[发明专利]用于判别角膜溃烂的深度学习模型的构建方法及其系统

权利要求书

1.用于判别角膜溃烂的深度学习模型的构建方法，其特征在于，包括以下步骤：

对角膜测试图像进行处理，得到角膜处理图像；

基于AlexNet和VGGNet训练得到两个深度学习模型并利用此两个深度学习模型分别对角膜处理图像进行识别，将识别率更高的作为第一深度学习模型；

调整第一深度学习模型的卷积层数，由调整前与调整后的第一深度学习模型分别对角膜处理图像进行识别，将识别率更高的作为第二深度学习模型；

用于调整第二深度学习模型的卷积核数，由调整前与调整后的第二深度学习模型分别对角膜处理图像进行识别，将识别率更高的作为第三深度学习模型；

用于调整第三深度学习模型的优化器模型，由调整前与调整后的第三深度学习模型分别对角膜处理图像进行识别，将识别率更高的作为最终判别模型。

2.根据权利要求1所述的用于判别角膜溃烂的深度学习模型的构建方法，其特征在于，对角膜测试图像进行处理，包括：

对角膜测试图像进行裁剪，以提取有效区域；所述有效区域为角膜测试图像中像素值不为零的区域；

对裁剪后的图像进行亮度以及对比度的随机调整，从而实现样本扩充。

3.根据权利要求2所述的用于判别角膜溃烂的深度学习模型的构建方法，其特征在于，对角膜测试图像进行裁剪，以提取有效区域，包括：

设立像素值阈值为X，逐行扫描角膜测试图像中像素；

获取的第一个像素值大于X的像素点的纵坐标，即为有效区域内最上方点A的纵坐标；

获取的最后一个像素值大于X的像素点的纵坐标，即为有效区域内最下方点C的纵坐标；

获取的第一个像素值大于X的像素点的横坐标，即为有效区域内最左方点B的横坐标；

获取的最后一个像素值大于X的像素点的横坐标，即为有效区域内最右方点D的横坐标；

沿A、C的横向，B、D的纵向进行裁剪，从而提取有效区域。

4.根据权利要求2所述的用于判别角膜溃烂的深度学习模型的构建方法，其特征在于，对裁剪后的图像进行亮度和对比度的随机调整，包括：基于公式g(x)＝a*f(x)+b调整亮度和对比度；其中，f(x)表示调整前的图像像素，g(x)表示调整后的图像像素，a为用于控制图像对比度的增益，b为用于控制图像亮度的偏置，a、b在每次调整中随机取值。

5.根据权利要求1所述的用于判别角膜溃烂的深度学习模型的构建方法，其特征在于，在调整第三深度学习模型的优化器模型中，所述优化器模型包括Adam优化器和RMSProp优化器。

6.根据权利要求3所述的用于判别角膜溃烂的深度学习模型的构建方法，其特征在于，所述X取值为20。

7.根据权利要求4所述的用于判别角膜溃烂的深度学习模型的构建方法，其特征在于，a的取值范围为[0.5,1.5]，b的取值范围为[-50,50]。

8.应用权利要求1-7任一所述的构建方法的深度学习模型构建系统，包括：

预处理模块，用于对角膜测试图像进行处理，得到角膜处理图像；

第一筛选模块，用于基于AlexNet和VGGNet训练得到两个深度学习模型并利用此两个深度学习模型分别对角膜处理图像进行识别，将识别率更高的作为第一深度学习模型；

第二筛选模块，用于调整第一深度学习模型的卷积层数，由调整前与调整后的第一深度学习模型分别对角膜处理图像进行识别，将识别率更高的作为第二深度学习模型；

第三筛选模块，用于调整第二深度学习模型的卷积核数，由调整前与调整后的第二深度学习模型分别对角膜处理图像进行识别，将识别率更高的作为第三深度学习模型；

第四筛选模块，用于调整第三深度学习模型的优化器模型，由调整前与调整后的第三深度学习模型分别对角膜处理图像进行识别，将识别率更高的作为最终判别模型。