1.本发明涉及智能疾病诊断，尤指一种计算机可读取存储介质、基于深度学习的远端舌诊方法及装置。
背景技术：
：：2.舌诊是一种通过目视检查舌头和其各种表现的疾病和病征的诊断方法，舌头提供反映体内器官状态的重要线索。就像中医的其他诊断方法，舌诊是以“外在反映内在”的原则为基础，外在的构造通常反映内在的构造，并且能够提供我们内部失和的重要信号。传统上，图像辨识方法常用于完成计算机化舌诊，然而，这只能辨识出与颜色相关的有限舌头特征。因此，本发明提出一种计算机可读取存储介质、基于深度学习的远端舌诊方法及装置，用于辨认出较图像辨识方法更多的舌头特征。技术实现要素：3.有鉴于此，如何减轻或消除上述相关领域的缺陷，实为有待解决的问题。4.本发明涉及一种基于深度学习的舌诊方法，由处理单元执行，包含：通过网络从客户端装置接收看病请求和看病信息，上述看病信息包含拍摄照片；将拍摄照片输入多个局部侦测卷积神经网络以获取关联于拍摄照片中的舌头的多个类型的分类结果，其中，上述多个局部侦测卷积神经网络的数目等于上述多个类型的数目，每个局部侦测卷积神经网络只用于产生一个类型的分类结果；在显示屏上显示远程舌诊应用程序的画面，其中，所述画面包含多个类型的分类结果；获取相应于多个类型的分类结果的医嘱；以及通过网络回复医嘱给客户端装置。5.本发明还涉及一种计算机可读取存储介质，用于存储能够被处理单元加载并执行的程序代码，并且所述程序代码被所述处理单元执行时实现如上所述的基于深度学习的远端舌诊方法。6.本发明还涉及一种基于深度学习的舌诊装置，包含通信接口、显示屏和处理单元。处理单元耦接通信接口和显示屏，用于通过所述通信接口和网络从客户端装置接收看病请求和看病信息，看病信息包含拍摄照片；将拍摄照片输入多个局部侦测卷积神经网络以获取关联于拍摄照片中的舌头的多个类型的分类结果，其中，上述多个局部侦测卷积神经网络的数目等于上述多个类型的数目，上述每个局部侦测卷积神经网络只用于产生上述一个类型的分类结果；在显示屏上显示远程舌诊应用程序的画面，其中，上述画面包含多个类型的分类结果；获取相应于多个类型的分类结果的医嘱；以及通过通信接口和网络回复医嘱给客户端装置。7.上述实施例的优点之一，通过以上所述的使用多个局部侦测卷积神经网络进行舌诊，可提升远程医疗的正确性。8.本发明的其他优点将配合以下的说明和附图进行更详细的解说。附图说明9.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。10.图1为依据本发明实施例的电子装置的两阶段示意图。11.图2为依据本发明实施例的舌诊示意图。12.图3为依据本发明实施例的舌诊应用程序的画面示意图。13.图4为依据本发明实施例的训练装置和平板计算机的硬件架构图。14.图5和图6为依据本发明实施例的深度学习的方法流程图。15.图7和图8为依据本发明实施例的基于深度学习的舌诊方法的流程图。16.图9为依据本发明实施例的远程舌诊系统的系统架构图。17.图10为依据本发明实施例的远程看病应用程序的画面示意图。18.图11为依据本发明实施例的就诊者自拍示意图。19.图12为依据本发明实施例的药物容器示意图。20.图13为依据本发明实施例的远程舌诊应用程序的画面示意图。21.图14和图15为依据本发明实施例的基于深度学习的远程舌诊方法的流程图。22.其中，附图中符号的简单说明如下：23.110：训练装置；120：训练图像；130：舌诊模型；140：平板计算机；150：拍摄照片；30：舌诊应用程序的画面；310：预览窗口；320：存储按钮；330：离开按钮；340：结果窗口；350：类型名称提示；360：分类结果；410：处理单元；420：显示单元；430：输入设备；440：存储装置；450：存储器；460：通信接口；s510～s550：方法步骤；s610～s670：方法步骤；s710～s730：方法步骤；s810～s860：方法步骤；90：远程舌诊系统；910：远程舌诊计算机；930：桌面计算机；950：平板计算机；970：移动电话；1000：远程看病应用程序的画面；1010：照片预览窗口；1022：症状下拉菜单；1024：症状文字输入框；1030：用药情形文字输入框；1040：存储按钮；1050：上传按钮；1060：离开按钮；1100：就诊者；1200：qr码；1300：远程舌诊应用程序的画面；1312：预览窗口；1314：综合分析结果窗口；1322：打开按钮；1324：存储按钮；1326：回复病患按钮；1328：离开按钮；1330：类型名称提示；1340：分类结果；1350：症状窗口；1360：用药情形窗口；1370：医嘱文字输入框；s1410～s1450：方法步骤；s1532～s1538：方法步骤；。具体实施方式24.以下将配合相关附图来说明本发明的实施例。在这些附图中，相同的标号表示相同或类似的组件或方法流程。25.必须了解的是，使用于本说明书中的“包含”、“包括”等词，是用于表示存在特定的技术特征、数值、方法步骤、作业处理、组件和/或组件，但并不排除可加上更多的技术特征、数值、方法步骤、作业处理、组件、组件，或以上的任意组合。26.本发明中使用如“第一”、“第二”、“第三”等词是用来修饰权利要求中的组件，并非用来表示之间具有优先权顺序，先行关系，或者是一个组件先于另一个组件，或者是执行方法步骤时的时间先后顺序，仅用来区别具有相同名字的组件。27.必须了解的是，当组件描述为“连接”或“耦接”至另一组件时，可以是直接连结、或耦接至其他组件，可能出现中间组件。相反地，当组件描述为“直接连接”或“直接耦接”至另一组件时，其中不存在任何中间组件。用于描述组件之间关系的其他词语也可以类似方式解读，例如“介于”相对于“直接介于”，或者“邻接”相对于“直接邻接”等等。28.为了克服图像辨识算法的缺点，本发明的实施例提出以深度学习为基础的舌诊方法，分为三个阶段：训练阶段、验证阶段和实时判断阶段。参考图1，在训练阶段，训练装置110接收多个包含舌头的图像120(又可称为训练图像)，以及每个图像在多个类型项目上的卷标。虽然图1的图像120是灰阶图片，但这只是作为示例说明，所属
技术领域：
：人员可输入高分辨率的全彩图像作为训练的来源。类型项目可包含“舌色”、“舌型”、“苔色”、“舌苔”、“津液”、“齿痕舌”、“朱点”、“瘀点”及“裂纹舌”。的工程师可操作训练装置110的人机界面(manmachineinterface，mmi)，针对每个图像120为每个类型加上标签(tag)。例如，针对舌色类型，可标记为“淡红”、“红”、“淡白”或“紫暗”。针对舌型类型，可标记为“中等”、“胖大”、“歪斜”或“瘦薄”。针对苔色类型，可标记为“白”、“黄”或“灰”。针对舌苔类型，可标记为“薄苔”、“厚苔”、“腻苔”或“剥苔”。针对津液类型，可标记为“平”、“多”或“少”。针对齿痕舌类型，可标记为“是”或“否”。针对朱点类型，可标记为“是”或“否”。针对瘀点类型，可标记为“是”或“否”。针对裂纹舌类型，可标记为“是”或“否”。每个图像120及其在每个类型上的标签会以特定数据结构存储在训练装置110中的非易失性存储装置。接着，训练装置110中的处理单元加载并执行相关程序代码，用于依据图像120及其在每个类型上的标签进行深度学习(deeplearning)，并且深度学习后产生的舌诊模型130会进一步接受验证。29.在验证阶段，训练装置110接收多个包含舌头的图像125(又可称为验证图像)，每个图像在多个类型项目上的卷标，以及验证图像125的答案。接着，将验证图像125输入到已经训练好的舌诊模型130，用以将验证图像150经过适当的图像前处理后，在不同类型上分类。训练装置110可比较验证图像150的答案和舌诊模型130的分类结果，依据结果判断舌诊模型130的准确度是否通过验证。如果通过验证，则将舌诊模型130提供给平板计算机140；否则，调整深度学习的参数后重新训练。30.参考图2，在实时判断阶段，医师可拿起平板计算机140对准就诊者拍照。平板计算机所执行的舌诊应用程序可将拍摄照片150输入到已经验证过的舌诊模型130，用以将拍摄照片150经过适当的图像前处理后，在不同类型上分类。平板计算机140上的屏幕会显示出每个类型的分类结果，接着，医师根据显示结果对就诊者做更深入的询问及诊断。31.参考图3，舌诊应用程序的画面30包含预览窗口310、按钮320和330、结果窗口340、类型名称提示350和分类结果360。预览窗口310显示平板计算机上的相机所拍摄到的就诊者的照片。类型名称提示350，例如包含“舌色”、“舌型”、“苔色”、“舌苔”、“津液”、“齿痕舌”、“朱点”、“瘀点”及“裂纹舌”，并且在类型名称提示250的下方显示其分类结果360。结果窗口340还显示分类结果360的综合分析的文字描述。当按下“存储”按钮320时，舌诊应用程序将拍摄照片150和分类结果360以指定数据结构存储到存储装置。当按下“离开”按钮330时，结束舌诊应用程序。32.图4系依据本发明实施例的运算装置的系统架构图。此系统架构可实施于训练装置110和平板计算机140中之任一者，至少包含处理单元410。处理单元410可使用多种方式实施，例如以专用硬件电路或通用硬件(例如，单处理器、具并行处理能力的多处理器、图形处理器或其他具运算能力的处理器)，并且在执行程序码或软件时，提供之后所描述的功能。系统架构另包含存储器450及存储装置440，存储器450存储程序代码执行过程中需要的数据，例如，待分析的图像、变量、数据表(datatables)、舌诊模型130等，存储装置440可以是硬盘、固态硬盘、闪存记忆碟等，用于存储各式各样的电子文件，例如图像120及其在每个类型上的卷标、舌诊模型130、拍摄照片150和其分类结果360等。系统架构另包含通信接口460，让处理单元410可藉以跟其他电子装置进行通信。通信接口460可以是无线电信通信模块(wirelesstelecommunicationsmodule)、局部网络(localareanetwork,lan)通信模块或无线局部网络通信模块(wlan)。无线电信通信模块(wirelesstelecommunicationsmodule)可包含支持2g、3g、4g、5g或以上技术世代的任意组合的调变解调器(modem)。输入设备430可包含键盘、鼠标、触控显示屏等。用户(例如，医师、就诊者或工程师)可按压键盘上的硬键来输入字符，通过操作鼠标来控制鼠标，或者是在触控显示屏制造手势来控制执行中的应用程序。手势可包含单击、双击、单指拖曳、多指拖曳等，但不限定于此。系统架构包含显示单元420，而显示单元420包含显示屏(例如，薄膜液晶显示屏、有机发光二极管显示屏或其他具显示能力的显示屏)，用以显示输入的字符、数字、符号、拖曳鼠目标移动轨迹或应用程序所提供的画面，提供给使用者观看。33.在平板计算机140中，输入设备430还可包含摄像头，用于感测特定焦距上的r、g、b光线强度，并依据感测到的值产生就诊者的拍摄照片150。平板计算机140的一面上可设置显示显示屏，用于显示舌诊应用程序的画面30，并且在另一面上设置摄像头。34.在训练阶段的一些实施例中，深度学习的结果(也就是舌诊模型130)可为卷积神经网络(convolutionalneuralnetwork，cnn)。卷积神经网络是一种简化人工神经网络(artificialneuralnetwork，ann)的架构，把一些在图像处理中实际上用不到的参数给过滤掉，使得相较于深度神经网络(deepneuralnetwork，dnn)使用较少的参数来处理，提升训练的效率。卷积神经网络由多个卷积层(convolutionlayers)、池化层(poolinglayers)和关联权重，以及顶端的全连接层(fullyconnectedlayers)组成。35.在一些建构舌诊模型130的实施例中，可将多个训练图像120及其所有类型的标签输入到深度学习算法，用于产生可以辨认拍摄照片150的全局侦测卷积神经网络(full-detectioncnn)。参考图5所示由训练装置110中的处理单元410于加载并执行相关程序代码时所执行的深度学习方法，详细说明如下：36.步骤s510：搜集多个训练图像120，其中每个训练图像还具有多个分类的标签。例如，一训练图像携带9个类型的标签为{“淡白”，“中等”，“白”，“薄苔”，“平”，“否”，“是”，“否”，“是”}。37.步骤s520：设定变量j＝1。38.步骤s531：依据训练图像120的多个分类的标签对搜集到的训练图像进行第j次的卷积运算(convolution)，用于产生卷积层(convolutionlayers)和关联权重。39.步骤s533：对卷积运算的结果进行第j次的最大池化运算(maxpooling)，用于产生池化层(poolinglayers)和关联权重。40.步骤s535：判断变量j是否等于max(j)。如果是，流程继续进行步骤s541的处理；否则，流程继续进行步骤s537的处理。max(j)是一个默认的常数，用于表示卷积运算和最大池化运算的执行次数。41.步骤s537：设定变量j为j+1。42.步骤s539：对最大池化的运算结果进行第j次的卷积运算，用于产生卷积层和关联权重。43.换句话说，步骤s533至s539形成一个执行max(j)次的循环。44.步骤s550：将之前的运算结果(例如，卷积层、池化层、关联权重等)平化展开(flatten)以产生全局侦测卷积神经网络。举例来说，全局侦测卷积神经网络能够从一张拍摄照片辨认出上述9个类型中的每一个的分类结果。45.在另一些建构舌诊模型130的实施例中，可产生多个具有辨认拍摄照片150的特定类型的局部侦测卷积神经网络(partial-detectioncnn)。参考图6所示由训练装置110中的处理单元410于加载并执行相关程序代码时所执行的深度学习方法，详细说明如下：46.步骤s610：设定变量i＝1。47.步骤s620：搜集多个训练图像120，其中每个训练图像还具有第i类的标签。48.步骤s630：设定变量j＝1。49.步骤s641：依据训练图像120的第i类的标签对搜集到的训练图像120进行第j次的卷积运算，用于产生卷积层和关联权重。50.步骤s643：对卷积运算的结果进行第j次的最大池化运算，用于产生池化层和关联权重。51.步骤s645：判断变量j是否等于max(j)。如果是，流程继续进行步骤s650的处理；否则，流程继续进行步骤s647的处理。max(j)是一个默认的常数，用于表示卷积运算和最大池化运算的执行次数。52.步骤s647：设定变量为j+1。53.步骤s649：对最大池化的运算结果进行第j次的卷积运算，用于产生卷积层和关联权重。54.步骤s650：将之前的运算结果(例如，卷积层、池化层、关联权重等)平化展开以产生第i类的局部侦测卷积神经网络。第i类的局部侦测卷积神经网络只能够从拍摄照片辨认出第i类的分类结果。55.步骤s660：判断变量i是否等于max(i)。如果是，结束整个流程；否则，流程继续进行步骤s670的处理。max(i)是一个默认的常数，用于表示所有类型的数目。56.步骤s670：设定变量i为i+1。57.换句话说，步骤s620至s670形成一个执行max(i)次的外循环，而步骤s533至s539形成一个执行max(j)次的内循环。58.处理单元410可执行所属
技术领域：
：人员已知的卷积算法来完成步骤s531、s539、s641和s649，可执行已知的最大池化算法来完成步骤s533和s643，还可执行已知的平化展开算法来完成步骤s550和s650，为求简明，不再赘述。59.在实时判断阶段中，如果平板计算机140的存储装置440存储的是使用图5的方法所产生的全局侦测卷积神经网络，则平板计算机140中的处理单元410于加载并执行相关程序代码时可执行如图7所示的基于深度学习的舌诊方法，详细说明如下：60.步骤s710：获取拍摄照片150。61.步骤s720：将拍摄照片150输入全局侦测卷积神经网络以获取所有类型的分类结果。例如9个类型的分类为{“淡红”，“中等”，“白”，“薄苔”，“平”，“否”，“否”，“否”，“否”}。62.步骤s730：依据分类结果更新舌诊应用程序的画面30中的分类结果360。63.在实时判断阶段中，如果平板计算机140的存储装置440存储的是使用图6的方法所产生的多个局部侦测卷积神经网络，则平板计算机140中的处理单元410于加载并执行相关程序代码时可执行如图8所示的基于深度学习的舌诊方法，详细说明如下：64.步骤s810：获取拍摄照片150。65.步骤s820：设定变量i＝1。66.步骤s830：将拍摄照片150输入第i类的局部侦测卷积神经网络以获取第i类的分类结果。67.步骤s840：判断变量i是否等于max(i)。如果是，流程继续进行步骤s860的处理；否则，流程继续进行步骤s850的处理。max(i)是一个默认的常数，用于表示所有类型的数目。68.步骤s850：设定变量i为i+1。69.步骤s860：依据分类结果更新舌诊应用程序的画面30中的分类结果360。70.由于训练和验证的样本数目会影响深度学习的正确率和学习时间，在一些实施例中，针对每个局部侦测卷积神经网络中的每个分类结果，训练图像120、验证图像125和测试相片的数目比例可设为17:2:1。71.参考图9，有鉴于病毒的传染力越来越高，为了减少医生和就诊者的接触，本发明实施例另提出一种远程舌诊系统90，包含远程舌诊计算机910、桌面计算机930、平板计算机950以及移动电话970。远程舌诊计算机910可设置于让医生进行诊治的医疗场所，用于执行远程舌诊应用程序。除了远程舌诊应用程序外，远程舌诊计算机910还可用于完成如上所述的训练装置110的功能，执行如图5或图6所示的深度学习方法。桌面计算机930可设置于就诊者的住家，平板计算机950以或移动电话970可被就诊者携带到住家、餐厅、工作场所、户外或任意地点。远程舌诊计算机910、桌面计算机930、平板计算机950以及移动电话970之间可通过网络900彼此通信，网络900可为互联网(internet)、有线局部网络(wiredlocalareanetwork，lan)、无线局部网络，或以上的任意组合。桌面计算机930、平板计算机950以及移动电话970可称为客户端装置，用于执行远程看病应用程序。远程舌诊计算机910、桌面计算机930、平板计算机950以及移动电话970中之任何一者可使用如图4所示的硬件架构实现。72.参考图10，客户端装置的显示单元420显示远程看病应用程序的画面1000，包含照片预览窗口1010、症状下拉菜单1022、症状文字输入框1024、用药情形输入框1030、按钮1040至1060。参考图11，为了让医师知道就诊者目前的健康状态，就诊者1100可使用电子设备的摄像头(例如，桌面计算机930的外接摄像头、平板计算机950、移动电话970中的内建摄像头等)朝自己的舌头拍照，并且拍摄照片可显示在照片预览窗口1010。除了舌头的照片外，就诊者1100还需要提供就诊辅助信息，包含用药状况、症状等。就诊者1100可操作下拉式菜单1022以选取预先设定的症状，而选定的症状可显示在症状文字输入框1024。就诊者1100也可在症状文字输入框1024中输入原来在下拉式菜单1022中没有的症状。关于用药状况的信息输入，参考图12，在一些实施例中，就诊者1100可使用电子设备的摄像头获取药物容器上的qr码1200，并且qr码1200也会显示在用药情形输入框1030。就诊者也可在用药情形输入框1030中输入其他的药名和剂量。当按下“存储”按钮1040时，远程看病应用程序将照片预览窗口1010、症状文字输入框1024和用药情形输入框1030的内容以指定的数据结构存储到客户端装置中的存储装置。当按下“上传”按钮1050时，远程看病应用程序将看病请求和看病信息(例如，照片预览窗口1010、症状文字输入框1024和用药情形输入框1030的内容)打包成网络数据包，并且通过客户端装置中的通信接口460以指定的通信协议传送到远程舌诊计算机910。当按下“离开”按钮1060时，结束远程看病应用程序。73.参考图13，远程舌诊计算机910的显示单元420显示远程舌诊应用程序的画面1300，包含预览窗口1312、综合分析结果窗口1314、按钮1322、1324、1326、1328、类型名称提示1330、分类结果1340、症状窗口1350、用药情形窗口1360和医嘱文字输入框1370。当按下“离开”按钮1328时，结束远程舌诊应用程序。74.如果远程舌诊计算机910的存储装置440存储的是使用图5的方法所产生的全局侦测卷积神经网络，则远程舌诊计算机910中的处理单元410于加载并执行相关程序代码时可执行如图14所示的基于深度学习的远程舌诊方法，详细说明如下：75.步骤s1410：通过网络900和远程舌诊计算机910的通信接口460从客户端装置接收看病请求和看病信息。远程舌诊计算机910中的处理单元410可执行背景程序，用于搜集看病请求和看病信息，并且存储至远程舌诊计算机910中的存储装置440。当远程舌诊应用程序侦测到“打开”按钮1322被按下时，通过远程舌诊计算机910中的显示单元420显示选择画面，包含多笔的看病请求和看病信息，让医生可以选择其中的一笔来处理。当医生选定后，继续以下步骤的操作。76.步骤s1422：从看病信息中获取拍摄照片，并且在预览窗口1312显示获取的拍摄照片。77.步骤s1424的技术细节类似于步骤s720，不再赘述以求简明。78.步骤s1426：依据分类结果更新远程舌诊应用程序的画面1300。类型名称提示1330，例如包含“舌色”、“舌型”、“苔色”、“舌苔”、“津液”、“齿痕舌”、“朱点”、“瘀点”及“裂纹舌”，并且在类型名称提示1330的下方显示其分类结果1340。综合分析结果窗口1314还显示分类结果1340的综合分析的文字描述。79.步骤s1432：从看病信息中获取qr码，并且在用药情形窗口1360显示获取的qr码。80.步骤s1434：依据qr码搜索远程舌诊计算机910的存储装置440中存储的药方(medicalprescription)数据库以获取关联的药方并据以更新远程舌诊应用程序的画面1300。远程舌诊应用程序可将关联的药方显示在用药情形窗口1360中的qr码旁边。81.步骤s1440：从看病信息中获取就诊者的症状并据以更新远程舌诊应用程序的画面1300。远程舌诊应用程序可将获取的症状显示在症状窗口1350。82.步骤s1450：通过网络900和远程舌诊计算机910的通信接口460回复医嘱给发出此看病请求的客户端装置。关于医嘱的内容，在一些实施例中，医生可参考远程舌诊应用程序的画面1300中的更新后信息，在医嘱文字输入框1370中输入给就诊者的医疗建议。关于医嘱的内容，在另一些实施例中，除了医疗建议外，医生还可在医嘱文字输入框1370提供预约挂号系统的链接，用于通知就诊者可到预约挂号系统进行网络挂号，使得就诊者可在适当的时间回诊。关于回复的方式，在一些实施例中，当按下“回复病患”按钮1326时，远程舌诊应用程序将医嘱文字输入框1370中的内容嵌入到特定邮件模板以产生医嘱电子邮件，从远程舌诊计算机910的存储装置440中存储的患者数据库搜索此看诊者的电子邮件地址，并且通过网络900传送医嘱电子邮件到此看诊者的电子邮件地址。关于回复的方式，在另一些实施例中，当按下“回复病患”按钮1326时，远程舌诊应用程序将医嘱文字输入框1370中的内容嵌入到特定信息范本以产生医嘱信息，从远程舌诊计算机910的存储装置440中存储的患者数据库搜索此看诊者的互联网通信协议(internetprotocol，ip)地址，并且通过网络900传送医嘱信息到此看诊者的ip地址的信息队列(messagequeue)。关于回复的方式，在另一些实施例中，当按下“回复病患”按钮1326时，远程舌诊应用程序将医嘱文字输入框1370中的内容嵌入到特定信息范本以产生短信，从远程舌诊计算机910的存储装置440中存储的患者数据库搜索此看诊者的移动电话号码，并且通过网络900传送短信到此看诊者的移动电话。83.此外，当按下“存储”按钮1324时，远程舌诊应用程序可将画面1300中所有的信息以特定数据结构存储到远程舌诊计算机910的存储装置440。84.如果远程舌诊计算机910的存储装置440存储的是使用图6的方法所产生的多个局部侦测卷积神经网络，则远程舌诊计算机910中的处理单元410于加载并执行相关程序代码时可执行如图15所示的基于深度学习的远程舌诊方法。图15和图14的方法之间的差异在于，在图15中以步骤s1532至s1538的操作来取代图14中步骤s1422的操作。步骤s1532至s1538的操作类似于步骤s820至s850的操作，为求简明不再赘述。85.由于卷积神经网络在理论上具有多个面向的分类能力，因此，图14所述的技术方案是让全局侦测卷积神经网络来对就诊者的舌头图像做多维的分类。然而，经过大量的实验后发现，在舌诊的应用场景中，将卷积神经网络的能力改为局部侦测卷积神经网络，用于限缩到只做特定维度(也就是一维，例如，“舌色”、“舌型”、“苔色”、“舌苔”、“津液”、“齿痕舌”、“朱点”、“瘀点”或“裂纹舌”的维度)的分类。然后，再合并针对不同维度的多个局部侦测卷积神经网络的分类结果，其最后的正确率可超过使用全局侦测卷积神经网络来对就诊者的舌头图像做多维的分类结果。86.本发明所述的方法中的全部或部分步骤可以由计算机程序实现，例如特定程序语言的程序代码等。此外，也可实现于如上所示的其他类型程序。所属
技术领域：
：中的技术人员可将本发明实施例的方法撰写成程序代码，为求简明不再加以描述。依据本发明实施例方法实施的计算机程序可存储于适当的计算机可读取存储介质，例如dvd、cd-rom、u盘、硬盘，也可置于可通过网络(例如，互联网，或其他适当介质)存取的网络服务器。87.虽然图4中包含了以上描述的组件，但不排除在不违反发明的精神下，使用更多其他的附加组件，以达成更佳的技术效果。此外，虽然图5至图8、图14至图15的流程图采用指定的顺序来执行，但是在不违反发明精神的情况下，所属
技术领域：
：的技术人员可以在达到相同效果的前提下，修改这些步骤之间的顺序，所以，本发明并不局限于仅使用如上所述的顺序。此外，所属
技术领域：
：的技术人员也可以将若干步骤整合为一个步骤，或者是除了这些步骤外，循序或并行地执行更多步骤，本发明也不应因此而局限。88.以上所述仅为本发明较佳实施例，然其并非用以限定本发明的范围，任何熟悉本项技术的人员，在不脱离本发明的精神和范围内，可在此基础上做进一步的改进和变化，因此本发明的保护范围当以本技术的权利要求书所界定的范围为准。当前第1页12当前第1页12