[發(fā)明專利]一種基于深度學(xué)習(xí)的舌象體質(zhì)辨別方法

在審

• 申請?zhí)枺?/td>: 202210608744.6
• 申請日: 2022-05-31
• 公開（公告）號: CN114882995A
• 公開（公告）日: 2022-08-09
• 發(fā)明（設(shè)計(jì)）人: 李聰聰;閆新晟;滕桂法;王芳
• 申請（專利權(quán)）人: 河北農(nóng)業(yè)大學(xué)
• 主分類號: G16H50/20
• 分類號: G16H50/20;G16H50/70;G06V10/764;G06V10/774;G06V10/80;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京卓嵐智財(cái)知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 11624
• 代理人: 劉婷

本發(fā)明所述一種基于深度學(xué)習(xí)的舌象體質(zhì)辨別方法部署在移動終端，方便用戶隨時隨地識別舌象圖像。本發(fā)明方法采用卷積神經(jīng)網(wǎng)絡(luò)算法，對舌圖像進(jìn)行了同類增強(qiáng)和混類增強(qiáng)兩種方法組合的方式對舌象數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)。使得模型能夠適應(yīng)各種環(huán)境下的舌象數(shù)據(jù)，提取的特征能夠直接輸出分類結(jié)果，計(jì)算量大大減少且泛化能力更強(qiáng)。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像領(lǐng)域，尤其涉及一種基于深度學(xué)習(xí)的舌象體質(zhì)辨別方法。

背景技術(shù)

現(xiàn)階段利用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等人工智能技術(shù)進(jìn)行圖像識別已經(jīng)趨于成熟。有些學(xué)者通過收集大量的帶有體質(zhì)標(biāo)簽的舌圖像建立舌圖像數(shù)據(jù)庫，并設(shè)計(jì)算法將舌圖像與其建立的數(shù)據(jù)庫進(jìn)行匹配，以此達(dá)到識別的目的?？紤]到傳統(tǒng)人工提取舌象特征的復(fù)雜性以及舌頭區(qū)域分割的準(zhǔn)確性問題，深度學(xué)習(xí)因其自動提取特征的優(yōu)勢被應(yīng)用于體質(zhì)辨識中，一些學(xué)者采用卷積神經(jīng)網(wǎng)絡(luò)的各種模型來進(jìn)行舌象體質(zhì)辨識。這些研究雖然推動了舌診智能化體質(zhì)辨識的發(fā)展，但是也存在一些普遍的問題，第一：深度學(xué)習(xí)需要大量的數(shù)據(jù)集作為支撐，舌圖像的樣本數(shù)據(jù)采集具有一定難度。第二：只是簡單的使用模型進(jìn)行分類并沒有針對模型改進(jìn)優(yōu)化，導(dǎo)致用以上方法進(jìn)行體質(zhì)辨識的準(zhǔn)確率并不高。

發(fā)明內(nèi)容

為解決上述問題，本申請?zhí)岢隽艘环N基于深度學(xué)習(xí)的舌象體質(zhì)辨別方法，具體為一種基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)GoogleNet模型的舌象圖像識別方法，在采集到的舌象圖像數(shù)據(jù)集的基礎(chǔ)上使用該方法進(jìn)行體質(zhì)辨識，本申請的主要貢獻(xiàn)有：構(gòu)建了帶有體質(zhì)標(biāo)簽的舌象數(shù)據(jù)集，通過添加批量歸一化操作、改進(jìn)優(yōu)化Inception模塊、添加注意力機(jī)制以及不同Inception結(jié)構(gòu)組合使用等方法，提出一種適用于舌象體質(zhì)辨識的GoogleNet網(wǎng)絡(luò)模型(TCR-GoogleNet)。設(shè)計(jì)了消融實(shí)驗(yàn)驗(yàn)證各個改進(jìn)模塊對預(yù)測精度的貢獻(xiàn)程度，并與5種圖像分類的主流網(wǎng)絡(luò)設(shè)計(jì)了對比實(shí)驗(yàn)，證明了本申請?zhí)岢龅哪Ｐ驮跍?zhǔn)確率和穩(wěn)定性上都有較大的提升。

本發(fā)明實(shí)施例提供了如下技術(shù)方案：

基于深度學(xué)習(xí)的舌象體質(zhì)辨別方法，所述方法部署在移動終端，所述方法包括：

獲取待識別的舌象圖像，使用訓(xùn)練好的改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)GoogleNet模型對待識別的舌象圖像進(jìn)行識別，得到舌象的識別結(jié)果；

將舌象圖像的識別結(jié)果在移動終端進(jìn)行展示；

其中，改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)GoogleNet模型的訓(xùn)練過如下：

獲取舌象圖像數(shù)據(jù)集，對舌象圖像數(shù)據(jù)集進(jìn)行增強(qiáng)處理得到舌象訓(xùn)練數(shù)據(jù)集，其中，增強(qiáng)處理包括同類增強(qiáng)和混類增強(qiáng)兩種方式；

使用舌象訓(xùn)練數(shù)據(jù)集對改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)GoogleNet模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)GoogleNet模型；

其中，改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)GoogleNet模型改進(jìn)部分包括：

模型的每一中間層做了標(biāo)準(zhǔn)化處理，有效避免了梯度消失和梯度爆炸，加快了網(wǎng)絡(luò)收斂速度，優(yōu)化了網(wǎng)絡(luò)結(jié)構(gòu)；

殘差融入到Inception結(jié)構(gòu)中，對Inception結(jié)構(gòu)進(jìn)行了改進(jìn)優(yōu)化，將輸入特征與Inception結(jié)構(gòu)輸出的特征進(jìn)行了特征融合，命名為Inception B；

將Inception模塊中的3ⅹ3卷積分支分解為1ⅹ3和3ⅹ1卷積，將5ⅹ5卷積分解為3ⅹ3卷積和1ⅹ3，3ⅹ1卷積，并在每個分支后加入了Batch Normalization，有效減少了模型的參數(shù)量，命名為Inception C；