[发明专利]舌象识别方法、装置、计算机设备及计算机可读存储介质

说明书

本发明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，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。

技术领域

本发明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。

背景技术

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。

发明内容

本发明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，本发明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。

优选地，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，并结合平滑的L1损失函数以及Sigmoid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。

优选地，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Sigmoid分类函数为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。