CN109657722A - 基于深度学习算法的舌苔图像识别方法及系统 - Google Patents

基于深度学习算法的舌苔图像识别方法及系统 Download PDF

Info

Publication number
CN109657722A
CN109657722A CN201811564014.0A CN201811564014A CN109657722A CN 109657722 A CN109657722 A CN 109657722A CN 201811564014 A CN201811564014 A CN 201811564014A CN 109657722 A CN109657722 A CN 109657722A
Authority
CN
China
Prior art keywords
tongue fur
deep learning
image
convolutional neural
learning algorithm
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.)
Pending
Application number
CN201811564014.0A
Other languages
English (en)
Inventor
孙晓勇
魏庆功
尹猛
闫小燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Agricultural University
Original Assignee
Shandong Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Agricultural University filed Critical Shandong Agricultural University
Priority to CN201811564014.0A priority Critical patent/CN109657722A/zh
Publication of CN109657722A publication Critical patent/CN109657722A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种基于深度学习算法的舌苔图像识别方法及系统，获取舌头的原始图像，对其进行标准化，并进行编码、归一化处理形成待检测数据，并构建包含训练集与验证集的数据集；搭建深度卷积神经网络，利用训练集对搭建的深度卷积神经网络进行训练，并利用验证集进行验证；利用训练后的深度卷积神经网络对测试数据进行识别分类，本公开显著提高了舌苔图像识别的准确率和便利程度。

