CN117422593A - 一种口腔教学成果验收方法及装置 - Google Patents
一种口腔教学成果验收方法及装置 Download PDFInfo
- Publication number
- CN117422593A CN117422593A CN202311742311.0A CN202311742311A CN117422593A CN 117422593 A CN117422593 A CN 117422593A CN 202311742311 A CN202311742311 A CN 202311742311A CN 117422593 A CN117422593 A CN 117422593A
- Authority
- CN
- China
- Prior art keywords
- real
- teaching
- data
- time
- time image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 121
- 230000008569 process Effects 0.000 claims abstract description 65
- 238000011156 evaluation Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000013210 evaluation model Methods 0.000 claims abstract description 17
- 238000006073 displacement reaction Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 14
- 230000003993 interaction Effects 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000013016 damping Methods 0.000 claims description 11
- 230000009471 action Effects 0.000 claims description 9
- 230000002146 bilateral effect Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 5
- 210000000214 mouth Anatomy 0.000 claims 2
- 238000012549 training Methods 0.000 abstract description 17
- 230000010354 integration Effects 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 235000002566 Capsicum Nutrition 0.000 description 3
- 239000006002 Pepper Substances 0.000 description 3
- 241000722363 Piper Species 0.000 description 3
- 235000016761 Piper aduncum Nutrition 0.000 description 3
- 235000017804 Piper guineense Nutrition 0.000 description 3
- 235000008184 Piper nigrum Nutrition 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 150000003839 salts Chemical class 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010252 digital analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
- G06Q50/2057—Career enhancement or continuing education service
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06398—Performance of employee with respect to a job function
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/30004—Biomedical image processing
- G06T2207/30036—Dental; Teeth
-
- 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
Abstract
本申请涉及临床教学技术领域,为一种口腔科教学评估方法,具体为一种口腔教学成果验收方法及装置。本申请实施例提供的技术方案中,通过将考核过程中记录的全部过程数据进行分类,并将直接影响考核基本结果的数据进行直接处理确定考核结果是否满足最低要求。并将满足最低要求的操作过程中的多个过程数据通过训练后呈收敛状态的评价模型进行处理得到无法直接确定的得分,将以上的得分进行整合得到最终的得分。通过上述方法能够将直接量化数据和非直接量化数据进行整合,整合得到的得分具有全面性,提高了验收的全面性和严谨性。
Description
技术领域
本申请涉及临床教学技术领域,为一种口腔科教学评估方法,具体为一种口腔教学成果验收方法及装置。
背景技术
在口腔教学过程中中,需要对学员的对于教学的成果进行验收,以评估学员的学习成果是否满足预期的培训要求,进而判断是否满足上岗条件或达到不同岗位的胜任力要求。此类培训不同于传统的教育考试,仅通过单一的理论卷面考试进行评判,受训学员基于不同岗位胜任力需求,参与不同类别的培训项目并完成相应考核等等,涉及到多个环节、多个维度的评价,综合下来才能评判培训成果是否符合预期,而目前的培训成果验收,往往仅对最终考核成绩,如技能和理论知识进行验收,过于刻板和机械,对于培训过程中的学员学习积累产生忽略,无法实现对学员岗位胜任力的全面评价。另外,大多考核完成后,未形成数据的汇总分析,效率较低且难以发现共性问题,从而实现数据对培训的决策支撑。
