[發明專利]基于機器學習的糞水性狀識別方法及系統、手持智能設備

在審

• 申請號: 202110206359.4
• 申請日: 2021-02-24
• 公開（公告）號: CN112907544A
• 公開（公告）日: 2021-06-04
• 發明（設計）人: 張北平;鐘彩玲;黃媛;趙喜穎;周升鳳;柴計委;劉添文;林燕鳳;黎羿江
• 申請（專利權）人: 廣東省中醫院(廣州中醫藥大學第二附屬醫院;廣州中醫藥大學第二臨床醫學院;廣東省中醫藥科學院)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/13;G06T5/00;G06N3/04;G06N3/08;G06K9/62;G06K9/46
• 代理公司: 北京商專潤文專利代理事務所(普通合伙) 11317
• 代理人: 許春蘭;田孝謙

1.一種基于機器學習的糞水性狀識別方法，其特征在于，所述方法包括：

獲取待識別的糞水圖像；

基于多閾值的邊緣檢測法對所述待識別的糞水圖像進行分割，提取所述糞水圖像的糞水區域圖像；

根據預置的卷積神經網絡模型對所述糞水區域圖像的圖像特征進行提取生成糞水性狀特征；

通過存儲有糞水性狀數據庫的匹配模型對所述糞水性狀特征進行判斷，若所述糞水性狀特征與所述糞水性狀數據庫未匹配，則輸出用于提示腸道清潔度合格的結果。

2.根據權利要求1所述的基于機器學習的糞水性狀識別方法，其特征在于，所述基于多閾值的邊緣檢測法對所述待識別的糞水圖像進行分割，包括：

利用高斯函數平滑所述待識別的糞水圖像；

計算所述待識別的糞水圖像各個方向的梯度值；

過濾所述各個方向的梯度值的非最大值；

通過設定的高閾值采集所述待識別的糞水圖像邊緣信息，通過設定的低閾值和所述邊緣信息生成輪廓圖；

根據所述輪廓圖對所述待識別的糞水圖像進行分割。

3.根據權利要求2所述的基于機器學習的糞水性狀識別方法，其特征在于，所述卷積神經網絡模型包括多個不同結構、不同初始化的卷積神經網絡模型，所述預置的卷積神經網絡模型的生成方法包括：

獲取糞水性狀的標準圖生成圖像訓練集和樣本圖像測試集；

通過所述圖像訓練集和所述樣本圖像測試集對卷積神經網絡模型進行訓練生成卷積神經網絡模型；

將多個訓練生成的卷積神經網絡模型進行結果平均生成預置的卷積神經網絡模型。

4.根據權利要求3所述的基于機器學習的糞水性狀識別方法，其特征在于，所述通過存儲有糞水性狀數據庫的匹配模型對所述糞水性狀特征進行判斷，包括：

對所述糞水性狀特征通過感知哈希算法與存儲有糞水性狀數據庫的圖像逐一對比。

5.根據權利要求1-4任一項所述的基于機器學習的糞水性狀識別方法，其特征在于，在通過存儲有糞水性狀數據庫的匹配模型對所述糞水性狀特征進行判斷，若所述糞水性狀特征與所述糞水性狀數據庫未匹配，之后還包括：

通過預置的卷積神經網絡模型對所述糞水性狀特征的有效性進行判斷，若所述糞水性狀特征有效，則輸出用于提示腸道檢查準備的結果。

6.根據權利要求5所述的基于機器學習的糞水性狀識別方法，其特征在于，還包括：

獲取人工判斷結果，其中，所述人工判斷結果包括擴展圖像集；

根據所述擴展圖像集對所述圖像訓練集進行擴展，利用擴展后的圖像訓練集對卷積神經網絡模型進行訓練。

7.根據權利要求6所述的基于機器學習的糞水性狀識別方法，其特征在于，所述人工判斷結果還包括待識別的糞水圖像，所述獲取人工判斷結果，之后還包括：

根據所述待識別的糞水圖像對存儲有糞水性狀數據庫的匹配模型進行更新；

利用更新后的匹配模型對所述糞水性狀特征進行判斷。

8.一種基于機器學習的糞水性狀識別系統，其特征在于，所述系統包括：

圖像獲取模塊，用于獲取待識別的糞水圖像；

識別模塊，用于基于多閾值的邊緣檢測法對所述待識別的糞水圖像進行分割，提取所述糞水圖像的糞水區域圖像；

特征提取模塊，用于根據預置的卷積神經網絡模型對所述糞水區域圖像的圖像特征進行提取生成糞水性狀特征；

判斷模塊，用于通過存儲有糞水性狀數據庫的匹配模型對所述糞水性狀特征進行判斷，若所述糞水性狀特征與所述糞水性狀數據庫未匹配，則輸出用于提示腸道清潔度合格的結果。

9.根據權利要求8所述的基于機器學習的糞水性狀識別系統，其特征在于，所述系統還包括：

有效性判斷模塊，用于通過預置的卷積神經網絡模型對所述糞水性狀特征的有效性進行判斷，若所述糞水性狀特征有效，則輸出用于提示腸道檢查準備的結果。

10.一種手持智能設備，其特征在于，所述手持智能設備包括：

拍照模塊，用于通過拍攝生成待識別的糞水圖像；

處理模塊，用于利用如權利要求1-7任一項所述的基于機器學習的糞水性狀識別方法對所述糞水圖像進行處理生成用于提示腸道清潔度合格的結果；

顯示模塊，用于顯示所述用于提示腸道清潔度合格的結果。