清理之后第二数据中深度图像数据称之为第二深度图像。为了提升模型生成效率，可以预先训练一个生成模型，生成模型可以包括但不限于卷积神经网络等，在此对生成模型的网络结构不做限定。基于此，可以基于生成模型对第一深度图像和第二深度图像进行处理，得到待填补部分的三维模型。具体而言，可以基于历史补牙数据，获取样本图像对，且样本图像对包括龋齿清理之前的第一样本深度图像和龋齿清理之后的第二样本深度图像。此外，可以获取龋齿待填补部分的样本三维模型。例如，可以通过医生手动勾勒，得到样本三维模型；或者，也可以获取历史补牙数据中龋齿填补完毕后的第三样本深度图像与第二样本深度图像之间的差异，得到样本三维模型，在此不做限定。进一步地，可以利用生成模对第一样本深度图像和第二样本深度图像进行处理，得到龋齿待填补部分的预测三维模型，并基于样本三维模型和预测三维模型之间的差异，调整生成模型的网络参数。需要说明的是，差异的具体度量方式可以参阅诸如dice loss等损失函数，参数的具体调整过程可以参阅诸如梯度下降等优化方式，在此不再赘述。
53.在一个实施场景中，在生成待填补部分的三维模型之后，可以基于该三维模型进行打印，得到三维打印产物，并基于该三维打印产物完成缺损的待处理对象的待填补部位的填补。以待处理对象是牙齿为例，在此之后，可以响应于待填补部位已填补完成，获取龋
齿在填补完毕后采集的第三数据，并保存第三数据至龋齿所属对象的牙齿档案。需要说明的是，现有方式在填补之前，往往需要医生先目测是否存在龋齿，若存在则需要医生对龋齿进行清理(如，清除坏死部分)，之后医生需要手动填充材料在清除蛀牙位置，并反复进行修正，再进行固化处理，然后再反复打磨修正，整个填补过程费时费力，且体验较差。与之不同的是，在基于三维模型得到三维打印产物之后，可以直接将该三维打印产物移植到龋齿上，再进行固化处理即可，而无需反复修正，可以大大简化整个填补过程，且大大减少填补过程中的不适感，并大大减少填补后牙齿的异物感。此外，也能够减轻医生和医疗机构的诊疗压力。
54.上述方案，获取缺损的待处理对象在清理前采集的第一数据，并获取缺损的待处理对象在清理后采集的第二数据，从而基于第一数据和第二数据，生成缺损的待处理对象的待填补部分的三维模型，故通过缺损的待处理对象在清理前后分别采集到的第一数据和第二数据，能够建模得到缺损的待处理对象的待填补部分的三维模型，从而能够大大减少缺损填补操作。故此，能够提升缺损填补的效率。
55.请参阅图2，图2是确定各个牙齿中的龋齿一实施例的流程示意图。具体而言，图2是以待处理对象是牙齿为例确定龋齿的流程示意图。具体地，本公开实施例可以包括如下步骤：
56.步骤s21：基于图像数据，分别获取各个牙齿的龋齿置信度。
57.在一个实施场景中，如前所述，图像数据可以包括可见光图像数据，则可以基于可见光图像数据进行识别，得到各个牙齿的龋齿置信度。示例性地，可以基于龋齿识别模型对可见光图像进行识别，得到牙齿的龋齿置信度。与前述公开实施例中龋齿识别模型不同的是，在训练过程中，样本标记可以表示牙齿为龋齿的实际置信度(如，样本标记为0表示实际置信度为0％，样本标记为1表示实际置信度为100％)，则可以利用龋齿识别模型对样本可见光图像进行识别，得到牙齿的预测标记，且预测标记可以表示牙齿为龋齿的预测置信度。在此基础上，可以基于样本标记和预测标记之间的差异，调整龋齿识别模型的网络参数。关于龋齿识别模型的相关介绍，可以参阅前述公开实施例中相关描述，在此不再赘述。
58.在另一个实施场景中，如前所述，图像数据可以包括深度图像数据，则可以基于深度图像数据进行识别，得到各个牙齿分别的龋齿置信度。示例性地，深度图像数据中孔洞越明显，置信度越大；或者，为了提升基于深度图像数据识别得到龋齿置信度的准确性，也可以参照前述利用龋齿识别模型对可见光图像数据进行识别的过程，可以预先利用标注有样本标记的样本深度图像数据训练得到龋齿识别模型，且该龋齿识别模型可以对深度图像数据进行识别，具体训练过程可以参阅前述相关描述，在此不再赘述。
