2016年秋-网络程序设计 学习总结

对血常规检验报告的OCR识别、深度学习与分析

项目背景

       2016是人工智能爆发的一年，各种层出不穷的新技术、新概念让人眼花缭乱。医疗保健领域中的大数据在改善患者护理以及最终实现合理成本方面具有巨大的潜力。大数据时代的出现给统计机器学习提供了更多的机遇，因为海量的数据更加需要统计、抽样的方法。

      本学习孟宁老师的网络程序设计课程内容为基于神经网络的医疗辅助诊断专家系统设计，我和同学们都满怀兴趣和激情加入了课程的学习。同学们在分享讨论中，对机器学习的相关算法、图片和数据的处理方法都进行了学习和了解，这样的学习方式是高效且充满意义的。同时，对课程项目内容也不断地充实、完善，在此进行回顾和总结。

项目目标

       能够将手机拍摄的血常规检验报告图片预处理，并且实现图像识别，将检验结果输入到神经网络，进行性别和年龄的预测。对项目进行展望，可以通过更加丰富的检验数据，基于更加完善的深度学习模型，对对象的健康状况给出预测。

课程中的贡献与学习成果

课程贡献：

与同学们分享了机器学习中的决策树算法，并进行了具体应用的演示。

学习成果：

（1）通过参与同学们的分享和讨论，对机器学习的方法有了基础地学习和认识。学习了常见的机器学习算法（SVM、随机森林、决策树、感知机、Adaboost等）的原理和特性。感受到了opencv在图像预处理方面的强大功能，学习了本项目中对图片进行处理的方法原理，掌握了利用ocr方法进行图像文本识别的方法。

（2）在对神经网络的学习中，掌握了BP神经网络的算法原理。通过同学们的分享交流，对深度学习的常用框架caffe、tensorflow、MxNet等有了更进一步的了解。其中，对caffe框架进行了较为深入的研究，受到启发，在工程实践项目中采用caffe实现了图像多目标检测任务。

（3）在认真聆听同学们对各种算法的介绍中，开拓了眼界，能够主动思考比较各类算法和框架的有点与不足，考虑何种算法更适合应用在何种场合，产生了对机器学习的浓厚兴趣。

（4）在学习中，能够与老师和同学们步调保持一致，逐步把项目完善。最终能够成功运行项目Demo，并在同学们的指导和帮助下，能够理解项目代码。

项目部署和Demo演示

项目地址：对血常规检验报告的OCR识别、深度学习与分析

安装numpy

$ sudo apt-get install Python-numpy

 

安装Opencv

$ sudo apt-get install python-opencv

 

安装pytesseract

$ sudo apt-get install tesseract-ocr

$ sudo pip install pytesseract

$ sudo apt-get install python-tk

$ sudo pip install pillow

 

安装Flask框架

$ sudo pip install Flask

 

安装mongod