[发明专利]一种基于深度学习的藏医尿液颜色自动识别方法

权利要求书

1.一种基于深度学习的藏医尿液颜色自动识别方法，其特征在于，包括如下步骤：

S1、采集尿液图像，并对每幅图像进行标注；

S2、根据所述尿液图像构建基于深度卷积神经网络CNN的尿液颜色识别模型；

S3、根据所述尿液颜色识别模型识别尿液颜色特征，从而完成基于深度学习的藏医尿液颜色的自动识别。

2.根据权利要求1所述的基于深度学习的藏医尿液颜色自动识别方法，其特征在于，所述步骤S1中对每幅图像进行标注，其具体为：

将所采集的尿液图像标注为黄色、白色、红色、赤色、褐色、黑色、绿色、青色以及蓝色图像，并将所有尿液图像调整至224×224的大小。

3.根据权利要求1所述的基于深度学习的藏医尿液颜色自动识别方法，其特征在于，所述步骤S2中构建的尿液颜色识别模型包括依次连接的输入层、第一卷积单元C1、第二卷积单元C2、第三卷积单元C3、第四卷积单元C4、第五卷积单元C5、第一全连接单元FC1、第二全连接单元FC2、第三全连接单元FC3以及输出层。

4.根据权利要求3所述的基于深度学习的藏医尿液颜色自动识别方法，其特征在于，所述第一卷积单元C1包括依次连接的第一卷积层Conv1、第一非线性层Relu1以及第一池化层Pool1，所述第一卷积层Conv1包括大小为11×11，步长为4的96个卷积核，所述第一池化层Pool1的步长为2；

所述第二卷积单元C2包括依次连接的第二卷积层Conv2、第二非线性层Relu2以及第二池化层Pool2，所述第二卷积层Conv2包括大小为5×5，步长为1的256个卷积核，所述第二池化层Pool2的步长为2；

所述第三卷积单元C3包括依次连接的第三卷积层Conv3和第三非线性层Relu3，所述第三卷积层Conv3包括大小为3×3，步长为1的384个卷积核；

所述第四卷积单元C4包括依次连接的第四卷积层Conv4和第四非线性层Relu4，所述第四卷积层Conv4包括大小为3×3，步长为1的384个卷积核；

所述第五卷积单元C5包括依次连接的第五卷积层Conv5、第五非线性层Relu5以及第三池化层Pool3，所述第五卷积层Conv5包括大小为3×3，步长为1的256个卷积核，所述第三池化层Pool3的步长为2；

所述第一全连接单元FC1包括依次连接的第一全连接层fc1和第六非线性层Relu6；

所述第二全连接单元FC2包括依次连接的第二全连接层fc2和第七非线性层Relu7；

所述第三全连接单元FC3包括与所述输出层连接的第三全连接层fc3。

5.根据权利要求4所述的基于深度学习的藏医尿液颜色自动识别方法，其特征在于，所述第一卷积层Conv1、第二卷积层Conv2、第三卷积层Conv3、第四卷积层Conv4以及第五卷积层Conv5的输出映射均为：

其中，M^l-1表示输入的尿液颜色的特征数量，l和m分别表示层数和尿液特征图的索引，n表示滤波器的索引，表示滤波器，*表示卷积操作，表示第m层的第l个尿液输入向量，表示第l层的第n个尿液输出特征的偏置。

6.根据权利要求4所述的基于深度学习的藏医尿液颜色自动识别方法，其特征在于，所述第一非线性层Relu1、第二非线性层Relu2、第三非线性层Relu3、第四非线性层Relu4、第五非线性层Relu5、第六非线性层Relu6以及第七非线性层Relu7的激活函数f(y)均为：

f(y)＝max(0,y)

其中，y表示当前层的输入。

7.根据权利要求1所述的基于深度学习的藏医尿液颜色自动识别方法，其特征在于，所述步骤S3具体为：

根据所述尿液颜色识别模型，利用softmax函数预测输入尿液图像在九类尿液颜色上的概率分布，从而完成基于深度学习的藏医尿液颜色的自动识别。