CN115082461A - 一种基于边缘计算的预判过滤方法及装置 - Google Patents

一种基于边缘计算的预判过滤方法及装置 Download PDF

Info

Publication number
CN115082461A
CN115082461A CN202210996160.0A CN202210996160A CN115082461A CN 115082461 A CN115082461 A CN 115082461A CN 202210996160 A CN202210996160 A CN 202210996160A CN 115082461 A CN115082461 A CN 115082461A
Authority
CN
China
Prior art keywords
tongue picture
picture data
image
value
unqualified
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210996160.0A
Other languages
English (en)
Other versions
CN115082461B (zh
Inventor
宋海贝
温川飙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu University of Traditional Chinese Medicine
Original Assignee
Chengdu University of Traditional Chinese Medicine
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chengdu University of Traditional Chinese Medicine filed Critical Chengdu University of Traditional Chinese Medicine
Priority to CN202210996160.0A priority Critical patent/CN115082461B/zh
Publication of CN115082461A publication Critical patent/CN115082461A/zh
Application granted granted Critical
Publication of CN115082461B publication Critical patent/CN115082461B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • H04N19/154—Measured or subjectively estimated visual quality after decoding, e.g. measurement of distortion
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/20—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using video object coding
    • H04N19/29—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using video object coding involving scalability at the object level, e.g. video object layer [VOL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及医疗及机器学习技术领域，特别是一种基于边缘计算的预判过滤方法及装置。本发明在舌象图片处理过程中，通过在采集设备和云端服务器之间增加边缘计算步骤，对采集到的原始图片进行判断筛选，将筛选后的图片上传给云端服务器，大大减少了无效图片数据的传递及识别，实现了实时和更快速的数据处理和分析，减少高分辨率图片的传输迟延时间，也解决了传统云计算模式下存在的舌象传输高延迟、网络不稳定和低带宽的问题，有效地提升了后续舌诊***的运行效率，减少了请求响应时间、减少网络带宽，同时保证数据的安全性和私密性。

