眼部图片分类方法、超声乳化设备控制方法和装置与流程

1.本技术涉及人工智能技术领域，特别是涉及一种眼部图片分类方法、超声乳化设备控制方法和装置。


背景技术：

2.聚类(clustering)作为一种机器学习技术，是将数据分类到不同的类或者簇这样的一个过程，同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性。可将其理解为高维空间内数据点的分组：给定一组高维数据点，我们可以使用聚类算法将每个数据点划分为一个特定的组。理论上，同一组中的数据点应该具有相似的属性和/或特征，而不同组中的数据点应该具有高度不同的属性和/或特征。聚类是一种无监督学习的方法，是许多领域中常用的统计数据分类技术。
3.在统计学中，回归分析指的是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。回归分析按照涉及的变量的多少，分为一元回归和多元回归分析；按照因变量的多少，可分为简单回归分析和多重回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。逻辑回归是一种广义的线性回归分析模型，常用于数据挖掘，疾病自动诊断，经济预测等领域。例如，探讨引发疾病的危险因素，并根据危险因素预测疾病发生的概率等。
4.目前，传统对于眼部图片的处理，通常是有经验的医生等进行查看，然后凭借经验进行处理，但是这样需要耗费大量的医生资源，且每张图片都需要进行查看，在医生资源紧缺的前提下，效率较低。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够提高处理效率的眼部图片分类方法、超声乳化设备控制方法和装置。
6.一种眼部图片分类方法，所述眼部图片分类方法包括：
7.获取拍摄得到的待处理眼部图片，并对所述待处理眼部图片进行处理得到目标特征数据；
8.获取预先确定的与所述待处理眼部图片对应的类群的目标眼部图片分类模型；
9.将所述目标特征数据输入至所述目标眼部图片分类模型中得到待处理眼部图片对应的分类结果。
10.在其中一个实施例中，所述目标眼部图片分类模型包括至少两个二分类模型；所述将所述目标特征数据输入至所述目标眼部图片分类模型中得到待处理眼部图片对应的分类结果，包括：
11.根据所述目标特征数据计算得到目标参考指标值，并将所述目标参考指标值依次输入至至少两个二分类模型中，直至得到所述待处理眼部图片对应的分类结果。
12.在其中一个实施例中，所述目标眼部图片分类模型的确定方式包括：
13.获取拍摄得到的初始眼部图片以及预先聚类得到的各个类群的类群特征数据；
14.对所述初始眼部图片进行处理得到初始特征数据；
15.分别计算所述初始特征数据与所述类群特征数据之间的距离；
16.获取与所述初始特征数据距离最小的所述类群特征数据对应的初始眼部图片分类模型作为目标眼部图片分类模型。
17.在其中一个实施例中，所述眼部图片分类方法还包括：
18.将所述初始眼部图片上传至云端，以指示所述云端根据所述初始眼部图片对所述类群特征数据进行更新。
19.在其中一个实施例中，所述类群特征数据的计算方式包括：
20.获取样本眼部图片；
21.对所述样本眼部图片进行处理得到样本特征数据；
22.对所述样本特征数据进行聚类处理以得到至少两个类群；
23.根据每个所述类群中所有的所述样本特征数据计算得到所述类群的类群特征数据。
24.在其中一个实施例中，所述目标眼部图片分类模型的训练方式包括：
25.对聚类得到的每个类群中的样本特征数据进行回归分析得到分类指标与所述样本特征数据的曲线表达式；
26.获取设定的样本眼部图片的分类类别的类别指标；
27.通过所述曲线表达式和所述类别指标构建得到初始眼部图片分类模型；
28.通过所述曲线表达式、所述类别指标以及所述样本特征数据的实际类别计算得到每个类群中的样本特征数据对应的代价函数；
29.通过所述代价函数计算得到所述曲线表达式中的各个项的权重；
30.根据所得到的权重和所述初始眼部图片分类模型得到目标眼部图片分类模型。
31.在其中一个实施例中，所述目标特征数据至少包括三维数据，所述三维数据的维度包括眼部正视图下长轴最远两端距离、所述眼部正视图下短轴最远两端距离、眼部侧视图下眼轴方向眼球最远两端距离。
32.一种超声乳化设备控制方法，所述超声乳化设备控制方法包括：
33.通过上述的眼部图片分类方法得到待处理眼部图片对应的眼部图片分类结果；
34.根据所述眼部图片分类结果对超声乳化设备进行控制。
35.在其中一个实施例中，所述超声乳化设备包括灌注设备和吸取设备；所述根据所述眼部图片分类结果对超声乳化设备进行控制，包括：
36.根据所述眼部图片分类结果控制所述灌注设备的输出流量和/或控制所述吸取设备的抽吸流量。
37.在其中一个实施例中，所述超声乳化设备还包括手动流量调节装置；所述根据所述眼部图片分类结果对超声乳化设备进行控制，包括：
38.输出与所述眼部图片分类结果对应的告警信息；
39.根据所述告警信息通过所述手动流量调节装置对所述灌注设备和/或所述吸取设备进行控制。
40.一种眼部图片分类装置，所述眼部图片分类装置包括：
41.目标特征数据获取模块，用于获取拍摄得到的待处理眼部图片，并对所述待处理眼部图片进行处理得到目标特征数据；
