CN112086198A - 一种基于深度学习技术建立年龄评估模型的系统及方法 - Google Patents

一种基于深度学习技术建立年龄评估模型的系统及方法 Download PDF

Info

Publication number
CN112086198A
CN112086198A CN202010981269.8A CN202010981269A CN112086198A CN 112086198 A CN112086198 A CN 112086198A CN 202010981269 A CN202010981269 A CN 202010981269A CN 112086198 A CN112086198 A CN 112086198A
Authority
CN
China
Prior art keywords
training
efficientnet
age
network model
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010981269.8A
Other languages
English (en)
Other versions
CN112086198B (zh
Inventor
郭昱成
韩梦琪
杜少毅
迟玉婷
龙红
张栋
吉玲玲
管丽敏
侯玉霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Stomatological Hospital Of Xi'an Jiaotong University
Xian Jiaotong University
Original Assignee
Stomatological Hospital Of Xi'an Jiaotong University
Xian Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Stomatological Hospital Of Xi'an Jiaotong University, Xian Jiaotong University filed Critical Stomatological Hospital Of Xi'an Jiaotong University
Priority to CN202010981269.8A priority Critical patent/CN112086198B/zh
Publication of CN112086198A publication Critical patent/CN112086198A/zh
Application granted granted Critical
Publication of CN112086198B publication Critical patent/CN112086198B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Theoretical Computer Science (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习技术建立年龄评估模型的系统及方法，对西北汉族人群拍摄全口曲面断层片，将曲面断层片数据集按照8:1:1的比例划分成训练集、验证集和测试集，将训练集输入到EfficientNet‑B5的网络中进行分类器的训练，最终通过分类器在测试集上的表现来建立是否年满18岁的自动化分类模型。将传统深度学习模型简化，对图像添加与输出值直接相关的标签，通过计算机算法建立输入图像与输出值关联的神经网络模型，进而实现图像的自动化评价；选择整张曲面断层片作为神经网络的输入图像，而不仅仅局限于某一区域的牙齿，提供最全面的牙齿信息供计算机探索牙齿结构与年龄之间的相关性，避免遗漏其他具有提示意义的结构新信息。

