[发明专利]一种基于深度学习的舌象体质辨别方法

权利要求书

1.一种基于深度学习的舌象体质辨别方法，其特征在于，所述方法部署在移动终端，所述方法包括：

获取待识别的舌象图像，使用训练好的改进的卷积神经网络GoogleNet模型对待识别的舌象图像进行识别，得到舌象的识别结果；

将舌象图像的识别结果在移动终端进行展示；

其中，改进的卷积神经网络GoogleNet模型的训练过如下：

获取舌象图像数据集，对舌象图像数据集进行增强处理得到舌象训练数据集，其中，增强处理包括同类增强和混类增强两种方式；

使用舌象训练数据集对改进的卷积神经网络GoogleNet模型进行训练，得到训练好的改进的卷积神经网络GoogleNet模型；

其中，改进的卷积神经网络GoogleNet模型改进部分包括：

模型的每一中间层做了标准化处理，有效避免了梯度消失和梯度爆炸，加快了网络收敛速度，优化了网络结构；

残差融入到Inception结构中，对Inception结构进行了改进优化，将输入特征与Inception结构输出的特征进行了特征融合，命名为Inception B；

将Inception模块中的3ⅹ3卷积分支分解为1ⅹ3和3ⅹ1卷积，将5ⅹ5卷积分解为3ⅹ3卷积和1ⅹ3，3ⅹ1卷积，并在每个分支后加入了Batch Normalization，有效减少了模型的参数量，命名为Inception C；

在GoogleNet原模型的基础上，保留了没有改进的Inception模块，将其命名为Inception A，把Inception A、Inception B和Inception C结构进行融合，应用到改进之后的GoogleNet网络模型中，浅层中加入Inception A模块，中层加入Inception B模块，深层加入Inception C模块，其中A和B模块分别用了两次，C模块对特征的提取和感知能力更强，所以用了五次。

2.根据权利要求1所述的方法，其特征在于，同类增强是指对相同标签的图像使用数据归一化、水平或垂直翻转、按照比例放大或缩小图像、随机旋转、随机错切变换、亮度变化以及像素填充方法进行数据集扩充，颜色也是舌象体质辨识中的重要特征，故不对舌象数据集做颜色通道方面的变换。

3.根据权利要求2所述的方法，其特征在于，混类增强的方式是为了解决样本数据集类间不平衡问题，混类增强方式对两类不同标签的样本数据进行混合，构建虚拟的训练样本丰富舌象数据集，其数学表达式如(1)所示：

其中(x_i，y_i)(x_j，y_j)是随机选取的两个样本及对应标签，λ为服从beta分布的随机数，且λ∈[0，1]。