[發明專利]一種基于卷積神經網絡的齒痕舌識別算法

在審

• 申請號: 201911158615.6
• 申請日: 2019-11-22
• 公開（公告）號: CN111476259A
• 公開（公告）日: 2020-07-31
• 發明（設計）人: 李曉強;孫悅
• 申請（專利權）人: 上海大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 北京勁創知識產權代理事務所(普通合伙) 11589
• 代理人: 徐家升

本發明適用于齒痕舌識別技術領域，提供了一種基于卷積神經網絡的齒痕舌識別算法，包括以下步驟：采集舌象圖片，對舌象圖片進行預處理；對經過預處理的舌象圖片分為訓練集和測試集；將訓練集均分成多組，其中一組用于驗證卷積神經網絡分類器精度，其余組用于訓練卷積神經網絡分類器，每次訓練結束后輸出驗證結果；通過加權梯度類激活映射算法對卷積神經網絡分類器進行梯度計算，輸出分類結果并高亮齒痕區域，本發明的有益效果是：利用卷積神經網絡來提取齒痕舌特征，泛化能力強，并且利用加權梯度類激活映射算法熱力圖增強卷積神經網絡的可解釋性，使分類結果更加準確、直觀。

技術領域

本發明涉及齒痕舌識別技術領域，尤其涉及一種基于卷積神經網絡的齒痕舌識別算法。

背景技術

人體舌頭表面擁有豐富的紋理信息，齒痕就是其中之一。在齒痕舌研究領域，許多研究人員使用基于舌頭顏色和凹度的閾值來對齒痕舌進行分類。王虹等人計算了舌體凹凸區域的斜率和長度等信息，并使用閾值來識別齒痕舌。也有學者提出了一種基于深度學習與多示例學習的齒痕舌識別方法，該方法首先利用凹凸信息生成可疑齒痕區域，然后利用卷積神經網絡提取深層特征，最后用多示例分類器做出最終決策。

其中，基于閾值的齒痕識別方法利用舌體邊緣的凹陷特征人為設定閾值，然后通過計算關鍵指標來對齒痕舌進行分類。這種方法加入了過多主觀判斷，且提出的關鍵指標都是基于當前數據集得到的結論，所以僅對當前數據集有效，缺乏泛化能力，而基于卷積神經網絡的齒痕舌識別方法可對舌象提取深度特征，提高了泛化能力，但該模型缺乏可解釋性，因為無法知曉卷積神經網絡學到的信息具體是什么。

發明內容

本發明實施例的目的在于提供一種基于卷積神經網絡的齒痕舌識別算法，旨在解決現有技術缺乏泛化能力以及可解釋性的問題。

本發明實施例是這樣實現的，一種基于卷積神經網絡的齒痕舌識別算法，包括以下步驟：

采集舌象圖片，對舌象圖片進行預處理；

對經過預處理的舌象圖片分為訓練集和測試集；

將訓練集均分成多組，其中一組用于驗證卷積神經網絡分類器精度，其余組用于訓練卷積神經網絡分類器，每次訓練結束后輸出驗證結果；

驗證完成后得到識別齒痕舌的卷積神經網絡分類器，以驗證結果作為該卷積神經網絡分類器的驗證精度；

通過加權梯度類激活映射算法對卷積神經網絡分類器進行梯度計算，輸出分類結果并高亮齒痕區域。

作為本發明進一步的方案：對舌象進行預處理包括對舌象進行分割，以剔除與舌體區域無關的部分，得到只含有舌體區域的舌體圖像。

作為本發明再進一步的方案：對舌象進行預處理還包括對舌體圖像進行隨機翻轉和亮度調整以增加實驗數據。

作為本發明再進一步的方案：對舌象進行預處理還包括對舌體圖像進行縮放，并按照設定像素進行隨機裁剪。

作為本發明再進一步的方案：在將舌象圖片分為訓練集和測試集之前，還對舌象圖片進行隨機打亂。

作為本發明再進一步的方案：通過加權梯度類激活映射算法對卷積神經網絡分類器進行梯度計算，輸出分類結果和高亮齒痕區域的步驟為：

將測試集輸入到訓練好的卷積神經網絡分類器中，并輸出預測結果；

計算預測結果對卷積神經網絡分類器中卷積層輸出特征圖的梯度，得到相對于卷積層的特征映射；

計算得出齒痕舌對所有特征圖的權重，對其加權求和后得到權重加權的結果特征圖；

對所得結果特征圖剔除負值，得到最終的熱力圖，以該熱力圖代表卷積神經網絡分類器在做出決策時所關注的位置。