CN111428655A - 一种基于深度学习的头皮检测方法 - Google Patents
一种基于深度学习的头皮检测方法 Download PDFInfo
- Publication number
- CN111428655A CN111428655A CN202010228550.4A CN202010228550A CN111428655A CN 111428655 A CN111428655 A CN 111428655A CN 202010228550 A CN202010228550 A CN 202010228550A CN 111428655 A CN111428655 A CN 111428655A
- Authority
- CN
- China
- Prior art keywords
- scalp
- model
- image
- deep learning
- method based
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 210000004761 scalp Anatomy 0.000 title claims abstract description 142
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000002372 labelling Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 206010061218 Inflammation Diseases 0.000 claims description 6
- 210000004204 blood vessel Anatomy 0.000 claims description 6
- 230000004054 inflammatory process Effects 0.000 claims description 6
- 229920000832 Cutin Polymers 0.000 claims description 4
- 230000003803 hair density Effects 0.000 claims description 4
- 230000028327 secretion Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 description 6
- 210000004209 hair Anatomy 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 201000004384 Alopecia Diseases 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 231100000360 alopecia Toxicity 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 208000024963 hair loss Diseases 0.000 description 1
- 230000003676 hair loss Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的头皮检测方法，包括以下步骤：步骤S1：采集头皮图像数据；步骤S2：根据头皮属性，对头皮图像进行标注分类，形成各头皮属性的分类数据集；步骤S3：使用ImageNet图像数据库对SqueezeNet模型进行预训练，得到预训练SqueezeNet模型；步骤S4：修改预训练SqueezeNet模型，使其适应回归任务，得到改进型SqueezeNet模型；步骤S5：制定头皮检测精度判定规则，使用步骤S2中的分类数据集对改进型SqueezeNet模型进行重新训练，得到各种头皮属性的头皮检测模型；步骤S6，将待测头皮图像根据头皮属性进行分类，输入对应的头皮检测模型得到预测结果。本发明的头皮状态检测方法可以提高头皮检测的准确率与稳定性。
Description
技术领域
本发明涉及计算机视觉和图像处理领域，尤其涉及一种基于深度学习的头皮检测方法。
背景技术
由于生活习惯等种种原因，如今很多人的头皮都处于亚健康状态，存在着头皮过油，炎症，血管裸露等等病症。若不及时发现并针对症状进行治疗与养护，可能会发展成为更严重的问题，比如脱发等。因此，对头皮状态尽早的进行诊断和疗养十分重要。
针对头皮状态的检测，目前市场上所使用的方式主要为人工评定，即用户通过专业的头皮图像采集设备来进行采集，然后参照给定的标准自行为头皮图像打分。采用人工评定的方式主要存在两点问题，第一点是用户参照标准给自己的头皮图像评分具有一定的主观性和不稳定性，无法保证评分的准确率。第二点是用户自己评分过程繁琐，将会大大降低用户检测头皮的欲望以及用户在检测过程中的体验。