Description

一种基于深度学习技术建立年龄评估模型的系统及方法
技术领域
本发明属于深度学习技术领域，涉及一种基于深度学习技术建立年龄评估模型的系统及方法。
背景技术
18岁作为区分成年人与未成年人的重要年龄节点，是众多学者探索研究的焦点，因此有大量学者对此进行了探索研究。但是多数与年龄相关的人体发育结构在18岁之前即完成发育，这无疑增加了法医专家区分成年人与未成年人的难度。在这种情况下，第三磨牙因其18岁左右仍处于发育阶段而成为最有效的判断指标。1993年，Mincer等人发表了一项研究，他们基于Demirjian法的分期系统评价下颌第三磨牙的发育阶段以确定受试者是成年人还是未成年人。2008年，Cameriere法建立了第三磨牙成熟指数I3M以判断受试者是否达到18岁。2010年，Olze等学者在全景片观察根尖闭合的第三磨牙，发现其牙周膜间隙的可见性与年龄存在相关性，因此提出了一种新的分类方法。他们将牙周膜间隙的可见性分为4个阶段(0-3)，并认为牙周膜间隙处于第1阶段即可证明该受试者已达到18岁。2018年，GuangChu等人在文献《Thirdmolarmaturityindex(I3M)forassessingageofmajorityinnorthernChinese population》中公开了在中国北方人群中探究第三磨牙指数作为成年人与未成年人分类指标的适用性，并探索最适截断值。研究结果表明I3M＝0.10为截断值可以实现更准确的分类结果，其分类准确性为0.917。
尽管上述方法可较好的实现重要年龄节点的判断，但在应用中仍然存在一定的局限性。首先，传统分类方法的准确性受主观因素影响较大，基于Demirjian等建立的分期系统以及Olze等提出的牙周膜间隙可见性建立的分类方法，由于其指标判断具有较强的主观性，观察者之间甚至观察者自身一致性较差，容易导致预测误差的增加、分类准确率的降低，而Cameriere等建立第三磨牙成熟度指数I3M尽管受到了广泛的认可，但是该方法需对根尖孔宽度及牙齿长度进行测量，同样需要结构边界的人为判定，易产生测量误差。其次，无论是牙齿发育或牙周膜间隙可见性的分期判断，还是牙齿特征测量，均需花费较多时间、精力学习培训才能熟练掌握，不适用于临床实践。再次，传统分类方法对影像的清晰度要求较高，根尖结构不清晰同样影响测量结果的准确性。
综上所述，目前学者提出的重要年龄节点判断的方法仍存在应用的局限性，方法可重复性欠佳，判断过程较为复杂费时，并且需要人为进行牙齿结构评价或测量，主观误差较大。当前针对18岁重要年龄节点判断的相关研究相对较少，且研究样本数量仅为几千例，数量较小，存在一定的样本偏倚。
发明内容
本发明的目的在于解决现有技术中对重要年龄节点判断研究较少且准确度低的问题，提供一种基于深度学习技术建立年龄评估模型的系统及方法。
为达到上述目的，本发明采用以下技术方案予以实现：
一种基于深度学习技术建立年龄评估模型的方法，包括以下步骤：
步骤1，采集拍摄全口曲面断层片，记录每个曲面断层片样本的年龄；
步骤2，将全口曲面断层片数据集按照8:1:1的比例划分成训练集、验证集和测试集；
步骤3，通过深度学习技术得到EfficientNet-B5网络模型，并将其在ImageNet公开数据集上做预训练，将预训练的结果模型作为进行分类的EfficientNet-B5初始网络模型；
步骤4，将训练集输入到EfficientNet-B5初始网络模型中进行分类器的训练，在训练的过程中通过验证集进行逐步测试，得到EfficientNet-B5网络模型训练的分类器；
步骤5，将测试集输入到通过EfficientNet-B5网络模型训练的分类器进行结果测试，通过分类器的测试结果建立是否年满18岁的评估模型。
本发明进一步的改进在于：
所述步骤4中通过EfficientNet-B5初始网络模型进行分类器的训练方法如下：
步骤4-1，采用随机梯度下降的优化算法优化梯度下降过程，通过利用每个样本的损失函数对优化参数θ求偏导得到对应梯度来更新θ，通过每个样本迭代更新一次找到全局最优解；
步骤4-2，使用交叉熵损失函数，对小于18岁的曲面断层片样本和大于18岁的曲面断层片样本进行分类，通过使用sigmoid函数获得输出的分类结果的概率值。
所述步骤5中测试的结果通过计算准确率、灵敏性、特异性、精度、预测值和真值的平均绝对误差来评估。
将步骤3～5中的EfficientNet-B5网络模型替换为SEResNet101网络模型。
将步骤3～5中的EfficientNet-B5网络模型替换为EfficientNet-B5网络模型和SEResNet101网络模型。
一种基于深度学习技术建立年龄评估模型的系统，包括：
采集全口曲面断层片模块，用于记录每个曲面断层片样本的年龄；
划分全口曲面断层片数据库，用于形成评估模型训练所用的训练集、验证集和测试集；
EfficientNet-B5初始网络模块，用于将ImageNet公开数据集上预训练的结果模型作为进行分类的EfficientNet-B5初始网络模型；
EfficientNet-B5网络模型训练的分类模块，用于将训练集输入到预训练好的EfficientNet-B5初始网络模型中进行分类的训练，在训练的过程中通过验证集进行逐步测试，得到EfficientNet-B5网络模型训练的分类器；
年龄评估模块，用于将测试集输入到通过EfficientNet-B5网络模型训练的分类器进行结果测试，通过分类器的测试结果建立是否年满18岁的评估模型。
一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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如权利要求1-5任意一项所述方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述方法的步骤。
与现有技术相比，本发明具有以下有益效果：
本发明拍摄全口曲面断层片，将曲面断层片数据集按照8:1:1的比例划分成训练集、验证集和测试集，将训练集输入到EfficientNet-B5的网络中进行分类器的训练，最终通过分类器在测试集上的表现来建立是否年满年满18岁的自动化分类模型。将传统深度学习模型简化，去掉人为框选标记的程序，仅对图像添加与输出值直接相关的标签，通过计算机算法建立输入图像与输出值关联的神经网络模型，进而实现图像的自动化评价；选择整张曲面断层片作为神经网络的输入图像，而不仅仅局限于某一区域的牙齿，提供最全面的牙齿信息供计算机探索牙齿结构与年龄之间的相关性，避免遗漏其他具有提示意义的结构新信息。应用深度学习探索建立基于曲面断层片对18岁重要年龄节点进行自动化分类的神经网络模型，以神经网络模型模拟口腔图像与年龄之间的复杂相关关系，代替传统人为建立的线性相关关系，实现更简便、更客观、更准确的分类效果。本发明提供的模型很大程度上减少了主观误差，并简化评价流程，提高评价效率。
附图说明
为了更清楚的说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明是否年满18岁分类器的网络结构设计图；
图2为本发明的曲面断层片，其中(a)为图片旋转的曲面断层片；(b)为数据残缺的曲面断层片。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明实施例的描述中，需要说明的是，若出现术语“上”、“下”、“水平”、“内”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
此外，若出现术语“水平”，并不表示要求部件绝对水平，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
参见图1，本发明基于深度学习技术建立年龄评估模型的方法，包括以下步骤：
步骤1，采集拍摄全口曲面断层片，记录每个曲面断层片样本的年龄；
步骤2，将全口曲面断层片数据集按照8:1:1的比例划分成训练集、验证集和测试集；
步骤3，通过深度学习技术得到EfficientNet-B5网络模型，并将其在ImageNet公开数据集上做预训练，将预训练的结果模型作为进行分类的EfficientNet-B5初始网络模型；
步骤4，将训练集输入到EfficientNet-B5初始网络模型中进行分类器的训练，在训练的过程中通过验证集进行逐步测试，得到EfficientNet-B5网络模型训练的分类器；通过EfficientNet-B5初始网络模型进行分类器的训练过程如下：
步骤4-1，采用随机梯度下降的优化算法来优化梯度下降过程，通过利用每个样本的损失函数对θ求偏导得到对应梯度来更新θ，通过每个样本迭代更新一次找到全局最优解；
步骤4-2，使用交叉熵损失函数，对小于18岁的曲面断层片样本和大于18岁的曲面断层片样本进行分类，通过使用sigmoid函数获得输出的分类结果的概率值。
步骤5，将测试集输入到通过EfficientNet-B5网络模型训练的分类器进行结果测试，通过分类器的测试结果建立是否年满18岁的评估模型。测试的结果通过计算准确率、灵敏性、特异性、精度、预测值和真值的平均绝对误差来评估。
步骤3～5中的EfficientNet-B5网络模型可以替换为SEResNet101网络模型。步骤3～5中的EfficientNet-B5网络模型可以替换为EfficientNet-B5网络模型和SEResNet101网络模型。
本发明公开了一种基于深度学习技术建立年龄评估模型的系统，包括：
采集全口曲面断层片模块，用于记录每个曲面断层片样本的年龄；
划分全口曲面断层片数据库，用于形成评估模型训练所用的训练集、验证集和测试集；
EfficientNet-B5初始网络模块，用于将ImageNet公开数据集上预训练的结果模型作为进行分类的EfficientNet-B5初始网络模型；
EfficientNet-B5网络模型训练的分类模块，用于将训练集输入到预训练好的EfficientNet-B5初始网络模型中进行分类的训练，在训练的过程中通过验证集进行逐步测试，得到EfficientNet-B5网络模型训练的分类器；
年龄评估模块，用于将测试集输入到通过EfficientNet-B5网络模型训练的分类器进行结果测试，通过分类器的测试结果建立是否年满18岁的评估模型。
本发明还公开了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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上述方法的步骤。
同时本发明公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
实施例
下面以西北汉族人群为例对本发明做进一步详细描述：
基于深度学习技术建立年龄评估模型的方法：
步骤1，采用口腔影像设备对西北汉族人群拍摄全口曲面断层片，为了确保分类模型能够得到充分的训练，共拍摄有10400张曲面断层片，记录每个曲面断层片样本的年龄。图2为本发明使用的曲面断层片数据，在数据增强方式的选取中，由于曲面断层片数据中可能会存在因为前期数据导出所导致的图片旋转(如图2(a))、数据残缺(如图2(b))等问题，因此，为了扩充训练数据、同时提高模型的迁移学习能力，对训练数据进行了水平翻转、随机裁切等数据增强操作。
步骤2，将曲面断层片数据集按照8:1:1的比例划分成训练集、验证集和测试集。在8320张数据的训练集中，小于16岁的样本有4542张，小于18岁的样本有5402张。通过选取合适的数据增强方式、选择合适的训练策略以及进行模型的设计来完成年龄预测模型的训练。
步骤3，为了避免图像的尺寸和分辨率对结果造成的不良影响，首先采用通过强化学习搜索的EfficientNet-B5网络结构，其网络能够通过调整深度、宽度以及分辨率的大小来解决以上问题。并将EfficientNet-B5网络结构在ImageNet公开数据集上做预训练，将预训练的结果模型作为进行分类的EfficientNet-B5初始网络模型。