综上,现有的培训验收方式不够严谨,导致受训学员的学习成果良莠不齐,影响上岗后不同能力阶段的评价,因此,需要一种能高效、严谨且相对公正地验收方式。
发明内容
为了解决现有技术中存在的,本申请实施例提供口腔教学成果验收方法及系统,通过将口腔教学过程数据进行分类,并根据分类后的数据对于整体评价结果影响进行不同权重的设置,并通过训练后的评价模型对于不好量化的过程数据进行得分计算,能够全面的将考核过程中的所有数据进行利用从而使最终得到的得分更具有全面性。
为了达到上述目的,本申请实施例采用的技术方案如下:
第一方面,提供一种口腔教学成果验收方法,所述方法应用于口腔教学系统,所述口腔教学系统包括教学牙模、教学牙具、相机和服务器,所述教学牙具上通过设置标定点与所述标定相机连接,所述教学牙具作用于所述教学牙模并产生反馈数据,所述反馈数据通过设置在所述教学牙具中的数据传输模块传输至所述服务器,所述相机用于采集所述教学牙具与所述教学牙模相互作用时的实时图像;所述方法应用于所述服务器,所述方法包括:获取所述教学牙具的实时运动数据,所述实时运动数据包括所述教学牙具的位移,还包括所述教学牙具与所述教学牙模相互作用时间,并将所述实时运动数据基于力作用模型得到实时受力数据,将所述实时受力数据与预设置的受力阈值进行比较确定验收人员的操作是否满足第一要求;当满足所述第一要求时,获取操作结束后的结果数据,所述结果数据为所述教学牙模最终形状数据,将所述结果数据与标准结果数据进行比较,得到一级考核得分;将操作过程中的多个过程数据输入至评价模型得到二级考核得分,所述过程数据包括实时受力数据和实时状态数据,所述评价模型包括输入层、隐含层和输出层,所述输入层的节点数根据所述实时受力数据以及所述实时状态数据对应的评价指标数量进行确定,所述隐含层的节点数根据所述输入层的节点数和所述输出层的节点数基于下式进行确定:,其中p为所述隐含层的节点数,m为所述输入层的节点数,n为输出层的节点数,l是1-10之间的常数;将所述一级考核得分、所述二级考核得分基于对应的一级考核权重、二级考核权重得到最终的考核得分。
进一步的,所述力作用模型基于下式表示:,其中/>表示所述教学牙具质量,K表示所述教学牙具的弹性模量,D表示所述教学牙具与所述教学牙模之间的阻尼系数,x表示所述教学牙具与所述教学牙模之间的相对位移,t表示所述教学牙具与所述教学牙模之间的相互作用时间。
进一步的,所述教学牙具与所述教学牙模之间的所述相互作用时间通过所述教学牙具受力状态改变进行确定,所述教学牙具受力状态基于所述反馈数据的变化进行确定;具体包括:获取所述教学牙具的实时反馈数据,当所述实时反馈数据为0时确定所述教学牙具的受力状态为第一状态;当所述实时反馈数据由0变化为大于0时,所述教学牙具的受力状态为第二状态;当所述实时反馈数据由大于0变化为0时,所述教学牙具的受力状态为第三状态;记载所述第二状态至所述第三状态的时间间隔为相互作用时间。
进一步的,所述相对位移的确定包括:获取所述教学牙具在所述第二状态下的第一实时图像,并按照预设图像采集时间间隔采集第二实时图像,提取所述第一实时图像、所述第二实时图像中的所述教学牙具边缘特征分别为第一边缘特征和第二边缘特征,确定所述第一边缘特征和所述第二边缘特征的第一坐标和第二坐标,基于所述第一坐标和所述第二坐标确定所述相对位移。
进一步的,提取所述第一边缘特征和所述第二边缘特征包括:对所述第一实时图像和所述第二实时图像分别进行混合双边滤波处理,并对滤波处理后的所述第一实时图像和所述第二实时图像分别进行x方向、y方向、45°和135°四个方向的梯度计算,得到所述第一实时图像和所述第二实时图像的四个梯度幅值,并基于所述梯度幅值将所述第一实时图像和所述第二实时图像分别进行区域划分,得到关于所述第一实时图像和所述第二实时图像的前景和背景,并确定所述前景和所述背景间的多个类间方差,并确定多个所述类间方差中最大类间方差,将所述最大类间方差对应的阈值为最大阈值,并基于所述最大阈值确定所述第一实时图像和所述第二实时图像对应的高阈值和低阈值,基于所述高阈值和低阈值确定所述第一实时图像和所述第二实时图像的所述第一边缘特征和所述第二边缘特征。
进一步的,所述确定所述第一边缘特征和所述第二边缘特征的第一坐标和第二坐标,包括:确定所述第一边缘特征和所述第二边缘特征的第一中心坐标和第二中心坐标。
进一步的,所述基于所述第一坐标和所述第二坐标确定所述相对位移,包括:比较所述第一中心坐标和所述第二中心坐标中的x方向的第一偏移量,y方向的第二相对偏移量,基于所述第一偏移量和所述第二偏移量确定所述相对位移。
进一步的,在将多个所述过程数据输入至评价模型得到二级考核得分之前还包括对所述实时状态数据中的评估要素进行抽取,得到二级评估要素,并对所述二级评估要素进行归一化处理,所述归一化处理基于下式进行:,其中/>为归一化处理后的二级评估要素,a为二级评估要素的初始数据,/>为二级评估要素中的最小值,/>为二级评估要素中的最大值。
进一步的,所述隐含层的传递函数为S型传递函数,所述输出层的传递函数为线性传递函数。
第二方面,提供一种口腔教学成果验收装置,所述装置应用于服务器,所述装置包括:运动过程比较模块,用于获取所述教学牙具的实时运动数据,并将所述实时运动数据基于力作用模型得到实时受力数据,将所述实时受力数据与预设置的受力阈值进行比较确定验收人员的操作是否满足第一要求;结果得分计算模块,用于当满足所述第一要求时,获取操作结束后的结果数据,将所述结果数据与所述标准结果数据进行比较,得到一级考核得分;过程得分模块,将操作过程中的多个过程数据输入至评价模型得到二级考核得分;最终得分计算模块,用于将所述一级考核得分、所述二级考核得分基于对应的一级考核权重、二级考核权重得到最终的考核得分。
第三方面,提供一种终端设备,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任一项所述的方法。
第四方面,提供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如上述任一项所述的方法。
本申请实施例提供的技术方案中,通过将考核过程中记录的全部过程数据进行分类,并将直接影响考核基本结果的数据进行直接处理确定考核结果是否满足最低要求。并将满足最低要求的操作过程中的多个过程数据通过训练后呈收敛状态的评价模型进行处理得到无法直接确定的得分,将以上的得分进行整合得到最终的得分。通过上述方法能够将直接量化数据和非直接量化数据进行整合,整合得到的得分具有全面性,提高了验收的全面性和严谨性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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的附图。
