深度学习在舌象分类中的研究综述

随着技术的快速发展和计算能力的提高,深度学习在舌象分类领域将得到广泛的应用。舌诊图像的舌象分类是中医舌诊客观化的重要组成部分。传统的舌诊是在基础理论的指导下,借助个人经验所做出的理解和判断,因而会具有一定的差异性和模糊性,影响诊断的可重复性。为了减少主观判断的误差,许多研究人员致力于通过深度学习实现中医舌诊的客观化、定量化和自动化。主要对基于深度学习的舌象分类方法研究现状进行分析梳理和归纳总结。在舌象分类研究中,以各类深度学习方法作为研究对象,将其划分为基于早期神经网络、卷积神经网络、区域卷积神经网络、迁移学习以及其他方法进行总结分析;对舌诊中的中医证候和疾病以及体质分类进行了讨论;用Kaggle上的公开舌诊数据集进行5折交叉验证实验,数据集为小样本齿痕舌,评估了基于深度学习和迁移学习分类方法;对舌诊图像质量、构建数据集方式、特征提取、单标签和多标签分类的研究发展进行了探讨和展望。     

基于颜色特征的常见舌质舌苔分类识别

舌质、舌苔的自动分类识别是中医舌诊客观化的重要内容。针对6种常见的舌质、舌苔类型,基于其不同的颜色特征实现分类。舌象采集过程中,多种因素会引起图像颜色偏差,采用多项式回归的方法实现颜色校正。采用内积阈值和颜色聚类两种方法实现了舌体的分割,保留舌质、舌苔有效信息。最后针对舌象分类自身的特点,引入权值改进算法模型,使分类准确率得到了明显的提升。     

基于深度迁移学习的舌象特征分类方法研究

舌象分析是计算机视觉技术在中医望诊的客观化、定量化应用研究中的一个重要课题,其中2个关键步骤是舌体分割和舌象分类.通过级联分类器在原始图像上实现自动舌体定位,再将分割后的舌体图像在GoogLeNet和ResNet上进行深度迁移学习训练,用得到的深度网络对齿痕、裂纹和舌苔厚薄3种主要舌象特征进行分类.从中医医疗机构中获取2245幅舌体图像建立数据集,对齿痕、裂纹和舌苔厚薄3类舌体图像进行分类实验,结果表明,所提方法分类性能优于传统的舌体图像特征分类方法,验证了基于深度迁移学习的舌象特征分类方法的有效性.     

基于样本增强的加密应用流量识别方法

为解决网络流量数据类别不平衡导致的小类别样本识别率不高问题,提出利用基于样本增强方法平衡流量数据集,提升加密网络流量分类性能。首先,在生成对抗网络中使用深层卷积网络优化生成器,通过生成器与判别器迭代对抗训练,不断优化损失。其次,利用该生成模型扩展公开数据集中的小类别数据,使得数据集类间均衡。最后设计了一种一维卷积神经网络模型,充分挖掘流量中“会话-数据包-字节”层次结构特征,进行加密流量的应用分类。结果表明,平衡后的数据集分类效果相对于原始数据集提高3%左右,准确率达到97.86%。     

基于多任务卷积神经网络的舌象分类研究

针对现有技术难以并行实现舌象多标签的高效分类和识别,难以利用标签间的相关性进行综合分析等问题,提出了一种基于多任务卷积神经网络的舌象分类方法,构建了一种多任务联合学习模型,尝试实现传统中医舌诊中对舌色、苔色、裂纹和齿痕等多个标签的同时辨识。首先,在共享网络层对所有标签进行联合学习,从特征提取的角度自动挖掘和利用标签间的相关性;然后,在不同子网络层分别完成特定类别的学习任务,从而消除多标签分类中的歧义性;最后,训练多个Softmax分类器以实现对所有标签的并行预测。研究表明,所提方法能以端到端的方式同时提取舌象的多个特征并直接进行分类识别,在各分类评价指标上的最低值约为0.96,多任务的总体识别时间为34ms,因此该方法在精度和速度上均具有明显优势。     

一种中医舌象的舌质舌苔分离方法*

舌诊是中医诊法最重要的特色之一,舌诊客观化研究有助于舌诊的继承和发展。根据舌象的特点,分析并处理了舌象的色度直方图,提出了自动确定颜色类别数和初始聚类中心的算法,并在改进模糊聚类算法的基础上提出了一种彩色舌图像舌质舌苔分离方法。实验结果表明,与标准模糊聚类算法相比,该算法极大地加快了聚类迭代速度,减少了系统运算时间;相对于阈值分割法,能够获得更加符合中医要求的苔质分离效果。     

基于人工神经网络的彩色校正方法研究

中医舌象的物理特性主要反映在舌体的颜色上 ,而如何进行颜色的测量以及如何在不同设备间保持色彩的一致性和重复性 ,即彩色校正是研制中医舌象分析仪必须解决的难题 .该文简要介绍了中医舌象分析仪的系统结构 ,同时讨论了照明光源的选择和设计 ,最后提出了采用神经网络进行彩色校正的方法     

中医舌象样本分类中加权SVM的应用研究

SVM在机器学习领域中是一种通用有效的学习方法,在中医舌象分类中取得了一定的效果。但是由于各类舌象样本的数量不均衡,标准SVM方法对于这一问题的解决尚不尽人意。针对这一问题,本研究将加权SVM方法应用于大量舌色苔色样本的分类中,根据各类样本的相对重要性,加大或减小其惩罚项,在保证非重要样本的识别正确率可以接受的情况下,尽量提高重要样本的识别正确率。实验结果表明,该方法在不均衡舌象样本的分类中能取得较好的效果。     

一种类平衡和CNN结合的网络入侵检测方法

针对现有的海量非平衡数据集中少数类别样本入侵检测率低的问题，提出一种类平衡算法与卷积神经网络相结合的网络入侵检测方法。该方法使用ROS(Random Over Sampler)对少数类样本进行过采样，利用高斯混合模型GMM(Gaussian Mixture Model)对多数类样本进行聚类欠采样，进而在平衡的数据集上通过CNN来学习网络流量数据中的高维特征，利用Softmax回归对数据进行分类。利用原始的未经平衡处理的数据集以及经过不同类平衡算法处理的CICIDS2017数据集分别对模型进行验证测试。结果表明，该方法在保持较高的整体检测率的同时，对少数类别样本的检测率有了更高的提升，从而验证了该方法具有较好的实用价值。     

基于差分孪生卷积神经网络的大规模不平衡数据分类算法

传统基于支持向量机的不平衡数据分类算法包含矩阵运算,无法应用于大规模的不平衡数据集。针对这种情况,提出基于差分孪生卷积神经网络的大规模不平衡数据分类算法。设计差分卷积机制增强卷积神经网络的深度结构表示能力,在不改变滤波器数量的情况下提高模型的判别能力。通过差分孪生卷积神经网络分别优化每个类的特征图,每个类关联多个超平面,根据输入样本与超平面的距离决定输出样本的类标签。基于多组不平衡数据集的实验结果表明,该算法实现了较好的分类性能。     

基于双池化特征加权结构CNN的图像分类

传统的池化方式会造成特征信息丢失,导致卷积神经网络中提取的特征信息不足。为了提高卷积神经网络在图像分类过程中的准确率,优化其学习性能,本文在传统池化方式的基础上提出一种双池化特征加权结构的池化算法,利用最大池化和平均池化2种方式保留更多的有价值的特征信息,并通过遗传算法对模型进行优化。通过训练不同池化方式的卷积神经网络,研究卷积神经网络在不同数据集上的分类准确率和收敛速度。实验在遥感图像数据集NWPU-RESISC45和彩色图像数据集Cifar-10上对采用几种池化方式的卷积神经网络分类结果进行对比验证,结果分析表明：双池化特征加权结构使得卷积神经网络的分类准确率有很大程度的提高,同时模型的收敛速度得到进一步提高。     

煤矸石图像分类方法

针对人工排矸法、机械湿选法、γ射线分选法等传统煤矸石分选方法无法兼顾快速高效性、安全无害性、简单操作性的问题,提出了基于机器视觉的煤矸石图像分类方法。对煤矸石图像进行增强、平滑去噪等预处理,采用基于距离变换的分水岭算法实现煤矸石图像分割提取。针对煤矸石分割图像,选取煤矸石图像的HOG特征及灰度共生矩阵,分别以支持向量机、随机森林、K近邻算法作为分类器进行基于特征提取的煤矸石分类识别;分别建立浅层卷积神经网络和基于ImageNet数据集预训练的VGG16网络,进行基于卷积神经网络的煤矸石分类识别。研究结果表明,基于VGG16网络的煤矸石图像分类方法准确率最高为99.7%,高于基于特征提取方法的91.9%和基于浅层卷积神经网络方法的92.5%。     

高光谱图像小样本分类的卷积神经网络方法

目的 与传统分类方法相比,基于深度学习的高光谱图像分类方法能够提取出高光谱图像更深层次的特征。针对现有深度学习的分类方法网络结构简单、特征提取不够充分的问题,提出一种堆叠像元空间变换信息的数据扩充方法,用于解决训练样本不足的问题,并提出一种基于不同尺度的双通道3维卷积神经网络的高光谱图像分类模型,来提取高光谱图像的本质空谱特征。方法 通过对高光谱图像的每一像元及其邻域像元进行旋转、行列变换等操作,丰富中心像元的潜在空间信息,达到数据集扩充的作用。将扩充之后的像素块输入到不同尺度的双通道3维卷积神经网络学习训练集的深层特征,实现更高精度的分类。结果 5次重复实验后取平均的结果表明,在随机选取了10%训练样本并通过8倍数据扩充的情况下,Indian Pines数据集实现了98.34%的总体分类精度,Pavia University数据集总体分类精度达到99.63%,同时对比了不同算法的运行时间,在保证分类精度的前提下,本文算法的运行时间短于对比算法,保证了分类模型的稳定性、高效性。结论 本文提出的基于双通道卷积神经网络的高光谱图像分类模型,既解决了训练样本不足的问题,又综合了高光谱图像的光谱特征和空间特征,提高了高光谱图像的分类精度。     

高分辨卫星图像卷积神经网络分类模型

目的 卫星图像往往目标、背景复杂而且带有噪声,因此使用人工选取的特征进行卫星图像的分类就变得十分困难。提出一种新的使用卷积神经网络进行卫星图像分类的方案。使用卷积神经网络可以提取卫星图像的高层特征,进而提高卫星图像分类的识别率。方法 首先,提出一个包含六类图像的新的卫星图像数据集来解决卷积神经网络的有标签训练样本不足的问题。其次,使用了一种直接训练卷积神经网络模型和3种预训练卷积神经网络模型来进行卫星图像分类。直接训练模型直接在文章提出的数据集上进行训练,预训练模型先在ILSVRC（the ImageNet large scale visual recognition challenge）-2012数据集上进行预训练,然后在提出的卫星图像数据集上进行微调训练。完成微调的模型用于卫星图像分类。结果 提出的微调预训练卷积神经网络深层模型具有最高的分类正确率。在提出的数据集上,深层卷积神经网络模型达到了99.50%的识别率。在数据集UC Merced Land Use上,深层卷积神经网络模型达到了96.44%的识别率。结论 本文提出的数据集具有一般性和代表性,使用的深层卷积神经网络模型具有很强的特征提取能力和分类能力,且是一种端到端的分类模型,不需要堆叠其他模型或分类器。在高分辨卫星图像的分类上,本文模型和对比模型相比取得了更有说服力的结果。     

A Compact Convolutional Neural Network Augmented with Multiscale Feature Extraction of Acquired Monitoring Data for Mechanical Intelligent Fault Diagnosis

Considering all the monitoring data of bearings until failure, very few data are acquired when the bearings are faulty. Such circumstance leads to small faulty sample problem when an intelligent fault diagnosis method is applied. A deep neural network trained with small samples cannot be trained completely, and tends to overfit, which results in poor performance in practical application. To solve this problem, a compact convolutional neural network augmented with multiscale feature extraction is proposed in this paper. Multiscale feature extraction unit is introduced to extract features at different time scales without adding convolution layers, which can reduce the depth of the network while ensuring classification ability and alleviating the overfitting problem caused by the network being too complicated. Besides, a specially designed compact convolutional neural network synthetically analyzes the multiscale features. By combing these two tricks, the proposed neural network can extract more sensitive features with a relatively shallow structure, which increases classification accuracy under small samples. Dropout technique is also used to prevent the network from overfitting. Effectiveness of the proposed method is verified by three bearing datasets. Experiments show that this network can achieve competitive results with limited training samples even with different load and mixed rotating speed.     

中医舌诊系统中智能推理可信度的研究

中医舌诊是一个极其复杂的过程,是以舌症彩色图像的识别为主,并综合考虑脉象和其它临床数据的中医医疗诊断方法.可信度方法是人工智能领域的一种不确定推理方法,它通过量化不确定知识将不确定信息确定化,被广泛用于处理各种随机不确定信息.通过融合模糊逻辑推理、神经网络技术及可拓学方法,研究了一种基于竞争神经网络的中医舌诊智能推理模型,以VC 6.0和SQL Server2000为开发工具,实现了对中医专家诊断推理过程的模拟.并在推理过程中嵌入了可信度的评价体系,对输入模式信息和专家经验信息的关系引入了可信度度量,借鉴贝叶斯理论方法对神经网络的推理结果的可信度进行了研究,从而使诊断准确率大大提高,且系统使用简洁、方便.     

一种新的MLBP-Otsu算法及在舌裂纹分割中的应用

中医舌诊中只有精确、完整地分割出舌裂纹,才能准确地对舌裂纹信息进行定量化的特征表示与描述,而目前少有方法能达到此要求。为此,提出了一种新颖的基于改进的局部二值模式（Local Binary Pattern,LBP）算子与Otsu阈值分割技术相结合的舌裂纹分割算法（MLBP-Ostu算法）。根据舌裂纹的纹理特征对传统LBP的模式分类方法进行重定义;引入一个粗糙度度量因子[R],如某区域的[R]值偏小或偏大,则把其归类为非裂纹区,不进行LBP特征值计算;利用Otsu方法对前面得到的LBP特征图进行阈值分割,从而得到舌裂纹的二值图像。实验结果表明,该算法能较精确、完整地分割出舌裂纹,并且不需要预先分割出舌体区域,为将来舌诊的定量化研究及临床应用提供了有效手段。     

提高小样本高光谱图像分类性能的变维卷积神经网络

目的 为了解决基于卷积神经网络的算法对高光谱图像小样本分类精度较低、模型结构复杂和计算量大的问题,提出了一种变维卷积神经网络。方法 变维卷积神经网络对高光谱分类过程可根据内部特征图维度的变化分为空—谱信息融合、降维、混合特征提取与空—谱联合分类的过程。这种变维结构通过改变特征映射的维度,简化了网络结构并减少了计算量,并通过对空—谱信息的充分提取提高了卷积神经网络对小样本高光谱图像分类的精度。结果 实验分为变维卷积神经网络的性能分析实验与分类性能对比实验,所用的数据集为Indian Pines和Pavia University Scene数据集。通过实验可知,变维卷积神经网络对高光谱小样本可取得较高的分类精度,在Indian Pines和Pavia University Scene数据集上的总体分类精度分别为87.87%和98.18%,与其他分类算法对比有较明显的性能优势。结论 实验结果表明,合理的参数优化可有效提高变维卷积神经网络的分类精度,这种变维模型可较大程度提高对高光谱图像中小样本数据的分类性能,并可进一步推广到其他与高光谱图像相关的深度学习分类模型中。