CN116631634A - 一种基于点云深度学习的可摘全口义齿的智能设计方法 - Google Patents
一种基于点云深度学习的可摘全口义齿的智能设计方法 Download PDFInfo
- Publication number
- CN116631634A CN116631634A CN202310885848.6A CN202310885848A CN116631634A CN 116631634 A CN116631634 A CN 116631634A CN 202310885848 A CN202310885848 A CN 202310885848A CN 116631634 A CN116631634 A CN 116631634A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- design method
- intelligent design
- 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
Links
- 238000013461 design Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 230000014759 maintenance of location Effects 0.000 claims abstract description 52
- 230000011218 segmentation Effects 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000000513 principal component analysis Methods 0.000 claims abstract description 10
- 238000012163 sequencing technique Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000011960 computer-aided design Methods 0.000 abstract description 2
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000004801 process automation Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61C—DENTISTRY; APPARATUS OR METHODS FOR ORAL OR DENTAL HYGIENE
- A61C13/00—Dental prostheses; Making same
- A61C13/0003—Making bridge-work, inlays, implants or the like
- A61C13/0004—Computer-assisted sizing or machining of dental prostheses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
- G16H50/50—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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Epidemiology (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Dentistry (AREA)
- Primary Health Care (AREA)
- Computational Mathematics (AREA)
- Computer Graphics (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Dental Tools And Instruments Or Auxiliary Dental Instruments (AREA)
Abstract
本发明涉及计算机辅助设计算法领域,尤其涉及一种基于点云深度学习的可摘全口义齿的智能设计方法,首先利用标注软件标注无牙模型的固位网区域,进行三维点云分割的深度学习网络训练,然后使用训练的点云分割模型对新病例的固位网区域进行预测分割,随后通过主成分分析摆正模型方向,再通过提取固位网区域边界线和一系列计算机图形学操作,确定固位网和大连接体的边界样条曲线控制点,再对控制点进行排序,根据用户选择的不同方案,即可实现全口义齿支架的智能设计。本发明综合利用深度学习、计算机图形学中的各类算法,构成全口义齿支架智能设计方案,大幅度减少了可摘全口义齿支架的设计操作,实现了全口义齿支架的一键生成。
Description
技术领域
