重建神经元质量检测方法、有序点云分类方法及装置
阅读：351发布：2020-05-16
专利汇可以提供重建神经元质量检测方法、有序点云分类方法及装置专利检索，专利查询，专利分析的服务。并且本 申请 涉及一种重建神经元 质量 检测方法、装置、计算机可读存储介质和计算机设备，所述方法包括：获取待检测重建神经元的 节点 数据；根据所述节点数据，提取所述待检测重建神经元中各节点对应的局部特征；将各所述节点的局部特征输入训练好的 卷积神经网络 ，通过所述卷积神经网络的卷积 块 进行全局特征矩阵提取，获得所述待检测重建神经元的全局特征矩阵；所述卷积神经网络的全连接层基于所述待检测重建神经元的全局特征矩阵进行分类，获得分类结果；根据所述分类结果确定所述待检测重建神经元的质量检测结果。通过基于卷积神经网络全自动对重建神经元进行质量检测，无需人工进行判断，提高了重建神经元的质量检测效率。，下面是重建神经元质量检测方法、有序点云分类方法及装置专利的具体信息内容。
1.一种重建神经元质量检测方法，包括：
获取待检测重建神经元的节点数据；
根据所述节点数据，提取所述待检测重建神经元中各节点对应的局部特征；
将各所述节点的局部特征输入训练好的卷积神经网络，通过所述卷积神经网络的卷积块进行全局特征矩阵提取，获得所述待检测重建神经元的全局特征矩阵；
所述卷积神经网络的全连接层基于所述待检测重建神经元的全局特征矩阵进行分类，获得分类结果；
根据所述分类结果确定所述待检测重建神经元的质量检测结果。
2.根据权利要求1所述的方法，其特征在于，根据所述节点数据，提取所述待检测重建神经元中各节点对应的局部特征，包括：
根据所述节点数据，确定各所述节点对应的邻域节点；
根据预设间隔，从各所述邻域节点中确定各所述节点对应特征节点；
根据节点的三维空间坐标和节点对应特征节点的三维空间坐标，确定各所述节点对应的结构特征；
根据节点与节点对应所述特征节点之间所有节点的灰度值，确定各所述节点对应的灰度特征；
将各所述节点对应的结构特征和灰度特征作为各所述节点对应的局部特征。
3.根据权利要求2所述的方法，其特征在于，根据节点的三维空间坐标和节点对应特征节点的三维空间坐标，确定各所述节点对应的结构特征，包括：
根据节点的三维空间坐标和所述节点对应特征节点的三维空间坐标，确定从所述节点到所述节点对应特征节点的拟合直线的长度；
根据节点的三维空间坐标和所述节点对应特征节点的三维空间坐标，对所述拟合直线与三维空间中各平面的夹角进行分析，获得各平面夹角的角度；
根据节点的三维空间坐标和所述节点对应特征节点的三维空间坐标，对所述拟合直线进行向量分析，获得所述拟合直线的向量；
将所述拟合直线的长度、各所述平面夹角的角度和所述拟合直线的向量作为各所述节点对应的结构特征。
4.根据权利要求2所述的方法，其特征在于，根据节点与节点对应所述特征节点之间所有节点的灰度值，确定各所述节点对应的灰度特征，包括：
获取节点与所述节点对应所述特征节点之间所有节点的灰度值；
对所有节点的灰度值进行均值分析，获得所有节点的灰度值的均值；
对所有节点的灰度值进行标准差分析，获得所有节点的灰度值的标准差；
将所述有节点的灰度值的均值和标准差作为所述节点的灰度特征。
5.根据权利要求1所述的方法，其特征在于，将各所述节点的局部特征输入训练好的卷积神经网络，通过所述卷积神经网络的卷积块进行全局特征矩阵提取，获得所述待检测重建神经元的全局特征矩阵，包括：
将各所述节点的局部特征输入训练好的卷积神经网络，通过所述卷积神经网络中由两个一维卷积层和一个最大池化层组成的各卷积块进行特征提取，获得所述待检测重建神经元的全局特征矩阵。
6.根据权利要求5所述的方法，其特征在于，将各所述节点的局部特征输入训练好的卷积神经网络，通过所述卷积神经网络中由两个一维卷积层和一个最大池化层组成的各卷积块进行特征提取，获得所述待检测重建神经元的全局特征矩阵，包括：
将各所述节点的局部特征输入训练好的卷积神经网络，通过所述卷积神经网络中前n个卷积块的两个一维卷积层和最大池化层进行提取特征，获得第一特征矩阵，其中，所述一维卷积层的第一层卷积核大小为1×m，第二层的卷积核大小为3×m，最大池化层的核大小为2×1，m为特征维数，n为卷积块个数；
将所述第一特征矩阵第n个卷积块的两个一维卷积层和最大池化层进行提取特征，所述待检测重建神经元的全局特征矩阵，其中，所述一维卷积层的第一层卷积核大小为1×m，第二层的卷积核大小为3×m，最大池化层的核大小，根据所述待检测重建神经元中节点数目确定，所述最大池化层的核大小为：
N为神经元节点的个数。
7.一种有序点云分类方法，包括：
获取待分类有序点云的节点数据；
根据所述节点数据，提取所述待分类有序点云中各节点对应的局部特征；
将各所述节点的局部特征输入训练好的卷积神经网络，通过所述卷积神经网络的卷积块进行全局特征矩阵提取，获得所述待分类有序点云的全局特征矩阵；
所述卷积神经网络的全连接层基于所述待分类有序点云的全局特征矩阵进行分类，获得分类结果。
8.根据权利要求7所述的方法，其特征在于，所述根据待分类有序点云中各节点的连接关系，提取各所述节点对应的局部特征，包括：
根据所述节点数据，确定各所述节点对应的邻域节点；
根据预设间隔，从各所述邻域节点中确定各所述节点对应特征节点；
根据节点的三维空间坐标和节点对应特征节点的三维空间坐标，确定各所述节点对应的结构特征；
根据节点与节点对应所述特征节点之间所有节点的灰度值，确定各所述节点对应的灰度特征；
将各所述节点对应的结构特征和灰度特征作为各所述节点对应的局部特征。
9.根据权利要求8所述的方法，其特征在于，根据节点的三维空间坐标和节点对应特征节点的三维空间坐标，确定各所述节点对应的结构特征，包括：
根据节点的三维空间坐标和所述节点对应特征节点的三维空间坐标，确定从所述节点到所述节点对应特征节点的拟合直线的长度；
根据节点的三维空间坐标和所述节点对应特征节点的三维空间坐标，对所述拟合直线与三维空间中各平面的夹角进行分析，获得各平面夹角的角度；
根据节点的三维空间坐标和所述节点对应特征节点的三维空间坐标，对所述拟合直线进行向量分析，获得所述拟合直线的向量；
将所述拟合直线的长度、各所述平面夹角的角度和所述拟合直线的向量作为各所述节点对应的结构特征。
10.根据权利要求8所述的方法，其特征在于，根据节点与节点对应所述特征节点之间所有节点的灰度值，确定各所述节点对应的灰度特征，包括：
获取节点与所述节点对应所述特征节点之间所有节点的灰度值；
对所有节点的灰度值进行均值分析，获得所有节点的灰度值的均值；
对所有节点的灰度值进行标准差分析，获得所有节点的灰度值的标准差；
将所述有节点的灰度值的均值和标准差作为所述节点的灰度特征。
11.根据权利要求7所述的方法，其特征在于，将各所述节点的局部特征输入训练好的卷积神经网络，通过所述卷积神经网络的卷积块进行全局特征矩阵提取，获得所述待分类有序点云的全局特征矩阵，包括：
将各所述节点的局部特征输入训练好的卷积神经网络，通过所述卷积神经网络中由两个一维卷积层和一个最大池化层组成的各卷积块进行特征提取，获得所述待分类有序点云的全局特征矩阵。
12.根据权利要求11所述的方法，其特征在于，将各所述节点的局部特征输入训练好的卷积神经网络，通过所述卷积神经网络中由两个一维卷积层和一个最大池化层组成的各卷积块进行特征提取，获得所述待分类有序点云的全局特征矩阵，包括：
