舌象识别方法、装置、计算机设备及计算机可读存储介质制造方法及图纸

本发明专利技术公开了一种舌象识别方法，包括：获取舌部图像；根据所述舌部图像检测舌头图像，其中，通过将所述舌部图像输入舌头检测模型以获得舌头图像，所述舌头检测模型为轻量级残差网络；对所述舌头图像进行颜色识别以获得舌色和舌苔色，其中，根据HSL颜色空间划分方法对所述舌头图像进行颜色识别；根据所述舌头图像识别舌形，其中，通过将所述舌头图像输入舌形识别模型以获得舌形，所述舌形识别模型为轻量级卷积神经网络。本发明专利技术还公开了一种舌象识别装置、计算机设备及计算机可读存储介质。采用本发明专利技术，用户可随时随地进行舌象识别，流程操作简单，舌象识别准确。

Tongue recognition method, device, computer equipment and computer readable storage medium

【技术实现步骤摘要】
舌象识别方法、装置、计算机设备及计算机可读存储介质
本专利技术涉及人工智能舌象识别领域，尤其涉及一种舌象识别方法、装置、计算机设备及计算机可读存储介质。
技术介绍
舌象识别是中医中非常重要的诊断技术之一，可以通过舌象快速的了解身体状况。目前用户如果想要进行舌头诊断，都需要主动去找医生查看，而无法自己诊断，不利于病人及时了解自身身体状况，也不利于医生跟进病人的病情跟踪。同时社会上亚健康人群非常之多，很多重大疾病其实都是由于平时没有注意亚健康问题而最后引发了重大疾病的。传统的人工舌诊方式受制于地理位置，加上过去人工智能技术尚不发达，无法直接通过技术手段进行诊断识别。还有，传统舌象识别仪器，存在重量大、携带不便、单人无法操作、服务单一等问题。
技术实现思路
本专利技术所要解决的技术问题在于，提供舌象识别方法、装置、计算机设备及计算机可读存储介质，能够解决传统舌象仪器所存在的重量大、携带不便、单人无法操作、服务单一等问题，用户通过手机等移动端就能随时随地进行舌诊。为了解决上述技术问题，本专利技术提供了一种舌象识别方法，包括：获取舌部图像；根据所述舌部图像检测舌头图像，其中，通过将所述舌部图像输入本文档来自技高网...

【技术保护点】
1.一种舌象识别方法，其特征在于，包括：获取舌部图像；根据所述舌部图像检测舌头图像，其中，通过将所述舌部图像输入舌头检测模型以获得舌头图像，所述舌头检测模型为轻量级残差网络，所述轻量级残差网络采用基于深度卷积神经网络的目标检测算法；对所述舌头图像进行颜色识别以获得舌色和舌苔色，其中，根据HSL颜色空间划分方法对所述舌头图像进行颜色识别；根据所述舌头图像识别舌形，其中，通过将所述舌头图像输入舌形识别模型以获得舌形，所述舌形识别模型为轻量级卷积神经网络，所述轻量级卷积神经网络采用基于深度卷积神经网络的语义分割方法。

【技术特征摘要】
1.一种舌象识别方法，其特征在于，包括：获取舌部图像；根据所述舌部图像检测舌头图像，其中，通过将所述舌部图像输入舌头检测模型以获得舌头图像，所述舌头检测模型为轻量级残差网络，所述轻量级残差网络采用基于深度卷积神经网络的目标检测算法；对所述舌头图像进行颜色识别以获得舌色和舌苔色，其中，根据HSL颜色空间划分方法对所述舌头图像进行颜色识别；根据所述舌头图像识别舌形，其中，通过将所述舌头图像输入舌形识别模型以获得舌形，所述舌形识别模型为轻量级卷积神经网络，所述轻量级卷积神经网络采用基于深度卷积神经网络的语义分割方法。2.如权利要求1所述的舌象识别方法，其特征在于，所述舌头检测模型的网络架构模型包括依次连接的第一卷积层、第一池化层、第一残差块、第二残差块、第三残差块、第四残差块以及全局池化层，所述舌头检测模型采用随机梯度下降算法进行训练得到模型权重，并结合损失函数以及分类函数输出舌头图像，其中：所述第一卷积层的channel为16、kernel为7、stride为2；所述第一池化层的kernel为3、stride为2，最大池化；所述第一残差块包括两个卷积层和一个残差连接，其中两个卷积层的channel均为32、kernel均为3、stride均为1，两个卷积层依次连接；所述第二残差块包括两个卷积层和一个残差连接，其中两个卷积层的channel均为64、kernel均为3、stride分别为2和1，两个卷积层依次连接，残差连接包括一个channel为64、kernel为1、stride为2的卷积层；所述第三残差块包括两个卷积层和一个残差连接，其中两个卷积层的channel均为128、kernel均为3、stride分别为2和1，两个卷积层依次连接，残差连接包括一个channel为128、kernel为1、stride为2的卷积层；所述第四残差块包括两个卷积层和一个残差连接，其中两个卷积层的channel均为256、kernel均为3、stride分别为2和1，两个卷积层依次连接，残差连接包括一个channel为256、kernel为1、stride为2的卷积层；所有卷积层后均与激活函数连接；所述随机梯度下降算法的批量大小为32，总共训练40个epochs，初始学习率为0.01，每30个epochs学习率除以0。3.如权利要求2所述的舌象识别方法，其特征在于，所述损失函数为平滑的L1损失函数：f(x)＝0.5*(sigma*x)^2，其中，如果|x|<1/sigma^2，那么f(x)＝0.5*(sigma*x)^2，否则f(x)＝|x|-0.5/sigma^2；所述分类函数为Sigmoid函数：g(x)＝1/(1+e^(-x))，其中，如果g(x)>0.5，认为是舌头区域，否则认为是非舌头区域。4.如权利要求1所述的舌象识别方法，其特征在于，所述根据HSL颜色空间划分方法对所述舌头图像进行颜色识别以获得舌色和舌苔色的步骤包括：计算所述舌头图像的HSL值；根据所述HSL值划分所述舌头图像的颜色空间，其中，事先通过对舌头图像样本集进行HSL值计算，获得各种舌色和舌苔色的颜色空间所对应的HSL值；计算每个颜色空间的像素比，取像素比最大的颜色空间作为舌色和舌苔色。5.如权利要求1所述的舌象识别方法，其特征在于，所述舌形识别模型的网络架构模型包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第一上采样层、第五卷积层、第一连接层、第六卷积层、第二上采样层、第七卷积层、第二连接层、第八卷积层、第三上采样层、第九卷积层、第三连接层、...

【专利技术属性】
技术研发人员：程涛，
申请(专利权)人：正和智能网络科技广州有限公司，
类型：发明
国别省市：广东,44