CN109461498B - 一种基于卷积神经网络对舌体胖瘦精细分类的方法 - Google Patents
一种基于卷积神经网络对舌体胖瘦精细分类的方法 Download PDFInfo
- Publication number
- CN109461498B CN109461498B CN201811150137.XA CN201811150137A CN109461498B CN 109461498 B CN109461498 B CN 109461498B CN 201811150137 A CN201811150137 A CN 201811150137A CN 109461498 B CN109461498 B CN 109461498B
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- tongue
- training
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims description 85
- 238000012360 testing method Methods 0.000 claims description 35
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 22
- 206010042727 Swollen tongue Diseases 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000002474 experimental method Methods 0.000 claims description 3
- 235000002566 Capsicum Nutrition 0.000 claims description 2
- 239000006002 Pepper Substances 0.000 claims description 2
- 235000016761 Piper aduncum Nutrition 0.000 claims description 2
- 235000017804 Piper guineense Nutrition 0.000 claims description 2
- 244000203593 Piper nigrum Species 0.000 claims description 2
- 235000008184 Piper nigrum Nutrition 0.000 claims description 2
- 150000003839 salts Chemical class 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 9
- 238000013135 deep learning Methods 0.000 abstract description 2
- 210000002105 tongue Anatomy 0.000 abstract 8
- 230000004913 activation Effects 0.000 description 12
- 238000011160 research Methods 0.000 description 5
- 230000007812 deficiency Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004580 weight loss Effects 0.000 description 2
- 206010014080 Ecchymosis Diseases 0.000 description 1
- 208000031975 Yang Deficiency Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 210000000952 spleen Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及深度学习领域，更具体的，涉及一种基于卷积神经网络对舌体胖瘦精细分类的方法，本发明提出了一种基于卷积神经网络对舌体胖瘦精细分类的方法可以对舌体正常、舌体瘦小、舌体胖大和舌体胖大有齿印4种情况进行分类，进一步地对计算机舌诊系统做出了在一定程度上的完善，而不再是单纯地进行舌体正常、舌体瘦小、舌体胖大的分类。
Description
技术领域
本发明涉及深度学习领域，更具体的，涉及一种基于卷积神经网络对舌体胖瘦精细分类的方法。
背景技术