Description

一种基于边缘计算的预判过滤方法及装置
技术领域
本发明涉及医疗及机器学习技术领域，特别是一种基于边缘计算的预判过滤方法及装置。
背景技术
中医学具有“司外揣内”的思维特点，舌诊作为一种传统的辅助辨证手段具有悠久的历史，通过观察舌象变化可以判断邪气进退及脏腑、气血、津液的盛衰，舌象改变可以提示人体的疾病变化情况，具有重要的临床意义。舌象中隐藏了大量人体健康疾病信息，让舌象的这些内容客观化、诊断标准化以及评价规范化对中医乃至世界都是非常重要。舌诊客观化、具体化，现已经成为了相关领域研究的必然走向。随着神经网络技术水平的提升，医疗领域进入新发展阶段，对舌诊的现代化、客观化研究有重大作用和很好的应用前景。目前主要使用的基于计算机视觉的舌象识别技术方案如下：
（1）首先终端直接面对客户采集大量的、高像素的舌像图片；
（2）其次将采集到的图片直接上传到服务器，或者利用人工对采集的图片进行粗略筛查后上传到服务器；
（3）最后服务器对所有舌像图片进行识别判断，给出诊断结果。
但上述方案存在如下问题和缺陷：
（1）采集图片数量多、数据量大，当会存在较多不合格的图片时，服务器进行识别时，一方面将占用大量的服务器资源而影响识别效率，另一方面可能无法及时通知到终端其采集图片的合格性，导致返工耗时长，影响整体效率；
（2）采集图片数量多，数据量大，即使有人工判断环节，但人工判断图片是否合格耗时耗力，判断是否准确受限于个人经验、专注力等主观因素，效率无法保证。
所以如今需要一种能够自动对采集到的舌象图片进行筛选的，且不会占用服务器大量资源的基于边缘计算的预判过滤方法及装置。
发明内容
本发明的目的在于克服现有技术中所存在的所有图片需发送到云端进行处理，存在大量无效图片数据的传递及识别，从而导致的服务器资源占用严重，处理效率低下的问题，提供一种基于边缘计算的预判过滤方法及装置。
为了实现上述发明目的，本发明提供了以下技术方案：
一种基于边缘计算的预判过滤方法，包括以下步骤：
S1：获取舌象图片数据并对其进行预处理；所述舌象图片数据包括舌象图片以及掩码标签；
S2：采用边缘计算对预处理后的所述舌象图片数据进行预判过滤，过滤其中的不合格舌象图片数据，输出合格舌象图片数据；所述不合格舌象图片数据的不合格原因包括角度倾斜和/或图像模糊和/或与采集设备距离超过预设的采集阈值；
S3：将所述合格舌象图片数据上传到云端服务器。本发明在舌象图片处理过程中，通过在采集设备和云端服务器之间增加边缘计算步骤，对采集到的原始图片进行判断筛选，将筛选后的图片上传给云端服务器，大大减少了无效图片数据的传递及识别，实现了实时和更快速的数据处理和分析，减少高分辨率图片的传输迟延时间，也解决了传统云计算模式下存在的舌象传输高延迟、网络不稳定和低带宽的问题，有效地提升了后续舌诊***的运行效率，减少了请求响应时间、减少网络带宽，同时保证数据的安全性和私密性。
作为本发明的优选方案，所述步骤S1中预处理包括以下步骤：
所述舌象图片：添加白底边缘，将所述舌象图片转换为max(W,H)×max(W,H)×3像素的正方形图像数据，并将其缩放为M×M×3像素大小的图片；其中，M为预设值，且M<= max(W,H)，W为所述舌象图片的宽度，H为所述舌象图片的长度；
所述掩码标签：添加黑底边缘，将所述掩码标签转换为max(W,H)×max(W,H)×2像素的正方形图像数据，并将其缩放为M×M×2像素大小的图片。
作为本发明的优选方案，所述步骤S2中预判过滤包括以下步骤：
S21：将预处理后的所述舌象图片数据转换为M×N像素大小的二维灰度图像；其中，M、N为预设值；
S22：角度倾斜判定：通过图像几何矩计算人脸倾斜角度β，当β＞预设的角度阈值时，当前舌象图片数据不合格；
S23：图像模糊判定：计算所述二维灰度图像的均值和标准差，当所述均值大于预设的均值阈值且所述标准差小于预设的标准差阈值时，当前舌象图片数据不合格；
S24：与采集设备距离超过预设的采集阈值判定：计算所述二维灰度图像中的黑色区域面积，当所述黑色区域面积大于预设的阈值时，当前舌象图片数据不合格；其中，所述黑色区域为人脸与采集设备之间的空隙区域；
S25：滤除所述舌象图片数据中的不合格舌象图片数据，并将余下的舌象图片数据输出为合格舌象图片数据；
其中，所述步骤S22、所述步骤S23以及所述步骤S24的执行顺序可任意排列。
作为本发明的优选方案，所述步骤S22包括以下步骤：
S221：计算所述二维灰度图像的
Figure 621426DEST_PATH_IMAGE001
阶矩
Figure 459938DEST_PATH_IMAGE002
：
Figure 974096DEST_PATH_IMAGE003
；
其中，
Figure 838146DEST_PATH_IMAGE004
是二维图像像素坐标，
Figure 72425DEST_PATH_IMAGE005
是像素点
Figure 629309DEST_PATH_IMAGE004
灰度值，
Figure 365183DEST_PATH_IMAGE006
是正整数，用于定义图像矩的阶数；
S222：计算所述二维灰度图像的中心矩
Figure 32925DEST_PATH_IMAGE007
：
Figure 623175DEST_PATH_IMAGE009
；
其中，
Figure 554222DEST_PATH_IMAGE010
是质心坐标；
Figure 528126DEST_PATH_IMAGE011
；
Figure 999558DEST_PATH_IMAGE012
，
Figure 195047DEST_PATH_IMAGE013
、
Figure 811842DEST_PATH_IMAGE014
、
Figure 522309DEST_PATH_IMAGE015
分别为（0+0）、（0+1）和（1+0）阶数的二维图像的阶距，
Figure 531854DEST_PATH_IMAGE016
是角度检测准确度，其初始值为预设值；
S223：计算所述二维灰度图像的倾斜角度
Figure 595231DEST_PATH_IMAGE017
：
Figure 664818DEST_PATH_IMAGE019
；
其中，
Figure 315111DEST_PATH_IMAGE020
、
Figure 128347DEST_PATH_IMAGE021
、