本发明涉及计算机辅助设计算法领域,尤其涉及一种基于点云深度学习的可摘全口义齿的智能设计方法。
背景技术
可摘全口义齿是义齿支架设计中较为常见的一种,传统设计流程包括:扫描获取牙颌模型(三维模型由若干三角面片构成)、模型导入手动设计软件、交互式绘制样条曲线、由样条曲线生成固位网及大连接体等结构、最后导出设计好的支架三维模型。
现有义齿支架数字化设计方法能够满足数字化设计的要求,但在设计软件中仍然需要较多的手工交互设计操作,并且对于简单的全口义齿支架仍然需要复杂的交互流程,设计效率有很高的提升空间。且设计结果依赖于义齿支架设计师的经验,在义齿支架设计中,需繁杂的人工交互设计,迫切需要将此流程实现智能化和全自动化以大幅提高设计效率及设计统一性和标准性。
发明内容
本发明提供了一种基于点云深度学习的可摘全口义齿的智能设计方法,提供可摘全口义齿支架设计的全流程自动化、智能化,大幅度减少义齿支架设计软件中繁杂的人工交互设计操作。
为了实现本发明的目的,所采用的技术方案是:一种基于点云深度学习的可摘全口义齿的智能设计方法,包括如下步骤:
S1、三维扫描历史无牙牙颌模型,获得无牙模型数据,对固位网区域进行标注,将标注数据进行数据增强后作为训练集和验证集对点云分割网络进行训练获得训练好的网络;
S2、三维扫描新无牙牙颌模型,获得无牙模型数据,将新模型三维数据输入步骤S1训练的点云分割网络中,对新无牙牙颌模型的固位网区域进行预测分割,分割后的模型数据中,固位网区域的三角面片的标签被标为1,其余区域的三角面片的标签为0;
S3、对牙颌模型数据的点坐标进行主成分分析,能够获得三个向量代表三个方向,方差最小的方向就是牙颌模型的俯视方向,将牙颌模型旋转至第一主向量沿z轴,将牙颌模型中心平移至坐标系原点;
S4、提取标签为1的三角面片的顶点构成固位网点云数据,并对其进行三维重建,然后返回区域边缘的点索引及坐标,并按照Alphashape算法进行排序,生成一组有序的控制点,从而生成样条曲线;
S5,对固位网点云求取最小凸包,将此凸包投影至xoy平面,在平面上形成一个封闭图形,然后将该图形沿着z轴正负方向拉伸一段距离,构成三维柱状模型;
S6、构建支架,将三维柱状模型缩放并与牙颌模型求取相贯线,对相贯线进行降采样选取控制点,构成智能设计方法。
作为本发明的优化方案,三维点云分割网络的输入信息包括:三角面片的三个顶点的点坐标(3×3)、三角面片的法向量(1×3)、三角面片的中心点坐标(1×3)、三角面片的三个顶点的平均曲率(3×1),共18维信息。
作为本发明的优化方案,在步骤S1中,将标注数据训练集的固位网区域标签记为1,其余区域标签记为0。
作为本发明的优化方案,在步骤S3中:对牙颌模型数据的点坐标进行主成分分析计算俯视方向步骤包括:
S3-1、计算三维点云数据的协方差矩阵;
S3-2、对协方差矩阵进行特征分解,计算特征值和特征向量;
S3-3、三个特征向量代表三个方向,方差最小的方向就是牙颌模型的俯视方向。
作为本发明的优化方案,在步骤S4中,按照Alphashape算法进行排序,具体步骤如下:
S4-1、对固位网点云中的点进行Delaunay三角化,得到三角网格;
S4-2、对三角网格进行AlphaShape计算,得到AlphaShape的边缘;
S4-3、从任意一条边开始,递归地按照边缘连接的下一条边进行排序,直至遍历完整个AlphaShape的边缘。
作为本发明的优化方案,在步骤S5中,最小凸包采用Graham扫描法,步骤具体为:
S5-1、在固位网点云中选择一个点作为起点;
S5-2、将所有点按极角排序;
S5-3、从排完序后的点集中按顺序选取每个点,如果这个点能构成凸包,则加入凸包,否则弹出上一个加入的点,直到当前点能构成凸包为止。
作为本发明的优化方案,在步骤S6中,构建全网支架,在求得固位网预测区域包围盒投影后,直接拉伸成柱状,与牙颌模型求取相贯线。
作为本发明的优化方案,在步骤S6中,构建固位网和大连接体融合支架,在求得固位网预测区域包围盒投影后,将封闭图形缩小至0.85倍,再拉伸成柱状与牙颌模型求取相贯线。
作为本发明的优化方案,求取相贯线的算法基于隐式表示法,步骤如下:
1)分别创建牙颌模型和三维柱状模型的隐式函数;
2)构建目标函数为两个隐式函数的差;
3)通过牛顿迭代法优化算法求解目标函数的最小值,求解对应的点就是相贯线上的点;
4)将所有解对应的点连接起来,得到相贯线。
本发明具有积极的效果:1)本发明通过构建无牙牙颌标注数据集,训练点云深度学习网络并获得权重,以用来预测新的无牙病例模型的固位网区域,后续通过PCA主成分分析获取方差最小的方向即牙模俯视方向,通过构建Alphashape进行外围点排序,通过投影、缩放、拉伸凸包过滤凹点构成大连接体边界线;
2)本发明首先利用标注软件标注无牙模型的固位网区域,进行三维点云分割的深度学习网络训练,然后使用训练的点云分割模型对新病例的固位网区域进行预测分割,随后通过主成分分析摆正模型方向,再通过提取固位网区域边界线和一系列计算机图形学操作,确定固位网和大连接体的边界样条曲线控制点,再对控制点进行排序,根据用户选择的不同方案,即可实现全口义齿支架的智能设计;