59.在又一个实施场景中，为了提升置信度的准确性，图像数据可以包括可见光图像数据和深度图像数据，则可以基于可见光图像数据进行识别，分别得到各个牙齿的第一龋齿置信度，并基于深度图像数据进行识别，分别得到各个牙齿的第二龋齿置信度，以及结合第一龋齿置信度和第二龋齿置信度，得到各个牙齿的龋齿置信度。需要说明的是，第一龋齿置信度和第二龋齿置信度的获取过程，可以参阅前述相关描述，在此不再赘述。此外，对于各个牙齿而言，可以将其第一龋齿置信度和第二龋齿置信度进行加权处理，得到其龋齿置信度。例如，在对深度图像数据的参考依赖较大的情况下，可以将第二龋齿置信度的权重设置为大于第一龋齿置信度的权重；或者，在对可见光图像数据的参考依赖较大的情况下，可
以将第一龋齿置信度的权重设置为大于第二龋齿置信度的权重；或者，在对可见光图像数据和深度图像数据等同参考的情况下，可以将第一龋齿置信度的权重设置为等于第二龋齿置信度的权重，在此不做限定。上述方式，图像数据包括可见光图像数据和深度图像数据，并基于可见光图像数据进行识别，分别得到各个牙齿的第一龋齿置信度，以及基于深度图像数据进行识别，分别得到各个牙齿的第二龋齿置信度，从而结合第一龋齿置信度和第二龋齿置信度，得到各个牙齿的龋齿置信度，故通过从可见光和深度两个维度进行龋齿识别，能够进一步提升确定龋齿的准确性。
60.步骤s22：基于龋齿置信度，确定各个牙齿中的龋齿。
61.在一个实施场景中，可以预先设置第一阈值和第二阈值，且第一阈值高于第二阈值。例如，第一阈值可以设置为90％，第二阈值可以设置为70％；或者，第一阈值可以设置为95％，第二阈值可以设置为80％，在此不做限定。基于此，可以先判断龋齿置信度是否高于第一阈值。进一步地，可以在龋齿置信度大于第一阈值的情况下，直接确定牙齿为龋齿，而在龋齿置信度不大于第一阈值且大于第二阈值，可以显示牙齿的图像数据，并接收(如，牙科医生)基于图像数据输入的识别结果，且识别结果包括牙齿是否为龋齿。上述方式，通过判断龋齿置信度是否高于第一阈值，并在龋齿置信度高于第一阈值的情况下，确定牙齿为龋齿，从而无需用户手动确认，而在龋齿置信度不大于第一阈值且大于第二阈值的情况下，显示牙齿的图像数据，并接收基于图像数据输入的识别结果，且第一阈值大于第二阈值，识别结果包括牙齿是否为龋齿，从而在无法直接确认的情况下，通过与用户简单交互确认是否龋齿，故此能够大大节省确认是否为龋齿的操作流程，并提升确认是否为龋齿的准确性，即能够同时提升确认龋齿的效率和精度。
62.在一个具体的实施场景中，在显示图像数据的同时，还可以显示确认提示，确认提示可以包括但不限于牙齿的龋齿置信度。例如，确认提示可以为“经识别牙齿的龋齿置信度为77％，请确认是否为龋齿”，在此不做限定。则响应于用户选择“是”，可以确定识别结果包括牙齿为龋齿，或者，响应于用户选择“否”，可以确定识别结果包括牙齿并非龋齿。
63.在一个具体的实施场景中，还可以响应于牙齿的龋齿置信度不大于第二阈值，直接确定牙齿并非龋齿。也就是说，在牙齿的龋齿置信度较高(即高于第一阈值)的情况下，可以直接确定牙齿为龋齿，而在牙齿的龋齿置信度较低(即低于第二阈值)的情况下，可以直接确定牙齿并非龋齿，仅有在牙齿的龋齿置信度适中(即在第一阈值和第二阈值之间)的情况下，无法直接确定牙齿是否为龋齿，需要用户辅助确认，从而能够大大节省确认龋齿所需的时间，进一步提升整体效率。
64.上述方案，基于图像数据，分别获取各个牙齿的龋齿置信度，并基于龋齿置信度，确定各个牙齿中的龋齿，故通过龋齿置信度确定龋齿，能够提升确定龋齿的准确性。
65.请参阅图3，图3是本技术模型生成方法另一实施例的流程示意图。具体而言，可以包括如下步骤：