附图中的方法、系统和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例,其中示例数字在附图的各个视图中代表相似的机构。
图1是本申请实施例提供的教学系统结构示意图。
图2是本申请实施例提供的口腔教学成果验收方法流程示意图。
图3是本申请实施例提供的口腔教学成果验收装置结构示意图。
图4是本申请实施例提供的口腔教学成果验收设备结构示意图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本申请技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
在下面的详细描述中,通过实例阐述了许多具体细节,以便提供对相关指导的全面了解。然而,对于本领域的技术人员来说,显然可以在没有这些细节的情况下实施本申请。在其他情况下,公知的方法、程序、系统、组成和/或电路已经在一个相对较高水平上被描述,没有细节,以避免不必要的模糊本申请的方面。
本申请中使用流程图说明根据本申请的实施例的系统所执行的执行过程。应当明确理解的是,流程图的执行过程可以不按顺序执行。相反,这些执行过程可以以相反的顺序或同时执行。另外,可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中删除。
对本发明实施例进行进一步详细说明之前,对本发明实施例中涉及的名词和术语进行说明,本发明实施例中涉及的名词和术语适用于如下的解释。
(1)响应于,用于表示所执行的操作所依赖的条件或者状态,当满足所依赖的条件或状态时,所执行的一个或多个操作可以是实时的,也可以具有设定的延迟;在没有特别说明的情况下,所执行的多个操作不存在执行先后顺序的限制。
(2)基于,用于表示所执行的操作所依赖的条件或者状态,当满足所依赖的条件或状态时,所执行的一个或多个操作可以是实时的,也可以具有设定的延迟;在没有特别说明的情况下,所执行的多个操作不存在执行先后顺序的限制。
培训成果验收是被培训人员针对培训项目进行的测试,是一种对于被培训人员针对某种特定场景下或者特定业务下进行的作业能力的测试以及评价,在现有技术中针对于其测试以及评价方法是数字化分析,是通过实验器材或者是特定过程中的反馈来分析培训人员在测试过程中的表现。
目前的教学成果验收,往往仅对最终考核成绩,如技能和理论知识进行验收,过于刻板和机械,对于培训过程中的学员学习积累产生忽略,无法实现对学员岗位胜任力的全面评价。另外,大多考核完成后,未形成数据的汇总分析,效率较低且难以发现共性问题,从而实现数据对培训的决策支撑。
所以,在这针对于个体能力评价领域,如何客观地评考核者的综合能力并建立有效的评价体系,是当前亟需解决的问题。目前,针对于评价方法主要包括层次分析法、k最近邻方法和神经网络评价方法。而目前主要采用的方法还是层次分析法,针对于神经网络因为技术难度较难实现。而神经网络采用模拟人脑的多层结构,对输入数据从底层到高层进行逐级提取特征,最终形成适合模式分类且较为理想的特征。目前,很少将深度神经网络应用到评价中的原因有:(1)由于训练数据样本不够多,模型较为复杂,表达能力更强的深度神经网络会过多地拟合当前的模型,导致过拟合;(2)抽象评价数据的稀疏性特征,避免因维度过高导致的过拟合问题具有一定难度。
所以,为了解决现有技术中无法对口腔教学的所涉及到教学成果进行全面评估和验收,本申请实施例提供了一种口腔教学成果验收方法与装置,此方法能够将被培训人在验收过程中的过程数据进行分类评估并进行整合能够避免现有技术中单一结果对于评价的片面性,针对于此方法应用于口腔教学系统中。
参阅图1,针对于教学系统100用于学员进行牙外科手术实践,其中系统具体包括教学牙模110、教学牙具120,相机130和服务器140。
具体的,在本申请实施例中教学牙模为牙齿的模型为教学具体的道具,教学牙具用于对教学牙模进行外科手术操作的具体的器械,其中在教学牙具中设置有数据传输模块和传感器,其中传感器用于采集教学牙具的震动反馈数据,数据传输模块用于将震动反馈数据传输至服务器。
相机用于采集教学牙具与教学牙模在相互作用时的实时图像,并将实时图像通过设置在相机中的数据传输模块传输至服务器。
其中,在本申请实施例中的服务器中部署于口腔教学成果验收方法,通过口腔教学验收方法对具体的牙齿外科手术中的操作进行评分。
参阅图2,此方法具体包括以下步骤:
步骤S210.获取所述教学牙具的实时运动数据,并将所述实时运动数据基于力作用模型得到实时受力数据,将所述实时受力数据与预设置的受力阈值进行比较确定验收人员的操作是否满足第一要求。
在本申请实施例中,针对于所述实时运动数据包括所述教学牙具的位移,还包括所述教学牙具与所述教学牙模相互作用时间。
其中针对于力作用模型基于下式表示:
;
其中表示所述教学牙具质量,K表示所述教学牙具的弹性模量,D表示所述教学牙具与所述教学牙模之间的阻尼系数,x表示所述教学牙具与所述教学牙模之间的相对位移,t表示所述教学牙具与所述教学牙模之间的相互作用时间。
具体的,针对于教学牙具与教学牙模之间的阻尼系数以及教学牙具的弹性模型为基于二者材料已知的数据,不需要通过计算得到。
而针对于相对位移和相互作用时间则需要进行针对性的计算。
其中对于相互作用时间通过所述教学牙具受力状态改变进行确定,所述教学牙具受力状态基于所述反馈数据的变化进行确定;具体包括:
获取所述教学牙具的实时反馈数据,当所述实时反馈数据为0时确定所述教学牙具的受力状态为第一状态,此第一状态为教学牙具未工作状态。
当所述实时反馈数据由0变化为大于0时,所述教学牙具的受力状态为第二状态,此第二状态为教学牙具运动状态。
当所述实时反馈数据由大于0变化为0时,所述教学牙具的受力状态为第三状态,此第三状态为教学牙具未工作状态。
以上三个状态的变化为教学牙具的状态变化,其中由静止到运动再为静止则为一个运动周期,其中对于一个运动周期则为教学牙具与教学牙模的相互作用时间。
针对于教学牙具与教学牙模之间的相对位移通过图像技术实现,具体位置通过相机获取教学牙具在第二状态下的第一实时图像,即当教学牙具由第一状态变化为第二状态时,服务器接收到状态变化信息,并对相机下发图像采集命令使相机进行图像采集获取第一实时图像。并按照预设图像采集时间间隔再次下发图像采集命令进行二次采集得到第二实时图像。其中对于相对位移则通过比较第二实时图像和第一实时图像中关于教学牙具的位置变化确定。