3)本发明提出的该方案能够直接应用于无牙牙颌的可摘全口义齿支架的全自动智能设计,大幅度减少现有设计流程的交互操作,能够大幅提高义齿支架设计效率,改善设计不一致性;
4)本发明综合利用深度学习、计算机图形学中的各类算法,构成全口义齿支架智能设计方案,大幅度减少了可摘全口义齿支架的设计操作,实现了全口义齿支架的一键生成。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明的流程图;
图2是本发明的标注数据的模型俯视图;
图3是本发明的智能设计方法的控制点俯视图;
图4是本发明的智能设计的全网方法俯视图;
图5是本发明的智能设计的含大连接体方案俯视图。
具体实施方式
下面将结合附图和实施例对本申请做进一步地说明。
如图1所示,本发明公开了一种基于点云深度学习的可摘全口义齿的智能设计方法,该方法包括如下步骤:
S1、三维扫描历史无牙牙颌模型,获得无牙模型数据,对固位网区域进行标注,将标注数据进行数据增强后作为训练集和验证集对点云分割网络进行训练获得训练好的网络;
(1)所述训练集中的训练数据是将历史无牙牙颌模型扫描数据简化至面片数量10000左右;
(2)标注数据如图2所示,斜线部分标签为1,其余部分标签为0;
(3)三维点云分割网络的输入信息包括:三角面片的三个顶点的点坐标(3×3)、三角面片的法向量(1×3)、三角面片的中心点坐标(1×3)、三角面片的三个顶点的平均曲率(3×1),共18维信息;
(4)训练过程迭代次数为100次,批次大小为16,验证集最佳准确率为95%。
S2、三维扫描新无牙牙颌模型,获得无牙模型数据,将新模型三维数据输入步骤S1训练的点云分割网络中,对新无牙牙颌模型的固位网区域进行预测分割,分割后的模型数据中,固位网区域的三角面片的标签被标为1,其余区域的三角面片的标签为0;
预测后的数据结果如图2所示,斜线部分标签为1,其余部分标签为0。
S3、对牙颌模型数据的点坐标进行主成分分析,能够获得三个向量代表三个方向,方差最小的方向就是牙颌模型的俯视方向,将牙颌模型旋转至第一主向量沿z轴,将牙颌模型中心平移至坐标系原点;
对牙颌模型数据的点坐标进行主成分分析(PrincipalComponentAnalysis,PCA)计算俯视方向步骤包括:
S3-1、计算三维点云数据的协方差矩阵;
S3-2、对协方差矩阵进行特征分解,计算特征值和特征向量;
S3-3、三个特征向量代表三个方向,方差最小的方向就是牙颌模型的俯视方向。三个特征向量为模型方向。
S4、提取标签为1的三角面片的顶点构成固位网点云数据,并对其进行三维重建,然后返回区域边缘的点索引及坐标,并按照Alphashape算法进行排序,生成一组有序的控制点,从而生成样条曲线。
按照固位网点云(一片无序的空间点)的Alphashape的顺序排序,具体步骤如下:
S4-1、对固位网点云中的点进行Delaunay三角化,得到三角网格;
S4-2、对三角网格进行AlphaShape计算,得到AlphaShape的边缘;
S4-3、从任意一条边开始,递归地按照边缘连接的下一条边进行排序,直至遍历完整个AlphaShape的边缘。
固位网点云是一片无序的空间点,固位网设计表达的是一组有序的控制点,可以生成样条曲线,进一步生成固位网模型。固位网区域边界样条曲线控制点如图3中的圆点所示。
S5,对固位网点云求取最小凸包,将此凸包投影至xoy平面,在平面上形成一个封闭图形,然后将该图形沿着z轴正负方向拉伸一段距离,构成三维柱状模型;
最小凸包采用Graham扫描法,步骤具体为:
S5-1、在固位网点云中选择一个点作为起点;如选y坐标最小的点。
S5-2、将所有点按极角排序;
S5-3、从排完序后的点集中按顺序选取每个点,如果这个点能构成凸包,则加入凸包,否则弹出上一个加入的点,直到当前点能构成凸包为止
S6、根据不同方案构建支架,将三维柱状模型缩放并与牙颌模型求取相贯线,对相贯线进行降采样选取控制点,构成智能设计方法及数据。
构建支架,将三维柱状模型缩放并与牙颌模型求取相贯线,对相贯线进行降采样选取控制点,构成智能设计方法。
用户可以根据实际情况选择不同方案包括全网或大连接体和固位网,两种方案的后续流程如下:
如果选择构建全网支架,则在求得固位网预测区域包围盒投影后,直接拉伸成柱状,与牙颌模型求取相贯线即可;
如果选择构建固位网和大连接体融合支架,则需要在求得固位网预测区域包围盒投影后,将封闭图形缩小至0.85倍,再拉伸成柱状与牙颌模型求取相贯线,然后在设计软件中,利用这些控制点对支架进行自动设计。
求取相贯线的算法基于隐式表示法,步骤如下:
1)分别创建牙颌模型和三维柱状模型的隐式函数;
2)构建目标函数为两个隐式函数的差;
3)通过牛顿迭代法优化算法求解目标函数的最小值,求解对应的点就是相贯线上的点;
4)将所有解对应的点连接起来,得到相贯线,如图3中的黑色细线所示。