近年来，随着计算机技术影响力的不断扩大，基于舌诊图像的舌诊系统也得到发展。舌诊图像作为对舌体胖瘦的客观反映，医生可以通过其对舌色、舌形、舌苔、舌体瘀斑、苔质、舌下脉络以及舌态的观察，对病人的病情进行鉴别和确诊。
舌体的研究一直在计算机舌诊系统中占据着重要的地位，而舌体的胖瘦与否通常直接客观地反映了身体的健康状态，例如，舌体胖大反映了病人脾肾阳虚、水湿停留的症状；舌体胖大有齿印反映了病人气虚脾虚的症状；而舌体瘦小反映了阴血多亏的症状。虽然国内对于舌诊图像的研究正在大力发展，其研究成果也是相当可观的，但是之前的研究都是对舌体正常、舌体瘦小、舌体胖大三个类别的分类展开的，并未涉及对舌体胖大有齿印这一情况进行分类，而对舌体胖大有齿印的分类恰恰是舌诊图像系统中的重要部分。由此看来，对于舌体分类的研究是相当匮乏的，其完善工作也是相当迫切的。
发明内容
为了解决现有技术舌诊图像中未涉及对舌体胖大有齿印这一情况进行分类的不足，本发明提供了一种基于卷积神经网络对舌体胖瘦精细分类的方法。
为实现以上发明目的，采用的技术方案是：
一种基于卷积神经网络对舌体胖瘦精细分类的方法，具体包括以下步骤：
步骤S1：获取舌体正常、舌体瘦小、舌体胖大、舌体胖大有齿印的图像，对图像进行图像增强，并利用图像增强后的图像和未进行图像增强的图像创建实验用的图像集；
步骤S2：将创建的图像集中的的舌体胖大有齿印的图像暂时归入舌体胖大这一类，从图像集中获取舌体正常、舌体瘦小、舌体胖大的图像，同时获取其每个图像数据对应的类别的标签值，利用获取的图像数据和标签数据生成用于第一卷积神经网络训练和测试的第一训练集和第一测试集；
步骤S3：对第一卷积神经网络进行构建，其可以将舌体图像分为舌体正常、舌体瘦小、舌体胖大三个分类卷积神经网络三类；
步骤S4：利用所述的第一训练集，对第一卷积神经网络进行训练直到其收敛；
步骤S5：利用所述的第一测试集，对训练好的第一卷积神经网络进行测试，并获取其测试结果，即第一准确率；
步骤S6：判断所述的第一准确率是否达到了第一准确率阈值，若是，则认为对第一卷积神经网络的训练已经结束；否则，对第一卷积神经网络进行调整后，利用所述的第一训练集对第一卷积神经网络进行重新训练；
步骤S7：从图像集中获取舌体胖大、舌体胖大有齿印的图像，同时获取其每个图像数据对应的类别的标签值，利用获取的图像数据和标签数据生成用于第二卷积神经网络训练和测试的第二训练集和第二测试集；
步骤S8：对第二卷积神经网络进行构建，其可以将舌体图像分为舌体胖大、舌体胖大有齿印两类；
步骤S9：利用所述的第二训练集，训练第二卷积神经网络直到其收敛；
步骤S10：利用所述的第二测试集，对训练好的第二卷积神经网络进行测试，并获取其测试结果，即第二准确率。
步骤S11：判断所述的第二准确率是否达到了第二准确率阈值，若是，则认为对第二卷积神经网络的训练已经结束；否则，对第二卷积神经网络进行调整后，利用所述的第二训练集对第二卷积神经网络进行重新训练。
步骤S12：从创建的图像集中获取舌体正常、舌体瘦小、舌体胖大、舌体胖大有齿印的图像，同时获取每个图像数据对应的类别的标签值，并生成用于第一卷积神经网络和第二卷积神经网络联合训练的第三训练集；
步骤S13：利用所述的第三训练集，将第一卷积神经网络和第二卷积神经网络联合训练，获取第三卷积神经网络模型；把第三训练集的数据输入到其中的第一卷积神经网络中，获取第一卷积神经网络的输出，即第一预测值；
步骤S14：判断第一预测值是否是舌体胖大的标签值，若是，则将对应的训练集数据输入到第二卷积神经网络中，获取其输出值第二预测值并作为联合训练的输出值，若否，则以所述的第一预测值作为联合训练的输出值；
步骤S15：联合训练直到收敛，得到第三卷积神经网络模型。
优选的，对第一卷积神经网络、第二卷积神经网络以及第三卷积神经网络进行训练时，均使用随机梯度下降算法和向后传播算法进行卷积神经网络的学习。
与现有技术相比，本发明的有益效果是：
本发明提出了一种基于卷积神经网络对舌体胖瘦精细分类的方法可以对舌体正常、舌体瘦小、舌体胖大和舌体胖大有齿印4种情况进行分类，进一步地对计算机舌诊系统做出了在一定程度上的完善，而不再是单纯地进行舌体正常、舌体瘦小、舌体胖大的分类。
附图说明
图1为本发明的流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
以下结合附图和实施例对本发明做进一步的阐述。
实施例1
获取舌体正常、舌体瘦小、舌体胖大、舌体胖大有齿印的图像。为了扩充样本数量，防止训练卷积神经网络过程中出现过拟合的不良现象，利用图像旋转，改变图像亮度，改变图像色相，为图像添加高斯噪声、椒盐噪声等多种图像增强算法对图像进行增强处理，并利用图像增强后的图像和未进行图像增强的图像创建实验用的图像集。