其中,针对于教学牙具的位置变化则通过第二实时图像和第一实时图像中教学牙具中像素点的坐标变化进行确定。
所以,针对于相对位移确定首先需要确定第一实时图像以及第二实时图像中的教学牙具的边缘特征,然后将图像中边缘特征的像素坐标点进行确定,然后比较两个图像中像素坐标点的偏移量,基于此偏移量确定相对位移。
因为对于教学牙具在工作过程中会因为教学牙具的工作震动,从而使第一实时图像和第二实时图像尤其是针对于第一实时图像在图像表达上具有噪音,所以需要针对于第一实时图像和第二实时图像进行降噪处理。
具体的,针对于本申请实施例中的降噪处理采用双边滤波处理方法实现,其中针对于双边滤波处理的表达基于下式表示:
,其中/>,,/>;其中k和l表示像素点灰度值,/>表示滤波操作前的第一实时图像和第二实时图像中像素点灰度值,/>表示滤波操作后的第一实时图像和第二实时图像中像素点灰度值,/>表示双边滤波中的权重系数,为空间标准差,/>为灰度标准差。
在本申请实施例中,双边滤波处理以高斯滤波器为核心,兼顾了模板内像素点灰度值的差异性以及像素点间的空间距离;在灰度变化较为缓慢的区域,即Wr接近1时,以Wd为主,此时类似于用高斯滤波对图像去噪,在边缘区域,Wr趋于0,因此灰度值变化较小,从而双边滤波较其他滤波去噪的方式相比,在做到抑制图像中噪声点的同时,兼顾对于边缘特征的保留。
对第一实时图像和第二实时图像进行双边滤波去噪操作后,根据不同像素点之间存在的灰度值差异,构建区域相似度模型,从而判断是否还存在椒盐噪声点并椒盐噪声点加以去除。
其处理具体过程为:针对于第一实时图像和第二实时图像中的某一像素点(x,y)定义其像素区间,像素区间如下下式所示:
,其中/>为区间范围,i和j表示在噪音抑制后的第一实时图像和第二实时图像中的规定像素区间内某一点的灰度值。
像素点的区域相似度模型为:,其中/>表示归一化系数,为规定区间范围内所有点的个数;/>表示灰度差值统计参数,确定不同点之间具体的灰度差值为双边滤波不可去除的噪声点;f(x,y)表示图像中某一点 (x,y) 的灰度值,f (i,j) 表示规定像素区间内某一点(i,j) 的灰度值。
其中对于判断强噪声点条件为:
(1),(2)/>,其中/>与/>为判断阈值,代表满足括号内要求的元素个数,当待检测的像素点满足以上两个条件,即认为该点为强噪声点。其中针对于判断条件(1)为了更好的保留边缘,令统计参数/>,此时将符合/>的像素点被认为是强噪声点;条件(2)对待检测像素点和其附近像素点的相似状况进行判断,当/>时,可以较为精确地判断强噪声点。对于检测出的椒盐噪声点,通过重写中值滤波方式对其进行去除。
通过降噪后得到降噪的第一实时图像和第二实时图像,而针对于本申请实施例中的关于第一实时图像和第二实时图像中教学牙具边缘特征提取过程包括:
并对滤波处理后的所述第一实时图像和所述第二实时图像分别进行x方向、y方向、45°和135°四个方向模板的梯度计算,得到所述第一实时图像和所述第二实时图像的四个梯度幅值。
根据梯度的幅值与方向计算出局部较大的梯度,然后将其他梯度值设置为零,通过这个过程,实现剔除伪边缘与细化边缘。
针对于中点像素点的梯度值是否为其附近区域内的最大值,将四个方向对应的四个梯度值与中点像素点的梯度值进行比较,若中点像素点的梯度值不是最大,则判定中点像素点不是边缘点。
通过设置两个阈值确定边缘点,通过这两个阈值确定检测出的点是否保留,在搜索区域内,若某一点灰度值大于设定的两个数值,则该点被保留,为强边缘点,与之相反,若小于两个数值则认为该点不是边缘点;处于两个数值之间,要根据是否与其他像素点连接决定去留,进而检测出第一实时图像和第二实时图像的第一边缘和第二边缘。
其中,针对于两个阈值为高阈值和低阈值,其中针对于高阈值和低阈值的在现有技术中通过人为设置得到,而针对于人为设置易对结果造成误差。为了解决这一技术问题,本申请实施例提供一种自适应阈值确定方法。针对于此方法通过将第一实时图像和第二实时图像进行区域分割,得到前景和背景,并计算两个区域间的类间方差。当两个区域之间发生变化时,类间方差也会随之发生改变,当前景与背景无相交区域时,类间方差达到最大值。
具体为,针对于图像f(x,y),针对于前景区域像素点在图像中比例为,与之相对应,背景区域所占比例为/>,两个区域平均灰度分别为/>和/>,图像平均灰度为/>,类间方差为/>,图像的灰度范围为/>,其中针对于得到的阈值为T,小于此数值的像素点数目为N1 ,大于的像素点数目为N2,则有:
,/>,/>,/>,/>,;其中,M与N分别表示表图像的行数与列数,通过遍历整幅图像中的像素点,得到最大的类间方差数,此时对应的阈值T 即为所需要的最佳阈值。
本申请实施例采用上述的过程确定最佳阈值,通过对多幅拍摄的图像进行处理,最终确定高阈值Th与低阈值Tl分别符合下式时:
,所得到高阈值和低阈值,并基于高阈值和低阈值进行边缘提取。
通过上述处理过程能够得到关于第一实时图像和第二实时图像的第一边缘特征和第二边缘特征,此边缘特征为教学牙具的边缘,通过上述处理即能够得到关于第一实时图像和第二实时图像中的教学牙具。
针对于获取到的第一边缘特征和第二边缘特征确定其对应的第一坐标和第二坐标,并基于第一坐标和第二坐标确定教学牙具在第一实时图像和第二实时图像中的相对位移。
具体的,针对于关于第一坐标和第二坐标的为第一边缘特征和所述第二边缘特征的第一中心坐标和第二中心坐标,而针对于相对位移则通过比较所述第一中心坐标和所述第二中心坐标中的x方向的第一偏移量,y方向的第二相对偏移量,基于所述第一偏移量和所述第二偏移量确定所述相对位移。
具体为,当仅具有第一偏移量时则将第一偏移量作为相对位移,当仅具有第二偏移量时则将第二偏移量作为相对位移,当同时具有第一偏移量和第二偏移量时则通过构建关于第一偏移量和第二偏移量作为两边,连接两边的两个端点构建三角模型,确定另一边所对应的偏移量为最终的相对位移。
通过上述方法得到关于教学牙具的相对位移,并基于相对位移、相互作用时间、教学牙具质量、教学牙具的弹性模量、教学牙具与教学牙模之间的阻尼系数确定最终的实时受力数据。
将得到的实时受力数据与预设置的受力阈值进行比较确定验收人员的操作是否满足第一要求,其中受力阈值为满足操作的最低要求,当不满足最低要求时则说明基础操作不合格,结束验收。
步骤S220.当满足所述第一要求时,获取操作结束后的结果数据,所述结果数据为所述教学牙模最终形状数据,将所述结果数据与所述标准结果数据进行比较,得到一级考核得分。
