一种基于深度神经网络的面象中医体质辨识方法

1.本发明涉及图像技术领域，尤其是涉及一种基于深度神经网络的面象中医体质辨识方法。


背景技术：

2.中医体质辨识是中医治未病与健康管理的重要组成部分，可以为疾病风险预警和身体健康评测提供导向，将体质辨识应用于健康体检，有利于全面了解个人及群体身体健康状况，全方位实施健康管理方案，从而促进全民身体素质的提升。所以通过智能化中医体质辨识来分析人的体质，可以对其健康状况有一定了解，预测一些可能会出现的健康风险，以便提前采取预防措施，真正做到“治未病”。
3.目前，传统中医体质辨识采用调查问卷的方法，但是调查问卷有很大的主观性，个体很难做出客观的选择，且量表的问题较多，结果计算起来比较复杂，需要耗费大量的时间，同时也会影响判断的准确性。随着深度学习的发展使得中医体质辨识客观化成为现实，而面诊是中医望诊的一个重要组成部分，是中医诊断的一种独特的方法。体质辨识中不同体质类型具有不同的面部表现特征，例如阴虚体质的人往往具有红微干，皮肤偏干、易生皱纹等特征。对不同的体质类型来说，由于面部的颜色和纹理等信息能够真实反应个体的健康状态，因而可以通过面诊对体质进行分类。
4.随着机器学习、深度学习等人工智能方法的普及，尤其是计算机技术在中医学的大量应用，中医学的发展进入了一个新的阶段。标准化、定量化、客观化成为了现代中医面诊的发展方向。面诊客观化为中医体质的辅助辨识提供了一个新的思路。如果能够拍摄个体的面部图像，以数字图像形式存储，再结合人工智能技术就可以实现基于面像的智能化中医体质辨识，从而能够获得更加客观和准确的结果。而现阶段利用机器学习、深度学习等人工智能技术进行面部图像识别已经趋于成熟，一些学者对面部图像进行肤色检测和颜色、纹理特征提取，利用模式识别方法对不同面象进行分类，最后得到体质辨识结果。考虑到传统人工提取面部特征的复杂性以及面部区域分割的准确性问题，深度学习因其自动提取特征的优势被应用于体质辨识中，有学者采用卷积神经网络的各种模型来进行面部体质辨识。
5.但是，还存在以下问题，第一，没有通用的标准数据，在同一模型上进行验证面部体质分类的准确性；
6.第二，传统的人工设计特征对面部体质图像的表示能力不足。
7.第三，基于深度网络特征进行体质辨识的准确率不高。
8.第四，对有限的面部体质图像数据集来说，网络浅的卷积神经网络可能过于笼统，不能捕获这些图像之间细微差异。具有很大深度的卷积神经网络则可能对微妙的差异很敏感，无法捕捉这些图像之间的一般相似性。


技术实现要素：

9.本发明的目的是提供一种基于深度神经网络的面象中医体质辨识方法，建立的msrb-resnet模型可以更好的提取面象特征，显著提高体质辨识模型的准确率。
10.为实现上述目的，本发明提供了一种基于深度神经网络的面象中医体质辨识方法，包括以下步骤：
11.s1、体质数据和面部数据采集；
12.s2、对采集的数据进行标签标注，构建面部体质数据集；
13.s3、面部体质数据集预处理；
14.s4、构建msrb-resnet模型。
15.优选的，步骤s1中，体质数据通过中医体质问卷调查采集，面部数据在光线明亮的自然条件下采集。
16.优选的，步骤s2中，体质类型包括平和质、气虚质、阳虚质、阴虚质、痰湿质、湿热质、血瘀质、气郁质、特禀质。
17.优选的，步骤s2中，对采集的数据进行标签标注，构建面部体质数据集具体包括：
18.判定方法：
19.通过回答问卷中的全部问题，每一问题按5级评分，计算原始分m及转化分c，依标准判定体质类型，原始分m计算公式如下：
[0020][0021]
其中，j为条目数；pi为条目数为i时对应的分数；
[0022]
转化分c计算公式如下
[0023]
c＝(m-j)/4j*100
[0024]
判定标准：
[0025]
平和质为正常体质，其他8种体质为偏颇体质。
[0026]
优选的，步骤s3中，面部体质数据集预处理具体包括：
[0027]
s31、将图片尺寸统一裁剪为224
×
224，从而准确的提取出面部区域图像；
[0028]
s32、采用图像翻转和旋转的方法对面部图像进行扩增，使数据集的分布均衡，提高训练效果，增强模型的泛化性和鲁棒性。
[0029]
