CN112785552A - 质量估计方法、装置、电子设备及存储介质 - Google Patents

质量估计方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112785552A
CN112785552A CN202011613162.4A CN202011613162A CN112785552A CN 112785552 A CN112785552 A CN 112785552A CN 202011613162 A CN202011613162 A CN 202011613162A CN 112785552 A CN112785552 A CN 112785552A
Authority
CN
China
Prior art keywords
image map
density
module
internal structure
volume data
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.)
Pending
Application number
CN202011613162.4A
Other languages
English (en)
Inventor
陈海波
李宗剑
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.)
Shenlan Intelligent Technology (Shanghai) Co.,Ltd.
Original Assignee
DeepBlue AI Chips Research Institute Jiangsu Co Ltd
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 DeepBlue AI Chips Research Institute Jiangsu Co Ltd filed Critical DeepBlue AI Chips Research Institute Jiangsu Co Ltd
Priority to CN202011613162.4A priority Critical patent/CN112785552A/zh
Publication of CN112785552A publication Critical patent/CN112785552A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本申请提供了一种质量估计方法、装置、电子设备及存储介质，该方法包括对对象物进行断层扫描，以获得所述对象物的多层影像图；基于预先建立的数据检索库，检索所述多层影像图，以获得与所述多层影像图对应的所述对象物的内部结构的材质以及与所述材质对应的密度；基于所述多层影像图，获得所述对象物的所述内部结构的体积数据；以及利用所述密度和所述体积数据，估计所述对象物的质量，从而不仅能够确定对象物是否为空心或是否具有多种材质，并且能够以高准确度实现对象物的质量估计，尤其是多材质对象物和空心对象物的质量估计。

Description

质量估计方法、装置、电子设备及存储介质
技术领域
本申请涉及计算机技术和工业检测技术领域，尤其涉及质量估计方法、装置、设备及计算机可读存储介质。
背景技术
工业计算机断层扫描技术作为当今工业中的一项重要技术而被广泛应用于各大领域，并且随着技术的发展，工业计算机断层扫描技术被应用于越来越多的领域，以满足不断提升的市场需求。
发明内容
现有的质量估计方法无法实现高准确度的多材质物体或者空心的对象物的材质识别和质量估计，有鉴于此而提出了本申请，并且本申请的目的在于提供一种质量估计方法、装置、电子设备及计算机可读存储介质，其利用前文所述的工业CT(电子计算机断层扫描)技术对对象物进行断层扫描，获得对象物的内部结构的材质、密度以及体积数据，从而不仅能够确定对象物是否为空心或是否具有多种材质，并且能够以高准确度实现对象物的质量估计，尤其是多材质对象物和空心对象物的质量估计。
本申请的目的采用以下技术方案实现：
第一方面，本申请提供了一种质量估计方法，所述方法包括：对对象物进行断层扫描，以获得所述对象物的多层影像图；基于预先建立的数据检索库，检索所述多层影像图，以获得与所述多层影像图对应的所述对象物的内部结构的材质以及与所述材质对应的密度；基于所述多层影像图，获得所述对象物的所述内部结构的体积数据；以及利用所述密度和所述体积数据，估计所述对象物的质量。
