图像检测方法、装置、计算机设备及存储介质与流程

本公开涉及计算机视觉，具体而言，涉及一种图像检测方法、装置、计算机设备及存储介质。

背景技术：

1、随着生活水平的提高，人们越来越关注儿童的生理发育和心理发育的健康。通常，对于生理发育情况，可以通过检测骨骼测定年龄(简称骨龄)判断骨骼的生长发育状态是否正常，以此确定生理发育情况。

2、一般的，可以通过深度学习的骨龄评估模型得到骨骼图像中各个骨骺的骨骺发育等级，进而根据骨骼图像中各个骨骺的骨骺发育等级，确定骨龄信息。然而，通过深度学习的骨龄评估模型，得到的骨骼图像中各个骨骺的骨骺发育等级是离散数据，不符合骨骼发育的连续性，且根据精度较低的骨骺发育等级，确定的骨龄信息的准确性较低。

技术实现思路

1、有鉴于此，本公开至少提供一种图像检测方法、装置、计算机设备及存储介质。

2、第一方面，本公开提供了一种图像检测方法，包括：

3、对待检测骨骼图像进行检测，生成所述待检测骨骼图像包括的每个骨骺的发育等级信息，所述发育等级信息为浮点类型数据；

4、根据骨骺发育等级与骨骺成熟度之间的映射关系，对所述骨骺的发育等级信息进行调整，得到调整后发育等级信息，其中所述调整后发育等级信息为整数类型数据；

5、基于各个所述骨骺分别对应的调整后发育等级信息，确定所述待检测骨骼图像对应的骨龄信息。

6、上述方法中，通过对待检测骨骼图像进行检测，生成待检测骨骼图像包括的每个骨骺的发育等级信息，其中发育等级信息为浮点类型数据，符合骨骼生长发育的连续性，故生成的每个骨骺的发育等级信息较精确。考虑到在骨骺发育等级与骨骺成熟度之间的映射关系中，骨骺发育等级是离散的整数类型数据，以映射关系指示的骨骺成熟度作为参考，可以根据骨骺发育等级与骨骺成熟度之间的映射关系，对骨骺的发育等级信息进行调整，得到较精确的调整后发育等级信息，这里调整后发育等级信息为整数类型数据，故可以基于各个骨骺分别对应的调整后发育等级信息，确定待检测骨骼图像对应的骨龄信息，提高了确定待检测图像对应的骨龄信息的准确性。

7、一种可能的实施方式中，所述根据骨骺发育等级与骨骺成熟度之间的映射关系，对所述骨骺的发育等级信息进行调整，得到调整后发育等级信息，包括：

8、根据骨骺发育等级与骨骺成熟度之间的映射关系，以及所述骨骺的发育等级信息，确定所述骨骺的参考成熟度数据；

9、基于所述骨骺的参考成熟度数据，对所述骨骺的发育等级信息进行调整，得到调整后发育等级信息。

10、由于骨骼生长发育的连续性，浮点类型的骨骺的发育等级信息与实际的骨骺发育等级较为相近，故根据骨骺发育等级与骨骺成熟度之间的映射关系，以及骨骺的发育等级信息，确定的骨骺的参考成熟度数据较为精确，进而，基于骨骺的参考成熟度数据，对骨骺的发育等级信息进行调整，能够得到较为准确的调整后发育等级信息。

11、一种可能的实施方式中，所述基于所述骨骺的参考成熟度数据，对所述骨骺的发育等级信息进行调整，得到调整后发育等级信息，包括：

12、生成所述待检测骨骼图像中多个骨骺对应的调整序列集，所述调整序列集中包括有多个调整序列，每个调整序列用于指示多个骨骺分别对应的取整方式，不同调整序列中至少部分骨骺对应的取整方式不同；

13、基于所述多个骨骺对应的所述发育等级信息和所述参考成熟度数据，从所述调整序列集中选取目标调整序列；

14、基于所述目标调整序列指示的每个骨骺的目标取整方式，对所述骨骺的发育等级信息进行调整，得到调整后发育等级信息。

15、这里，待检测骨骼图像中多个骨骺对应的调整序列集包括的多个调整序列中，不同调整序列中至少部分骨骺对应的取整方式不同，基于多个骨骺对应的发育等级信息和参考成熟度数据，可以从调整序列集中选取较为准确的目标调整序列；进而，基于目标调整序列指示的每个骨骺的目标取整方式，对骨骺的发育等级信息进行调整，得到的调整后发育等级信息较精确。

16、一种可能的实施方式中，所述根据骨骺发育等级与骨骺成熟度之间的映射关系，以及所述骨骺的发育等级信息，确定所述骨骺的参考成熟度数据，包括：

17、针对所述待检测骨骼图像中每个骨骺，对所述骨骺对应的所述发育等级信息进行向上取整处理，生成第一发育等级信息；以及对所述骨骺对应的所述发育等级信息进行向下取整处理，生成第二发育等级信息；

18、根据骨骺发育等级与骨骺成熟度之间的映射关系，确定所述第一发育等级信息对应的第一成熟度数据、和所述第二发育等级信息对应的第二成熟度数据；

19、基于所述第一成熟度数据和所述第二成熟度数据，生成所述骨骺对应的参考成熟度数据。

20、这里，考虑到在骨骺发育等级与骨骺成熟度之间的映射关系中，骨骺发育等级是离散的整数类型数据，而待检测骨骼图像包括的每个骨骺的发育等级信息为浮点类型数据，故对每个骨骺的发育等级信息进行取整操作，以便可以根据骨骺发育等级与骨骺成熟度之间的映射关系，以及取整后的发育等级信息，较准确的生成骨骺对应的参考成熟度数据。

21、一种可能的实施方式中，所述基于所述第一成熟度数据和所述第二成熟度数据，生成所述骨骺对应的参考成熟度数据，包括：

22、基于所述骨骺对应的所述第二发育等级信息和所述发育等级信息，确定第一权重数据，以及基于所述骨骺对应的所述第一发育等级信息和所述发育等级信息，确定第二权重数据；

23、按照所述第一权重数据和所述第二权重数据，将所述第一成熟度数据和所述第二成熟度数据加权求和，得到所述骨骺对应的参考成熟度数据。

24、这里，基于骨骺对应的第二发育等级信息和发育等级信息，确定的第一权重数据可以表征发育等级信息与第二发育等级信息之间的偏差程度，以及基于骨骺对应的第一发育等级信息和发育等级信息，确定第二权重数据可以表征发育等级信息与第一发育等级信息之间的偏差程度，故通过按照第一权重数据和第二权重数据，将第一成熟度数据和第二成熟度数据加权求和，得到的骨骺对应的参考成熟度数据较精确。

25、一种可能的实施方式中，所述基于所述多个骨骺对应的所述发育等级信息和所述参考成熟度数据，从所述调整序列集中选取目标调整序列，包括：

26、针对所述调整序列集中的每个所述调整序列，基于所述调整序列指示的每个骨骺对应的取整方式，对所述骨骺的所述发育等级信息进行取整操作，生成所述调整序列下每个骨骺的候选发育等级信息；

27、基于所述调整序列下每个骨骺的候选发育等级信息，以及所述骨骺发育等级与骨骺成熟度之间的映射关系，确定所述调整序列下各个骨骺分别对应的候选成熟度数据；并确定所述调整序列下各个骨骺的候选成熟度数据的第一和值；

28、基于各个所述调整序列分别对应的所述第一和值，以及确定的各个所述骨骺对应的所述参考成熟度数据的第二和值，从所述调整序列集中确定目标调整序列。

29、由于在骨骺发育等级与骨骺成熟度之间的映射关系中，骨骺发育等级是离散的整数类型数据，故针对调整序列集中的每个调整序列，基于调整序列指示的每个骨骺对应的取整方式，对骨骺的发育等级信息进行取整操作，生成调整序列下每个骨骺的候选发育等级信息，以便可以根据骨骺发育等级与骨骺成熟度之间的映射关系，确定调整序列下每个骨骺的候选发育等级信息对应的候选成熟度数据，并可以确定调整序列下各个骨骺的候选成熟度数据的第一和值。进而，基于各个调整序列分别对应的第一和值，以及确定的各个骨骺对应的参考成熟度数据的第二和值，从调整序列集中确定目标调整序列，这里，目标调整序列对应的第一和值与第二和值之间的偏差绝对值最小，表征按照目标调整序列指示的各个骨骺分别对应的取整方式，得到的每个骨骺的调整后发育等级信息较精确。

30、一种可能的实施方式中，所述基于各个所述骨骺分别对应的调整后发育等级信息，确定所述待检测骨骼图像对应的骨龄信息，包括：

31、基于各个所述骨骺分别对应的所述调整后发育等级信息，以及所述骨骺发育等级与骨骺成熟度之间的映射关系，确定每个所述骨骺对应的目标成熟度数据；

32、基于各个所述骨骺分别对应的目标成熟度数据的和值，确定所述待检测骨骼图像对应的骨龄信息。

33、这里，目标调整序列下各个骨骺的候选成熟度数据的第一和值与各个骨骺的参考成熟度数据的第二和值之间的偏差绝对值最小，故按照目标调整序列指示的各个骨骺分别对应的取整方式，对每个骨骺的发育等级信息进行取整操作，确定的每个骨骺的调整后发育等级信息较精确；以及基于每个骨骺的调整后发育等级信息，确定的待检测骨骼图像对应的骨龄信息的准确性较高。

34、一种可能的实施方式中，所述对待检测骨骼图像进行检测，生成所述待检测骨骼图像包括的每个骨骺的发育等级信息，包括：

35、获取待检测骨骼图像、和所述待检测骨骼图像包括的每个骨骺的关键点位置信息；

36、对所述待检测骨骼图像进行归一化处理，生成处理后骨骼图像；

37、基于各个所述骨骺分别对应的关键点位置信息，从所述处理后骨骼图像中，确定每个骨骺匹配的骨骺图像；

38、分别对每个所述骨骺匹配的所述骨骺图像进行检测，确定所述骨骺的发育等级信息。

39、这里，对获取的待检测骨骼图像进行归一化处理，使得生成的处理后骨骼图像中各个像素点的灰度值满足要求比如满足所使用的目标神经网络的要求，并可以通过获取的各个骨骺分别对应的关键点位置信息，从处理后骨骼图像中，确定每个骨骺匹配的骨骺图像，缓解待检测骨骼图像中其他图像信息对骨骺发育等级检测的干扰，提高了目标神经网络生成的每个骨骺的发育等级信息的精准性。

40、一种可能的实施方式中，在确定每个骨骺匹配的骨骺图像之后，还包括：

41、确定各个骨骺图像分别对应的类别编码信息；

42、所述分别对每个所述骨骺匹配的所述骨骺图像进行检测，确定所述骨骺的发育等级信息，包括：

43、针对每个所述骨骺，对所述骨骺匹配的所述骨骺图像进行特征提取处理，生成所述骨骺匹配的特征数据；

44、将所述骨骺对应的类别编码信息和所述特征数据进行融合，得到融合后特征数据；

45、对所述融合后特征数据进行检测，生成所述骨骺的发育等级信息。

46、这里，类别编码信息可以表征骨骺图像中骨骺的类别，故可以在对骨骺匹配的骨骺图像进行特征提取处理，生成骨骺匹配的特征数据之后，将骨骺对应的类别编码信息和特征数据进行融合，得到融合后特征数据，以使得融合后特征数据包括有类别信息，在对融合后特征数据进行检测时，可以结合类别信息，较精准的确定骨骺的发育等级信息。

47、一种可能的实施方式中，所述骨骺的发育等级信息为利用训练得到的目标神经网络生成的，根据以下步骤训练得到所述目标神经网络：

48、获取训练样本集；所述训练样本集包括第一数量的第一训练样本、和第二数量的第二训练样本，所述第一训练样本包括骨龄标签和发育等级标签，所述第二训练样本包括骨龄标签，所述第一数量小于所述第二数量；

49、基于所述训练样本集中各个所述第一训练样本包括的所述发育等级标签和所述骨龄标签，以及各个所述第二训练样本包括的所述骨龄标签，生成每个所述第二训练样本的发育等级标签；

50、利用所述训练样本集，对待训练神经网络进行训练，得到目标神经网络。

51、这里，通过利用较少数量的包含有骨龄标签和发育等级标签的第一训练样本，以及较多数量的包含有骨龄标签的第二训练样本，生成第二训练样本的发育等级标签，实现了训练样本的构建，减少对训练数据进行标注的时间和所需的工作量，提高获取训练数据的效率；进而可以利用少量的包含有骨龄标签和发育等级标签的第一训练样本，以及大量包含有骨龄标签、和生成的发育等级标签的第二训练样本，对待训练神经网络进行训练，提高得到的目标神经网络的性能。

52、一种可能的实施方式中，所述基于所述训练样本集中各个所述第一训练样本包括的所述发育等级标签和所述骨龄标签，以及各个所述第二训练样本包括的所述骨龄标签，生成每个所述第二训练样本的发育等级标签，包括：

53、基于所述训练样本集中每个所述第一训练样本包括的所述发育等级标签，以及骨骺发育等级与骨骺成熟度之间的映射关系，确定所述第一训练样本中各个骨骺的成熟度；

54、基于各个所述第一训练样本中的所述骨龄标签，以及每个所述第一训练样本中所述各个骨骺的骨骺成熟度，确定在每个骨龄分段下的各个骨骺的成熟度权重；

55、针对每个所述第二训练样本，基于所述第二训练样本的骨龄标签，以及所述骨龄标签匹配的骨龄分段下的各个骨骺的成熟度权重，生成所述第二训练样本的发育等级标签。

56、这里，通过利用包含有发育等级标签和骨龄标签的第一训练样本，确定每个骨龄分段下的各个骨骺的成熟度权重，以便可以根据第二训练样本的骨龄标签，以及该骨龄标签匹配的骨龄分段下的各个骨骺的成熟度权重，确定第二训练样本的发育等级标签，减少对训练数据进行标注的时间和所需的工作量，提高训练数据的标注标签的生成效率。

57、一种可能的实施方式中，所述针对每个所述第二训练样本，基于所述第二训练样本的骨龄标签，以及所述骨龄标签匹配的骨龄分段下的各个骨骺的成熟度权重，生成所述第二训练样本的发育等级标签，包括：

58、基于所述第二训练样本的骨龄标签，确定所述第二训练样本的各个骨骺的骨骺成熟度和值；

59、基于所述第二训练样本对应的所述骨骺成熟度和值、和所述骨龄标签匹配的骨龄分段下的各个骨骺的成熟度权重，生成所述第二训练样本中每个骨骺的骨骺成熟度；

60、基于所述第二训练样本中各个骨骺的所述骨骺成熟度，以及所述骨骺发育等级与骨骺成熟度之间的映射关系，生成所述第二训练样本中每个骨骺的发育等级标签。

61、上述方法中，通过基于第二训练样本的骨龄标签，确定第二训练样本的各个骨骺的骨骺成熟度和值，并利用第二训练样本中骨龄标签匹配的骨龄分段下的各个骨骺的骨骺成熟度权重，以及第二训练样本对应的骨骺成熟度和值，可以较快速的、较准确的生成第二训练样本中每个骨骺的骨骺成熟度，进而得到骨骺的发育等级标签，以便为训练待训练神经网络提供训练数据。

62、一种可能的实施方式中，所述基于所述第二训练样本中各个骨骺的所述骨骺成熟度，以及所述骨骺发育等级与骨骺成熟度之间的映射关系，生成所述第二训练样本中每个骨骺的发育等级标签，包括：

63、针对所述第二训练样本中每个骨骺，从所述骨骺发育等级与骨骺成熟度之间的映射关系中，确定与所述骨骺的所述骨骺成熟度匹配的至少一个骨骺发育等级；

64、基于所述至少一个骨骺发育等级，生成所述骨骺的发育等级标签，所述发育等级标签为浮点类型数据。

65、这里，针对第二训练样本中每个骨骺，在确定了骨骺的骨骺成熟度匹配的至少一个骨骺发育等级后，若骨骺发育等级为多个，则可以利用插值方式，基于多个骨骺发育等级，较精确的生成骨骺的发育等级标签。

66、一种可能的实施方式中，所述利用所述训练样本集，对待训练神经网络进行训练，得到目标神经网络，包括：

67、利用所述样本集中所述第二训练样本，对所述待训练神经网络进行训练，生成中间神经网络；

68、利用所述样本集中所述第一训练样本，对所述中间神经网络的网络参数进行调整，生成目标神经网络。

69、本公开实施例中，通过两阶段训练方法，能够较精准的对待训练神经网络进行训练，使得生成的目标神经网络的性能较好。

70、以下装置、计算机设备等的效果描述参见上述方法的说明，这里不再赘述。

71、第二方面，本公开提供了一种图像检测装置，包括：

72、检测模块，用于对待检测骨骼图像进行检测，生成所述待检测骨骼图像包括的每个骨骺的发育等级信息，所述发育等级信息为浮点类型数据；

73、调整模块，用于根据骨骺发育等级与骨骺成熟度之间的映射关系，对所述骨骺的发育等级信息进行调整，得到调整后发育等级信息，其中所述调整后发育等级信息为整数类型数据；

74、确定模块，用于基于各个所述骨骺分别对应的调整后发育等级信息，确定所述待检测骨骼图像对应的骨龄信息。

75、第三方面，本公开提供一种计算机设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述第一方面或任一实施方式所述的图像检测方法的步骤。

76、第四方面，本公开提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述第一方面或任一实施方式所述的图像检测方法的步骤。

77、为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。