将各所述节点的局部特征输入训练好的卷积神经网络，通过所述卷积神经网络中前n个卷积块的两个一维卷积层和最大池化层进行提取特征，获得第一特征矩阵，其中，所述一维卷积层的第一层卷积核大小为1×m，第二层的卷积核大小为3×m，最大池化层的核大小为2×1，m为特征维数，n为卷积块个数；
将所述第一特征矩阵第n个卷积块的两个一维卷积层和最大池化层进行提取特征，所述待分类有序点云的全局特征矩阵，其中，所述一维卷积层的第一层卷积核大小为1×m，第二层的卷积核大小为3×m，最大池化层的核大小，根据所述待分类有序点云中节点数目确定，所述最大池化层的核大小为：
N为有序点云中节点的个数。
13.一种重建神经元质量检测装置，其特征在于，包括：
第一节点数据获取模块，用于获取待检测重建神经元的节点数据；
第一局部特征提取模块，用于根据所述节点数据，提取所述待检测重建神经元中各节点对应的局部特征；
第一全局特征矩阵获得模块，用于将各所述节点的局部特征输入训练好的卷积神经网络，通过所述卷积神经网络的卷积块进行全局特征矩阵提取，获得所述待检测重建神经元的全局特征矩阵；
第一分类模块，用于所述卷积神经网络的全连接层基于所述待检测重建神经元的全局特征矩阵进行分类，获得分类结果；
质量检测结果确定模块，用于根据所述分类结果确定所述待检测重建神经元的质量检测结果。
14.一种有序点云分类装置，其特征在于，包括：
第二节点数据获取模块，用于获取待分类有序点云的节点数据；
第二局部特征提取模块，用于根据所述节点数据，提取所述待分类有序点云中各节点对应的局部特征；
第二全局特征矩阵获得模块，用于将各所述节点的局部特征输入训练好的卷积神经网络，通过所述卷积神经网络的卷积块进行全局特征矩阵提取，获得所述待分类有序点云的全局特征矩阵；
第二分类模块，用于所述卷积神经网络的全连接层基于所述待分类有序点云的全局特征矩阵进行分类，获得分类结果。
15.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至12中任一项所述方法的步骤。
16.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至12中任一项所述方法的步骤。
重建神经元质量检测方法、有序点云分类方法及装置
技术领域
[0001] 本申请涉及计算机技术领域，特别是涉及一种重建神经元质量检测方法、装置、计算机可读存储介质和计算机设备及有序点云分类方法、装置、计算机可读存储介质和计算机设备。
背景技术
[0003] 而神经元重建是基于较高分辨率的大脑图像，重建后的神经元某一维长度可达数千像素，若用三维矩阵的方式存储，一个神经元会占用几G的空间，因此神经元均以三维点云的形式进行存储，如图1所示，其中第1到6列分别为节点序号，x轴坐标，y轴坐标，z轴坐标，父节点序号和节点灰度值。而神经元的节点个数可能多达上万个，如果要人工对神经元重建的质量进行判断需要花费大量的时间。
[0004] 目前检测重建神经元的质量，主要依赖于对神经元中各节点连续性的判断，然而神经元中各节点的连续性并不能完全代表神经元的重建质量，且连续的神经元节点也可能是标注错误，需要通过其他特征对重建质量进行判断，因此，重建神经元的质量检测效率低。发明内容
[0005] 基于此，有必要针对重建神经元的质量检测效率低的问题，提供一种重建神经元质量检测方法、装置、计算机可读存储介质和计算机设备，以及针对点云数据分类时，需要求每个样本中节点的个数相同，导致点云分类效率低的问题，提供一种有序点云分类方法、装置、计算机可读存储介质和计算机设备。
[0006] 一种重建神经元质量检测方法，包括：
[0007] 获取待检测重建神经元的节点数据；
[0008] 根据所述节点数据，提取所述待检测重建神经元中各节点对应的局部特征；
[0010] 所述卷积神经网络的全连接层基于所述待检测重建神经元的全局特征矩阵进行分类，获得分类结果；
[0011] 根据所述分类结果确定所述待检测重建神经元的质量检测结果。
[0012] 一种重建神经元质量检测装置，包括：
[0013] 第一节点数据获取模块，用于获取待检测重建神经元的节点数据；
[0014] 第一局部特征提取模块，用于根据所述节点数据，提取所述待检测重建神经元中各节点对应的局部特征；
[0015] 第一全局特征矩阵获得模块，用于将各所述节点的局部特征输入训练好的卷积神经网络，通过所述卷积神经网络的卷积块进行全局特征矩阵提取，获得所述待检测重建神经元的全局特征矩阵；
[0016] 第一分类模块，用于所述卷积神经网络的全连接层基于所述待检测重建神经元的全局特征矩阵进行分类，获得分类结果；
[0017] 质量检测结果确定模块，用于根据所述分类结果确定所述待检测重建神经元的质量检测结果。
[0018] 一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述方法的步骤。
[0019] 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，所述计算机程序被所述处理器执行时，使得所述处理器执行所述方法的步骤。
[0020] 上述重建神经元质量检测方法、装置、计算机可读存储介质和计算机设备，通过待检测重建神经元的节点数据，提取待检测重建神经元中各节点对应的局部特征，利用卷积神经网络的卷积块基于各节点对应的局部特征进行全局特征矩阵提取，并将输入的全局特征矩阵全连接层进行分类，根据分类结果确定待检测重建神经元的质量检测结果。通过基于卷积神经网络全自动对重建神经元进行质量检测，无需人工进行判断，提高了重建神经元的质量检测效率。
[0021] 一种有序点云分类方法，包括：
[0022] 获取待分类有序点云的节点数据；
[0023] 根据所述节点数据，提取所述待分类有序点云中各节点对应的局部特征；
[0024] 将各所述节点的局部特征输入训练好的卷积神经网络，通过所述卷积神经网络的卷积块进行全局特征矩阵提取，获得所述待分类有序点云的全局特征矩阵；
[0025] 所述卷积神经网络的全连接层基于所述待分类有序点云的全局特征矩阵进行分类，获得分类结果。
[0026] 一种有序点云分类装置，包括：
[0027] 第二节点数据获取模块，用于获取待分类有序点云的节点数据；
[0028] 第二局部特征提取模块，用于根据所述节点数据，提取所述待分类有序点云中各节点对应的局部特征；
[0029] 第二全局特征矩阵获得模块，用于将各所述节点的局部特征输入训练好的卷积神经网络，通过所述卷积神经网络的卷积块进行全局特征矩阵提取，获得所述待分类有序点云的全局特征矩阵；
[0030] 第二分类模块，用于所述卷积神经网络的全连接层基于所述待分类有序点云的全局特征矩阵进行分类，获得分类结果。
[0031] 一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述方法的步骤。
[0032] 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，所述计算机程序被所述处理器执行时，使得所述处理器执行所述方法的步骤。
