CN116385581A - 一种在线的可定制化的色觉测试图生成与识别系统 - Google Patents
一种在线的可定制化的色觉测试图生成与识别系统 Download PDFInfo
- Publication number
- CN116385581A CN116385581A CN202310297236.5A CN202310297236A CN116385581A CN 116385581 A CN116385581 A CN 116385581A CN 202310297236 A CN202310297236 A CN 202310297236A CN 116385581 A CN116385581 A CN 116385581A
- Authority
- CN
- China
- Prior art keywords
- test chart
- color vision
- algorithm
- color
- generation
- 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
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 113
- 230000004456 color vision Effects 0.000 title claims abstract description 78
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 51
- 230000000007 visual effect Effects 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 11
- 239000000463 material Substances 0.000 claims description 8
- 241001465754 Metazoa Species 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000007115 recruitment Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 2
- 238000007689 inspection Methods 0.000 abstract description 5
- 238000012854 evaluation process Methods 0.000 abstract description 3
- 208000006992 Color Vision Defects Diseases 0.000 description 19
- 201000007254 color blindness Diseases 0.000 description 19
- 238000013135 deep learning Methods 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 11
- 201000000761 achromatopsia Diseases 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 238000011049 filling Methods 0.000 description 9
- 239000003086 colorant Substances 0.000 description 7
- 238000011161 development Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 7
- 230000004438 eyesight Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 230000006835 compression Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000001308 synthesis method Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004373 eye development Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013140 