Description

基于深度学习算法的舌苔图像识别方法及系统
技术领域
本公开涉及一种基于深度学习算法的舌苔图像识别方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
现有的舌苔辨识要求医生在根据自己的知识、经验用肉眼观察，并在较短时间内得出结论，其结果必然受到医生的思维方式和知识水平限制，也必然与光照条件等客观因素影响，存在误差和不及时的问题。
发明内容
本公开为了解决上述问题，提出了一种基于深度学习算法的舌苔图像识别方法及系统，本公开通过使用深度学习算法，搭建一个对舌苔图像识别并分类的模型。利用该模型能够更加准确地识别舌苔图像，实现对已训练的不同舌苔图像，包括正常舌苔与不正常舌苔进行自我识别的优点，提高了舌苔图像的识别率。
根据一些实施例，本公开采用如下技术方案：
一种基于深度学习算法的舌苔图像识别方法，包括以下步骤：
(1)获取舌头的原始图像，对其进行标准化，并进行编码、归一化处理形成待检测数据，并构建包含训练集与验证集的数据集；
(2)搭建深度卷积神经网络，利用训练集对搭建的深度卷积神经网络进行训练，并利用验证集进行验证；
(3)利用训练后的深度卷积神经网络对测试数据进行识别分类。
作为进一步的限定，所述步骤(1)中，使用PH试纸或者标准比色卡放置于舌头旁边，以提供标准参考系。
作为进一步的限定，所述步骤(1)中，拍摄图像时，利用拍摄设备拍摄舌头与PH试纸或标准比色卡的照片，将已确定的标准化舌苔类别图像人工分类分别放入对应的目录中。
作为进一步的限定，所述步骤(1)中，对已经确认过的舌苔图像进行编码，按照健康和不健康，分成两类，构建训练集与验证集，训练集与验证集内包含两类数据。
作为进一步的限定，所述步骤(2)中，利用Keras搭建深度卷积神经网络，具体过程包括：
(a)基于tensorflow的Keras，调用其内置函数，搭建一个CNN2D的网络，激活函数使用relu，向其添加一层最大池化层；
(b)反复步骤(a)操作，添加若干组CNN2D与最大池化层；
(c)添加一层平坦层；
(d)再添加一层全连接层，激活函数使用relu函数；
(e)重复步骤(d)，添加若干层全连接层；
(f)添加输出层和神经节点，激活函数使用softmax函数，完成网络搭建。
作为进一步的限定，所述步骤(2)中，将步骤(1)中进行分类后的两类数据进行混合，并输入搭建的深度卷积神经网络。
作为进一步的限定，所述步骤(2)中，当训练过程的准确率不再上升时停止训练。
作为进一步的限定，所述步骤(2)中，利用测试集测试训练后的深度卷积神经网络的准确度，并不断调整深度卷积神经网络的权重参数，直到获得准确率最高的模型，将其设置为最优模型。
作为进一步的限定，所述步骤(3)中，深度学习模型训练完成后保存权重参数，并利用该权重对测试数据进行识别分类，对输入的用户图像数据进行识别。
一种基于深度学习算法的舌苔图像识别系统，运行于处理器或存储器上，被配置为执行以下指令：
(1)接收包含舌苔图像的原始图像，对其进行标准化，并进行编码、归一化处理形成待检测数据，并构建包含训练集与验证集的数据集；
(2)搭建深度卷积神经网络，利用训练集对搭建的深度卷积神经网络进行训练，并利用验证集进行验证；
(3)利用训练后的深度卷积神经网络对测试数据进行识别分类。
与现有技术相比，本公开的有益效果为：
本公开通过使用深度学习算法，搭建一个对舌苔图像识别并分类的模型。利用该模型能够更加准确地识别舌苔图像，实现对已训练的不同舌苔图像，包括正常舌苔与不正常舌苔进行自我识别的优点，提高了舌苔图像的识别率；
本公开在进行训练和采集待测试样本时，均利用PH试纸或者标准比色卡进行标准参考系的构建，能够有效降低光照等客观因素的影响，减少了传统诊断过程中医生的主观因素。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1是本公开的工作流程图；
图2是本公开的构建神经网络流程图。
具体实施方式：
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本公开中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本公开各部件或元件结构关系而确定的关系词，并非特指本公开中任一部件或元件，不能理解为对本公开的限制。
本公开中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本公开中的具体含义，不能理解为对本公开的限制。
本公开针对传统医学中舌苔诊断方法以经验导向、主观性强，易受环境因素影响等不足，提出了一种使用深度学习模型，提高了舌苔图像识别的准确率和便利程度。
步骤1.：数据获取并对数据进行编码、归一化处理形成待检测数据，并制作包含训练集与验证集的数据集。
1.1使用PH试纸或者标准比色卡放置于舌头旁边，以提供标准参考系。
1.2使用相机或者手机等拍摄设备拍摄舌头与PH试纸或标准比色卡的照片，保存，将已确定的标准化舌苔类别图像人工分类分别放入对应的目录中。
1.3数据编码，将1.1中获取的数据类别标签进行one-hot编码，健康舌苔图像、不健康舌苔图像分别对应01,10两位二进制数。
步骤2：利用Keras搭建深度卷积神经网络。
2.1使用基于tensorflow的Keras，调用其内置函数，搭建一个CNN2D的网络，激活函数使用relu。
2.2在2.1的基础上，向其添加一层最大池化层。
2.3反复2.1-2.2操作，添加若干组CNN2D与最大池化层。
2.4在2.3的基础上，向其添加一层平坦层。
2.5在2.4的基础上，向其添加一层全连接层，激活函数使用relu。
2.6反复2.5，向其添加若干层全连接层。
2.7在2.6基础上，向其添加输出层，2个神经节点，激活函数使用softmax，完成网络搭建。
步骤3：将步骤1所划分的训练数据输入步骤2搭建的神经网络，对神经网络进行训练。
3.1将步骤1中的到的两类数据混合并对应好其label，输入步骤2得到的网络中，其中数据总量的80％用于训练，10％用于验证，10％用于测试。
3.2训练若干个epoch后，验证准确率不再上升，即停止训练，用测试集测试其准确度。
3.3反复调参，直到得到最优模型。
步骤4：深度学习模型训练完成后保存权重参数，并利用该权重对测试数据进行识别分类。
4.1保存权重与模型结构，对用户数据进行预测。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (10)

