一种基于深度学习的人眼屈光度检测方法与流程

技术特征：
1.一种基于深度学习的人眼屈光度检测方法，其特征在于：该方法包括人眼部区域检测和屈光度计算；通过yolov4算法进行人眼检测并获得眼部区域图像序列，而在屈光度计算方面，利用densenet网络对眼部区域图像尤其是瞳孔中新月形区域特征进行分析，再利用特征加权函数对图像中各个特征赋予权值，融合得到最终预测结果。2.根据权利要求1所述的一种基于深度学习的人眼屈光度检测方法，其特征在于：采集近视或者远视患者客观电脑验光数据以及人眼图像数据特征，作为深度学习中模型学习训练使用的特征，以客观电脑验光数据作为标签特征。3.根据权利要求1所述的一种基于深度学习的人眼屈光度检测方法，其特征在于：基于大规模人眼部区域图像数据集，对其进行划分，使用十折交叉验证的方法得到训练集和验证集。4.根据权利要求1所述的一种基于深度学习的人眼屈光度检测方法，其特征在于：对图像数据进行预处理，并进行数据增强。5.根据权利要求1所述的一种基于深度学习的人眼屈光度检测方法，其特征在于：图像预处理包括直方图均衡化和图像裁剪；直方图均衡化使用累计分布函数，使得在某一灰度区域较密集直方图转换为在整体灰度范围内均匀分布的形式，即对像素值进行非线性拉伸，重新对像素值进行分配，在一定范围内均匀分布；另外使用图像裁剪方法剔除图像中与瞳孔无关干扰区域，提取感兴趣区域roi降低识别干扰。6.根据权利要求1所述的一种基于深度学习的人眼屈光度检测方法，其特征在于：构建深度卷积网络；使用深度卷积神经网络densenet训练、验证和测试模型，获得准确率最高的算法模型。7.根据权利要求6所述的一种基于深度学习的人眼屈光度检测方法，其特征在于：深度卷积网络结构具体为：densenet作为每层的拼接，每一层网络的输入包括前面所有层网络的输出，第l层的输入等于kx k0，其中，k是生长率，表示每一层的通道数；densenet提升了信息和梯度在网络中的传输效率，每层都能直接从损失函数拿到梯度，并且直接得到输入信号，训练更深的网络，这种网络结构还有正则化的效果，其他网络致力于从深度和宽度来提升网络性能，densenet致力于从特征重用的角度来提升网络性能。8.根据权利要求1所述的一种基于深度学习的人眼屈光度检测方法，其特征在于：基于该检测方法实现的装置包括近视及远视数据集模块，被配置为大规模人眼图像数据集，包括客观验光数据，即与图像关联的屈光度；深度学习模型模块，被配置为深度卷积神经网络，使用上一模块数据集进行训练，获得训练并调优好的深度学习卷积神经网络模型，使用此模型识别用户的眼部图像并输出用户的屈光度；接收模块，被配置为用于接收客户端发送的用户的人眼图像，并将用户的眼部图像发送至所述深度学习模型模块进行识别；反馈模块，被配置为用于向所述客户端反馈所述深度学习模型模块输出的屈光度；由近视及远视数据集模块、深度学习模型模块、接收模块和反馈模块可组成所述装置的服务器模块；另外所述客户端模块为手机端客户端。
9.根据权利要求1所述的一种基于深度学习的人眼屈光度检测方法，其特征在于：使用训练的所述深度卷积网络模型对大规模人眼图像进行特征提取；将人眼图像输入训练完成的深度神经网络模型进行模式识别和性能分析，最后输出分析结果，即由此可得人眼屈光度信息。10.根据权利要求1所述的一种基于深度学习的人眼屈光度检测方法，其特征在于：步骤一，采集大规模近视或者远视患者客观电脑验光数据以及人眼图像数据特征，作为深度学习中模型学习训练使用的特征，人眼图像为红外光照射下拍摄的jpg格式图片，同一个人拍摄照片置于同一个文件目录下，以此人的客观电脑验光数据作为文件名称，即标签特征；步骤二，构建数据集，基于大规模人眼部区域图像数据集进行划分，使用十折交叉验证的方法得到训练集和验证集；步骤三，人眼图像预处理以及数据增强，包括以下流程：图像预处理包括直方图均衡化和图像裁剪；直方图均衡化使用累计分布函数，使得在某一灰度区域较密集直方图转换为在整体灰度范围内均匀分布的形式，即对像素值进行非线性拉伸，重新对像素值进行分配，在一定范围内均匀分布；另外使用图像裁剪方法剔除图像中与瞳孔无关干扰区域，提取感兴趣区域roi降低识别干扰；采用增加高斯噪声方案，在原始图像之上随机叠加噪声；步骤四，构建以及训练深度学习网络模型，使用深度卷积神经网络densenet训练、验证和测试模型，经不断调优后获得准确率最高的算法模型；其中深度卷积网络结构具体为：densenet作为每层的拼接，每一层网络的输入包括前面所有层网络的输出，第l层的输入等于kx k0，其中，k是生长率，表示每一层的通道数；densenet提升了信息和梯度在网络中的传输效率，每层都能直接从损失函数拿到梯度，并且直接得到输入信号；在所述训练过程中，神经网络模块包括依次顺序连接的第一卷积层模块、第二卷积层模块、全连接层模块和激活函数层；逐渐提取输入图像的有效特征，同时为了最小化理想标签向量和实际输出标签向量之间的误差，网络模块通过反向传播使用梯度下降的方法来逐步调整其内核的参数；使用adam优化器将测试屈光度与待检测者的实际屈光度的差值作为损失，通过反向传播调整所述网络结构中的各个卷积层；所述第一卷积层模块中的卷积层数量为五个，第二卷积层模块中的卷积层数量为八个，全连接层模块中的全连接层数量为两个，激活函数层采用softmax函数；步骤五，使用所述训练的深度学习网络模型对大规模人眼图像进行特征提取；将卷积核看作特征检测器，通过densenet的卷积核，神经网络模块从输入的图像中学习到其独有的特征，为构建有效模型，池化层会将语义上类似的特征合并成相应的一个，采用的池化方式是计算一个特征图中局部单元块的最大值，进行特征图的子采样；每个子采样单元从卷积特征图中的单位区域获取输入，并将这些输入的最大值作为池化后的数值，进而构成池化后的特征图；步骤六，将人眼图像输入训练完成并经过调优后得到的最终的深度学习神经网络模型进行模式识别，并通过训练阶段的学习经验对输入图像进行性能分析；步骤七，输出用户的屈光度。

技术总结
本发明公开了一种基于深度学习的人眼屈光度检测方法，包括人眼部区域检测和屈光度计算。首先，通过YOLOv4算法进行人眼检测并获得眼部区域图像序列，而在屈光度计算方面，利用DenseNet网络对眼部区域图像尤其是瞳孔中新月形区域特征进行分析，再利用特征加权函数对图像中各个特征赋予权值，融合得到最终预测结果。本发明将深度学习算法应用到屈光度的精确评估任务，针对具体应用实例进行了有效的总体方案设计、流程优化及算法参数设置。通过大量数据测试，其评估准确度已达到临床应用标准。其评估准确度已达到临床应用标准。其评估准确度已达到临床应用标准。


技术研发人员：袁甲伟 李永
受保护的技术使用者：北京工业大学
技术研发日：2021.10.26
技术公布日：2022/1/28