步骤4，将8320张训练集数据输入到EfficientNet-B5网络中分别进行分类器的训练，图1为基于分类网络设计的是否年满18岁分类器的网络结构设计图，为了方便理解，将EfficientNet-B5网络结构表示成了基网络。图1为本发明是否年满18岁分类器的网络结构设计图，可以看到对于输入的不同类型的样本(小于18岁的样本或大于等于18岁的样本)，通过分类网络进行特征提取和特征学习。为了优化网络的学习过程、获取更好的学习效果，在分类网络的构建部分，首先均采用随机梯度下降(SGD)的优化算法来优化梯度下降的过程，通过利用每个样本的损失函数对θ求偏导得到对应的梯度来更新θ，通过每个样本迭代更新一次，最终可以有效地找到全局最优解，改善网络学习的过程；同时，为了让模型输出的预测值更接近真实样本的标签值，通过使用交叉熵损失函数，将正样本(小于18岁的样本)和负样本(大于18岁的样本)进行分类，最终通过使用的sigmoid函数，可以获得输出的分类结果的概率值，这个概率值也反应了预测为正类的可能性：概率越大，可能性越大。
同时，为了确保分类器的训练能够保持较好的性能，将步骤2中分好的1040张验证集数据加入到训练过程中进行逐步测试，得到EfficientNet-B5网络模型训练的分类器；
步骤5，在完成两组分类器的训练后，为了证明18岁可以作为对西北人群进行年龄分类的合理指标，将1040张测试集数据分别输入到EfficientNet-B5网络训练的分类器进行测试，以此来保持两组分类器训练得到最佳的性能。通过分类器的测试结果来建立是否年满18岁的自动化年龄分类模型。
同时，为了证明结论的可靠性，同样采取了SEResNet101网络进行了分类实验，将上述方法中步骤3～5中的EfficientNet-B5网络模型替换为SEResNet101网络模型，或者将上述方法中步骤3～5中的EfficientNet-B5网络模型替换为EfficientNet-B5网络模型和SEResNet101网络模型。最终两种分类网络均可得出可靠的年龄预测值。
通过以上步骤，最终获得了以18岁为分类界限的EfficientNet-B5分类模型和SEResNet101分类模型。
表1分类模型的结果对比表
模型名称 准确率 灵敏性 特异性 精度 平均绝对误差
EfficientNet-B5 92.2％ 95.0％ 87.1％ 93.2％ 0.0777
SEResNet101 91.6％ 91.7％ 91.6％ 95.3％ 0.0836
与此同时，为了方便对结果的医学判断，在表1中从口腔医学关注的指标进行了结果分析。分类器的测试结果显示，通过使用EfficientNet-B5模型训练的分类器可以达到92.2％的准确率，MAE值达到0.0777。同时，通过使用SEResNet101模型训练的分类器可以达到91.6％的准确率，MAE值达到0.0836。这表明，通过使用本发明，18岁可以作为对西北人群进行年龄分类的合理指标。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于深度学习技术建立年龄评估模型的方法，其特征在于，包括以下步骤：
步骤1，采集拍摄全口曲面断层片，记录每个曲面断层片样本的年龄；
步骤2，将全口曲面断层片数据集按照8:1:1的比例划分成训练集、验证集和测试集；
步骤3，通过深度学习技术构建基于EfficientNet的网络模型，并将其在ImageNet公开数据集上做预训练，将预训练的结果模型作为进行分类的EfficientNet-B5初始网络模型；
步骤4，将训练集输入到EfficientNet-B5初始网络模型中进行分类器的训练，在训练的过程中通过验证集进行逐步测试，得到EfficientNet-B5网络模型训练的分类器；
步骤5，将测试集输入到通过EfficientNet-B5网络模型训练的分类器进行结果测试，通过分类器的测试结果建立是否年满18岁的评估模型。
2.根据权利要求1所述的基于深度学习技术建立年龄评估模型的方法，其特征在于，所述步骤4中通过EfficientNet-B5初始网络模型进行分类器的训练方法如下：
步骤4-1，采用随机梯度下降的优化算法优化梯度下降过程，通过利用每个样本的损失函数对优化参数θ求偏导得到对应梯度来更新θ，通过每个样本迭代更新一次找到全局最优解；
步骤4-2，使用交叉熵损失函数，对小于18岁的曲面断层片样本和大于18岁的曲面断层片样本进行分类，通过使用sigmoid函数获得输出的分类结果的概率值。
3.根据权利要求1所述的基于深度学习技术建立年龄评估模型的方法，其特征在于，所述步骤5中测试的结果通过计算准确率、灵敏性、特异性、精度、预测值和真值的平均绝对误差来评估。
4.一种基于深度学习技术建立年龄评估模型的系统，其特征在于，包括：
采集全口曲面断层片模块，用于记录每个曲面断层片样本的年龄；
划分全口曲面断层片数据库，用于形成评估模型训练所用的训练集、验证集和测试集；
EfficientNet-B5初始网络模块，用于将ImageNet公开数据集上训练的模型作为进行分类的EfficientNet-B5预训练网络模型；
EfficientNet-B5网络模型训练的分类模块，用于将训练集输入到预训练好的EfficientNet-B5初始网络模型中进行分类的训练学习，在训练的过程中通过验证集进行迭代测试与参数优化，得到EfficientNet-B5网络模型训练的分类器；
年龄评估模块，用于将测试集输入到通过EfficientNet-B5网络模型训练的分类器进行结果测试，通过分类器的测试结果评价建立是否年满18岁的评估模型的性能。
5.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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如权利要求1-3任意一项所述方法的步骤。
6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5任意一项所述方法的步骤。
CN202010981269.8A 2020-09-17 2020-09-17 一种基于深度学习技术建立年龄评估模型的系统及方法 Active CN112086198B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010981269.8A CN112086198B (zh) 2020-09-17 2020-09-17 一种基于深度学习技术建立年龄评估模型的系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010981269.8A CN112086198B (zh) 2020-09-17 2020-09-17 一种基于深度学习技术建立年龄评估模型的系统及方法

