[发明专利]一种基于yolov5的皮肤科非处方药售药方法

权利要求书

1.一种基于yolov5的皮肤科非处方药售药方法，其特征在于，包括以下步骤：

步骤1、采集皮肤病原始图像并进行预处理，提取各类皮肤病特征值；

步骤2、使用数据集标注软件labelimg对步骤1中得到的特征值进行人工标注，得到每张图片中的皮肤病类别信息以及坐标信息；

步骤3、将步骤2中得到的皮肤病类别信息以及坐标信息输入yolov5深度学习检测网络并进行训练；

步骤4、采集患者患病处照片，输入步骤3中训练好的yolov5检测网络中进行检测，判断出相应皮肤病的类型；

步骤5、利用概率数据关联将步骤4中判断出的皮肤病类型与对应药物进行链接并向患者展示。

2.如权利要求1所述的一种基于yolov5的皮肤科非处方药售药方法，其特征在于，所述步骤1中采集到的图片分辨率大小为2560×1920，采集到的皮肤病类型包括疱疹、脓包型痤疮、粉刺、皮炎湿疹、毛囊炎和蚊虫叮咬等六类皮肤病。

3.如权利要求1所述的一种基于yolov5的皮肤科非处方药售药方法，其特征在于，所述步骤1中的预处理具体为：首先利用图像锐化得到更陡峭、清晰的图像边缘信息，然后利用平滑滤波抑制噪声，最后利用边缘检测算子进行阈值化处理，以确定突出的边缘信息。

4.如权利要求1所述的一种基于yolov5的皮肤科非处方药售药方法，其特征在于，所述步骤3具体包括以下步骤：

步骤3.1、将步骤2中得到的皮肤病类别信息以及坐标信息的VOC格式数据转化为yolov5格式的数据集；

步骤3.2、将yolov5格式的数据集以6:2:2的比例划分为训练集、测试集、验证集；

步骤3.3、进行一个copy或move的指令进行数据集重构，即可训练皮肤病yolov5检测网络。

5.如权利要求1所述的一种基于yolov5的皮肤科非处方药售药方法，其特征在于，所述步骤3具体中的yolov5深度学习检测网络分为输入端、Backbone、Neck和输出端四个部分，输入端采用Mosaic数据增强的方式，包括自适应锚框计算和自适应图片缩放；Backbone中包括Focus结构、两种CSP结构；Neck采用FPN+PAN的结构；输出端采用GIOU_Loss做Boundingbox的损失函数。

6.如权利要求1所述的一种基于yolov5的皮肤科非处方药售药方法，其特征在于，所述步骤5中的概率数据关联为Apriori关联算法。