骨检测方法、装置、电子设备及存储介质与流程

本申请涉及计算机视觉技术领域，尤其涉及骨检测方法、装置、电子设备及计算机可读存储介质。

背景技术：

传统的人骨鉴定方法主要包括形态学检验、组织学检验和生物学检验等技术手段，需要法医使用显微镜、化学试剂等进行鉴别，操作复杂，且鉴定周期较长。

技术实现要素：

本申请的目的在于提供骨检测方法、装置、电子设备及计算机可读存储介质，利用了计算机视觉技术，实现了非接触式检测，相比传统的人骨鉴定方法效率更高，且无需人工鉴别，智能化水平高。

本申请的目的采用以下技术方案实现：

第一方面，本申请提供了一种骨检测方法，所述方法包括：获取目标骨的视觉检测数据，所述目标骨的视觉检测数据是视觉检测设备检测所述目标骨得到的，所述目标骨的视觉检测数据包括所述目标骨的2d检测数据以及所述目标骨的3d检测数据和/或射线检测数据；根据所述目标骨的2d检测数据，获取所述目标骨的2d纹理信息；根据所述目标骨的3d检测数据和/或射线检测数据，获取所述目标骨的3d轮廓信息；根据所述目标骨的2d纹理信息和3d轮廓信息，检测所述目标骨是否是人骨。该技术方案的有益效果在于，可以利用视觉检测设备获取目标骨的视觉检测数据，根据视觉检测数据可以获取目标骨的2d纹理信息和3d轮廓信息，从而可以判断目标骨是否为人骨，该骨检测方法利用了计算机视觉技术，实现了非接触式检测，相比传统的人骨鉴定方法效率更高，且无需人工鉴别，智能化水平高。

在一些可选的实施例中，所述根据所述目标骨的2d纹理信息和3d轮廓信息，检测所述目标骨是否是人骨，包括：获取多个骨样本的2d纹理信息、3d轮廓信息和生物类型标注数据，每个骨样本的生物类型标注数据包括所述骨样本的生物类型标识，所述骨样本的生物类型标识用于指示所述骨样本是否是人骨；根据所述多个骨样本的2d纹理信息、3d轮廓信息和生物类型标注数据，利用深度学习模型进行训练，得到生物分类模型；将所述目标骨的2d纹理信息和3d轮廓信息输入所述生物分类模型，确定所述目标骨是人骨或者不是人骨。该技术方案的有益效果在于，可以根据多个骨样本的2d纹理信息、3d轮廓信息和生物类型标注数据，利用深度学习模型进行训练，得到生物分类模型，一方面，通过向生物分类模型输入目标骨的2d纹理信息和3d轮廓信息，可以判断目标骨是否为人骨，检测效率较高；另一方面，生物分类模型可以由大量的样本数据训练而成，可以识别多种2d纹理信息和3d轮廓信息，适用范围广，智能化水平高。

在一些可选的实施例中，所述方法还包括：当所述目标骨是人骨时，根据所述目标骨的2d纹理信息，获取所述目标骨的密度；所述根据所述目标骨的2d纹理信息，获取所述目标骨的密度，包括：获取第一组人骨样本的2d纹理信息和密度标注数据，每个人骨样本的密度标注数据包括所述人骨样本的密度；根据所述第一组人骨样本的2d纹理信息和密度标注数据，利用深度学习模型进行训练，得到密度分类模型；将所述目标骨的2d纹理信息输入所述密度分类模型，估计出所述目标骨的密度。该技术方案的有益效果在于，当目标骨是人骨时，可以根据第一组人骨样本的2d纹理信息和密度标注数据，利用深度学习模型进行训练，得到密度分类模型，一方面，通过向密度分类模型输入目标骨的2d纹理信息，可以估计出所述目标骨的密度，自动化程度高；另一方面，密度分类模型可以由大量的样本数据训练而成，可以识别多种2d纹理信息，适用范围广，智能化水平高。

