CN113627425B - 一种基于神经网络模型的毛囊识别和提取方法及系统 - Google Patents

一种基于神经网络模型的毛囊识别和提取方法及系统 Download PDF

Info

Publication number
CN113627425B
CN113627425B CN202110805923.4A CN202110805923A CN113627425B CN 113627425 B CN113627425 B CN 113627425B CN 202110805923 A CN202110805923 A CN 202110805923A CN 113627425 B CN113627425 B CN 113627425B
Authority
CN
China
Prior art keywords
hair follicle
image
hair
target
determining
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.)
Active
Application number
CN202110805923.4A
Other languages
English (en)
Other versions
CN113627425A (zh
Inventor
宁为博
朱家祺
范衠
陈少克
黄铿
林常敏
陈�胜
徐千睿
黄华兴
董朝晖
刘梓鹏
陈莹莹
陈伟龙
陈立波
吴炎锋
倪娜
陈岳峰
陈龙川
谢宏浩
陈宪宏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shantou University
Shantou University Medical College
Original Assignee
Shantou University
Shantou University Medical College
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shantou University, Shantou University Medical College filed Critical Shantou University
Priority to CN202110805923.4A priority Critical patent/CN113627425B/zh
Publication of CN113627425A publication Critical patent/CN113627425A/zh
Application granted granted Critical
Publication of CN113627425B publication Critical patent/CN113627425B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像信息处理技术领域，具体涉及一种基于神经网络模型的毛囊识别和提取方法及系统，所述方法包括：获取第一数据集；采用预先建立好的毛囊识别模型对第一毛囊图像中的毛囊进行识别，以实时标框出第一毛囊图像中的毛囊单位；根据第一毛囊图像中标框的毛囊单位确定第一毛囊图像的毛囊特征；根据目标毛囊特征确定目标毛囊供区；对所述目标毛囊供区进行点云重构，以提取目标毛囊供区的特征信息，所述特征信息包括毛囊单位中心点的坐标和姿态信息；根据目标毛囊供区的特征信息从所述目标毛囊供区中提取毛囊，本发明能够实现全自动对毛囊进行快速、精确的识别和提取。