knowledge distillation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 208000029257 vision disease Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种在线的可定制化的色觉测试图生成与识别系统,涉及图像生成与图像识别技术领域,包括前台端和后台端;前台端用于面向医生和患者,完成自定义图形、噪声、类型的参数选择,以及接收测试图试题辅助医生评估患者视觉状态;后台端包括生成系统,生成系统通过色觉测试图生成算法生成色觉测试图;色觉测试图生成算法包括通过图形分解算法、假同色数据生成速度优化算法、轮廓检测算法、图形相交性算法和色觉测试图识别算法。本发明克服了目前临床中普遍采用的色觉检查工具长期局限于固定化的假同色图绘本,图谱范式固定,色彩搭配存在歧义,评估过程疏于精细,且对正常色觉也有较大干扰的问题。
Description
技术领域
本发明涉及图像生成与图像识别技术领域,具体涉及一种在线的可定制化的色觉测试图生成与识别系统。
背景技术
色盲是一种普遍的视觉异常或缺失的疾病,通常为遗传因素所致,表现为对某些颜色认知力的缺失或者不能识别颜色。据统计男性色盲大约占男性总人口的8%,女性约占女性总人口的0.5%。色觉测试图是筛查异常色觉、评估个体色觉情况的主要工具,由于其相比于其他色觉诊断手段的便捷性,长期被应用于临床实践当中。
目前,临床一线所配备的色觉测试方法,多数是采用预先绘制的色觉检查图绘本,但随着人类医疗健康水平的不断提高和“精准医疗”驱动下的相关临床需求的不断发展,对人类色觉进行更加精确的、细致化的评估将是实现医疗升级的重要目标,这就需要对现有的色觉测试工具的进行更深入的优化。
综上所述,目前临床中最普遍采用的色觉检查工具长期局限于固定化的假同色图绘本,这种图谱范式固定,色彩搭配存在歧义,评估过程疏于精细,且对正常色觉也有较大干扰,在一定程度上阻碍了眼视光测试学科的进一步发展以及色觉测试标准的制订。
为此,本发明旨在提供在线的可定制化的色觉测试图生成与识别系统,以解决上述问题。
发明内容
本发明的目的是为了解决上述问题,提供一种在线的可定制化的色觉测试图生成与识别系统。
为了达到上述目的,本发明的技术方案如下:一种在线的可定制化的色觉测试图生成与识别系统,包括前台端和后台端;
所述前台端用于面向医生和患者,完成自定义图形、噪声、类型的参数选择,以及接收测试图试题辅助医生评估患者视觉状态;
所述后台端包括生成系统,所述生成系统用于色觉测试图生成,通过色觉测试图生成算法实现;所述色觉测试图生成算法包括通过图形分解算法、假同色数据生成速度优化算法、轮廓检测算法、图形相交性算法和色觉测试图识别算法。
进一步地,所述生成系统包括配置中心模块、结果预览模块、视觉测试题模块和得分预览模块;
所述配置中心模块用于用户自由配置测试图的前景素材、色系以及噪声方面的数据,以及能够按组选择不同类型的测试图类型,其中包括数字、私募、动物;
所述结果预览模块用于实现配置中心模块的配置结果预览,以便医生自由挑选合适的测试图;
所述视觉测试题模块用于患者在规定时间内选择与测试图相符的选项进行答题,实现对患者的视觉测试;
所述得分预览模块呈现视觉测试题模块的答题结果,用于患者答题后医生将根据作答结果来完成对患者视觉的分析。
进一步地,所述图形分解算法包括图形的三角形或圆形分解算法。
进一步地,所述图形分解算法还包括图形相交性算法。
进一步地,所述假同色数据生成速度优化算法用于实现假同色数据生成速度的优化。
进一步地,所述色觉测试图识别算法用于实现大批量生成色觉测试图数据集的时间优化。
本发明还提供了一种在线的可定制化的色觉测试图生成与识别系统的实现方法,包括以下步骤:
S1、首先,医生通过前台登入,进入生成系统,完成医生识别与存储;
S2、在配置中心模块的配置中心页,用户自由配置测试图的前景素材、色系以及噪声方面的数据,且可进行按组选择不同类型的测试图类型,包括数字、私募、动物;
S3、然后通过结果预览模块进入结果预览页,医生可自由挑选合适的测试图;
S4、根据结果预览页选择的测试图,反馈到视觉测试题模块,进入视觉测试题页,通过将设备交给患者作答,且患者在规定时间内选择与测试图相符的选项,实现对患者的视觉测试;
S5、根据步骤S4的视觉测试,将测试结果反馈至得分预览模块,进入得分预览页,医生将根据患者的作答结果来完成对患者视觉的分析。