1.一种基于深度学习算法的舌苔图像识别方法，其特征是：包括以下步骤：
(1)获取舌头的原始图像，对其进行标准化，并进行编码、归一化处理形成待检测数据，并构建包含训练集与验证集的数据集；
(2)搭建深度卷积神经网络，利用训练集对搭建的深度卷积神经网络进行训练，并利用验证集进行验证；
(3)利用训练后的深度卷积神经网络对测试数据进行识别分类。
2.如权利要求1所述的一种基于深度学习算法的舌苔图像识别方法，其特征是：所述步骤(1)中，使用PH试纸或者标准比色卡放置于舌头旁边，以提供标准参考系。
3.如权利要求1所述的一种基于深度学习算法的舌苔图像识别方法，其特征是：所述步骤(1)中，拍摄图像时，利用拍摄设备拍摄舌头与PH试纸或标准比色卡的照片，将已确定的标准化舌苔类别图像人工分类分别放入对应的目录中。
4.如权利要求1所述的一种基于深度学习算法的舌苔图像识别方法，其特征是：所述步骤(1)中，对已经确认过的舌苔图像进行编码，按照健康和不健康，分成两类，构建训练集与验证集，训练集与验证集内包含两类数据。
5.如权利要求1所述的一种基于深度学习算法的舌苔图像识别方法，其特征是：所述步骤(2)中，利用Keras搭建深度卷积神经网络，具体过程包括：
(a)基于tensorflow的Keras，调用其内置函数，搭建一个CNN2D的网络，激活函数使用relu，向其添加一层最大池化层；
(b)反复步骤(a)操作，添加若干组CNN2D与最大池化层；
(c)添加一层平坦层；
(d)再添加一层全连接层，激活函数使用relu函数；
(e)重复步骤(d)，添加若干层全连接层；
(f)添加输出层和神经节点，激活函数使用softmax函数，完成网络搭建。
6.如权利要求1所述的一种基于深度学习算法的舌苔图像识别方法，其特征是：所述步骤(2)中，将步骤(1)中进行分类后的两类数据进行混合，并输入搭建的深度卷积神经网络。
7.如权利要求1所述的一种基于深度学习算法的舌苔图像识别方法，其特征是：所述步骤(2)中，当训练过程的准确率不再上升时停止训练。
8.如权利要求1所述的一种基于深度学习算法的舌苔图像识别方法，其特征是：所述步骤(2)中，利用测试集测试训练后的深度卷积神经网络的准确度，并不断调整深度卷积神经网络的权重参数，直到获得准确率最高的模型，将其设置为最优模型。
9.如权利要求1所述的一种基于深度学习算法的舌苔图像识别方法，其特征是：所述步骤(3)中，深度学习模型训练完成后保存权重参数，并利用该权重对测试数据进行识别分类，对输入的用户图像数据进行识别。
10.一种基于深度学习算法的舌苔图像识别系统，其特征是：运行于处理器或存储器上，被配置为执行以下指令：
(1)接收包含舌苔图像的原始图像，对其进行标准化，并进行编码、归一化处理形成待检测数据，并构建包含训练集与验证集的数据集；
(2)搭建深度卷积神经网络，利用训练集对搭建的深度卷积神经网络进行训练，并利用验证集进行验证；
(3)利用训练后的深度卷积神经网络对测试数据进行识别分类。
CN201811564014.0A 2018-12-20 2018-12-20 基于深度学习算法的舌苔图像识别方法及系统 Pending CN109657722A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811564014.0A CN109657722A (zh) 2018-12-20 2018-12-20 基于深度学习算法的舌苔图像识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811564014.0A CN109657722A (zh) 2018-12-20 2018-12-20 基于深度学习算法的舌苔图像识别方法及系统

Publications (1)

Publication Number Publication Date
CN109657722A true CN109657722A (zh) 2019-04-19

Family

ID=66115958

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811564014.0A Pending CN109657722A (zh) 2018-12-20 2018-12-20 基于深度学习算法的舌苔图像识别方法及系统

Country Status (1)