随后按照用户所选方案,可以分别进行全网支架(如图4所示)、固位网和大连接体融合支架(如图5所示)两种支架的自动生成。
牙颌模型为统称,点云分割网络训练阶段使用的是历史病例模型(对应标注数据),预测并自动设计是针对新病例、新模型(对应预测数据)。
点云分割是深度学习的应用,其目的是将场景或模型的点云或面片划分为若干特定类别的区域,其中,部件分割是将一个模型按不同部分进行分割(体现为赋予不同的点以不同的标签),针对点云的深度学习网络不仅加快了计算速度,还提高了分割、分类的准确性。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于点云深度学习的可摘全口义齿的智能设计方法,其特征在于,包括如下步骤:
S1、三维扫描历史无牙牙颌模型,获得无牙模型数据,对固位网区域进行标注,将标注数据进行数据增强后作为训练集和验证集对点云分割网络进行训练获得训练好的网络;
S2、三维扫描新无牙牙颌模型,获得无牙模型数据,将新模型三维数据输入步骤S1训练的点云分割网络中,对新无牙牙颌模型的固位网区域进行预测分割,分割后的模型数据中,固位网区域的三角面片的标签被标为1,其余区域的三角面片的标签为0;
S3、对牙颌模型数据的点坐标进行主成分分析,能够获得三个向量代表三个方向,方差最小的方向就是牙颌模型的俯视方向,将牙颌模型旋转至第一主向量沿z轴,将牙颌模型中心平移至坐标系原点;
S4、提取标签为1的三角面片的顶点构成固位网点云数据,并对其进行三维重建,然后返回区域边缘的点索引及坐标,并按照Alphashape算法进行排序,生成一组有序的控制点,从而生成样条曲线;
S5、对固位网点云求取最小凸包,将此凸包投影至xoy平面,在平面上形成一个封闭图形,然后将该图形沿着z轴正负方向拉伸一段距离,构成三维柱状模型;
S6、构建支架,将三维柱状模型缩放并与牙颌模型求取相贯线,对相贯线进行降采样选取控制点,构成智能设计方法。
2.根据权利要求1所述的一种基于点云深度学习的可摘全口义齿的智能设计方法,其特征在于:所述三维点云分割网络的输入信息包括:三角面片的三个顶点的点坐标、三角面片的法向量、三角面片的中心点坐标、三角面片的三个顶点的平均曲率。
3.根据权利要求2所述的一种基于点云深度学习的可摘全口义齿的智能设计方法,其特征在于:在步骤S1中,将标注数据训练集的固位网区域标签记为1,其余区域标签记为0。
4.根据权利要求1所述的一种基于点云深度学习的可摘全口义齿的智能设计方法,其特征在于:在步骤S3中:对牙颌模型数据的点坐标进行主成分分析计算俯视方向步骤包括:
S3-1、计算三维点云数据的协方差矩阵;
S3-2、对协方差矩阵进行特征分解,计算特征值和特征向量;
S3-3、三个特征向量代表三个方向,方差最小的方向就是牙颌模型的俯视方向。
5.根据权利要求1所述的一种基于点云深度学习的可摘全口义齿的智能设计方法,其特征在于:在步骤S4中,按照Alphashape算法进行排序,具体步骤如下:
S4-1、对固位网点云中的点进行Delaunay三角化,得到三角网格;
S4-2、对三角网格进行AlphaShape计算,得到AlphaShape的边缘;
S4-3、从任意一条边开始,递归地按照边缘连接的下一条边进行排序,直至遍历完整个AlphaShape的边缘。
6.根据权利要求1所述的一种基于点云深度学习的可摘全口义齿的智能设计方法,其特征在于:在步骤S5中,最小凸包采用Graham扫描法,步骤具体为:
S5-1、在固位网点云中选择一个点作为起点;
S5-2、将所有点按极角排序;
S5-3、从排完序后的点集中按顺序选取每个点,如果这个点能构成凸包,则加入凸包,否则弹出上一个加入的点,直到当前点能构成凸包为止。
7.根据权利要求1所述的一种基于点云深度学习的可摘全口义齿的智能设计方法,其特征在于:在步骤S6中,构建全网支架,在求得固位网预测区域包围盒投影后,直接拉伸成柱状,与牙颌模型求取相贯线。
8.根据权利要求1所述的一种基于点云深度学习的可摘全口义齿的智能设计方法,其特征在于:在步骤S6中,构建固位网和大连接体融合支架,在求得固位网预测区域包围盒投影后,将封闭图形缩小至0.85倍,再拉伸成柱状与牙颌模型求取相贯线。
9.根据权利要求7或8所述的一种基于点云深度学习的可摘全口义齿的智能设计方法,其特征在于:求取相贯线的算法基于隐式表示法,步骤如下:
1)分别创建牙颌模型和三维柱状模型的隐式函数;
2)构建目标函数为两个隐式函数的差;
3)通过牛顿迭代法优化算法求解目标函数的最小值,求解对应的点就是相贯线上的点;
4)将所有解对应的点连接起来,得到相贯线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310885848.6A CN116631634B (zh) | 2023-07-19 | 2023-07-19 | 一种基于点云深度学习的可摘全口义齿的智能设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310885848.6A CN116631634B (zh) | 2023-07-19 | 2023-07-19 | 一种基于点云深度学习的可摘全口义齿的智能设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116631634A true CN116631634A (zh) | 2023-08-22 |
