买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉华南理工大学申请的专利一种基于类MLP网络的舌像特征体质识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117237784B 。

龙图腾网通过国家知识产权局官网在2025-08-15发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311192091.9，技术领域涉及：G06V10/82；该发明授权一种基于类MLP网络的舌像特征体质识别方法是由张孟健;文贵华设计研发完成，并于2023-09-15向国家知识产权局提交的专利申请。

本一种基于类MLP网络的舌像特征体质识别方法在说明书摘要公布了：本发明公开了一种基于类MLP网络的舌像特征体质识别方法，包括以下步骤：S1、采集舌头图像，以及标注对应舌头图像的体质标签，制作训练数据集和测试数据集。S2、构建高宽通道交互类MLP网络模型，其以二值交叉熵作为损失函数，利用体质标签对舌头图像进行监督学习。S3、运用图卷积网络分支学习舌头图像特征对应的体质标签之间的关系，获得兼夹体质标签之间的关联性。本发明的有益之处是利用图卷积网络学习舌头图像特征对应的兼夹体质关联性，构造的高宽通道交互类MLP模型提取舌头图像的体质特征信息，融合提取的舌头图像特征和体质标签的关联性能有效提高兼夹体质识别的准确性。

本发明授权一种基于类MLP网络的舌像特征体质识别方法在权利要求书中公布了：1.一种基于类MLP网络的舌像特征体质识别方法，其特征在于：包括以下步骤： 步骤S1数据采集与处理：采集舌头图像，以及标注对应舌头图像的体质标签，制作训练数据集和测试数据集； 步骤S2构建高宽通道交互类MLP模型：提出融合图卷积标签关系学习的高宽通道交互类MLP模型，并利用体质标签对舌头图像进行监督学习； 步骤S3嵌入标签关系的图卷积网络模型：根据中医兼夹体质理论，通过图卷积网络学习体质标签之间的关联性编码避免体质标签的互斥性，进而学习舌像特征与体质标签关联性之间的潜在联系，并融入高宽通道交互类MLP模型的舌像特征提取的编码； 所述步骤S2中的构建高宽通道交互类MLP模型，包括以下步骤： S21：将归一化的批量舌头图像作为高宽通道交互类MLP模型的输入图像； S22：利用高宽通道交互类MLP模型对输入图像进行特征学习和提取，所述的高宽通道交互类MLP模型包括若干卷积层、归一化层、下采样层、可学习的高宽特征交互层和全连接层； S23：利用双层图卷积网络学习输入的舌头图像对应的体质标签之间的关联性，将体质标签的互斥性和高强度并列性矩阵融入提取的舌像特征； S24：采用二值交叉熵为损失函数作为高宽通道交互类MLP模型的舌头体质标签识别的目标函数，将高宽通道交互类MLP模型提取的舌头图像和对应的标签关系特征输入到Sigmoid分类器，得到体质的类别： ， 其中，表示输出体质多标签类别的概率向量；Sigmoid表示输出标签类别（0,1）之间的概率值；FC表示全连接层；表示输入的舌头图像对应的体质标签类别相关的输出特征； 所述S22中，高宽通道交互类MLP模型的特征学习和提取过程可以表示为： 假设输入为，对应的Token-FC特征可以表示为： ， 式中，表示经过Token聚合后的特征；表示Token聚合块函数；表示网络权重参数；表示乘法运算；k表示第k个输入Token；j表示第j个输出Token；表示特征的Token划分数量；表示每一个特征交互变换层的空间特征，其中，将与权重相加得到输出的交互特征，则聚合特征的H和W交互输出为： ； 式中，表示可学习的权重；k表示第k个输入Token；j表示第j个输出Token；表示交互特征；表示Token交互变换后的特征向量； 概述而言，基于H、W通道信息交互的类MLP模型提取特征的数学表达式为： ， ， 式中，表示通道信息交互特征提取块函数；表示通道特征学习块函数；表示输入的特征；表示批量性归一化，其中高斯误差GELU作为激活函数；表示通过H、W通道交互MLP模块学习的中间特征；表示舌头图像对应的体质标签类别相关的输出特征。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人华南理工大学，其通讯地址为：510641 广东省广州市天河区五山路381号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。