一种牙齿检测方法、系统及存储介质

1.本技术涉及检测技术领域，尤其涉及一种牙齿检测方法、系统及存储介质。


背景技术：

2.相关技术中，牙齿检测，是一种及时发现牙齿问题的技术手段。目前，针对牙齿的牙齿检测，通常是到特定的医疗机构通过检测设备进行的。一方面，牙齿检测在通过检测设备进行检测的同时，还需配备相关操作人员进行操作，操作复杂，很多情况下，还需要进行排队等待，进一步造成了检测过程的复杂度。另一方面，由于该类牙齿检测方法操作复杂，耗时较大，很多患者并不愿意花费时间去医疗机构进行检测，这就造成了牙齿问题发现过晚，无法及时进行救治的问题，如果早点检测并发现牙齿问题，就可以对牙齿进行补救，无需拔除，超过补救期限之后，往往只能进行拔除，因为不能及时发现问题，患者在牙齿问题上面所花费的时间和精力变得更多。因此，相关技术中的牙齿检测过于复杂，亟需一种牙齿检测的方法，使得患者及时发现牙齿健康问题。


技术实现要素：

3.本技术旨在至少解决现有技术中存在的技术问题之一。为此，本技术提出一种牙齿检测方法、系统及存储介质，能够简化牙齿检测，并及时发现牙齿健康问题。
4.根据本技术的第一方面实施例的牙齿检测方法，包括：
5.获取待检测图像；
6.根据预设的分区策略对所述待检测图像进行分区处理，得到多个第一分区图像；
7.对多个所述第一分区图像进行背景过滤处理，得到多个第一口腔图像；
8.将所述待检测图像和多个所述第一口腔图像输入预设的检测网络模型进行检测，分别得到所述待检测图像对应的第一检测结果、多个所述第一口腔图像对应的第二检测结果；
9.将所述第一检测结果和所述第二检测结果进行融合，得到最终检测结果。
10.根据本技术的一些实施例，所述获取待检测图像，包括：
11.获取移动端拍摄或者存储的所述待检测图像。
12.根据本技术的一些实施例，所述根据预设的分区策略对所述待检测图像进行分区处理，得到多个第一分区图像，包括：
13.获取所述待检测图像的宽高信息，并根据所述宽高信息中的第一宽高数值，计算得到每一所述第一分区图像的第二宽高数值；
14.根据所述第二宽高数值和预设的重叠比例，将所述待检测图像划分为多个所述第一分区图像，其中，每两个连续的所述第一分区图像之间的交集区域大于或等于所述重叠比例。
15.根据本技术的一些实施例，所述对多个所述第一分区图像进行背景过滤处理，包括：
16.通过目标支持向量机对多个所述第一分区图像进行背景过滤处理。
17.根据本技术的一些实施例，所述目标支持向量机通过如下步骤得到：
18.获取多个第一训练图像，其中，多个所述第一训练图像包括多个所述第二背景图像、多个所述第二口腔图像；
19.对多个所述第二背景图像、多个所述第二口腔图像进行数量等比例标记，得到多个所述第二背景图像对应的负面样本集、多个所述第二口腔图像对应的正面样本集；
20.根据所述负面样本集、所述正面样本集，分别获取第一训练集、测试集；
21.根据所述第一训练集、所述测试集，对初始支持向量机能够根据直方图数组对图像进行分类的能力进行训练，得到训练后的所述目标支持向量机。
22.根据本技术的一些实施例，所述将所述待检测图像和多个所述第一口腔图像输入预设的检测网络模型进行检测，包括：
23.对所述待检测图像和多个所述第一口腔图像进行图像大小调整；
24.将调整后的所述待检测图像和多个所述第一口腔图像输入所述检测网络模型，以对所述待检测图像和多个所述第一口腔图像进行检测。
25.根据本技术的一些实施例，所述检测网络模型通过如下步骤得到：
26.获取多个第二训练图像，其中，多个第二训练图像包括多个完整图像、与所述完整图像一一对应的多个第三口腔图像；
27.将多个所述完整图像作为单一样本集，将多个所述完整图像、多个所述第三口腔图像进行混合并作为混合样本集；
28.通过所述单一样本集、所述混合样本集对初始yolov5网络模型进行训练，得到所述检测网络中的目标yolov5网络模型；