Figure 298428DEST_PATH_IMAGE022
分别为（0+2）、（1+1）和（2+0）阶数的二维图像的中心矩；
S224：判断所述倾斜角度
Figure 289649DEST_PATH_IMAGE017
与预设的角度阈值T1的大小关系，当
Figure 709129DEST_PATH_IMAGE017
>T1时，判定当前舌象图片数据不合格，否则当前舌象图片数据的角度倾斜合格。
作为本发明的优选方案，所述步骤S23中图像模糊包括运动模糊以及水蒸气模糊，所述二维灰度图像的均值和标准差的计算式如下：
Figure 60476DEST_PATH_IMAGE023
；
Figure 147381DEST_PATH_IMAGE024
；
其中，
Figure 276879DEST_PATH_IMAGE004
是二维图像像素坐标，
Figure 183656DEST_PATH_IMAGE005
是像素点
Figure 73114DEST_PATH_IMAGE004
灰度值，α为所述二维灰度图像的均值，β为所述二维灰度图像的标准差，
Figure 965590DEST_PATH_IMAGE025
是模糊检测准确度，其初始值为预设值。
作为本发明的优选方案，所述步骤S24包括以下步骤：
S241：确定所述采集设备的边缘轮廓的Q个中心对称的坐标点
Figure 547881DEST_PATH_IMAGE026
、
Figure 207533DEST_PATH_IMAGE027
、
Figure 149950DEST_PATH_IMAGE028
、
Figure 883551DEST_PATH_IMAGE029
，其中，Q是大于0的偶数；
S242：以所述坐标点为圆心，预设值r为半径，通过python函数分别计算Q个区域中暗灰度值的像素数量以及Q个区域暗灰度值的像素数目总量S：
Figure 636743DEST_PATH_IMAGE030
；
Figure 534423DEST_PATH_IMAGE031
；
其中，
Figure 31264DEST_PATH_IMAGE032
为第i个区域中暗灰度值的像素数量，T4为暗灰度值的阈值，
Figure 884950DEST_PATH_IMAGE033
是计算图像中非0元素数目的python函数，i是坐标点的索引，
Figure 792732DEST_PATH_IMAGE034
，
Figure 630238DEST_PATH_IMAGE035
是以
Figure 930769DEST_PATH_IMAGE036
为圆心、r为半径的图像区域面积，
Figure 472520DEST_PATH_IMAGE037
是距离检测准确度，其初始值为预设值；
S243：如果所述像素数目总量S<T5，则当前舌象图片数据的轮廓黑色像素过多，人脸距离设备较远，判定当前舌象图片数据不合格；否则当前舌象图片数据的角度倾斜合格；其中，T5为暗灰度值的像素数目阈值。
作为本发明的优选方案，所述步骤S2还包括步骤S26：
S26：对所述舌象图片数据进行编码并输出，并对所述不合格舌象图片数据进行人工复查，并更新三种不合格图片检测的准确度。本发明通过输出边缘计算的判断结果，反馈不合格图片的产生原因，从而能够有针对性的改善采集流程，进而有效的提高采集的准确度；同时加入人工复查流程，将复查结果作为边缘计算模块判断筛选算法的判断参数，也能够不断提升判断筛选算法的精度。
作为本发明的优选方案，所述编码采用比特位进行表示，具体表示如下：
Figure 505198DEST_PATH_IMAGE038
。
一种基于边缘计算的预判过滤装置，包括采集模块、云端服务器以及分别与所述采集模块以及所述云端服务器通信连接的边缘计算模块，所述边缘计算模块能够执行上述任一项所述的方法。
与现有技术相比，本发明的有益效果：
1.本发明在舌象图片处理过程中，通过在采集设备和云端服务器之间增加边缘计算步骤，对采集到的原始图片进行判断筛选，将筛选后的图片上传给云端服务器，大大减少了无效图片数据的传递及识别，实现了实时和更快速的数据处理和分析，减少高分辨率图片的传输迟延时间，也解决了传统云计算模式下存在的舌象传输高延迟、网络不稳定和低带宽的问题，有效地提升了后续舌诊***的运行效率，减少了请求响应时间、减少网络带宽，同时保证数据的安全性和私密性。
2.本发明通过输出边缘计算的判断结果，反馈不合格图片的产生原因，从而能够有针对性的改善采集流程，进而有效的提高采集的准确度；同时加入人工复查流程，将复查结果作为边缘计算模块判断筛选算法的判断参数，也能够不断提升判断筛选算法的精度。
附图说明
图1为本发明实施例1所述的一种基于边缘计算的预判过滤方法的流程示意图；
图2为本发明实施例1所述的一种基于边缘计算的预判过滤方法的中不合格图像示意图；
图3为本发明实施例2所述的一种基于边缘计算的预判过滤方法中采集设备边缘暗像素区域计算坐标点示意图；
图4为本发明实施例4所述的一种基于边缘计算的预判过滤装置的结构示意图；
图中标记：1-舌象图片边框，2-采集设备箱体边缘。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
如图1所示，一种基于边缘计算的预判过滤方法，包括以下步骤：
S1：获取舌象图片数据并对其进行预处理；所述舌象图片数据包括舌象图片以及掩码标签。所述预处理包括长宽尺寸对齐、背景加白边、比例缩放等操作。
S2：采用边缘计算对预处理后的所述舌象图片数据进行预判过滤，过滤其中的不合格舌象图片数据，输出合格舌象图片数据；如图2所示，所述不合格舌象图片数据的不合格原因包括角度倾斜和/或图像模糊和/或与采集设备距离超过预设的采集阈值；所述预判过滤包括以下步骤：
S21：将预处理后的所述舌象图片数据转换为M×N像素大小的二维灰度图像；其中，M、N为预设值；一般情况下，M=N，即输出二维灰度图像的长宽一致；
S22：角度倾斜判定：通过图像几何矩计算人脸倾斜角度β，当β＞预设的角度阈值时，当前舌象图片数据不合格；
S23：图像模糊判定：计算所述二维灰度图像的均值和标准差，当所述均值大于预设的均值阈值且所述标准差小于预设的标准差阈值时，当前舌象图片数据不合格；
S24：与采集设备距离超过预设的采集阈值判定：计算所述二维灰度图像中的黑色区域面积，当所述黑色区域面积大于预设的阈值时，当前舌象图片数据不合格；其中，所述黑色区域为人脸与采集设备之间的空隙区域；
S25：滤除所述舌象图片数据中的不合格舌象图片数据，并将余下的舌象图片数据输出为合格舌象图片数据；
其中，所述步骤S22、所述步骤S23以及所述步骤S24的执行顺序可任意排列。
S3：将所述合格舌象图片数据上传到云端服务器。
实施例2
本实施例为实施例1所述的一种基于边缘计算的预判过滤方法的一种具体实施方式，包括以下步骤：
S1：获取舌象图片数据并对其进行预处理；所述舌象图片数据包括舌象图片以及掩码标签，所述舌象图片为大小宽度、长度、通道数分别为W×H×3像素的三通道彩色图片，掩码标签为专业医师使用labelme手工标注舌体区域的json格式文件。其中，所述预处理包括以下步骤：
所述舌象图片：添加白底边缘，将所述舌象图片转换为max(W,H)×max(W,H)×3像素的正方形图像数据，并将其缩放为M×M×3像素大小的图片；其中，M为预设值，且M<= max(W,H)，W为所述舌象图片的宽度，H为所述舌象图片的长度；
所述掩码标签：添加黑底边缘，将所述掩码标签转换为max(W,H)×max(W,H)×2像素的正方形图像数据，并将其缩放为M×M×2像素大小的图片。
S2：采用边缘计算对预处理后的所述舌象图片数据进行预判过滤，过滤其中的不合格舌象图片数据，输出合格舌象图片数据；所述不合格舌象图片数据的不合格原因包括角度倾斜和/或图像模糊和/或与采集设备距离超过预设的采集阈值。
S21：将预处理后的所述舌象图片数据转换为M×N大小的二维灰度图像。
S22：角度倾斜判定：通过图像几何矩计算人脸倾斜角度β，当β＞预设的角度阈值时，当前舌象图片数据不合格。
S221：计算所述二维灰度图像的
Figure 626737DEST_PATH_IMAGE001
阶矩
Figure 917910DEST_PATH_IMAGE002
：
Figure 277348DEST_PATH_IMAGE003
；
其中，
Figure 808823DEST_PATH_IMAGE004
是二维图像像素坐标，
Figure 637233DEST_PATH_IMAGE005
是像素点
Figure 279567DEST_PATH_IMAGE004
灰度值，
Figure 759090DEST_PATH_IMAGE006
是正整数，用于定义图像矩的阶数，具体的，
Figure 195887DEST_PATH_IMAGE039
为x方向的阶数，
Figure 213391DEST_PATH_IMAGE040
是y方向的阶数；
S222：计算所述二维灰度图像的中心矩
Figure 659415DEST_PATH_IMAGE007
：
Figure 993445DEST_PATH_IMAGE041
；
其中，
Figure 552209DEST_PATH_IMAGE010
是质心坐标；
Figure 604478DEST_PATH_IMAGE011
；
Figure 588615DEST_PATH_IMAGE012
，
Figure 291998DEST_PATH_IMAGE013
、
Figure 273860DEST_PATH_IMAGE014
、
Figure 813426DEST_PATH_IMAGE015
分别为（0+0）、（0+1）和（1+0）阶数的二维图像的阶距，
Figure 86406DEST_PATH_IMAGE016
是角度检测准确度，其初始值为预设值，用于作为反馈参数用于提升图像检测算法精度；本实施例中，
Figure 660607DEST_PATH_IMAGE016
初始值一般设置为0.5；
S223：计算所述二维灰度图像的倾斜角度
Figure 813371DEST_PATH_IMAGE017
：
Figure DEST_PATH_IMAGE043
；
其中，
Figure 558342DEST_PATH_IMAGE020
、
Figure 87543DEST_PATH_IMAGE021
、
Figure 998474DEST_PATH_IMAGE022
分别为（0+2）、（1+1）和（2+0）阶数的二维图像的中心矩；
S224：判断所述倾斜角度
Figure 118877DEST_PATH_IMAGE017
与预设的角度阈值T1的大小关系，当
Figure 633035DEST_PATH_IMAGE017
>T1时，判定当前舌象图片数据不合格，否则当前舌象图片数据的角度倾斜合格，T1一般可以设置为45°。
S23：图像模糊判定：在采集过程中，由于采集设备晃动（运动模糊）或者待检用户口腔水蒸气（水蒸气模糊）等原因会导致舌图像模糊，无法进行舌象识别，所以本实施例通过计算所述二维灰度图像的均值和标准差，当所述均值大于预设的均值阈值且所述标准差小于预设的标准差阈值时，当前舌象图片数据不合格。其中，所述二维灰度图像的均值和标准差的计算式如下：
Figure 762665DEST_PATH_IMAGE023
；
Figure 29567DEST_PATH_IMAGE024
；
其中，
Figure 789713DEST_PATH_IMAGE004
是二维图像像素坐标，
Figure 525588DEST_PATH_IMAGE005
是像素点
Figure 944062DEST_PATH_IMAGE004
灰度值，α为所述二维灰度图像的均值，β为所述二维灰度图像的标准差，
Figure 81782DEST_PATH_IMAGE025
是模糊检测准确度，其初始值为预设值，用于作为反馈参数用于提升图像检测算法精度；本实施例中，
Figure 809567DEST_PATH_IMAGE025
初始值一般设置为0.5。
S24：与采集设备距离超过预设的采集阈值判定：计算所述二维灰度图像中的黑色区域面积，当所述黑色区域面积大于预设的阈值时，当前舌象图片数据不合格；其中，所述黑色区域为人脸与采集设备之间的空隙区域。
S241：确定所述采集设备的边缘轮廓的Q个对称的坐标点
Figure 32738DEST_PATH_IMAGE026
、
Figure 691121DEST_PATH_IMAGE027
、
Figure 683348DEST_PATH_IMAGE028
、
Figure 582034DEST_PATH_IMAGE029
，其中，Q是大于0的偶数；
S242：以所述坐标点为圆心，预设值r为半径（半径r以像素为单位），通过python函数分别计算Q个区域中暗灰度值的像素数量s以及Q个区域暗灰度值的像素数目总量S：
Figure 774724DEST_PATH_IMAGE030
；
Figure 49848DEST_PATH_IMAGE031
；
其中，
Figure 162160DEST_PATH_IMAGE032
为第i个区域中暗灰度值的像素数量，T4为暗灰度值的阈值（对于8bit深度图片，
Figure DEST_PATH_IMAGE044
），
Figure 887540DEST_PATH_IMAGE033
是计算图像中非0元素数目的python函数，i是坐标点的索引，
Figure 85303DEST_PATH_IMAGE034
，
Figure 898538DEST_PATH_IMAGE035
是以
Figure 616089DEST_PATH_IMAGE036
为圆心、r为半径的图像区域面积，
Figure 590999DEST_PATH_IMAGE037
是距离检测准确度，其初始值为预设值；当Q=4时，所述操作如图3所示，计算采集设备箱体边缘的黑色区域面积。
S243：如果所述像素数目总量S<T5，则当前舌象图片数据的轮廓黑色像素过多，人脸距离设备较远，判定当前舌象图片数据不合格；否则当前舌象图片数据的角度倾斜合格；其中，T5为暗灰度值的像素数目阈值，
Figure DEST_PATH_IMAGE045
。
S25：滤除所述舌象图片数据中的不合格舌象图片数据，并将余下的舌象图片数据输出为合格舌象图片数据；
S3：将所述合格舌象图片数据上传到云端服务器。
实施例3
本实施例与实施例1或2的区别在于，所述步骤S2后还包括反馈复查步骤，具体如下：
S26：对所述舌象图片数据进行编码并输出，并对所述不合格舌象图片数据进行人工复查，输出并更新三种不合格图片检测的准确度
Figure DEST_PATH_IMAGE046
，作为反馈参数用于提升图像检测算法精度。
其中，所述人工复查可采用分类抽样的形式，如：采集的舌象图片数据可分为不伸舌的面部图像、向下伸舌的舌体图像、向上翘舌的舌下脉络图像等共R类，每类图片为了避免图片出错均采集q张，则共接收到R*q张图片，通过***反馈将不同问题如倾斜、模糊、距离远的判定结果展示出来，并用Z个字节（Z*8个比特位，Z为可配置参数）表示筛选反馈结果。当Z=2时，则其中高13bit位表示第几张图片不合格，低3bit表示图片问题标志位（即反馈判断第一张和第四张图片不合格，原因分别都是水汽模糊时，此时返回***提示信息是0x9002，对应二进制为B1001000000000010）。边缘计算模块问题反馈比特位，其含义如表1所示：
表1边缘计算模块设计问题反馈比特表
Figure 931850DEST_PATH_IMAGE038
。
实施例4
如图4所示，一种基于边缘计算的预判过滤装置，包括采集模块、云端服务器以及分别与所述采集模块以及所述云端服务器通信连接的边缘计算模块，所述边缘计算模块能够执行上述任一实施例所述的方法。
采集模块通过指定的图像采集设备采集体检用户舌象图片，获取的RGB三通道的彩色图像经过边缘计算模块判定合格后，上传存储到云端服务器存储单元。
边缘计算模块包括数据预处理单元和预判过滤单元，该模块距离采集设备较近，图片传输速度快、结果响应及时。
数据预处理单元将原始图像经过长宽尺寸对齐、背景加白边、比例缩放等预处理后，输入网络模型中开始进行模型训练。本实施例中，原图片是长宽为1080×1920像素的彩色图片，将原始图片转换长宽和通道数为1920×1920×3像素的正方形，然后对填充后的正方形缩放为512×512×3大小的图片。
预判过滤单元用于实现预判过滤自学习算法，其作用是过滤不合格舌象图片，该模块距离贴近采集设备，保证图片数据的及时收集和判断结果的及时反馈，只有合格的图片才会传送到云服务器进行舌象识别，提高图片传输的有效性。如果检测为不合格图像，则***返回提示重新拍摄图片的信息。过滤的不合格舌图像主要分为三大类：角度倾斜、运动模糊/水蒸气模糊、人脸距离采集设备较远。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于边缘计算的预判过滤方法，其特征在于，包括以下步骤：
S1：获取舌象图片数据并对其进行预处理；所述舌象图片数据包括舌象图片以及掩码标签；
S2：采用边缘计算对预处理后的所述舌象图片数据进行预判过滤，过滤其中的不合格舌象图片数据，输出合格舌象图片数据；所述不合格舌象图片数据的不合格原因包括角度倾斜和/或图像模糊和/或与采集设备距离超过预设的采集阈值；
S3：将所述合格舌象图片数据上传到云端服务器。
2.根据权利要求1所述的一种基于边缘计算的预判过滤方法，其特征在于，所述步骤S1中预处理包括以下步骤：
所述舌象图片：添加白底边缘，将所述舌象图片转换为max(W,H)×max(W,H)×3像素的正方形图像数据，并将其缩放为M×M×3像素大小的图片；其中，M为预设值，且M<= max(W,H)，W为所述舌象图片的宽度，H为所述舌象图片的长度；
所述掩码标签：添加黑底边缘，将所述掩码标签转换为max(W,H)×max(W,H)×2像素的正方形图像数据，并将其缩放为M×M×2像素大小的图片。
3.根据权利要求1所述的一种基于边缘计算的预判过滤方法，其特征在于，所述步骤S2中预判过滤包括以下步骤：
S21：将预处理后的所述舌象图片数据转换为M×N像素大小的二维灰度图像；其中，M、N为预设值；
S22：角度倾斜判定：通过图像几何矩计算人脸倾斜角度β，当β＞预设的角度阈值时，当前舌象图片数据不合格；
S23：图像模糊判定：计算所述二维灰度图像的均值和标准差，当所述均值大于预设的均值阈值且所述标准差小于预设的标准差阈值时，当前舌象图片数据不合格；
S24：与采集设备距离超过预设的采集阈值判定：计算所述二维灰度图像中的黑色区域面积，当所述黑色区域面积大于预设的阈值时，当前舌象图片数据不合格；其中，所述黑色区域为人脸与采集设备之间的空隙区域；
S25：滤除所述舌象图片数据中的不合格舌象图片数据，并将余下的舌象图片数据输出为合格舌象图片数据；
其中，所述步骤S22、所述步骤S23以及所述步骤S24的执行顺序可任意排列。
4.根据权利要求3所述的一种基于边缘计算的预判过滤方法，其特征在于，所述步骤S22包括以下步骤：
S221：计算所述二维灰度图像的
Figure 596811DEST_PATH_IMAGE001
阶矩
Figure 369201DEST_PATH_IMAGE002
：
Figure 498700DEST_PATH_IMAGE003
；
其中，
Figure 608739DEST_PATH_IMAGE004
是二维图像像素坐标，
Figure 717771DEST_PATH_IMAGE005
是像素点
Figure 596866DEST_PATH_IMAGE004
灰度值，
Figure 366107DEST_PATH_IMAGE006
是正整数，用于定义图像矩的阶数；
S222：计算所述二维灰度图像的中心矩
Figure 976824DEST_PATH_IMAGE007
：
Figure 138815DEST_PATH_IMAGE009
；
其中，
Figure 856104DEST_PATH_IMAGE010
是质心坐标；
Figure 563291DEST_PATH_IMAGE011
；
Figure 647922DEST_PATH_IMAGE012
，
Figure 331713DEST_PATH_IMAGE013
、
Figure 185399DEST_PATH_IMAGE014
、
Figure 83996DEST_PATH_IMAGE015
分别为（0+0）、（0+1）和（1+0）阶数的二维图像的阶距，
Figure 187081DEST_PATH_IMAGE016
是角度检测准确度，其初始值为预设值；
S223：计算所述二维灰度图像的倾斜角度
Figure 940142DEST_PATH_IMAGE017
：
Figure 913914DEST_PATH_IMAGE019
；
其中，
Figure 494063DEST_PATH_IMAGE020
、
Figure 350023DEST_PATH_IMAGE021
、
Figure 657508DEST_PATH_IMAGE022
分别为（0+2）、（1+1）和（2+0）阶数的二维图像的中心矩；
S224：判断所述倾斜角度
Figure 266212DEST_PATH_IMAGE017
与预设的角度阈值T1的大小关系，当
Figure 532109DEST_PATH_IMAGE017
>T1时，判定当前舌象图片数据不合格，否则当前舌象图片数据的角度倾斜合格。
5.根据权利要求3所述的一种基于边缘计算的预判过滤方法，其特征在于，所述步骤S23中图像模糊包括运动模糊以及水蒸气模糊，所述二维灰度图像的均值和标准差的计算式如下：
Figure 609786DEST_PATH_IMAGE023
；
Figure 734344DEST_PATH_IMAGE024
；
其中，
Figure 948287DEST_PATH_IMAGE004
是二维图像像素坐标，
Figure 385085DEST_PATH_IMAGE005
是像素点
Figure 933747DEST_PATH_IMAGE004
灰度值，α为所述二维灰度图像的均值，β为所述二维灰度图像的标准差，
Figure 848613DEST_PATH_IMAGE025
是模糊检测准确度，其初始值为预设值。
6.根据权利要求3所述的一种基于边缘计算的预判过滤方法，其特征在于，所述步骤S24包括以下步骤：
S241：确定所述采集设备的边缘轮廓的Q个中心对称的坐标点
Figure 182642DEST_PATH_IMAGE026
、
Figure 541074DEST_PATH_IMAGE027
、
Figure 593343DEST_PATH_IMAGE028
、
Figure 46321DEST_PATH_IMAGE029
，其中，Q是大于0的偶数；
S242：以所述坐标点为圆心，预设值r为半径，通过python函数分别计算Q个区域中暗灰度值的像素数量以及Q个区域暗灰度值的像素数目总量S：
Figure 500436DEST_PATH_IMAGE030
；
Figure 262725DEST_PATH_IMAGE031
；
其中，
Figure 802291DEST_PATH_IMAGE032
为第i个区域中暗灰度值的像素数量，T4为暗灰度值的阈值，
Figure 58960DEST_PATH_IMAGE033
是计算图像中非0元素数目的python函数，i是坐标点的索引，
Figure 115384DEST_PATH_IMAGE034
，
Figure 799306DEST_PATH_IMAGE035
是以
Figure 560589DEST_PATH_IMAGE036
为圆心、r为半径的图像区域面积，
Figure DEST_PATH_IMAGE037
是距离检测准确度，其初始值为预设值；
S243：如果所述像素数目总量S<T5，则当前舌象图片数据的轮廓黑色像素过多，人脸距离设备较远，判定当前舌象图片数据不合格；否则当前舌象图片数据的角度倾斜合格；其中，T5为暗灰度值的像素数目阈值。
7.根据权利要求3所述的一种基于边缘计算的预判过滤方法，其特征在于，所述步骤S2还包括步骤S26：
S26：对所述舌象图片数据进行编码并输出，并对所述不合格舌象图片数据进行人工复查，并更新三种不合格图片检测的准确度。
8.根据权利要求7所述的一种基于边缘计算的预判过滤方法，其特征在于，所述编码采用比特位进行表示，具体表示如下：
Figure DEST_PATH_IMAGE038
。
9.一种基于边缘计算的预判过滤装置，包括采集模块以及云端服务器，其特征在于，还包括分别与所述采集模块以及所述云端服务器通信连接的边缘计算模块，所述边缘计算模块能够执行权利要求1至8中任一项所述的方法。
CN202210996160.0A 2022-08-19 2022-08-19 一种基于边缘计算的预判过滤方法及装置 Active CN115082461B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210996160.0A CN115082461B (zh) 2022-08-19 2022-08-19 一种基于边缘计算的预判过滤方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210996160.0A CN115082461B (zh) 2022-08-19 2022-08-19 一种基于边缘计算的预判过滤方法及装置

Publications (2)

Publication Number Publication Date
CN115082461A true CN115082461A (zh) 2022-09-20
CN115082461B CN115082461B (zh) 2022-11-04

Family

ID=83245129

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210996160.0A Active CN115082461B (zh) 2022-08-19 2022-08-19 一种基于边缘计算的预判过滤方法及装置

Country Status (1)

Country Link
CN (1) CN115082461B (zh)

Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006244446A (ja) * 2005-02-03 2006-09-14 Toshiba Matsushita Display Technology Co Ltd 表示装置
US20070053588A1 (en) * 2005-09-08 2007-03-08 Chao-Lieh Chen Method for retrieving original intact characteristics of heavily polluted images and its image processing
JP2014230119A (ja) * 2013-05-23 2014-12-08 大日本印刷株式会社 文書画像の傾き補正装置
CN204072050U (zh) * 2014-05-31 2015-01-07 北京工业大学 一种便携式中医舌象数字化采集装置
CN106371908A (zh) * 2016-08-31 2017-02-01 武汉鸿瑞达信息技术有限公司 基于粒子群算法的图像视频过滤任务分配的优化方法
CN108960285A (zh) * 2018-05-31 2018-12-07 东软集团股份有限公司 一种分类模型生成方法、舌体图像分类方法及装置
CN109978895A (zh) * 2019-03-29 2019-07-05 北京峰云视觉技术有限公司 一种舌体图像分割方法和装置
CN110097568A (zh) * 2019-05-13 2019-08-06 中国石油大学(华东) 一种基于时空双分支网络的视频对象检测与分割方法
CN111027497A (zh) * 2019-12-17 2020-04-17 西安电子科技大学 基于高分辨率光学遥感影像的弱小目标快速检测方法
CN111105874A (zh) * 2020-01-16 2020-05-05 上海国民集团健康科技有限公司 一种舌象特征标注方法、装置、计算机设备及存储介质
WO2020117006A1 (ko) * 2018-12-07 2020-06-11 주식회사 포스코아이씨티 Ai 기반의 안면인식시스템
CN111708667A (zh) * 2020-05-29 2020-09-25 北京赛博云睿智能科技有限公司 一种业务边缘计算方法及***
CN111899452A (zh) * 2020-08-04 2020-11-06 成都云图睿视科技有限公司 基于边缘计算的森林防火预警***
US20200380288A1 (en) * 2017-05-22 2020-12-03 Intel Corporation Proposal region filter for digital image processing
CN113052866A (zh) * 2021-03-29 2021-06-29 天津大学 基于局部二值拟合模型的超声图像舌轮廓提取方法
CN113361513A (zh) * 2021-06-07 2021-09-07 博奥生物集团有限公司 移动端舌象采集方法、装置及设备
CN113420583A (zh) * 2021-01-29 2021-09-21 山东农业大学 一种基于边缘计算平台的变色木监测***及方法
CN113553991A (zh) * 2021-08-11 2021-10-26 上海中医药大学附属龙华医院 一种基于深度学习的舌象识别方法
CN113610753A (zh) * 2021-06-21 2021-11-05 深圳市大数据研究院 一种提取舌像的加博纹理特征的方法、装置及存储介质
CN113643281A (zh) * 2021-08-31 2021-11-12 河南科技大学 一种舌体图像分割方法
CN113657449A (zh) * 2021-07-15 2021-11-16 北京工业大学 一种含噪标注数据的中医舌象腐腻分类方法
CN113781468A (zh) * 2021-09-23 2021-12-10 河南科技大学 一种基于轻量级卷积神经网络的舌图像分割方法

Patent Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006244446A (ja) * 2005-02-03 2006-09-14 Toshiba Matsushita Display Technology Co Ltd 表示装置
US20070053588A1 (en) * 2005-09-08 2007-03-08 Chao-Lieh Chen Method for retrieving original intact characteristics of heavily polluted images and its image processing
JP2014230119A (ja) * 2013-05-23 2014-12-08 大日本印刷株式会社 文書画像の傾き補正装置
CN204072050U (zh) * 2014-05-31 2015-01-07 北京工业大学 一种便携式中医舌象数字化采集装置
CN106371908A (zh) * 2016-08-31 2017-02-01 武汉鸿瑞达信息技术有限公司 基于粒子群算法的图像视频过滤任务分配的优化方法
US20200380288A1 (en) * 2017-05-22 2020-12-03 Intel Corporation Proposal region filter for digital image processing
CN108960285A (zh) * 2018-05-31 2018-12-07 东软集团股份有限公司 一种分类模型生成方法、舌体图像分类方法及装置
WO2020117006A1 (ko) * 2018-12-07 2020-06-11 주식회사 포스코아이씨티 Ai 기반의 안면인식시스템
CN109978895A (zh) * 2019-03-29 2019-07-05 北京峰云视觉技术有限公司 一种舌体图像分割方法和装置
CN110097568A (zh) * 2019-05-13 2019-08-06 中国石油大学(华东) 一种基于时空双分支网络的视频对象检测与分割方法
CN111027497A (zh) * 2019-12-17 2020-04-17 西安电子科技大学 基于高分辨率光学遥感影像的弱小目标快速检测方法
CN111105874A (zh) * 2020-01-16 2020-05-05 上海国民集团健康科技有限公司 一种舌象特征标注方法、装置、计算机设备及存储介质
CN111708667A (zh) * 2020-05-29 2020-09-25 北京赛博云睿智能科技有限公司 一种业务边缘计算方法及***
CN111899452A (zh) * 2020-08-04 2020-11-06 成都云图睿视科技有限公司 基于边缘计算的森林防火预警***
CN113420583A (zh) * 2021-01-29 2021-09-21 山东农业大学 一种基于边缘计算平台的变色木监测***及方法
CN113052866A (zh) * 2021-03-29 2021-06-29 天津大学 基于局部二值拟合模型的超声图像舌轮廓提取方法
CN113361513A (zh) * 2021-06-07 2021-09-07 博奥生物集团有限公司 移动端舌象采集方法、装置及设备
CN113610753A (zh) * 2021-06-21 2021-11-05 深圳市大数据研究院 一种提取舌像的加博纹理特征的方法、装置及存储介质
CN113657449A (zh) * 2021-07-15 2021-11-16 北京工业大学 一种含噪标注数据的中医舌象腐腻分类方法
CN113553991A (zh) * 2021-08-11 2021-10-26 上海中医药大学附属龙华医院 一种基于深度学习的舌象识别方法
CN113643281A (zh) * 2021-08-31 2021-11-12 河南科技大学 一种舌体图像分割方法
CN113781468A (zh) * 2021-09-23 2021-12-10 河南科技大学 一种基于轻量级卷积神经网络的舌图像分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张海燕等: "基于最大特征分量的快速人脸倾斜校正方法", 《电子测量与仪器学报》 *
李猛坤等: "基于移动边缘计算的车联网车牌号码识别算法", 《计算机工程与设计》 *

Also Published As

Publication number Publication date
CN115082461B (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
CN111047609B (zh) 肺炎病灶分割方法和装置
WO2022012110A1 (zh) 胚胎光镜图像中细胞的识别方法及***、设备及存储介质
CN110807775A (zh) 基于人工智能的中医舌像分割装置、方法及存储介质
CN112465060A (zh) 图像中目标物检测方法、装置、电子设备及可读存储介质
CN116434266B (zh) 一种医疗检验单的数据信息自动提取分析方法
CN111275707A (zh) 肺炎病灶分割方法和装置
WO2021184576A1 (zh) 医学图像的生成方法、装置、电子设备及介质
US20240005494A1 (en) Methods and systems for image quality assessment
CN110555830A (zh) 基于DeepLabv3+的深度神经网络皮肤检测方法
CN112579808A (zh) 数据标注处理方法及装置、***
CN113516639B (zh) 基于全景x光片的口腔异常检测模型的训练方法及装置
CN112489053B (zh) 一种舌像分割方法、装置及存储介质
CN110738658A (zh) 图像质量评价方法
CN115082461B (zh) 一种基于边缘计算的预判过滤方法及装置
CN111292313B (zh) 补牙质量评测方法及装置
CN117330582A (zh) 一种高分子pe薄膜表面晶点检测***
CN116824670A (zh) 基于微表情的问诊辅助方法、装置、设备及介质
CN110051384B (zh) 结合医学统计信息的胎儿颈背透明物位置检测方法及***
CN113143201A (zh) 基于舌苔舌质图像的诊断***
CN111077153A (zh) 一种多功能***质量分析***
CN114864031A (zh) 一种基于区块链的数据治理协同方法
CN114049676A (zh) 疲劳状态检测方法、装置、设备及存储介质
CN113450268A (zh) 一种基于后验概率的图像降噪方法
CN115578370B (zh) 一种基于脑影像的代谢区域异常检测方法及装置
CN112001896A (zh) 一种甲状腺边界不规则度检测装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant