基于深度学习算法的舌苔图像识别方法及系统技术方案

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。

Tongue coating image recognition method and system based on depth learning algorithm

This disclosure provides a tongue coating image recognition method and system based on depth learning algorithm, obtains the original tongue image, standardizes it, encodes and normalizes it to form the data to be detected, and constructs a data set including training set and verification set; builds a depth convolution neural network, and trains the built depth convolution neural network with training set. The test data are identified and classified by using the trained deep convolution neural network. The present disclosure significantly improves the accuracy and convenience of tongue coating image recognition.

【技术实现步骤摘要】
基于深度学习算法的舌苔图像识别方法及系统
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。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
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。
技术实现思路
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
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，本申本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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；...

【专利技术属性】
技术研发人员：孙晓勇，魏庆功，尹猛，闫小燕，
申请(专利权)人：山东农业大学，
类型：发明
国别省市：山东,37