与现有技术相比,本方案的有益效果:
1、本发明的该系统的方案中,通过计算机辅助合成技术与深度学习相关技术来改进色觉测试图合成方法,不仅可以拓展深度学习技术的应用边界,还能有助于更好地理解人类视觉、建立更加完善的色觉测试标准,同时也有利于医疗健康事业的精准化发展,具有重要的实用价值和理论意义;
2、本发明的该系统克服了目前临床中普遍采用的色觉检查工具长期局限于固定化的假同色图绘本,图谱范式固定,色彩搭配存在歧义,评估过程疏于精细,且对正常色觉也有较大干扰的问题;其能够在一定程度上推进眼视光测试学科的进一步发展以及色觉测试标准的制订。
附图说明
图1是本发明实施例中色觉测试图生成与识别系统的框图;
图2是本发明实施例中色觉测试图生成与识别系统的算法设计原理图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明的实施例及附图,对本发明的技术方案进行进一步详细地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将结合实施例来详细说明本发明。
实施例:
如图1所示,本实施例提供的方案为:一种在线的可定制化的色觉测试图生成与识别系统,其方案内容如上述发明内容所述。
在本发明中,其方案的设计背景及意义为:随着神经网络和深度学习的火热发展,计算机视觉技术在人类生活的方方面面都开始发挥作用,用计算机图像处理与深度学习等相关技术,完整的设计一套生成与识别色觉测试图系统来优化现有的色盲诊断手段是非常有必要的。这一系统的实现能给现有的诊断技术带来以下几点好处:其一,为人类色觉相关的研究工作的提供一项全新的可选工具;其二,为验证色觉仿真算法的真实性、揭示客观真理、制订科学判定标准提供方法支撑;其三,可以验证各类异常色觉辅助识别算法的有效性;其四,为色觉测试标准的建立与完善提出新思路,为眼视光临床实践开发新方案。
本发明的方案中,通过利用大数据背景数据模型来设计色觉测试图生成算法,本发明的方案从传统与深度学习两种生成方案入手,分别从效率、准确率、泛化性、鲁棒性、辨识度、自由度、创造性等指标来开发并分析该算法的优劣,利用传统方案起到待比较样本与为训练模型提供数据集的作用。
传统方案以色盲原理为基础,深度学习方案则选择条件式生成对抗网络。生成部分,相比于以往绘制的形式固定的色觉检查图绘本,本发明的该系统拥有对生成测试图的尺寸、形状、色彩、内容等自由配置功能,这极大的提高了测试图的多样性,与此同时,专业人员也可以实现在设备上预览系统生成的图片,确认其合理性,避免使用容易混淆的测试图进行检测。从这部分功能的实现上讲,本发明的该系统会提供传统与深度学习两种生成方案供用户选择。
传统方案以色盲原理为基础,先生成可用的假同色对并将其存储起来;在收到用户的生成请求后,后台根据用户的输入的配置要求,采用opencv中相对成熟的算法,结合机器学习等技术,绘制规范化的形状并对测试图进行填充,并提取前景素材的形状,与测试图做相交性判定,对相交部分的基本形状填充前景色,不相交的部分填充背景色,从而生成定制化的色觉测试图供用户使用;其优势在于可解释性强,结果可控、可复现,还起着为后续的识别模型、生成模型的训练提供基础数据集的功能。
在本发明的该系统中,配置中心模块中的算法采用深度学习方案中的生成对抗网络生成色盲测试图,首先选择条件式生成对抗网络,用以控制生成色觉测试图的颜色、形状等基本属性;然后就是模型训练,这部分需要依赖传统方案提供的数据集,在训练完成后将结果部署至后台,同时前台留好两种方案的入口,在用户给定条件后生成最终图片;相较于传统方案,深度学习的生成图片从速度、辨识度、自由度、创造性等方面都要更佳。另一个重要部分就是识别部分,本发明的该系统中使用深度学习技术,且使用目前效果比较好的卷积神经网络,收集以往效果比较好的视觉测试图以及生成部分生成的合理图片,对其进行标注处理作为数据集,然后进行训练,得到能够准确识别色觉测试图的模型。另外,正常训练出来的模型会比较大,对设备的算力也有一定要求,为方便本系统在移动端设备的部署,会对生成的模型进行模型压缩处理,使其能够被应用在移动端设备上。
以下为本发明系统中后台端的色觉测试图生成算法设计过程:
一、正常色觉与红绿色盲色觉系统曲线的逻辑映射数学模型