Description

一种基于神经网络模型的毛囊识别和提取方法及系统
技术领域
本发明涉及图像信息处理技术领域，具体涉及一种基于神经网络模型的毛囊识别和提取方法及系统。
背景技术
传统的毛囊提取由多位助手医师辅助经验丰富的医生来完成，在提取毛囊前，需要筛选毛发目标区域，若采用人工进行筛选，则耗费大量人力与时间；而且，受提取毛囊的位置、人为主观经验等因素影响，往往效率低下，且提取的精确度没有保障。
因此，有必要对现有的毛囊识别和提取方式进行改进，研究出一种简单高效的识别和定位和提取方案，能够对供区毛囊进行快速、精确的识别和提取。
发明内容
本发明目的在于提供一种基于神经网络模型的毛囊识别和提取方法及系统，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
为了实现上述目的，本发明提供以下技术方案：
一种基于神经网络模型的毛囊识别和提取方法，所述方法包括以下步骤：
获取第一数据集；所述第一数据集包括多张第一毛囊图像，每张所述第一毛囊图像通过对不同的毛囊供区进行图像采集得到；
采用预先建立好的毛囊识别模型对第一毛囊图像中的毛囊进行识别，以实时标框出第一毛囊图像中的毛囊单位；
根据第一毛囊图像中标框的毛囊单位确定第一毛囊图像的毛囊特征；
根据目标毛囊特征确定目标毛囊供区；
对所述目标毛囊供区进行点云重构，以提取目标毛囊供区的特征信息，所述特征信息包括毛囊单位中心点的坐标和姿态信息。
进一步，所述毛囊识别模型通过以下方式建立：
获取训练数据集；所述训练数据集包括多张标定好标签的第二毛囊图像，每张所述第二毛囊图像通过对头部不同部位进行图像采集得到；
将训练数据集输入神经网络模型中进行训练，得到毛囊识别模型。
进一步，所述毛囊特征包括毛囊的生长方向、粗细、密度、以及深度；所述根据第一毛囊图像中标框的毛囊单位确定第一毛囊图像的毛囊特征，包括：
根据第一毛囊图像中标定的毛囊确定毛囊的生长方向；
根据标定框的大小确定毛囊的粗细；
根据单位区域内毛囊的数量确定毛囊的密度；
确定采集第一毛囊图像的双目立体视觉相机，根据所述双目立体视觉相机的参数确定第一毛囊图像中毛囊的深度。
进一步，所述根据目标毛囊特征确定目标毛囊供区，包括：
根据毛囊特征建立所述第一数据集的毛囊分类数据库；所述毛囊分类数据库包括多个第一毛囊图像，以及分别与多个第一毛囊图像一一对应的毛囊特征和毛囊供区；
确定目标毛囊特征，从所述毛囊分类数据库中筛选出与目标毛囊特征最接近的毛囊特征；
根据与目标毛囊特征最接近的毛囊特征确定第一毛囊图像，根据第一毛囊图像确定毛囊供区。
一种计算机可读存储介质，所述计算机可读存储介质上存储有基于神经网络模型的毛囊识别和提取程序，所述基于神经网络模型的毛囊识别和提取程序被处理器执行时实现如上述任意一项所述的基于神经网络模型的毛囊识别和提取方法的步骤。
一种基于神经网络模型的毛囊识别和提取系统，所述系统包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述任一项所述的基于神经网络模型的毛囊识别和提取方法。
本发明的有益效果是：本发明公开一种基于神经网络模型的毛囊识别和提取方法及系统，本发明为测量供区毛囊位置学参数而提供一种简单高效的识别和提取方案，能够对供区毛囊进行快速、精确的识别和提取。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例中基于神经网络模型的毛囊识别和提取方法的流程示意图；
图2是本发明实施例中第二毛囊图像的示意图；
图3是本发明实施例中对第二毛囊图像中的毛囊进行人工标定后的示意图；
图4是本发明实施例中采用预先建立好的毛囊识别模型对第一毛囊图像中的毛囊单位进行标框的示意图；
图5是本发明实施例中获取毛囊深度的原理图。
具体实施方式
以下将结合实施例和附图对本申请的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本申请的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
参考图1至图4，如图1所示为本申请实施例提供的一种基于神经网络模型的毛囊识别和提取方法，所述方法包括以下步骤：
步骤S100、获取第一数据集，所述第一数据集包括多张第一毛囊图像，每张所述第一毛囊图像通过对不同的毛囊供区进行图像采集得到；
步骤S200、采用预先建立好的毛囊识别模型对第一毛囊图像中的毛囊进行识别，以实时标框出第一毛囊图像中的毛囊单位；
步骤S300、根据第一毛囊图像中标框的毛囊单位确定第一毛囊图像的毛囊特征；
步骤S400、根据目标毛囊特征确定目标毛囊供区；
步骤S500、对所述目标毛囊供区进行点云重构，以提取目标毛囊供区的特征信息；
其中，所述特征信息包括毛囊单位中心点的坐标和姿态信息。
本发明采用预先建立好的毛囊识别模型对第一毛囊图像中的毛囊进行识别，以实时标框出第一毛囊图像中的毛囊单位，能自动、实时、精确地识别出目标区域内的毛囊；根据目标毛囊特征确定目标毛囊供区，筛选出最为合适的目标毛囊供区。通过对所述目标毛囊供区进行点云重构，以提取目标毛囊供区的特征信息，根据目标毛囊供区的特征信息从所述目标毛囊供区中提取毛囊。实现全自动对毛囊进行识别、筛选、定位与提取。需要说明的是，所述毛囊供区是指提供移植毛囊的部位，毛囊供区的毛囊是正常生长的。在一些实施例中，利用三维重构算法对目标区域进行点云重构。
在一个优选的实施例中，所述毛囊识别模型通过以下方式建立：
步骤S210、获取训练数据集；所述训练数据集包括多张标定好标签的第二毛囊图像，每张所述第二毛囊图像通过对头部不同部位进行图像采集得到；
所述标签包括标注框、标注框的位置信息、以及类别信息；所述类别信息用于对标注框标注有毛发生长的毛囊，或者，无毛发生长的毛囊。
