简介面向中医信息化与AI医疗方向这份资源提供基于深度学习卷积神经网络和计算机视觉的中医舌诊自动化分析系统可自动定位舌体、提取舌质与舌苔等多维特征并结合中医专家权重输出心肝脾肺肾五脏健康指数适合医学图像处理研究者、中医智能化产品开发者参考学习。压缩包共42个文件以27个Python脚本为主干覆盖舌体分割、特征提取、模型训练与推理等模块另含6个txt说明文档、5个xml配置、docx/md文档及json配置整体约175KB结构清晰。已有64人学习下载。资源不仅包含完整的算法实现与代码逻辑还附有健康诊断说明、特征记录及依赖清单可帮助读者快速理解项目流程并搭建运行环境是中医舌诊数字化、辅助诊断系统开发的一份扎实实践参考。1. 从“拍舌照”到“五脏指数”这套系统到底拆了什么随手拍一张伸出的舌头的照片两到三秒后返回舌体轮廓和心肝脾肺肾五个健康指数——这是基于深度学习与计算机视觉的中医舌诊自动化系统在做的事。它把主观性很强的舌诊拆成一条可复现流水线目标检测自动定位舌体区域图像特征提取量化颜色、纹理、胖瘦、齿痕最后用中医专家经验权重折算成指数结果。它不是一上来就“端到端分类”的黑匣子每一层都有中间产物可查适合三类人做计算机视觉课程设计和毕业设计的学生想搞中医数字化落地的开发者以及需要一个完整深度学习工程流的算法工程师。真正拦住项目上线的往往不是模型精度而是光照、拍摄姿势、样本偏倚这些数据卫生问题下面直接进入复现路线。2. 舌体自动定位用分割模型把舌体从照片里抠出来2.1 为什么不能直接在全图上提取特征很多初学者拿到这个项目第一反应是“把整张照片送去训练一个五脏健康分类网络”。这个思路在公开数据集上可能刷出不错的准确率但一碰到真实自拍就崩原因有三个。第一舌体在整张照片里的占比太小。普通前置摄像头自拍舌头可能只占画面的 5% 到 15%肤色、嘴唇、牙齿、背景的光线变化对特征的稀释作用远大于舌象本身的差异。第二舌色和唇色在 RGB 空间里距离很近全图统计平均颜色时嘴唇的偏红会把舌体的真实颜色拉偏。第三后续的齿痕检测、胖瘦指数都需要以舌体轮廓为输入如果模型没有显式给出舌头区域形态类特征就无从谈起。所以这份资源的处理顺序是先定位后分析先用分割模型给出舌体的语义 mask再做 ROI 标准化之后所有特征提取都在舌体区域内部进行。这就是标题里“自动定位舌体区域”的实际含义。2.2 分割模型选型YOLOv8s-seg 比 Mask R-CNN 更适合这个场景常见做法是用 YOLOv8s-seg 做实例分割而不是纯目标检测 YOLOv8也不是 Mask R-CNN。理由是纯 bbox 会丢掉舌体边缘的形状信息齿痕检测刚好需要轮廓而 Mask R-CNN 虽然分割边界更精细但在中低端显卡上单帧推理时间偏长对课程设计和实时演示场景不够顺手。YOLOv8s-seg 在 640 分辨率下的推理速度是实时级别的掩膜精度对齿痕这种厘米级特征足够用。训练数据建议单类标注类别名就写 tongue。收集或标注 800 到 1200 张伸舌照片舌头伸出口腔的那部分全部标为目标牙齿、嘴唇、口腔内壁划到背景里。宁可少标不要错标否则模型会把嘴唇边缘学进去后面特征提取阶段就要花大量时间处理误检。2.3 训练参数与常见配置这里给一组我在复现时用过的参数不是唯一解但可以少走弯路参数取值说明modelyolov8s-seg.pt用 COCO 预训练权重起步imgsz640分辨率再高对小目标提升有限显存翻倍batch168G 显存约可支撑OOM 就降 8epochs100配合早停通常 60 轮前后收敛patience20连续 20 轮 mAP 不涨就停hsv_h / s / v0.05 / 0.2 / 0.2轻微颜色扰动模拟不同手机拍摄fliplr0.2只做水平翻转不做大角度旋转提示不要给增强加 translate 和 scale 太多舌体本身比例固定过强增强会生成现实中不存在的舌形反而拉低掩膜精度。训练结束后看两个指标mAP50 建议冲到 0.95 以上mAP50-95 达到 0.85 以上。如果 mAP50 高但 mAP50-95 低说明边缘掩膜不稳定这时候优先检查标注框是否紧贴舌缘而不是盲目加大训练轮数。2.4 推理后处理置信度过滤、mask 外扩与旋转校正模型输出的 mask 不能直接用。我一般把 mask 转成轮廓然后做三件事过滤低置信度、外扩 ROI、旋转校正。下面这段是放在模型推理之后的预处理逻辑import cv2 import numpy as np from ultralytics import YOLO model YOLO(yolov8s-seg.pt) # 换成训练好的舌体分割权重 def extract_tongue_roi(image_path, conf_thresh0.7): img_bgr cv2.imread(image_path) img_rgb cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB) h, w img_rgb.shape[:2] results model.predict(img_rgb, confconf_thresh, iou0.5, verboseFalse) if not results or results[0].masks is None: return None, None masks results[0].masks.data.cpu().numpy() # 多目标时取面积最大 areas masks.sum(axis(1, 2)) mask masks[int(np.argmax(areas))].astype(np.uint8) # mask 外扩 5%降低分割边缘不齐的影响 kernel cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (15, 15)) mask_dil cv2.dilate(mask, kernel, iterations1) cnts, _ cv2.findContours(mask_dil, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) cnt max(cnts, keycv2.contourArea) x, y, bw, bh cv2.boundingRect(cnt) roi_ratio bw * bh / (h * w) if roi_ratio 0.12: return None, None # 舌体占比太小直接拒识 # 按最小外接矩形做旋转校正保证舌体长轴水平 rect cv2.minAreaRect(cnt) angle rect[-1] if angle -45: angle 90 angle M cv2.getRotationMatrix2D(rect[0], angle, 1.0) rot_img cv2.warpAffine(img_rgb, M, (w, h), flagscv2.INTER_CUBIC) rot_mask cv2.warpAffine(mask_dil, M, (w, h), flagscv2.INTER_NEAREST) cx, cy int(rect[0][0]), int(rect[0][1]) half_w, half_h int(bw / 2), int(bh / 2) x1, y1 max(cx - half_w, 0), max(cy - half_h, 0) x2, y2 min(cx half_w, w), min(cy half_h, h) roi rot_img[y1:y2, x1:x2] roi_mask rot_mask[y1:y2, x1:x2] # 统一缩放到 512x512供后续特征模块使用 roi_resized cv2.resize(roi, (512, 512), interpolationcv2.INTER_CUBIC) mask_resized cv2.resize(roi_mask, (512, 512), interpolationcv2.INTER_NEAREST) return roi_resized, mask_resized逻辑说明先取面积最大的掩膜是因为自拍照片里可能出现嘴唇误检最大面积通常是舌体mask 外扩 5% 是为了让边缘齿痕不被轮廓误差切掉旋转校正是为了消除手机横竖拍带来的舌体朝向差异齿痕检测和胖瘦指数对朝向敏感。函数返回的 mask_resized 后续会用来屏蔽舌体以外的背景像素避免嘴唇和牙齿混进颜色统计。参数说明conf_thresh 设 0.7 而不是默认 0.25因为低置信度框算出来的指数不可信宁可拒识也不要硬出结果roi_ratio 低于 0.12 直接返回 None这对应“离镜头太远、舌体太小”的情况膨胀核 15×15 是按 512 分辨率折算的经验值如果后续把分辨率提到 1024这个核要同步加大。3. 舌象特征提取颜色、纹理、齿痕如何量化为特征向量3.1 颜色特征选 HSV 和 Lab 而不是 RGB舌象最直观的维度是颜色。中医里淡白舌、淡红舌、红舌、绛红舌的区别本质是舌质颜色的色相和饱和度差异。直接统计 RGB 均值的问题在于RGB 的三个通道都混有亮度信息同一根舌头在不同照度下统计值漂移很明显。常见做法是在两个色彩空间里取特征HSV 空间的 H、S、V 均值与标准差Lab 空间的 a、b 通道均值。HSV 把色相和亮度分开H 对舌色偏红偏黄敏感S 反映颜色浓淡Lab 的 a 通道表示红绿色差b 通道表示黄蓝色差舌苔偏黄、偏白在 b 通道上分得开。加起来是 8 维再叠加舌苔覆盖率构成颜色部分。舌苔分离可以做得很轻量把 ROI 内像素转成 HSV对 S 低、V 高、H 落在白黄区间的像素判为苔区反之判为舌质区分别统计两组的 H/S/V 均值。这样“舌质颜色”和“舌苔颜色”分开进入特征而不是混在一起算平均对后续五脏指数里的肺经权重很有用。3.2 纹理特征GLCM 判别苔质厚腻LBP 捕捉细腻度苔质是舌象里仅次于颜色的第二重要信息。白厚腻苔和薄白苔在颜色上可能接近但表面纹理差别很大这就要靠纹理特征。我一般用灰度共生矩阵GLCM加局部二值模式LBP。GLCM 计算四个方向的对比度、能量、熵、均匀性共 4 维参数上固定距离为 1方向取 0、45、90、135 度再平均窗口用整舌区域而不是分块因为舌苔纹理是全局性的。LBP 取半径 1、邻域 8转成 uniform 模式共 59 个直方图 bin再取直方图熵作为一维纹理复杂度特征。厚腻苔的纹理特征通常表现为高对比度、低能量、高熵正常薄苔则对比度低、能量高。这里要注意 GLCM 输入必须是单通道灰度图用 cv2.cvtColor 转换不要直接拿 RGB 的某一个通道去算否则会把颜色差异混进纹理统计。3.3 形态特征齿痕计数与胖瘦指数齿痕舌是脾虚的重要指征算法上等价于舌体轮廓上的凹陷检测。做法是沿轮廓等间距采样 128 个点对每个点取前后各 12 个像素组成的窗口计算该点的曲率连续三个以上采样点曲率超过阈值并且凹陷深度超过 8 像素就记为一个齿痕。齿痕数超过 3 个脾经指数要显著往下压。胖瘦指数用舌体的最小外接矩形算矩形宽高比作为舌宽/舌长。胖大舌比值一般在 0.85 以上瘦薄舌在 0.6 以下。这里的矩形来自分割 mask 的 minAreaRect必须用旋转校正后的 mask否则斜着拍的舌头宽高比会失真。3.4 特征融合构成 25 维向量归一化要防离群值把三部分特征拼起来颜色 16 维HSV 统计、Lab 统计加舌苔覆盖率等、纹理 6 维、形态 4 维共 25 维左右。归一化时不能直接用全局 Min-Max因为 GLCM 对比度的量纲和颜色均值差别很大少数极端样本会把正常区间压扁。我习惯先做 5% 到 95% 的分位数裁剪再做 Min-Max把落在两端尾部的噪声去掉。import cv2 import numpy as np from skimage.feature import graycomatrix, graycoprops, local_binary_pattern def extract_features(roi, mask): # 只保留舌体区域像素背景置 0 masked cv2.bitwise_and(roi, roi, maskmask) hsv cv2.cvtColor(masked, cv2.COLOR_RGB2HSV) H, S, V hsv[:, :, 0], hsv[:, :, 1], hsv[:, :, 2] lab cv2.cvtColor(masked, cv2.COLOR_RGB2LAB) a_ch, b_ch lab[:, :, 1], lab[:, :, 2] feats [ H.mean(), H.std(), S.mean(), S.std(), V.mean(), V.std(), a_ch.mean(), b_ch.mean(), ] # 舌苔/舌质分层S 低、V 高的像素判为苔区 th_mask ((S 60) (V 120)).astype(np.uint8) th_ratio th_mask.sum() / max(mask.sum(), 1) feats.append(th_ratio) # GLCM 纹理四个方向取平均 gray cv2.cvtColor(masked, cv2.COLOR_RGB2GRAY) glcm graycomatrix(gray, distances[1], angles[0, np.pi/4, np.pi/2, 3*np.pi/4], levels256, symmetricTrue, normedTrue) glcm_slice glcm[:, :, 0, :] # 只取距离1 for p in [contrast, energy, homogeneity, ASM]: feats.append(graycoprops(glcm_slice, p).mean()) # LBP uniform 直方图熵P8, R1 lbp local_binary_pattern(gray, P8, R1, methoduniform) hist, _ np.histogram(lbp.ravel(), bins59, range(0, 59)) hist hist / max(hist.sum(), 1e-6) entropy -(hist[hist 0] * np.log(hist[hist 0])).sum() feats.append(entropy) # 齿痕轻量特征mask 与凸包的面积差占比 cnts, _ cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) cnt max(cnts, keycv2.contourArea) hull cv2.convexHull(cnt) area_cnt cv2.contourArea(cnt) area_hull cv2.contourArea(hull) feats.append(max(area_hull - area_cnt, 0) / max(area_hull, 1)) # 胖瘦指数最小外接矩形短边/长边 rect cv2.minAreaRect(cnt) w_rect, h_rect rect[1] feats.append(min(w_rect, h_rect) / max(w_rect, h_rect)) return np.array(feats, dtypenp.float32) roi, mask extract_tongue_roi(tongue_photo.jpg) vec extract_features(roi, mask) print(vec.shape, vec)逻辑说明bitwise_and 把舌体以外像素置黑避免嘴唇和牙齿污染统计舌苔分层阈值 S60、V120 是经验值算出来是“偏白偏淡区域占比”齿痕特征这里用“轮廓面积与凸包面积的差占比”做轻量实现不需要逐点曲率计算但对齿痕严重的舌体仍然敏感。胖瘦指数取最小外接矩形的短边/长边斜舌已经在上一章被旋转校正此时比值才可信。参数说明GLCM 的 levels256 直接用 8 位灰度范围levels 设小会导致量化太粗、纹理细节丢失LBP 的 P8、R1 是计算量和信息量的折中P 再大边缘噪声响应明显归一化的分位数裁剪和 Min-Max 要基于训练集统计出的 min/max 来做不能每张图独立归一否则分数之间不可比。4. 五脏健康指数专家权重矩阵与 0-100 分计算流程4.1 为什么不用端到端分类而用“特征 权重”到这里定位和特征提取都只是中间产物最后一步是把特征折算成心肝脾肺肾五个指数。这个项目选择用“中医专家经验权重”而不是训练一个五脏分类网络原因很实在五脏健康标签极度依赖医生主观判断不同医生对同一张舌照的结论一致性本身就不高直接当分类标签训练模型只能学到标注者的偏见而且数据量根本不够。专家权重法的本质是把辨证规则显式化。中医舌诊里齿痕主脾虚、舌色偏红主热、苔黄主热证、苔白主寒证或湿证这些规则可以写成一张二维权重表表里每一列是特征每一行是五脏经络交叉点是该特征对这个脏器的影响权重。这样每个指数都能解释成“哪些特征把我的分数拉高了、哪些拉低了”对辅助筛查来说可解释比端到端的玄学精度更重要。4.2 权重矩阵怎么来的AHP 一致性校验权重表本身不是随便填的。项目默认用层次分析法AHP生成专家对“舌色、苔色、苔质、齿痕、胖瘦”五个准则两两比较相对重要性构造 5×5 比较矩阵再算特征向量得到权重。这一步的关键是必须做一致性检验CR 0.1 才能用否则说明专家打分自相矛盾要回到比较表重新填。资源包里内置了一张已经算好的权重矩阵结构类似下面这张表每一行和为 1脏器舌色苔色苔质齿痕胖瘦心0.300.200.200.150.15肝0.250.150.150.250.20脾0.150.100.200.300.25肺0.200.300.300.100.10肾0.350.150.150.150.20解读一下脾经对齿痕和胖瘦权重最高符合“脾主肌肉、齿痕主脾虚”的辨证逻辑肺经对苔色、苔质权重最高舌苔是肺气熏蒸的结果肾经看舌色最重久病舌色变化多责之于肾。这张表可以直接替换成自己的辨证体系特征列不变权重值按临床习惯改但每次都要重新跑一遍 AHP 校验。4.3 特征方向处理与指数映射权重全是正数但特征不是“越大越健康”。齿痕越少越健康、胖瘦在中间区间最好方向不一致直接乘权重会把方向搞反。所以计算前先把特征统一成“健康可靠度”对“越大越不健康”的特征取 1 减去归一化值让所有维度变成 0 到 1 之间的正向分数。指数计算就是一行矩阵乘法脏器得分 Σ(可靠度 × 权重) × 100范围落在 0 到 100。项目默认的参考区间是 85 分以上状态良好、70 到 84 亚健康、50 到 69 存在偏颇、50 以下高风险。这个区间不是医学诊断标准它的意义是给用户一个相对稳定的横向比较尺度。4.4 指数计算与报告生成代码import numpy as np import json # 每行一个脏器心、肝、脾、肺、肾 weight_matrix np.array([ [0.30, 0.20, 0.20, 0.15, 0.15], [0.25, 0.15, 0.15, 0.25, 0.20], [0.15, 0.10, 0.20, 0.30, 0.25], [0.20, 0.30, 0.30, 0.10, 0.10], [0.35, 0.15, 0.15, 0.15, 0.20], ]) # 特征顺序与上面表格列一致舌色、苔色、苔质、齿痕、胖瘦 # 每个值已经过 Min-Max 归一化direction1 表示越大越健康direction-1 反之 feature_values np.array([0.82, 0.64, 0.71, 0.35, 0.68]) direction np.array([1, 1, 1, -1, -1]) reliability np.where(direction 1, feature_values, 1 - feature_values) scores np.dot(reliability, weight_matrix.T) * 100 organ_names [心, 肝, 脾, 肺, 肾] result {name: round(float(score), 1) for name, score in zip(organ_names, scores)} print(json.dumps(result, ensure_asciiFalse, indent2))逻辑说明np.where 把“越大越不健康”的特征翻转为可靠度齿痕和胖瘦在这个例子里都是反向特征。矩阵乘法后乘 100是因为权重行和为 1、可靠度在 0 到 1 之间乘 100 才能落到常见指数量纲。direction 数组必须和权重表格的列顺序一一对应改特征顺序时最容易在这里翻车。参数说明reliability 计算里 direction-1 的特征用 1-feature_values 翻转这只适合特征已经做了 Min-Max 归一化的情况如果特征还是原始量纲必须先归一化再做方向处理。输出 JSON 结构带上 organ_names 而不是数组下标是为了后端展示时不用再做一次下标映射。实际项目里这个 JSON 还会追加置信度、质量检查状态和 top2 贡献特征这些放到最后一章讲。5. 排坑实录过曝、姿态、齿痕误检与样本偏倚这一章是我在复现这套系统时真实踩过的坑。模型精度不是最耗时间的数据卫生才是。五条记录按“现象 → 原因 → 解决”写对照你的复现顺序自查。5.1 过曝把红舌拍成淡白舌现象用户上传明亮窗边拍的照片分割和特征提取都正常但输出显示“淡白舌、气血亏虚”用户坚持说自己舌色很红。原因前置摄像头自动测光会把人物主体提亮舌面高光区域过曝S 通道饱和度被压低、V 通道顶到 255HSV 统计里饱和度均值骤降模型把红色误判成淡白色。这是光照问题不是舌象问题。解决在特征提取前加一个曝光质量闸门统计舌体区域内 V 通道超过 240 的像素占比超过 15% 直接返回“请到光线均匀处重拍”。同时训练阶段把 hsv_v 扰动从 0.2 提到 0.3让模型见过更多过曝形态减少推理时对中间亮度段特征的依赖。提示质量闸门不是后处理装饰它是数据卫生的第一道防线优先级高于置信度过滤。5.2 舌头没伸全舌根被下巴挡住形态特征整体失真现象某测试集里 20% 的照片舌体下半被下颌阴影截断齿痕检测正常但胖瘦指数全部偏向瘦薄舌脾经分数集体偏低。原因用户伸舌姿势不规范舌头没有自然平伸分割模型把可见部分当完整舌体mask 缺少舌根区域外接矩形的长宽比被压短。解决在 ROI 标准化里加一条“mask 面积占 bbox 面积”的检查。正常伸舌这个比例在 0.75 到 0.95 之间低于 0.65 判定为舌体不完整拒识并要求重拍。另一个做法是训练数据里专门标注一批“被遮挡”的负样本让分割模型学会输出边界而不是把阴影猜测成舌体边缘。5.3 齿痕误检把正常的舌缘波浪当成病理性齿痕现象特征维度里齿痕占比波动很大同一用户三天内两次自拍一次报 2 个齿痕一次报 6 个脾经指数跳动超过 15 分。原因齿痕本质是轮廓上的局部凹陷而舌缘本身就不是完美直线自然波浪、阴影和 mask 边缘锯齿都会产生同类信号。固定像素深度的曲率阈值照顾不到不同尺度的舌体舌头小一点的照片相对凹陷就会显得更深。解决改成按舌体半径做自适应阈值。先把轮廓点的凹陷深度除以该点处舌体的局部宽度得到相对深度再设 8% 到 12% 的相对阈值。mask 边缘锯齿则在外扩之后、计算之前先对轮廓坐标做一次高斯平滑把亚像素噪声滤掉。5.4 训练集中舌苔标签口径不一致现象两位标注者对“薄白苔”和“白厚苔”的边界看法不同肺经权重又恰好给苔色苔质分配了 0.6 的高权重导致同一张舌照在模型 A 和模型 B 上得分差异显著。原因舌苔厚度没有清晰的像素级定义标注规范里只有文字描述、没有示例图标注者只能靠个人感觉划线。解决建标注规范时配三张基准示例图薄白苔、白厚苔、黄腻苔要求标注者先通过一致性测试再开工。训练前抽 50 张图让两位标注者分别标计算 Kappa 系数小于 0.7 就先统一口径再继续。这份资源的特征管线用的是规则分层如果你要自己训练苔质分类模型这条同样成立。5.5 低置信度结果硬出指数现象一张对焦失败的模糊照片分割置信度只有 0.31系统还是给出了“肺经 72 分”的报告用户拿这个分数去问医生项目可信度直接崩掉。原因推理代码沿用默认 conf0.25低置信度的 mask 一样能算出一串看起来合理的特征和指数管线里没有任何地方检查“这个结果可不可信”。解决推理侧把置信度阈值设为 0.7低于阈值就不出指数。服务端再加一道校验特征向量里 GLCM 熵低于某个绝对下限就判定图像过于平滑、当作失焦处理。宁可少出结果也不要出一个错的。用户端看到的“拒识提示”要比一个错误的健康分数安全得多。6. 让指数输出真正可信质量闸门、可解释报告与参数固化6.1 质量闸门把散落的拒识条件收拢成一个函数前几章里反复出现各种阈值。真正用于生产前不能指望每个调用方都记住 conf 0.7、过曝 15%、舌体占比 12% 这些散落在代码里的魔法数。做法是收拢为一个质量闸门统一放在特征计算之前def quality_gate(roi, mask, conf, over_exposed_max0.15, roi_ratio_min0.12): v cv2.cvtColor(roi, cv2.COLOR_RGB2HSV)[:, :, 2] overexposed (v 240).mean() roi_ratio mask.mean() if conf 0.7 or overexposed over_exposed_max or roi_ratio roi_ratio_min: return False, 质量不足请重新拍摄 return True, ok逻辑说明过曝比例统计 V 通道超过 240 的像素占舌体区域的比值mask.mean() 在 mask 为 0/1 的 uint8 数组上就是舌体占整个 512×512 的比例。三个条件满足任何一个就直接拦截不再进入特征计算和权重映射。参数说明conf 0.7、过曝 15%、舌体占比 12% 这三个阈值全部来自第五章的踩坑记录是整条管线里最优先固化的一批参数也是迭代时最容易被人乱调的地方。6.2 可解释报告给分数附上 top2 贡献特征只输出五个分数用户无法判断结果到底该不该信。常见做法是在 JSON 报告里为每个脏器追加一组 top_features 字段。计算很简单对每个脏器把权重矩阵的那一行与可靠度向量逐项相乘排序取前两名。以脾经为例如果齿痕可靠度只有 0.35、权重 0.30胖瘦可靠度 0.60、权重 0.25报告会显示“脾经 68 分主要受齿痕影响”。这比一个孤立数字更能解释为什么建议用户去复查。后端返回的 JSON 已经预留了这个字段的透传前端只需把 top2 特征名绑定到指数条下方展示。6.3 参数固化把阈值和权重全部写进配置项目里有三类参数最容易被乱改分割置信度、特征方向标记、五个脏器的权重矩阵。三类参数分属不同模块但都会影响最终指数。全写进代码里调一次参数就要全局搜一遍。我的做法是新建一个 core_config.json把三类参数集中起来配置块字段示例用途gateconf_min 0.7 / over_exposed 0.15 / roi_ratio_min 0.12质量闸门featuresdirection 数组 [1,1,1,-1,-1]特征方向organsweight_matrix 二维数组专家权重矩阵levels85 / 70 / 50 三档等级映射边界代码启动时读入这个配置函数直接引用调参不用动模型。如果你正在找一条能完整跑通的中医视觉项目这份资源值得下载下来按上面顺序复现一遍等于把从数据标注到专家权重计算的整条链路亲手搭了一遍。从那以后我每次换测试集都会强制先跑一遍 50 张质量校验图看拒识率是不是超过 15%、过曝占比有没有变化确认是数据变了还是配置该动了再决定要不要碰权重。希望帮到你。本文还有配套的精品资源点击获取