66.步骤s31：获取各个待处理对象在清理前采集的图像数据。
67.具体可以参阅前述公开实施例中相关描述，在此不再赘述。
68.步骤s32：基于图像数据，分别获取各个待处理对象的缺损置信度。
69.需要说明的是，获取缺损置信度的具体过程，可以参阅前述公开实施例中获取龋齿置信度的具体步骤，例如，可以基于可见光图像数据进行识别，分别得到各个待处理对象
的第一缺损置信度，并基于深度图像数据进行识别，分别得到各个待处理对象的第二缺损置信度，结合第一缺损置信度和第二缺损置信度，即可分别得到各个待处理对象的缺损置信度。具体可以参阅前述公开实施例中相关描述，在此不再赘述。
70.步骤s33：基于缺损置信度，确定各个待处理对象是否缺损，若否，执行步骤s34，若是执行步骤s35。
71.需要说明的是，基于缺损置信度，确定各个待处理对象是否缺损的具体过程，可以参阅前述公开实施例中，基于龋齿置信度，确定各个牙齿是否为龋齿的具体步骤，例如，在缺损置信度大于第一阈值的情况下，可以直接确定待处理对象缺损，而在缺损置信度不大于第一阈值且大于第二阈值的情况下，可以显示待处理对象的图像数据，并接收基于图像数据输入的识别结果，且第一阈值大于第二阈值，识别结果包括待处理对象是否缺损。具体可以参阅前述公开实施例中相关描述，在此不再赘述。
72.步骤s34：将确定未缺损的待处理对象的图像数据，保存至待处理对象的对象档案。
73.如前述公开实施例所述，以待处理对象是牙齿为例，若牙齿未确定为龋齿，则可以将其图像数据保存至该牙齿所属对象的牙齿档案，具体可以参阅前述公开实施例中相关描述，在此不再赘述。
74.步骤s35：将缺损的待处理对象的图像数据，作为第一数据。
75.具体可以参阅前述公开实施例中相关描述，在此不再赘述。
76.步骤s36：获取缺损的待处理对象在清理后采集的第二数据。
77.具体可以参阅前述公开实施例中相关描述，在此不再赘述。
78.步骤s37：基于第一数据和第二数据，生成缺损的待处理对象的待填补部分的三维模型。
79.具体可以参阅前述公开实施例中相关描述，在此不再赘述。此外，以待处理对象是牙齿为例，在生成三维模型之后，可以基于三维模型进行三维打印，得到三维打印产物，从而可以将该三维打印产物移植到龋齿，并进行诸如光固化处理等，进而完成对待填补部位的填补操作。
80.步骤s38：响应于待填补部分已填补完毕，获取缺损的待处理对象在填补完毕后采集的第三数据，并保存第三数据至缺损的待处理对象的对象档案。
81.如前述公开实施例所述，以待处理对象是牙齿为例，龋齿在填补完毕之后，可以采集其第三数据，并将第三数据保存至龋齿所属对象的牙齿档案。具体可以参阅前述公开实施例中相关描述，在此不再赘述。
82.上述方案，能够大大减少缺损填补操作。故此，能够提升缺损填补的效率。
83.请参阅图4，图4是本技术模型生成装置40一实施例的框架示意图。模型生成装置40包括：数据获取模块41和模型生成模块42，数据获取模块41，用于获取缺损的待处理对象在清理前采集的第一数据，并获取缺损的待处理对象在清理后采集的第二数据；模型生成模块42，用于基于第一数据和第二数据，生成缺损的待处理对象的待填补部分的三维模型。
84.上述方案，获取缺损的待处理对象在清理前采集的第一数据，并获取缺损的待处理对象在清理后采集的第二数据，从而基于第一数据和第二数据，生成缺损的待处理对象的填补部分的三维模型，故通过缺损的待处理对象在清理前后分别采集到的第一数据和第
二数据，能够建模得到缺损的待处理对象的待填补部分的三维模型，从而能够大大减少缺损填补操作。故此，能够提升缺损填补的效率。
85.在一些公开实施例中，数据获取模块41包括图像数据获取子模块，用于获取各个所述待处理对象在清理前采集的图像数据；数据获取模块41包括缺损确定子模块，用于基于图像数据，确定缺损的待处理对象；数据获取模块41包括第一数据获取子模块，用于将缺损的待处理对象的图像数据，作为第一数据。
86.因此，通过获取各个所述待处理对象在清理前采集的图像数据，并基于图像数据，确定缺损的待处理对象，从而将缺损的待处理对象的图像数据，作为第一数据，故通过图像识别，能够在填补全流程中大大减少缺损检查操作，进而能够进一步提升效率。
87.在一些公开实施例中，待处理对象是牙齿，缺损的待处理对象是龋齿，缺损确定子模块包括度量单元，用于基于图像数据，分别获取各个牙齿的龋齿置信度；龋齿确定子模块包括确定单元，用于基于龋齿置信度，确定各个牙齿中的龋齿。
88.因此，基于图像数据，分别获取各个牙齿的龋齿置信度，并基于龋齿置信度，确定各个牙齿中的龋齿，故通过置信度确定龋齿，能够提升确定龋齿的准确性。
89.在一些公开实施例中，度量单元包括第一度量子单元，用于基于可见光图像数据进行识别，分别得到各个牙齿的第一龋齿置信度；度量单元包括第二度量单元，用于基于深度图像数据进行识别，分别得到各个牙齿的第二龋齿置信度；度量单元包括结合子单元，用于结合第一龋齿置信度和第二龋齿置信度，得到各个牙齿的龋齿置信度。
90.因此，图像数据包括可见光图像数据和深度图像数据，并基于可见光图像数据进行识别，分别得到各个牙齿的第一龋齿置信度，以及基于深度图像数据进行识别，分别得到各个牙齿的第二龋齿置信度，从而结合第一龋齿置信度和第二龋齿置信度，得到各个牙齿的龋齿置信度，故通过从可见光和深度两个维度进行龋齿识别，能够进一步提升确定龋齿的准确性。
91.在一些公开实施例中，确定单元包括判断子单元，用于判断龋齿置信度是否高于第一阈值；确定单元包括第一响应单元，用于在龋齿置信度大于第一阈值的情况下，确定牙齿为龋齿；确定单元包括第二响应单元，用于在龋齿置信度不大于第一阈值且大于第二阈值的情况下，显示牙齿的图像数据，并接收基于图像数据输入的识别结果；其中，第一阈值大于第二阈值，且识别结果包括牙齿是否为龋齿。
92.因此，通过判断龋齿置信度是否高于第一阈值，并在龋齿置信度高于第一阈值的情况下，确定牙齿为龋齿，从而无需用户手动确认，而在龋齿置信度不大于第一阈值且大于第二阈值的情况下，显示牙齿的图像数据，并接收基于图像数据输入的识别结果，且第一阈值大于第二阈值，识别结果包括牙齿是否为龋齿，从而在无法直接确认的情况下，通过与用户简单交互确认是否龋齿，故此能够大大节省确认是否为龋齿的操作流程，并提升确认是否为龋齿的准确性，即能够同时提升确认龋齿的效率和精度。
93.在一些公开实施例中，待处理对象是牙齿，缺损的待处理对象是龋齿，模型生成装置40包括数据存档模块，用于将未确定为龋齿的牙齿的图像数据，保存至牙齿所属对象的牙齿档案。
94.因此，将未确定为龋齿的牙齿的图像数据，保存至牙齿所属对象的牙齿档案，有利于提升后续复诊的便利性。
95.在一些公开实施例中，数据存档模块还用于响应于待填补部分已填补完毕，获取龋齿在填补完毕后采集的第三数据，并保存第三数据至龋齿所属对象的牙齿档案。
96.因此，在生成三维模型之后，响应于待填补部分已填补完毕，获取龋齿在填补完毕后采集的第三数据，并保存第三数据至龋齿所属对象的牙齿档案，故有利于提升后续复诊的便利性。
97.请参阅图5，图5是本技术模型生成设备50一实施例的框架示意图。模型生成设备50包括相互耦接的存储器51和处理器52，处理器52用于执行存储器51中存储的程序指令，以实现上述任一模型生成方法实施例的步骤，具体可以参阅前述公开实施例，在此不再赘述。
98.具体而言，处理器52用于控制其自身以及存储器51以实现上述任一模型生成方法实施例的步骤。处理器52还可以称为cpu(central processing unit，中央处理单元)。处理器52可能是一种集成电路芯片，具有信号的处理能力。处理器52还可以是通用处理器、数字信号处理器(digital signal processor,dsp)、专用集成电路(application specific integrated circuit,asic)、现场可编程门阵列(field-programmable gate array,fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器52可以由集成电路芯片共同实现。
99.在一个实施场景中，请继续结合参阅图5，模型生成设备50还包括图像采集器件53，图像采集器件53耦接至处理器52，且图像采集器件53用于采集待处理对象的图像数据。具体而言，图像采集器件53可以包括可见光相机531和深度相机532，可见光相机531可以采集可见光图像数据，而深度相机532可以采集深度图像数据。深度相机532具体可以包括但不限于：3d结构光相机、3d tof(time of fly，飞行时间)、超声波扫描器件等，在此不做限定。
100.在一个实施场景中，模型生成设备50还包括三维打印器件54，三维打印器件54耦接至处理器52，且三维打印器件54用于基于缺损的待处理对象的待填补部分的三维模型进行打印。
101.在一个实施场景中，模型生成设备50还包括人机交互电路(未图示)，人机交互电路可以包括但不限于：显示电路(如，显示屏等)、输入电路(如，键盘等)，在此不做限定；或者，模型生成设备50还包括通信电路(未图示)，通信电路可以包括但不限于：usb(universal serial bus，通用串行总线)接口、hdmi(high definition multimedia interface，高清晰度多媒体接口)等，在此不做限定，以通过通信电路与外围设备(如，显示器、键盘等)通信连接。
102.上述方案，能够大大减少缺损填补操作。故此，能够提升缺损填补的效率。
103.请参阅图6，图6为本技术计算机可读存储介质60一实施例的框架示意图。计算机可读存储介质60存储有能够被处理器运行的程序指令601，程序指令601用于实现上述任一模型生成方法实施例的步骤。
104.上述方案，能够大大减少缺损填补操作。故此，能够提升缺损填补的效率。
105.在本技术所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划
分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
106.作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
107.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
108.集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本技术各个实施方式方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
109.若本技术技术方案涉及个人信息，应用本技术技术方案的产品在处理个人信息前，已明确告知个人信息处理规则，并取得个人自主同意。若本技术技术方案涉及敏感个人信息，应用本技术技术方案的产品在处理敏感个人信息前，已取得个人单独同意，并且同时满足“明示同意”的要求。例如，在摄像头等个人信息采集装置处，设置明确显著的标识告知已进入个人信息采集范围，将会对个人信息进行采集，若个人自愿进入采集范围即视为同意对其个人信息进行采集；或者在个人信息处理的装置上，利用明显的标识/信息告知个人信息处理规则的情况下，通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权；其中，个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式以及处理的个人信息种类等信息。