在一些实施例中，在不同位置或光照条件下，控制双目立体视觉相机采集头部不同部位的毛囊图像，作为第二毛囊图像，对第二毛囊图像进行人工标定，将标定好的第二毛囊图像作为给神经网络模型用来学习训练的训练数据集；再利用神经网络进行学习训练后，能实时精确地识别出目标区域内的毛囊分布情况，为下一步筛选目标毛囊奠定基础。
作为一个可选的实施例，所述神经网络模型采用YOLOv5模型，YOLOv5模型在实践中表明收敛速度非常快，检测精度高，可实现对目标毛囊单位的实时精准地识别。
步骤S220、将训练数据集输入神经网络模型中进行训练，得到毛囊识别模型。
作为一个可选的实施例，通过实时采集到的毛囊图像来验证该模型识别毛囊的准确程度，当准确程度满足一定要求时，得到训练好的毛囊识别模型。
在一个优选的实施例中，所述毛囊特征包括毛囊的生长方向、粗细、密度、以及深度；所述步骤S300包括：
根据第一毛囊图像中标定的毛囊确定毛囊的生长方向；
根据标定框的大小确定毛囊的粗细；
根据单位区域内毛囊的数量确定毛囊的密度；
确定采集第一毛囊图像的双目立体视觉相机，根据所述双目立体视觉相机的参数确定第一毛囊图像中毛囊的深度。
在一个可选的实施例中，根据毛囊单位的数量可知不同区域内毛囊的稀疏程度，便计算出不同区域毛囊单位的密度，并实时可视化密度数据，为下一步筛选毛囊方案奠定基础；对第一毛囊图像进行三维重构，利用三维重构后的第一毛囊图像确定毛囊的生长方向；根据标定框的大小与毛囊的粗细正相关；毛囊的密度反映了毛囊的稀疏程度；
参考图5，第一毛囊图像中毛囊的深度根据以下公式确定：
求解可得/>d＝ul-ur；
其中，O1、O2为左右光圈中心，f为焦距，ul和ur为成像平面的坐标，z为毛囊的深度，b为双目立体视觉相机中两个相机光圈中心的距离，d为双目立体视觉相机中两个相机的视差。
在一个优选的实施例中，所述步骤S400包括：
步骤S410、根据毛囊特征建立所述第一数据集的毛囊分类数据库；所述毛囊分类数据库包括多个第一毛囊图像，以及分别与多个第一毛囊图像一一对应的毛囊特征和毛囊供区；
步骤S420、确定目标毛囊特征，从所述毛囊分类数据库中筛选出与目标毛囊特征最接近的毛囊特征；
步骤S430、根据与目标毛囊特征最接近的毛囊特征确定第一毛囊图像，根据第一毛囊图像确定毛囊供区。
本实施例中，在建立的毛囊分类数据库基础上，通过匹配毛囊的生长方向、疏密、粗细后即可为患者筛选出其最为合适的供区毛囊单位。
在一个优选的实施例中，所述方法还包括：
步骤S600、根据目标毛囊供区的特征信息从所述目标毛囊供区中提取毛囊。
在一个优选的实施例中，所述步骤S600包括：
步骤S610、根据目标毛囊供区的特征信息对多自由度机械臂进行路径规划，并确定植发笔的进刀角度；其中，所述植发笔设置于机械臂末端；
步骤S620、控制多自由度机械臂按规划好的路径运行到目标毛囊供区；
步骤S630、控制植发笔以所述进刀角度将毛囊从中间点夹断，并提取毛囊的上部。
本实施例中，毛囊的中间点根据毛囊的深度确定，实现精准定位。根据三维点云重构算法对目标区域进行点云重构，目标毛囊供区的特征信息对多自由度机械臂进行路径规划，实现自动化精准控制的目标。
与图1的方法相对应，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有基于神经网络模型的毛囊识别和提取程序，所述基于神经网络模型的毛囊识别和提取程序被处理器执行时实现如上述任一实施例所述的基于神经网络模型的毛囊识别和提取方法的步骤。
与图1的方法相对应，本发明实施例还提供一种基于神经网络模型的毛囊识别和提取系统，所述系统包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述任一实施例所述的基于神经网络模型的毛囊识别和提取方法。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
所述处理器可以是中央处理单元(Central-Processing-Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital-Signal-Processor，DSP)、专用集成电路(Application-Specific-Integrated-Circuit，ASIC)、现场可编程门阵列(Field-Programmable-Gate-Arr ay，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述基于神经网络模型的毛囊识别和提取系统的控制中心，利用各种接口和线路连接整个基于神经网络模型的毛囊识别和提取系统可运行装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于神经网络模型的毛囊识别和提取系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart-Media-Card，SMC)，安全数字(Secur e-Digital，SD)卡，闪存卡(Flash-Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本申请的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求，考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本申请的预定范围。此外，上文以发明人可预见的实施例对本申请进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本申请的非实质性改动仍可代表本申请的等效改动。