[0033] 上述有序点云分类方法、装置、计算机可读存储介质和计算机设备，通过待分类有序点云的节点数据，提取待分类有序点云中各节点对应的局部特征，利用卷积神经网络的卷积块基于各节点对应的局部特征进行全局特征矩阵提取，并将输入的全局特征矩阵全连接层进行分类，获得分类结果。通过基于卷积神经网络全自动对待分类有序点云进行分类，无需要求待分类有序点云中节点的个数相同，提高了待分类有序点云的质量检测效率。附图说明
[0034] 图1为重建神经元的部分节点数据；
[0035] 图2为一个实施例中重建神经元质量检测方法和有序点云分类方法的应用环境图；
[0036] 图3为一个实施例中重建神经元质量检测方法的流程示意图；
[0037] 图4为一个实施例中待检测重建神经元的各节点数据；
[0038] 图5为一个实施例中1D-CNN的卷积神经网络结构图；
[0039] 图6为一个实施例中有序点云分类方法的流程示意图；
[0040] 图7为一个实施例中重建神经元点云示例图；
[0041] 图8为一个实施例中重建神经元质量检测装置的结构框图；
[0042] 图9为一个实施例中有序点云分类装置的结构框图；
[0043] 图10为一个实施例中计算机设备的结构框图。
具体实施方式
[0044] 为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0045] 图2为一个实施例中重建神经元质量检测方法的应用环境图。可以应用于如图2所示的应用环境中。终端110和服务器120通过网络连接。其中，终端110获取待检测重建神经元的节点数据，可由终端110上的各个用于进行重建神经元质量检测的模块进行重建神经元质量检测，也可以是终端110和服务器120进行交互实现重建神经元质量检测方法，服务器120获取终端110发送的待检测重建神经元的节点数据，由服务器120上的各个用于进行重建神经元质量检测方法的模块进行重建神经元质量检测。终端110具体可以是台式终端或移动终端，移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
[0046] 图2为一个实施例中有序点云分类方法的应用环境图。可以应用于如图2所示的应用环境中。终端110和服务器120通过网络连接。其中，终端110获取待分类有序点云的节点数据，可由终端110上的各个用于进行有序点云分类的模块进行有序点云分类，也可以是终端110和服务器120进行交互实现有序点云分类方法，服务器120获取终端110发送的待分类有序点云的节点数据，由服务器120上的各个用于进行有序点云分类的模块进行有序点云分类。终端110具体可以是台式终端或移动终端，移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
[0047] 如图3所示，在一个实施例中，提供了一种重建神经元质量检测方法。本实施例主要以该方法应用于上述图1中的服务器120来举例说明。参照图3，该重建神经元质量检测方法具体包括如下步骤：
[0048] 步骤S220，获取待检测重建神经元的节点数据。
[0049] 其中，待检测重建神经元可以是基于图片中各像素点数据构建的神经元。节点数据是待检测重建神经元中各节点的节点数据，该节点数据可以是以三维点云的形式进行存储，如图1所示的待检测重建神经元的部分节点数据，包括：节点序号，x轴坐标，y轴坐标，z轴坐标，父节点序号和节点灰度值。可以是又用户通过终端即时上传获得待检测重建神经元的节点数据，也可以是根据指定获取路径获取待检测重建神经元的节点数据。
[0050] 步骤S240，根据节点数据，提取待检测重建神经元中各节点对应的局部特征。
[0051] 其中，局部特征指的是以目标节点为中心，该目标节点与其邻域节点之间所构成的特征，包括结构特征和灰度特征。待检测重建神经元中各节点对应的局部特征，是指该待检测重建神经元中每个节点的局部特征，如：待检测重建神经元有节点1、节点2和节点3，则需分别提取节点1的局部特征、节点2的局部特征和节点3的局部特征，提取时，可以根据节点数据中，各节点的节点序号，依次提取各自的局部特征，也可以同时提取各节点的局部特征。
[0052] 在一个实施例中，根据节点数据，提取待检测重建神经元中各节点对应的局部特征，包括：
[0053] 根据节点数据，确定各节点对应的邻域节点；根据预设间隔，从各邻域节点中确定各节点对应特征节点；根据节点的三维空间坐标和节点对应特征节点的三维空间坐标，确定各节点对应的结构特征；根据节点与节点对应特征节点之间所有节点的灰度值，确定各节点对应的灰度特征；将各节点对应的结构特征和灰度特征作为各节点对应的局部特征。
[0054] 其中，各节点对应的邻域节点是以目标节点为中心，与目标节点以外的节点，目标节点用来指代当前被分析节点，如：假设有1-21个节点，以第11个节点为目标节点，1-10节点与12-21节点都为第11个节点的邻域节点。预设间隔可根据实际情况设定，可以是任意间隔，具体可根据不同的待检测重建神经元的检测结果的准确程度确定最优的间隔。特征节点是在目标节点对应的邻域节点中，用于与目标节点构成的特征的节点，该特征节点可以是目标节点的所有邻域节点，也可以是部分邻域节点，如：假设有1-21个节点，以第11个节点为目标节点，当预设间隔为前后10各节点中间隔1、5、10邻域点的节点，则特征节点包括：节点10，节点12，节点6，节点16，节点1，节点21。当目标节点的对应的邻域节点中，不能满足预设间隔时，则以补开头节点或末尾节点的方式补齐节点，不能满足预设间隔指的是根据预设间隔确定特征节点，取不到对应个数的特征节点时，如：假设第1个节点为目标节点，当预设间隔为前后10各节点中间隔1、5、10邻域点的节点，第1个节点前面并无其他节点，则以补开头节点方式补齐节点，则节点排序为：节点1、节点1……节点1、节点2、节点3……节点
21，则特征节点包括：节点1，节点2，节点1，节点6，节点1，节点11。
21，则特征节点包括：节点1，节点2，节点1，节点6，节点1，节点11。
[0055] 在一个实施例中，根据节点的三维空间坐标和节点对应特征节点的三维空间坐标，确定各节点对应的结构特征，包括：
[0056] 根据节点的三维空间坐标和节点对应特征节点的三维空间坐标，确定从节点到节点对应特征节点的拟合直线的长度；根据节点的三维空间坐标和节点对应特征节点的三维空间坐标，对拟合直线与三维空间中各平面的夹角进行分析，获得各平面夹角的角度；根据节点的三维空间坐标和节点对应特征节点的三维空间坐标，对拟合直线进行向量分析，获得拟合直线的向量；将拟合直线的长度、各平面夹角的角度和拟合直线的向量作为各节点对应的结构特征。
[0057] 其中，三维空间坐标指的是x轴坐标值、y轴坐标值和z轴坐标值，节点的三维空间坐标则是目标节点的x轴坐标值、y轴坐标值和z轴坐标值，特征节点的三维空间坐标则是特征节点的x轴坐标值、y轴坐标值和z轴坐标值。从节点到节点对应特征节点的拟合直线是目标节点到分别到各个特征节点的拟合直线，可以有多条特征节点的拟合直线，根据特征节点的个数确定。各平面夹角指的是拟合直线与XY平面的夹角、拟合直线与XZ平面的夹角和拟合直线与ZY平面的夹角。