在本申请实施例中,针对于步骤S210中满足第一要求所对应的实时受力数据进行对应的存储。其中对于结果数据为牙齿开孔宽度、深度等最终的结果数据,其中此结果数据的种类与对应的标准根据考核的内容所决定,在本申请实施例中不再进行枚举。
步骤S230.将操作过程中的多个过程数据输入至评价模型得到二级考核得分。
针对于步骤S220主要是将直接影响考核结果的数据进行比较评估,而针对于此种比较方式较为单一,忽视了操作者的操作过程评估,无法全面的对被验收者的能力进行评估。
其中针对于过程数据包括实时受力数据和实时状态数据,其中针对于实时受力数据为满足步骤S210中满足第一要求的实时受力数据,针对于实时状态数据包括手术姿势、工件使用姿势、环境温度、环境湿度等数据。
所以,本申请实施例中通过神经网络的方法提取出过程数据中对于考核结果影响的潜在因素并对其进行打分,最终得到二级考核得分。
具体的,针对于本申请实施例提供的一级评价模型包括输入层、隐含层和输出层。
值得注意的是,针对于评价模型在接受输入数据时,需要对输入的数据进行要素抽取和归一化处理,其中要素抽取是将过程数据仅用于评价的数据进行抽取,而将其他描述数据进行抛弃的过程,此过程可采用现有技术中数据处理方法实现在本申请实施例中不再进行描述。
而针对于归一化处理则基于下式进行:
,其中/>为归一化处理后的二级评估要素,a为二级评估要素的初始数据,/>为二级评估要素中的最小值,/>为二级评估要素中的最大值。
其中输入层用于接收过程数据,所述输入层的节点数根据实时状态数据的评价指标数量进行确定,而针对于评价指标数量通过预设置的数据分类标准确定,而针对于评价指标为对于数据的分类,即环境温度、环境湿度分别为一个评价指标,而针对于实时受力数据则对应一个固定的评价指标。
而针对于隐含层的节点数根据所述输入层的节点数和所述输出层的节点数基于下式进行确定:
,其中p为所述隐含层的节点数,m为所述输入层的节点数,n为输出层的节点数,l是1-10之间的常数。
针对于输出层的数量则为1,即在上式中n=1。
针对于输入层输出一个输入层矩阵,输入层矩阵基于对不同评价指标对应的过程数据进行向量化处理得到。
其中,针对于一个评价指标对应的过程数据向量化基于下式表示:
,其中/>表示第n个过程数据向量。
针对于输入层矩阵基于下式表示:
,其中/>表示第n个评价指标的第p个过程数据向量。
针对于输出层矩阵基于下式进行表示:
,其中/>表示第p个评价指标的第m个过程数据向量。
在本申请实施例中,针对于隐含层的传递函数为S型传递函数,所述输出层的传递函数为线性传递函数。
在本申请实施例中针对于评价模型的训练过程,首先将训练数据的信息经由输入层通过前向传播的方式传递到隐含层,经过S型激活函数作用后把隐含层节点的输出作为输出结果传送到输出层节点。然后将输出结果和期望的目标值进行比较得出误差,并以反向传播的方式将误差传递到每一层,再用梯度下降法修正网络连接权值和阈值,使网络输出层的总 误差平方和不断减小,从而使输出结果在理论上逐渐逼近目标。当经过反复训练后数据检验的误差满足要求时便得出了学习样本的输入和输出间 的内在关系,训练出了满足要求的神经网络模型。若将待评估数据输入训 练好的神经网络模型,则网络输出为评估结果。
步骤S240.将所述一级考核得分、所述二级考核得分基于对应的一级考核权重、二级考核权重得到最终的考核得分。
通过步骤S220-步骤S230分别获得关于第一考核得分和二级考核得分,然后将一级考核得分和二级考核得分基于预设置的一级考核权重和二级考核权重得到最终的考核得分。此过程为加权过程,在本申请实施例中不着重说明。其中,针对于一级考核权重和二级考核权重基于经验确定,在本申请实施例中不再进行详细描述。
参阅图3,提供一种口腔教学成果验收装置300,所述装置应用于服务器,所述装置包括:
运动过程比较模块310,用于获取所述教学牙具的实时运动数据,并将所述实时运动数据基于力作用模型得到实时受力数据,将所述实时受力数据与预设置的受力阈值进行比较确定验收人员的操作是否满足第一要求;
结果得分计算模块320,用于当满足所述第一要求时,获取操作结束后的结果数据,将所述结果数据与所述标准结果数据进行比较,得到一级考核得分;
过程得分模块330,将操作过程中的多个过程数据输入至评价模型得到二级考核得分;
最终得分计算模块340,用于将所述一级考核得分、所述二级考核得分基于对应的一级考核权重、二级考核权重得到最终的考核得分。
参阅图4,还可以将上述方法集成于提供的口腔教学成果验收设备400中,针对于设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器401和存储器402,存储器402中可以存储有一个或一个以上存储应用程序或数据。其中,存储器402可以是短暂存储或持久存储。存储在存储器402的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括口腔教学成果验收设备中的一系列计算机可执行指令。更进一步地,处理器401可以设置为与存储器402通信,口腔教学成果验收设备上执行存储器402中的一系列计算机可执行指令。口腔教学成果验收设备还可以包括一个或一个以上电源403,一个或一个以上有线或无线网络接口404,一个或一个以上输入/输出接口405,一个或一个以上键盘406等。
在一个具体的实施例中,口腔教学成果验收设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对口腔教学成果验收设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取所述教学牙具的实时运动数据,并将所述实时运动数据基于力作用模型得到实时受力数据,将所述实时受力数据与预设置的受力阈值进行比较确定验收人员的操作是否满足第一要求;
当满足所述第一要求时,获取操作结束后的结果数据,所述结果数据为所述教学牙模最终形状数据,将所述结果数据与所述标准结果数据进行比较,得到一级考核得分;
将操作过程中的多个所述实时受力数据输入至评价模型得到二级考核得分;
将所述一级考核得分、所述二级考核得分基于对应的一级考核权重、二级考核权重得到最终的考核得分。
下面对处理器的各个构成部件进行具体的介绍:
其中,在本实施例中,处理器是特定集成电路(application specificintegrated circuit,ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路,例如:一个或多个微处理器(digital signal processor,DSP),或,一个或者多个现场可编程门阵列(field programmable gate array,FPGA)。
可选地,处理器可以通过运行或执行存储在存储器内的软件程序,以及调用存储在存储器内的数据,执行各种功能,例如执行上述图1所示的方法。
在具体的实现中,作为一种实施例,处理器可以包括一个或多个微处理器。
其中,所述存储器用于存储执行本申请方案的软件程序,并由处理器来控制执行,具体实现方式可以参考上述方法实施例,此处不再赘述。
可选地,存储器可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory,EEPROM)、只读光盘(compactdisc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以和处理器集成在一起,也可以独立存在,并通过处理器的接口电路与处理单元进行耦合,本申请实施例对此不作具体限定。
需要说明的是,在本实施例中示出的处理器的结构并不构成对该装置的限定,实际的装置可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
此外,处理器的技术效果可以参考上述方法实施例所述的方法的技术效果,此处不再赘述。
应理解,在本申请实施例中的处理器可以是其他通用处理器、数字信号处理器(digital signal processor,DSP)、专用集成电路(application specific integratedcircuit,ASIC)、现成可编程门阵列(field programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解,本申请实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的随机存取存储器(random accessmemory,RAM)可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM,DR RAM)。
上述实施例,可以全部或部分地通过软件、硬件(如电路)、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
本申请中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a, b, c, a-b, a-c, b-c, 或a-b-c,其中a,b,c可以是单个,也可以是多个。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种口腔教学成果验收方法,其特征在于,所述方法应用于口腔教学系统,所述口腔教学系统包括教学牙模、教学牙具、相机和服务器,所述教学牙具上通过设置标定点与标定相机连接,所述教学牙具作用于所述教学牙模并产生反馈数据,所述反馈数据通过设置在所述教学牙具中的数据传输模块传输至所述服务器,所述相机用于采集所述教学牙具与所述教学牙模相互作用时的实时图像;所述方法应用于所述服务器,所述方法包括:
获取所述教学牙具的实时运动数据,所述实时运动数据包括所述教学牙具的位移,还包括所述教学牙具与所述教学牙模相互作用时间,并将所述实时运动数据基于力作用模型得到实时受力数据,将所述实时受力数据与预设置的受力阈值进行比较确定验收人员的操作是否满足第一要求;
当满足所述第一要求时,获取操作结束后的结果数据,所述结果数据为所述教学牙模最终形状数据,将所述结果数据与标准结果数据进行比较,得到一级考核得分;
将操作过程中的多个过程数据输入至评价模型得到二级考核得分,所述过程数据包括实时受力数据和实时状态数据,所述评价模型包括输入层、隐含层和输出层,所述输入层的节点数根据所述实时受力数据以及所述实时状态数据对应的评价指标数量进行确定,所述隐含层的节点数根据所述输入层的节点数和所述输出层的节点数基于下式进行确定:
,其中p为所述隐含层的节点数,m为所述输入层的节点数,n为输出层的节点数,l是1-10之间的常数;
将所述一级考核得分、所述二级考核得分基于对应的一级考核权重、二级考核权重得到最终的考核得分。
2.根据权利要求1所述的口腔教学成果验收方法,其特征在于,所述力作用模型基于下式表示:
,其中/>表示所述教学牙具质量,K表示所述教学牙具的弹性模量,D表示所述教学牙具与所述教学牙模之间的阻尼系数,x表示所述教学牙具与所述教学牙模之间的相对位移,t表示所述教学牙具与所述教学牙模之间的相互作用时间。
3.根据权利要求2所述的口腔教学成果验收方法,其特征在于,所述教学牙具与所述教学牙模之间的所述相互作用时间通过所述教学牙具受力状态改变进行确定,所述教学牙具受力状态基于所述反馈数据的变化进行确定;具体包括:
获取所述教学牙具的实时反馈数据,当所述实时反馈数据为0时确定所述教学牙具的受力状态为第一状态;
当所述实时反馈数据由0变化为大于0时,所述教学牙具的受力状态为第二状态;
当所述实时反馈数据由大于0变化为0时,所述教学牙具的受力状态为第三状态;
记载所述第二状态至所述第三状态的时间间隔为相互作用时间。
4.根据权利要求2所述的口腔教学成果验收方法,其特征在于,所述相对位移的确定包括:
获取所述教学牙具在所述第二状态下的第一实时图像,并按照预设图像采集时间间隔采集第二实时图像,提取所述第一实时图像、所述第二实时图像中的所述教学牙具边缘特征分别为第一边缘特征和第二边缘特征,确定所述第一边缘特征和所述第二边缘特征的第一坐标和第二坐标,基于所述第一坐标和所述第二坐标确定所述相对位移。
5.根据权利要求4所述的口腔教学成果验收方法,其特征在于,提取所述第一边缘特征和所述第二边缘特征包括:
对所述第一实时图像和所述第二实时图像分别进行混合双边滤波处理,并对滤波处理后的所述第一实时图像和所述第二实时图像分别进行x方向、y方向、45°和135°四个方向的梯度计算,得到所述第一实时图像和所述第二实时图像的四个梯度幅值,并基于所述梯度幅值将所述第一实时图像和所述第二实时图像分别进行区域划分,得到关于所述第一实时图像和所述第二实时图像的前景和背景,并确定所述前景和所述背景间的多个类间方差,并确定多个所述类间方差中最大类间方差,将所述最大类间方差对应的阈值为最大阈值,并基于所述最大阈值确定所述第一实时图像和所述第二实时图像对应的高阈值和低阈值,基于所述高阈值和低阈值确定所述第一实时图像和所述第二实时图像的所述第一边缘特征和所述第二边缘特征。