Claims (5)

1.一种基于神经网络模型的毛囊识别和提取方法，其特征在于，所述方法包括以下步骤：
获取第一数据集；所述第一数据集包括多张第一毛囊图像，每张所述第一毛囊图像通过对不同的毛囊供区进行图像采集得到；
采用预先建立好的毛囊识别模型对第一毛囊图像中的毛囊进行识别，以实时标框出第一毛囊图像中的毛囊单位；
根据第一毛囊图像中标框的毛囊单位确定第一毛囊图像的毛囊特征；
根据目标毛囊特征确定目标毛囊供区；
对所述目标毛囊供区进行点云重构，以提取目标毛囊供区的特征信息，所述特征信息包括毛囊单位中心点的坐标和姿态信息；
所述毛囊特征包括毛囊的生长方向、粗细、密度、以及深度；所述根据第一毛囊图像中标框的毛囊单位确定第一毛囊图像的毛囊特征，包括：
根据第一毛囊图像中标定的毛囊确定毛囊的生长方向；
根据标定框的大小确定毛囊的粗细；
根据单位区域内毛囊的数量确定毛囊的密度；
确定采集第一毛囊图像的双目立体视觉相机，根据所述双目立体视觉相机的参数确定第一毛囊图像中毛囊的深度。
2.根据权利要求1所述的一种基于神经网络模型的毛囊识别和提取方法，其特征在于，所述毛囊识别模型通过以下方式建立：
获取训练数据集；所述训练数据集包括多张标定好标签的第二毛囊图像，每张所述第二毛囊图像通过对头部不同部位进行图像采集得到；
将训练数据集输入神经网络模型中进行训练，得到毛囊识别模型。
3.根据权利要求1所述的一种基于神经网络模型的毛囊识别和提取方法，其特征在于，所述根据目标毛囊特征确定目标毛囊供区，包括：
根据毛囊特征建立所述第一数据集的毛囊分类数据库；所述毛囊分类数据库包括多个第一毛囊图像，以及分别与多个第一毛囊图像一一对应的毛囊特征和毛囊供区；
确定目标毛囊特征，从所述毛囊分类数据库中筛选出与目标毛囊特征最接近的毛囊特征；
根据与目标毛囊特征最接近的毛囊特征确定第一毛囊图像，根据第一毛囊图像确定毛囊供区。
4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述的基于神经网络模型的毛囊识别和提取方法的步骤。
5.一种基于神经网络模型的毛囊识别和提取系统，其特征在于，所述系统包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1至3任一项所述的基于神经网络模型的毛囊识别和提取方法。
CN202110805923.4A 2021-07-16 2021-07-16 一种基于神经网络模型的毛囊识别和提取方法及系统 Active CN113627425B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110805923.4A CN113627425B (zh) 2021-07-16 2021-07-16 一种基于神经网络模型的毛囊识别和提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110805923.4A CN113627425B (zh) 2021-07-16 2021-07-16 一种基于神经网络模型的毛囊识别和提取方法及系统

Publications (2)

Publication Number Publication Date
CN113627425A CN113627425A (zh) 2021-11-09
CN113627425B true CN113627425B (zh) 2023-09-05

Family

ID=78379952

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110805923.4A Active CN113627425B (zh) 2021-07-16 2021-07-16 一种基于神经网络模型的毛囊识别和提取方法及系统

Country Status (1)

Country Link
CN (1) CN113627425B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114581413A (zh) * 2022-03-07 2022-06-03 南京新生医疗科技有限公司 一种应用于植发的图像处理工作方法及系统
CN114758748B (zh) * 2022-04-07 2023-06-20 上海晨希医疗美容门诊部有限公司 一种植发环境的智能化分析处理方法及系统
CN114972307A (zh) * 2022-06-20 2022-08-30 重庆智泊特机器人有限公司 基于深度学习的毛囊自动识别方法和系统及植发机器人
CN115590584B (zh) * 2022-09-06 2023-11-14 汕头大学 一种基于机械臂的毛囊取发控制方法及系统
WO2024192561A1 (en) * 2023-03-17 2024-09-26 Haircosys Limited Systems and methods for determining number of hairs on person
CN116747018B (zh) * 2023-06-28 2024-08-30 磅客策(上海)智能医疗科技有限公司 一种毛囊提取路径的规划方法、系统以及存储介质
CN117582290B (zh) * 2024-01-17 2024-04-02 大麦毛发医疗(深圳)集团股份有限公司 一种新型毛囊微针种植控制系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109452959A (zh) * 2018-11-27 2019-03-12 王鹏君 一种无痕分层提取的方法及装置
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
KR20200093238A (ko) * 2019-01-28 2020-08-05 주식회사 아프스 모발 식별 장치 및 이를 구비하는 자동 모낭 분리 장치
KR20200110871A (ko) * 2019-03-18 2020-09-28 주식회사 팀엘리시움 모낭 탐색 장치, 모낭 탐색 방법, 및 컴퓨터 판독 가능한 기록 매체
CN112308827A (zh) * 2020-10-23 2021-02-02 复旦大学 基于深度卷积神经网络的毛囊检测方法
CN112914516A (zh) * 2021-03-25 2021-06-08 王宏鑫 一种头部植发区域的智能检测方法及头部辅助检测系统
CN113081262A (zh) * 2021-06-09 2021-07-09 南京新生医疗科技有限公司 一种智能定点规划植发区域的方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3955803A1 (en) * 2019-06-09 2022-02-23 Canfield Scientific, Incorporated Hair analysis methods and apparatuses

