CN116664585B - 基于深度学习的头皮健康状况检测方法及相关装置 - Google Patents

基于深度学习的头皮健康状况检测方法及相关装置 Download PDF

Info

Publication number
CN116664585B
CN116664585B CN202310963210.XA CN202310963210A CN116664585B CN 116664585 B CN116664585 B CN 116664585B CN 202310963210 A CN202310963210 A CN 202310963210A CN 116664585 B CN116664585 B CN 116664585B
Authority
CN
China
Prior art keywords
scalp
target
abnormality
image
coding region
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
CN202310963210.XA
Other languages
English (en)
Other versions
CN116664585A (zh
Inventor
魏海泉
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.)
Reese Fashion Shenzhen Co ltd
Original Assignee
Reese Fashion Shenzhen Co ltd
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 Reese Fashion Shenzhen Co ltd filed Critical Reese Fashion Shenzhen Co ltd
Priority to CN202310963210.XA priority Critical patent/CN116664585B/zh
Publication of CN116664585A publication Critical patent/CN116664585A/zh
Application granted granted Critical
Publication of CN116664585B publication Critical patent/CN116664585B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
    • A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
    • A61B5/446—Scalp evaluation or scalp disorder diagnosis, e.g. dandruff
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30088—Skin; Dermal
    • 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)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Mathematical Physics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Dermatology (AREA)
  • Image Analysis (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Fuzzy Systems (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及图像处理领域，公开了一种基于深度学习的头皮健康状况检测方法及相关装置，用于实现智能头皮检测并提高头皮检测的准确率。方法包括：根据目标头皮区域分割策略对多个编码区域图像进行特征分类，得到至少三个编码区域图像集；对至少三个编码区域图像集进行三维空间数据提取和三维点云融合，得到目标融合图像；将目标融合图像输入第一头皮异常检测模型进行头皮异常检测，得到目标头皮异常因子；根据目标头皮异常因子将多个编码区域图像输入第二头皮异常检测模型进行头皮图像识别和头皮异常分类，得到目标分类指标；对目标分类指标进行头皮异常类型匹配，得到目标头皮检测结果。