优选的，步骤s4中，构建msrb-resnet模型，具体如下：
[0030]
s41、focus替换策略，将原始的224
×
224
×
3的图像输入focus结构中，先采用切片操作将四个块做叠加变成112
×
112
×
12的特征图，再经过一次卷积操作，最终变成112
×
112
×
32的特征图；
[0031]
s42、残差设计，将每个残差主干网络上的第1个3
×
3的卷积层替换成1
×
1的卷积层，最终组成1
×
1和3
×
3，5
×
5，7
×
7并联相加融合特征的残差结构；
[0032]
s43、残差堆叠设计，多尺度残差增加特征的抽象能力，将3、4、6和3个残差模块改为1、1、1和1个残差模块；
[0033]
s44、添加激活函数，每个残差的后面引入relu激活函数；
[0034]
s45、引入注意力机制，每个残差块后加入eca注意力机制模块，加强通道特征。
[0035]
因此，本发明采用上述一种基于深度神经网络的面象中医体质辨识方法，其技术效果如下：
[0036]
(1)进行了focus切片替换，扩充了通道，防止特征信息丢失；
[0037]
(2)添加了多尺度特征融合模块，使面部特征得到不同卷积核尺寸的提取；
[0038]
(3)减少了残差层的堆叠，使模型训练参数大大减少，提升了模型的性能；
[0039]
(4)添加了激活函数，增强特征的非线性表示，增大特征的利用率；
[0040]
(5)引入了eca注意力机制，在不增加网络深度和宽度的情况下，显著提高了模型的准确率。
[0041]
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
[0042]
图1为本发明一种基于深度神经网络的面象中医体质辨识方法的切片操作；
[0043]
图2为本发明一种基于深度神经网络的面象中医体质辨识方法的inception结构图；
[0044]
图3为本发明一种基于深度神经网络的面象中医体质辨识方法的eca注意力机制图；
[0045]
图4为本发明一种基于深度神经网络的面象中医体质辨识方法的改进的resnet模型结构；
[0046]
图5为本发明一种基于深度神经网络的面象中医体质辨识方法的测试集的混淆矩阵；
[0047]
图6为本发明一种基于深度神经网络的面象中医体质辨识方法各网络损失值和top-1准确率对比图；
[0048]
图7为本发明一种基于深度神经网络的面象中医体质辨识方法各网络使用预训练权重的损失值和top-1准确率对比图；
[0049]
图8为本发明一种基于深度神经网络的面象中医体质辨识方法的流程图。
具体实施方式
[0050]
以下通过附图和实施例对本发明的技术方案作进一步说明。
[0051]
除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
[0052]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的主旨或基本特征的情况下，能够以其它的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
[0053]
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其它实施方式。这些其它实施方式也涵盖在本发明的保护范围内。
[0054]
还应当理解，以上所述的具体实施例仅用于解释本发明，本发明的保护范围并不限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明/发明的保护范围之内。
[0055]
对于相关领域普通技术人员已知的技术、方法和设备可能不作为详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
[0056]
本发明说明书中引用的现有技术文献所公开的内容整体均通过引用并入本发明中，并且因此是本发明公开内容的一部分。
[0057]
实施例一
[0058]
一种基于深度神经网络的面象中医体质辨识方法，如图8所示，包括以下步骤：
[0059]
s1、体质数据和面部数据采集；
[0060]
s2、对采集的数据进行标签标注，构建面部体质数据集；
[0061]
s3、面部体质数据集预处理；
[0062]
s4、构建msrb-resnet模型。
[0063]
步骤s1中，体质数据通过中医体质问卷调查采集，面部数据在光线明亮的自然条件下采集。
[0064]
步骤s2中，体质类型包括平和质、气虚质、阳虚质、阴虚质、痰湿质、湿热质、血瘀质、气郁质、特禀质。
[0065]
中医体质类型对应的面部特征描述如表1所示。
[0066]
表1九种体质面部特征描述
[0067][0068][0069]
步骤s2中，对采集的数据进行标签标注，构建面部体质数据集具体包括：
[0070]
判定方法：
[0071]
通过回答问卷中的全部问题，每一问题按5级评分，计算原始分m及转化分c，依标准判定体质类型，原始分m计算公式如下：
[0072][0073]
其中，j为条目数；pi为条目数为i时对应的分数；
[0074]
转化分c计算公式如下
[0075]
c＝(m-j)/4j*100
[0076]
判定标准：
[0077]
平和质为正常体质，其他8种体质为偏颇体质。
[0078]
判定标准见表2。
[0079]
表2平和质与偏颇体质判定标准
[0080][0081]
每位患者的体质类型均由三位具有5年以上临床经验的中医教授根据《中医体质分类与判定》标准协商后给出统一结论。
[0082]
步骤s3中，面部体质数据集预处理具体包括：
[0083]
s31、将图片尺寸统一裁剪为224
×
224，从而准确的提取出面部区域图像；
[0084]
s32、采用图像翻转和旋转的方法对面部图像进行扩增，使数据集的分布均衡，提高训练效果，增强模型的泛化性和鲁棒性。
[0085]
步骤s4中，构建msrb-resnet模型，msrb-resnet模型基于resnet34模型做出改进。具体如下：
[0086]
s41、focus替换策略。focus是对图片进行切片操作，具体操作是通过采用类似邻近下采样的方法，在输入图片的每个像素点周围区域的值捆绑在一起，并且拿到像素值时按照一定步长进行跳跃。这样可以得到四张虽然长宽都相差不大但是信息各不相同的图片，它们能够相互补充、互不重合地提取出图像信息，避免信息损失。即，将w(宽度)、h(高度)信息就集中到了通道空间，输入通道扩充了4倍，即拼接起来的图片相对于原先的rgb三通道模式变成了12个通道，最后将得到的新图片再经过卷积操作，最终得到了没有信息丢失情况下的二倍下采样特征图。
[0087]
将原始的224
×
224
×
3的图像输入focus结构中，先采用切片操作将四个块做叠加变成112
×
112
×
12的特征图，再经过一次卷积操作，最终变成112
×
112
×
32的特征图。也就是切片的四个块做了叠加，从3通道变为12通道，在保证了位置信息的情况下又增大了感受野。图1为具体的切片操作图。
[0088]
s42、残差设计。在resnet34的残差块中主干是由两个3
×
3的卷积串联组成的特征提取层，但是人脸图像在中医体质分类中的特征相近，同时中医体质特征复杂多样，人脸之间特征的差异。本发明参考inception中多尺度卷积设计，使得残差的特征提取主干具有不同大小的感受野，网络更好的提取体质间的特征差异，有助于面象的中医体质细粒度的分类。为了不过多的增加参数和保证残差边连接不会用到维度调整，本发明的多尺度层特征
融合采用特征拼接，参考inception结构的设计采用3
×
3，5
×
5和7
×
7的卷积，网络感受野大小互补，更好的提取人脸的细微特征。为了不过多的增加参数量和防止过拟合，将每个残差主干网络上的第1个3
×
3的卷积层替换成1
×
1的卷积层。最终组成1
×
1和3
×
3，5
×
5，7
×
7并联相加融合特征的残差结构。图2为inception结构图。
[0089]
s43、残差堆叠设计。resnet系列模型采用了残差块堆叠来提升网络的特征提取能力。本发明利用多尺度残差替换原版的resnet残差。多尺度残差可以增加特征的抽象能力，让网络学习到更加丰富和鲁棒的特征表示；可以提高感受野的大小和有效性；可以减少网络参数量，提高网络的模型效率。在残差块堆叠个数方面：一方面较少的残差块堆叠个数会影响模型的准确率，另一方面过多的堆叠残差块会增大模型的参数量、造成过拟合问题。因此，选择一个合适的残差堆叠个数，可以平衡准确率和模型参数量。本发明将resnet34原本的3、4、6和3个残差模块改为1、1、1和1个残差模块。
