一种基于模型训练的屈光检测方法和检测系统与流程

1.本发明涉及屈光检测技术领域，具体涉及一种基于模型训练的屈光检测方法和检测系统。


背景技术：

2.眼是人体观察客观事物的感觉器官。外界远、近物体发出或反射出来的光线，不论是平行的还是分散的，均需经过眼的屈光系统屈折后，集合结象于视网膜上，再由此发出冲动，经过视路传达到大脑视中枢而产生视觉。屈光不正是指眼在不使用调节时，平行光线通过眼的屈光作用后，不能在视网膜上结成清晰的物像，而在视网膜前或后方成像。我们常说的近视与散光就是屈光不正的表现。我国儿童青少年近视发病率随年龄的增长逐年增加，且发病率有仍呈现上升的趋势，近视防控任务艰巨。为了能够尽早发现有视力问题的儿童与青少年，以便进行及时有效地治疗和干预，需要对他们进行屈光检测。在以往的屈光检测方法中，使用筛查仪是一种常用的方法，筛查仪一般采用偏心摄影验光法，适用于大范围屈光检测，但存在易受环境因素影像，且对被测者的位置配合要求较高，对使用者的专业知识也有一定要求的问题，导致传统偏心摄影验光法检测准确率有待提升。


技术实现要素：

3.有鉴于此，本发明实施方式提供了一种基于模型训练的屈光检测方法和检测系统，从而提高了屈光检测的准确率。
4.根据第一方面，一种基于模型训练的屈光检测方法，所述方法包括：
5.获取被采集者的瞳孔信息样本集、人员信息样本集和屈光数据集，所述瞳孔信息样本集中至少包含瞳孔图像和瞳孔位置信息，所述人员信息样本集中至少包含环境光照信息和人员站位信息；
6.对所述瞳孔信息样本集和所述人员信息样本集进行数据预处理，并根据所述屈光数据集构建检测训练样本集；
7.根据检测训练样本集对屈光检测模型进行训练，以通过训练后的屈光检测模型对待检测人员进行屈光检测。
8.可选地，获取的所述瞳孔信息样本集中至少包含瞳孔图像和瞳孔位置信息，包括：
9.定位被采集者面部图像的眼部区域得到所述瞳孔位置信息；
10.对所述眼部区域进行分割处理得到的所述瞳孔图像。
11.可选地，所述对所述瞳孔信息样本集和人员信息样本集进行数据预处理构建检测训练样本集，包括：
12.对所述瞳孔信息样本集中的图像进行图像预处理；
13.对所述人员信息样本集中的数据进行数据质量预处理；
14.根据所述屈光数据集对所述瞳孔信息样本集和所述人员信息样本集进行标注，并将标注后的样本构建为所述检测训练样本集。
15.可选地，所述根据所述屈光数据集对所述瞳孔信息样本集和所述人员信息样本集进行标注，包括：
16.所述屈光数据集包括屈光数值，包括球镜、柱镜和轴位信息。
17.可选地，所述人员信息样本集至少还包括所述被采集者的个人信息。
18.可选地，一种基于模型训练的屈光检测方法，所述方法还包括：
19.获取所述人员信息样本集和历史屈光数据集；
20.对所述人员信息样本集进行数据质量预处理，并根据历史屈光数据集构建预测训练样本集；
21.根据预测训练样本集对视力预测模型进行训练，以通过训练后的视力预测模型对待检测人员进行视力预测。
22.根据第二方面，一种基于模型训练的屈光检测系统，所述系统包括：
23.数据获取模块，获取被采集者的瞳孔信息样本集、人员信息样本集和屈光数据集，所述瞳孔信息样本集中至少包含瞳孔图像和瞳孔位置信息，所述人员信息样本集中至少包含环境光照信息和人员站位信息；
24.训练样本模块，对所述瞳孔信息样本集和所述人员信息样本集进行数据预处理，并根据所述屈光数据集构建检测训练样本集；
25.检测模块，根据模型训练样本集对屈光检测模型进行训练，以通过训练后的屈光检测模型对待检测人员进行屈光检测。
26.可选地，一种基于模型训练的屈光检测系统，所述系统包括：
27.数据获取模块，获取所述人员信息样本集和历史屈光数据集；
28.训练样本模块，对所述人员信息样本集进行数据质量预处理，并根据历史屈光数据集构建预测训练样本集；
29.预测模块，根据预测训练样本集对视力预测模型进行训练，以通过训练后的视力预测模型对待检测人员进行视力预测。
30.根据第三方面，一种屈光检测设备，包括：
31.存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面，或者第一方面任意一种可选实施方式中所述的方法。