Publications (2)

Publication Number Publication Date
CN112086198A true CN112086198A (zh) 2020-12-15
CN112086198B CN112086198B (zh) 2023-09-26

Family

ID=73736547

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010981269.8A Active CN112086198B (zh) 2020-09-17 2020-09-17 一种基于深度学习技术建立年龄评估模型的系统及方法

Country Status (1)

Country Link
CN (1) CN112086198B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2023056737A (ja) * 2021-10-08 2023-04-20 朝日レントゲン工業株式会社 歯牙年齢算定装置及び歯牙年齢算定プログラム
CN118247760A (zh) * 2024-05-23 2024-06-25 广汽埃安新能源汽车股份有限公司 一种用于汽车的天气检测方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017133009A1 (zh) * 2016-02-04 2017-08-10 广州新节奏智能科技有限公司 一种基于卷积神经网络的深度图像人体关节定位方法
KR101779800B1 (ko) * 2016-09-27 2017-09-19 이재준 기계학습 기반 다면적 성장 평가 방법 및 시스템
CN107273502A (zh) * 2017-06-19 2017-10-20 重庆邮电大学 一种基于空间认知学习的图像地理标注方法
EP3252671A1 (en) * 2016-05-31 2017-12-06 Siemens Healthcare GmbH Method of training a deep neural network
CN107545245A (zh) * 2017-08-14 2018-01-05 中国科学院半导体研究所 一种年龄估计方法及设备
US20190266386A1 (en) * 2018-02-28 2019-08-29 Chanel Parfums Beaute Method for building a computer-implemented tool for assessment of qualitative features from face images
CN111553193A (zh) * 2020-04-01 2020-08-18 东南大学 一种基于轻量级深层神经网络的视觉slam闭环检测方法
CN111651762A (zh) * 2020-04-21 2020-09-11 浙江大学 一种基于卷积神经网络的pe恶意软件检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017133009A1 (zh) * 2016-02-04 2017-08-10 广州新节奏智能科技有限公司 一种基于卷积神经网络的深度图像人体关节定位方法
EP3252671A1 (en) * 2016-05-31 2017-12-06 Siemens Healthcare GmbH Method of training a deep neural network
KR101779800B1 (ko) * 2016-09-27 2017-09-19 이재준 기계학습 기반 다면적 성장 평가 방법 및 시스템
CN107273502A (zh) * 2017-06-19 2017-10-20 重庆邮电大学 一种基于空间认知学习的图像地理标注方法
CN107545245A (zh) * 2017-08-14 2018-01-05 中国科学院半导体研究所 一种年龄估计方法及设备
US20190266386A1 (en) * 2018-02-28 2019-08-29 Chanel Parfums Beaute Method for building a computer-implemented tool for assessment of qualitative features from face images
CN111553193A (zh) * 2020-04-01 2020-08-18 东南大学 一种基于轻量级深层神经网络的视觉slam闭环检测方法
CN111651762A (zh) * 2020-04-21 2020-09-11 浙江大学 一种基于卷积神经网络的pe恶意软件检测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
SULTAN ALKAABI等: "Evaluation of Convolutional Neural Network based on Dental Images for Age Estimation", 2019 INTERNATIONAL CONFERENCE ON ELECTRICAL AND COMPUTING TECHNOLOGIES AND APPLICATIONS (ICECTA) *
徐莹莹;沈红斌;: "基于模式识别的生物医学图像处理研究现状", 电子与信息学报, no. 01 *
胡婷鸿;万雷;刘太昂;汪茂文;陈腾;王亚辉;: "深度学习在图像识别及骨龄评估中的优势及应用前景", 法医学杂志, no. 06 *
胡婷鸿;火忠;刘太昂;王飞;万雷;汪茂文;陈腾;王亚辉;: "基于深度学习实现维吾尔族青少年左手腕关节骨龄自动化评估", 法医学杂志, no. 01 *
雷义洋;申玉姝;王亚辉;赵虎;: "基于主成分分析和支持向量机实现膝关节骨龄评估回归算法", 法医学杂志, no. 02 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2023056737A (ja) * 2021-10-08 2023-04-20 朝日レントゲン工業株式会社 歯牙年齢算定装置及び歯牙年齢算定プログラム
JP7414210B2 (ja) 2021-10-08 2024-01-16 朝日レントゲン工業株式会社 歯牙年齢算定装置及び歯牙年齢算定プログラム
CN118247760A (zh) * 2024-05-23 2024-06-25 广汽埃安新能源汽车股份有限公司 一种用于汽车的天气检测方法及装置

