一种基于口腔图像的龋齿自动检测方法、系统、存储介质及设备

本发明涉及计算机视觉，尤其涉及一种基于口腔图像的龋齿自动检测方法、系统、存储介质及设备。

背景技术：

1、龋齿作为口腔疾病中最为普遍的一种，其患病率呈现上升趋势，龋齿是由于口腔内微生物菌群的改变而导致的牙齿组织的病理分解产生的，龋齿早期无明显症状因此受到人们忽视。目前检测最常见的方法是使用视觉-触觉检查。然而，临床检查是主观的并且效率不高，因此迫切需要一种能够自动且快速检测口腔中龋齿的方法。

2、目前常用的龋齿检测方法包括x射线成像、计算机扫描等，这些方法需要专业设备且过程繁琐，不便于大规模的推广。同时目前的龋齿检测方法流程较复杂，耗费时间和精力，如果去专门的牙科诊所，可能存在检测成本较高的问题。

3、深度学习(deep learning，dl)是一种机器学习技术，其核心思想是通过构建、训练和优化深层神经网络来实现对复杂数据模式的学习和提取。与传统的机器学习方法相比，深度学习具有更强大的表示学习能力和泛化能力，能够自动地从大规模数据中学习到复杂的特征表示，并实现对未知数据的准确预测和分类。深度学习模型可以直接从原始数据中提取特征，而无需手工去设计提取特征的提取器。随着计算机视觉和深度学习技术的发展，利用真实口腔图像检测龋齿成为了一种有前景的方法，口腔图像可以直接使用手机获取，利用深度学习模型对口腔图像中的龋齿存在情况进行分析和识别，可以帮助用户及早发现龋齿，培养口腔健康意识。

4、目前一些深度学习方法用来识别全景片口腔的龋齿，通过深度学习模型对口腔全景片进行预处理得到需要的口腔全景片图像，然后将口腔全景片输入经过训练的模型，分割出图像牙齿区域，然后利用检测网络来识别全景片图像中龋齿，但是研究不能对真实口腔图像进行龋齿检测，而口腔全景片需要专门设备获取。

5、可见，现有的龋齿检测方法还存在以下问题，需要专门的设备获取图像并分析，使用不便捷；对于不同尺度的图像，识别效果比较有限；模型的表达能力有限，传统机器学习方法难以捕捉图像数据中的复杂关系和特征。

技术实现思路

1、为解决现有技术所存在的技术问题，本发明提供一种基于口腔图像的龋齿自动检测方法、系统、存储介质及设备，通过构建基于改进yolov8s的网络模型yolov8s_sc，能够更好地实现口腔图像龋齿检测的功能，提高了识别的精度。

2、本发明方法采用以下技术方案来实现：一种基于口腔图像的龋齿自动检测方法，包括以下步骤：

3、s1、采集真实环境下的口腔图像，从中获取带龋齿标签的口腔图像数据集；

4、s2、对龋齿口腔图像数据集进行预处理，进行mosaic数据增强、随机平移翻转，扩大数据集的数量，并进行归一化处理；

5、s3、基于深度学习目标检测模型，构建基于改进yolov8s的网络模型yolov8s_sc；在其backbone端引入金字塔池化结构sppfcspc，对不同尺度信息进行提取；在其neck端引入ca注意力机制模块，对龋齿区域进行关注，减弱背景影响；

6、s4、将数据集样本输入到yolov8s_sc的网络模型中进行训练，通过使用回归分支和预测分支损失函数反应预测结果和真实结果的差异，得到训练后的权重文件；

7、s5、将训练后的权重模型部署到移动端app，通过调用yolov8s_sc算法利用手机检测口腔图像中的龋齿，通过使用预测的精确度，召回率，平均精度来表示网络模型的效果，利用目标框和置信度分数表示龋齿的位置和类别信息。

8、本发明系统采用以下技术方案来实现：一种基于口腔图像的龋齿自动检测系统，包括：

9、数据采集模块：通过采集真实环境下的口腔图像，从中获取带龋齿标签的口腔图像数据集；

10、数据预处理模块：通过对龋齿口腔图像数据集进行预处理，进行mosaic数据增强、随机平移翻转，扩大数据集的数量，并进行归一化处理；

11、网络模型构建模块：用于构建基于改进yolov8s的网络模型yolov8s_sc；在其backbone端引入金字塔池化结构sppfcspc，对不同尺度信息进行提取；在其neck端引入ca注意力机制模块，对龋齿区域进行关注，减弱背景影响；