6.根据权利要求5所述的口腔教学成果验收方法,其特征在于,所述确定所述第一边缘特征和所述第二边缘特征的第一坐标和第二坐标,包括:确定所述第一边缘特征和所述第二边缘特征的第一中心坐标和第二中心坐标。
7.根据权利要求6所述的口腔教学成果验收方法,其特征在于,所述基于所述第一坐标和所述第二坐标确定所述相对位移,包括:
比较所述第一中心坐标和所述第二中心坐标中的x方向的第一偏移量,y方向的第二相对偏移量,基于所述第一偏移量和所述第二偏移量确定所述相对位移。
8.根据权利要求7所述的口腔教学成果验收方法,其特征在于,在将多个所述过程数据输入至评价模型得到二级考核得分之前还包括对所述实时状态数据中的评估要素进行抽取,得到二级评估要素,并对所述二级评估要素进行归一化处理,所述归一化处理基于下式进行:
,其中/>为归一化处理后的二级评估要素,a为二级评估要素的初始数据,/>为二级评估要素中的最小值,/>为二级评估要素中的最大值。
9.根据权利要求8所述的口腔教学成果验收方法,其特征在于,所述隐含层的传递函数为S型传递函数,所述输出层的传递函数为线性传递函数。
10.一种口腔教学成果验收装置,其特征在于,所述装置应用于服务器,所述装置包括:
运动过程比较模块,用于获取所述教学牙具的实时运动数据,并将所述实时运动数据基于力作用模型得到实时受力数据,将所述实时受力数据与预设置的受力阈值进行比较确定验收人员的操作是否满足第一要求;
结果得分计算模块,用于当满足所述第一要求时,获取操作结束后的结果数据,将所述结果数据与所述标准结果数据进行比较,得到一级考核得分;
过程得分模块,将操作过程中的多个过程数据输入至评价模型得到二级考核得分;
最终得分计算模块,用于将所述一级考核得分、所述二级考核得分基于对应的一级考核权重、二级考核权重得到最终的考核得分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311742311.0A CN117422593B (zh) | 2023-12-18 | 2023-12-18 | 一种口腔教学成果验收方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311742311.0A CN117422593B (zh) | 2023-12-18 | 2023-12-18 | 一种口腔教学成果验收方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117422593A true CN117422593A (zh) | 2024-01-19 |
CN117422593B CN117422593B (zh) | 2024-04-05 |
Family
ID=89527014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311742311.0A Active CN117422593B (zh) | 2023-12-18 | 2023-12-18 | 一种口腔教学成果验收方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117422593B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019195127A1 (en) * | 2018-04-05 | 2019-10-10 | Snofolio Corp. | Learning management system for task-based objectives |
CN111340945A (zh) * | 2020-03-06 | 2020-06-26 | 徐州医科大学 | 一种数字化儿童口腔治疗操作模型的建模方法 |
CN113034989A (zh) * | 2021-02-20 | 2021-06-25 | 广州颐寿科技有限公司 | 护理培训方法、系统以及存储装置 |
CN113470475A (zh) * | 2021-09-06 | 2021-10-01 | 深圳市信润富联数字科技有限公司 | 一种基于场景模拟与物联网的实操学习考核方法与系统 |
US20220129783A1 (en) * | 2020-10-23 | 2022-04-28 | EMC IP Holding Company LLC | Acceptance Status Classification of Product-Related Data Structures Using Models With Multiple Training Periods |
CN114818401A (zh) * | 2021-01-29 | 2022-07-29 | 苏州奇流信息科技有限公司 | 机器学习模型的训练方法、训练装置、评价系统 |
CN115240500A (zh) * | 2022-07-18 | 2022-10-25 | 北京大学口腔医学院 | 一种正畸虚拟仿真教学系统 |
CN115700606A (zh) * | 2021-07-14 | 2023-02-07 | 中移(成都)信息通信科技有限公司 | 一种评分方法、装置、设备及计算机可读存储介质 |
CN117216692A (zh) * | 2023-11-07 | 2023-12-12 | 卓世科技(海南)有限公司 | 一种培训成果验收方法及系统 |
-
2023
- 2023-12-18 CN CN202311742311.0A patent/CN117422593B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019195127A1 (en) * | 2018-04-05 | 2019-10-10 | Snofolio Corp. | Learning management system for task-based objectives |
CN111340945A (zh) * | 2020-03-06 | 2020-06-26 | 徐州医科大学 | 一种数字化儿童口腔治疗操作模型的建模方法 |
US20220129783A1 (en) * | 2020-10-23 | 2022-04-28 | EMC IP Holding Company LLC | Acceptance Status Classification of Product-Related Data Structures Using Models With Multiple Training Periods |