42.目标眼部图片分类模型获取模块，用于获取预先确定的与所述待处理眼部图片对应的类群的目标眼部图片分类模型；
43.分类处理模块，用于将所述目标特征数据输入至所述目标眼部图片分类模型中得到待处理眼部图片对应的分类结果。
44.一种超声乳化设备控制装置，所述装置包括：
45.分类模块，用于通过上述的眼部图片分类装置得到待处理眼部图片对应的眼部图片分类结果；
46.控制模块，用于根据所述眼部图片分类结果对超声乳化设备进行控制。
47.一种计算机设备，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意一个实施例所述的方法的步骤。
48.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一个实施例所述的方法的步骤。
49.上述眼部图片分类方法、超声乳化设备控制方法和装置，首先对待处理眼部图片进行处理得到目标特征数据，其次获取了预先所确定的待处理眼部图片对应的类群的目标眼部图片分类模型，这样通过所选定的目标表眼部图片分类模型对目标特征数据进行处理，一方面保证了准确性，另一方面全部计算机处理，提高了处理效率。
附图说明
50.图1为一个实施例中眼部图片分类方法的应用环境图；
51.图2为一个实施例中眼部图片分类方法的流程示意图；
52.图3为一个实施例中的目标眼部图片分类模型的训练方式的流程图；
53.图4(a)为一个实施例中的关于z0的sigmoid函数的曲线图；
54.图4(b)为一个实施例中的关于z1的sigmoid函数的曲线图；
55.图5为一个实施例中超声乳化设备控制方法的流程示意图；
56.图6为一个实施例中的眼部图片分类方法的分阶段示意图；
57.图7为另一个实施例中的超声乳化设备控制方法的流程图；
58.图8为一个实施例中眼部图片分类装置的结构框图；
59.图9为一个实施例中超声乳化设备控制装置的结构框图；
60.图10为一个实施例中计算机设备的内部结构图。
具体实施方式
61.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
62.本技术提供的眼部图片分类方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与云端104进行通信。终端102可以从云端104下载类群特征数据以及各个类群所对应的目标眼部图片分类模型，并且在需要的时候采集待处理眼部图片，对待处理眼
部图片进行处理得到目标特征数据，并将目标特征数据输入至待处理眼部图片对应的类群的目标眼部图片分类模型，得到待处理眼部图片对应的分类结果。这样首先对待处理眼部图片进行处理得到目标特征数据，其次获取了预先所确定的待处理眼部图片对应的类群的目标眼部图片分类模型，这样通过所选定的目标眼部图片分类模型对目标特征数据进行处理，一方面保证了准确性，另一方面全部计算机处理，提高了处理效率。
63.其中，终端102可以不限于是包含处理器、眼部图片获取设备以及输出设备的任意一装置。其中处理器与眼部图片获取设备相通信，该处理器用于存储终端102从云端下载的类群特征数据以及各个类群所对应的目标眼部图片分类模型，即该处理器包括了已经训练的聚类分析模型和多个逻辑回归分析模型，每个逻辑回归分析模型对应一个聚类的类群，该处理器获取到眼部图片获取设备采集的待处理眼部图片，并对待处理眼部图片进行处理得到目标特征数据，并将目标特征数据输入至待处理眼部图片对应的类群的目标眼部图片分类模型，得到待处理眼部图片对应的分类结果，并通过输出设备输出分类结果，其中输出设备可以为数据线。可选地，该处理器可以集成在超声乳化设备中，通过该输出设备将目标识别结果输出至超声乳化设备上的流量控制单元。流量控制单元和处理器可以为分离的两个设备，也可以是同一设备的不同的功能模块，也就是说处理器还可以是集成在超声乳化设备以外的设备中。
64.云端104可以用独立的云端或者是多个云端组成的云端集群来实现。
65.在一个实施例中，如图2所示，提供了一种眼部图片分类方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
66.s202：获取拍摄得到的待处理眼部图片，并对待处理眼部图片进行处理得到目标特征数据。
67.具体地，待处理眼部图片是通过眼部图片获取设备进行拍摄得到的，例如通过相机进行拍摄得到的，其中该眼部图片获取设备持续拍摄眼球得到的。
68.具体地，眼部图片获取设备可以包括至少两个，即待处理眼部图片至少包括两帧图片，该两个眼部图片获取设备可以分别用于获取眼部正面图片和侧面图片，并将正面图片和侧面图片传递至终端。
69.目标特征数据是根据预先设置的维度所计算得到的，可选地，目标特征数据至少包括三维数据，三维数据的维度包括眼部正视图下长轴最远两端距离、眼部正视图下短轴最远两端距离、眼部侧视图下眼轴方向眼球最远两端距离。在其他实施例中，该目标特征数据还可以引入眼睛度数。
70.这样，终端可以根据正面图片计算得到正视图下长轴最远两端距离(下文称其为x轴长度)，正视图下短轴最远两端距离(下文称其为y轴长度)，以及根据侧面图片计算得到侧视图下眼轴方向眼球最远两端距离(下文称其为z轴长度)。这样下文将根据该目标特征数据计算得到眼部图片分类的参考指标。
71.s204：获取预先确定的与待处理眼部图片对应的类群的目标眼部图片分类模型。
72.具体地，类群是预先根据大量的样本眼部图片进行聚类得到的多个类群，即对拥有不同特征的眼球样本进行聚类，从而使得特征相同或相似的眼球样本被聚类到同一类群中。
73.目标眼部图片分类模型是与类群对应的，每一个类群均对应有唯一的目标眼部图
片分类模型，即通过类群中的样本眼部图片进行模型训练得到对应的目标眼部图片分类模型。
74.实际应用中，在进行实际处理之前，终端先采集初始眼部图片，并通过初始眼部图片来确定对应的类群，从而将初始眼部图片所对应的类群作为所采集的待处理眼部图片的类群，则终端根据该类群得到了目标眼部图片分类模型，这样通过同一类群对应的目标眼部图片分类模型对待处理眼部图片进行处理，可以提高准确性。
75.s206：将目标特征数据输入至目标眼部图片分类模型中得到待处理眼部图片对应的分类结果。
76.具体地，目标眼部图片分类模型根据目标特征数据先计算得到目标参考指标值，然后计算目标参考指标值与各个类别的类别指标的差值，根据该差值确定待处理眼部图片的分类结果。
77.其中，类别指标是根据经验确定的，类别参考值则是根据上述的x轴长度、y轴长度和z轴长度进行计算得到的。
78.上述眼部图片分类方法，首先对待处理眼部图片进行处理得到目标特征数据，其次获取了预先所确定的待处理眼部图片对应的类群的目标眼部图片分类模型，这样通过所选定的目标眼部图片分类模型对目标特征数据进行处理，一方面保证了准确性，另一方面全部计算机处理，提高了处理效率。
79.在其中一个实施例中，目标眼部图片分类模型包括至少两个二分类模型；将目标特征数据输入至目标眼部图片分类模型中得到待处理眼部图片对应的分类结果，包括：根据目标特征数据计算得到目标参考指标值，并将所述目标参考指标值依次输入至至少两个二分类模型中，直至得到待处理眼部图片对应的分类结果。
80.具体地，二分类模型是预先根据分类的类别所确定的，例如该二分类模型可以通过sigmoid函数进行表示，终端先将目标特征数据输入至预先回归处理得到的曲线表达式中，以计算得到目标特征数据对应的目标参考指标值，然后终端根据所计算得到的目标参考指标值与当前二分类模型对应的类别指标的差值得到中间值，再将所得到的中间值输入至sigmoid函数得到分类结果。
81.其中二分类模型至少包括两个，且该些二分类模型存在优先级，这样根据优先级可以将中间值依次输入至对应的二分类模型中以得到当前二分类模型对应的处理结果，若是当前二分类模型已经可以确定待处理眼部图片的分类结果，则无需继续输入下一二分类模型中。否则，终端继续将上述中间值输入至下一二分类模型中得到分类结果。
82.具体地，在该实施例中，以存在两个分类模型为例进行说明，分类结果存在三种情况：第一分类结果、第二分类结果和第三分类结果，其中第一分类结果和第二分类结果的类别指标为a，第二分类结果和第三分类结果的类别指标为b，即中间值小于a，则为第一分类结果，大于b，则为第三分类结果，否则为第二分类结果。
83.终端首先将目标特征数据输入至预先回归处理得到的曲线表达式中，以计算得到目标特征数据对应的目标参考指标值，然后获取二分类模型的优先级，并确定第一二分类模型对应的第一类别指标，这样终端通过目标参考值减去第一类别指标得到第一中间值，然后将第一中间值代入至第一二分类模型中以计算待处理眼部图片的分类结果，若是差值小于0，则第一二分类模型输出的值接近0，因此待处理眼部图片的分类结果为第一分类结
果。若是差值不小于0，即第一二分类模型输出的值接近1，则进行第二次分类计算，即确定第二二分类模型对应的第二类别指标，这样终端通过目标参考值减去第二类别指标得到第二中间值，然后将第二中间值代入至第二二分类模型中以计算待处理眼部图片的分类结果，若是差值大于0，则第二二分类模型输出的值接近1，因此待处理眼部图片的分类结果为第三分类结果，否则为第二分类结果。
84.上述实施例中，通过多个二分类模型进行处理，无需进行所有的模型计算，从而可以在一定程序上减少计算量，提高计算效率。
85.在其中一个实施例中，目标眼部图片分类模型的确定方式包括：获取拍摄得到的初始眼部图片以及预先聚类得到的各个类群的类群特征数据；对初始眼部图片进行处理得到初始特征数据；分别计算初始特征数据与类群特征数据之间的距离；获取与初始特征数据距离最小的类群特征数据对应的初始眼部图片分类模型作为目标眼部图片分类模型。
86.具体地，类群是预先聚类得到的，即根据大量的样本眼部图片进行处理得到的，类群特征数据则是根据类群中的所有样本眼部图片进行计算得到的，例如根据类群中的所有样本眼部图片对应的特征数据进行计算得到，包括x轴长度、y轴长度和z轴长度等。
87.初始特征数据则是对初始眼部图片进行计算得到的，包括但不限于x轴长度、y轴长度、z轴长度，并通过其他设备进行采集得到眼部的度数以及眼部图片参考指标等。本实施例对上述设备，测试方法没有特别的限制。
88.初始特征数据与类群特征数据之间的距离则是根据对应的维度的数据的差值计算得到的。
89.具体地，在实际使用之前，终端先通过眼部图片获取设备对眼部进行拍摄得到初始眼部图片，其中眼部图片获取设备的位置可以参见上文，在此不再赘述。在终端获取得到初始眼部图片后，则分别计算初始眼部图片的x轴长度、y轴长度、z轴长度，并通过、测视设备获得眼部的度数，通过眼压设备获得眼部图片参考指标等。这样终端将所得到的数据组成一5*1矩阵，可将其视为在五维空间中的一点，称其为p点。