申请号201510469315.5的专利公开了一种头皮检测系统，包括一头皮检测仪及一头皮检测程序，头皮检测程序包括一计算模块、一数据模块、及一判定模块。头皮检测仪是用于拍摄一被检测者的后方头皮的影像及该被检测者的待测部位头皮的影像。此外，计算模块依据后方头皮的影像计算出后方头皮的一原生正常发量的密度、一原生细发量的密度及一原生总发量的密度。数据模块会显示一原生细发密度比、一待测细发密度比、及一总发量密度比。判定模块依据总发量密度比而提供一个相对应的总发量状况分析。但该专利仅提供身头皮的落发状况的检测，且直接通过统计各种头发的密度获得，该统计分析方式无法有效应用到头皮过油，炎症，血管裸露等头皮病症的检测。
发明内容
基于现有技术的上述缺陷，本发明的目的在于提供一种基于深度学习的头皮状态检测方法和系统，以提高了检测的准确率与稳定性，从而改善用户体验。
为实现上述目的，本发明提供了一种基于深度学习的头皮状态检测方法，包括以下步骤：
步骤S1：采集头皮图像数据；
步骤S2：根据头皮属性，对头皮图像进行标注分类，形成各头皮属性的分类数据集；
步骤S3：使用图像数据库对SqueezeNet模型进行预训练，得到预训练SqueezeNet模型；
步骤S4：修改预训练SqueezeNet模型，将预训练SqueezeNet模型最后的卷积层conv11的输出种类数量设置为1；并将随后的过程依次设置为全连接层fc5、激活函数和欧氏距离误差层EuclideanLossLayer，得到改进型SqueezeNet模型；
步骤S5：制定头皮检测精度判定规则，使用步骤S2中的分类数据集对改进型SqueezeNet模型进行重新训练，得到各种头皮属性的头皮检测模型；
步骤S6，将待测头皮图像根据头皮属性进行分类，输入对应的头皮检测模型得到预测结果。
进一步的，所述激活函数设置为sigmoid，将特征值映射到0-1区间。
进一步的，所述欧氏距离误差层的欧氏距离误差的定义为：
其中，N为样本数量，pred为某一样本的网络输出预测值，truth为该样本实际的标签值。通过误差的反向传播进行网络参数的学习。
进一步的，所述步骤S2和步骤S3之间还包括步骤S21：头皮图像预处理和数据集扩充。
进一步的，所述数据集的扩充方法为：将头皮图像经过水平翻转、垂直翻转、水平垂直翻转后再随机裁剪，得到像素低于原始的头皮图像的数据集样本。
进一步的，所述裁剪的裁剪框的大小为100×100像素。
进一步的，所述图像数据库为ImageNet图像数据库。
进一步的，所述头皮图像的放大倍数为20倍～100倍。
进一步的，所述头皮属性包括油脂分泌、头皮角质、炎症、头皮血管裸露和头发密度。
本发明的头皮状态检测方法，通过修改SqueezeNet模型，使其适应回归任务和精度判定，并制定头皮检测精度判定规则，针对各头皮属性进行分别训练从而获得各头皮属性的头皮检测模型，从而以提高了头皮检测的准确率与稳定性。
附图说明
图1是本发明的头皮状态检测方法的流程图；
图2是SqueezeNet模型和改进型SqueezeNet模型的对照图；
图3是本发明的具有毛细血管裸露属性的头发图像及其检测结果。
具体实施方式
为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
现结合附图和具体实施方式对本发明进一步说明。
实施例一：
如图1所示，本发明公开了一种基于深度学习的头皮状态检测方法，包括以下步骤：
步骤S1：采集头皮图像数据；
步骤S2：根据头皮属性，对头皮图像进行标注分类，形成各头皮属性的分类数据集；
步骤S3：使用ImageNet图像数据库对SqueezeNet模型进行预训练，得到预训练SqueezeNet模型；
步骤S4：修改预训练SqueezeNet模型，将预训练SqueezeNet模型最后的卷积层conv11的输出种类数量设置为1；并将随后的过程依次设置为全连接层fc5、激活函数和欧氏距离误差层EuclideanLossLayer，得到改进型SqueezeNet模型；
步骤S5：制定头皮检测精度判定规则，使用步骤S2中的分类数据集对改进型SqueezeNet模型进行重新训练，得到各头皮属性的头皮检测模型；
步骤S6，将待测头皮图像根据头皮属性进行分类，输入对应的头皮检测模型得到预测结果。
以上各步骤，具体说明如下：
步骤S1：使用头皮检测仪进行头皮图像的采集，可针对每一位受试者采集头部的顶部区、枕骨区、左侧区、右侧区，每个区域各4张图像。以便于对受试者头皮的状况作出整体评价。
通过头皮检测仪采集2000张放大倍数为100倍、分辨率为640×480的头皮图像。通常放大倍数为20倍时，即可获得清晰的头皮图像用于检测。在训练和检测时，在20倍-100倍之间选定一个相同放大倍数，以保证训练和检测的一致性。
步骤S2：在本实施例中，头皮属性被分为油脂分泌、头皮角质、炎症、头皮血管裸露和头发密度几类，请行业专家识别后进行相应的标注。标注规则见表1。
表1.头皮图像标注规则
步骤S3：在windows系统下安装深度学习框架caffe(快速特征嵌入的卷积结构)，选择GPU模式。按照caffe框架要求的格式，编写SqueezeNet模型文件，采用图像数据库对SqueezeNet模型进行预训练，获得预训练的SqueezeNet模型。
头皮图像的采集和标注十分耗时，因此用于训练的图像样本量有限。预训练的目的主要是从一定程度上解决训练样本不足的问题。
优选的，采用的图像数据库为ImageNet图像数据库，ImageNet图像数据库是一个大规模的图像数据库，通过预训练可使SqueezeNet网络从中学到基本的图像特征，在此基础上继续使用头皮图像进行训练，将有利于训练过程更快收敛。
如表2所示，原始的SqueezeNet模型所使用的网络共有10层(以一个fire module为一层，及卷积层conv1和卷积层conv11)。
以卷积层conv1起始，在卷积层conv1之后的fire2-fire9都是fire module，在最后一个fire module之后再连接一个卷积层conv11。
每个fire module中的卷积核数量逐渐增加，且在conv1、fire4、fire8这几层之后分别使用步长为2的最大池化maxpools1、maxpools4、maxpools8。
在最后一个卷积层conv11之后连接一个全局池化层avgpool，最后输入到归一化指数函数误差层softmax。
在SqueezeNet模型中，一个fire module模块由squeezeLayer和expandLayer组成。squeezeLayer中仅包含1×1卷积核，expandLayer中包含1×1卷积核和3×3卷积核。
表2网络结构参数
表2中，layer name/type为层的名称或种类，output size表示每层的输出维度，filter size/stride(ifnot a fire layer)表示非fire层的滤波器尺寸及步长，depth表示每层的深度，S1x1(#1x1 squeeze)表示在某个fire层squeeze layer中1×1滤波器的数量，e1x1(#1x1 expand)表示在某个fire层expand layer中1×1滤波器的数量，e3x3(#3x3expand)表示在某个fire层expand layer中3×3滤波器的数量。
步骤S4：传统的SqueezeNet模型最后连接的是softmax层，只能用于分类任务，而头皮检测任务需要将头皮图像输入至头皮检测模型中，得到一个反映头皮的某种属性的实数值，属于回归问题。因此，softmax层对于头皮检测任务并不适用。因此将SqueezeNet模型做如下修改：
将预训练SqueezeNet模型最后的卷积层conv11的输出种类数量由1000设置为1；并将随后的过程依次设置为全连接层fc5、激活函数和欧氏距离误差层EuclideanLossLayer，得到改进型SqueezeNet模型。改进型SqueezeNet模型通过全连接层fc5、激活函数、欧氏距离误差层EuclideanLossLayer，使最终的输出从离散的整数值转化为连续实数值。
其中的激活函数设置为sigmoid函数，将特征值映射到0-1区间。
欧氏距离误差层的欧氏距离误差的定义为：
其中，N为样本数量，pred为某一样本的网络输出预测值，truth为该样本实际的标签值。通过误差的反向传播进行网络参数的学习。修改后的网络模型如表3所示。
表3改进网络结构参数
步骤S5：制定头皮检测精度判定规则，并依照标准，用测试集对步骤S5中得到的五个模型在caffe框架下进行测试，根据最终的平均检测精度调整模型的超参数，使得五个模型在相应的头皮属性上都有良好的测试结果。
通过回归训练获得油脂分泌、头皮角质、炎症、头皮血管裸露和头发密度五种头皮检测模型。
步骤S6：将待测头皮图像根据头皮属性进行分类，输入对应的头皮检测模型进行检测，输出该属性的预测值，可以从预测值处在的范围来判断某一个属性的严重程度，如图3所示。其中，(A)为裸露严重的头皮图像，预测值为94；(B)为中度裸露的头皮图像，预测值为42；(C)为轻度裸露的头皮图像，预测值为12。通过对受试者头部的顶部区、枕骨区、左侧区、右侧区，每个区域各4张图像的检测判定，对受试者头皮的状况作出整体评价，从而进行疗养建议之类的推荐。
将待测头皮图像根据头皮属性进行分类，明确待测头皮图像对应的头皮检测模型，可大大减少头皮检测的图像处理的数据量，提高检测速度和准确度；同样由于图像处理的数据量降低，从而头皮检测适合采用轻量级的SqueezeNet模型进行学习训练。
进一步的，为扩充训练集的样本数，在步骤S2和步骤S3之间还包括步骤S21：头皮图像预处理和数据集扩充。步骤21可对原始的头皮图像数据做如下处理：
假设原始数据共2000张图片，按照6:2:2的比例划分训练集，验证集和测试集，得到训练集1200张，验证集400张，测试集400张。经过水平翻转、垂直翻转、水平垂直翻转后再随机裁剪10次(裁剪框大小为100×100像素)，最终数据集扩充为原来的44倍，得到52800个样本的训练集，17600个样本的验证集，17600个样本的测试集。在本应用中，随机裁剪所采集的图片的分辨率需取合适的大小，若过小则头皮图像中的重要图像信息可能丢失，从而影响网络的预测精度；若过大，则影响所获得的样本数量，影响网络的预测精度。经过多次实验发现，采用100×100的裁剪框对于同一受试者的同一区域头皮而言，其各种属性特征相对稳定，是一个较合适的裁剪尺寸。
为便于大数据的存储和管理，将数据与标签转换成HDF5数据格式。对于图像均值，先求出图片集的均值，然后再将所有的图片减去R,G,B三通道上的均值，写入HDF5文件中。
设置好SqueezeNet模型的超参数之后，对步骤S3中预训练SqueezeNet模型在caffe框架下进行重新训练，以实现对网络参数的微调。针对五种头皮属性，使用对应的标签文件重新训练，得到适应不同头皮属性的头皮检测模型。
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。
Claims (9)
1.一种基于深度学习的头皮检测方法，其特征在于：包括以下步骤：
步骤S1：采集头皮图像数据；
步骤S2：根据头皮属性，对头皮图像进行标注分类，形成各头皮属性的分类数据集；
步骤S3：使用图像数据库对SqueezeNet模型进行预训练，得到预训练SqueezeNet模型；
步骤S4：修改预训练SqueezeNet模型，将预训练SqueezeNet模型最后的卷积层conv11的输出种类数量设置为1；并将随后的过程依次设置为全连接层fc5、激活函数和欧氏距离误差层EuclideanLossLayer，得到改进型SqueezeNet模型；
步骤S5：制定头皮检测精度判定规则，使用步骤S2中的分类数据集对改进型SqueezeNet模型进行重新训练，得到各头皮属性的头皮检测模型；
步骤S6，将待测头皮图像根据头皮属性进行分类，输入对应的头皮检测模型得到预测结果。
2.如权利要求1所述的基于深度学习的头皮检测方法，其特征在于：所述激活函数设置为sigmoid，将特征值映射到0-1区间。
3.如权利要求1所述的基于深度学习的头皮检测方法，其特征在于：所述欧氏距离误差层的欧氏距离误差的定义为：
其中，N为样本数量，pred为某一样本的网络输出预测值，truth为该样本实际的标签值。
4.如权利要求1所述的基于深度学习的头皮检测方法，其特征在于：所述步骤S2和步骤S3之间还包括步骤S21：头皮图像预处理和数据集扩充。
5.如权利要求4所述的基于深度学习的头皮检测方法，其特征在于：所述数据集的扩充方法为：将头皮图像经过水平翻转、垂直翻转、水平垂直翻转后再随机裁剪，得到像素低于原始的头皮图像的数据集样本。
6.如权利要求5所述的基于深度学习的头皮检测方法，其特征在于：所述裁剪的裁剪框的大小为100×100像素。
7.如权利要求1所述的基于深度学习的头皮检测方法，其特征在于：所述步骤3的图像数据库为ImageNet图像数据库。
8.如权利要求1所述的基于深度学习的头皮检测方法，其特征在于：所述头皮图像的放大倍数为20倍～100倍。
9.如权利要求1所述的基于深度学习的头皮检测方法，其特征在于：所述头皮属性包括油脂分泌、头皮角质、炎症、头皮血管裸露和头发密度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010228550.4A CN111428655A (zh) | 2020-03-27 | 2020-03-27 | 一种基于深度学习的头皮检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010228550.4A CN111428655A (zh) | 2020-03-27 | 2020-03-27 | 一种基于深度学习的头皮检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111428655A true CN111428655A (zh) | 2020-07-17 |
Family
ID=71548986
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010228550.4A Pending CN111428655A (zh) | 2020-03-27 | 2020-03-27 | 一种基于深度学习的头皮检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111428655A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112084965A (zh) * | 2020-09-11 | 2020-12-15 | 义乌市悦美科技有限公司 | 一种头皮头发检测装置及系统 |
| CN113537489A (zh) * | 2021-07-09 | 2021-10-22 | 厦门大学 | 一种手肘角度预测方法、终端设备及存储介质 |