[0058] 根据节点的三维空间坐标和节点对应特征节点的三维空间坐标，确定从节点到节点对应特征节点的拟合直线的长度，如：设目标节点为节点11，三维空间坐标为(x0，y0，z0)，与节点11间隔5个节点的节点6的三维空间坐标为(x1，y1，z1)，计算从节点11到节点11对应特征节点6的拟合直线的长度的公式为：
[0059]
[0060] 其中，f(1)为从节点11到节点11对应特征节点6的拟合直线的长度。
[0061] 根据节点的三维空间坐标和节点对应特征节点的三维空间坐标，对拟合直线与三维空间中各平面的夹角进行分析，获得各平面夹角的角度，如：设目标节点为节点11，三维空间坐标为(x0，y0，z0)，与节点11间隔5个节点的节点6的三维空间坐标为(x1，y1，z1)，各平面夹角的角度计算公式为：
[0062]
[0063]
[0064]
[0065] f(2)为拟合直线与XZ平面的夹角的角度值，f(3)为拟合直线与XY平面的夹角的角度值，f(4)为拟合直线与YZ平面的夹角的角度值。
[0066] 根据节点的三维空间坐标和节点对应特征节点的三维空间坐标，对拟合直线进行向量分析，获得拟合直线的向量，如：设目标节点为节点11，三维空间坐标为(x0，y0，z0)，与节点11间隔5个节点的节点6的三维空间坐标为(x1，y1，z1)，拟合直线的向量计算公式为：
[0067] f(5)＝x1-x0，f(6)＝y1-y0，f(7)＝z1-z0
[0068] f(5)为该拟合直线的X轴向量值，f(6)为该拟合直线的Y轴向量值，f(7)为该拟合直线的Z轴向量值。
[0069] 在一个实施例中，根据节点与节点对应特征节点之间所有节点的灰度值，确定各节点对应的灰度特征，包括：
[0070] 获取节点与节点对应特征节点之间所有节点的灰度值；对所有节点的灰度值进行均值分析，获得所有节点的灰度值的均值；对所有节点的灰度值进行标准差分析，获得所有节点的灰度值的标准差；将有节点的灰度值的均值和标准差作为节点的灰度特征。
[0071] 其中，节点与节点对应特征节点之间所有节点指的是节点与节点对应特征节点之间间隔的所有节点，如：设目标节点为节点11，节点6为与节点11间隔5个节点特征节点，节点11与节点6之间的所有节点，包括：节点11、节点10、节点9、节点8、节点7和节点6。获取节点11、节点10、节点9、节点8、节点7和节点6的灰度值，计算其均值和标准差，获得的均值和标准差，具体地均值和标准差的公式不具体限定，目前用于计算其均值和标准差的公式均可。
[0072] 步骤S260，将各节点的局部特征输入训练好的卷积神经网络，通过卷积神经网络的卷积块进行全局特征矩阵提取，获得待检测重建神经元的全局特征矩阵。
[0073] 其中，卷积神经网络可以采用CNN结构、也可以用ResNet结构、还可以用DenseNet结构等等。训练好的卷积神经网络采用交叉熵(cross entropy)为损失函数，用基于Adam优化算法(Adam是一种可以替代传统随机梯度下降过程的一阶优化算法，它能基于训练数据迭代地更新神经网络权重。)的梯度下降发更新网络参数，Adam中的betas＝(0.95,0.9995)。训练时，初始学习率为0.001，每经过25个epoch缩小为原来的五分之一，总共训练
100个epoch，批大小(batch size)设为1，可以避免由于每个重建神经元的节点数目差距较大且难以调整到一致的问题。
100个epoch，批大小(batch size)设为1，可以避免由于每个重建神经元的节点数目差距较大且难以调整到一致的问题。
[0074] 在一个实施例中，将各节点的局部特征输入训练好的卷积神经网络，通过卷积神经网络的卷积块进行全局特征矩阵提取，获得待检测重建神经元的全局特征矩阵，包括：
[0075] 将各节点的局部特征输入训练好的卷积神经网络，通过卷积神经网络中由两个一维卷积层和一个最大池化层组成的各卷积块进行特征提取，获得待检测重建神经元的全局特征矩阵。
[0076] 其中，各节点的局部特征是待检测重建神经元所有节点的局部特征。卷积神经网络的卷积块个数可根据检测结果的准确度进行确定。各节点的局部特征输入第一个卷积块中的第一层一维卷积层，第一个卷积块中的第一层一维卷积层输出的特征矩阵输入到第二层一维卷积层，第二层一维卷积层输出的特征矩阵输入到最大池化层，最大池化层输出的特征矩阵输入到第二个卷积块中的第一层一维卷积层，依次类推，由最后一个卷积块的最大池化层输出的特征矩阵输入到卷积神经网络的全连接层的第一层，最后一个卷积块的最大池化层输出的特征矩阵为待检测重建神经元的全局特征矩阵。
[0077] 在一个实施例中，将各节点的局部特征输入训练好的卷积神经网络，通过卷积神经网络中由两个一维卷积层和一个最大池化层组成的各卷积块进行特征提取，获得待检测重建神经元的全局特征矩阵，包括：
[0078] 将各节点的局部特征输入训练好的卷积神经网络，通过卷积神经网络中前n个卷积块的两个一维卷积层和最大池化层进行提取特征，获得第一特征矩阵，其中，一维卷积层的第一层卷积核大小为1×m，第二层的卷积核大小为3×m，最大池化层的核大小为2×1，m为特征维数，n为卷积块个数；将第一特征矩阵第n个卷积块的两个一维卷积层和最大池化层进行提取特征，待检测重建神经元的全局特征矩阵，其中，一维卷积层的第一层卷积核大小为1×m，第二层的卷积核大小为3×m，最大池化层的核大小，根据待检测重建神经元中节点数目确定，最大池化层的核大小为：
[0079] N为神经元节点的个数。
[0080] 其中，通过一维卷积运算时卷积核只在纵向(即，不同神经元节点之间)移动，而该节点的所有特征均参与了卷积运算，计算时每个卷积层均使用LeakyReLU作为激活函数，其参数设为0.2。前n个卷积块的池化层的核大小为2×1，即纵向尺度在经过每个卷积核后减为原来的一半，而横向尺度保持不变。因为每个神经元中节点的个数不同，为了对神经元进行分类，后续的全连接层需要固定维数的输入，所以最后一个池化层的核大小会根据每个神经中节点数目不同进行调整，计算公式为：
[0081] N为神经元节点的个数。
[0082] 当计算的值为小数是，以四舍五入取整。使得输入带全连接层的维数固定。
[0083] 步骤S280，卷积神经网络的全连接层基于待检测重建神经元的全局特征矩阵进行分类，获得分类结果。
[0084] 其中，全连接层中的每个神经元与其前一层的所有神经元进行全连接.全连接层可以整合卷积层或者池化层中具有类别区分性的局部信息。卷积神经网络的全连接层根据待检测重建神经元的全局特征矩阵进行分类，获得分类结果。
[0085] 步骤S300，根据分类结果确定待检测重建神经元的质量检测结果。
[0086] 其中，卷积神经网络输出分类结果为0或者是1，输出为1则质量通过，输出为0则质量不通过。也可以根据需要，设定输出为1质量不通过，输出为0则质量通过。
[0087] 上述重建神经元质量检测方法，通过待检测重建神经元的节点数据，提取待检测重建神经元中各节点对应的局部特征，利用卷积神经网络的卷积块基于各节点对应的局部特征进行全局特征矩阵提取，并将输入的全局特征矩阵全连接层进行分类，根据分类结果确定待检测重建神经元的质量检测结果。通过基于卷积神经网络全自动对重建神经元进行质量检测，无需人工进行判断，提高了重建神经元的质量检测效率。