[0090]
s44、添加激活函数。relu激活函数，它是一种常用的神经网络激活函数，可以将所有负值变为0，而所有正值保留原本的数值。这样可以更好地激活神经元，提高模型的准确率。每个残差的后面引入relu激活函数。
[0091]
s45、引入注意力机制。在resnet34的特征提取网络中大量使用了残差连接，其网络结构主要由一系列残差块(residual block)串联而成。然而，在实际分类任务中，面部图像体质分类存在样本差异的问题，限制了模型的分类精度。在分类过程中，精确度是最重要的性能指标之一，因此，在不增加网络计算量的前提下，提升模型的参数利用率，从而进一步提升分类精度，是非常必要的。因此在每个残差块后加入eca注意力机制模块，加强通道特征，提高模型精确度。图3为eca注意力机制图。
[0092]
经过上述改进对原版的resnet34网络进行重新设计，自上而下，由focus模块替换7
×
7卷积，将原来的残差块中2个3
×
3、换成1
×
1和3
×
3、5
×
5、7
×
7卷积并联相加堆叠组成，将原本的3、4、6和3个残差模块改为1、1、1和1个残差模块，每个残差后添加relu激活函数，再引入eca注意力机制。最终改进的resnet34网络如图4所示。
[0093]
以下通过具体实例进行说明。
[0094]
人脸数据集是分别是通过采集中医院门诊患者、养老院以及在校大学生的人脸图像来采集的。采集面部图像是在光线明亮的自然条件下进行，并且采集面部图像的同时通过让患者填写中医体质调查问卷，该体质调查问卷是基于《中医体质分类与判定》的标准。共采集2450张面部数据。
[0095]
为了方便对模型进行优化，对训练样本和测试样本采用随机选择的方式进行划分，其比例为9：1。数据集样本分布如表3所示。
[0096]
表3数据集样本分布
[0097]
体质类型平和质气虚质阳虚质阴虚质痰湿质湿热质血瘀质气郁质特禀质数量59722063527413713017825524
[0098]
残差设计对比
[0099]
resnet系列网络通过堆叠残差块，实现了不同深度网络的设计。一般情况下堆叠的残差块数量越多，模型效果越好。为了验证多尺度残差块堆叠效果，本发明设计了4组实验如表4所示，多尺度残差块堆叠数量采用1，2，3，4的个数分别验证模型的最终效果。
[0100]
表4不同残差堆叠数量结果对比
[0101]
残差块个数top-1准确率/％损失值195.20.157292.60.242392.80.255491.50.253
[0102]
通过表4可以看出，随着多尺度残差块堆叠数量的增加，模型的参数量和损失大小也逐渐减小，且模型的top-1准确率也迅速下降。即当模型中多尺度残差的堆叠增加时，模型开始出现退化现象。因此，本发明选用1层堆叠作为多尺度残差数量的设计，在不减少模型复杂度的情况下，提高了模型准确率。
[0103]
注意力设计对比
[0104]
为了验证eca注意力机制的添加位置对模型性能提高有一定的贡献度，设计了以下4组实验如表5所示，注意力机制的添加位置设置为浅层(在focus切片后)、每个残差后、深层(平均池化层前)以及浅层和深层同时添加。
[0105]
表5不同位置添加注意力结果对比
[0106]
注意力添加位置top-1准确率/％损失值浅层950.201每个残差后97.50.112深层970.114浅层+深层94.40.168
[0107]
通过以上四组实验可以看出，当每个多尺度残差进行特征融合后都加上eca注意力机制，即模型的准确率和损失值达到了模型最好的性能。因此，本发明采用在每个残差后添加eca注意力机制。
[0108]
消融实验
[0109]
消融实验作为模型评估的常用方法，是指通过删除网络模型中的某一部分以便于我们更好的了解改进的网络模块对网络模型精度的影响和贡献程度，进一步说明改进算法的有效性，本发明采用消融实验对各个改进策略的有效性进行验证，分析各个改进的网络模块对模型精度的影响。