| CN114758748A (zh) * | 2022-04-07 | 2022-07-15 | 南京新生医疗科技有限公司 | 一种植发环境的智能化分析处理方法及系统 |
| WO2024041524A1 (zh) * | 2022-08-24 | 2024-02-29 | 漳州松霖智能家居有限公司 | 一种头皮头发检测方法、系统和设备 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN2610843Y (zh) * | 2003-04-22 | 2004-04-14 | 上海诺诚电气有限公司 | 头皮阻抗检测装置 |
| CN101667252A (zh) * | 2009-10-15 | 2010-03-10 | 哈尔滨工业大学 | 基于art2a-dwnn的通信信号调制方式的分类识别方法 |
| CN106419833A (zh) * | 2015-08-04 | 2017-02-22 | 美科实业有限公司 | 头皮检测系统及头皮检测方法 |
| CN106530200A (zh) * | 2016-10-23 | 2017-03-22 | 深圳大学 | 一种基于深度学习模型的隐写图像检测方法及系统 |
| CN107909566A (zh) * | 2017-10-28 | 2018-04-13 | 杭州电子科技大学 | 一种基于深度学习的皮肤癌黑色素瘤的图像识别方法 |
| CN109002807A (zh) * | 2018-07-27 | 2018-12-14 | 重庆大学 | 一种基于ssd神经网络的驾驶场景车辆检测方法 |
| CN109635643A (zh) * | 2018-11-01 | 2019-04-16 | 暨南大学 | 一种基于深度学习的快速人脸识别方法 |
| WO2019136946A1 (zh) * | 2018-01-15 | 2019-07-18 | 中山大学 | 基于深度学习的弱监督显著性物体检测的方法及系统 |
| CN110298393A (zh) * | 2019-06-14 | 2019-10-01 | 深圳志合天成科技有限公司 | 一种基于深度学习的头发头皮健康状况检测方法 |
| CN110633739A (zh) * | 2019-08-30 | 2019-12-31 | 太原科技大学 | 基于并行模块深度学习的偏光片缺陷图像实时分类方法 |
-
2020
- 2020-03-27 CN CN202010228550.4A patent/CN111428655A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN2610843Y (zh) * | 2003-04-22 | 2004-04-14 | 上海诺诚电气有限公司 | 头皮阻抗检测装置 |
| CN101667252A (zh) * | 2009-10-15 | 2010-03-10 | 哈尔滨工业大学 | 基于art2a-dwnn的通信信号调制方式的分类识别方法 |
| CN106419833A (zh) * | 2015-08-04 | 2017-02-22 | 美科实业有限公司 | 头皮检测系统及头皮检测方法 |
| CN106530200A (zh) * | 2016-10-23 | 2017-03-22 | 深圳大学 | 一种基于深度学习模型的隐写图像检测方法及系统 |
| CN107909566A (zh) * | 2017-10-28 | 2018-04-13 | 杭州电子科技大学 | 一种基于深度学习的皮肤癌黑色素瘤的图像识别方法 |
| WO2019136946A1 (zh) * | 2018-01-15 | 2019-07-18 | 中山大学 | 基于深度学习的弱监督显著性物体检测的方法及系统 |
| CN109002807A (zh) * | 2018-07-27 | 2018-12-14 | 重庆大学 | 一种基于ssd神经网络的驾驶场景车辆检测方法 |
| CN109635643A (zh) * | 2018-11-01 | 2019-04-16 | 暨南大学 | 一种基于深度学习的快速人脸识别方法 |
| CN110298393A (zh) * | 2019-06-14 | 2019-10-01 | 深圳志合天成科技有限公司 | 一种基于深度学习的头发头皮健康状况检测方法 |
| CN110633739A (zh) * | 2019-08-30 | 2019-12-31 | 太原科技大学 | 基于并行模块深度学习的偏光片缺陷图像实时分类方法 |
Non-Patent Citations (3)
| Title |
|---|
| HENGJIN KE 等: "Towards Brain Big Data Classification: Epileptic EEG Identification With a Lightweight VGGNet on Global MIC", 《 IEEE ACCESS》 * |