在一些可选的实施例中，所述方法还包括：根据所述目标骨的密度，估计出所述目标骨对应的人的年龄。该技术方案的有益效果在于，可以根据目标骨的密度估计出对应的人的年龄，相比传统的骨龄检测方式效率更高。

在一些可选的实施例中，所述方法还包括：当所述目标骨是人骨时，根据所述目标骨的3d轮廓信息，获取所述目标骨的部位信息；所述根据所述目标骨的3d轮廓信息，获取所述目标骨的部位信息，包括：获取第二组人骨样本的3d轮廓信息和部位标注数据，每个人骨样本的部位标注数据包括所述人骨样本的部位信息；根据所述第二组人骨样本的3d轮廓信息和部位标注数据，利用深度学习模型进行训练，得到部位分类模型；将所述目标骨的3d轮廓信息输入所述部位分类模型，得到所述目标骨的部位信息。该技术方案的有益效果在于，当目标骨是人骨时，可以根据第二组人骨样本的3d轮廓信息和部位标注数据，利用深度学习模型进行训练，得到部位分类模型，一方面，通过向部位分类模型输入目标骨的3d轮廓信息，可以得到目标骨的部位信息，自动化程度高；另一方面，部位分类模型可以由大量的样本数据训练而成，可以识别多种3d轮廓信息，适用范围广，智能化水平高。

在一些可选的实施例中，所述部位信息包括部位类型和/或相对位置信息。该技术方案的有益效果在于，通过向部位分类模型输入目标骨的3d轮廓信息，可以得到目标骨的部位类型和/或相对位置信息，当目标骨为断骨时，可以获取该断骨的部位类型以及该断骨相对于该部位骨头的位置。

在一些可选的实施例中，所述方法还包括：当所述目标骨是人骨时，根据所述目标骨的3d轮廓信息，获取所述目标骨的损伤信息；所述根据所述目标骨的3d轮廓信息，获取所述目标骨的损伤信息，包括：获取第三组人骨样本的3d轮廓信息和损伤标注数据，每个人骨样本的损伤标注数据包括所述人骨样本的损伤信息；根据所述第三组人骨样本的3d轮廓信息和损伤标注数据，利用深度学习模型进行训练，得到损伤分类模型；将所述目标骨的3d轮廓信息输入所述损伤分类模型，得到所述目标骨的损伤信息。该技术方案的有益效果在于，当目标骨是人骨时，可以根据第三组人骨样本的3d轮廓信息和损伤标注数据，利用深度学习模型进行训练，得到损伤分类模型，一方面，通过向损伤分类模型输入目标骨的3d轮廓信息，可以得到目标骨的损伤信息，自动化程度高；另一方面，损伤分类模型可以由大量的样本数据训练而成，可以识别多种3d轮廓信息，适用范围广，智能化水平高。

在一些可选的实施例中，所述损伤信息包括以下至少一种：损伤类型、损伤次数和损伤程度。该技术方案的有益效果在于，损伤分类模型可以识别多种类型的损伤信息，适用范围广。

第二方面，本申请提供了一种骨检测装置，所述装置包括：视觉获取模块，用于获取目标骨的视觉检测数据，所述目标骨的视觉检测数据是视觉检测设备检测所述目标骨得到的，所述目标骨的视觉检测数据包括所述目标骨的2d检测数据以及所述目标骨的3d检测数据和/或射线检测数据；2d获取模块，用于根据所述目标骨的2d检测数据，获取所述目标骨的2d纹理信息；3d获取模块，用于根据所述目标骨的3d检测数据和/或射线检测数据，获取所述目标骨的3d轮廓信息；人骨检测模块，用于根据所述目标骨的2d纹理信息和3d轮廓信息，检测所述目标骨是否是人骨。

在一些可选的实施例中，所述人骨检测模块包括：骨样本单元，用于获取多个骨样本的2d纹理信息、3d轮廓信息和生物类型标注数据，每个骨样本的生物类型标注数据包括所述骨样本的生物类型标识，所述骨样本的生物类型标识用于指示所述骨样本是否是人骨；生物模型单元，用于根据所述多个骨样本的2d纹理信息、3d轮廓信息和生物类型标注数据，利用深度学习模型进行训练，得到生物分类模型；第一输入单元，用于将所述目标骨的2d纹理信息和3d轮廓信息输入所述生物分类模型，确定所述目标骨是人骨或者不是人骨。

在一些可选的实施例中，所述装置还包括：密度获取模块，用于当所述目标骨是人骨时，根据所述目标骨的2d纹理信息，获取所述目标骨的密度；所述密度获取模块包括：第一人骨样本单元，用于获取第一组人骨样本的2d纹理信息和密度标注数据，每个人骨样本的密度标注数据包括所述人骨样本的密度；密度模型单元，用于根据所述第一组人骨样本的2d纹理信息和密度标注数据，利用深度学习模型进行训练，得到密度分类模型；第二输入单元，用于将所述目标骨的2d纹理信息输入所述密度分类模型，估计出所述目标骨的密度。

在一些可选的实施例中，所述装置还包括：年龄估计模块，用于根据所述目标骨的密度，估计出所述目标骨对应的人的年龄。

在一些可选的实施例中，所述装置还包括：部位获取模块，用于当所述目标骨是人骨时，根据所述目标骨的3d轮廓信息，获取所述目标骨的部位信息；所述部位获取模块包括：第二人骨样本单元，用于获取第二组人骨样本的3d轮廓信息和部位标注数据，每个人骨样本的部位标注数据包括所述人骨样本的部位信息；部位模型单元，用于根据所述第二组人骨样本的3d轮廓信息和部位标注数据，利用深度学习模型进行训练，得到部位分类模型；第三输入单元，用于将所述目标骨的3d轮廓信息输入所述部位分类模型，得到所述目标骨的部位信息。

在一些可选的实施例中，所述部位信息包括部位类型和/或相对位置信息。

在一些可选的实施例中，所述装置还包括：损伤获取模块，用于当所述目标骨是人骨时，根据所述目标骨的3d轮廓信息，获取所述目标骨的损伤信息；所述损伤获取模块包括：第三人骨样本单元，用于获取第三组人骨样本的3d轮廓信息和损伤标注数据，每个人骨样本的损伤标注数据包括所述人骨样本的损伤信息；损伤模型单元，用于根据所述第三组人骨样本的3d轮廓信息和损伤标注数据，利用深度学习模型进行训练，得到损伤分类模型；第四输入单元，用于将所述目标骨的3d轮廓信息输入所述损伤分类模型，得到所述目标骨的损伤信息。

在一些可选的实施例中，所述损伤信息包括以下至少一种：损伤类型、损伤次数和损伤程度。

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骨检测方法的流程示意图；

图2是本申请实施例提供的一种检测人骨的流程示意图；

图3是本申请实施例提供的一种骨检测方法的流程示意图；

图4是本申请实施例提供的一种获取密度的流程示意图；

图5是本申请实施例提供的一种骨检测方法的流程示意图；

图6是本申请实施例提供的一种骨检测方法的流程示意图；

图7是本申请实施例提供的一种获取部位信息的流程示意图；

图8是本申请实施例提供的一种骨检测方法的流程示意图；

图9是本申请实施例提供的一种获取损伤信息的流程示意图；

图10是本申请实施例提供的一种骨检测装置的结构示意图；

图11是本申请实施例提供的一种人骨检测模块的结构示意图；

图12是本申请实施例提供的一种骨检测装置的结构示意图；

图13是本申请实施例提供的一种密度获取模块的结构示意图；

图14是本申请实施例提供的一种骨检测装置的结构示意图；

图15是本申请实施例提供的一种骨检测装置的结构示意图；

图16是本申请实施例提供的一种部位获取模块的结构示意图；

图17是本申请实施例提供的一种骨检测装置的结构示意图；

图18是本申请实施例提供的一种损伤获取模块的结构示意图；

图19是本申请实施例提供的一种电子设备的结构框图；

图20是本申请实施例提供的一种用于实现骨检测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骨检测方法，所述方法包括步骤s101～s104。

