1.一种骨龄预测方法，其特征在于，所述方法包括：

获取待预测的手骨数据；

确定所述待预测的手骨数据的性别；

按照所述性别，将所述待预测的手骨数据输入至对应性别的卷积神经网络模型，得到由所述卷积神经网络模型输出的预测骨龄，其中，所述卷积神经网络模型预先基于三元组损失函数和回归损失函数训练得到。

2.根据权利要求1所述的方法，其特征在于，所述按照所述性别，将所述待预测的手骨数据输入至对应性别的卷积神经网络模型，得到由所述卷积神经网络模型输出的预测骨龄，包括：按照所述性别，将所述待预测的手骨数据输入至对应性别的卷积神经网络模型，以使所述卷积神经网络模型通过预处理层对所述待预测的手骨数据进行预处理，通过卷积层获取所述待预测的手骨数据的特征图，通过特征提取层对所述卷积层输出的特征图进行向量提取，并通过全连接层根据所述特征提取层提取的向量输出对所述手骨数据的预测骨龄。

3.根据权利要求1所述的方法，其特征在于，所述按照所述性别，将所述待预测的手骨数据输入至对应性别的卷积神经网络模型，得到由所述卷积神经网络模型输出的预测骨龄，包括：将所述待预测的手骨数据转换为图片；

按照所述性别，将所述待预测的手骨数据对应的图片输入至对应性别的卷积神经网络模型，得到由所述卷积神经网络模型输出的预测骨龄。

4.根据权利要求2所述的方法，其特征在于，所述对应性别的卷积神经网络模型利用对应性别多个手骨数据训练而成，每一手骨数据为一个样本，所述卷积神经网络模型的损失函数为：L＝Lr+λLT，

L为所述卷积神经网络模型的损失函数，Lr为L中的回归损失函数部分，LT为L中的三元组损失函数部分，λ为对应于所述三元组损失函数部分的权重系数，其中，Lr通过如下公式计算得到：N为批尺寸的大小，xi为由所述卷积神经网络输出的批内第i个样本的预测骨龄，yi为对应于批内第i个样本的真实骨龄，LT通过如下公式计算得到：

其中，d(a,p,n)是a,p,n对应的a与p之间的距离和a与n之间的距离的最大距离差与β之和，d(a,p,n)＝max{T(ai,pi)-T(ai,ni)+β,0}，β为预设样本距离阈值，a,p,n为由所述特征提取层输出的三个向量，ai,pi,ni分别为第i个三元组对应的三个样本的向量，τ为批内所有i i i i三元组样本的组合，T(x ,y)＝||x-y||p，p＝2。

5.根据权利要求1所述的方法，其特征在于，在按照所述性别，将所述待预测的手骨数据输入至对应性别的卷积神经网络模型，得到由所述卷积神经网络模型输出的预测骨龄之前，所述方法还包括：获取包括多个手骨数据的数据集，其中，每一所述手骨数据与真实骨龄对应，所述数据集中与同一真实骨龄对应的手骨数据为多个；

针对每一性别，利用所述数据集中该性别的手骨数据和与该性别的手骨数据对应的真实骨龄训练初始化的卷积神经网络模型，得到该性别的卷积神经网络模型。

6.根据权利要求5所述的方法，其特征在于，所述获取包括多个手骨数据的数据集，包括：获取多个手骨数据；

按照预定比例将获取的手骨数据分为训练数据集和测试数据集，所述训练数据集和所述测试数据集分别包括多个手骨数据；

获取包括多个手骨数据的训练数据集；

所述针对每一性别，利用所述数据集中该性别的手骨数据和与该性别的手骨数据对应的真实骨龄训练初始化的卷积神经网络模型，得到该性别的卷积神经网络模型，包括：针对每一性别，利用所述训练数据集中该性别的手骨数据和与该性别的手骨数据对应的真实骨龄训练初始化的卷积神经网络模型，得到该性别的卷积神经网络模型；

在针对每一性别，利用所述数据集中该性别的手骨数据和与该性别的手骨数据对应的真实骨龄训练初始化的卷积神经网络模型，得到该性别的卷积神经网络模型之后，在按照所述性别，将所述待预测的手骨数据输入至对应性别的卷积神经网络模型，得到由所述卷积神经网络模型输出的预测骨龄之前，所述方法还包括：利用所述测试数据集中的手骨数据和与每一手骨数据对应的真实骨龄，对对应性别的卷积神经网络模型进行测试；

所述按照所述性别，将所述待预测的手骨数据输入至对应性别的卷积神经网络模型，得到由所述卷积神经网络模型输出的预测骨龄，包括：若所述性别的卷积神经网络模型通过测试，则按照所述性别，将所述待预测的手骨数据输入至对应性别的卷积神经网络模型，得到由所述卷积神经网络模型输出的预测骨龄。

7.根据权利要求5所述的方法，其特征在于，所述数据集包括与每一所述手骨数据对应的真实年龄，所述初始化的卷积神经网络模型包括预处理层，所述初始化的卷积神经网络模型中的预处理层通过如下的方式对所述数据集中的手骨数据进行预处理：将所述数据集中的手骨数据转换为图片；

在所有所述图片中获取对应的真实年龄小于第一年龄阈值或者大于第二年龄阈值的图片，所述第二年龄阈值大于所述第一年龄阈值；

将获取的所有图片复制预定数目次，得到多个图片；

将得到的所述图片缩放至第一预定分辨率，得到多个第一图片；

对所述第一图片进行随机镜像翻转和/或预定角度范围内的随机角度旋转，得到多个第二图片；

将所述第二图片缩放至第二预定分辨率，并对缩放后的所述第二图片进行随机剪裁至所述第一预定分辨率，所述第二预定分辨率大于所述第一预定分辨率。

8.一种骨龄预测装置，其特征在于，所述装置包括：

数据获取模块，被配置为获取待预测的手骨数据；

性别确定模块，被配置为确定所述待预测的手骨数据的性别；

预测模块，被配置为按照所述性别，将所述待预测的手骨数据输入至对应性别的卷积神经网络模型，得到由所述卷积神经网络模型输出的预测骨龄，其中，所述卷积神经网络模型预先基于三元组损失函数和回归损失函数训练得到。

9.一种计算机可读程序介质，其特征在于，其存储有计算机程序指令，当所述计算机程序指令被计算机执行时，使计算机执行根据权利要求1至7中任一项所述的方法。

10.一种电子设备，其特征在于，所述电子设备包括：

处理器；

存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如权利要求1至7任一项所述的方法。