[0110]
本实验从foucs替换、残差改进、卷积替换以及添加注意力机制这4个方面组合设计实验，共设计了8组实验，编号为1-8，实验设计如表6所示。
[0111]
表6消融实验设计方案
[0112][0113]
表7消融实验结果对比
[0114]
实验编号top-1准确率/％损失值188.80.386290.60.278385.10.531480.40.670590.20.331684.70.580795.20.157897.50.112
[0115]
实验结果对比如表7所示，通过各组实验结果可得出以下结论：
[0116]
(1)foucs替换
[0117]
实验1只用了残差模块且未对模型做任何改动，为resnet34原模型，在实验2中将原模型头部的7
×
7替换成foucs切片，对比结果，实验2比实验1的top-1准确率提升了1.8％，这说明foucs切片操作优化了网络结构在一定程度上提升了模型准确率。
[0118]
(2)残差改进
[0119]
实验3中将原来的残差模块进行卷积分解，但是模型的准确率相比实验2却下降了5.5％，证明了inception网络提出的理论，对大卷积划分会有一定的精度损失，实验6也证明了本实验数据集并不能很好的适用卷积分解。
[0120]
实验4中使用了inception_resnet_a模块替换原来的残差模块，但是模型的准确率相比实验2却下降了10.2％，证明使用inception_resnet_a模块来加宽网络并不能很好的适应本发明的数据集。
[0121]
实验5中将resnet原版的残差块替换成多尺度残差的3
×
3、5
×
5和7
×
7卷积层，本发明提出的多尺度残差与resnet残差相比，能更好得提取面部的特征信息，实验7减少了一定的小残差堆叠，很好的提升了模型的准确率，证明了过多的残差堆叠会影响模型的性能。
[0122]
(3)eca注意力机制
[0123]
实验8是该研究改进之后的最终模型，从表中可以看出，相比之前的实验，采用浅层多尺度残差采取更多的特征，行特征融合，并使用注意力机制筛选有效特征，最后进行体质分类，top-1准确率能够达到97.5％，收敛速度明显加快，从而说明引入浅层次多尺度残
差提高了模型的top-1准确率。
[0124]
混淆矩阵
[0125]
将本模型应用到面部图像数据集的测试集上，得出的混淆矩阵如图5所示。其包括了测试集中9种体质图像中预测正确和预测错误的样本数量。在混淆矩阵中，主对角线上的数值是预测正确的样本数量，其他位置的数值则为预测错误的样本数量。
[0126]
从图5可以得知，混淆矩阵中显示了测试集上每一类体质的辨识准确率和每种类别被错分的情况，其中气郁质和血瘀质在分类过程中容易造成混淆，原因是这两种体质可能有较为接近的面部特征，类间差异较小，所以模型易将这两种体质混淆。气虚体质和湿热体质的面像特征明显区别于其他体质，分类效果较好。其中特禀体质的识别率是最低的，因为特禀体质的样本很少，在现实中拥有特禀体质的人太少了，很难收集到大量的训练样本且特禀质的面部图像特征多变。平和体质的识别准确率最高，得益于其训练样本充足，模型能够充分的提取面部特征。
[0127]
模型对比
[0128]
首先本发明分别使用alexnet、mobilenntv2、resnet34、resnet50以及resnet101这五种卷积神经网络，与本发明模型msrb-resnet进行实验对比。全部采用从头训练的方法进行训练。各组实验的损失值以及top-1准确率如图6所示。本发明改进之后的模型msrb-resnet在不使用预训练权重的情况下，准确率和收敛速度明显高于其他模型。
[0129]
本发明又分别使用resnet34、resnet50、resnet101这种三种使用预训练权重的卷积神经网络，与本发明模型msrb-resnet进行实验对比。一般在图像识别领域，由于不同的图像都具有相同的基础特征且这些特征是通用的，因此采用使用预训练权重的方法能够训练出高性能的模型，即将在imagenet数据集上训练的权重作为通用的预权重来初始化网络随机参数。而本发明所提出的网络msrb-resnet由于相较resnet34网络改动较大，无法使用预权重，而在imagenet数据集上从头开始训练本发明网络成本过高，因此本发明网络msrb-resnet采用从头训练的方法进行训练。各组实验的损失值以及top-1准确率如图7所示。本发明改进之后的模型msrb-resnet与其他使用预训练权重的网络相比，准确率依旧优于其他模型。