[0088] 在一个实施例中，一种重建神经元质量检测方法，以图4中虚线框内的节点为待检测重建神经元的各节点，以图5所示的1D-CNN的卷积神经网络进行重建神经元质量检测(其中，图5的N代表该神经元节点的个数，54是每个节点的特征维数，卷积块下面的数字指的是核的个数)为例，举例说明：
[0089] 图5所示的1D-CNN的卷积神经网络主要由两部分构成，分别是由5个卷积块(convolution block)组成的特征提取网络和由3个全连接层组成的分类识别网络。每个卷积块由两个一维卷积层(1D convolution layer)和一个最大池化层(max pooling)组成，其中，第一层的卷积核大小为1×m，第二层的卷积核大小为3×m，m为特征维数，时每个卷积层均使用LeakyReLU作为激活函数，其参数设为0.2，前4个卷积块的池化层的核大小为2×1，后一个池化层的核大小会根据每个神经中节点数目不同进行调整，计算公式为：
[0090] N为神经元节点的个数。
[0091] 采用交叉熵(cross entropy)为损失函数，用基于Adam优化算法的梯度下降发更新网络参数，Adam中的betas＝(0.95,0.9995)。训练时，初始学习率为0.001，每经过25个epoch缩小为原来的五分之一，总共训练100个epoch，批大小(batch size)设为1。
[0092] 重建神经元质量检测步骤如下：
[0093] 获取待检测重建神经元的节点数据，根据节点数据，提取待检测重建神经元中各节点对应的局部特征，即1-21节点对应的局部特征，以提取节点11的局部特征例：对于其间隔1、5、10个节点的作为特征节点(即：序列号依次为节点10、节点12、节点6、节点16、节点1、节点21)，分别提取节点11与各特征节点对应的7维结构特征和2维灰度特征，以提取节点11与节点6对应的7维结构特征和2维灰度特征为例：设节点11和节点6的三维空间坐标分别为(x0，y0，z0)和(x1，y1，z1)，则所提取的结构特征分别为从点11到点6所拟合直线的长度，拟合直线到三个平面上投影的角度，该拟合直线的向量表示，依次对应公式为：
[0094]
[0095]
[0096]
[0097] f(5)＝x1-x0，f(6)＝y1-y0，f(7)＝z1-z0
[0098] 节点11的7维结构特征即为f(1)、f(2)、f(3)、f(4)、f(5)、f(6)f(7)的值。对于从节点11到节点6之间的所有点(即，节点11，节点10，节点9，节点8，节点7，节点6)，提取其灰度值(48，48，75，55，73，73)，将这些灰度值的均值和标准差作为节点11的2维灰度特征，按照上述相同的方式获取节点11与其他特征节点的7维结构特征和2维灰度特征，共提取了54维特征，作为节点11的局部节点特征。对待检测重建神经元中的其他节点的局部节点特征提取方式与节点11的局部节点特征的提取方式相同，不在赘述。
[0099] 将21个节点对应的54维的局部节点特征形成21×54的矩阵输入到第一个卷积块中的第一层一维卷积层，由第五个卷积块的最大池化层输出全局特征矩阵，前4个卷积块的池化层的核大小为2×1，即纵向尺度在经过每个卷积核后减为原来的一半，而横向尺度保持不变。最后一个池化层的核大小会根据每个神经中节点数目不同进行调整，计算公式为：
[0100] N为神经元节点的个数。
[0101] 即对于4096个特征中的每一维特征，只保留所有神经元节点中的最大值。因此第一个全连接层的输入是长度为4096的一维向量。在经过两个输入维数分别为1024和256的全连接层后，输出最终分类结果，根据分类结果确定质量检测结果。
[0102] 上述重建神经元质量检测方法，通过待检测重建神经元的节点数据，提取待检测重建神经元中各节点对应的局部特征，利用卷积神经网络的卷积块基于各节点对应的局部特征进行全局特征矩阵提取，提取过程中，通过最后一个池化层的自适应核函数，根据每个神经中节点数目不同进行调整，使得输入全连接层的维数固定，并将输入的全局特征矩阵全连接层进行分类，根据分类结果确定待检测重建神经元的质量检测结果。通过基于卷积神经网络全自动对重建神经元进行质量检测，无需人工进行判断，提高了重建神经元的质量检测效率。
[0103] 如图6所示，在一个实施例中，提供了一种有序点云分类方法。本实施例主要以该方法应用于上述图1中的服务器120来举例说明。参照图6，该有序点云分类方法具体包括如下步骤：
[0104] 步骤S420，获取待分类有序点云的节点数据。
[0105] 其中，有序点云是按顺序排列，可以很容易的找到它的相邻点信息的点云，如图7所示的重建神经元点云示例图，有序点云可以是各像素点数据构建的重建神经元。待分类有序点云是指需要进行分类的有序点云。节点数据是待分类有序点云中各节点的节点数据，该节点数据可以是以三维点云的形式进行存储，待分类有序点云是以重建神经元为例，如图1所示的重建神经元的部分节点数据，包括：节点序号，x轴坐标，y轴坐标，z轴坐标，父节点序号和节点灰度值。可以是又用户通过终端即时上传获得待分类有序点云的节点数据，也可以是根据指定获取路径获取待分类有序点云的节点数据。
[0106] 步骤S440，根据节点数据，提取待分类有序点云中各节点对应的局部特征。
[0107] 其中，局部特征指的是以目标节点为中心，该目标节点与其邻域节点之间所构成的特征，包括结构特征和灰度特征。待分类有序点云中各节点对应的局部特征，是指该待分类有序点云中每个节点的局部特征，如：以重建神经元为例，重建神经元有节点1、节点2和节点3，则需分别提取节点1的局部特征、节点2的局部特征和节点3的局部特征，提取时，可以根据节点数据中，各节点的节点序号，依次提取各自的局部特征，也可以同时提取各节点的局部特征。
[0108] 在一个实施例中，根据待分类有序点云中各节点的连接关系，提取各节点对应的局部特征，包括：
[0109] 根据节点数据，确定各节点对应的邻域节点；根据预设间隔，从各邻域节点中确定各节点对应特征节点；根据节点的三维空间坐标和节点对应特征节点的三维空间坐标，确定各节点对应的结构特征；根据节点与节点对应特征节点之间所有节点的灰度值，确定各节点对应的灰度特征；将各节点对应的结构特征和灰度特征作为各节点对应的局部特征。
[0110] 其中，各节点对应的邻域节点是以目标节点为中心，与目标节点以外的节点，目标节点用来指代当前被分析节点，如：假设有1-21个节点，以第11个节点为目标节点，1-10节点与12-21节点都为第11个节点的邻域节点。预设间隔可根据实际情况设定，可以是任意间隔，具体可根据不同的有序点云分类的准确程度确定最优的间隔。特征节点是在目标节点对应的邻域节点中，用于与目标节点构成的特征的节点，该特征节点可以是目标节点的所有邻域节点，也可以是部分邻域节点，如：假设有1-21个节点，以第11个节点为目标节点，当预设间隔为前后10各节点中间隔1、5、10邻域点的节点，则特征节点包括：节点10，节点12，节点6，节点16，节点1，节点21。当目标节点的对应的邻域节点中，不能满足预设间隔时，则以补开头节点或末尾节点的方式补齐节点，不能满足预设间隔指的是根据预设间隔确定特征节点，取不到对应个数的特征节点时，如：假设第1个节点为目标节点，当预设间隔为前后10各节点中间隔1、5、10邻域点的节点，第1个节点前面并无其他节点，则以补开头节点方式补齐节点，则节点排序为：节点1、节点1……节点1、节点2、节点3……节点21，则特征节点包括：节点1，节点2，节点1，节点6，节点1，节点11。
