本技術涉及舌象分類，尤其涉及一種舌象分類模型、方法、系統、終端及存儲介質。
背景技術：
1、中醫舌診是四診合參的核心環節，通過觀察舌色、舌形、苔質、苔色等特征判斷臟腑功能與病理狀態，具有重要臨床價值。然而，人工舌診易受醫師經驗、光照條件及環境干擾影響，缺乏量化標準，診斷一致性低，制約其現代化應用。近年來，人工智能技術為舌象分析提供了新路徑：傳統機器學習依賴手工設計顏色、紋理等特征，泛化能力弱；深度學習中，卷積神經網絡（cnn）雖擅于捕捉局部邊緣與紋理，但受限于固定感受野，難以建模舌體整體色澤漸變、苔質全域分布等全局語義；transformer類模型雖具長程建模能力，卻因窗口隔離機制削弱對舌乳頭、齒痕、微斑等細粒度局部結構的響應。現有方法或采用單一架構，或僅作簡單拼接，均未能在單模塊內協同實現局部結構精細提取與跨窗口語義關聯建模，導致舌象多尺度病理特征表達不充分、分類魯棒性不足，難以滿足臨床對高精度、強適應性舌象自動判別的實際需求。
技術實現思路
1、有鑒于此，本技術實施例提供一種舌象分類模型、方法、系統、終端及存儲介質。
2、第一方面，本技術實施例提供一種舌象分類模型，包括，預處理卷積層、多階段協同式主干網絡和分類層；
3、所述預處理卷積層，用于對輸入的原始舌象圖像進行處理以獲得所述協同式主干網絡第一個階段的輸入特征圖；
4、所述協同式主干網絡的每個階段由一個協同式結構變換模塊構成，每個所述協同式結構變換模塊用于接收上一階段輸出的特征圖，并依次執行以下操作：
5、通過窗口劃分自注意力子模塊，將輸入的特征圖劃分為非重疊窗口，并在各窗口內執行自注意力計算，以提取局部結構特征；
6、通過移位窗口自注意力子模塊，對所述局部結構特征進行窗口循環移位及掩碼處理，以獲得跨窗口全局關聯特征；
7、通過多粒度空間注意力模塊，對輸入特征并行執行不同注意力粒度的特征提取操作，并將提取的特征進行融合形成多粒度融合特征；所述輸入特征為所述局部結構特征和所述全局關聯特征中的特征；
8、通過輸出層，對所述多粒度融合特征執行通道維度擴展與空間下采樣，以獲得當前階段的目標輸出特征圖；
9、所述分類層，用于對最后一個階段輸出的所述目標輸出特征圖進行映射操作，輸出各舌象類別的預測概率分布。
10、在可選的實施方式中，每個所述協同式結構變換模塊還配置有投影殘差連接子模塊；
11、所述投影殘差連接子模塊用于將輸入特征圖經卷積層進行通道維度適配后，與對應所述目標輸出特征圖進行逐元素相加，得到當前階段的最終輸出特征圖，并將最終輸出特征圖作為更新后的所述目標輸出特征圖。
12、在可選的實施方式中，所述多粒度空間注意力模塊包括特征劃分模塊，以及并列的點粒度注意力分支、局部粒度注意力分支、中程粒度注意力分支和全局粒度注意力分支，以及特征融合模塊；
13、所述特征劃分模塊用于將所述局部結構特征和所述全局關聯特征劃分為四個相等分支的第一輸入特征、第二輸入特征、第三輸入特征和第四輸入特征。
14、在可選的實施方式中，所述點粒度注意力分支，用于對所述第一輸入特征執行像素級注意力權重生成操作，生成空間注意力權重圖，并將所述空間注意力權重圖與所述第一輸入特征進行逐元素相乘后，再與所述第一輸入特征進行逐元素相加，得到點粒度輸出特征；
15、所述局部粒度注意力分支，用于對所述第二輸入特征執行局部感受野線性投影、歸一化處理及非線性激活操作，以獲得局部粒度輸出特征；
16、所述中程粒度注意力分支，用于對所述第三輸入特征執行所述稀疏特征篩選，以獲取第二目標特征及對應空間坐標信息，然后基于鄰域結構關聯建模策略對所述第二目標特征進行處理，生成中程結構注意力權重圖，并利用所述空間坐標信息插值對所述中程結構注意力權重圖進行尺寸恢復操作，以獲得中程粒度輸出特征；
17、所述全局粒度注意力分支，用于根據所述第四輸入特征的分辨率，動態選擇適配的多尺度全局依賴建模機制，并基于適配的所述多尺度全局依賴建模機制對所述第四輸入特征執行建模處理后獲得全局粒度輸出特征；所述多尺度全局依賴建模機制包括結合所述稀疏特征篩選的輕量級分組擴張卷積建模、結合所述稀疏特征篩選的視覺上下文注意力建模與直接應用的視覺注意力建模；
18、所述特征融合模塊，用于將所述點粒度輸出特征、所述局部粒度輸出特征、所述中程粒度輸出特征和所述全局粒度輸出特征進行通道維度拼接后形成所述多粒度融合特征。
19、在可選的實施方式中，所述舌象分類模型，還包括預處理卷積層；
20、所述預處理卷積層，用于對輸入的原始舌象圖像進行初步特征提取，以獲得舌象的局部邊緣與細粒度紋理特征，并將所述舌象的局部邊緣與細粒度紋理特征作為所述協同式主干網絡第一個階段的輸入特征圖。
21、在可選的實施方式中，所述分類層為基于柯爾莫哥洛夫-阿諾德表示定理的殘差式單變量映射層；
22、所述分類層，具體用于對最后一個階段輸出的所述目標輸出特征圖的每個通道特征向量，分別執行基函數映射與樣條函數映射，并對所述基函數映射與樣條函數映射的結果進行加權求和，得到對應通道的非線性增強特征，然后對所述非線性增強特征進行歸一化處理后輸出各舌象類別的預測概率分布。
23、第二方面，本技術實施例提供一種舌象分類方法，包括：
24、獲取待測對象的目標舌象圖像，并對所述目標舌象圖像進行預處理；
25、將預處理后的目標舌象圖像輸入上述舌象分類模型，以輸出各舌象類別的預測概率分布，并基于各舌象類別的預測概率分布確定舌象分類結果。
26、第三方面，本技術實施例提供一種舌象分類系統，包括：
27、圖像采集模塊，用于獲取待測對象的目標舌象圖像；
28、預處理模塊，用于對所述目標舌象圖像進行預處理；
29、模型推理模塊，用于根據上述的舌象分類模型對預處理后的目標舌象圖像進行處理，以獲得各舌象類別的預測概率分布；
30、結果確定模塊，用于基于各舌象類別的預測概率分布確定舌象分類結果。
31、第四方面，本技術實施例提供一種終端設備，所述終端設備包括處理器和存儲器，所述存儲器存儲有計算機程序，所述處理器用于執行所述計算機程序以實施前述實施方式所述的舌象分類方法。
32、第五方面，本發明提供一種計算機可讀存儲介質，其存儲有計算機程序，所述計算機程序在處理器上執行時，實施根據前述實施方式所述的舌象分類方法。
33、本技術的實施例具有如下有益效果：本技術通過將窗口劃分自注意力子模塊與移位窗口自注意力子模塊在協同式結構變換模塊內時序級聯，并耦合多粒度空間注意力模塊對局部結構特征與跨窗口全局關聯特征進行并行增強與融合，再經輸出層完成通道擴展與空間下采樣，從而在單一模塊內同步實現舌象局部紋理細節的精細建模與宏觀分布趨勢的語義關聯，有效克服了傳統卷積神經網絡局部感受野受限導致的全局特征缺失問題，以及純transformer模型因窗口隔離機制帶來的微觀結構弱化問題；在此基礎上，所述分類層對最終目標輸出特征圖執行映射操作以輸出預測概率分布，使得模型在保持計算效率的同時，顯著提升了對中醫舌象多尺度病理特征的整體表征能力與分類判別精度。