定义正常人眼锥体敏感曲线表示,横轴为波长,纵轴为对数敏感度。在已提出的色盲转换方法中,是通过色彩空间转换进而得到色盲仿真模型的。每种二色盲所观察到的颜色集中在两个平面上,但由于每种二色盲观察到的颜色所在的两个平面夹角很小,可以把它们近似为一个平面,我们定义该平面为二色盲的颜色面,因此得到了简化的二色盲模型。二色盲是三种锥细胞的一种缺失造成的,这种缺失在LMS空间对应的是某一种信号的变化,而其他两种信号保持不变,因此红、绿、蓝三种二色盲就相当于把RGB空间的颜色沿着L、M、S三个方向分别投射在不同的平面上,这种方式虽然有着严格的数学推导过程,但得到的公式含有矩阵及其逆运算,在实际使用过程中存在求解速度慢、泛化性差的劣势。本发明将通过拟合曲线的新方法得到色盲仿真模型,基本思路是首先通过图像分析得到正常人眼的锥体敏感曲线的多项式表达,在此基础上通过深度学习的方法不断调整多项式参数来拟合就模型的色盲感知色结果,最终得到多项式表达的色盲仿真模型,相对于旧模型,本模型最大优势在于相对于矩阵多项式表达更为方便易用,由此带来极大的计算速度和泛化性的提升。
二、在人工智能背景下色觉测试图生成算法
本发明的方案从传统与深度学习两种生成方案入手,分别从效率、准确率、泛化性、鲁棒性、辨识度、自由度、创造性等指标来开发并分析这两种算法的优劣,传统方案起到待比较样本与为训练模型提供数据集的作用。
传统方案以色盲原理为基础,根据转换公式将RGB色彩空间转换为色盲患者的色彩空间,考虑到运算成本可设置配置化的步长以及矩阵参数的优化,完成色彩空间的简化,从而减小运算量;最后将假同色对的数据本地存储。本发明方案的重点主要是获取假同色数据及运算优化。然后是绘制形状填充画布,当前色觉测试图的填充形状主要有三角形与圆形两种,三角形填充需要调用opencv的库函数完成规范的三角形分解画布,此处可将形状密度、边界距离设为配置项,数据结构为三角形的顶点组成的数组;圆形填充则需单独开发算法,数据结构为圆心与半径组成的数组。绘制完成后需要对应的获取形状函数,用以后续的前景相交性判别以及填色。获取前景素材轮廓阶段,在用户上传前景素材后,后台需要对素材进行轮廓检测,并生成点集的数据结构。本阶段的重点在于轮廓检测算法的开发与调试、多轮廓的数据存储、孔状轮廓的数据存储。填色阶段,基本逻辑是遍历填充形状数据,并与前景轮廓进行相交性判定,若相交则填充前景色,否则填充背景色。实际填充的色彩以近似色取值方法得到的近色假同色簇,这是为了模拟算法、个体差异的可能存在误差。另外就是孔状轮廓这种部分轮廓相交性判定算法需要额外考虑。
深度学习方案首先选择条件式生成对抗网络,用以控制生成色觉测试图的颜色、形状等基本属性,选择过程将参考经典生成对抗网络相关论文,并结合最新论文找出满足需求且性能较优的生成模型,对其关键节点进行定制化的算法优化及开发实现;然后就是模型训练,这部分需要依赖传统方案提供的数据集,并且需要预留好条件控制接口,在不指定条件时则自适应生成图片,比如我只关注色觉测试图的颜色信息,那么就可以仅指定颜色条件,其他条件如形状、密度等信息模型会从数据集的特征中获取到,最终效果就是缺乏条件也可以得到效果不错的图片,这样对于用户来说自由度更高,可以从繁琐的配置中解放出来。相较于传统方案,深度学习的生成图片从速度、辨识度、自由度、创造性等方面都要更佳。
三、基于大数据的色觉测试图识别算法
本发明的方案根据色觉测试图的特征选用合适的图像识别模型进行训练,在此基础上完成对识别模型的算法优化,包括对模型参数的降维与卷积结构的优化。数据来源于前面的生成图像以及以往现有的色觉测试图,通过采集不同的形状生成大量训练样本,将训练结果存储至后台,在收到用户上传的色觉测试图后后台进行图片识别,完成后将识别结果返回给用户。
四、基于深度学习模型的色觉转换矫正系统在简单终端的部署
本发明将对现有的模型压缩技术进行结合与优化,保证模型的精度,并使模型能在移动设备上有良好的效果。色觉测试图识别模型的压缩部分,在得到色觉测试图识别模型后,尝试将其部署在移动设备上,制作成微信小程序之类方便使用的软件。如果由于其模型和算力需求较大,导致难以部署,采用模型压缩技术,例如,剪枝、量化、知识蒸馏等,在保证模型识别的准确性的前提下,减小模型的大小和计算量,使其能够在移动端进行部署。
通过本发明的上述实施例,本发明的该系统通过计算机辅助合成技术与深度学习相关技术来改进色觉测试图合成方法,不仅可以拓展深度学习技术的应用边界,还能有助于更好地理解人类视觉、建立更加完善的色觉测试标准,同时也有利于医疗健康事业的精准化发展,具有重要的实用价值和理论意义。
以上具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (7)
1.一种在线的可定制化的色觉测试图生成与识别系统,其特征是:包括前台端和后台端;