示例地，本步获取舌体正常、舌体瘦小、舌体胖大、舌体胖大有齿印的图像，先后经过对舌体图像进行90度旋转、270度旋转等2个角度的图像旋转，亮度减0.2、亮度减0.2等2种图像亮度的改变，色相加0.1、色相加0.3等2种图像色相的调整方式，使样本数量达到12000张，其中舌体正常的图像3000个，舌体胖大的图像3000个，舌体胖大有齿印的图像3000个，舌体瘦小的图像3000个。图像均为220px X 220px的RGB图像，格式均为jpg。
将创建的图像集中的舌体胖大有齿印的图像暂时归入舌体胖大中，从图像集中获取舌体正常、舌体瘦小、舌体胖大的图像，并获取每个图像数据对应的类别的标签值，利用获取的图像数据和标签数据生成用于第一卷积神经网络训练和测试的第一训练集和第一测试集；
示例地，将舌体胖大有齿印3000个图像暂时归入舌体胖大中，此时舌体胖大类共有6000个图像。获取每张图片的所属类别为标签值，舌体正常的图像标签值为E1，舌体瘦小的图像标签值为E2，舌体胖大的图像的标签值为E3。按3:1的比例将图片集随机划分为训练集、测试集，即随机选取4500个图像的数据及其对应标签值生成训练集，剩下的1500个图像的数据及其标签值生成测试集，训练集和测试集格式均为tfrecord。
构建第一卷积神经网络，示例地，第一卷积神经网络包含了依次连接的卷积层1、激活函数层1、最大池化层1、卷积层2、激活函数层2、最大池化层2、卷积层3、激活函数层3、最大池化层3、全连接层1、全连接层2、分类层。示例地，其中，卷积层1含尺寸为5X5，步长为2X2的卷积核128个，最大池化层1尺寸为3X3，卷积层2含尺寸为3X3，步长为2X2的卷积核256个，最大池化层2尺寸为2X2，卷积层3含尺寸为5X5,步长为2X2的卷积核382个，最大池化层3尺寸为2X2，全连接层1含有1024个神经元，全连接2含有1024个神经元，分类层含3个神经元。以ReLU作为激活函数层1、激活函数层2、激活函数层3的激活函数，以softmax函数作为分类层的分类函数，其输出的最大概率值对应的类别的标签值为输出值。
利用所述的第一训练集，将其输入到第一卷积神经网络中，训练第一卷积神经网络直到其收敛；
利用所述的第一测试集，对训练好的第一卷积神经网络进行测试，并获取其测试结果，即第一准确率。
判断所述的第一准确率是否达到了第一准确率阈值，若是，则认为对第一卷积神经网络的训练已经结束；否则对第一卷积神经网络进行调整后，利用所述的第一训练集对第一卷积神经网络进行重新训练。
示例地，将第一准确率阈值设定为95%，即当第一准确率达到95%时，才会结束对第一卷积神经网络的训练，否则，调整第一卷积神经网络，然后重新训练第一卷积神经网络。
当第一准确率达不到第一准确率阈值时，应对第一卷积神经网络进行调整，调整方式包括：修改第一卷积神经网络的网络结构、训练学习率、各个卷积层的卷积核个数、尺寸、步长，各个池化层的尺寸、步长和各个全连接层的神经元个数等参数、权值更新公式、损失函数公式等。
从创建的图像集中获取舌体胖大和舌体胖大有齿印的图像，并获取其每个图像数据对应的类别的标签值，生成用于第二卷积神经网络训练和测试的第二训练集和第二测试集；
示例地，本步骤从图像集中获取图像6000个，其中舌体胖大的图像3000个，舌体胖大有齿印的图像3000个。然后获取每张图片的所属类别为标签值，示例地，舌体胖大的图像的标签值为E3，舌体胖大有齿印的图像的标签为E4。获取之后，随机截取其中4500张图像的数据及其标签值生成第二训练集，剩下的1500张图像的数据及其标签值生成第二测试集，第二训练集和第二测试集都是tfrecord格式的文件。
构建第二卷积神经网络，第二卷积神经网络包含了依次连接的卷积层1、激活函数层1、卷积层2、激活函数层2、最大池化层池化层、全连接层、分类层。卷积层1含尺寸为5X5，步长为2X2的卷积核128个，卷积层2含尺寸为5X5，步长为2X2的卷积核64个，最大池化层尺寸为3X3，全连接层含有4096个神经元，分类层含有2个神经元。以ReLU作为激活函数层1和激活函数层2的激活函数，以softmax函数作为分类层的分类函数，其输出的最大概率值对应的类别的标签值为输出值；
利用所述的第二训练集中的舌体健康图像，将其输入到第二卷积神经网络中训练直到其收敛；
利用所述的第二测试集，对训练好的第二卷积神经网络的模型进行测试，并获取其测试结果，即第二准确率。
判断所述的第二准确率是否达到了第二准确率阈值，若是，则认为对第二卷积神经网络的训练已经结束；否则对第二卷积神经网络进行调整后，利用所述的第二训练集对第二卷积神经网络进行重新训练。
示例地，将第二准确率阈值设定为95%，即当第二准确率达到95%时，才会结束对第二卷积神经网络的训练，否则，调整第二卷积神经网络，然后重新训练第二卷积神经网络。
当第二准确率达不到第二准确率阈值时，应对第二卷积神经网络进行调整，调整方式包括：修改第二卷积神经网络的网络结构、训练学习率、各个卷积层的卷积核个数、尺寸、步长，各个池化层的尺寸、步长和各个全连接层的神经元个数等参数、权值更新公式、损失函数公式等。
从创建的图像集中获取舌体正常、舌体瘦小、舌体胖大、舌体胖大有齿印的图像，同时获取每个图像数据对应的类别的标签值，并生成用于第一卷积神经网络和第二卷积神经网络联合训练的第三训练集；
示例地，本步骤利用之前获取的舌体图像集，然后获取每张图片的所属类别为标签值。之后，随机截取其中9000张图像的数据值作为第三训练集。第三训练集是tfrecord格式的文件。
利用所述的第三训练集，将第一卷积神经网络和第二卷积神经网络联合训练，获取第三卷积神经网络模型；把第三训练集的数据输入到其中的第一卷积神经网络中，获取第一卷积神经网络的输出，即第一预测值；
判断第一预测值是否是舌体胖大的标签值，若是则将对应的训练集数据输入到第二卷积神经网络中，获取其输出值第二预测值并作为联合训练的输出值，若否，则以所述的第一预测值作为联合训练的输出值。
示例地，第一卷积神经网络的输出值为C1，判断C1是否是舌体胖大的E3，若是，则将对应的第一卷积神经网络输入的训练数据作为第二卷积神经网络的输入，并将第二卷积神经网络的输出作为联合训练的输出，若否，则将C1作为联合训练的输出；
第一卷积神经网络、第二卷积神经网络、第三卷积神经网络的各卷积层和全连接层的权值初始化都是从截断的正态分布中生成的随机值，示例地，权值均服从均值为0和标准差为0.05的正态分布，全连接层的偏置则初始化为0.02。
为了使第一卷积神经网络、第二卷积神经网络、第三卷积神经网络在训练后期更加稳定，通过指数衰减的方式在训练过程中更新学习率。示例地，将学习率初始化为0.001，衰减系数设置为0.5，衰减速度设置为2000，即学习率每过2000轮要乘以0.5。
为了避免在训练第一卷积神经网络、第二卷积神经网络、第三卷积神经网络时出现过拟合的问题，先对初始化后的权值进行L2正则化，然后与权衰量相乘得到权损失值，所用的损失函数值为交叉熵函数和全部权损失值的和。示例地，将权衰量设置为 0.0001。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (7)
1.一种基于卷积神经网络对舌体胖瘦精细分类的方法，其特征在于，包括以下步骤：
步骤S1：获取舌体正常、舌体瘦小、舌体胖大、舌体胖大有齿印的图像，对图像进行图像增强，并利用图像增强后的图像和未进行图像增强的图像创建实验用的图像集；
步骤S2：将创建的图像集中的舌体胖大有齿印的图像暂时归入舌体胖大这一类，从图像集中获取舌体正常、舌体瘦小、舌体胖大的图像，同时获取其每个图像数据对应的类别的标签值，利用获取的图像数据和标签数据生成用于第一卷积神经网络训练和测试的第一训练集和第一测试集；
步骤S3：对第一卷积神经网络进行构建，其将舌体图像分为舌体正常、舌体瘦小、舌体胖大三个类别；
步骤S4：利用所述的第一训练集，对第一卷积神经网络进行训练直到其收敛；
步骤S5：利用所述的第一测试集，对训练好的第一卷积神经网络进行测试，并获取其测试结果，即第一准确率；
步骤S6：判断所述的第一准确率是否达到了第一准确率阈值，若是，则认为对第一卷积神经网络的训练已经结束；否则，对第一卷积神经网络进行调整后，利用所述的第一训练集对第一卷积神经网络进行重新训练；
步骤S7：从图像集中获取舌体胖大、舌体胖大有齿印的图像，同时获取其每个图像数据对应的类别的标签值，利用获取的图像数据和标签数据生成用于第二卷积神经网络训练和测试的第二训练集和第二测试集；
步骤S8：对第二卷积神经网络进行构建，其将舌体图像分为舌体胖大、舌体胖大有齿印两个类别；
步骤S9：利用所述的第二训练集，训练第二卷积神经网络直到其收敛；
步骤S10：利用所述的第二测试集，对训练好的第二卷积神经网络进行测试，并获取其测试结果，即第二准确率；
步骤S11：判断所述的第二准确率是否达到了第二准确率阈值，若是，则认为对第二卷积神经网络的训练已经结束；否则，对第二卷积神经网络进行调整后，利用所述的第二训练集对第二卷积神经网络进行重新训练；
步骤S12：从创建的图像集中获取舌体正常、舌体瘦小、舌体胖大、舌体胖大有齿印的图像，同时获取每个图像数据对应的类别的标签值，并生成用于第一卷积神经网络和第二卷积神经网络联合训练的第三训练集；
步骤S13：利用所述的第三训练集，将第一卷积神经网络和第二卷积神经网络联合训练，获取第三卷积神经网络模型；把第三训练集的数据输入到其中的第一卷积神经网络中，获取第一卷积神经网络的输出，即第一预测值；
步骤S14：判断第一预测值是否是舌体胖大的标签值，若是，则将对应的训练集数据输入到第二卷积神经网络中，获取其输出值为第二预测值并作为联合训练的输出值，若否，则以所述的第一预测值作为联合训练的输出值；
