[发明专利]一种基于深度学习模型确定舌象样本库的方法和系统

权利要求书

1.一种基于深度学习模型确定舌象样本库的方法，其特征在于，所述方法包括：

步骤1、将舌象样本集中第i次标注的全部舌样本图像划分为训练集和测试集，并将第j个舌象特征转换成深度学习模型可识别的数据，其中，1≤i≤m，1≤j≤n，i、j的起始值为1，m、n均为自然数；

步骤2、进行深度学习模型的网络参数配置和求解参数配置；

步骤3、通过运行编写的模型训练脚本文件确定深度学习模型的准确率，当所述准确率低于设置的阈值时，令i＝i+1,转至步骤1，当所述准确率大于等于设置的阈值，且j＜n时，令i＝1,j＝j+1，转至步骤1，当所述准确率大于等于设置的阈值，且j＝n时，包括n个舌象特征标注结果的舌象样本集即为中医舌诊中的舌象样本库。

2.根据权利要求1所述的方法，其特征在于，所述方法在将舌象样本集中第i次标注的全部舌样本图像的第j个舌象特征转换成深度学习模型可识别的数据之前还包括：

采集若干舌样本图像，并筛除不符合标注需求的图像后生成舌象样本集，其中所述不符合标注需求的图像包括图像颜色偏差大于设定值，图像模糊、舌上有异物和舌头显示不全；

采用符合标注需求的显示装置呈现舌样本图像，并对所述图像的第j个舌象特征进行第i次标注，其中，所述符合标注需求的显示装置是指分辨率达到设置值的显示装置。

3.根据权利要求1所述的方法，其特征在于，所述舌象样本集中第i次标注的全部舌样本图像的第j个舌象特征均是在对舌象样本集中全部舌样本图像的第j个舌象特征进行第i-1次标注的基础上进行再次修正而形成的，其中，2≤i≤m，1≤j≤n，m、n均为自然数。

4.根据权利要求1所述的方法，其特征在于，所述将舌象样本集中第i次标注的全部舌样本图像划分为训练集和测试集，并将第j个舌象特征转换成深度学习模型可识别的数据包括：

将舌象样本集中的全部舌样本图像进行划分，其中一部分归属于训练集，剩下的部分归属于测试集；

将舌象样本集中第i次标注的全部舌样本图像的第j个舌象特征按照其特征的种类数量，为每一个种类分别设置一个标签，并以舌样本图像的名称为样本名称，以设置的标签为图像特征的方式分别制作训练集和测试集的文本文件；

将存放训练集和测试集的舌样本图像的两个文件夹与它们分别对应的文本文件都放在同一路径下；

利用图像格式转换工具将舌样本图像训练集和舌样本图像测试集转换深度学习模型要求的文件格式。

5.根据权利要求1所述的方法，其特征在于，所述进行深度学习模型的网络参数配置和求解参数配置包括：

设置网络参数中的网络基本结构，即输入层、输出层和中间层，网络模型和每个网络层的参数；

设置求解参数中的调用网络模型的参数，测试时间间隔，每次测试样本数量、优化算法选择、权重衰减项、训练最大迭代次数和运行模式。

6.一种基于深度学习模型确定舌象样本库的系统，其特征在于，所述系统包括：

样本制作单元，其用于将舌象样本集中第i次标注的全部舌样本图像划分为训练集和测试集，并将第j个舌象特征转换成深度学习模型可识别的数据，其中，1≤i≤m，1≤j≤n，i、j的起始值为1，m、n均为自然数；

参数设置单元，其用于进行深度学习模型的网络参数配置和求解参数配置；

模型训练单元，其用于通过运行编写的模型训练脚本文件确定深度学习模型的准确率，当所述准确率低于设置的阈值时，令i＝i+1,转至步骤1，当所述准确率大于等于设置的阈值，且j＜n时，令i＝1,j＝j+1，转至步骤1，当所述准确率大于等于设置的阈值，且j＝n时，包括n个舌象特征标注结果的舌象样本集即为中医舌诊中的舌象样本库。