基于改进的DeepLabv3+模型的自然环境下舌象分割方法

doi:10.3969/j.issn.1006-2475.2025.10.006

计算机与现代化 ›› 2025, Vol. 0 ›› Issue (10): 32-36.doi: 10.3969/j.issn.1006-2475.2025.10.006

基于改进的DeepLabv3+模型的自然环境下舌象分割方法

（1.湖南中医药大学信息与工程学院，湖南长沙 410208； 2.泰芯半导体有限公司长沙分公司，湖南长沙 410024）

出版日期:2025-10-27 发布日期:2025-10-28
作者简介: 作者简介：刘嵘澂（2002—），女，浙江金华人，学士，研究方向：医学图像处理，E-mail： 2395345893@qq.com；通信作者：辛国江（1979—），男，辽宁大连人，副教授，博士，研究方向：医学图像处理，E-mail： lovesin_guojiang@126.com；张杨（1999—），男，湖北枣阳人，硕士，研究方向：医学图像处理，E-mail： 1335841431@qq.com；朱磊（1997—），男，湖南双峰人，硕士，研究方向：医学图像处理，E-mail： 15717351085@163.com。
基金资助:
基金项目：国家级大学生创新训练项目（2022批次）；湖南省一流本科课程（2021-896）；湖南省教改课题（HNJG-2021-0584）

Natural Environment Tongue Image Segmentation Method Based on Improved Labv3+ Model

（1. School of Informatics， Hunan University of Chinese Medicine， Changsha 410208， China；
2. Changsha Branch， Taixin Semiconductor Co.， Ltd.， Changsha 410024， China）

Online:2025-10-27 Published:2025-10-28

摘要/Abstract

摘要：
摘要：在自然环境下采集的舌象图像，受光照、背景等因素的影响，其精确分割具有很高的难度。基于改进的DeepLabv3+算法，本文提出一种DeepLabv3-MAC模型，分割自然环境下采集的舌象。首先，将DeepLabv3+模型的主干网络替换为MobileNetv2网络来降低模型复杂度；其次，采用非对称卷积模块增强卷积神经网络的卷积核骨架，提高卷积信息的利用率；最后，引入CBAM注意力机制，不仅能关注空间和通道上参数的重要程度，同时也能提升模型分割精度。实验结果表明，相较于经典的舌象分割算法，本文提出的DeepLabv3-MAC模型具有较好的分割性能，同时，模型的参数量大大减少，可以更快地对自然环境下的舌象进行分割，有利于后期在移动端部署。

关键词: 关键词：舌象分割, DeepLabv3+, DeepLabv3-MAC, 非对称卷积模块, CBAM注意力机制

Abstract:
Abstract: Tongue image segmentation in natural environments poses great challenges due to factors such as lighting and background interference. This paper proposes a DeepLabv3-MAC model based on improved DeepLabv3+ algorithm for segmenting tongue images captured in natural settings. Firstly, the backbone network of the DeepLabv3+ model is replaced with a MobileNetv2 network to reduce model complexity. Secondly, an asymmetric convolutional module is adopted to enhance the convolutional kernel skeleton of convolutional neural network, thereby improving the utilization of convolutional information. Lastly, the introduction of the CBAM attention mechanism not only focuses on the importance of parameters in space and channels， but also enhances the segmentation accuracy of the model. Experimental results demonstrate that, compared to classical tongue image segmentation algorithms, the proposed DeepLabv3-MAC model exhibits superior segmentation performance. Additionally, the model significantly reduces the number of parameters, enabling faster segmentation of tongue images in natural environments and facilitating future deployment on mobile devices.

Key words: Key words: tongue image segmentation, DeepLabv3+, DeepLabv3-MAC, asymmetric convolution module, CBAM attention mechanism

中图分类号:

中图分类号：TP391

刘嵘澂1, 辛国江1, 张杨1, 朱磊2. 基于改进的DeepLabv3+模型的自然环境下舌象分割方法[J]. 计算机与现代化, 2025, 0(10): 32-36.

LIU Rongcheng1, XIN Guojiang1, ZHANG Yang1, ZHU Lei2. Natural Environment Tongue Image Segmentation Method Based on Improved Labv3+ Model[J]. Computer and Modernization, 2025, 0(10): 32-36.

参考文献

［1］严文娟，赵静，林凌，等. 中医舌诊研究方法的现状及发展趋势［J］. 中医杂志， 2010，51（12）:1133-1135.
［2］王艳清，卫保国，蔡轶珩，等. 一种基于先验知识的自动舌体分割算法［J］. 电子学报， 2004（3）:489-491.
［3］ ZHAI X， LU H， ZHANG L. Application of image segmentation technique in tongue diagnosis［J］. International Forum on Information Technology and Applications， IEEE， 2009，2:768-771.
［4］郑丰，黄晓阳，王博亮，等. 基于图像分割的舌象检测方法［J］. 厦门大学学报（自然科学版）， 2016，55（6）:895-900.
［5］李渊彤，罗裕升，朱珍民. 基于深度学习的舌象特征分析［J］. 计算机科学， 2020，47（11）:148-158.
［6］ QU P L， ZHANG H， ZHUO L， et al. Automatic tongue image segmentation for traditional Chinese medicine using deep neural network［C］// Proceedings of the 13th International Conference on Intelligent Computing. Springer， 2017:
247−259.
［7］卓力，张雷，贾童瑶，等. 基于双阶段元学习的小样本中医舌色域自适应分类方法［J］. 电子与信息学报， 2024， 46（3）: 986-994.
［8］王鑫，辛国江，张杨，等. 基于Dilated ADU-Net的开放环境下的舌象分割算法［J］. 计算机与现代化， 2024（4）: 48-54.
［9］陈洪苇，石文，张静宇，等. 基于Morphsnakes和U-Net的舌象分割算法研究［J］. 信息与电脑， 2022，10:57-60.
［10］薛玮珠，张博，姚瑶，等. 基于Transformer特征通道融合的舌像分割［J］. 武汉大学学报（理学版）， 2024，70（6）：704-714.
［11］曾素明，吴丽君. 基于多任务学习的舌像分割与分类［J］. 微电子学与计算机， 2023，40（10）:20-28.
［12］刘东华，张伟，顾旋，等. 基于改进DeepLabv3+的舌象分割算法［J］，现代计算机， 2023，29（3）:16-20.
［13］钟振，杨朝阳. 基于深度学习的中医舌象图像分割研究［J］. 江西中医药， 2021，52（463）: 46-49.
［14］黄留挥，程辉. 一种改进FCN的舌象分割方法：双支FCN2s［J］. 现代计算机， 2021，27（31）:72-76.
［15］刘东华，张伟，顾旋，等. 一种基于深度学习的二阶段舌象分割网络模型［J］. 中医药信息， 2022，39（11）:35-39.
［16］周迅，李永龙，周颖玥，等. 基于改进DeepLabV3+网络的坝面裂缝检测方法［J］. 清华大学学报（自然科学版）， 2023，63（7）:1153-1163.
［17］汝承印，张仕海，张子淼，等. 基于轻量级MobileNet-SSD和MobileNetV2-DeeplabV3+的绝缘子故障识别方法［J］. 高电压技术， 2022，48（9）:3670-3679.
［18］宁阳，杜建超，韩硕，等. 改进DeeplabV3+的火焰分割与火情分析方法［J］. 西安电子科技大学学报， 2021，48（5）:38-46.
［19］ SANDLER M， HOWARD A， ZHU M L， et al. MobileNetv2: Inverted residuals and linear bottlenecks［C］// Proceedings of the 2018 IEEE Conference on Computer Vision and Pattern Recognition. IEEE， 2018:4510-4520.
［20］李翠明，王华，徐龙儿，等. 基于改进DeepLabv3+的光伏电站道路识别方法［J］. 上海交通大学学报， 2024，58（5）:776-782.
［21］ DING X H， GUO Y C， DING G G， et al. ACNet: Strengthening the kernel skeletons for powerful CNN via asymmetric convolution blocks［C］// Proceedings of the 2019 IEEE/CVF International Conference on Computer Vision. IEEE， 2019:1911-1920.
［22］胡根生，吴继甜，鲍文霞，等. 基于改进YOLOv5网络的复杂背景图像中茶尺蠖检测［J］. 农业工程学报， 2021，37（21）: 191-198.
［23］ WOO S， PARK J C， LEE J Y， et al. CBAM: Convolutional block attention module［C］// Proceedings of the 15th European Conference on Computer Vision （ECCV）. Springer， 2018: 3-19.
［24］张闯，刘秀平，袁皓，等. 基于改进DeepLabV3+的铣床碎屑图像分割方法［J］. 光电子·激光， 2023，34（5）:489-497.
［25］林娜，何静，王斌，等. 结合植被光谱特征与Sep-UNet的城市植被信息智能提取方法［J］. 地球信息科学学报， 2023，25（8）:1717-1729.
［26］ MEN G， HE G， WANG G. Concatenated residual attention uNet for semantic segmentation of urban green space［J］. Forests， 2021，12（11）. DOI: 10.3390/51211141.
［27］ ZHAO H， SHI J， QI X， et al. Pyramid scene parsing network［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， IEEE， 2017:6230-6239.
［28］ SUN K， XIAO B， LIU D， et al. Deep high-resolution representation learning for human pose estimation［C］// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， IEEE， 2019:5693-5703.

基于改进的DeepLabv3+模型的自然环境下舌象分割方法

Natural Environment Tongue Image Segmentation Method Based on Improved Labv3+ Model

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 1

编辑推荐

Metrics

本文评价