90.且如上文所述，预先已经对样本眼部图片进行聚类得到了多个类群，每个类群均对应在五维空间内，且每个类群均对应有类群代表点，也就是类群特征数据所对应的点，这样终端分别计算p点到每一类群代表点的距离，得出距离p点最短的类群，选择该类群的眼部图片分类模型为目标眼部图片分类模型。
91.此外，可选地，眼部图片分类方法还包括：将初始眼部图片上传至云端，以指示云端根据初始眼部图片对类群特征数据进行更新，即在实际处理完成或者是在实际使用之前的上述处理完成之后，终端将初始眼部图片上传至云端，从而远端可以根据该些数据对类群特征数据进行更新，进而对目标眼部图片分类模型进行更新，例如待数据量到达一定值时，将此批新数据当作训练集重新计算将模型进行迭代，从而优化模型、提高模型准确率。
92.上述实施例中，在正式使用前，预先通过眼部图片采集以确定待处理眼部图片所属的类群，进而获取到对应的类群的眼部图片分类模型，从而保证了眼部图片分类模型对待处理眼部图片处理的准确性。
93.在其中一个实施例中，类群特征数据的计算方式包括：获取样本眼部图片；对样本眼部图片进行处理得到样本特征数据；对样本特征数据进行聚类处理以得到至少两个类群；根据每个类群中所有的样本特征数据计算得到类群的类群特征数据。
94.具体地，该实施例给出了上文中预先聚类的具体方法，样本眼部图片是预先获取的，其主要是使用一款测量设备，该测量设备的特点在于可以识别眼球上的特征点，功能在于，可以控制其同时测量多个特定特征点之间的距离。
95.样本特征数据则是对样本眼部图片进行计算得到的，包括但不限于x轴长度、y轴长度、z轴长度，并通过其他设备进行采集得到眼部的度数以及眼部图片参考指标等，这样可以根据上述特征得到5*1矩阵(下文称其为矩阵a)，其中矩阵a中的特征的顺序可以按照上文中特征的顺序，即x轴长度、y轴长度、z轴长度、度数和眼部图片参考指标。对于每一样本眼部图片均获得此矩阵a，将所有样本的矩阵a收集起来后，组成矩阵阵列。
96.这样基于聚类分析的模型对矩阵阵列进行分类以实现对样本眼部图片的分类。
97.对于聚类分析的模型的选择，由于传统的聚类分析算法为k均值聚类(k-means)，其优点在于代码简单计算量小、容易理解与实现，但问题在于，k均值聚类需要在算法运行前确定分类组的数目(如将全部样本聚为3类，则k＝3)。而在聚类分析初期，在对数据点缺乏了解的情况下，该k值就难以确定了。因此本实施例中选取了高斯混合模型(gaussian mixture model，gmm)进行聚类分析。对于高斯混合模型gmm，假设矩阵a是服从高斯分布的，这是一个限制较少的假设，而不是用均值来表示它们是循环的。这样，可以有两个参数来描述群集的形状，即均值和标准差。
98.在实际应用中，在利用该算法进行聚类前，首先选择簇的数量并随机初始化每个簇的高斯分布参数(与k均值法不同，这里的簇数量并非最终的聚类结果的类数量，而是通过多个簇进行集成得到最终的归纳结果)。给定每个类群的这些高斯分布，计算每个数据点属于特定类群的概率。一个点越接近高斯中心，它越可能属于该群。基于这些概率，重新为高斯分布计算一组新的参数，以便使类群内数据点的概率最大化。使用数据点位置的加权和来计算这些新参数，其中权重是属于该特定类群中的数据点的概率。重复上述步骤直到收敛，最终可完成对样本眼部图片的聚类工作。
99.最后在聚类完成后，每个样本眼部图片都属于一个类群，对于每一个类群则选择该类群在五维空间内的中心点作为类群代表点，该类群代表点对应的特征数据则为类群特征数据，例如分别求得各个维度的平均值，根据各个维度的平均值确定类群代表点，从而确定类群特征数据。
100.上述实施例中，通过预先聚类得到多个类群，进而计算得到了多个类群对应的类群特征数据。
101.在其中一个实施例中，请参见图3所示，图3为一个实施例中的目标眼部图片分类模型的训练方式的流程图，该目标眼部图片分类模型的训练方式包括：
102.s302：对聚类得到的每个类群中的样本特征数据进行回归分析得到分类指标与样本特征数据的曲线表达式。
103.具体地，该目标眼部图片分类模型是根据回归分析计算得到的。对于每一个上述聚类得到的类群可以制定对应的模型结构，即先通过每个类群中的样本特征数据进行回归分析得到分类指标与样本特征数据的曲线表达式，其中分类指标可以为一分数，其用于表征样本特征数据对应的类别的分数，具体地，经过拟合后，可以得到如下曲线表达式：
104.105.其中，y为分类指标，其具体为一个数值，均为权重，n1,n2,n3均为指数倍数，x1、x2和x3是样本特征数据。其中指数倍数n1,n2,n3∈(0，a)通过实验合理测试定制，优选地，a＝5。每一项的权重通过算法得出，具体见下文。
106.s304：获取设定的样本眼部图片的分类类别的类别指标。
107.具体地，类别指标即将样本眼部图片分类为多个类别的分类指标的值，例如正常分类，即上文中的第二分类结果所对应的分类指标的范围为(n,m)，对y进行三种划分，即分类指标的值是平衡还是高于平衡最大值m还是低于平衡最小值n。其中分类指标的范围(n,m)可以为经验值或者为医学统计值。其中，需要说明的分类指标是以一个区间范围，类别指标是一个值，是区分各个分类指标的值，类似地，可以将类别指标看做分类指标的区间的端点。