[0111] 在一个实施例中，根据节点的三维空间坐标和节点对应特征节点的三维空间坐标，确定各节点对应的结构特征，包括：
[0112] 根据节点的三维空间坐标和节点对应特征节点的三维空间坐标，确定从节点到节点对应特征节点的拟合直线的长度；根据节点的三维空间坐标和节点对应特征节点的三维空间坐标，对拟合直线与三维空间中各平面的夹角进行分析，获得各平面夹角的角度；根据节点的三维空间坐标和节点对应特征节点的三维空间坐标，对拟合直线进行向量分析，获得拟合直线的向量；将拟合直线的长度、各平面夹角的角度和拟合直线的向量作为各节点对应的结构特征。
[0113] 其中，三维空间坐标指的是x轴坐标值、y轴坐标值和z轴坐标值，节点的三维空间坐标则是目标节点的x轴坐标值、y轴坐标值和z轴坐标值，特征节点的三维空间坐标则是特征节点的x轴坐标值、y轴坐标值和z轴坐标值。从节点到节点对应特征节点的拟合直线是目标节点到分别到各个特征节点的拟合直线，可以有多条特征节点的拟合直线，根据特征节点的个数确定。各平面夹角指的是拟合直线与XY平面的夹角、拟合直线与XZ平面的夹角和拟合直线与ZY平面的夹角。
[0114] 根据节点的三维空间坐标和节点对应特征节点的三维空间坐标，确定从节点到节点对应特征节点的拟合直线的长度，如：设目标节点为节点11，三维空间坐标为(x0，y0，z0)，与节点11间隔5个节点的节点6的三维空间坐标为(x1，y1，z1)，计算从节点11到节点11对应特征节点6的拟合直线的长度的公式为：
[0115]
[0116] 其中，f(1)为从节点11到节点11对应特征节点6的拟合直线的长度。
[0117] 根据节点的三维空间坐标和节点对应特征节点的三维空间坐标，对拟合直线与三维空间中各平面的夹角进行分析，获得各平面夹角的角度，如：设目标节点为节点11，三维空间坐标为(x0，y0，z0)，与节点11间隔5个节点的节点6的三维空间坐标为(x0，y0，z0)，各平面夹角的角度计算公式为：
[0118]
[0119]
[0120]
[0121] f(2)为拟合直线与XZ平面的夹角的角度值，f(3)为拟合直线与XY平面的夹角的角度值，f(4)为拟合直线与YZ平面的夹角的角度值。
[0122] 根据节点的三维空间坐标和节点对应特征节点的三维空间坐标，对拟合直线进行向量分析，获得拟合直线的向量，如：设目标节点为节点11，三维空间坐标为(x0，y0，z0)，与节点11间隔5个节点的节点6的三维空间坐标为(x1，y1，z1)，拟合直线的向量计算公式为：
[0123] f(5)＝x1-x0，f(6)＝y1-y0，f(7)＝z1-z0
[0124] f(5)为该拟合直线的X轴向量值，f(6)为该拟合直线的Y轴向量值，f(7)为该拟合直线的Z轴向量值。
[0125] 在一个实施例中，根据节点与节点对应特征节点之间所有节点的灰度值，确定各节点对应的灰度特征，包括：
[0126] 获取节点与节点对应所述特征节点之间所有节点的灰度值；对所有节点的灰度值进行均值分析，获得所有节点的灰度值的均值；对所有节点的灰度值进行标准差分析，获得所有节点的灰度值的标准差；将所述有节点的灰度值的均值和标准差作为节点的灰度特征。
[0127] 其中，节点与节点对应特征节点之间所有节点指的是节点与节点对应特征节点之间间隔的所有节点，如：设目标节点为节点11，节点6为与节点11间隔5个节点特征节点，节点11与节点6之间的所有节点，包括：节点11、节点10、节点9、节点8、节点7和节点6。获取节点11、节点10、节点9、节点8、节点7和节点6的灰度值，计算其均值和标准差，获得的均值和标准差，具体地均值和标准差的公式不具体限定，目前用于计算其均值和标准差的公式均可。
[0128] 步骤S460，将各节点的局部特征输入训练好的卷积神经网络，通过卷积神经网络的卷积块进行全局特征矩阵提取，获得待分类有序点云的全局特征矩阵。
[0129] 其中，卷积神经网络可以采用CNN结构、也可以用ResNet结构、还可以用DenseNet结构等等。训练好的卷积神经网络采用交叉熵(cross entropy)为损失函数，用基于Adam优化算法(Adam是一种可以替代传统随机梯度下降过程的一阶优化算法，它能基于训练数据迭代地更新神经网络权重。)的梯度下降发更新网络参数，Adam中的betas＝(0.95,0.9995)。训练时，初始学习率为0.001，每经过25个epoch缩小为原来的五分之一，总共训练
100个epoch，批大小(batch size)设为1，可以避免由于每个有序点云的节点数目差距较大且难以调整到一致的问题。
100个epoch，批大小(batch size)设为1，可以避免由于每个有序点云的节点数目差距较大且难以调整到一致的问题。
[0130] 在一个实施例中，将各节点的局部特征输入训练好的卷积神经网络，通过卷积神经网络的卷积块进行全局特征矩阵提取，获得待分类有序点云的全局特征矩阵，包括：
[0131] 将各节点的局部特征输入训练好的卷积神经网络，通过卷积神经网络中由两个一维卷积层和一个最大池化层组成的各卷积块进行特征提取，获得待分类有序点云的全局特征矩阵。
[0132] 其中，各节点的局部特征是待分类有序点云所有节点的局部特征。卷积神经网络的卷积块个数可根据检测结果的准确度进行确定。各节点的局部特征输入第一个卷积块中的第一层一维卷积层，第一个卷积块中的第一层一维卷积层输出的特征矩阵输入到第二层一维卷积层，第二层一维卷积层输出的特征矩阵输入到最大池化层，最大池化层输出的特征矩阵输入到第二个卷积块中的第一层一维卷积层，依次类推，由最后一个卷积块的最大池化层输出的特征矩阵输入到卷积神经网络的全连接层的第一层，最后一个卷积块的最大池化层输出的特征矩阵为待分类有序点云的全局特征矩阵。
[0133] 在一个实施例中，将各节点的局部特征输入训练好的卷积神经网络，通过卷积神经网络中由两个一维卷积层和一个最大池化层组成的各卷积块进行特征提取，获得待分类有序点云的全局特征矩阵，包括：
[0134] 将各节点的局部特征输入训练好的卷积神经网络，通过卷积神经网络中前n个卷积块的两个一维卷积层和最大池化层进行提取特征，获得第一特征矩阵，其中，一维卷积层的第一层卷积核大小为1×m，第二层的卷积核大小为3×m，最大池化层的核大小为2×1，m为特征维数，n为卷积块个数；
[0135] 将第一特征矩阵第n个卷积块的两个一维卷积层和最大池化层进行提取特征，待分类有序点云的全局特征矩阵，其中，一维卷积层的第一层卷积核大小为1×m，第二层的卷积核大小为3×m，最大池化层的核大小，根据待分类有序点云中节点数目确定，最大池化层的核大小为：
[0136] N为有序点云中节点的个数。
[0137] 其中，通过一维卷积运算时卷积核只在纵向(即，不同节点之间)移动，而该节点的所有特征均参与了卷积运算，计算时每个卷积层均使用LeakyReLU作为激活函数，其参数设为0.2。前n个卷积块的池化层的核大小为2×1，即纵向尺度在经过每个卷积核后减为原来的一半，而横向尺度保持不变。因为每个有序点云中节点的个数不同，为了对有序点云进行分类，后续的全连接层需要固定维数的输入，所以最后一个池化层的核大小会根据每个有序点云中节点数目不同进行调整，计算公式为：