Also Published As

Publication number Publication date
CN112086198B (zh) 2023-09-26

Similar Documents

Publication Publication Date Title
CN110163261B (zh) 不平衡数据分类模型训练方法、装置、设备及存储介质
CN109086799A (zh) 一种基于改进卷积神经网络模型AlexNet的作物叶片病害识别方法
CN108475287A (zh) 用于流数据的离群值检测
CN112232407B (zh) 病理图像样本的神经网络模型训练方法、装置
CN105279397A (zh) 一种识别蛋白质相互作用网络中关键蛋白质的方法
CN112086198B (zh) 一种基于深度学习技术建立年龄评估模型的系统及方法
CN111343147B (zh) 一种基于深度学习的网络攻击检测装置及方法
CN114818579B (zh) 基于一维卷积长短期记忆网络的模拟电路故障诊断方法
CN117056734B (zh) 基于数据驱动的设备故障诊断模型的构建方法及装置
CN110543916B (zh) 一种缺失多视图数据的分类方法及系统
CN110781316A (zh) 一种融合超平面和持续时间建模的时间感知知识表示学习方法
CN114359629A (zh) 一种基于深度迁移学习的肺炎x胸片分类识别方法
CN113283524A (zh) 一种基于对抗攻击的深度神经网络近似模型分析方法
CN114445356A (zh) 基于多分辨率的全视野病理切片图像肿瘤快速定位方法
CN116030902A (zh) 一种基于图注意力采样的药物相互作用预测方法及系统
CN112163106A (zh) 二阶相似感知的图像哈希码提取模型建立方法及其应用
CN108665546A (zh) 一种结合深度学习的多点地质统计三维建模方法
CN113889274B (zh) 一种孤独症谱系障碍的风险预测模型构建方法及装置
Tasya et al. Breast Cancer Detection Using Convolutional Neural Network with EfficientNet Architecture
CN113627522B (zh) 基于关系网络的图像分类方法、装置、设备及存储介质
CN113933725B (zh) 一种基于数据驱动确定动力电池荷电状态的方法
He et al. Analysis on relevant factors affecting life expectancy
CN109934139B (zh) 一种基于群智能算法的肌肉电信号通道组合优化方法
CN108874749B (zh) 一种高考志愿录取概率模型的建立方法
CN112132310A (zh) 基于改进lstm的电力设备状态预估方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant