一种基于深度学习的舌象图像质量检测方法与流程

本发明涉及图像处理
技术领域：
，尤其涉及一种基于深度学习的舌象图像质量检测方法。
背景技术：
：传统中医对舌象的认识主要依赖于医生的主观判断，人为因素对舌象判别影响较大，主要靠医生的经验进行判断，导致不同的医生对同一患者的舌象有不同的诊断结果，影响患者的后续治疗。为了解决上述问题，以对舌象进行客观及量化判断，使用计算机技术进行判断。通常的做法是，使用计算机技术对舌象进行特征提取，运用机器学习的方法对舌象图像进行检测。但是这种方法过程繁琐，准确率低，效果不佳。因此，亟需一种能够简便检测过程，提高检测准确率，对舌象图像进行有效评价的质量检测方法。技术实现要素：本发明的目的是针对现有技术中的不足，提供一种基于深度学习的舌象图像质量检测方法。为实现上述目的，本发明采取的技术方案是：一种基于深度学习的舌象图像质量检测方法，其特征在于，包括以下步骤：步骤s1、构建舌象图像数据集，所述舌象图像数据集包括训练数据集和验证数据集；步骤s2、对步骤s1中的所述舌象图像数据集中的舌象图像进行预处理；步骤s3、构建卷积神经网络，使用所述卷积神经网络对经步骤s2预处理后的所述舌象图像进行处理，得到舌象图像检测模型；步骤s4、使用步骤s3得到的所述舌象图像检测模型对待检测的舌象图像进行检测。优选地，在所述步骤s2中，所述预处理包括重压缩处理、旋转处理、反转处理、白化处理和截取处理。优选地，所述步骤s2包括：步骤s21、对所述舌象图像进行重压缩处理；步骤s22、对经步骤s21进行重压缩处理后的所述舌象图像分别进行旋转处理、反转处理、白化处理和截取处理。优选地，所述重压缩处理为对所述舌象图像进行重压缩至28×28像素。优选地，在所述步骤s1中，所述摄像图像数据集包括合格舌象图像和不合格舌象图像，其中，所述合格舌象图像的数量与所述不合格舌象图像的数量相等。优选地，所述训练数据集包括所述合格舌象图像和所述不合格舌象图像，在所述训练数据集中，所述合格舌象图像的数量与所述不合格舌象图像的数量相等；所述验证数据集包括所述合格舌象图像和所述不合格舌象图像，在所述验证数据集中，所述合格舌象图像的数量与所述不合格舌象图像的数量相等；所述验证数据集中的所述合格舌象图像的数量少于所述训练数据集中的所述合格舌象图像的数量。优选地，所述卷积神经网络包括第一输入层、第二输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层、多层感知器和输出层；所述第一输入层，与所述第一卷积层连接，用于输入所述训练数据集；所述第二输入层，与所述第一卷积层连接，用于输入所述验证数据集；所述第一卷积层、所述第一池化层、所述第二卷积层、所述第二池化层、所述全连接层、所述多层感知器和所述输出层顺次连接。优选地，所述第一卷积层使用高斯权值对所述舌象图像进行加权处理，并且所述第一卷积层使用非饱和激活函数；所述第二卷积层使用非饱和激活函数。优选地，所述非饱和激活函数为relu函数。优选地，所述第一卷积层使用的卷积核的个数为20个，所述卷积核的大小为5×5。优选地，所述第二巻积层使用的卷积核的个数为50个，所述卷积核的大小为5×5。优选地，所述第一池化层对所述第一卷积层输出的结果进行最大值池化处理；所述第二池化层对所述第二卷积层输出的结果进行最大值池化处理。优选地，所述步骤s3包括：步骤s31、通过所述卷积神经网络对所述训练数据集进行训练，得到所述舌象图像检测模型；步骤s32、使用所述验证数据集对步骤s31得到的所述舌象图像检测模型进行优化。优选地，在所述步骤s32中，使用误差最小方法对所述舌象图像检测模型进行迭代优化。优选地，所述舌象图像检测模型的auc值为0.98，所述舌象图像检测模型的准确率为0.98。本发明采用以上技术方案，与现有技术相比，具有如下技术效果：本发明的一种基于深度学习的舌象图像质量检测方法，通过深度学习，提高舌象图像检测模型的识别准确率；无须对舌象图像进行特征提取，仅对舌象图片的原始照片进行处理，即可进行快速识别和分类；通过对舌象图像检测模型进行迭代优化，能够获得一个准确率高且不过拟合的舌象图像检测模型，准确率高达0.98。