[发明专利]藏医尿诊证型识别模型的训练方法、装置、设备及方法

权利要求书

1.藏医尿诊证型识别模型的训练方法，其特征在于，包括以下步骤：

S1、尿液图像采集：

在尿液的尿热阶段、尿温阶段和尿凉阶段均拍摄三张尿液图像；三张尿液图像分别为白色背景俯视图、白色背景侧视图和黑色背景侧视图；

S2、图像标记：

基于临床上7种藏医证型状态和1种健康状态，将尿诊证型的标签定义为3种基础证型，确定步骤S1所采集尿液图像的标签，每个尿液的九张图像和对应的标签作为一个样本；

S3、将若干样本作为样本集，输入网络模型进行样本训练，获得藏医尿诊证型识别模型。

2.根据权利要求1所述的藏医尿诊证型识别模型的训练方法，其特征在于，步骤S1中，尿液采用方形塑料透明杯进行采集。

3.根据权利要求1所述的藏医尿诊证型识别模型的训练方法，其特征在于，步骤S1中，对于不符合要求的图像不纳入数据集，不符合要求的图像包括提示重新拍摄角度不正确、较模糊的图像、提示重新拍摄有强烈反光的图像、对于图像中杯体被污染的图像和尿量少于容器1/5和多于4/5的图像。

4.根据权利要求1所述的藏医尿诊证型识别模型的训练方法，其特征在于，步骤S2中，7种藏医证型状态为隆型、赤巴型、培根型、隆赤巴型、隆培根型、赤巴培根型和混合型，3种基础证型为隆型、赤巴型和培根型，由医生对采集的尿液图像进行证型判断，确定图像标签。

5.根据权利要求1所述的藏医尿诊证型识别模型的训练方法，其特征在于，步骤S2中，还包括对图像进行预处理：

对原始图像进行数据增强处理，统一处理为224*224尺寸的图像，构建尿液图像数据集。

6.根据权利要求1所述的藏医尿诊证型识别模型的训练方法，其特征在于，步骤S3中，所述网络模型包括：

并行卷积模块，包括3个卷积神经网络，每个样本的9张输入图像中3个相同角度的图像经由同一个卷积神经网络处理获得特征图；

融合卷积模块，将并行卷积模块获得的特征图作为输入，经过反复卷积和池化后获得融合特征图；

尿液颜色特征提取层，将9张图像转换为HSV颜色空间，将图像在三个分量上的分布情况拼接并归一化得到尿液颜色特征向量，并连接到全连接模块；

尿液泡沫特征提取层，将尿热阶段和尿温阶段的白色背景俯视图作为输入，获取泡沫轮廓特征向量，并连接到全连接模块；

全连接模块，包括融合特征接收层、中间隐藏层和输出层；

所述融合特征接收层输入融合特征图，采用卷积核对来自融合卷积模块的数据进行卷积运算，获得输出结果值，再拼接上尿液颜色特征向量和尿液泡沫特征向量作为特征与中间隐藏层的神经元进行全连接生成数据；输出层用于输出3个证型类别特征值。

7.根据权利要求6所述的藏医尿诊证型识别模型的训练方法，其特征在于，步骤S3中，所述网络模型还包括反向传播迭代训练：

基于模型输出与实际标签的误差值，使用批量梯度下降的误差反向传播算法实现对网络中的参数进行迭代，完成模型参数训练。

8.一种藏医尿诊证型识别模型的训练装置，其特征在于，包括：

图像采集模块：用于采集尿液在尿热阶段、尿温阶段和尿凉阶段的图像，尿热阶段、尿温阶段和尿凉阶段均拍摄三张尿液图像；三张尿液图像分别为白色背景俯视图、白色背景侧视图和黑色背景侧视图；

图像标记和预处理模块：用于确定尿液图像的标签，并对原始图像进行数据增强处理，统一处理为224*224尺寸的图像；

训练模块：用于对样本集进行训练获得藏医尿诊证型识别模型，其中，每个尿液的九张图像和对应的标签作为一个样本，若干样本构成样本集。

9.一种藏医尿诊证型识别模型的训练设备，其特征在于，包括：

处理器；

存储器，其中存储有所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任一项所述的训练方法的步骤。

10.一种藏医尿诊证型识别模型的识别方法，特征在于，通过权利要求1-7任一项所述的训练方法训练生成的藏医尿诊证型识别模型进行识别，包括如下步骤：

步骤M1、采用权利要求1中步骤S1的方式采集图像作为样本；

步骤M2、将步骤M1获得的样本输入藏医尿诊证型识别模型，直接输出证型辨识结果。