Country Link
CN (1) CN109657722A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111080606A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种铁路货车下拉杆脱落故障图像识别方法
CN111105397A (zh) * 2019-12-19 2020-05-05 天津慧医谷科技有限公司 一种基于深度学习的中医舌象数据快速标注方法和系统
CN113780444A (zh) * 2021-09-16 2021-12-10 平安科技（深圳）有限公司 基于渐进式学习的舌苔图像分类模型的训练方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295139A (zh) * 2016-07-29 2017-01-04 姹ゅ钩 一种基于深度卷积神经网络的舌体自诊健康云服务系统
CN107330889A (zh) * 2017-07-11 2017-11-07 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
CN107680683A (zh) * 2017-10-09 2018-02-09 上海睦清视觉科技有限公司 一种ai眼部健康评估方法
CN107736894A (zh) * 2017-09-24 2018-02-27 天津大学 一种基于深度学习的心电信号情绪识别方法
CN108564113A (zh) * 2018-03-27 2018-09-21 华南理工大学 一种基于深度神经网络和复杂度感知的舌苔体质识别方法
CN108937912A (zh) * 2018-05-12 2018-12-07 鲁东大学 一种基于深度神经网络的自动心律失常分析方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295139A (zh) * 2016-07-29 2017-01-04 姹ゅ钩 一种基于深度卷积神经网络的舌体自诊健康云服务系统
CN107330889A (zh) * 2017-07-11 2017-11-07 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
CN107736894A (zh) * 2017-09-24 2018-02-27 天津大学 一种基于深度学习的心电信号情绪识别方法
CN107680683A (zh) * 2017-10-09 2018-02-09 上海睦清视觉科技有限公司 一种ai眼部健康评估方法
CN108564113A (zh) * 2018-03-27 2018-09-21 华南理工大学 一种基于深度神经网络和复杂度感知的舌苔体质识别方法
CN108937912A (zh) * 2018-05-12 2018-12-07 鲁东大学 一种基于深度神经网络的自动心律失常分析方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
张建同: "《实用多元统计分析》", 31 August 2016 *
施展: "基于临床舌像的客观化舌诊数字系统关键技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
李少远 编著: "《智能控制》", 31 August 2009 *
胡继礼 等: "基于卷积神经网络的舌象分类", 《安庆师范大学学报(自然科学版)》 *
辛阳 等: "《大数据技术原理与实践》", 31 March 2018 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111080606A (zh) * 2019-12-12 2020-04-28 哈尔滨市科佳通用机电股份有限公司 一种铁路货车下拉杆脱落故障图像识别方法
CN111105397A (zh) * 2019-12-19 2020-05-05 天津慧医谷科技有限公司 一种基于深度学习的中医舌象数据快速标注方法和系统
CN113780444A (zh) * 2021-09-16 2021-12-10 平安科技（深圳）有限公司 基于渐进式学习的舌苔图像分类模型的训练方法
CN113780444B (zh) * 2021-09-16 2023-07-25 平安科技（深圳）有限公司 基于渐进式学习的舌苔图像分类模型的训练方法

Similar Documents

Publication Publication Date Title
CN109635875A (zh) 一种基于深度学习的端到端网口检测方法
CN109657722A (zh) 基于深度学习算法的舌苔图像识别方法及系统
CN106469302A (zh) 一种基于人工神经网络的人脸肤质检测方法
CN108351967A (zh) 一种多人脸检测方法、装置、服务器、系统及存储介质
CN107832802A (zh) 基于人脸比对的人脸图像质量评价方法及装置
CN108961330B (zh) 基于图像的猪体长测算方法及系统
CN103324937A (zh) 标注目标的方法和装置
CN107229930A (zh) 一种指针式仪表数值智能识别方法及装置
CN105243386A (zh) 人脸活体判断方法以及系统
CN109543542A (zh) 一种特定场所人员着装是否规范的判定方法
CN109784200B (zh) 基于双目视觉的奶牛行为图像获取与体况智能监测系统
CN103984964B (zh) 一种试纸条图像识别方法及系统
CN107480607A (zh) 一种智能录播系统中站立人脸检测定位的方法
CN102124964B (zh) 海水养殖智能化管理系统
CN109919135A (zh) 基于深度学习的行为检测方法、装置
CN109886242A (zh) 一种行人重识别的方法及系统
CN105205503B (zh) 基于众包主动学习用于检测异常图片的方法
CN109740654A (zh) 一种基于深度学习的舌体自动检测方法
CN110415818A (zh) 一种基于可观察病症的智能儿科疾病问诊系统及方法
CN111428655A (zh) 一种基于深度学习的头皮检测方法
CN110175519A (zh) 一种变电站的分合标识仪表识别方法、装置与存储介质
CN110495888A (zh) 一种基于中医舌、面图像的标准色卡及其应用
CN106778800A (zh) 一种AdaBoost级联分类器快速检测方法
CN109411092A (zh) 基于深度学习的睑板腺共聚焦显微镜智能分析评估系统及方法
CN108154199A (zh) 一种基于深度学习的高精度快速单类目标检测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190419

RJ01 Rejection of invention patent application after publication