12、网络模型训练模块：将数据集样本输入到yolov8s_sc的网络模型中进行训练，通过使用回归分支和预测分支损失函数反应预测结果和真实结果的差异，得到训练后的权重文件；

13、检测模块：将训练后的权重模型部署到移动端app，通过调用yolov8s_sc算法利用手机检测口腔图像中的龋齿，通过使用预测的精确度，召回率，平均精度来表示网络模型的效果，利用目标框和置信度分数表示龋齿的位置和类别信息。

14、本发明还提出存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现本发明龋齿自动检测方法的步骤。

15、本发明还提出计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现本发明龋齿自动检测方法。

16、本发明与现有技术相比，具有如下优点和有益效果：

17、1、本发明通过利用深度学习和智能手机结合，使用yolov8s作为主体框架模型，在输入端使用mosaic增强和随机翻转等图像增强方法，提高了模型的泛化能力，并丰富图像样本的多样性。

18、2、本发明通过引入sppfcspc金字塔池化结构，实现在网络的不同层级上提取特征；通过在neck端引入ca注意力机制，从大量背景区域中筛选出具有重要价值信息的目标区域；经过这些改进，使得构建的改进模型能够更好地实现口腔图像龋齿检测的功能，提高了识别的精度。

19、3、本发明通过调用深度学习算法可以利用手机的摄像头、传感器等功能，帮助个人在家中进行龋齿的检测，提高了龋齿检测的便捷性和普及性。

技术特征：

1.一种基于口腔图像的龋齿自动检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于口腔图像的龋齿自动检测方法，其特征在于，口腔图像数据集来源于roboflow公开的数据集gp-dental；数据集包含各个角度、各个部位的口腔图像。

3.根据权利要求1所述的一种基于口腔图像的龋齿自动检测方法，其特征在于，步骤s3中的金字塔池化结构sppfcspc通过对输出的特征图进行金字塔池化和通道分离，对不同的通道信息和尺度信息进行提取，其具体过程如下：

4.根据权利要求1所述的一种基于口腔图像的龋齿自动检测方法，其特征在于，步骤s3中的ca注意力机制模块具体原理如下：

5.根据权利要求1所述的一种基于口腔图像的龋齿自动检测方法，其特征在于，步骤s3中的网络模型yolov8s_sc包括input端，用于数据的输入；backbone端，用于对数据的特征进行提取；neck端，用于对提取的特征进行融合；head端，用于对网络模型预测结果的输出。

6.根据权利要求1所述的一种基于口腔图像的龋齿自动检测方法，其特征在于，步骤s5中的权重模型部署过程通过将算法封装入移动应用当中，利用chaquopy技术实现python和java的交互，实现在安卓设备上调用python算法。

7.一种基于口腔图像的龋齿自动检测系统，其特征在于，包括：

8.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1-6中任一项所述龋齿自动检测方法的步骤。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现权利要求1-6中任一项所述的龋齿自动检测方法。

技术总结
本发明为一种基于口腔图像的龋齿自动检测方法、系统、存储介质及设备，其方法包括步骤：S1、获取带龋齿标签的口腔图像数据集；S2、对龋齿口腔图像数据集进行预处理，进行mosaic数据增强、随机平移翻转，扩大数据集的数量，并进行归一化处理；S3、构建基于改进YOLOv8s的网络模型YOLOv8s_sc；在其Backbone端引入金字塔池化结构SPPFCSPC，在其Neck端引入CA注意力机制模块；S4、将数据集样本输入到YOLOv8s_sc的网络模型中进行训练，得到训练后的权重文件；S5、将训练后的权重模型部署到移动端APP，通过调用YOLOv8s_sc算法利用手机检测口腔图像中的龋齿。本发明通过构建基于改进YOLOv8s的网络模型YOLOv8s_sc，能够更好地实现口腔图像龋齿检测的功能，提高了识别的精度。

技术研发人员：胡国清,蔡盛伟,付西敏,陈佳
受保护的技术使用者：华南理工大学
技术研发日：
技术公布日：2024/8/20