32.根据第四方面，本发明实施例提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机从而执行第一方面，或者第一方面任意一种可选实施方式中所述的方法。
33.本发明技术方案，具有如下优点：
34.本发明实施例提供的一种基于模型训练的屈光检测方法，该方法具体包括：首先获取瞳孔信息样本集和人员信息样本集以及屈光数据集，其中瞳孔信息样本集中至少包含瞳孔图像和瞳孔位置信息，人员信息样本集中至少包含环境光照信息和人员站位信息；之后将获取的瞳孔信息样本集和人员信息样本集进行数据预处理，并根据屈光数据集构建检测训练样本集；最后根据检测训练样本集对屈光检测模型进行训练，以通过训练后的屈光检测模型对待检测人员进行屈光检测。通过大量不同环境因素下的瞳孔图像结合被采集人员的个人信息，从而获得情况覆盖绝大多数条件的样本数据，使得通过机器学习等算法构
建的屈光检测模型尽可能完备，针对绝大多数的待检测人员，均可有效的对其进行屈光检测，提高了屈光检测的准确性。进而通过历史视力数据建模，根据被采集人员视力随时间变化的趋势建立的视力预测模型，使得本方法在屈光检测之外还可以实现对未来视力预测。进一步提高了本方法的实用性。
附图说明
35.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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。
36.图1为本发明实施例的一种基于模型训练的屈光检测方法的步骤示意图；
37.图2为本发明实施例的一种基于模型训练的屈光检测方法的图像处理流程示意图；
38.图3为本发明实施例的一种基于模型训练的屈光检测系统结构示意图；
39.图4为本发明实施例的一种基于模型训练的屈光检测系统结构示意图
40.图5为本发明实施例的一种屈光检测设备结构示意图；
具体实施方式
41.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
42.下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
43.请参阅图1，本发明实施例提供的一种基于模型训练的屈光检测方法具体包括如下步骤：
44.步骤s101：获取被采集者的瞳孔信息样本集、人员信息样本集和屈光数据集，瞳孔信息样本集中至少包含瞳孔图像和瞳孔位置信息，人员信息样本集中至少包含环境光照信息和人员站位信息。
45.具体地，传统的筛查仪一般采用偏心摄影验光法，适用于大范围屈光检测，但易受环境因素影像，且对被测者的位置配合要求较高，对使用者的专业知识也有一定要求。偏心摄影验光原理是采用近红外发光二极管组成光源阵列，光线以特定角度射向一定距离外的被检瞳孔，光线穿过瞳孔打在视网膜上，被视网膜反射，期间光线经由眼球屈光系统折射后，从瞳孔区域发出而被图像采集装置摄取。因此被检眼的屈光状态和调节状态决定了被检眼瞳孔区光影的形态和亮度，之后专业人员通过瞳孔中新月形亮区域在瞳孔区域上的位置和状态，得到被测人员的屈光信息。那么构建一种通过大量数据训练的检测模型，进而自动完成屈光检验是一种很好的方案。基于此，本发明首先通过使用基于偏心摄影验光原理的硬件系统，采集大量的被采集者的面部图像，其中面部图像可以是正脸和有一定旋转角度的侧脸。之后提取面部图像中的瞳孔图像和瞳孔位置，得到较为完备的瞳孔信息样本集，
其中瞳孔信息样本集除必须包括瞳孔图像和瞳孔位置信息以外还可以包括面部图像，进一步地还可以包括被采集人的上半身图像等，本发明并不以此为限。其中瞳孔位置信息是眼部区域在面部图像中的定位。各个瞳孔图像所对应的人员信息样本包括但不限于：不同光照条件下获取瞳孔图像的环境光照信息，人员距离拍照设备不同距离不同方向站位的人员站位信息。屈光数据集可以通过被采集人在视力检测点主观验光获得，可包括球镜、柱镜、轴位、瞳距等。人员站位信息可通过但不限于超声波测距传感器、激光测距传感器、红外测距传感器、雷达测距传感器等传感器中的一种或多种，通过图像传感器利用单目视觉或双目视觉和图像处理算法进行距离测量获得。