[0138] N为有序点云中节点的个数。
[0139] 当计算的值为小数是，以四舍五入取整。使得输入带全连接层的维数固定。
[0140] 步骤S480，卷积神经网络的全连接层基于待分类有序点云的全局特征矩阵进行分类，获得分类结果。
[0141] 其中，全连接层中的每个神经元与其前一层的所有神经元进行全连接.全连接层可以整合卷积层或者池化层中具有类别区分性的局部信息。卷积神经网络的全连接层根据待分类有序点云的全局特征矩阵进行分类，获得分类结果。
[0142] 上述有序点云分类方法，通过待分类有序点云的节点数据，提取待分类有序点云中各节点对应的局部特征，利用卷积神经网络的卷积块基于各节点对应的局部特征进行全局特征矩阵提取，并将输入的全局特征矩阵全连接层进行分类，获得分类结果。通过基于卷积神经网络全自动对待分类有序点云进行分类，无需要求待分类有序点云中节点的个数相同，提高了待分类有序点云的质量检测效率。
[0143] 图3、图6分别为一个实施例中重建神经元质量检测方法和一个实施例中有序点云分类方法的流程示意图。应该理解的是，虽然图3、图6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3、图6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0144] 在一个实施例中，如图8所示，一种重建神经元质量检测装置，包括：第一节点数据获取模块310、第一局部特征提取模块320、第一全局特征矩阵获得模块330、第一分类模块340和质量检测结果确定模块350。
[0145] 第一节点数据获取模块310，用于获取待检测重建神经元的节点数据。
[0146] 第一局部特征提取模块320，用于根据节点数据，提取待检测重建神经元中各节点对应的局部特征。
[0147] 第一全局特征矩阵获得模块330，用于将各节点的局部特征输入训练好的卷积神经网络，通过卷积神经网络的卷积块进行全局特征矩阵提取，获得待检测重建神经元的全局特征矩阵。
[0148] 第一分类模块340，用于卷积神经网络的全连接层基于待检测重建神经元的全局特征矩阵进行分类，获得分类结果。
[0149] 质量检测结果确定模块350，用于根据分类结果确定待检测重建神经元的质量检测结果。
[0150] 在一个实施例中，第一局部特征提取模块320还用于：根据节点数据，确定各节点对应的邻域节点；根据预设间隔，从各邻域节点中确定各节点对应特征节点；根据节点的三维空间坐标和节点对应特征节点的三维空间坐标，确定各节点对应的结构特征；根据节点与节点对应特征节点之间所有节点的灰度值，确定各节点对应的灰度特征；将各节点对应的结构特征和灰度特征作为各节点对应的局部特征。
[0151] 在一个实施例中，第一局部特征提取模块320还用于：根据节点的三维空间坐标和节点对应特征节点的三维空间坐标，确定从节点到节点对应特征节点的拟合直线的长度；根据节点的三维空间坐标和节点对应特征节点的三维空间坐标，对拟合直线与三维空间中各平面的夹角进行分析，获得各平面夹角的角度；根据节点的三维空间坐标和节点对应特征节点的三维空间坐标，对拟合直线进行向量分析，获得拟合直线的向量；将拟合直线的长度、各平面夹角的角度和拟合直线的向量作为各节点对应的结构特征。
[0152] 在一个实施例中，第一局部特征提取模块320还用于：获取节点与节点对应特征节点之间所有节点的灰度值；对所有节点的灰度值进行均值分析，获得所有节点的灰度值的均值；对所有节点的灰度值进行标准差分析，获得所有节点的灰度值的标准差；将有节点的灰度值的均值和标准差作为节点的灰度特征。
[0153] 在一个实施例中，第一分类模块340还用于：将各节点的局部特征输入训练好的卷积神经网络，通过卷积神经网络中由两个一维卷积层和一个最大池化层组成的各卷积块进行特征提取，获得待检测重建神经元的全局特征矩阵。
[0154] 在一个实施例中，第一分类模块340还用于：将各节点的局部特征输入训练好的卷积神经网络，通过卷积神经网络中前n个卷积块的两个一维卷积层和最大池化层进行提取特征，获得第一特征矩阵，其中，一维卷积层的第一层卷积核大小为1×m，第二层的卷积核大小为3×m，最大池化层的核大小为2×1，m为特征维数，n为卷积块个数；将第一特征矩阵第n个卷积块的两个一维卷积层和最大池化层进行提取特征，待检测重建神经元的全局特征矩阵，其中，一维卷积层的第一层卷积核大小为1×m，第二层的卷积核大小为3×m，最大池化层的核大小，根据待检测重建神经元中节点数目确定，最大池化层的核大小为：
[0155] N为神经元节点的个数。
[0156] 上述重建神经元质量检测装置，通过待检测重建神经元的节点数据，提取待检测重建神经元中各节点对应的局部特征，利用卷积神经网络的卷积块基于各节点对应的局部特征进行全局特征矩阵提取，并将输入的全局特征矩阵全连接层进行分类，根据分类结果确定待检测重建神经元的质量检测结果。通过基于卷积神经网络全自动对重建神经元进行质量检测，无需人工进行判断，提高了重建神经元的质量检测效率。
[0157] 在一个实施例中，如图9所示，一种有序点云分类装置，包括：第二节点数据获取模块510、第二局部特征提取模块520、第二全局特征矩阵获得模块530和第二分类模块540。
[0158] 第二节点数据获取模块510，用于获取待分类有序点云的节点数据；
[0159] 第二局部特征提取模块520，用于根据所述节点数据，提取所述待分类有序点云中各节点对应的局部特征；
[0160] 第二全局特征矩阵获得模块530，用于将各所述节点的局部特征输入训练好的卷积神经网络，通过所述卷积神经网络的卷积块进行全局特征矩阵提取，获得所述待分类有序点云的全局特征矩阵；
[0161] 第二分类模块540，用于所述卷积神经网络的全连接层基于所述待分类有序点云的全局特征矩阵进行分类，获得分类结果。
[0162] 在一个实施例中，第二局部特征提取模块520还用于：根据节点数据，确定各节点对应的邻域节点；根据预设间隔，从各邻域节点中确定各节点对应特征节点；根据节点的三维空间坐标和节点对应特征节点的三维空间坐标，确定各节点对应的结构特征；根据节点与节点对应特征节点之间所有节点的灰度值，确定各节点对应的灰度特征；将各节点对应的结构特征和灰度特征作为各节点对应的局部特征。
[0163] 在一个实施例中，第二局部特征提取模块520还用于：根据节点的三维空间坐标和节点对应特征节点的三维空间坐标，确定从节点到节点对应特征节点的拟合直线的长度；根据节点的三维空间坐标和节点对应特征节点的三维空间坐标，对拟合直线与三维空间中各平面的夹角进行分析，获得各平面夹角的角度；根据节点的三维空间坐标和节点对应特征节点的三维空间坐标，对拟合直线进行向量分析，获得拟合直线的向量；将拟合直线的长度、各平面夹角的角度和拟合直线的向量作为各节点对应的结构特征。
[0164] 在一个实施例中，第二局部特征提取模块520还用于：获取节点与节点对应所述特征节点之间所有节点的灰度值；对所有节点的灰度值进行均值分析，获得所有节点的灰度值的均值；对所有节点的灰度值进行标准差分析，获得所有节点的灰度值的标准差；将所述有节点的灰度值的均值和标准差作为节点的灰度特征。