[0130]
综合来看，本发明改进之后的模型msrb-resnet准确率优于其他模型，虽然在与其他使用预训练权重的网络相比时，收敛速度不如其他使用预训练权重的网络，但是模型预测精度的优先级大于收敛速度，故本发明提出改进的模型msrb-resnet在面部图像数据集上的识别效果是优于其他模型的。
[0131]
因此，本发明采用上述一种基于深度神经网络的面象中医体质辨识方法，建立的msrb-resnet模型可以更好的提取面部特征，显著提高体质辨识模型的准确率。
[0132]
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。

技术特征：
1.一种基于深度神经网络的面象中医体质辨识方法，其特征在于：包括以下步骤：s1、体质数据和面部数据采集；s2、对采集的数据进行标签标注，构建面部体质数据集；s3、面部体质数据集预处理；s4、构建msrb-resnet模型。2.根据权利要求1所述的一种基于深度神经网络的面象中医体质辨识方法，其特征在于：步骤s1中，体质数据通过中医体质问卷调查采集，面部数据在光线明亮的自然条件下采集。3.根据权利要求1所述的一种基于深度神经网络的面象中医体质辨识方法，其特征在于：步骤s2中，体质类型包括平和质、气虚质、阳虚质、阴虚质、痰湿质、湿热质、血瘀质、气郁质、特禀质。4.根据权利要求1所述的一种基于深度神经网络的面象中医体质辨识方法，其特征在于：步骤s2中，对采集的数据进行标签标注，构建面部体质数据集具体包括：判定方法：通过回答问卷中的全部问题，每一问题按5级评分，计算原始分m及转化分c，依标准判定体质类型，原始分m计算公式如下：其中，j为条目数；p
i
为条目数为i时对应的分数；转化分c计算公式如下c＝(m-j)/4j*100判定标准：平和质为正常体质，其他8种体质为偏颇体质。5.根据权利要求1所述的一种基于深度神经网络的面象中医体质辨识方法，其特征在于：步骤s3中，面部体质数据集预处理具体包括：s31、将图片尺寸统一裁剪为224
×
224，从而准确的提取出面部区域图像；s32、采用图像翻转和旋转的方法对面部图像进行扩增，使数据集的分布均衡，提高训练效果，增强模型的泛化性和鲁棒性。6.根据权利要求1所述的一种基于深度神经网络的面象中医体质辨识方法，其特征在于：步骤s4中，构建msrb-resnet模型，具体如下：s41、focus替换策略，将原始的224
×
224
×
3的图像输入focus结构中，先采用切片操作将四个块做叠加变成112
×
112
×
12的特征图，再经过一次卷积操作，最终变成112
×
112
×
32的特征图；s42、残差设计，将每个残差主干网络上的第1个3
×
3的卷积层替换成1
×
1的卷积层，最终组成1
×
1和3
×
3，5
×
5，7
×
7并联相加融合特征的残差结构；s43、残差堆叠设计，多尺度残差增加特征的抽象能力，将3、4、6和3个残差模块改为1、1、1和1个残差模块；
s44、添加激活函数，每个残差的后面引入relu激活函数；s45、引入注意力机制，每个残差块后加入eca注意力机制模块，加强通道特征。

技术总结
本发明公开了一种基于深度神经网络的面象中医体质辨识方法，包括以下步骤：S1、体质数据和面部数据采集；S2、对采集的数据进行标签标注，构建面部体质数据集；S3、面部体质数据集预处理；S4、构建MSRB-Resnet模型。本发明采用上述的一种基于深度神经网络的面象中医体质辨识方法，建立的MSRB-Resnet模型可以显著提高体质辨识模型的准确率。高体质辨识模型的准确率。高体质辨识模型的准确率。


技术研发人员：李聪聪 张鹏慧 蔡月婷 李一帆 张昱婷
受保护的技术使用者：河北农业大学
技术研发日：2023.04.26
技术公布日：2023/10/7