环境光照信息可以通过光照传感器获得。特别地，人员信息样本集中还可以包括：被采集人的姓名、班级、性别、年龄、身高、体重、bmi指数、父母近视情况、历史视力数据、历史屈光数据等。通过大量的瞳孔图像信息和人员信息可以组建出绝大多数屈光信息出现的情况，使得待检测人员在检测过程中姿势、位置更加随意，完善的数据样本从而构建了完善的检测模型，对待检测人员进行屈光检测减少了专业人员凭经验确定屈光信息的步骤，使得屈光检测对人员素质的门槛更加平滑，避免了人员的主观判断，大大提高了屈光检测准确率。
46.具体地，在一实施例中，人员信息样本集至少还包括被采集者的个人信息。个人信息包括但不限于：被采集人的姓名、班级、性别、年龄、身高、体重、bmi指数、父母近视情况、历史视力数据、历史屈光数据等。通过更详细的人员信息，综合考虑各方面客观因素，以提高屈光检测方法的准确性和可靠性。
47.步骤s102：对瞳孔信息样本集和人员信息样本集进行数据预处理，并根据屈光数据集构建检测训练样本集。具体地，在获取到瞳孔信息样本集和人员信息样本集之后，对采集到的图像数据的预处理主要包括但不限于图像滤波、剪裁、变换、拼接组合等操作中的一种或多种，其中拼接组合又可包括图像区域的拼接或者图像多通道的合成等操作。对采集到的数值数据的预处理主要包括但不限于数据清理、数据集成、数据规约、数据变换等操作中的一种或多种。通过上述处理，针对瞳孔信息样本集使其图像中的特征更加清晰，并且剔除不合格图像，保证数据质量，提高了后续训练模型建立的可靠性。针对人员信息样本集的数据预处理，剔除了不合格的相关人员信息数据，也保证了数据质量，提高了后续训练模型建立的可靠性。之后结合人员信息样本集和瞳孔信息样本集进行数据的标注组成检测训练样本集，其标签形式为屈光数据集中的屈光数值，包括球镜、柱镜和轴位信息。标签来源可为专业医疗机构检测获得或专业验光设备检测获得，所组成的检测训练样本集以进行下述步骤的检测模型的建立。
48.步骤s103：根据检测训练样本集对屈光检测模型进行训练，以通过训练后的屈光检测模型对待检测人员进行屈光检测。具体地，通过步骤s102得到的检测训练样本集作为屈光检测模型的输入，从而通过迭代训练调整屈光检测模型中的相关参数，建立所需的完备屈光检测模型。通过至少一种学习算法对数据集进行训练，调节参数使得模型达到最优化。此处的学习算法包括但不限于：神经网络模型、回归模型、最小二乘法模型、支持向量机、马尔可夫算法等中的一个或多个，其中神经网络模型包括深度神经网络、循环神经网络、卷积神经网络等中的一种或多种。本发明实施例中采用cnn方法进行检测模型的构建，之后通过建立好的屈光检测模型对待测者进行屈光检测，实现了自动检测的目的，相较于传统屈光检测方法，提高了屈光检测的适用范围，提高了屈光检测的准确率。
49.具体地，在一实施例中，上述步骤的s101，具体包括如下步骤：
50.步骤s201：定位被采集者面部图像的眼部区域得到瞳孔位置信息。具体地，如图2所示，在使用基于偏心摄影验光原理的硬件系统，采集被测者面部的图像之后，由于我们需要的是被采集人员的瞳孔信息，从而进行屈光检测，因此需要剔出无关的图像信息，避免过多的样本噪声。首先在面部图像中定位眼部区域。本发明实施例中使用的是模板匹配的方法进行眼部区域的定位，也可使用级联分类器的方法进行定位，异或根据图像像素灰度值关系进行眼部区域的定位，本发明并不以此为限。通过所定位的眼部区域图像，获取了瞳孔位置信息，并对眼部区域图像进行接下来步骤s202的处理。
51.步骤s202：对眼部区域进行分割处理得到的瞳孔图像。具体地，进一步对眼部区域图像进行处理，本发明实施例中对眼部区域进行自适应二值化处理。二值化后，图像仅保留瞳孔区域和眼部区域中的部分像素值，其余像素值均为0。之后使用区域生长法对二值化后的图像进行处理，分割出瞳孔区域，舍弃掉非瞳孔区域的像素。为了获取的图像特征更明显，对分割出的瞳孔进行形态学滤波，更精确地得到瞳孔区域。经过以上几个主要步骤的处理，提取的瞳孔位置信息和瞳孔图像，特征更加明显，提高了后续模型建立的可靠性。