所述前台端用于面向医生和患者,完成自定义图形、噪声、类型的参数选择,以及接收测试图试题辅助医生评估患者视觉状态;
所述后台端包括生成系统,所述生成系统用于色觉测试图生成,通过色觉测试图生成算法实现;所述色觉测试图生成算法包括通过图形分解算法、假同色数据生成速度优化算法、轮廓检测算法、图形相交性算法和色觉测试图识别算法。
2.如权利要求1所述的一种在线的可定制化的色觉测试图生成与识别系统,其特征是:所述生成系统包括配置中心模块、结果预览模块、视觉测试题模块和得分预览模块;
所述配置中心模块用于用户自由配置测试图的前景素材、色系以及噪声方面的数据,以及能够按组选择不同类型的测试图类型,其中包括数字、私募、动物;
所述结果预览模块用于实现配置中心模块的配置结果预览,以便医生自由挑选合适的测试图;
所述视觉测试题模块用于患者在规定时间内选择与测试图相符的选项进行答题,实现对患者的视觉测试;
所述得分预览模块呈现视觉测试题模块的答题结果,用于患者答题后医生将根据作答结果来完成对患者视觉的分析。
3.如权利要求1所述的一种在线的可定制化的色觉测试图生成与识别系统,其特征是:所述图形分解算法包括图形的三角形或圆形分解算法。
4.如权利要求3所述的一种在线的可定制化的色觉测试图生成与识别系统,其特征是:所述图形分解算法还包括图形相交性算法。
5.如权利要求4所述的一种在线的可定制化的色觉测试图生成与识别系统,其特征是:所述假同色数据生成速度优化算法用于实现假同色数据生成速度的优化。
6.如权利要求1所述的一种在线的可定制化的色觉测试图生成与识别系统,其特征是:所述色觉测试图识别算法用于实现大批量生成色觉测试图数据集的时间优化。
7.如权利要求1-6任意一项所述的一种在线的可定制化的色觉测试图生成与识别系统的实现方法,其特征是:包括以下步骤:
S1、首先,医生通过前台登入,进入生成系统,完成医生识别与存储;
S2、在配置中心模块的配置中心页,用户自由配置测试图的前景素材、色系以及噪声方面的数据,且可进行按组选择不同类型的测试图类型,包括数字、私募、动物;
S3、然后通过结果预览模块进入结果预览页,医生可自由挑选合适的测试图;
S4、根据结果预览页选择的测试图,反馈到视觉测试题模块,进入视觉测试题页,通过将设备交给患者作答,且患者在规定时间内选择与测试图相符的选项,实现对患者的视觉测试;
S5、根据步骤S4的视觉测试,将测试结果反馈至得分预览模块,进入得分预览页,医生将根据患者的作答结果来完成对患者视觉的分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310297236.5A CN116385581A (zh) | 2023-03-24 | 2023-03-24 | 一种在线的可定制化的色觉测试图生成与识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310297236.5A CN116385581A (zh) | 2023-03-24 | 2023-03-24 | 一种在线的可定制化的色觉测试图生成与识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116385581A true CN116385581A (zh) | 2023-07-04 |
Family
ID=86978091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310297236.5A Pending CN116385581A (zh) | 2023-03-24 | 2023-03-24 | 一种在线的可定制化的色觉测试图生成与识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116385581A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2683022Y (zh) * | 2004-02-20 | 2005-03-09 | 黄黎敏 | 色觉异常定量检测仪 |
KR20060008518A (ko) * | 2004-07-21 | 2006-01-27 | 서울대학교병원 | 색각 검사시스템 및 검사방법 |
CN109793491A (zh) * | 2018-12-29 | 2019-05-24 | 维沃移动通信有限公司 | 一种色盲检测方法和终端设备 |