29.通过所述单一样本集、所述混合样本集对初始yolox网络模型进行训练，得到所述检测网络中的目标yolox网络模型；
30.根据所述目标yolov5网络模型、所述目标yolox网络模型进行模型搭建，得到所述检测网络模型。
31.根据本技术的一些实施例，所述将所述第一检测结果和所述第二检测结果进行融合，得到最终检测结果，包括：
32.将所述第一检测结果中标注第一恒磨牙的第一框图、所述第二检测结果中标注第一恒磨牙的第二框图进行合并，得到交叉框图；
33.对所述交叉框图进行非最大抑制；
34.根据所述第一框图的置信度和所述第二框图的置信度，保留所述交叉框图中置信度较高的边界，得到目标框图；
35.根据所述目标框图确定最终检测结果。
36.根据本技术的第二方面实施例的牙齿检测系统，包括：
37.至少一个存储器；
38.至少一个处理器；
39.至少一个程序；
40.所述程序被存储在所述存储器中，所述处理器执行至少一个所述程序以实现如第一方面实施例所述的牙齿检测方法。
41.根据本技术的第三方面实施例的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可执行指令，所述计算机可执行指令用于使计算机执行如第一方面实施例所述的牙齿检测方法。
42.根据本技术实施例的牙齿检测方法，具有如下有益效果：首先，获取待检测图像；其次，根据预设的分区策略对待检测图像进行分区处理，得到多个第一分区图像；再次，对多个第一分区图像进行背景过滤处理，得到多个第一口腔图像；之后，将待检测图像和多个第一口腔图像输入预设的检测网络模型进行检测，分别得到待检测图像对应的第一检测结果、多个第一口腔图像对应的第二检测结果；最后，将第一检测结果和第二检测结果进行融合，得到最终检测结果。本技术的牙齿检测方法，通过获取待检测图像，再对待检测图像依次进行分区、过滤处理，再进行检测，再将检测得到的第一检测结果和第二检测结果进行融合，得到最终检测结果。第一方面，患者只需自行提供待检测图像，就可以自动进行检测，并输出检测结果，无需另行配备人员操作，操作过程简单，高效便捷；第二方面，检测过程无需排队等待，只要获取待检测图像就可以进行处理，大幅度缩短了检测时间，提高了检测效率，进而能够提升患者的检测意愿，及时发现牙齿健康问题；第三方面，通过分区、过滤处理，能够对图像进行初步处理，去除不需要的图像区域，提升检测的准确率，并且还将检测结果进行融合，进而能够通过相互结合的方式进一步提高检测的准确率。因此，本技术的牙齿检测方法，能够简化牙齿检测，及时发现牙齿健康问题，并且能够有效保证牙齿检测的准确率。
43.本技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
44.下面结合附图和实施例对本技术做进一步的说明，其中：
45.图1为本技术实施例所提供的牙齿检测方法的流程示意图；
46.图2为本技术实施例所提供的牙齿检测方法的操作过程示意图；
47.图3为本技术实施例所提供的牙齿检测方法的图像处理示意图；
48.图4为本技术实施例所提供的牙齿检测方法的网络模型的输出结果示意图；
49.图5为本技术实施例所提供的牙齿检测系统的结构示意图。
50.附图标记：
51.存储器200、处理器300。
具体实施方式
52.下面详细描述本技术的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本技术，而不能理解为对本技术的限制。
53.需要说明的是，虽然在系统示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于系统中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
54.在本技术的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
55.本技术的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本技术中的具体含义。
56.本技术的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
57.龋齿(dental caries)作为一种多因素的慢性口腔疾病，已经成为危害人类牙齿或口腔健康的最常见问题。龋齿的慢性病特性往往会让患者忽略病情的进展，等出现明显不适再去就诊时已经面临比较严重的口腔问题。龋齿的纵深发展会引发诸如牙髓炎、根尖周炎、牙槽脓肿、牙齿脱落等一系列并发症，为患者带来沉重的病痛与医疗负担。在所有牙齿中，第一恒磨牙又扮演着极其特殊的角色。第一恒磨牙是恒牙列中最早萌出的牙齿，不仅无法重新更换，更决定着其他恒牙的位置与咬合。第一恒磨牙因为其解剖结构(窝沟深)与所处环境等因素，具有很高的龋齿率，且发生早。如果未及时进行诊治，第一恒磨牙常常会受到不同程度的损伤，同时各项并发症也将影响儿童或青少年的咀嚼功能，对患者的生长发育造成严重影响。
58.在众多预防龋齿方法中，窝沟封闭是防止蛀牙的有效手段之一。该方法将封闭剂涂覆于具有龋齿风险的窝沟上，形成的物理屏障将会隔断食物与细菌的接触，阻断细菌的生长，从而有效的避免龋齿的发生。对恒磨牙进行及时准确的筛查，确定是否有窝沟封闭的需求对于龋齿的防护有着重要的意义。在临床上，尽管复杂的辅助成像手段越来越多，牙科医生的视觉与触觉判断依旧是龋齿或窝沟封闭需求的常见检查方法。虽然如今医疗资源不断增多，但频繁的去医疗机构进行口腔检查费时费力，并且由于检测设备成本高昂，造成了检测收费必须维持在一定高度，因此，由于时间成本、检测费用等方面的考虑，许多家庭仍然无法及时的发现龋齿，进而提出窝沟封闭的需求，使得患者错过最佳的治疗或窝沟封闭的时间，造成不可逆的损伤。为此，如何提供一种可以居家进行筛查自测龋齿的检测方法，进而根据龋齿的情况及时提醒患者进行窝沟封闭，成为了亟待解决的技术问题。
59.基于此，本发明申请提供了一种牙齿检测方法，不仅能够使得患者及时发现牙齿健康问题并及时就医治疗，更能有效降低检测成本，提高患者的检测意愿，并且有效保证了检测结果的准确性。
60.下面，根据图1描述本技术实施例的牙齿检测方法。
61.可以理解的是，如图1所示，提供了一种牙齿检测方法，包括：
62.步骤s100，获取待检测图像，其中，待检测图像包括第一口腔区域和第一背景区域，第一口腔区域中的部分区域包含有牙齿；
63.步骤s110，根据预设的分区策略对待检测图像进行分区处理，得到多个第一分区
图像，其中，多个第一分区图像包括第一背景区域对应的多个第一背景图像、第一口腔区域对应的多个第一口腔图像；
64.步骤s120，对多个第一分区图像进行背景过滤处理，得到多个第一口腔图像，其中，过滤处理能够去除多个第一背景图像；
65.步骤s130，将待检测图像和多个第一口腔图像输入预设的检测网络模型进行检测，分别得到待检测图像对应的第一检测结果、多个第一口腔图像对应的第二检测结果；
66.步骤s140，将第一检测结果和第二检测结果进行融合，得到最终检测结果。
67.首先，获取待检测图像，其中，待检测图像包括第一口腔区域和第一背景区域，第一口腔区域中的部分区域包含有牙齿；其次，根据预设的分区策略对待检测图像进行分区处理，得到多个第一分区图像，其中，多个第一分区图像包括第一背景区域对应的多个第一背景图像、第一口腔区域对应的多个第一口腔图像；再次，对多个第一分区图像进行过滤处理，以去除多个第一背景图像，得到多个第一口腔图像；之后，将待检测图像和多个第一口腔图像输入预设的检测网络模型进行检测，分别得到待检测图像对应的第一检测结果、多个第一口腔图像对应的第二检测结果；最后，将第一检测结果和第二检测结果进行融合，得到最终检测结果。本技术的牙齿检测方法，通过获取待检测图像，再对待检测图像依次进行分区、过滤处理，再进行检测，再将检测得到的第一检测结果和第二检测结果进行融合，得到最终检测结果。第一方面，患者只需自行提供待检测图像，就可以自动进行检测，并输出检测结果，无需另行配备人员操作，操作过程简单，高效便捷；第二方面，检测过程无需排队等待，只要获取待检测图像就可以进行处理，大幅度缩短了检测时间，提高了检测效率，进而能够提升患者的检测意愿，及时发现牙齿健康问题；第三方面，通过分区、过滤处理，能够对图像进行初步处理，去除不需要的图像区域，提升检测的准确率，并且还将检测结果进行融合，进而能够通过相互结合的方式进一步提高检测的准确率。因此，本技术的牙齿检测方法，能够简化牙齿检测，及时发现牙齿健康问题，并且能够有效保证牙齿检测的准确率。
68.需要说明的是，如图2和图3所示，通过本技术的牙齿检测方法，待检测图像经过图2的操作过程时，其变化过程如图3所示。
69.需要说明的是，如图2所示，各模块代码部署于服务器上，同时利用flask框架编写接口，实现与前端的通讯。在此实施例中，编写接口实现与微信小程序前端实现通讯。对于前端“上传图片”，在后端编写对应post接口，实现服务器接收待检测图片。当服务器接收图片后，临时保存于云服务器，并自动读入网络中运行处理与预测流程，并将最终结果临时储存于服务器。对于前端“查看结果”，后端编写get结构，当前端发出请求，后端发送该用户对应的临时储存的预测结果至用户本地。
70.需要说明的是，待检测图像可以理解为患者张嘴时拍摄得到的头像，第一口腔区域可以理解为患者张嘴时拍摄得到的包含牙齿的口腔，第一背景区域可以理解为非口腔的待检测图像的其他区域。
71.可以理解的是，获取待检测图像，包括：
72.获取移动端拍摄或者存储的待检测图像。
73.需要说明的是，如图2所示，在登录app或者小程序之后，可以通过从本地预先存储的图像进行选择，或者，拍摄图像的方式来获取图像。通过对用户授权的方式，当需要进行牙齿的检测时，只需上传对应的牙齿图像，app或者小程序就可以自动进行后台处理，完成
牙齿检测，输出检测结果，省时省力，操作方便。
74.需要说明的是，根据呈现形式的不同，app与小程序所需要的前端工具与语言存在差异，例如：app需要的androidstudio，小程序所需要的开发者工具与通用工具uniapp等。此处，以微信小程序为例，微信小程序具有用户基数大、不需要额外下载与操作简单等优势。在上传图片的操作中，通过小程序开发者工具中的函数可以实现唤起手机相机或选择本地图片，进而选择需要待检测图片，确定上传。在上传图片之后，运行“等待预测”代码，用以提示用户目前照片正在预测中。
75.可以理解的是，根据预设的分区策略对待检测图像进行分区处理，得到多个第一分区图像，包括：
76.获取待检测图像的宽高信息，并根据宽高信息中的第一宽高数值，计算得到每一第一分区图像的第二宽高数值；
77.根据第二宽高数值和预设的重叠比例，将待检测图像划分为多个第一分区图像，其中，每两个连续的第一分区图像之间的交集区域大于或等于重叠比例。
78.需要说明的是，如图3所示，宽高信息可以理解为待检测图像的宽度尺寸和高度尺寸，例如，为25
×
25dpi(图像分辨率)，第一宽高数值也就是宽25dpi和高25dpi，当需要将待检测图像分区为五行五列的分区图像，则通过计算，可得第二宽高数值为宽5dpi和高5dpi。
79.需要说明的是，交集区域可以理解为两个相邻的分区图像具有相同内容的区域，重叠比例可以为50％，即有一半的相同区域。
80.可以理解的是，对多个第一分区图像进行背景过滤处理，包括：
81.通过目标支持向量机对多个第一分区图像进行背景过滤处理。
82.需要说明的是，由于图像中存在大量的背景，并不是每个分区都包含要检测的牙齿；过多的背景信息可能干扰检测。因此，将支持向量机(svm)作为分区过滤器，过滤得到含有口腔区域的分区图像，也就是第一口腔图像；并且，忽略那些只包含背景信息的分区图像，也就是第一背景图像。
83.可以理解的是，目标支持向量机通过如下步骤得到：
84.获取多个第一训练图像，其中，多个第一训练图像包括多个第二背景图像、多个第二口腔图像；
85.对多个第二背景图像、多个第二口腔图像进行数量等比例的标记，得到多个第二背景图像对应的负面样本集、多个第二口腔图像对应的正面样本集；
86.根据负面样本集、正面样本集，分别获取第一训练集、测试集；
87.根据第一训练集、测试集，对初始支持向量机能够根据直方图数组对图像进行分类的能力进行训练，得到训练后的目标支持向量机。
88.需要说明的是，第二背景图像、第二口腔图像由以下步骤获取得到：
89.获取多个第一样本图像，其中，每一第一样本图像均包括第二口腔区域和第二背景区域，第二口腔区域中的部分区域包含有牙齿；
90.根据分区策略对多个第一样本图像进行分区处理，得到多个第二分区图像，其中，多个第二分区图像包括第二背景区域对应的多个第二背景图像、第二口腔区域对应的多个第二口腔图像；
91.将多个第二背景图像、多个第二口腔图像作为多个第一训练图像。
92.需要说明的是，对于建立始支持向量机的训练集，也就是初始分区过滤器的训练集，首先，根据分区是否包含口腔区域，将分区图片标记为阳性或阴性。其次，由于负面样本的数量远远大于正面样本的数量，随机选择负面样本，最终正面样本和负面样本的比例为1:1。之后，由于口腔区域和其他背景的颜色有相当大的差异，因此，使用直方图来表示图像的特征，其中，直方图是一个描述图像整体颜色分布的一维数组。最后，锻炼后的目标分区过滤器能够将对图像的直方图数组进行分类。例如，将5600张分区图像作为训练集，其中，5600张分区图像中有2800张目标分区图像和2800张非目标分区图像；将1700张分区图像作为测试集，其中，1700张分区图像中有850张目标分区图像和850张非目标分区图像，用于作为训练初始分区过滤器的数据集。在分类任务中，svm分类器取得了77.3％的准确率和90.5％的召回率。
93.可以理解是，将待检测图像和多个第一口腔图像输入预设的检测网络模型进行检测，包括：
94.对待检测图像和多个第一口腔图像进行图像大小调整；
95.将调整后的待检测图像和多个第一口腔图像输入检测网络模型，以对待检测图像和多个第一口腔图像进行检测。
96.可以理解是，检测网络模型通过如下步骤得到：
97.获取多个第二训练图像，其中，多个第二训练图像包括多个完整图像、与完整图像一一对应的多个第三口腔图像；
98.将多个完整图像作为单一样本集，将多个完整图像、多个第三口腔图像进行混合并作为混合样本集；
99.通过单一样本集、混合样本集对初始yolov5网络模型进行训练，得到检测网络中的目标yolov5网络模型；
100.通过单一样本集、混合样本集对初始yolox网络模型进行训练，得到检测网络中的目标yolox网络模型；
101.根据目标yolov5网络模型、目标yolox网络模型进行模型搭建，得到检测网络模型。
102.需要说明的是，第三口腔图像、完整图像由以下步骤得到：
103.获取多个第二样本图像，其中，每一第二样本图像均包括第三口腔区域和第三背景区域，第三口腔区域中的部分区域包含有牙齿；
104.根据分区策略对多个第二样本图像进行分区处理，得到多个第三分区图像，其中，多个第三分区图像包括第三背景区域对应的多个第三背景图像、第三口腔区域对应的多个第三口腔图像；
105.将多个第三背景图像、多个第二样本图像作为多个第二训练图像。
106.需要说明的是，选择yolov5网络模型与yolox网络模型，完成恒磨牙龋齿的检测，从而得到进行窝沟封闭需求的提醒信息。
107.需要说明的是，yolov5在输入端增加了马赛克数据增强、自适应锚定帧计算和自适应图像缩放。增加的交叉阶段部分(csp)被用作骨干，它专注于在低处理时间内提取特征。yolov5还在特征金字塔网络(fpn)结构之上加入了自下而上的特征金字塔结构。通过这种组合操作，fpn层自上而下传达了强大的语义特征，而特征金字塔则自下而上提供了强大
的定位特征。结合不同特征层的特征聚合，提高了网络对不同尺度目标的检测能力。头部部分通过在特征上应用锚定框在种子图像中进行最终检测。
108.需要说明的是，yolox选择了darknet53作为其主干，并引入了mosaic和改良的mixup数据增强。
109.需要说明的是，对于初始yolov5网络模型与初始yolox网络模型的训练，作为训练的图像，其大小均为640
×
640dpi。训练样本集为两个：一个只有完整图像的单一样本集，一个既有完整图像又有分区图像的混合样本集。由于两个模型都是在两个数据集版本上训练的，所以总共有四个模型：(1)在单一样本集上训练的yolov5s6(简称yolov5)，(2)在混合样本集上训练的yolov5s6(简称yolov5-tiling)，(3)在单一样本集上训练的yoloxs(简称yolox)，(4)在混合样本集上训练的yolox(简称yolox-tiling)。实验模型的实验设置与原始实现相似，只是对于数据增强，应用马赛克增强的概率改为0.5，mixup增强为0。所有模型都训练了300个epochs，每个模型的最佳检查点都用于测试。
110.可以理解的是，将第一检测结果和第二检测结果进行融合，得到最终检测结果，包括：
111.将第一检测结果中标注第一恒磨牙的第一框图、第二检测结果中标注第一恒磨牙的第二框图进行合并，得到交叉框图；
112.对交叉框图进行非最大抑制；
113.根据第一框图的置信度和第二框图的置信度，保留交叉框图中置信度较高的边界，得到目标框图；
114.根据目标框图确定最终检测结果。
115.需要说明的是，将第一检测结果中标注第一恒磨牙的第一框图、第二检测结果中标注第一恒磨牙的第二框图进行合并，得到交叉框图，其中，第一框图与第一检测结果中的第一建议信息、第一置信度值对应，第二框图与第二检测结果中的第二建议信息、第二置信度值对应；对交叉框图进行非最大抑制，获取最高置信度对应的目标框图，并将目标框图以及与目标框图对应的目标建议信息、目标置信度值作为最终检测结果。
116.需要说明的是，在测试过程中，对于yolov5和yolox，输入图像的大小为640
×
640dpi。对于输入yolov5网络模型的分区图像和输入yolox网络模型的分区图像，首先，使用分区策略将输入图像裁剪为5
×
5dpi的分区图像，再用分区过滤器去除非目标分区图像后，剩余的目标分区图像和完整图像将被调整为640
×
640，作为模型输入；分区图像和完整图像分别会产生对应的检测结果，即通过目标框图来标注第一恒磨牙，同时提供该第一恒磨牙是否为龋齿或是否有窝沟封闭需求的相关信息，并提供该目标框图的置信度数值；之后，将分区图像的检测结果结果与完整图像的检测结果结果合并，对于存在交叉的结果边界框，共同进行非最大抑制(nms)，保留置信度最高的边框与结果，得到可以输出的最终检测结果。其中，所有模型的nms阈值被设置为0.45，用户所能接收最终结果，为预测图像，在图像上提供第一恒磨牙的目标框定位，并提供文字类别，标注出该第一恒磨牙是否为龋齿，以及否需要窝沟封闭，同时提供该预测结果类别的置信度数值，供以参考。
117.需要说明的是，如图4所示，在三个检测任务中，龋齿检测效果最好，yolov5和yolox分别取得了79.7和84.7map.5。在no_pfs_requirement/pfs_requirement上，yolov5达到了62.7/61.2map.5，yolox是62.9/66.5map.5，下表为检测结果，其中，相关名词定义
为：map：平均准确率；no pfs requirement：没有窝沟封闭需求；pfs requirement：有窝沟封闭需求；caries：龋齿；all：总体；tilling：分区。
[0118][0119]
需要说明的是，分区策略提高了模型的性能。如图4所示，yolov5s6-tiling达到70.9map.5，yoloxs-tiling达到72.3map.5的最佳结果。通过将检测结果可视化，比较采用和不采用分区策略的模型输出，并将分区带来的收益归结为以下三点：