52.具体地，在一实施例中，上述的步骤s102，具体包括如下步骤：
53.步骤s203：对瞳孔信息样本集中的图像进行图像预处理。具体地，为了获取更加准确的数据样本，通过步骤s201～s202得到的图像数据进行图像预处理，降低图像中不相关的干扰。其中对采集到的图像数据的预处理包括但不限于图像滤波、剪裁、变换、拼接组合。其中拼接组合又包括图像区域的拼接、图像多通道的合成等操作。继而得到了特征明显，噪声平滑的图像数据，提高了后续步骤建立的检测模型的可靠性。
54.步骤s204：对人员信息样本集中的数据进行数据质量预处理。具体地，为了获取更加准确的数据样本，对采集到的人员信息样本集中的数值数据的预处理主要包括但不限于数据清理、数据集成、数据规约、数据变换。从而剔除掉不合格的数据，避免对后续建模步骤造成干扰，提高了后续步骤建立的检测模型的可靠性。
55.步骤s205：根据屈光数据集对瞳孔信息样本集和人员信息样本集进行标注，并将标注后的样本构建为检测训练样本集。具体地，根据被采集人对应的将人员信息样本集中的数据和瞳孔信息样本集中的图像数据进行匹配，之后根据屈光数据也就是被采集人的屈光信息(包括球镜、柱镜和轴位信息，该信息的获取场景包括但不限于医院、体检中心、视光中心、学校体检、眼镜店等)，对应地作为上述匹配后数据的训练模型期望值进行标注。将标注好的数据打包组成检测训练样本集。所获得的检测训练样本集数据量大，情况细致，从而进行步骤s103中屈光检测模型的构建，保证了调整的模型参数准确性和有效性，提高了屈光检测模型的可靠性。
56.通过执行上述各个步骤，本发明实施例提供的一种基于模型训练的屈光检测方法，通过大量不同环境因素下的瞳孔图像结合被采集人员的个人信息，从而获得情况覆盖绝大多数条件的样本数据，使得通过机器学习等算法构建的屈光检测模型尽可能完备，针对绝大多数的待检测人员，均可有效的对其进行屈光检测，提高了屈光检测的准确性
57.如图3所示，本实施例还提供了一种基于模型训练的屈光检测系统，应用于屈光检测设备，该系统包括：
58.数据获取模块101，数据获取模块，获取被采集者的瞳孔信息样本集、人员信息样
本集和屈光数据集，瞳孔信息样本集中至少包含瞳孔图像和瞳孔位置信息，人员信息样本集中至少包含环境光照信息和人员站位信息。详细内容参见上述方法实施例中步骤s101的相关描述，在此不再进行赘述。
59.训练样本模块102，对瞳孔信息样本集和人员信息样本集进行数据预处理，并根据屈光数据集构建检测训练样本集。详细内容参见上述方法实施例中步骤s102的相关描述，在此不再进行赘述。
60.检测模块103，根据模型训练样本集对屈光检测模型进行训练，以通过训练后的屈光检测模型对待检测人员进行屈光检测。详细内容参见上述方法实施例中步骤s103的相关描述，在此不再进行赘述。
61.具体地，本发明实施例提供的一种基于模型训练的屈光检测方法，还包括如下步骤：
62.步骤s206：获取历史屈光数据集。具体地，为了进一步优化本发明的方法，除屈光检测之外，本发明还可以提供屈光预测的功能。获取被采集人的历史屈光数据，以得到被采集人在一段时间内的屈光信息变化趋势，其中该数据的获取场景包括但不限于医院、体检中心、视光中心、学校体检、眼镜店等。特别地，人员信息样本集中还可以包括：被采集人的姓名、班级、性别、年龄、身高、体重、bmi指数、父母近视情况、等。
63.步骤s207：对人员信息样本集进行数据质量预处理，并根据历史屈光数据集构建预测训练样本集。具体地，对人员信息样本集中的数据进行数据质量检测，从而得到更加准确的数据样本，提高预测模型的可靠性，之后根据历史屈光数据内被采集者一段时间内的屈光信息变化量对人员信息样本集进行标注构建预测训练样本集，具体质量检测方式参考步骤s204，不再赘述。
64.步骤s208：根据预测训练样本集对视力预测模型进行训练，以通过训练后的视力预测模型对待检测人员进行视力预测。通过预测训练样本集中大量的被采集者的历史视力数据进行训练预测模型，提高了样本数据的可靠性，进而提高了预测模型的准确性和有效性。预测模型构建方法的详细描述同步骤s103，不再赘述。