步骤S15：联合训练直到收敛，得到第三卷积神经网络模型。
2.根据权利要求1所述的一种基于卷积神经网络对舌体胖瘦精细分类的方法，其特征在于，对第一卷积神经网络进行训练时，对第二卷积神经网络进行训练时以及对第一卷积神经网络和第二卷积神经网络进行联合训练时，均使用随机梯度下降算法和向后传播算法进行卷积神经网络的学习。
3.根据权利要求1所述的一种基于卷积神经网络对舌体胖瘦精细分类的方法，其特征在于，所述的步骤S6的第一准确率阈值为95％。
4.根据权利要求1所述的一种基于卷积神经网络对舌体胖瘦精细分类的方法，其特征在于，所述的步骤S1对图像增强的方法包括：利用图像旋转、图像亮度的改变、图像色相的改变和为图像添加高斯噪声、椒盐噪声的图像增强算法对图像进行增强处理。
5.根据权利要求1所述的一种基于卷积神经网络对舌体胖瘦精细分类的方法，其特征在于，所述的步骤S6对第一卷积神经网络进行调整的方式包括：修改第一卷积神经网络的网络结构、训练学习率、各个卷积层的卷积核个数、尺寸、步长，各个池化层的尺寸、步长和各个全连接层的神经元个数参数、权值更新公式、损失函数公式。
6.根据权利要求1所述的一种基于卷积神经网络对舌体胖瘦精细分类的方法，其特征在于，所述的步骤S11的第二准确率阈值为95％。
7.据权利要求1所述的一种基于卷积神经网络对舌体胖瘦精细分类的方法，其特征在于，所述的步骤S11对第二卷积神经网络调整方式包括：修改第二卷积神经网络的网络结构、训练学习率、各个卷积层的卷积核个数、尺寸、步长，各个池化层的尺寸、步长和各个全连接层的神经元个数参数、权值更新公式、损失函数公式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811150137.XA CN109461498B (zh) | 2018-09-29 | 2018-09-29 | 一种基于卷积神经网络对舌体胖瘦精细分类的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811150137.XA CN109461498B (zh) | 2018-09-29 | 2018-09-29 | 一种基于卷积神经网络对舌体胖瘦精细分类的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109461498A CN109461498A (zh) | 2019-03-12 |
| CN109461498B true CN109461498B (zh) | 2021-07-09 |
Family
ID=65607182
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811150137.XA Expired - Fee Related CN109461498B (zh) | 2018-09-29 | 2018-09-29 | 一种基于卷积神经网络对舌体胖瘦精细分类的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109461498B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111144285B (zh) * | 2019-12-25 | 2024-06-14 | 中国平安人寿保险股份有限公司 | 胖瘦程度识别方法、装置、设备及介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010082057A1 (en) * | 2009-01-15 | 2010-07-22 | Cardiff And Vale University Local Health Board | A method for diagnosing urticaria and angioedema |
| CN107330889B (zh) * | 2017-07-11 | 2019-11-15 | 北京工业大学 | 一种基于卷积神经网络的中医舌色苔色自动分析方法 |
-
2018
- 2018-09-29 CN CN201811150137.XA patent/CN109461498B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010082057A1 (en) * | 2009-01-15 | 2010-07-22 | Cardiff And Vale University Local Health Board | A method for diagnosing urticaria and angioedema |