[0120]
(1)分区模型倾向于检测所有的恒磨牙，而非分区模型可能会错过一些。非分区模型忽略了右下角的恒磨牙，为图4中a区域的无分区模型所对应的图像，但分区模型却能正确地检测到它；
[0121]
(2)基于图像细节，分区模型可以做出更准确的决定。非分区模型将左侧需要pfs的恒磨牙归为不需要pfs，但分区模型提供了正确的分类结果，为图4中b区域；
[0122]
(3)分区模型产生更有把握的结果。如图4中c区域所示，非分区模型和分区模型都能正确检测和分类图片中的两处龋齿，分区模型的置信度值为78.3％和73.7％，分别高于非分区模型的置信度值73.6％和69.9％。
[0123]
下面参照图5描述根据本技术实施例的牙齿检测系统。
[0124]
可以理解的是，如图5所示，牙齿检测系统，包括：
[0125]
至少一个存储器200；
[0126]
至少一个处理器300；
[0127]
至少一个程序；
[0128]
程序被存储在存储器200中，处理器300执行至少一个程序以实现上述的牙齿检测方法。图5以一个处理器300为例。
[0129]
处理器300和存储器200可以通过总线或其他方式连接，图5以通过总线连接为例。
[0130]
存储器200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、非暂态性计算机可执行程序以及信号，如本技术实施例中的牙齿检测系统对应的程序指令/信号。处理器300通过运行存储在存储器200中的非暂态软件程序、指令以及信号，从而执行各种功能应用以及数据处理，即实现上述方法实施例的牙齿检测方法。
[0131]
存储器200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；存储数据区可存储上述牙齿检测方法的相关数据等。此外，存储器200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200可选包括相对于处理器300远程设置的存储器，这些远程存储器可以通过网络连接至牙齿检测系统。上述网络的实例包括但不限于物联网、软件定义网络、传感器网络、互联网、企业内部网、局域网、移动通信网及其组合。
[0132]
一个或者多个信号存储在存储器200中，当被一个或者多个处理器300执行时，执行上述任意方法实施例中的牙齿检测方法。例如，执行以上描述的图1中的方法。
[0133]
下面参照图5描述根据本技术实施例的计算机可读存储介质。
[0134]
如图5所示，计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器300执行，例如，被图5中的一个处理器300执行，可使得上述一个或多个处理器300执行上述方法实施例中的牙齿检测方法。例如，执行以上描述的图1中的方法。
[0135]
以上所描述的系统实施例仅仅是示意性的，其中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。
[0136]
通过以上的实施方式的描述，本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质和通信介质。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读信号、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
[0137]
上面结合附图对本技术实施例作了详细说明，但是本技术不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本技术宗旨的前提下作出各种变化。此外，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。