附图说明图1是本发明的一个示意性实施例的工作步骤图。图2是本发明的一个示意性实施例的步骤s2的工作步骤图。图3是本发明的一个示意性实施例的步骤s3的工作步骤图。图4是本发明的一个示意性实施例的卷积神经网络的结构图。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。实施例1本发明的一个示意性实施例，如图1所示，一种基于深度学习的舌象图像质量检测方法，包括以下步骤：步骤s1、构建舌象图像数据集舌象图像数据集由大量舌象图像构成，舌象图像数据集包括训练数据集和验证数据集。步骤s2、对步骤s1中的舌象图像数据集中的舌象图像进行预处理对舌象图像数据集的所有舌象图像进行预处理，以减少噪音对舌象图像的干扰。步骤s3、构建卷积神经网络，使用卷积神经网络对经步骤s2预处理后的舌象图像进行处理，得到舌象图像检测模型通过卷积神经网络，利用舌象图像数据集对舌象图像检测模型进行训练及优化。步骤s4、使用步骤s3得到的舌象图像检测模型对待检测的舌象图像进行检测使用步骤s3得到的进行迭代优化后的舌象图像模型进行检测，对待检测的舌象图像进行快速识别分类。进一步地，在步骤s1中：舌象图像包括合格舌象图像和不合格舌象图像，其中合格舌象图像的数量为n张，不合格舌象图像的数量为n张，即合格舌象图像的数量与不合格舌象图像的数量相等。合格舌象图像为无雾化、无曝光不足、无过曝、无残缺的舌象图像。不合格舌象图像为至少具有雾化、曝光不足、过曝、残缺中的任一一种缺陷的舌象图像。训练数据集由合格舌象图像和不合格舌象图像构成，且在训练数据集中，合格舌象图像的数量与不合格舌象图像的数量相等。验证数据集同样由合格舌象图像和不合格舌象图像构成，且在验证数据集中，合格舌象图像的数量与不合格舌象图像的数量相等。为了保证训练效率以及准确率，在训练数据集中，合格舌象图像的数量与不合格舌象图像的数量均为n张，在验证数据集中，合格舌象图像的数量与不合格舌象图像的数量均为m张，且m小于n张。进一步地，在步骤s2中：对舌象图像进行的预处理包括重压缩处理、旋转处理、反转处理、白化处理和截取处理。具体的，如图2所示，步骤s2包括：步骤s21、对舌象图像进行重压缩处理对舌象图像进行重压缩，使舌象图像的大小压缩至28×28像素。步骤s22、对经步骤s21进行重压缩处理后的舌象图像分别进行旋转处理、反转处理、白化处理和截取处理对于重压缩后的舌象图像，分别进行旋转处理、反转处理、白化处理和截取处理，进一步增加舌象图像的数量。进一步地，在步骤s3中：如图3所示，步骤s3包括：步骤s31、通过卷积神经网络对训练数据集进行训练，得到舌象图像检测模型；步骤s32、使用验证数据集对步骤s31得到的舌象图像检测模型进行迭代优化使用舌象图像检测模型对验证数据集中的舌象图像进行检测，将检测结果与真实结果进行比较，计算检测结果与真实结果之间的误差，将误差按照误差最小原则进行反向传播，在反向传播过程中，更新卷积神经网络中的权重，不断迭代。进一步地，如图4所示，卷积神经网络包括第一输入层、第二输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层、多层感知器和输出层，第一输入层和第二输入层分别与第一卷积层连接，第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层、多层感知器和输出层依次连接。第一输入层用于输入训练数据集中的舌象图像，第二出入层用于输入验证数据集中的舌象图像。在第一卷积层中，使用a个5×5的卷积核对第一输入层或第二输入层输入的舌象图像进行第一次卷积处理，其中a为大于或等于1的正整数。在进行卷积处理时，使用高斯权值进行加权处理，并且采用非饱和激活函数。在本实施例中非饱和激活函数为relu激活函数。第一池化层对第一卷积层输出的a个舌象图像的特征图进行第一次最大值池化处理。在第二卷积层中，使用b个5×5的卷积核对第一池化层输出的舌象图像进行第二次卷积处理，其中b为大于或等于1的正整数。在进行卷积处理时，采用非饱和激活函数，即relu激活函数。第二池化层对第二卷积层输出的b个舌象图像的特征图进行第二次最大值池化处理。全连接层对第二池化层输出的舌象图像进行处理后，根据其设置的输出向量维度c，向多层感知器输出c张舌象图像，其中c为大于或等于1的正整数。多层感知器对全连接层输出的舌象图像进行分类识别后，向输出层输出分类识别结果。进一步地，全连接层的数量至少为一个。若全连接层为2个，则第一全连接层的输出向量维度为c1，第二全连接层的输出向量维度为c2，c2＜c1。若全连接层为3个，则第一全连接层的输出向量维度为c1，第二全连接层的输出向量维度为c2，第三全连接层的输出向量维度为c3，且c3＜c2＜c1。以此类推，若全连接层为n个，则第一全连接层的输出向量维度为c1，……，第n全连接层的输出向量维度为cn，cn＜cn-1＜……＜c2＜c1。进一步地，使用auc值和准确率对舌象图像检测模型进行评价，以显示舌象图像检测模型的准确率和稳定性。本发明的优点在于，通过反复迭代优化，得到一个快速舌象质量图片分类的识别器，通过计算所用舌象图像的auc值和准确率，来决定模型训练的最优参数，最终得到一个准确率高又不至于过拟合的舌象图像质量检测模型。实施例2本实施例为本发明的一个应用实施例。一种基于深度学习的舌象图像质量检测方法，包括以下步骤：步骤s1、构建舌象图像数据集舌象图像数据集由200张合格舌象图像和200张不合格舌象图像构成，其中，训练数据集包括200张合格舌象图像和200张不合格舌象图像，验证数据集包括100张合格舌象图像和100张不合格舌象图像。步骤s2、对步骤s1中的舌象图像数据集中的舌象图像进行预处理步骤s21、对200张合格舌象图像和200张不合格舌象图像进行重压缩处理，每张舌象图像均被压缩至28×28像素大小。步骤s22、对重压缩后的200张合格舌象图像和200张不合格舌象图像分别进行旋转处理、反转处理、白化处理和截取处理，可以得到1600张舌象图像。步骤s3、构建卷积神经网络，使用卷积神经网络对经步骤s2预处理后的舌象图像进行处理，得到舌象图像检测模型卷积神经网络包括第一输入层、第二输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层、多层感知器和输出层，第一输入层和第二输入层分别与第一卷积层连接，第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层、多层感知器和输出层依次连接。其中，第一卷积层使用20个5×5的卷积核，卷积核的步长为1；第二卷积层使用50个5×5的卷积核，卷积核的步长为1；第一池化层中，池化的核为2×2，池化的步长为2；在第二池化层中，池化的核为2×2，池化的步长为2。全连接层包括第一全连接层和第二全连接层，其中，第一全连接层的输出向量维度为500，第二全连接层的输出向量维度为2。步骤s31、通过卷积神经网络对训练数据集进行训练，得到舌象图像检测模型步骤s32、使用验证数据集对步骤s31得到的舌象图像检测模型进行迭代优化。步骤s4、使用步骤s3得到的舌象图像检测模型对待检测的舌象图像进行检测。将本实施例与对照组1和对照组2进行对比，比较三种方法的准确率，如下表所示。其中，对照组1参照期刊文献(“基于支持向量机的中医舌图像质量评价研究”,王亚真,等.北京生物医学工程,2015,34(6):551-557)，对照组2参照期刊文献(“中医舌图像的质量评价研究”,张翔,等.世界中西医结合杂质,2017,12(11):1607-1611)。准确率本实施例对照组1对照组2训练数据集0.990.9150.953验证数据集0.980.8750.935由上表可知，本实施例使用的舌象图像质量检测模型准确率高于对照组1和对照组2的准确率。以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。当前第1页12