该技术方案的有益效果在于，能够以高准确度实现对象物的质量估计。
在一些可选的实施例中，利用电子计算机断层扫描获得所述多层影像图。预先建立存储有所述影像图、所述材质和所述密度的对应关系的所述数据检索库，用于根据所述影像图检索对应的材质和密度。所述影像图是位数为N的灰度图，并且所述数据检索库能够检索出的材质的种类数为2N，其中，N是8以上的正整数。
该技术方案的有益效果在于，能够以高准确度实现多材质对象物的质量估计。并且，增加了影像图的位数，从而能够检索出更多种类的材质，能够进一步以高准确度实现多材质对象物的质量估计。
在一些可选的实施例中，利用深度学习模型针对所述多层影像图预测判定所述材质和所述密度。
该技术方案的有益效果在于，能够提高对多层影像图的识别精度，从而实现高准确度的材质和密度的识别，进而实现高准确度的对象物的质量估计。
在一些可选的实施例中，利用所述多层影像图的断层扫描参数得到所述体积数据。所述断层扫描参数包括断层间距、图像对象物尺寸和图像分辨率。
当所述多层影像图的灰度为特定值时，判定所述对象物的内部结构为空心，并且检索出空心部位所对应的密度为0。
该技术方案的有益效果在于，能够判定对象物内部是否为空心结构，从而进一步能够计算内部空心的对象物的质量，提高了内部空心的对象物的质量估计的准确度。
第二方面，本申请提供了一种质量估计装置，所述装置包括：断层扫描模块，用于对对象物进行断层扫描，以获得所述对象物的多层影像图；检索模块，用于基于预先建立的数据检索库，检索所述多层影像图，以获得与所述多层影像图对应的所述对象物的内部结构的材质以及与所述材质对应的密度；体积数据获取模块，用于基于所述多层影像图，获得所述对象物的所述内部结构的体积数据；以及质量估计模块，用于利用所述密度和所述体积数据，估计所述对象物的质量。
该技术方案的有益效果在于，能够以高准确度实现对象物的质量估计。
在一些可选的实施例中，所述断层扫描模块利用电子计算机断层扫描获得所述多层影像图。数据检索库建立模块，用于预先建立存储有所述影像图、所述材质和所述密度的对应关系的所述数据检索库，用于根据所述影像图检索对应的材质和密度。所述影像图是位数为N的灰度图，并且所述数据检索库能够检索出的材质的种类数为2N，其中，N是8以上的正整数。
该技术方案的有益效果在于，能够以高准确度实现多材质对象物的质量估计。并且，增加了影像图的位数，从而能够检索出更多种类的材质，能够进一步以高准确度实现多材质对象物的质量估计。
在一些可选的实施例中，所述检索模块包括：深度学习单元，用于利用深度学习模型针对所述多层影像图预测判定所述材质和所述密度。
该技术方案的有益效果在于，能够提高对多层影像图的识别精度，从而实现高准确度的材质和密度的识别，进而实现高准确度的对象物的质量估计。
在一些可选的实施例中，所述体积数据获取模块利用所述多层影像图的断层扫描参数得到所述体积数据。所述断层扫描参数包括断层间距、图像对象物尺寸和图像分辨率。
所述装置还包括：空心判定模块，用于当所述多层影像图的灰度为特定值时，判定所述对象物的内部结构为空心，并且检索出空心部位所对应的密度为0。
该技术方案的有益效果在于，能够判定对象物内部是否为空心结构，从而进一步能够计算内部空心的对象物的质量，提高了内部空心的对象物的质量估计的准确度。
第三方面，本申请提供了一种电子设备，所述电子设备包括存储器、处理器以及用于执行任务的硬件模组，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项方法的步骤。
第四方面，本申请提供了一种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一项方法的步骤。
附图说明
下面结合附图和实施例对本申请进一步说明。
图1是本申请实施例提供的一种质量估计方法的流程示意图；
图2是本申请实施例提供的一种质量估计方法的流程示意图；
图3是本申请实施例提供的一种质量估计方法的流程示意图；
图4是本申请实施例提供的一种质量估计方法的流程示意图；
图5是本申请实施例提供的一种质量估计装置的结构示意图；
图6是本申请实施例提供的一种质量估计装置的结构示意图；
图7是本申请实施例提供的一种质量估计装置的结构示意图；
图8是本申请实施例提供的一种质量估计装置的结构示意图；
图9是本申请实施例提供的一种电子设备的结构示意图；以及
图10是本申请实施例提供的一种用于实现质量估计方法的程序产品的结构示意图。
具体实施方式
下面，结合附图以及具体实施方式，对本申请做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
参见图1，本申请实施例提供了一种质量估计方法，所述方法包括步骤S10 1～S104。其中，步骤S101：断层扫描步骤，对对象物进行断层扫描，以获得所述对象物的多层影像图；步骤S102：检索步骤，基于预先建立的数据检索库，检索所述多层影像图，以获得与所述多层影像图对应的所述对象物的内部结构的材质以及与所述材质对应的密度；步骤S103：体积数据获取步骤，基于所述多层影像图，获得所述对象物的所述内部结构的体积数据；以及步骤S104：质量估计步骤，利用所述密度和所述体积数据，估计所述对象物的质量。
下文将参考具体实施例方式，描述上述各个步骤。
[实施例1]
如图2所示，作为本申请的一个实施方式，本申请的质量估计方法除了上述步骤S101-S104外，还包括数据检索库建立步骤S201，下文将详细描述各个步骤。
步骤S201：数据检索库建立步骤
预先建立存储有影像图、材质和密度的对应关系数据检索库，用于根据获得影像图检索对应的材质和密度。
具体地，在CT技术中，由于具有不同的材质和密度的对象物对X光的吸收率不同，因此不同材质所对应的影像图具有不同的灰度。基于此，能够建立影像图与对应材质的对照数据检索库，进一步地，不同材质具有相应的密度，因此能够建立影像图、材质和密度的对应关系数据检索库。
通常影像图为8位的灰度图，因此，在一种材质对应一种X光吸收率的情况下，数据检索库能够检索出的材质的种类数为28，即，256种。
优选地，为了增加能够检索出的材质的种类数，以提高数据检索能力，可以对影像图进行位数扩增，例如采用N位影像图，其中，N是大于8的正整数，则可以检索出的材质的种类数为2N。
步骤S101：断层扫描步骤
对对象物进行断层扫描，以获得所述对象物的多层影像图。
具体地，利用电子计算机断层扫描(CT)进行断层扫描，以获得多层CT 影像图。
步骤S102：检索步骤
基于预先建立的数据检索库，检索多层影像图，以获得与多层影像图对应的对象物的内部结构的材质以及与材质对应的密度。
具体地，基于在步骤S201中预先建立的数据检索库，检索步骤S101中获得的多层CT影像图，以获得与多层CT影像图对应的对象物的内部结构的材质以及与材质对应的密度。
例如，在对象物是内部有水的瓶子的情况下，能够根据瓶子的多层CT影像图在数据检索库中检索到，对象物的内部结构的材质分别为塑料和水，并且检索到塑料和水的密度分别为ρ1和ρ2。
步骤S103：体积数据获取步骤
基于多层影像图，获得所述对象物的内部结构的体积数据。
具体地，基于多层CT影像图的断层扫描参数而获得对象物的内部结构的体积数据，以获得内部结构中的各材质的体积分布。
上述断层扫描参数包括例如断层间距、图像物体尺度、图像分辨率等。
例如，基于前文的瓶子的多层CT影像图的断层扫描参数，可以分别获得内部结构中包含的材质，即塑料和水的体积数据，例如，可以得到塑料的体积为V 1，水的体积为V2。
步骤S104：质量估计步骤
利用密度和体积数据，估计对象物的质量。
具体地，可以利用内部结构中包含的各材质的密度以及对应的各材质的体积数据，分别获得各材质的各自的质量，然后，将上述各材质的质量相加，以获得对象物的总体质量。
例如，利用前文所述的塑料和水的密度分别为ρ1和ρ2以及塑料和水的体积 V1和V2，来计算对象物的质量。瓶子的质量M等于塑料的质量M1和水的质量M2之和。
即，M＝M1+M2＝ρ1×V1+ρ2×V2。
以上对于内部装有水的瓶子的质量估计过程的计算仅为一个实例，而不意在对本申请的质量估计进行限制，例如，还可以采用其它质量算法(例如，取密度平均值等)进行计算。
根据本申请的上述实施例，能够以高准确度实现多材质的对象物的质量估计。并且，增加了影像图的位数，从而能够检索出更多种类的材质，能够进一步以高准确度实现多材质对象物的质量估计。
[实施例2]
在具体实施中，参见图3，所述步骤S102可以包括步骤S301。
本实施例中包括与实施例1的区别之处仅在于上述步骤S301，因此，本实施例与实施例1相同的部分(S101、S103和S104)将不再赘述。
步骤S301：深度学习步骤
利用深度学习模型针对多层影像图预测判定材质和密度。
具体地，利用例如现有的深度学习模型对多层CT影像图预测判定材质和密度。
由此，能够提高对多层影像图的识别精度，从而实现高准确度的材质和密度的识别，进而实现高准确度的对象物的质量估计。
[实施例3]
参见图4所示，本实施例与实施例1的区别之处仅在于本实施例的质量估计方法还包括空心判定步骤S401。下文将仅描述上述区别之处，并且对于与实施例1相同的部分将不再赘述。
步骤S401：空心判定步骤
当多层影像图的灰度为特定值时，判定对象物的内部结构为空心，并且检索出该内部结构的空心部位所对应的密度为0。
具体地，在预先建立的数据检索库中，空心(即，空气)所对应的影像图的灰度为某一特定值，并且将该材质(空气)所对应的密度设定为0。当在步骤S 101中获得的内部结构的多层CT影像图中，发现包含具有该特定值的灰度的影像图时，则可以判定对象物的内部结构为空心结构，并且该空心部位的密度为0。进而，在进行质量估计时，将空心部位的质量计算为0。
此外，上述步骤S401不限于对空心的判定，还可以判定例如对象物内部是否含有某种特定物质，当多层CT影像图中，发现包含具有该特定物质所对应的灰度的影像图时，即可以判定对象物内部包含该特殊物质。例如，可以判定瓶子内部是否有水、铁球内部是否有空气等。
由此，能够利用上述实施例判定对象物内部是否为空心结构，从而进一步能够计算内部空心的对象物的质量，提高了内部空心的对象物的质量估计的准确度。
以上详细描述了本申请的质量估计方法的各个实施例，根据本发明的质量估计方法，利用前文所述的工业CT(电子计算机断层扫描)技术对对象物进行断层扫描，获得对象物的内部结构的材质、密度以及体积数据，从而不仅能够确定对象物是否为空心或是否具有多种材质，并且能够以高准确度实现对象物的质量估计，尤其是多材质对象物和空心对象物的质量估计。
参见图5，本申请实施例还提供了一种质量估计装置，其具体实现方式与上述方法的实施例中记载的实施方式、所达到的技术效果一致，部分内容不再赘述。
所述装置包括：断层扫描模块101，用于对对象物进行断层扫描，以获得所述对象物的多层影像图；检索模块102，用于基于预先建立的数据检索库，检索所述多层影像图，以获得与所述多层影像图对应的所述对象物的内部结构的材质以及与所述材质对应的密度；体积数据获取模块103，用于基于所述多层影像图，获得所述对象物的所述内部结构的体积数据；以及质量估计模块104，用于利用所述密度和所述体积数据，估计所述对象物的质量。
下文将参考具体实施例方式，描述上述各个模块。
[实施例4]
如图6所示，作为本申请的一个实施方式，本申请的质量估计装置除了上述模块101-104外，还包括数据检索库建立模块201，下文将详细描述各个模块
201：数据检索库建立模块
数据检索库建立模块201用于预先建立存储有影像图、材质和密度的对应关系数据检索库，用于根据获得所述影像图检索对应的材质和密度。
具体地，在CT技术中，由于具有不同的材质和密度的对象物对X光的吸收率不同，因此不同材质所对应的影像图具有不同的灰度。基于此，数据检索库建立模块201能够建立影像图与对应材质的对照数据检索库，进一步地，不同材质具有相应的密度，因此数据检索库建立模块201能够建立影像图、材质和密度的对应关系数据检索库。
通常影像图为8位的灰度图，因此，在一种材质对应一种X光吸收率的情况下，数据检索库能够检索出的材质的种类数为28，即，256种。
优选地，为了增加能够检索出的材质的种类数，以提高数据检索能力，数据检索库建立模块201可以对影像图进行位数扩增，例如采用N位影像图，其中， N是大于8的正整数，则可以检索出的材质的种类数为2N。
101：断层扫描模块
断层扫描模块101用于对对象物进行断层扫描，以获得所述对象物的多层影像图。
具体地，断层扫描模块101利用电子计算机断层扫描(CT)进行断层扫描，以获得多层CT影像图。
102：检索模块
检索模块102用于基于预先建立的数据检索库，检索多层影像图，以获得与多层影像图对应的对象物的内部结构的材质以及与材质对应的密度。
具体地，检索模块102用于基于数据检索库建立模块201预先建立的数据检索库，断层扫描模块101获得的多层CT影像图，以获得与多层CT影像图对应的对象物的内部结构的材质以及与材质对应的密度。
例如，在对象物是内部有水的瓶子的情况下，检索模块102能够根据瓶子的多层CT影像图在数据检索库中检索到，对象物的内部结构的材质分别为塑料和水，并且检索到塑料和水的密度分别为ρ1和ρ2。
103：体积数据获取模块
体积数据获取模块103用于基于多层影像图，获得所述对象物的内部结构的体积数据。
具体地，体积数据获取模块103基于多层CT影像图的断层扫描参数而获得对象物的内部结构的体积数据，以获得内部结构中的各材质的体积分布。
上述断层扫描参数包括例如断层间距、图像物体尺度、图像分辨率等。
例如，体积数据获取模块103可以基于前文的瓶子的多层CT影像图的断层扫描参数，可以分别获得内部结构中包含的材质，即塑料和水的体积数据，例如，可以得到塑料的体积为V1，水的体积为V2。
