[发明专利]一种基于机器学习的足底图像智能标定方法在审
| 申请号： | 202011020788.4 | 申请日： | 2020-09-25 |
| 公开（公告）号： | CN112116016A | 公开（公告）日： | 2020-12-22 |
| 发明（设计）人： | 蒋峥峥;林纯;彭志娟;顾翔;严燕;王丹丹;陈晓红 | 申请（专利权）人： | 南通大学 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62;G06N3/04;G06T5/00;G06T7/00;G06K9/20;A61H39/02 |
| 代理公司： | 北京科家知识产权代理事务所(普通合伙) 11427 | 代理人： | 徐思波 |
| 地址： | 226019 *** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 一种 基于 机器 学习 足底 图像 智能 标定 方法 | ||
1.一种基于机器学习的足底图像智能标定方法，其特征在于：包括以下步骤：
S1、采集足底图像；
S2、人工对足底图像进行反射区标定，将人工标定的图像数据作为训练数据发送到图像标定模型；
S3、图像标定模型根据训练数据进行训练，得到训练后的图像标定模型；
S4、采集待测足底图像；
S5、将待测足底图像发送到训练好的图像标定模型进行标定，输出反射区标定结果。
2.如权利要求1所述的一种基于机器学习的足底图像智能标定方法，其特征在于：所述采集足底图像，具体为：通过图像采集设备采集双足的足底平面图像。
3.如权利要求1所述的一种基于机器学习的足底图像智能标定方法，其特征在于：步骤S1还包括：将采集的足底图像放大以使足底的最大宽度为20cm。
4.如权利要求1所述的一种基于机器学习的足底图像智能标定方法，其特征在于：步骤S2中，所述反射区包括：心脏、肝脏、肺、胃和肾脏。
5.如权利要求1所述的一种基于机器学习的足底图像智能标定方法，其特征在于：所述图像标定模型根据训练数据进行训练，得到训练后的图像标定模型，具体为：图像标定模型根据训练数据进行训练，然后对低确定性区域的图像数据进行再次训练，得到训练完成的图像标定模型。
6.如权利要求2所述的一种基于机器学习的足底图像智能标定方法，其特征在于：所述图像采集设备采用红外摄像机。
7.如权利要求1所述的一种基于机器学习的足底图像智能标定方法，其特征在于：所述步骤S1还包括，对得到的足底图像进行去噪，并将足底图像进行灰度处理以获得足底灰度图像。
8.如权利要求1所述的一种基于机器学习的足底图像智能标定方法，其特征在于：所述图像标定模型为全卷积神经网络。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于南通大学，未经南通大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/202011020788.4/1.html，转载请声明来源钻瓜专利网。