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109452959A (zh) * 2018-11-27 2019-03-12 王鹏君 一种无痕分层提取的方法及装置
KR20200093238A (ko) * 2019-01-28 2020-08-05 주식회사 아프스 모발 식별 장치 및 이를 구비하는 자동 모낭 분리 장치
KR20200110871A (ko) * 2019-03-18 2020-09-28 주식회사 팀엘리시움 모낭 탐색 장치, 모낭 탐색 방법, 및 컴퓨터 판독 가능한 기록 매체
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
CN112308827A (zh) * 2020-10-23 2021-02-02 复旦大学 基于深度卷积神经网络的毛囊检测方法
CN112914516A (zh) * 2021-03-25 2021-06-08 王宏鑫 一种头部植发区域的智能检测方法及头部辅助检测系统
CN113081262A (zh) * 2021-06-09 2021-07-09 南京新生医疗科技有限公司 一种智能定点规划植发区域的方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
An ensemble of Deep Convolutional Neural Networks for Marking Hair Follicles on Microscopic Images;Podlodowski L等;《FedCSIS (Position Papers)》;第16卷;23-28 *

Also Published As

Publication number Publication date
CN113627425A (zh) 2021-11-09

Similar Documents

Publication Publication Date Title
CN113627425B (zh) 一种基于神经网络模型的毛囊识别和提取方法及系统
JP6891351B2 (ja) 多特徴検索と変形に基づく人体髪型の生成方法
CN108205806B (zh) 一种锥束ct图像三维颅面结构的自动解析方法
JP2018522622A (ja) 内視鏡および腹腔鏡のナビゲーションのためにシーン解析とモデル融合とを同時に行う方法およびシステム
CN105260750B (zh) 一种奶牛识别方法及系统
CN110807775A (zh) 基于人工智能的中医舌像分割装置、方法及存储介质
CN112348737B (zh) 模拟图像生成的方法、电子设备及存储介质
CN106408037A (zh) 图像识别方法及装置
CN110321946A (zh) 一种基于深度学习的多模态医学影像识别方法及装置
Xiang et al. Field‐based robotic leaf angle detection and characterization of maize plants using stereo vision and deep convolutional neural networks
CN111274944A (zh) 一种基于单张图像的三维人脸重建方法
CN117237322A (zh) 一种基于医学图像的器官分割建模方法及终端
CN108154176A (zh) 一种针对单一深度图像的3d人体姿态估计算法
CN112598591B (zh) 图像处理方法、装置、电子设备及存储介质
CN108681731A (zh) 一种甲状腺癌症超声图片自动标注方法及系统
CN110990604A (zh) 图像底库生成方法、人脸识别方法和智能门禁系统
CN110327072B (zh) 一种测量口腔手术植入体规格参数的无损检测方法
CN115880428A (zh) 一种基于三维技术的动物检测数据处理方法、装置及设备
AU2021105831A4 (en) Method for Automatically Noting Medical Image Under Small Samples and System Thereof
Battiato et al. Assessment of cow’s body condition score through statistical shape analysis and regression machines
Li et al. Automatic reconstruction and modeling of dormant jujube trees using three-view image constraints for intelligent pruning applications
CN110148205A (zh) 一种基于众包影像的三维重建的方法和装置
CN114693981A (zh) 一种膝关节特征点自动识别方法
Pei et al. Volumetric reconstruction of craniofacial structures from 2D lateral cephalograms by regression forest
CN114141337A (zh) 一种图像自动标注模型构建方法、系统及应用

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
GR01 Patent grant
GR01 Patent grant