步骤s101：获取目标骨的视觉检测数据，所述目标骨的视觉检测数据是视觉检测设备检测所述目标骨得到的，所述目标骨的视觉检测数据包括所述目标骨的2d检测数据以及所述目标骨的3d检测数据和/或射线检测数据。

步骤s102：根据所述目标骨的2d检测数据，获取所述目标骨的2d纹理信息。

步骤s103：根据所述目标骨的3d检测数据和/或射线检测数据，获取所述目标骨的3d轮廓信息。

步骤s104：根据所述目标骨的2d纹理信息和3d轮廓信息，检测所述目标骨是否是人骨。

由此，可以利用视觉检测设备获取目标骨的视觉检测数据，根据视觉检测数据可以获取目标骨的2d纹理信息和3d轮廓信息，从而可以判断目标骨是否为人骨，该骨检测方法利用了计算机视觉技术，实现了非接触式检测，相比传统的人骨鉴定方法效率更高，且无需人工鉴别，智能化水平高。

参见图2，在一具体实施方式中，所述步骤s104可以包括步骤s201～s203。

步骤s201：获取多个骨样本的2d纹理信息、3d轮廓信息和生物类型标注数据，每个骨样本的生物类型标注数据包括所述骨样本的生物类型标识，所述骨样本的生物类型标识用于指示所述骨样本是否是人骨。

步骤s202：根据所述多个骨样本的2d纹理信息、3d轮廓信息和生物类型标注数据，利用深度学习模型进行训练，得到生物分类模型。

步骤s203：将所述目标骨的2d纹理信息和3d轮廓信息输入所述生物分类模型，确定所述目标骨是人骨或者不是人骨。

由此，可以根据多个骨样本的2d纹理信息、3d轮廓信息和生物类型标注数据，利用深度学习模型进行训练，得到生物分类模型，一方面，通过向生物分类模型输入目标骨的2d纹理信息和3d轮廓信息，可以判断目标骨是否为人骨，检测效率较高；另一方面，生物分类模型可以由大量的样本数据训练而成，可以识别多种2d纹理信息和3d轮廓信息，适用范围广，智能化水平高。

参见图3-4，在一具体实施方式中，所述方法还可以包括步骤s105。

步骤s105：当所述目标骨是人骨时，根据所述目标骨的2d纹理信息，获取所述目标骨的密度。

所述步骤s105可以包括步骤s301～s303。

步骤s301：获取第一组人骨样本的2d纹理信息和密度标注数据，每个人骨样本的密度标注数据包括所述人骨样本的密度。

步骤s302：根据所述第一组人骨样本的2d纹理信息和密度标注数据，利用深度学习模型进行训练，得到密度分类模型。

步骤s303：将所述目标骨的2d纹理信息输入所述密度分类模型，估计出所述目标骨的密度。

由此，当目标骨是人骨时，可以根据第一组人骨样本的2d纹理信息和密度标注数据，利用深度学习模型进行训练，得到密度分类模型，一方面，通过向密度分类模型输入目标骨的2d纹理信息，可以估计出所述目标骨的密度，自动化程度高；另一方面，密度分类模型可以由大量的样本数据训练而成，可以识别多种2d纹理信息，适用范围广，智能化水平高。