104：质量估计模块
质量估计模块104用于利用密度和体积数据，估计对象物的质量。
具体地，质量估计模块104可以利用内部结构中包含的各材质的密度以及对应的各材质的体积数据，分别获得各材质的各自的质量，然后，将上述各材质的质量相加，以获得对象物的总体质量。
例如，质量估计模块104可以利用前文所述的塑料和水的密度分别为ρ1和ρ2以及塑料和水的体积V1和V2，来计算对象物的质量。瓶子的质量M等于塑料的质量M1和水的质量M2之和。
即，M＝M1+M2＝ρ1×V1+ρ2×V2。
以上质量估计模块104对于内部装有水的瓶子的质量估计过程的计算仅为一个实例，而不意在对本申请的质量估计进行限制，例如，还可以采用其它质量算法(例如，取密度平均值等)进行计算。
根据本申请的上述实施例，增加了影像图的位数，从而能够检索出更多种类的材质，能够进一步以高准确度实现多材质对象物的质量估计。
[实施例5]
在具体实施中，参见图7，检索模块102可以包括深度学习单元301。
本实施例中包括与实施例4的区别之处仅在于上述深度学习单元301，因此，本实施例与实施例4相同的部分(模块101、103和104)将不再赘述。
301：深度学习单元
深度学习单元301用于利用深度学习模型针对多层影像图预测判定材质和密度。
具体地，深度学习单元301可以利用例如现有的深度学习模型对多层CT影像图预测判定材质和密度。
由此，能够提高对多层影像图的识别精度，从而实现高准确度的材质和密度的识别，进而实现高准确度的对象物的质量估计。
[实施例6]
参见图8所示，本实施例与实施例4的区别之处仅在于本实施例的质量估计装置还包括空心判定模块401。下文将仅描述上述区别之处，并且对于与实施例 4相同的部分将不再赘述。
401：空心判定模块
空心判定模块401用于当多层影像图的灰度为特定值时，判定对象物的内部结构为空心，并且检索出该内部结构的空心部位所对应的密度为0。
具体地，在预先建立的数据检索库中，空心(即，空气)所对应的影像图的灰度为某一特定值，并且将该材质(空气)所对应的密度设定为0。空心判定模块401当在断层扫描模块101获得的内部结构的多层CT影像图中，发现包含具有该特定值的灰度的影像图时，则可以判定对象物的内部结构为空心结构，并且该空心部位的密度为0。进而，在质量估计模块104进行质量估计的计算时，将空心部位的质量计算为0。
此外，上述空心判定模块401不限于对空心的判定，还可以判定例如对象物内部是否含有某种特定物质，当多层CT影像图中，空心判定模块401发现包含具有该特定物质所对应的灰度的影像图时，即可以判定对象物内部包含该特殊物质。例如，空心判定模块401可以判定瓶子内部是否有水、铁球内部是否有空气等。
由此，能够利用上述实施例判定对象物内部是否为空心结构，从而进一步能够计算内部空心的对象物的质量，提高了内部空心的对象物的质量估计的准确度。
以上详细描述了本申请的质量估计装置的各个实施例，根据本发明的质量估计装置，利用前文所述的工业CT(电子计算机断层扫描)技术对对象物进行断层扫描，获得对象物的内部结构的材质、密度以及体积数据，从而不仅能够确定对象物是否为空心或是否具有多种材质，并且能够以高准确度实现对象物的质量估计，尤其是多材质对象物和空心对象物的质量估计。
参见图9，本申请实施例还提供了一种电子设备200，电子设备200包括至少一个存储器210、至少一个处理器220以及连接不同平台系统的总线230。
存储器210可以包括易失性存储器形式的可读介质，例如随机存取存储器(R AM)211和/或高速缓存存储器212，还可以进一步包括只读存储器(ROM)213。
其中，存储器210还存储有计算机程序，计算机程序可以被处理器220执行，使得处理器220执行本申请实施例中上述任一项方法的步骤，其具体实现方式与上述方法的实施例中记载的实施方式、所达到的技术效果一致，部分内容不再赘述。
存储器210还可以包括具有一组(至少一个)程序模块215的程序/实用工具2 14，这样的程序模块包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
相应的，处理器220可以执行上述计算机程序，以及可以执行程序/实用工具214。
总线230可以为表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构中的任意总线结构的局域总线。
电子设备200也可以与一个或多个外部设备240例如键盘、指向设备、蓝牙设备等通信，还可与一个或者多个能够与该电子设备200交互的设备通信，和/ 或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口250进行。并且，电子设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器26 0可以通过总线230与电子设备200的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质用于存储计算机程序，所述计算机程序被执行时实现本申请实施例中上述任一项方法的步骤，其具体实现方式与上述方法的实施例中记载的实施方式、所达到的技术效果一致，部分内容不再赘述。
图10示出了本实施例提供的用于实现上述方法的程序产品300，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品300不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。程序产品300可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言诸如Java、C++等，还包括常规的过程式程序设计语言诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(W AN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本申请从使用目的上，效能上，进步及新颖性等观点进行阐述，其设置有的实用进步性，已符合专利法所强调的功能增进及使用要件，本申请以上的说明及附图，仅为本申请的较佳实施例而已，并非以此局限本申请，因此，凡一切与本申请构造，装置，特征等近似、雷同的，即凡依本申请专利申请范围所作的等同替换或修饰等，皆应属本申请的专利申请保护的范围之内。

Claims (18)

1.一种质量估计方法，其特征在于，所述方法包括：
对对象物进行断层扫描，以获得所述对象物的多层影像图；
基于预先建立的数据检索库，检索所述多层影像图，以获得与所述多层影像图对应的所述对象物的内部结构的材质以及与所述材质对应的密度；
基于所述多层影像图，获得所述对象物的所述内部结构的体积数据；以及
利用所述密度和所述体积数据，估计所述对象物的质量。
2.根据权利要求1所述的方法，其特征在于，
利用电子计算机断层扫描获得所述多层影像图。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
预先建立存储有所述影像图、所述材质和所述密度的对应关系的所述数据检索库，用于根据所述影像图检索对应的材质和密度。
4.根据权利要求3所述的方法，其特征在于，
所述影像图是位数为N的灰度图，并且所述数据检索库能够检索出的材质的种类数为2N，其中，
N是8以上的正整数。
5.根据权利要求1至4的任意一项所述的方法，其特征在于，
利用深度学习模型针对所述多层影像图预测判定所述材质和所述密度。
6.根据权利要求5所述的方法，其特征在于，
利用所述多层影像图的断层扫描参数得到所述体积数据。
7.根据权利要求6所述的方法，其特征在于，
所述断层扫描参数包括断层间距、图像对象物尺寸和图像分辨率。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
当所述多层影像图的灰度为特定值时，判定所述对象物的内部结构为空心，并且检索出空心部位所对应的密度为0。
9.一种质量估计装置，其特征在于，所述装置包括：
断层扫描模块，用于对对象物进行断层扫描，以获得所述对象物的多层影像图；
检索模块，用于基于预先建立的数据检索库，检索所述多层影像图，以获得与所述多层影像图对应的所述对象物的内部结构的材质以及与所述材质对应的密度；
体积数据获取模块，用于基于所述多层影像图，获得所述对象物的所述内部结构的体积数据；以及
质量估计模块，用于利用所述密度和所述体积数据，估计所述对象物的质量。
10.根据权利要求9所述的装置，其特征在于，
所述断层扫描模块利用电子计算机断层扫描获得所述多层影像图。
11.根据权利要求10所述的装置，其特征在于，所述装置还包括：
数据检索库建立模块，用于预先建立存储有所述影像图、所述材质和所述密度的对应关系的所述数据检索库，用于根据所述影像图检索对应的材质和密度。
12.根据权利要求11所述的装置，其特征在于，
所述影像图是位数为N的灰度图，并且所述数据检索库能够检索出的材质的种类数为2N，其中，
N是8以上的正整数。
13.根据权利要求9至12的任意一项所述的装置，其特征在于，所述检索模块包括：
深度学习单元，用于利用深度学习模型针对所述多层影像图预测判定所述材质和所述密度。
14.根据权利要求13所述的装置，其特征在于，
所述体积数据获取模块利用所述多层影像图的断层扫描参数得到所述体积数据。
15.根据权利要求14所述的装置，其特征在于，
所述断层扫描参数包括断层间距、图像对象物尺寸和图像分辨率。
16.根据权利要求15所述的装置，其特征在于，所述装置还包括：
空心判定模块，用于当所述多层影像图的灰度为特定值时，判定所述对象物的内部结构为空心，并且检索出空心部位所对应的密度为0。
17.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1-8任一项所述方法的步骤。
18.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-8任一项所述方法的步骤。
CN202011613162.4A 2020-12-30 2020-12-30 质量估计方法、装置、电子设备及存储介质 Pending CN112785552A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011613162.4A CN112785552A (zh) 2020-12-30 2020-12-30 质量估计方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011613162.4A CN112785552A (zh) 2020-12-30 2020-12-30 质量估计方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN112785552A true CN112785552A (zh) 2021-05-11

Family

ID=75754028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011613162.4A Pending CN112785552A (zh) 2020-12-30 2020-12-30 质量估计方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112785552A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1503184A (zh) * 2002-11-01 2004-06-09 GEҽҩϵͳ����Ƽ���˾ 用于医学介入程序规划的方法和装置
CN101454804A (zh) * 2006-05-26 2009-06-10 皇家飞利浦电子股份有限公司 动态计算机断层摄影成像
CN206315096U (zh) * 2016-08-31 2017-07-11 卡迪诺科技(北京)有限公司 Ct性能检测模体
CN108362716A (zh) * 2018-03-22 2018-08-03 四川大学 一种基于医用ct的文物材质检测判定方法及检测装置
CN109157239A (zh) * 2018-10-31 2019-01-08 上海联影医疗科技有限公司 定位图像的扫描方法、ct扫描方法、装置、设备和介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1503184A (zh) * 2002-11-01 2004-06-09 GEҽҩϵͳ����Ƽ���˾ 用于医学介入程序规划的方法和装置
CN101454804A (zh) * 2006-05-26 2009-06-10 皇家飞利浦电子股份有限公司 动态计算机断层摄影成像
CN206315096U (zh) * 2016-08-31 2017-07-11 卡迪诺科技(北京)有限公司 Ct性能检测模体
CN108362716A (zh) * 2018-03-22 2018-08-03 四川大学 一种基于医用ct的文物材质检测判定方法及检测装置
CN109157239A (zh) * 2018-10-31 2019-01-08 上海联影医疗科技有限公司 定位图像的扫描方法、ct扫描方法、装置、设备和介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈利等: "三维治疗计划系统和CT模拟定位工作站影像重建质量检测", 《中国肿瘤》 *

Similar Documents

Publication Publication Date Title
US10762283B2 (en) Multimedia document summarization
KR101982674B1 (ko) 밀도 수정에 기초한 대체 트레이닝 분포
CN111274811A (zh) 地址文本相似度确定方法以及地址搜索方法
CN107665736B (zh) 用于生成信息的方法和装置
CN108133222B (zh) 为数据库确定卷积神经网络cnn模型的装置和方法
CN111428933B (zh) 物流地址推荐方法、系统、设备及存储介质
CN112200296B (zh) 网络模型量化方法、装置、存储介质及电子设备
Xu et al. Robust and automatic modeling of tunnel structures based on terrestrial laser scanning measurement
Van Beek et al. Integration of normative decision-making and batch sampling for global metamodeling
CN114067349A (zh) 目标对象处理方法及装置
US20080205779A1 (en) Selective predictor and selective predictive encoding for two-dimensional geometry compression
CN112785552A (zh) 质量估计方法、装置、电子设备及存储介质
EP3920072A1 (en) System for providing a simulation model, system for illustrating estimated fluid movements around a structure, methods therefore and a computer program product
CN116797973A (zh) 应用于环卫智慧管理平台的数据挖掘方法及系统
CN116703659A (zh) 一种应用于工程咨询的数据处理方法、装置及电子设备
CN111191021A (zh) 职业预测方法、装置、设备及计算机可读存储介质
CN111382557B (zh) 非定长输入数据的批量处理方法、装置、终端及存储介质
CN110673954B (zh) 利用率预测方法、装置、计算设备、存储介质及程序产品
US11842165B2 (en) Context-based image tag translation
CN112785555B (zh) 骨检测方法、装置、电子设备及存储介质
US11861452B1 (en) Quantized softmax layer for neural networks
CN110222777B (zh) 图像特征的处理方法、装置、电子设备及存储介质
CN114297235A (zh) 风险地址识别方法、系统及电子设备
CN112148902A (zh) 数据处理方法、装置、服务器及存储介质
CN111124862A (zh) 智能设备性能测试方法、装置及智能设备

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220323

Address after: Building C, No.888, Huanhu West 2nd Road, Lingang New District, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai

Applicant after: Shenlan Intelligent Technology (Shanghai) Co.,Ltd.

Address before: 213000 No.103, building 4, Chuangyan port, Changzhou science and Education City, No.18, middle Changwu Road, Wujin District, Changzhou City, Jiangsu Province

Applicant before: SHENLAN ARTIFICIAL INTELLIGENCE CHIP RESEARCH INSTITUTE (JIANGSU) Co.,Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210511