108.s306：通过曲线表达式和类别指标构建得到初始眼部图片分类模型。
109.具体地，为了实现分类，可以通过阶跃函数来进行表示，例如：
[0110][0111][0112]
如上所示，分类将进行两次，在其他实施例中，分类还可以进行多次，本实施例中以两次为例，第一次按照分类指标的值过低和分类指标的值不过低区分，若第一次区分时分类指标的值过低则直接输出结果，将不在调用第二次；若第一次区分时分在分类指标的值不过低，则进行第二次分类，第二次分类按照分类指标的值过高和分类指标的值平衡区分，分类指标的值过高，则输出1，否则将输出0表示分类指标的值平衡。
[0113]
为了便于画图，找优化计算方法，上述式子被改写成如下所示，以得到初始眼部图片分类模型：
[0114][0115][0116]
其中z0＝y-n，z1＝y-m。
[0117]
因为阶跃函数不连续无法进行相关求导，则将两个阶跃函数均转换为sigmoid函数，公式如下：
[0118]
以及
[0119]
具体地，上述公式对应的曲线图可以参照图4(a)和图4(b)所示，其中图4(a)为一个实施例中的关于z0的sigmoid函数的曲线图，图4(b)为一个实施例中的关于z1的sigmoid函数的曲线图。
[0120]
由于sigmoid函数的取值在0，1之间，所以将sigmoid函数看作是后验概率，即p(＝0/1|x)，如图4(a)和4(b)中所示，z的值越大，表明元组的空间位置距离分类面越远，则越可能属于类1，所以图中z越大，函数值也就越接近1；同理，z越小，表明元组越不可能属于类1。
[0121]
s308：通过曲线表达式、类别指标以及样本特征数据的实际类别计算得到每个类
群中样本特征数据对应的代价函数。
[0122]
具体地，代价函数可以是通过误差的平方和计算得到的，这样通过该代价函数进行处理，即在误差最小的时候，计算得到曲线表达式中的各个权重的值。
[0123]
其中，代价函数如下所示：
[0124][0125]
其中，k为每个类群中样本眼部图片的总数量，为第i例眼球的xyz轴直径所对应的真实分类指标的值减去最小类别指标n时，其应该隶属的类别符号(0或者1)。为第i例眼球的xyz轴直径所对应的真实分类指标的值减去最大类别指标m时，其应该隶属的类别符号(0或者1)，表示xi的转置矩阵。
[0126]
s310：通过代价函数计算得到曲线表达式中的各个项的权重。
[0127]
s312：根据所得到的权重和初始眼部图片分类模型得到目标眼部图片分类模型。
[0128]
由于sigmoid函数带入上式代价函数后，会使代价函数变成非凸函数造成不能做最优化计算，因此根据sigmoid函数也可看作后验概率，将代价函数进行进一步的处理，后验公式为：
[0129][0130]
其中可为或对应的z必须为z0和z1,对应为和当为1时，后验公式为若为0时，后验公式为
[0131]
联合后验概率，用最大似然估计值并对其进行对数化处理，最后代价函数为：
[0132][0133]
其中可为或对应的z必须为z0和z1，对应为和
[0134]
根据上述代数估计，再用梯度下降法迭代，得出准确率最高，代价函数值最小的权重值。这样每一类群的样本眼部图片均拟合出了一条适合曲线，来得出xyz轴眼睛长度与分类指标的值是否平衡的关系。
[0135]
上述实施例中，通过回归分析的方式对每个类群的眼部图片分类模型进行拟合，并根据代价函数进行权值的确定，保证了模型的准确性。
[0136]
在一个实施例中，如图5所示，提供了一种超声乳化设备控制方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
[0137]
s502：通过上述任意一个实施例中的眼部图片分类方法得到待处理眼部图片对应的眼部图片分类结果。
[0138]
具体地，该眼部图片分类结果的获取方式可以具体参见上文限定，在此不再赘述。
[0139]
s504：根据眼部图片分类结果对超声乳化设备进行控制。
[0140]
具体地，其中在处理器得到了眼部图片分类结果后，则可以根据该眼部图片分类结果对超声乳化设备进行控制，从而保证超声乳化设备的正常运行。
[0141]
上述超声乳化设备控制方法，首先对待处理眼部图片进行处理得到目标特征数据，其次获取了预先所确定的待处理眼部图片对应的类群的目标眼部图片分类模型，这样通过所选定的目标眼部图片分类模型对目标特征数据进行处理，一方面保证了准确性，另一方面全部计算机处理，提高了处理效率。
[0142]
在其中一个实施例中，超声乳化设备包括灌注设备和吸取设备；根据眼部图片分类结果对超声乳化设备进行控制，包括：根据眼部图片分类结果控制灌注设备的输出流量和/或控制吸取设备的抽吸流量。
[0143]
具体地，超声乳化设备可以包括操作手柄、灌注设备、吸取设备和评估系统，其中评估系统用于计算得到目标识别结果。
[0144]
具体地，对于超声如何设备的控制可以是自动控制，即评估系统输出眼部图片分类结果，处理器根据该眼部图片分类结果控制灌注设备的输出流量，控制吸取设备的抽吸流量。若经计算得出的眼部图片分类结果为第三分类结果，则灌注流量被控制降低，若经计算得出的眼部图片分类结果为第一分类结果，则抽吸流量被控制降低。
[0145]