CN116631634B CN116631634B (zh) | 2023-09-19 |
Family
ID=87642079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310885848.6A Active CN116631634B (zh) | 2023-07-19 | 2023-07-19 | 一种基于点云深度学习的可摘全口义齿的智能设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116631634B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020263987A1 (en) * | 2019-06-25 | 2020-12-30 | James R. Glidewell Dental Ceramics, Inc. | Processing digital dental impression |
US10916053B1 (en) * | 2019-11-26 | 2021-02-09 | Sdc U.S. Smilepay Spv | Systems and methods for constructing a three-dimensional model from two-dimensional images |
CN113362311A (zh) * | 2021-06-10 | 2021-09-07 | 山东大学 | 深度生成网络辅助的功能性全冠修复体形态生成方法 |
CN113538437A (zh) * | 2020-04-21 | 2021-10-22 | 宁波深莱医疗科技有限公司 | 牙颌三维数字模型分割结果的检测方法 |
CN114255244A (zh) * | 2021-12-17 | 2022-03-29 | 南京理工大学 | 一种牙颌三维模型分割方法和系统 |
CN114401666A (zh) * | 2019-07-15 | 2022-04-26 | 普罗马顿控股有限责任公司 | 基于深度学习的3d点云的对象检测和实例分割 |
CN115471663A (zh) * | 2022-11-15 | 2022-12-13 | 上海领健信息技术有限公司 | 基于深度学习的三阶段牙冠分割方法、装置、终端及介质 |
CN115953583A (zh) * | 2023-03-15 | 2023-04-11 | 山东大学 | 基于迭代边界优化和深度学习的牙齿分割方法及系统 |
-
2023
- 2023-07-19 CN CN202310885848.6A patent/CN116631634B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020263987A1 (en) * | 2019-06-25 | 2020-12-30 | James R. Glidewell Dental Ceramics, Inc. | Processing digital dental impression |
CN114401666A (zh) * | 2019-07-15 | 2022-04-26 | 普罗马顿控股有限责任公司 | 基于深度学习的3d点云的对象检测和实例分割 |
US10916053B1 (en) * | 2019-11-26 | 2021-02-09 | Sdc U.S. Smilepay Spv | Systems and methods for constructing a three-dimensional model from two-dimensional images |
CN113538437A (zh) * | 2020-04-21 | 2021-10-22 | 宁波深莱医疗科技有限公司 | 牙颌三维数字模型分割结果的检测方法 |
CN113362311A (zh) * | 2021-06-10 | 2021-09-07 | 山东大学 | 深度生成网络辅助的功能性全冠修复体形态生成方法 |
CN114255244A (zh) * | 2021-12-17 | 2022-03-29 | 南京理工大学 | 一种牙颌三维模型分割方法和系统 |
CN115471663A (zh) * | 2022-11-15 | 2022-12-13 | 上海领健信息技术有限公司 | 基于深度学习的三阶段牙冠分割方法、装置、终端及介质 |
CN115953583A (zh) * | 2023-03-15 | 2023-04-11 | 山东大学 | 基于迭代边界优化和深度学习的牙齿分割方法及系统 |
Non-Patent Citations (2)
Title |
---|
ARIEL SCHWARTZ 等: "Surface detection and modeling of an arbitrary point cloud from 3D sketching", 《COMPUTER-AIDED DESIGN AND APPLICATIONS》, vol. 15, no. 2, pages 227 - 237 * |
何家文: "基于特征衡量的数字化牙颌模型三维重建算法研究", 《中国优秀硕士学位论文全文数据库》, no. 1, pages 074 - 170 * |
Also Published As
Publication number | Publication date |
---|---|
CN116631634B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Robust flow-guided neural prediction for sketch-based freeform surface modeling | |
CN107330903B (zh) | 一种人体点云模型的骨架提取方法 | |
Uy et al. | Joint learning of 3d shape retrieval and deformation | |
CN105844706A (zh) | 一种基于单幅图像的全自动三维头发建模方法 | |
Demir et al. | Skelneton 2019: Dataset and challenge on deep learning for geometric shape understanding | |
CN113888505B (zh) | 一种基于语义分割的自然场景文本检测方法 | |
US20220252906A1 (en) | Computer-implemented method for individualising a spectacle frame element by determining a parametric substitution model of a spectacle frame element, and device and systems using such a method | |
CN105976364A (zh) | 基于简化带权无向图的统计平均模型构建方法 | |
Cheng et al. | Parallel vertex diffusion for unified visual grounding | |
CN116740750A (zh) | 一种基于工程图纸的尺寸信息识别的重构方法及装置 | |
Yao et al. | Contour-aware recurrent cross constraint network for salient object detection | |
CN114387608A (zh) | 一种联合卷积与图神经网络的表格结构识别方法 | |
CN112200905B (zh) | 一种三维人脸补全的方法 | |
CN116631634B (zh) | 一种基于点云深度学习的可摘全口义齿的智能设计方法 | |
CN106650916B (zh) | 一种基于蚁群优化的网格分割方法 | |
CN112837420B (zh) | 基于多尺度和折叠结构的兵马俑点云的形状补全方法及系统 | |
CN115908697A (zh) | 基于点云概率分布学习的生成模型及其方法 | |
CN105528763A (zh) | 一种基于多重网格近似算法的自适应区域感知蒙板生成方法 | |
CN112116710A (zh) | 基于趋势约束的曲面重建方法 | |
CN113065547A (zh) | 基于字符监督信息的弱监督文本检测方法 | |
Brett et al. | A Method of 3D Surface Correspondence for Automated Landmark Generation. | |
CN112016589A (zh) | 一种多特征复杂零件模型到机床装备的端到端推荐方法 | |
CN112906432A (zh) | 一种应用于人脸关键点定位任务的检错纠错方法 | |
CN118037897B (zh) | 一种基于区域风格校正的人物属性编辑方法及装置 | |
Fang et al. | A research on deep learning methods for 3D point cloud semantic segmentation |
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 |