参见图5，在一具体实施方式中，所述方法还可以包括步骤s106。

步骤s106：根据所述目标骨的密度，估计出所述目标骨对应的人的年龄。

由此，可以根据目标骨的密度估计出对应的人的年龄，相比传统的骨龄检测方式效率更高。

参见图6-7，在一具体实施方式中，所述方法还可以包括步骤s107。

步骤s107：当所述目标骨是人骨时，根据所述目标骨的3d轮廓信息，获取所述目标骨的部位信息。

所述步骤s107可以包括步骤s401～s403。

步骤s401：获取第二组人骨样本的3d轮廓信息和部位标注数据，每个人骨样本的部位标注数据包括所述人骨样本的部位信息。

在一具体实施方式中，所述部位信息可以包括部位类型和/或相对位置信息。部位类型例如是中轴骨或四肢骨这种一级分类，也可以是颅骨、躯干骨、上肢骨或下肢骨这种二级分类，还可以是肋骨、肩胛骨、髋骨这种更细分的分类，相对位置例如是髋骨的后下部。

由此，通过向部位分类模型输入目标骨的3d轮廓信息，可以得到目标骨的部位类型和/或相对位置信息，当目标骨为断骨时，可以获取该断骨的部位类型以及该断骨相对于该部位骨头的位置。

步骤s402：根据所述第二组人骨样本的3d轮廓信息和部位标注数据，利用深度学习模型进行训练，得到部位分类模型。

步骤s403：将所述目标骨的3d轮廓信息输入所述部位分类模型，得到所述目标骨的部位信息。

由此，当目标骨是人骨时，可以根据第二组人骨样本的3d轮廓信息和部位标注数据，利用深度学习模型进行训练，得到部位分类模型，一方面，通过向部位分类模型输入目标骨的3d轮廓信息，可以得到目标骨的部位信息，自动化程度高；另一方面，部位分类模型可以由大量的样本数据训练而成，可以识别多种3d轮廓信息，适用范围广，智能化水平高。

参见图8-9，在一具体实施方式中，所述方法还可以包括步骤s108。

步骤s108：当所述目标骨是人骨时，根据所述目标骨的3d轮廓信息，获取所述目标骨的损伤信息。

所述步骤s108可以包括步骤s501～s503。

步骤s501：获取第三组人骨样本的3d轮廓信息和损伤标注数据，每个人骨样本的损伤标注数据包括所述人骨样本的损伤信息。

在一具体实施方式中，所述损伤信息包括以下至少一种：损伤类型、损伤次数和损伤程度。损伤类型例如是切割伤害、有毒物质侵蚀、砍击、砸伤等；损伤次数例如是1次、2次等；损伤程度例如是轻伤、重伤等，损伤程度可以用数字等级表示，例如是1级、2级等，还可以用数值来表示，例如80或者90。

由此，损伤分类模型可以识别多种类型的损伤信息，适用范围广。

步骤s502：根据所述第三组人骨样本的3d轮廓信息和损伤标注数据，利用深度学习模型进行训练，得到损伤分类模型。

步骤s503：将所述目标骨的3d轮廓信息输入所述损伤分类模型，得到所述目标骨的损伤信息。

由此，当目标骨是人骨时，可以根据第三组人骨样本的3d轮廓信息和损伤标注数据，利用深度学习模型进行训练，得到损伤分类模型，一方面，通过向损伤分类模型输入目标骨的3d轮廓信息，可以得到目标骨的损伤信息，自动化程度高；另一方面，损伤分类模型可以由大量的样本数据训练而成，可以识别多种3d轮廓信息，适用范围广，智能化水平高。

参见图10，本申请实施例还提供了一种骨检测装置，其具体实现方式与上述骨检测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：视觉获取模块101，用于获取目标骨的视觉检测数据，所述目标骨的视觉检测数据是视觉检测设备检测所述目标骨得到的，所述目标骨的视觉检测数据包括所述目标骨的2d检测数据以及所述目标骨的3d检测数据和/或射线检测数据；2d获取模块102，用于根据所述目标骨的2d检测数据，获取所述目标骨的2d纹理信息；3d获取模块103，用于根据所述目标骨的3d检测数据和/或射线检测数据，获取所述目标骨的3d轮廓信息；人骨检测模块104，用于根据所述目标骨的2d纹理信息和3d轮廓信息，检测所述目标骨是否是人骨。

