tongue AI 舌诊 Web 系统-我爱数钱钱

# AI 舌诊 Web 演示系统

> 定位：教学 / 技术原型（demo），**非医疗器械**，不替代医师面诊。

—

## 一、项目一句话概述

一个基于 Flask + OpenCV + 本地 Vision 大模型的「AI 舌面照片分析」Web 演示系统。
用户上传舌面照片 → 后端做图像标准化、舌体分割、特征量化、规则引擎辨证 →
返回量化结果 + 分割标注图 + 本地多模态大模型的 AI 解读 → 历史记录入库 SQLite/MySQL。

—

## 二、技术栈

—

## 三、目录结构

“`
E:/flask/tongue/
├── app.py # Flask 入口：路由 + 页面 + API + SQLite + Vision 调用
├── tongue_ai.py # 核心算法库：标准化/分割/特征/辨证 5 段流水线
├── tongue.db # 运行时 SQLite 数据库
├── tongue.sql # MySQL 建表+3 条记录导出（Navicat）
├── requirements.txt # opencv-python / numpy / scikit-learn
├── API.md # 对外 API 文档
├── uploads/ # 上传舌图存储目录
├── static/ # 静态资源（tongue_sample.png 拍摄示例图）
└── _out_anno.txt, _srv.log, mcp-shell.log # 运行日志/临时产物
“`

—

## 四、核心业务流水线（tongue_ai.py）

整条流水线 5 个阶段，函数职责清晰，可独立 CLI 运行：

### 1. 图像标准化 `standardize(img_bgr)`
– `fastNlMeansDenoisingColored` 去噪
– BGR→LAB，对 L 通道直方图均衡（消除亮度差异/光照不均）
– resize 到 512×512 统一尺寸

### 2. 舌体分割 `segment_tongue(img)`
– BGR→HSV，取两段红色区间（H∈[0,15]∪[160,180]，S/V 阈值）并 `bitwise_or`
– 闭运算（9×9）去小洞 + 开运算（5×5）去噪点
– `findContours` 取最大轮廓填充 → 返回二值掩码
– 注释明确：工程上用 U-Net / Mask R-CNN 替代

### 3. 特征量化 `extract_features(img, mask)`
在掩码内采样像素，输出 10 个量化特征：
– 颜色类：`R/G/B` 均值、`sat`（HSV 饱和度→苔腻参考）、`val`（明度）
– 纹理类：`texture`（灰度 Laplacian 方差→舌苔厚薄/腻腐）
– 形态类：`aspect`（长宽比）、`roughness`（周长/(2×(w+h))，>1.15 提示齿痕）、`crack`（Canny 边缘密度→裂纹）
– `area_ratio`（舌体占图像面积比）
– 掩码像素 <100 时抛 `RuntimeError`（未检测到有效舌体）

### 4. 辨证推理 `diagnose(f)`（规则引擎，非临床依据）
– 舌色：按 RGB 阈值判 `淡白 / 淡红(默认) / 红绛 / 青紫`
– 舌苔：`sat<55`→薄白；否则 `texture>800`→黄腻，否则白腻
– 舌形：`roughness>1.18 或 aspect>1.35`→齿痕/胖大；`crack>0.06`→裂纹
– 体质映射（极简示意）：
– 淡白 → 气虚质/阳虚质
– 黄腻或红绛 → 湿热质/阴虚质
– 青紫 → 血瘀质
– 含齿痕 → 追加「兼脾虚湿盛」
– 默认兜底：平和质 / shape=[“正常”]

### 5. 报告 `report(f, d)`
拼接带数值的纯文本报告，末尾附免责声明。

### 附加 `make_demo_image()`
无输入参数时生成一张椭圆模拟舌图（512×512），用于演示跑通流水线。

**CLI 用法**：`python tongue_ai.py <舌图.jpg>`，无参则用模拟图。

—

## 五、Web 服务（app.py）

### 路由表

| 方法 | 路径 | 说明 |
|——|——|——|
| GET | `/` | 内联 HTML 单页（上传 + 报告 + 历史表） |
| GET | `/uploads/` | 静态上传图回显 |
| POST | `/api/diagnose` | 主分析接口（multipart 上传 `image`） |
| GET | `/api/records` | 历史 50 条记录 |

### POST `/api/diagnose` 处理流程
1. 读 `image` 文件 → `cv2.imdecode` 解码（失败→400）
2. 跑 `standardize → segment_tongue → extract_features → diagnose` 四段（`RuntimeError`→422）
3. 在标准化图上叠加绿色分割轮廓 → base64 JPEG data URI（返回 `annotated`）
4. 裁出舌体 bounding box（±12px 边距）→ 调 `vision_interpret()` 得 AI 解读（异常则 `ai=None`，不阻塞主流程）
5. 落盘原图到 `uploads/`（时间戳前缀文件名）→ 写 SQLite `records` 表（写入失败不报错，`record_id=None`）
6. 返回 JSON：`record_id / features / diagnosis / annotated / ai_interpretation`

### 本地 Vision 调用 `vision_interpret(jpg_bytes)`
– 请求体：OpenAI 兼容 chat/completions，system 设定「资深中医舌诊专家」人设，要求 5 段结构（舌色/舌苔/舌形/体质/调养建议）+ 医疗免责
– `image_url` 用 base64 data URI，`max_tokens=1024, temperature=0.2`
– 解析 `choices[0].message.content`；服务不可达时整段 try/except 吞掉，AI 字段为 null，前端降级显示「AI 解读服务不可达」

### 数据模型 `records` 表
`id, filename, path, features(json), diagnosis(json), ai_interpretation(text), created_at`
– 运行时 SQLite；`tongue.sql` 为同结构 MySQL(MyISAM/utf8mb4) 导出，含 3 条 2026-08 记录

### 前端（内联单页）
– 拍摄指导卡（示例图 + 4 步拍照要点）
– 拖拽/点击上传 → 预览 → 生成报告
– 结果区：标注图 + 舌色/舌苔/舌形/体质 + 10 项量化特征 + 标签
– AI 解读区（有则显示全文，无则提示降级）
– 历史表：缩略图点击弹 modal 显示大图 + AI 解读（Esc 关闭）
– 每页末固定医疗免责文案

—

## 六、核心业务逻辑归纳

“`
舌面照片
→ 去噪 + 亮度均衡 + 归一尺寸 (消除光照/色偏)
→ HSV 双红区分割出舌体掩码 (工程化可换 U-Net)
→ 掩码内提取 10 维特征 (颜色/纹理/形态)
→ 规则引擎映射舌色·舌苔·舌形·体质 (工程化可换 CNN/知识图谱)
→ 叠加轮廓标注图 + 裁舌体调 Vision (AI 自然语言解读, 可选降级)
→ 原图+特征+诊断+AI 解读入 records (SQLite/MySQL)
→ Web 单页展示 + 历史查询
“`

—

## 七、安全与合规要点（现有/待改进）

– 医疗定位：全链路带「非诊断、辅助参考、遵医嘱」免责；真实产品须按二类医疗器械注册
– `VISION_KEY` 硬编码在 `app.py`（`sk-…`）→ 应移入环境变量
– `/uploads` 静态目录直接对外，文件名含用户原扩展名 → 生产需校验白名单(MIME)+随机化存储名
– 无鉴权、无速率限制 → 演示可接受，生产需补齐
– Vision 服务为内网 IP，服务不可达时已做降级（主流程不受影响）

—

## 八、运行方式

“`bash
pip install -r requirements.txt
python app.py # http://127.0.0.1:5000
# 或纯算法 CLI
python tongue_ai.py tongue.jpg
“`

暂无优惠

已有0人支付