在其中一个实施例中，超声乳化设备还包括手动流量调节装置；根据眼部图片分类结果对超声乳化设备进行控制，包括：输出与眼部图片分类结果对应的告警信息；根据告警信息通过手动流量调节装置对灌注设备和/或吸取设备进行控制。
[0146]
具体地，超声乳化装置还包括手动流量调节装置，该手动流量调节装置用于手动调节灌注设备和/或吸取设备的流量。若用户不满意系统自动调整的流量值，则也可以选择手动调节流量值。进一步，超声乳化装置还包括显示界面、报警灯、报警铃等设备，当处理器判断目标识别结果为第一分类结果和第三分类结果，则显示界面出现警告界面，报警铃发出声音和、或报警灯显示特别的颜色进行提醒，从而用户根据告警信息通过手动流量调节装置对灌注设备和/或吸取设备进行控制。
[0147]
为了使得本领域技术人员对本技术中的各个实施例进行充分理解，下文将结合图6和图7进行详细说明，其中图6为一个实施例中的眼部图片分类方法的分阶段示意图，图7为另一个实施例中的超声乳化设备控制方法的流程图。
[0148]
首先采集样本眼部图片进行聚类分类得到多个类群，即样本眼部图片的样本特征数据进行聚类，也即根据眼球大小进行聚类得到多个类群，然后对每一个类群进行回归分析，拟合得到目标眼部图片分类模型。
[0149]
其次，将目标眼部图片分类模型以及聚类得到的类群的类群特征数据下发至终端，若终端和超声乳化装置一体成型，则也是下发至超声乳化装置中。
[0150]
进而，在实际使用之前，调节眼部图片采集设备使得该设备能清楚地拍摄眼球的三轴，通过眼部图片采集设备采集初始眼部图片，并计算得到初始特征数据，根据初始特征数据确定所属类群，进而获取到该类群所对应的目标眼部图片分类模型，以在实际使用的时候进行数据处理。
[0151]
最后，在实际使用的时候，每间隔相同时间拍摄眼球得到待处理眼部图片，并根据待处理眼部图片计算得到目标特征数据，将目标特征数据输入至所确定的目标眼部图片分
类模型中得到分类结果。
[0152]
具体地，根据拍摄眼球的xyz轴长度，带入选择的该模型得出参考指标的值(y)。然后再将参考指标的值(y)减去m得出的z0带入第一个分类的sigmoid函数进行划分，若经这第一次分类计算得出的参考指标的属于低于平衡的一侧，即接近0，则超声乳化设备或其他控制眼内压流量的设备出现警告界面及声音进行提醒，同时眼内压过低，则抽吸流量自动降低，若经过第一次分类计算得出参考指标的属于不过低的一侧，即接近1，则进行第二次分类计算，将参考指标的(y)减去n得出的z1带入第二个分类的sigmoid函数进行划分，若得出参考指标的值属于过高一侧，即接近1，则超声乳化设备或其他控制眼内压流量的设备出现警告界面及声音进行提醒，且灌注流量自动降低。若医生不满意修订的流量值，也可自行调节至参考指标的值保持稳定。若参考指标的值属于平衡一侧，即接近0，则继续监控，保持抽吸灌注不变。
[0153]
上述实施例中，通过逻辑回归分析算法方法来生成目标眼部图片分类模型，且集成了算法于超声乳化设备中，降低参考指标的值不平衡的风险，此外使用前根据眼球大小进行拟合分类，增强了模型的准确性；最后将数据存到云端，可将模型进行迭代，提高模型的准确率。
[0154]
应该理解的是，虽然图2、图3、图5和图7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、图3、图5和图7中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0155]
在一个实施例中，如图8所示，提供了一种眼部图片分类装置，包括：目标特征数据获取模块100、目标眼部图片分类模型获取模块200和分类处理模块300，其中：
[0156]
目标特征数据获取模块100，用于获取拍摄得到的待处理眼部图片，并对待处理眼部图片进行处理得到目标特征数据；
[0157]
目标眼部图片分类模型获取模块200，用于获取预先确定的与待处理眼部图片对应的类群的目标眼部图片分类模型；
[0158]
分类处理模块300，用于将目标特征数据输入至目标眼部图片分类模型中得到待处理眼部图片对应的分类结果。
[0159]
在其中一个实施例中，目标眼部图片分类模型包括至少两个二分类模型；该分类处理模块300用于根据目标特征数据计算得到目标参考指标值，并将所述目标参考指标值依次输入至至少两个二分类模型中，直至得到待处理眼部图片对应的分类结果。
[0160]
在其中一个实施例中，上述眼部图片分类装置包括：
[0161]
初始数据获取模块，用于获取拍摄得到的初始眼部图片以及预先聚类得到的各个类群的类群特征数据；
[0162]
第一预处理模块，用于对初始眼部图片进行处理得到初始特征数据；
[0163]
距离计算模块，用于分别计算初始特征数据与类群特征数据之间的距离；
[0164]
模型获取模块，用于获取与初始特征数据距离最小的类群特征数据对应的初始眼部图片分类模型作为目标眼部图片分类模型。
[0165]
在其中一个实施例中，上述眼部图片分类装置包括：
[0166]
更新模块，用于将初始眼部图片上传至云端，以指示云端根据初始眼部图片对类群特征数据进行更新。
[0167]
在其中一个实施例中，上述眼部图片分类装置包括：
[0168]
样本数据获取模块，用于获取样本眼部图片；
[0169]
第二预处理模块，用于对样本眼部图片进行处理得到样本特征数据；
[0170]
聚类模块，用于对样本特征数据进行聚类处理以得到至少两个类群；
[0171]
类群特征数据计算模块，用于根据每个类群中所有的样本特征数据计算得到类群的类群特征数据。
[0172]
在其中一个实施例中，上述眼部图片分类装置包括：
[0173]
回归分析模块，用于对聚类得到的每个类群中的样本特征数据进行回归分析得到分类指标与样本特征数据的曲线表达式；
[0174]
类别指标获取模块，用于获取设定的样本眼部图片的分类类别的类别指标；
[0175]
初始模型构建模块，用于通过曲线表达式和类别指标构建得到初始眼部图片分类模型；
[0176]
代价函数构建模块，用于通过曲线表达式、类别指标以及样本特征数据的实际类别计算得到每个类群中的样本特征数据对应的代价函数；
[0177]
权重计算模块，用于通过代价函数计算得到曲线表达式中的各个项的权重；
[0178]
目标眼部图片分类模型生成模块，用于根据所得到的权重和初始眼部图片分类模型得到目标眼部图片分类模型。
[0179]
在其中一个实施例中，目标特征数据至少包括三维数据，三维数据的维度包括眼部正视图下长轴最远两端距离、眼部正视图下短轴最远两端距离、眼部侧视图下眼轴方向眼球最远两端距离。
[0180]
在一个实施例中，如图9所示，提供了一种超声乳化设备控制装置，包括：分类模块400和控制模块500，其中：
[0181]
分类模块400，用于通过上述任意一个实施例的眼部图片分类方法得到待处理眼部图片对应的眼部图片分类结果；
[0182]
控制模块500，用于根据眼部图片分类结果对超声乳化设备进行控制。
[0183]
在其中一个实施例中，超声乳化设备包括灌注设备和吸取设备；该控制模块500还用于根据眼部图片分类结果控制灌注设备的输出流量和/或控制吸取设备的抽吸流量。
[0184]
在其中一个实施例中，超声乳化设备还包括手动流量调节装置；该控制模块500包括：
[0185]
告警信息输出单元，用于输出与眼部图片分类结果对应的告警信息；
[0186]
控制单元，用于根据告警信息通过手动流量调节装置对灌注设备和/或吸取设备进行控制。
[0187]
关于眼部图片分类装置和超声乳化设备控制装置的具体限定可以参见上文中对于眼部图片分类方法和超声乳化设备控制方法的限定，在此不再赘述。上述眼部图片分类
装置和超声乳化设备控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0188]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种眼部图片分类方法和超声乳化设备控制方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0189]
本领域技术人员可以理解，图10中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0190]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取拍摄得到的待处理眼部图片，并对待处理眼部图片进行处理得到目标特征数据；获取预先确定的与待处理眼部图片对应的类群的目标眼部图片分类模型；将目标特征数据输入至目标眼部图片分类模型中得到待处理眼部图片对应的分类结果。
[0191]
在一个实施例中，处理器执行计算机程序时所涉及的目标眼部图片分类模型包括至少两个二分类模型；处理器执行计算机程序时将目标特征数据输入至目标眼部图片分类模型中得到待处理眼部图片对应的分类结果，包括：根据目标特征数据计算得到目标参考指标值，并将所述目标参考指标值依次输入至至少两个二分类模型中，直至得到待处理眼部图片对应的分类结果。
[0192]
在一个实施例中，处理器执行计算机程序时所涉及的目标眼部图片分类模型的确定方式包括：获取拍摄得到的初始眼部图片以及预先聚类得到的各个类群的类群特征数据；对初始眼部图片进行处理得到初始特征数据；分别计算初始特征数据与类群特征数据之间的距离；获取与初始特征数据距离最小的类群特征数据对应的初始眼部图片分类模型作为目标眼部图片分类模型。
[0193]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将初始眼部图片上传至云端，以指示云端根据初始眼部图片对类群特征数据进行更新。
[0194]
在一个实施例中，处理器执行计算机程序时所涉及的类群特征数据的计算方式包括：获取样本眼部图片；对样本眼部图片进行处理得到样本特征数据；对样本特征数据进行聚类处理以得到至少两个类群；根据每个类群中所有的样本特征数据计算得到类群的类群特征数据。
[0195]
在一个实施例中，处理器执行计算机程序时所涉及的目标眼部图片分类模型的训
练方式包括：对聚类得到的每个类群中的样本特征数据进行回归分析得到分类指标与样本特征数据的曲线表达式；获取设定的样本眼部图片的分类类别的类别指标；通过曲线表达式和类别指标构建得到初始眼部图片分类模型；通过曲线表达式、类别指标以及样本特征数据的实际类别计算得到每个类群中的样本特征数据对应的代价函数；通过代价函数计算得到曲线表达式中的各个项的权重；根据所得到的权重和初始眼部图片分类模型得到目标眼部图片分类模型。
[0196]