CN111429547A (zh) * | 2020-04-27 | 2020-07-17 | 中国人民解放军空军工程大学 | 一种基于假同色搜索的异常色觉测试图合成方法 |
-
2023
- 2023-03-24 CN CN202310297236.5A patent/CN116385581A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2683022Y (zh) * | 2004-02-20 | 2005-03-09 | 黄黎敏 | 色觉异常定量检测仪 |
KR20060008518A (ko) * | 2004-07-21 | 2006-01-27 | 서울대학교병원 | 색각 검사시스템 및 검사방법 |
CN109793491A (zh) * | 2018-12-29 | 2019-05-24 | 维沃移动通信有限公司 | 一种色盲检测方法和终端设备 |
CN111429547A (zh) * | 2020-04-27 | 2020-07-17 | 中国人民解放军空军工程大学 | 一种基于假同色搜索的异常色觉测试图合成方法 |
Non-Patent Citations (1)
Title |
---|
俞如旺;包磊;: "计算机色觉检测系统的设计与实现", 福建轻纺, no. 10, pages 10 - 13 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109222972B (zh) | 一种基于深度学习的fMRI全脑数据分类方法 | |
CN109948647B (zh) | 一种基于深度残差网络的心电图分类方法及系统 | |
CN111563887B (zh) | 一种口腔图像的智能分析方法与装置 | |
US8938113B2 (en) | Adaptive visualization for direct physician use | |
CN107242857A (zh) | 基于深度学习的智能中医综合诊疗系统 | |
CN112001122B (zh) | 基于端到端生成对抗网络的非接触式生理信号测量方法 | |
CN105534534A (zh) | 一种基于实时功能磁共振的情绪识别方法、装置及系统 | |
CN107945175A (zh) | 图像的评价方法、装置、服务器及存储介质 | |
JP2019192215A (ja) | 深層学習を用いた網膜層の3d定量解析 | |
CN109447976A (zh) | 一种基于人工智能的医学图像分割方法及系统 | |
CN112884729A (zh) | 基于双模态深度学习的眼底疾病辅助诊断方法和装置 | |
CN109447001A (zh) | 一种动态情绪识别方法 | |
KR20210023631A (ko) | 딥러닝 모듈을 이용한 발달장애 개선 시스템 및 방법 | |
CN111080746A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN106725341A (zh) | 一种增强型舌诊系统 | |
CN115761905A (zh) | 一种基于骨骼关节点的潜水员动作识别方法 | |
CN112101438B (zh) | 一种左右眼分类方法、装置、服务器和存储介质 | |
CN116385581A (zh) | 一种在线的可定制化的色觉测试图生成与识别系统 | |
CN110210380A (zh) | 基于表情识别与心理学测试生成性格的分析方法 | |
CN109147927A (zh) | 一种人机交互方法、装置、设备及介质 | |
CN114998527B (zh) | 一种准确性高的三维人体表面重建系统 | |
CN109003264B (zh) | 一种视网膜病变图像类型识别方法、装置和存储介质 | |
CN111582489B (zh) | 一种超声人工智能模型的分布式部署决策系统及方法 | |
CN114120035A (zh) | 一种医学影像识别训练方法 | |
KR20230011012A (ko) | 그림을 이용한 아동정서, 심리, 행동 사전 점검 및 치유 솔루션 시스템 및 이를 이용한 아동정서, 심리, 행동 사전 점검 및 치유 방법 |
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 |