[发明专利]一种基于深度学习的舌象仪舌象分割方法

权利要求书

1.一种基于深度学习的舌象仪舌像分割方法，其特征在于，包括如下步骤：

步骤1：使用图像采集装置进行舌象数据采集；

步骤2：对步骤1采集到的图像进行数据增强操作，扩大数据集数量，人为对扩大后数据集中的每个图像的舌体区域进行标注，并对标注后的数据集进行划分，划分为训练集、验证集与测试集；

步骤3：将步骤2中的训练集与验证集放入优化后的DeeplabV3+网络进行训练；

步骤4：利用步骤3中训练好的模型对步骤2中测试集进行预测，获得舌体图像的每个像素点的分类，与真实值进行对比，得到mIoU值衡量模型能力；

步骤5：对步骤4得到的像素点分类，进行新图创建与复制原图对应像素点，获得分割后的舌象。

2.根据权利要求1所述的一种基于深度学习的舌象仪舌像分割方法，其特征在于，采用分辨率为1920×1080的相机进行图像拍摄采集，采集范围为鼻梁中间以下，下颚以上。

3.根据权利要求1所述的一种基于深度学习的舌象仪舌像分割方法，其特征在于，对步骤1采集到的图像以一定概率随机进行-15度到+15度的随机图像旋转，图片镜像翻转，图片放大缩小，以此方法将数据集图像数量扩大至原集合四倍，将数据集按照81：9：1的比例划分为训练集、验证集与测试集。

4.根据权利要求1所述的一种基于深度学习的舌象仪舌像分割方法，其特征在于，步骤3所述优化后的DeeplabV3+网络是在DeeplabV3+网络的两个特征层的融合处加入CBAM空间通道注意力机制，不改变融合时的宽高和通道数。

5.根据权利要求4所述的一种基于深度学习的舌象仪舌像分割方法，其特征在于，步骤3具体为：将训练集尺寸设为512×512，程序自动放缩图片，并在空余部位填充像素默认值，输入改进的DeeplabV3+网络进行模型训练，使用BCE-Dice损失函数评估模型效果，得到训练好的模型。

6.根据权利要求1所述的一种基于深度学习的舌象仪舌像分割方法，其特征在于，步骤4具体为：输入测试集中的图像进入训练好的模型，模型读取图像后对读取图像进行自适应尺寸标准化处理，然后进行像素点分类，获得预测的像素点分类矩阵，mIoU评测函数读取文件路径中的真实值进行误差计算。

7.根据权利要求1所述的一种基于深度学习的舌象仪舌像分割方法，其特征在于，步骤5具体为：创建一幅新图像，获取分类为舌体的像素点的位置，获取对应位置的RGB值，复制到新图像的对应位置，得到只有舌体的分割图像。