在一个实施例中，处理器执行计算机程序时所涉及的目标特征数据至少包括三维数据，三维数据的维度包括眼部正视图下长轴最远两端距离、眼部正视图下短轴最远两端距离、眼部侧视图下眼轴方向眼球最远两端距离。
[0197]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：通过上述任意一个实施例中的眼部图片分类方法得到待处理眼部图片对应的眼部图片分类结果；根据眼部图片分类结果对超声乳化设备进行控制。
[0198]
在一个实施例中，处理器执行计算机程序时所涉及的超声乳化设备包括灌注设备和吸取设备；处理器执行计算机程序时所实现的根据眼部图片分类结果对超声乳化设备进行控制，包括：根据眼部图片分类结果控制灌注设备的输出流量和/或控制吸取设备的抽吸流量。
[0199]
在一个实施例中，处理器执行计算机程序时所涉及的超声乳化设备还包括手动流量调节装置；处理器执行计算机程序时所实现的根据眼部图片分类结果对超声乳化设备进行控制，包括：输出与眼部图片分类结果对应的告警信息；根据告警信息通过手动流量调节装置对灌注设备和/或吸取设备进行控制。
[0200]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取拍摄得到的待处理眼部图片，并对待处理眼部图片进行处理得到目标特征数据；获取预先确定的与待处理眼部图片对应的类群的目标眼部图片分类模型；将目标特征数据输入至目标眼部图片分类模型中得到待处理眼部图片对应的分类结果。
[0201]
在一个实施例中，计算机程序被处理器执行时所涉及的目标眼部图片分类模型包括至少两个二分类模型；计算机程序被处理器执行时将目标特征数据输入至目标眼部图片分类模型中得到待处理眼部图片对应的分类结果，包括：根据目标特征数据计算得到目标参考指标值，并将所述目标参考指标值依次输入至至少两个二分类模型中，直至得到待处理眼部图片对应的分类结果。
[0202]
在一个实施例中，计算机程序被处理器执行时所涉及的目标眼部图片分类模型的确定方式包括：获取拍摄得到的初始眼部图片以及预先聚类得到的各个类群的类群特征数据；对初始眼部图片进行处理得到初始特征数据；分别计算初始特征数据与类群特征数据之间的距离；获取与初始特征数据距离最小的类群特征数据对应的初始眼部图片分类模型作为目标眼部图片分类模型。
[0203]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将初始眼部图片上传至云端，以指示云端根据初始眼部图片对类群特征数据进行更新。
[0204]
在一个实施例中，计算机程序被处理器执行时所涉及的类群特征数据的计算方式
包括：获取样本眼部图片；对样本眼部图片进行处理得到样本特征数据；对样本特征数据进行聚类处理以得到至少两个类群；根据每个类群中所有的样本特征数据计算得到类群的类群特征数据。
[0205]
在一个实施例中，计算机程序被处理器执行时所涉及的目标眼部图片分类模型的训练方式包括：对聚类得到的每个类群中的样本特征数据进行回归分析得到分类指标与样本特征数据的曲线表达式；获取设定的样本眼部图片的分类类别的类别指标；通过曲线表达式和类别指标构建得到初始眼部图片分类模型；通过曲线表达式、类别指标以及样本特征数据的实际类别计算得到每个类群中的样本特征数据对应的代价函数；通过代价函数计算得到曲线表达式中的各个项的权重；根据所得到的权重和初始眼部图片分类模型得到目标眼部图片分类模型。
[0206]
在一个实施例中，计算机程序被处理器执行时所涉及的目标特征数据至少包括三维数据，三维数据的维度包括眼部正视图下长轴最远两端距离、眼部正视图下短轴最远两端距离、眼部侧视图下眼轴方向眼球最远两端距离。
[0207]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：通过上述任意一个实施例中的眼部图片分类方法得到待处理眼部图片对应的眼部图片分类结果；根据眼部图片分类结果对超声乳化设备进行控制。
[0208]
在一个实施例中，计算机程序被处理器执行时所涉及的超声乳化设备包括灌注设备和吸取设备；计算机程序被处理器执行时所实现的根据眼部图片分类结果对超声乳化设备进行控制，包括：根据眼部图片分类结果控制灌注设备的输出流量和/或控制吸取设备的抽吸流量。
[0209]
在一个实施例中，计算机程序被处理器执行时所涉及的超声乳化设备还包括手动流量调节装置；计算机程序被处理器执行时所实现的根据眼部图片分类结果对超声乳化设备进行控制，包括：输出与眼部图片分类结果对应的告警信息；根据告警信息通过手动流量调节装置对灌注设备和/或吸取设备进行控制。
[0210]
本领域普通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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
[0211]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0212]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来
说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。