[发明专利]基于机器学习的粪水性状识别方法及系统、手持智能设备

说明书

本发明公开了一种基于机器学习的粪水性状识别方法，该方法包括获取待识别的粪水图像；基于多阈值的边缘检测法对待识别的粪水图像进行分割，提取粪水图像的粪水区域图像；根据预置的卷积神经网络模型对粪水区域图像的图像特征进行提取生成粪水性状特征；通过存储有粪水性状数据库的匹配模型对所述粪水性状特征进行判断，若粪水性状特征与所述粪水性状数据库未匹配，则输出用于提示肠道清洁度合格的结果。

技术领域

本发明涉及机器学习技术领域，尤其涉及一种基于机器学习的粪水性状识别方法及系统、手持智能设备。

背景技术

目前，患者在行胃肠镜检查前，需要做好肠道准备，即服用泻药后排出的粪水要澄清无粪渣，患者先自行根据标准图对比检查，之后由医护人员再次检查。待医护人员判断肠道清洁度为良好时，患者才可以行胃肠镜检查。但是，这种检查方式就会使得医护人员工作量大，尤其当患者未能自行准确判断肠道清洁度时，则医患双方需再次重复之前的准备工作，这不仅降低了医护人员的工作效率，更让患者来回奔波，耽误了胃肠镜检查的时间。

目前，现有的对粪水自动化检查的方式大多由传统的机器学习方法提取特征，通过线性回归或者SVM与样本图逐一比对，从而进行识别。但是，这种机器学习方法存在识别效果差，特征提取不完全的情况。并且，在对特征的提取大多数都是集中在图片的某一方面，比如仅对图像颜色进行提取分析、仅对性状进行特征提取分析，由此会产生失去图像各个部分的联系，无法准备判断粪水的实际情况。

发明内容

本发明所要解决的技术问题在于，提供一种基于机器学习的粪水性状识别方法，能够有效且全面地提取出粪水性状的特征，有利于对粪水进行准确地识别，患者在家或在病房就可以独立完成，既降低了医护人员的工作量，也减少了患者来回奔波的次数，节省了胃肠镜前的准备时间。

为了解决上述技术问题，本发明第一方面公开了一种基于机器学习的粪水性状识别方法，所述方法包括：获取待识别的粪水图像；基于多阈值的边缘检测法对所述待识别的粪水图像进行分割，提取所述粪水图像的粪水区域图像；根据预置的卷积神经网络模型对所述粪水区域图像的图像特征进行提取生成粪水性状特征；通过存储有粪水性状数据库的匹配模型对所述粪水性状特征进行判断，若所述粪水性状特征与所述粪水性状数据库未匹配，则输出用于提示肠道清洁度合格的结果。

在一些实施方式中，基于多阈值的边缘检测法对所述待识别的粪水图像进行分割，包括：利用高斯函数平滑所述待识别的粪水图像；计算所述待识别的粪水图像各个方向的梯度值；过滤所述各个方向的梯度值的非最大值；通过设定的高阈值采集所述待识别的粪水图像边缘信息，通过设定的低阈值和所述边缘信息生成轮廓图；根据所述轮廓图对所述待识别的粪水图像进行分割。

在一些实施方式中，所述卷积神经网络模型包括多个不同结构、不同初始化的卷积神经网络模型，所述预置的卷积神经网络模型的生成方法包括：获取粪水性状的标准图生成图像训练集和样本图像测试集；通过所述图像训练集和所述样本图像测试集对卷积神经网络模型进行训练生成卷积神经网络模型；将多个训练生成的卷积神经网络模型进行结果平均生成预置的卷积神经网络模型。

在一些实施方式中，通过存储有粪水性状数据库的匹配模型对所述粪水性状特征进行判断，包括：对所述粪水性状特征通过感知哈希算法与存储有粪水性状数据库的图像逐一对比。

在一些实施方式中，在通过存储有粪水性状数据库的匹配模型对所述粪水性状特征进行判断，若所述粪水性状特征与所述粪水性状数据库未匹配，之后还包括：通过预置的卷积神经网络模型对所述粪水性状特征的有效性进行判断，若所述粪水性状特征有效，则输出用于提示肠道检查准备的结果。

在一些实施方式中，还包括：获取人工判断结果，其中，所述人工判断结果包括扩展图像集；根据所述扩展图像集对所述图像训练集进行扩展，利用扩展后的图像训练集对卷积神经网络模型进行训练。