一种基于深度学习的舌象体质辨别方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114882995A(43)申请公布日2022.08.09(21)申请号202210608744.6G06V10/80(2022.01)(22)申请日2022.05.31G06V10/82(2022.01)G06K9/62(2022.01)(71)申请人河北农业大学G06N3/04(2006.01)地址071001河北省保定市灵雨寺街289号G06N3/08(2006.01)河北农业大学(72)发明人李聪聪闫新晟滕桂法王芳(74)专利代理机构北京卓岚智财知识产权代理事务所(特殊普通合伙)11624专利代理师刘婷(51)Int.Cl.G16H50/20(2018.01)G16H50/70(2018.01)G06V10/764(2022.01)G06V10/774(2022.01)权利要求书1页说明书12页附图5页(54)发明名称一种基于深度学习的舌象体质辨别方法(57)摘要本发明所述一种基于深度学习的舌象体质辨别方法部署在移动终端，方便用户随时随地识别舌象图像。本发明方法采用卷积神经网络算法，对舌图像进行了同类增强和混类增强两种方法组合的方式对舌象数据集进行数据增强。使得模型能够适应各种环境下的舌象数据，提取的特征能够直接输出分类结果，计算量大大减少且泛化能力更强。CN114882995ACN114882995A权利要求书1/1页1.一种基于深度学习的舌象体质辨别方法，其特征在于，所述方法部署在移动终端，所述方法包括：获取待识别的舌象图像，使用训练好的改进的卷积神经网络GoogleNet模型对待识别的舌象图像进行识别，得到舌象的识别结果；将舌象图像的识别结果在移动终端进行展示；其中，改进的卷积神经网络GoogleNet模型的训练过如下：获取舌象图像数据集，对舌象图像数据集进行增强处理得到舌象训练数据集，其中，增强处理包括同类增强和混类增强两种方式；使用舌象训练数据集对改进的卷积神经网络GoogleNet模型进行训练，得到训练好的改进的卷积神经网络GoogleNet模型；其中，改进的卷积神经网络GoogleNet模型改进部分包括：模型的每一中间层做了标准化处理，有效避免了梯度消失和梯度爆炸，加快了网络收敛速度，优化了网络结构；残差融入到Inception结构中，对Inception结构进行了改进优化，将输入特征与Inception结构输出的特征进行了特征融合，命名为InceptionB；将Inception模块中的3ⅹ3卷积分支分解为1ⅹ3和3ⅹ1卷积，将5ⅹ5卷积分解为3ⅹ3卷积和1ⅹ3，3ⅹ1卷积，并在每个分支后加入了BatchNormalization，有效减少了模型的参数量，命名为InceptionC；在GoogleNet原模型的基础上，保留了没有改进的Inception模块，将其命名为InceptionA，把InceptionA、InceptionB和InceptionC结构进行融合，应用到改进之后的GoogleNet网络模型中，浅层中加入InceptionA模块，中层加入InceptionB模块，深层加入InceptionC模块，其中A和B模块分别用了两次，C模块对特征的提取和感知能力更强，所以用了五次。2.根据权利要求1所述的方法，其特征在于，同类增强是指对相同标签的图像使用数据归一化、水平或垂直翻转、按照比例放大或缩小图像、随机旋转、随机错切变换、亮度变化以及像素填充方法进行数据集扩充，颜色也是舌象体质辨识中的重要特征，故不对舌象数据集做颜色通道方面的变换。3.根据权利要求2所述的方法，其特征在于，混类增强的方式是为了解决样本数据集类间不平衡问题，混类增强方式对两类不同标签的样本数据进行混合，构建虚拟的训练样本丰富舌象数据集，其数学表达式如(1)所示：其中(xi，yi)(xj，yj)是随机选取的两个样本及对应标签，λ为服从beta分布的随机数，且λ∈[0，1]。2CN114882995A说明书1/12页一种基于深度学习的舌象体质辨别方法技术领域[0001]本发明涉及图像领域，尤其涉及一种基于深度学习的舌象体质辨别方法。背景技术[0002]现阶段利用机器学习、深度学习等人工智能技术进行图像识别已经趋于成熟。有些学者通过收集大量的带有体质标签的舌图像建立舌图像数据库，并设计算法将舌图像与其建立的数据库进行匹配，以此达到识别的目的。考虑到传统人工提取舌象特征的复杂性以及舌头区域分割的准确性问题，深度学习因其自动提取特征的优势被应用于体质辨识中，一些学者采用卷积神经网络的各种模型来进行舌象体质辨识。这些研究虽然推动了舌诊智能化体质辨识的发展，但是也存在一些普遍的问题，第一：深度学习需要大量的数据集作为支撑，舌图像的样本数据采集具有一定难度。第二：只是简单的使用