CN114818401A (zh) * | 2021-01-29 | 2022-07-29 | 苏州奇流信息科技有限公司 | 机器学习模型的训练方法、训练装置、评价系统 |
CN113034989A (zh) * | 2021-02-20 | 2021-06-25 | 广州颐寿科技有限公司 | 护理培训方法、系统以及存储装置 |
CN115700606A (zh) * | 2021-07-14 | 2023-02-07 | 中移(成都)信息通信科技有限公司 | 一种评分方法、装置、设备及计算机可读存储介质 |
CN113470475A (zh) * | 2021-09-06 | 2021-10-01 | 深圳市信润富联数字科技有限公司 | 一种基于场景模拟与物联网的实操学习考核方法与系统 |
CN115240500A (zh) * | 2022-07-18 | 2022-10-25 | 北京大学口腔医学院 | 一种正畸虚拟仿真教学系统 |
CN117216692A (zh) * | 2023-11-07 | 2023-12-12 | 卓世科技(海南)有限公司 | 一种培训成果验收方法及系统 |
Non-Patent Citations (2)
Title |
---|
聂琴: "基于BP神经网络的民办高校国际项目班教学质量评价方法", 《中国新通信》, vol. 25, no. 09, 5 May 2023 (2023-05-05), pages 59 - 61 * |
董靖竹等: "基于柯氏评估模型理念研究住院医师规范化培训考核评价工具", 《中国毕业后医学教育》, vol. 3, no. 01, 20 February 2019 (2019-02-20), pages 46 - 48 * |
Also Published As
Publication number | Publication date |
---|---|
CN117422593B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858461B (zh) | 一种密集人群计数的方法、装置、设备以及存储介质 | |
JP7102344B2 (ja) | 機械学習モデルのモデリング方法及びデバイス | |
Ramsey et al. | Non-Gaussian methods and high-pass filters in the estimation of effective connections | |
Antolik et al. | Development of maps of simple and complex cells in the primary visual cortex | |
CN102136024B (zh) | 生物特征识别性能测评和诊断优化系统 | |
US10534994B1 (en) | System and method for hyper-parameter analysis for multi-layer computational structures | |
CN106650768A (zh) | 基于高斯图模型的脑网络建模与模式分类方法 | |
CN108538388B (zh) | 一种膝关节运动障碍功能评判方法 | |
Omar et al. | Using theoretical ROC curves for analysing machine learning binary classifiers | |
CN101835421B (zh) | 特征量候选生成装置和特征量候选生成方法 | |
CN111179235A (zh) | 图像检测模型的生成方法及装置、应用方法及装置 | |
Wang et al. | Distortion recognition for image quality assessment with convolutional neural network | |
Irmak | A novel implementation of deep-learning approach on malaria parasite detection from thin blood cell images | |
US20140270493A1 (en) | Adaptable classification method | |
CN108986909B (zh) | 基于超声弹性成像的软组织弹性和粘弹性表征方法及装置 | |
CN117422593B (zh) | 一种口腔教学成果验收方法及装置 | |
Heard et al. | Speech workload estimation for human-machine interaction | |
CN112382382B (zh) | 一种代价敏感的集成学习分类方法及系统 | |
CN113539517B (zh) | 时序干预效果的预测方法 | |
Anwar et al. | Glaucoma identification on fundus retinal images using statistical modelling approach | |
Ahmadipour et al. | Investigating the effect of forgetting factor on tracking non-stationary neural dynamics | |
CN115186564A (zh) | 基于特征融合和改进粒子群算法的模拟电路故障诊断方法 | |
Tucker et al. | Analysis of signals under compositional noise with applications to SONAR data | |
CN115082487A (zh) | 超声图像切面质量评价方法、装置、超声设备及存储介质 | |
US20030228054A1 (en) | Neurodynamic model of the processing of visual information |
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 |