| 徐冬: "基于卷积神经网络的大豆病害识别研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
| 李妍等: "头皮屑和头皮脂溢性皮炎患者头皮脂类水平及马拉色菌数量的检测", 《中国麻风皮肤病杂志》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112084965A (zh) * | 2020-09-11 | 2020-12-15 | 义乌市悦美科技有限公司 | 一种头皮头发检测装置及系统 |
| CN113537489A (zh) * | 2021-07-09 | 2021-10-22 | 厦门大学 | 一种手肘角度预测方法、终端设备及存储介质 |
| CN113537489B (zh) * | 2021-07-09 | 2024-03-19 | 厦门大学 | 一种手肘角度预测方法、终端设备及存储介质 |
| CN114758748A (zh) * | 2022-04-07 | 2022-07-15 | 南京新生医疗科技有限公司 | 一种植发环境的智能化分析处理方法及系统 |
| WO2024041524A1 (zh) * | 2022-08-24 | 2024-02-29 | 漳州松霖智能家居有限公司 | 一种头皮头发检测方法、系统和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111428655A (zh) | 一种基于深度学习的头皮检测方法 | |
| US11176418B2 (en) | Model test methods and apparatuses | |
| Bo et al. | Particle pollution estimation from images using convolutional neural network and weather features | |
| TWI684997B (zh) | 骨齡評估與身高預測模型之建立方法、骨齡評估與身高預測系統及骨齡評估與身高預測方法 | |
| CN110728312B (zh) | 一种基于区域自适应注意力网络的干眼症分级系统 | |
| CN109948733A (zh) | 消化道内窥镜图像的多分类方法、分类装置及存储介质 | |
| CN115138059B (zh) | 一种引体向上的规范计数方法、系统及其存储介质 | |
| CN104636580A (zh) | 一种基于人脸的健康监控手机 | |
| CN113011340B (zh) | 一种基于视网膜图像的心血管手术指标风险分类方法及系统 | |
| CN112287802A (zh) | 人脸图像检测方法、系统、存储介质及设备 | |
| CN110956628A (zh) | 图片等级分类方法、装置、计算机设备和存储介质 | |
| CN115349828A (zh) | 一种基于计算机深度学习的新生儿疼痛评估系统 | |
| CN116385717A (zh) | 叶面病害识别方法、装置、电子设备、存储介质及产品 | |
| CN114882014A (zh) | 基于双模型的眼底图像质量评价方法、装置及相关介质 | |
| CN114140437A (zh) | 一种基于深度学习的眼底硬渗出物分割方法 | |
| CN114298189A (zh) | 疲劳驾驶检测方法、装置、设备及存储介质 | |
| CN112132137A (zh) | 一种基于FCN-SPP-Focal Net的抽象画图像正确方向的识别方法 | |
| CN117058756A (zh) | 老年人群膝关节动作识别方法 | |
| CN116543455A (zh) | 建立帕金森症步态受损评估模型、使用方法、设备及介质 | |
| CN107194918B (zh) | 数据分析方法及装置 | |
| CN113537375B (zh) | 一种基于多尺度级联的糖尿病视网膜病变分级方法 | |
| CN114878427A (zh) | 基于Trident-net的火焰中碳烟多参数场同时测量的方法和系统 | |
| CN109583500A (zh) | 一种基于深度漂移-扩散方法的美学图像质量预测系统及方法 | |
| CN114550918A (zh) | 一种基于绘画特征数据的心理障碍测评方法及系统 | |
| CN113033330A (zh) | 一种基于轻型卷积神经网络的舌体姿态异常判别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200717 |
|
| RJ01 | Rejection of invention patent application after publication |