参见图11，在一具体实施方式中，所述人骨检测模块104可以包括：骨样本单元1041，可以用于获取多个骨样本的2d纹理信息、3d轮廓信息和生物类型标注数据，每个骨样本的生物类型标注数据可以包括所述骨样本的生物类型标识，所述骨样本的生物类型标识可以用于指示所述骨样本是否是人骨；生物模型单元1042，可以用于根据所述多个骨样本的2d纹理信息、3d轮廓信息和生物类型标注数据，利用深度学习模型进行训练，得到生物分类模型；第一输入单元1043，可以用于将所述目标骨的2d纹理信息和3d轮廓信息输入所述生物分类模型，确定所述目标骨是人骨或者不是人骨。

参见图12-13，在一具体实施方式中，所述装置还可以包括：密度获取模块105，可以用于当所述目标骨是人骨时，根据所述目标骨的2d纹理信息，获取所述目标骨的密度；所述密度获取模块105可以包括：第一人骨样本单元1051，可以用于获取第一组人骨样本的2d纹理信息和密度标注数据，每个人骨样本的密度标注数据可以包括所述人骨样本的密度；密度模型单元1052，可以用于根据所述第一组人骨样本的2d纹理信息和密度标注数据，利用深度学习模型进行训练，得到密度分类模型；第二输入单元1053，可以用于将所述目标骨的2d纹理信息输入所述密度分类模型，估计出所述目标骨的密度。

参见图14，在一具体实施方式中，所述装置还可以包括：年龄估计模块106，可以用于根据所述目标骨的密度，估计出所述目标骨对应的人的年龄。

参见图15-16，在一具体实施方式中，所述装置还可以包括：部位获取模块107，可以用于当所述目标骨是人骨时，根据所述目标骨的3d轮廓信息，获取所述目标骨的部位信息；所述部位获取模块107可以包括：第二人骨样本单元1071，可以用于获取第二组人骨样本的3d轮廓信息和部位标注数据，每个人骨样本的部位标注数据可以包括所述人骨样本的部位信息；部位模型单元1072，可以用于根据所述第二组人骨样本的3d轮廓信息和部位标注数据，利用深度学习模型进行训练，得到部位分类模型；第三输入单元1073，可以用于将所述目标骨的3d轮廓信息输入所述部位分类模型，得到所述目标骨的部位信息。

在一具体实施方式中，所述部位信息可以包括部位类型和/或相对位置信息。

参见图17-18，在一具体实施方式中，所述装置还可以包括：损伤获取模块108，可以用于当所述目标骨是人骨时，根据所述目标骨的3d轮廓信息，获取所述目标骨的损伤信息；所述损伤获取模块108可以包括：第三人骨样本单元1081，可以用于获取第三组人骨样本的3d轮廓信息和损伤标注数据，每个人骨样本的损伤标注数据可以包括所述人骨样本的损伤信息；损伤模型单元1082，可以用于根据所述第三组人骨样本的3d轮廓信息和损伤标注数据，利用深度学习模型进行训练，得到损伤分类模型；第四输入单元1083，可以用于将所述目标骨的3d轮廓信息输入所述损伤分类模型，得到所述目标骨的损伤信息。

在一具体实施方式中，所述损伤信息可以包括以下至少一种：损伤类型、损伤次数和损伤程度。

参见图19，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(ram)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骨检测方法的步骤，其具体实现方式与上述骨检测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214，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260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骨检测方法的步骤，其具体实现方式与上述骨检测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20示出了本实施例提供的用于实现上述骨检测方法的程序产品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(wan)，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。