65.通过执行上述各个步骤，本发明实施例提供的一种基于模型训练的屈光检测方法，进而通过历史视力数据建模，根据被采集人员视力随时间变化的趋势建立的视力预测模型，使得本方法在屈光检测之外还可以实现对未来视力预测。进一步提高了本方法的实用性。
66.如图4所示，可选地，一种基于模型训练的屈光检测系统，还包括：
67.数据获取模块206，获取人员信息样本集和历史屈光数据集。详细内容参见上述方法实施例中步骤s206的相关描述，在此不再进行赘述。
68.训练样本模块207，对人员信息样本集进行数据质量预处理，并根据历史屈光数据集构建预测训练样本集。详细内容参见上述方法实施例中步骤s207的相关描述，在此不再进行赘述。
69.预测模块208，根据预测训练样本集对视力预测模型进行训练，以通过训练后的视力预测模型对待检测人员进行视力预测。详细内容参见上述方法实施例中步骤s208的相关描述，在此不再进行赘述。
70.本发明实施例提供的屈光检测系统，用于执行上述实施例提供的屈光检测方法，
其实现方式与原理相同，详细内容参见上述方法实施例的相关描述，不再赘述。
71.通过上述各个组成部分的协同合作，本发明实施例提供的一种基于模型训练的屈光检测系统，通过大量不同环境因素下的瞳孔图像结合被采集人员的个人信息，从而获得情况覆盖绝大多数条件的样本数据，使得通过机器学习等算法构建的屈光检测模型尽可能完备，针对绝大多数的待检测人员，均可有效的对其进行屈光检测，提高了屈光检测的准确性。进而通过历史屈光数据建模，根据被采集人员视力随时间变化的趋势建立的视力预测模型，使得本方法在屈光检测之外还可以实现对未来视力预测。进一步提高了本方法的实用性。
72.图5示出了本发明实施例的一种屈光检测设备，该设备包括：处理器901和存储器902，可以通过总线或者其他方式连接，图5中以通过总线连接为例。
73.处理器901可以为中央处理器(central processing unit，cpu)。处理器901还可以为其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(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、分立硬件组件等芯片，或者上述各类芯片的组合。
74.存储器902作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如上述方法实施例中的方法所对应的程序指令/模块。处理器901通过运行存储在存储器902中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的方法。
75.存储器902可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器901所创建的数据等。此外，存储器902可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器902可选包括相对于处理器901远程设置的存储器，这些远程存储器可以通过网络连接至处理器901。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
76.一个或者多个模块存储在存储器902中，当被处理器901执行时，执行上述方法实施例中的方法。
77.上述屈光检测设备具体细节可以对应参阅上述方法实施例中对应的相关描述和效果进行理解，此处不再赘述。
78.本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，实现的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)、随机存储记忆体(random access memory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid-state drive，ssd)等；存储介质还可以包括上述种类的存储器的组合。
79.虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。