| CN107330889B (zh) * | 2017-07-11 | 2019-11-15 | 北京工业大学 | 一种基于卷积神经网络的中医舌色苔色自动分析方法 |
Non-Patent Citations (2)
| Title |
|---|
| Convolutional neural network-based automatic classification of midsagittal tongue gestural targets using B-mode ultrasound images;Xu, Kele 等;《JOURNAL OF THE ACOUSTICAL SOCIETY OF AMERICA 》;20171231;530-537 * |
| 基于神经网络的舌体胖瘦分析;张康 等;《中华中医药杂志》;20141231;3111-3114 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109461498A (zh) | 2019-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109345538B (zh) | 一种基于卷积神经网络的视网膜血管分割方法 | |
| CN109614996B (zh) | 基于生成对抗网络的弱可见光与红外图像融合的识别方法 | |
| Ali et al. | Optic disk and cup segmentation through fuzzy broad learning system for glaucoma screening | |
| CN107239514A (zh) | 一种基于卷积神经网络的植物识别方法及系统 | |
| De Fauw et al. | Hierarchical autoregressive image models with auxiliary decoders | |
| CN106780466A (zh) | 一种基于卷积神经网络的宫颈细胞图像识别方法 | |
| CN109086723B (zh) | 一种基于迁移学习的人脸检测的方法、装置以及设备 | |
| CN111815562B (zh) | 一种U-Net与自适应PCNN相结合的视网膜血管分割方法 | |
| CN109492668B (zh) | 基于多通道卷积神经网络的mri不同期多模图像表征方法 | |
| CN109684922A (zh) | 一种基于卷积神经网络的多模型对成品菜的识别方法 | |
| CN110543916B (zh) | 一种缺失多视图数据的分类方法及系统 | |
| CN109102885B (zh) | 基于卷积神经网络与随机森林组合的白内障自动分级方法 | |
| CN112163637B (zh) | 基于非平衡数据的图像分类模型训练方法、装置 | |
| CN111862040B (zh) | 人像图片质量评价方法、装置、设备及存储介质 | |
| CN114930346A (zh) | 用于基于数据的模型的质量保证系统和方法 | |
| CN110717451A (zh) | 一种基于深度学习的药用植物叶部病害图像识别方法 | |
| CN115049814B (zh) | 采用神经网络模型的护眼灯智能调节方法 | |
| CN110782408B (zh) | 一种基于卷积神经网络的智能美型方法及系统 | |
| Mardiana et al. | Herbal Leaves Classification Based on Leaf Image Using CNN Architecture Model VGG16 | |
| CN114299567B (zh) | 模型训练、活体检测方法、电子设备及存储介质 | |
| CN109461498B (zh) | 一种基于卷积神经网络对舌体胖瘦精细分类的方法 | |
| Huang et al. | HEp-2 cell images classification based on textural and statistic features using self-organizing map | |
| CN111695592B (zh) | 基于可变形卷积的图像识别方法、装置、计算机设备 | |
| CN113723239A (zh) | 一种基于因果关系的磁共振图像分类方法及系统 | |
| CN104766068A (zh) | 一种多规则融合的随机游走舌像提取方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210709 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |