基于机器学习的舌象体质分类

传统舌诊结果,大多是依靠医者的主观判断,且诊断结果会因外界因素而干扰,往往具有不可重复性。文中以舌象体质为着重点,参考前沿的机器学习神经网络理论,基于Inceptionv3构建舌象体质分类模型,取得了很高的识别率和计算效率,为中医舌诊体质分类客观化提供了良好的思路。     

基于PCA-AdaBoost的舌象颜色分类研究

舌诊是中医四诊的重要内容,为中医临床必察之项.古往今来,为名医者莫不精深于舌诊.颜色特征是诊断的重要特征,对其进行识别(分类)的好坏将直接影响舌诊诊断系统的准确性.利用主成分分析(PCA)的全局性,在HSV颜色空间中对舌象进行特征提取、降维,并通过AdaBoost把一系列弱分类器提升为强分类器,对舌象颜色进行了深入的分类研究.结果表明.此算法是有效的.     

基于舌图像多特征融合与机器学习的裂纹舌识别算法

舌裂纹是中医舌诊辨证施治的重要信息源,能够客观、准确地反映某些典型疾病和中医证候的变化。针对传统的裂纹舌诊断易受医生经验、环境变化等因素的影响,提出了基于舌图像多特征融合与机器学习的裂纹舌识别算法。首先,采用Grabcut方法对原始舌图像进行舌体分割;然后,提取图像基于灰度共生矩阵的纹理特征,基于低阶颜色矩的颜色特征,以及基于方向梯度直方图的形状特征;最后,将三类特征及其不同的组合形式分别输入四个经典的机器学习模型,完成裂纹舌识别。实验结果表明：多特征融合往往有助于提高机器学习模型的识别能力,尤其是融合三类特征的自适应提升树(AdaBoost)取得了几乎能与深度学习模型相媲美的识别效果：AUC为0.97,准确率为0.91,精确率为0.91。可见,提出的裂纹舌识别算法有助于传统中医舌诊的客观化、定量化和标准化。     

基于深度森林算法的慢性胃炎中医证候分类

针对中医问诊复杂性和非线性的特点,采用深度森林算法(gcForest)构建慢性胃炎中医问诊证候分类模型。利用gcForest分析慢性胃炎问诊数据,建立证候分类模型,并与DBN和DBM两种深度学习算法以及ML-KNN、BSVM、ECC、RankSVM、LIFT这5种多标记学习算法构建的模型进行比较。实验结果表明,该模型在多标记评价指标和单个证型的分类准确率上都优于其他算法,能有效地解决慢性胃炎中医问诊证候分类问题,通过该算法建立的模型分类效果良好,可以为慢性胃炎证候量化诊断研究提供参考。     

深度学习在医学图像识别中的应用研究

对宫颈的检查图像进行识别可以有效预防宫颈癌的发生,然而,正确分辨出患癌趋势的图像对人类来说是极难掌握的技术。使用深度学习方法对宫颈检查图像进行识别分类,以辅助人类专家做出诊断;首先对图像进行手动裁剪来增大信噪比,把原始图像进行格式转换来提高数据读取效率,并在图像输入模型之前进行随机变换以增大训练集;然后建立CNN模型,进行训练并调整参数;最后在测试集上分类准确率达到了89.1%,结果表明,使用深度学习辅助专家进行宫颈癌的早期诊断是可行的。     

基于深度学习的车标识别算法的研究与实现

依据深度学习算法可以自主进行特征学习和识别的特点,提出一种基于Keras深度学习框架的车标识别算法。将该方法将ResNet50和Inception V3两模型相结合构建训练网络,以此建立分类器对车标图像进行识别。实验结果表明,该方法与传统的卷积神经网络分类进行比对,提高了车标识别的准确率。     

融于图像多特征的路面裂缝智能化识别

路面裂缝形状不规则复杂程度高。传统路面裂缝识别技术需要对路面图像进行复杂预处理工作进行识别,不能自动化对路面裂缝图像进行分类。为提高对路面裂缝识别精度和效率,本文将基于深度学习方法提出一种自动识别路面裂缝并能减少图像预处理工作量的方法。首先,将原始图像切割为小样本图像,根据图像多特征进行分类,各选取相同类型样本2000张图像构建数据集;其次,利用双线性内插法对裁剪后图像进行上采样,凸显图像特征便于神经网络学习;最后,使用深度学习神经网络对训练样本进行特征提取训练模型。实验结果表明：ResNet101模型评估指标均优于其他深度学习模型和机器学习模型,模型测试精度达0.898,kappa系数为0.815。     

基于深度学习的碳酸盐岩颗粒分类识别

针对碳酸盐岩微相分析受人工鉴定经验性和主观性影响,使得传统方法难以准确、客观判识颗粒类型等问题。由此,本文作者提出一种基于深度学习的碳酸盐岩颗粒显微图像识别方法,并以ResNet50为基础网络框架,通过制作数据集、训练模型、预测分类等步骤,设计了一个碳酸盐岩主要颗粒类型自动分类识别模型。利用该模型对生物碎屑、内碎屑、包粒、球粒和团块5种颗粒进行分类识别,再采用混淆矩阵进行评价,结果显示识别准确率达到95%。不仅为碳酸盐岩微相分析提供了新方法,也为深度学习应用于实际碳酸盐岩颗粒分类识别提供了可行性论证,具有一定的实用价值。     

小样本学习在高分遥感影像分类与识别中的应用

遥感影像分类与识别是近年来深度学习以及图像分类与识别研究的热点,其中一个关键问题是因样本数据集的数据较少而极易出现过拟合。许多图像分类的模型和方法并不完全适用于遥感影像分类,将小样本学习与遥感影像处理结合起来,实现遥感影像数据增强和识别模型优化是一个可行的思路。根据小样本学习的发展现状,针对特征提取、模型分类方法,归纳总结了典型学习方法的原理及其在相关领域的应用; 分析遥感影像处理的现状和存在问题,基于适用场景、优缺点对各方法进行了比较; 通过分析小样本学习在高分遥感影像分类与识别上的应用,发现引入注意力机制和迁移学习后,小样本学习能够用于样本数据量小的遥感影像分类。     

基于改进型深度网络数据融合的滚动轴承故障识别

针对传统智能诊断方法依赖于信号处理和故障诊断经验提取故障特征以及模型泛化能力差的问题,基于深度学习理论,提出将卷积神经网络算法结合softmax分类器,针对数据集不平衡问题引入加权损失函数、正则化以及批量归一化等模型优化技术搭建适于滚动轴承故障诊断的改进型深度卷积神经网络模型。模型从原始实测轴承振动信号出发逐层学习实现特征提取与目标分类。实验结果表明,优化后的深度学习模型可实现对早期微弱故障、不同程度故障的精确识别,在不平衡数据集上也可达到95%的识别准确率,并且模型拥有较快的收敛速度和较强的泛化能力。