[0165] 在一个实施例中，第二全局特征矩阵获得模块530还用于：将各节点的局部特征输入训练好的卷积神经网络，通过卷积神经网络中由两个一维卷积层和一个最大池化层组成的各卷积块进行特征提取，获得待分类有序点云的全局特征矩阵。
[0166] 在一个实施例中，第二全局特征矩阵获得模块530还用于：将各节点的局部特征输入训练好的卷积神经网络，通过卷积神经网络中前n个卷积块的两个一维卷积层和最大池化层进行提取特征，获得第一特征矩阵，其中，一维卷积层的第一层卷积核大小为1×m，第二层的卷积核大小为3×m，最大池化层的核大小为2×1，m为特征维数，n为卷积块个数；将第一特征矩阵第n个卷积块的两个一维卷积层和最大池化层进行提取特征，待分类有序点云的全局特征矩阵，其中，一维卷积层的第一层卷积核大小为1×m，第二层的卷积核大小为3×m，最大池化层的核大小，根据待分类有序点云中节点数目确定，最大池化层的核大小为：
[0167] N为有序点云中节点的个数。
[0168] 上述有序点云分类装置，通过待分类有序点云的节点数据，提取待分类有序点云中各节点对应的局部特征，利用卷积神经网络的卷积块基于各节点对应的局部特征进行全局特征矩阵提取，并将输入的全局特征矩阵全连接层进行分类，获得分类结果。通过基于卷积神经网络全自动对待分类有序点云进行分类，无需要求待分类有序点云中节点的个数相同，提高了待分类有序点云的质量检测效率。
[0169] 图10示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图2中的服务器120。如图10所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现重建神经元质量检测方法和/或有序点云分类方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行重建神经元质量检测方法和/或有序点云分类方法。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，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。
[0170] 本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请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。
[0171] 在一个实施例中，本申请提供的重建神经元质量检测装置可以实现为一种计算机程序的形式，计算机程序可在如图10所示的计算机设备上运行。计算机设备的存储器中可存储组成该重建神经元质量检测装置的各个程序模块，比如，图8所示的第一节点数据获取模块310、第一局部特征提取模块320、第一全局特征矩阵获得模块330、第一分类模块340和质量检测结果确定模块350。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的重建神经元质量检测方法中的步骤。
[0172] 例如，图10所示的计算机设备可以通过如图8所示的重建神经元质量检测装置中的第一节点数据获取模块310执行步骤S220。计算机设备可通过第一局部特征提取模块320执行步骤S240。计算机设备可通过第一全局特征矩阵获得模块330执行步骤S260。计算机设备可通过第一分类模块340执行步骤S280。计算机设备可通过质量检测结果确定模块350执行步骤S300。
[0173] 在一个实施例中，本申请提供的有序点云分类装置可以实现为一种计算机程序的形式，计算机程序可在如图10所示的计算机设备上运行。计算机设备的存储器中可存储组成该有序点云分类装置的各个程序模块，比如，图9所示的第二节点数据获取模块510、第二局部特征提取模块520、第二全局特征矩阵获得模块530和第二分类模块540。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的有序点云分类方法中的步骤。
[0174] 例如，图9所示的计算机设备可以通过如图Z所示的有序点云分类装置中的第二节点数据获取模块510执行步骤S420。计算机设备可通过第二局部特征提取模块520执行步骤S440。计算机设备可通过第二全局特征矩阵获得模块530执行步骤S460。计算机设备可通过第二分类模块540执行步骤S480。
[0175] 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，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述重建神经元质量检测方法和/或有序点云分类方法的步骤。此处重建神经元质量检测方法和/或有序点云分类方法的步骤可以是上述各个实施例的重建神经元质量检测方法和/或有序点云分类方法中的步骤。
[0176] 在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述重建神经元质量检测方法和/或有序点云分类方法的步骤。此处重建神经元质量检测方法和/或有序点云分类方法的步骤可以是上述各个实施例的重建神经元质量检测方法和/或有序点云分类方法中的步骤。
[0177] 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，所述的程序可存储于一非易失性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，本申请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/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
[0178] 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。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种图像识别的英语作文跑题判断方法 | 2020-05-08 | 581 |
| 任务调度控制方法、任务调度器及任务处理装置 | 2020-05-12 | 330 |
| 一种基于人工智能的电动汽车电池故障诊断方法及设备 | 2020-05-12 | 206 |
| 微震信号到时差的自动拾取方法 | 2020-05-13 | 687 |
| 超低功率神经元形态人工智能计算加速器 | 2020-05-13 | 300 |
| 基于单神经元网络的惯量估计方法及其自适应调整策略 | 2020-05-15 | 848 |
| 基于图像处理和人工智能的小样本缺陷检测方法 | 2020-05-13 | 377 |
| 一种基于深度卷积神经网络的向日葵作物种子分拣方法 | 2020-05-13 | 409 |
| 片上网络数据处理方法、存储介质、计算机设备和装置 | 2020-05-08 | 698 |
| 基于人工智能的对象推荐模型训练方法、推荐方法及装置 | 2020-05-11 | 106 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