Description

基于深度学习的头皮健康状况检测方法及相关装置
技术领域
本发明涉及图像处理领域，尤其涉及一种基于深度学习的头皮健康状况检测方法及相关装置。
背景技术
头皮健康是人体健康的重要组成部分。目前，头皮检测和评估主要依赖于人工观察和经验判断，存在着诊断不准确、效率低下、操作繁琐等问题，不能满足大众快速安全的头皮健康管理需求。
现有方案利用深度学习技术对头皮图像进行特征提取和分类，可以实现头皮健康状况的准确评估，为头皮健康管理和疾病防治提供一种新的技术手段。然而，现有方案的数据质量不稳定：头皮图像拍摄环境比较复杂，容易受到光线、角度等因素的影响，导致图像质量不稳定。特征提取效果不佳：由于头皮图像中各种状况的表现形式多样，传统的特征提取方法难以有效地提取相关特征，导致分类效果不佳。分类器泛化能力弱：由于头皮状况的差异较大，训练集样本不充分或者不均衡，容易导致分类器的泛化能力较弱，无法准确判断新数据的分类。
发明内容
本发明提供了一种基于深度学习的头皮健康状况检测方法及相关装置，用于实现智能头皮检测并提高头皮检测的准确率。
本发明第一方面提供了一种基于深度学习的头皮健康状况检测方法，所述基于深度学习的头皮健康状况检测方法包括：
获取目标用户的用户类型，并根据所述用户类型匹配对应的目标头皮区域分割策略，并根据所述目标头皮区域分割策略确定多个头皮区域特征点；
根据所述多个头皮区域特征点采集所述目标用户的多个头皮区域图像，并对所述多个头皮区域图像进行编码处理，得到多个编码区域图像；
根据所述目标头皮区域分割策略对所述多个编码区域图像进行特征分类，得到至少三个编码区域图像集；
对所述至少三个编码区域图像集进行三维空间数据提取，得到对应的至少三个头皮点云数据，并对所述至少三个头皮点云数据进行三维点云融合，得到目标融合图像；
将所述目标融合图像输入预置的第一头皮异常检测模型进行头皮异常检测，得到目标头皮异常因子；
根据所述目标头皮异常因子设置预置第二头皮异常检测模型的模型超参数，并分别将所述多个编码区域图像输入所述第二头皮异常检测模型进行头皮图像识别和头皮异常分类，得到每个编码区域图像的目标分类指标；
对每个编码区域图像的目标分类指标进行头皮异常类型匹配，得到所述目标用户的目标头皮检测结果。
结合第一方面，在本发明第一方面的第一实施方式中，所述根据所述多个头皮区域特征点采集所述目标用户的多个头皮区域图像，并对所述多个头皮区域图像进行编码处理，得到多个编码区域图像，包括：
根据所述多个头皮区域特征点，采集所述目标用户的多个头皮区域图像；
获取所述多个头皮区域特征点的特征点属性，并构建所述特征点属性与预设编码数据之间的映射关系，生成目标编码表；
从所述目标编码表中，查询所述多个头皮区域图像对应的编码值，得到每个头皮区域图像对应的目标编码值；
根据所述目标编码值生成所述头皮区域图像的特征标识，并对所述头皮区域图像和所述特征标识进行特征标识融合，得到多个编码区域图像。
结合第一方面，在本发明第一方面的第二实施方式中，所述根据所述目标头皮区域分割策略对所述多个编码区域图像进行特征分类，得到至少三个编码区域图像集，包括：
根据所述目标头皮区域分割策略，确定所述目标用户对应的至少三个头皮区域；
获取所述至少三个头皮区域对应的编码特征集；
对所述多个编码区域图像和所述编码特征集进行映射匹配，得到每个编码区域图像对应的匹配结果；
对每个编码区域图像对应的匹配结果进行特征分类，得到至少三个编码区域图像集。
结合第一方面，在本发明第一方面的第三实施方式中，所述对所述至少三个编码区域图像集进行三维空间数据提取，得到对应的至少三个头皮点云数据，并对所述至少三个头皮点云数据进行三维点云融合，得到目标融合图像，包括：
对所述至少三个编码区域图像集进行三维特征点匹配，得到特征点匹配信息；
根据所述特征点匹配信息构建三维坐标系，并根据所述三维坐标系进行点云数据密集匹配，得到初始点云数据；
对所述初始点云数据进行偏差点检测，得到偏差点数据，并对所述偏差点数据进行数据集增强，得到对应的至少三个头皮点云数据；
对所述至少三个头皮点云数据进行多角度二维卷积运算，得到每个头皮点云数据对应的多个像素点输出值；
根据每个头皮点云数据对应的多个像素点输出值构建所述目标用户的目标图像结构；
根据所述目标图像结构对所述至少三个头皮点云数据进行点云数据融合，生成目标融合图像。
结合第一方面，在本发明第一方面的第四实施方式中，所述将所述目标融合图像输入预置的第一头皮异常检测模型进行头皮异常检测，得到目标头皮异常因子，包括：
将所述目标融合图像输入预置的第一头皮异常检测模型，其中，所述第一头皮异常检测模型包括：第一卷积网络、第一全连接网络、第二卷积网络以及第二全连接网络；
通过所述第一头皮异常检测模型对所述目标融合图像进行特征提取，得到目标融合特征；
对所述目标融合特征进行头皮异常因子运算，得到目标头皮异常因子。
结合第一方面，在本发明第一方面的第五实施方式中，所述根据所述目标头皮异常因子设置预置第二头皮异常检测模型的模型超参数，并分别将所述多个编码区域图像输入所述第二头皮异常检测模型进行头皮图像识别和头皮异常分类，得到每个编码区域图像的目标分类指标，包括：
根据所述目标头皮异常因子，匹配对应的目标超参数；
根据所述目标超参数，设置预置第二头皮异常检测模型的模型超参数；
分别将所述多个编码区域图像输入所述第二头皮异常检测模型，其中，所述第二头皮异常检测模型包括：编码网络、解码网络以及两层门限循环网络；
通过所述第二头皮异常检测模型，分别对所述多个编码区域图像进行头皮图像识别和头皮异常分类，得到每个编码区域图像的目标分类指标。
结合第一方面，在本发明第一方面的第六实施方式中，所述对每个编码区域图像的目标分类指标进行头皮异常类型匹配，得到所述目标用户的目标头皮检测结果，包括：
获取头皮异常类型表；
根据所述头皮异常类型表，对每个编码区域图像的目标分类指标进行头皮异常类型查询匹配，得到每个编码区域图像的头皮异常类型；
对每个编码区域图像的头皮异常类型进行头皮检测信息融合，生成所述目标用户的目标头皮检测结果。
本发明第二方面提供了一种基于深度学习的头皮健康状况检测装置，所述基于深度学习的头皮健康状况检测装置包括：
获取模块，用于获取目标用户的用户类型，并根据所述用户类型匹配对应的目标头皮区域分割策略，并根据所述目标头皮区域分割策略确定多个头皮区域特征点；
编码模块，用于根据所述多个头皮区域特征点采集所述目标用户的多个头皮区域图像，并对所述多个头皮区域图像进行编码处理，得到多个编码区域图像；
分类模块，用于根据所述目标头皮区域分割策略对所述多个编码区域图像进行特征分类，得到至少三个编码区域图像集；
融合模块，用于对所述至少三个编码区域图像集进行三维空间数据提取，得到对应的至少三个头皮点云数据，并对所述至少三个头皮点云数据进行三维点云融合，得到目标融合图像；
检测模块，用于将所述目标融合图像输入预置的第一头皮异常检测模型进行头皮异常检测，得到目标头皮异常因子；
分析模块，用于根据所述目标头皮异常因子设置预置第二头皮异常检测模型的模型超参数，并分别将所述多个编码区域图像输入所述第二头皮异常检测模型进行头皮图像识别和头皮异常分类，得到每个编码区域图像的目标分类指标；
输出模块，用于对每个编码区域图像的目标分类指标进行头皮异常类型匹配，得到所述目标用户的目标头皮检测结果。
本发明第三方面提供了一种基于深度学习的头皮健康状况检测设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于深度学习的头皮健康状况检测设备执行上述的基于深度学习的头皮健康状况检测方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于深度学习的头皮健康状况检测方法。
本发明提供的技术方案中，根据目标头皮区域分割策略对多个编码区域图像进行特征分类，得到至少三个编码区域图像集；对至少三个编码区域图像集进行三维空间数据提取和三维点云融合，得到目标融合图像；将目标融合图像输入第一头皮异常检测模型进行头皮异常检测，得到目标头皮异常因子；根据目标头皮异常因子将多个编码区域图像输入第二头皮异常检测模型进行头皮图像识别和头皮异常分类，得到目标分类指标；对目标分类指标进行头皮异常类型匹配，得到目标头皮检测结果，本发明通过对不同类型的用户采用不同的目标头皮区域分割策略，实现了针对不同用户更加精细化的检测策略，然后采用深度学习的第一头皮异常检测模型和第二头皮异常检测模型进行头皮异常的检测分析，实现了智能的头皮检测，并且提高了头皮检测的准确率。
附图说明
图1为本发明实施例中基于深度学习的头皮健康状况检测方法的一个实施例示意图；
图2为本发明实施例中特征分类的流程图；
图3为本发明实施例中得到目标融合图像的流程图；
图4为本发明实施例中头皮异常检测的流程图；
图5为本发明实施例中基于深度学习的头皮健康状况检测装置的一个实施例示意图；
图6为本发明实施例中基于深度学习的头皮健康状况检测设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于深度学习的头皮健康状况检测方法及相关装置，用于实现智能头皮检测并提高头皮检测的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于深度学习的头皮健康状况检测方法的一个实施例包括：
S101、获取目标用户的用户类型，并根据用户类型匹配对应的目标头皮区域分割策略，并根据目标头皮区域分割策略确定多个头皮区域特征点；
可以理解的是，本发明的执行主体可以为基于深度学习的头皮健康状况检测装置，还可以是终端或者服务器，以及智能头戴式穿戴设备，例如：带有芯片的头戴式假发，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，服务器首先确定获取目标用户的用户类型，其中，该目标用户的用户类型包括目标用户的性别和发量，在获取用户性别时，通过用户注册信息获取，对于目标用户发量，在本发明实施例中，既可以通过用户注册信息获取，也可以通过预先存储的目标用户的用户图像进行分析，最终，根据用户性别及发量确定目标用户的用户类型，例如，男性/女性、头发稀疏/头发浓密，进而，服务器针对不同的用户类型，匹配相应的头皮区域分割策略。例如，对于头发稀疏的男性用户，采用基于边缘检测和形态学变换的头皮区域分割算法，以提高对头皮轮廓的准确度，对于头发浓密的女性用户，通过多个方向滤波器的头皮区域分割算法，以更好地识别头发纹理。进而根据与用户类型匹配的目标头皮区域分割策略，在目标头皮区域中确定多个特征点，需要说明的是，针对男女不同的头皮区域，应选择不同的特征点确定方法。例如，对于男性，可以选择头部顶部、发际线、耳后等区域作为特征点；对于女性，可以选择头顶、发际线、头侧等区域作为特征点。同时，进一步的，服务器根据发量确定多个头皮区域特征点，具体的，根据发量信息，确定头皮区域中的多个特征点，例如，对于发量多的用户，在头皮中选择较密集的区域作为特征点，如头顶、前额、头侧等；对于发量少的用户，在头皮较稀疏的区域作为特征点，如头部顶部、发际线等，需要说明的是，头皮区域特征点包括但不限于头皮区域的凸起部位、毛发生长方向等，最终，服务器根据目标头皮区域分割策略确定多个头皮区域特征点。
S102、根据多个头皮区域特征点采集目标用户的多个头皮区域图像，并对多个头皮区域图像进行编码处理，得到多个编码区域图像；
其中，根据多个头皮区域特征点采集目标用户的多个头皮区域图像，进而通过预置的图像采集设备，对目标用户的多个头皮区域进行拍摄，需要说明的是，在此过程中，需要让目标用户面向摄像头，保持头部稳定，其中，在对图像进行编码处理之前，对该多个头皮区域图像进行二值化处理，并采用编码算法分别对每个头皮区域图像进行编码处理，得到相应的编码区域图像。进一步地，采集多个头皮区域图像：根据预先确定的头皮区域特征点，在目标用户的头部区域采集多个头皮区域图像。这些特征点可以通过图像处理算法或手动标注得到，用于指导图像采集过程。例如，可以使用摄像头或其他图像采集设备获取头部的不同区域图像，如额头、顶部、后脑勺等。获取特征点属性并构建映射关系：对于每个头皮区域特征点，提取其相关的特征点属性。这些属性可以包括位置坐标、颜色信息、纹理特征等。根据这些特征点属性与预设编码数据之间的映射关系，构建目标编码表。这个映射关系可以通过训练深度学习模型或手动定义规则来建立。查询目标编码值：利用构建的目标编码表，对采集到的多个头皮区域图像进行查询，获取每个图像对应的编码值。通过将头皮区域图像的特征点属性与目标编码表进行匹配，找到与特征点属性最相似的编码值。生成特征标识和融合图像：根据每个头皮区域图像的目标编码值，生成相应的特征标识。可以使用编码值作为图像的标识符或特征描述符。将头皮区域图像和特征标识进行特征标识融合，生成多个编码区域图像。特征标识融合可以通过图像处理算法、深度学习模型或特征融合技术实现。例如：假设服务器使用这种方法来检测头皮健康状况，并且目标用户的头部分为三个区域：额头、顶部和后脑勺。服务器先标注了每个区域的特征点，然后根据这些特征点进行图像采集。在采集过程中，服务器使用摄像头依次拍摄了目标用户的额头、顶部和后脑勺区域图像，得到三张头皮区域图像。服务器提取每个头皮区域特征点的属性，例如额头区域特征点的位置坐标、顶部区域特征点的颜色信息以及后脑勺区域特征点的纹理特征。根据这些特征点属性构建目标编码表。假设服务器的目标编码表如下：额头区域：编码值A；顶部区域：编码值B；后脑勺区域：编码值C。对于每张头皮区域图像，服务器通过查询目标编码表，找到对应的编码值。例如，额头区域图像对应编码值A，顶部区域图像对应编码值B，后脑勺区域图像对应编码值C。服务器根据编码值生成每个头皮区域图像的特征标识，并将头皮区域图像和特征标识进行特征标识融合，得到多个编码区域图像。这些编码区域图像可以作为后续步骤的输入，进行头皮健康状态检测和异常分类。
S103、根据目标头皮区域分割策略对多个编码区域图像进行特征分类，得到至少三个编码区域图像集；
需要说明的是，根据该目标头皮区域分割策略，对每个编码区域图像进行分割操作，将其分成不同的头皮区域类别。其中，服务器根据目标头皮区域分割策略对每个编码图像进行阈值化处理，得到多个阈值化处理后的多个编码图像，进而，对于每个编码区域图像，提取相应的特征向量，在本发明实施例中，服务器通过局部二值算法对每个编码区域图像进行特征提取，得到对应的特征向量，最终，服务器基于提取的头皮区域特征向量，通过深度学习算法训练分类器进行特征分类，得到至少三个编码区域图像集合。需要说明的是，在本发明实施例中，分类器包括但不限于支持向量机（SVM）、朴素贝叶斯（Naive Bayes）等，进而服务器通过分类器对多个编码区域图像进行分类，得到至少三个编码区域图像集合。进一步地，确定目标用户的至少三个头皮区域：根据所述目标头皮区域分割策略，确定目标用户头部的至少三个区域。这些区域可以根据头部解剖结构、常见头皮问题或颜色纹理等特征来定义。例如，服务器将前额、顶部和枕部作为目标用户的三个头皮区域。获取头皮区域的编码特征集：针对确定的至少三个头皮区域，获取每个区域对应的编码特征集。编码特征集可以包括各种数值或描述性特征，用于描述头皮区域的形状、颜色、纹理、厚度等信息。这些特征可以通过图像处理技术、深度学习模型或手动标注等方法获取。进行映射匹配得到匹配结果：将多个编码区域图像与编码特征集进行映射匹配，找到每个编码区域图像对应的匹配结果。匹配过程可以采用各种相似性度量方法，如欧氏距离、余弦相似度等，来比较图像特征与编码特征之间的相似性。进行特征分类得到编码区域图像集：对每个编码区域图像的匹配结果进行特征分类，将具有相似特征的图像归类为同一编码区域图像集。分类方法可以使用传统机器学习算法，如支持向量机（SVM）、随机森林（Random Forest）等，或者采用深度学习模型，如卷积神经网络（CNN）进行分类。例如：假设服务器的目标头皮区域分割策略确定了目标用户的三个区域：前额、顶部和枕部。服务器为每个头皮区域获取了编码特征集。例如，前额区域的编码特征集包括颜色、纹理和皮肤厚度等特征；顶部区域的编码特征集包括头发密度、头皮弹性和头皮温度等特征；枕部区域的编码特征集包括头皮脂膜、毛囊密度和血液循环等特征。服务器将多个编码区域图像与编码特征集进行映射匹配。例如，对于一张头皮区域图像，服务器计算它与前额区域编码特征集的相似性得分、与顶部区域编码特征集的相似性得分和与枕部区域编码特征集的相似性得分。根据得分最高的匹配结果，确定该图像属于前额、顶部还是枕部区域。服务器对每个编码区域图像的匹配结果进行特征分类，得到至少三个编码区域图像集。根据图像之间的相似性和匹配结果，将具有相似特征的图像归类为同一编码区域图像集。例如，服务器将所有匹配结果为前额区域的图像归为一个编码区域图像集，将所有匹配结果为顶部区域的图像归为另一个编码区域图像集，将匹配结果为枕部区域的图像归为第三个编码区域图像集。
S104、对至少三个编码区域图像集进行三维空间数据提取，得到对应的至少三个头皮点云数据，并对至少三个头皮点云数据进行三维点云融合，得到目标融合图像；
具体的，根据每个编码区域图像集中的头皮区域类别和特征信息，从原始图像数据中提取出该头皮区域的三维空间坐标信息，通过三维空间数据提取，得到每个头皮区域的点云数据，对三个头皮点云数据进行融合，得到一个完整的目标融合图像。需要说明的是，在进行三维点云融合时，服务器将不同的头皮点云数据配准到同一坐标系下，以实现各自之间的对应关系，进而将不同头皮点云数据重采样为相同的分辨率和密度，将配准并重采样的头皮点云数据进行融合，得到目标融合图像。服务器进行三维特征点匹配：对于每个编码区域图像集，进行三维特征点匹配。这可以通过计算特征点之间的相似性或采用特征描述符（例如SIFT、SURF）来实现。通过匹配，可以得到特征点在不同图像集之间的对应关系，获得特征点匹配信息。构建三维坐标系并进行点云数据密集匹配：根据特征点匹配信息，构建三维坐标系。可以使用三维重建技术（如三角测量）将匹配的特征点转化为三维坐标。根据构建的三维坐标系，进行点云数据的密集匹配，以获取更密集的点云数据。密集匹配可以通过光流法、立体视觉或深度学习方法进行。检测偏差点并进行数据集增强：对得到的初始点云数据进行偏差点检测，识别出可能存在的异常点或噪声点。可以使用统计学方法、局部邻域分析或机器学习算法进行异常点检测。对检测到的偏差点数据进行数据集增强，使用插值、平滑或滤波等方法对偏差点进行修复或填充，得到更准确的点云数据。进行多角度二维卷积运算：对于每个头皮点云数据，将其转换为二维数据，并进行多角度的二维卷积运算。这可以通过将点云数据投影到平面上，将每个点的坐标作为像素位置，点的属性作为像素值，然后应用二维卷积神经网络（CNN）进行处理。多角度的卷积操作可以捕捉不同方向上的特征信息。构建目标图像结构：根据每个头皮点云数据对应的多个像素点输出值，构建目标用户的目标图像结构。可以使用像素点输出值作为图像的像素值，将其组织成对应的图像结构。这个图像结构可以是灰度图像、彩色图像或其他形式的图像表示。进行点云数据融合生成目标融合图像：根据目标图像结构，将至少三个头皮点云数据进行点云数据融合。可以使用点云数据融合算法，如基于距离权重的融合、贪婪投影融合或基于深度学习的融合方法，将多个点云数据融合成目标融合图像。融合后的图像可以提供更全面的头皮健康信息和可视化结果。例如：假设服务器的目标是根据三个编码区域图像集（前额区域、顶部区域和枕部区域）生成头皮融合图像。对于每个区域的编码区域图像集，进行三维特征点匹配，得到特征点匹配信息。根据特征点匹配信息构建三维坐标系，并进行点云数据密集匹配，获得更密集的初始点云数据。对初始点云数据进行偏差点检测，识别并标记出可能的异常点。进行数据集增强，使用插值或平滑等方法对偏差点进行修复，得到更准确的点云数据。将处理后的点云数据转换为二维数据，并进行多角度的二维卷积运算，提取丰富的头皮特征信息。根据每个头皮点云数据对应的像素点输出值，构建目标图像结构。例如，将像素点输出值作为图像的像素值，将其组织成灰度图像的结构。使用点云数据融合算法，将至少三个头皮点云数据进行融合，生成目标融合图像。这个融合图像可以展示头皮的整体健康状况和异常情况，提供更全面的头皮检测结果。本实施例中，通过对编码区域图像集进行三维空间数据提取和点云融合，可以实现更准确和全面的头皮健康状况检测，并提供可视化的融合图像结果。
S105、将目标融合图像输入预置的第一头皮异常检测模型进行头皮异常检测，得到目标头皮异常因子；
具体的，在将目标融合图像输入异常检测模型之前，对目标融合图像进行预处理，具体的，服务器对目标融合图像进行平滑滤波处理，并对平滑滤波处理后的目标融合图像进行图像增强处理，最终得到图像增强处理后的目标融合图像，进而，服务器将该图像增强处理后的目标融合图像输入该第一头皮异常检测模型进行头皮异常检测，得到目标头皮异常因子，需要说明的是，对于经过预处理后的目标融合图像，通过第一头皮异常检测模型提取头皮特征进行异常因子分析，需要说明的是异常因子用于表示目标头皮区域是否存在异常情况。服务器通过预置的第一头皮异常检测模型：准备一个预先训练好的头皮异常检测模型，该模型包括第一卷积网络、第一全连接网络、第二卷积网络和第二全连接网络。这些网络可以是卷积神经网络（CNN）或其他深度学习架构。输入目标融合图像并进行特征提取：将目标融合图像作为输入，通过预置的第一头皮异常检测模型进行特征提取。这可以通过将图像传递给模型的卷积层和全连接层来获取图像的高级特征表示。模型的卷积层可以提取图像的局部特征，全连接层可以对这些特征进行整合和抽象。得到目标融合特征：在特征提取阶段，从预置的第一头皮异常检测模型中获取目标融合图像的特征表示。这些特征可以是卷积层输出的特征图、全连接层的输出向量或其他形式的特征表示。目标融合特征捕捉了图像中的关键信息，可用于进一步分析和异常检测。进行头皮异常因子运算：根据目标融合特征，进行头皮异常因子的计算。这可以使用各种算法或模型进行，例如基于特征的统计方法、基于学习的模型或基于规则的评估等。头皮异常因子反映了目标融合图像中头皮的异常程度或特定异常类型的置信度。例如：假设服务器的目标是使用预置的第一头皮异常检测模型对目标融合图像进行头皮异常检测，并得到头皮异常因子。服务器先准备了一个经过训练的深度学习模型，包括第一卷积网络、第一全连接网络、第二卷积网络和第二全连接网络。将目标融合图像作为输入，通过该预置模型进行特征提取。模型的卷积层可以提取图像的纹理、形状和边缘等局部特征，而全连接层可以对这些特征进行组合和抽象，得到高级的图像特征表示。在特征提取阶段，服务器从预置模型中获取了目标融合图像的特征表示，得到了目标融合特征。根据目标融合特征进行头皮异常因子的计算。例如，可以使用一个额外的全连接层将目标融合特征映射为异常因子的置信度分数。这个全连接层可以学习将图像特征与头皮异常程度或异常类型关联起来。根据头皮异常因子的计算结果，服务器得到了目标头皮异常因子，该因子可以表示头皮图像的异常情况。这个异常因子可以用于进一步的分析、分类或决策，例如判断头皮健康状况是否正常或识别不同的头皮异常类型。本实施例中，通过输入目标融合图像到预置的第一头皮异常检测模型中，并进行特征提取和头皮异常因子的计算，可以实现对头皮异常的检测和评估。这个过程可以为后续的头皮健康分析和诊断提供重要的信息。
S106、根据目标头皮异常因子设置预置第二头皮异常检测模型的模型超参数，并分别将多个编码区域图像输入第二头皮异常检测模型进行头皮图像识别和头皮异常分类，得到每个编码区域图像的目标分类指标；
具体的，根据目标头皮异常因子，确定第二头皮异常检测模型的模型超参数，其中，需要说明的是模型超参数数包括模型结构、学习率、正则化系数、迭代次数，进而，服务器通过已知的异常数据训练第二头皮异常检测模型，进而将多个编码区域图像输入第二头皮异常检测模型进行头皮图像识别，得到每个编码区域图像所属的头皮图像类别，具体的，服务器将每个编码区域图像转换为特征向量，并通过第二头皮异常检测模型对每个编码区域图像对应的特征向量进行相似度匹配，得到对应的相似度匹配结果，并将其分配到相应的头皮图像类别中，最终得到每个编码区域图像的目标分类指标。根据目标头皮异常因子匹配目标超参数：根据预先定义好的超参数选择规则或映射表，将目标头皮异常因子与对应的目标超参数进行匹配。目标超参数可以是模型的学习率、批量大小、网络结构层数等，这些超参数会影响模型的训练和性能。设置第二头皮异常检测模型的模型超参数：根据匹配得到的目标超参数，设置预置的第二头皮异常检测模型的模型超参数。这些超参数包括网络结构的配置、优化算法的选择、正则化方法的使用等。模型超参数的设置应考虑到目标头皮异常因子的特点和训练数据的特征，以最大化模型性能和分类准确率。构建第二头皮异常检测模型：根据设置好的模型超参数，构建第二头皮异常检测模型。该模型通常包括编码网络、解码网络以及两层门限循环网络。编码网络用于从输入编码区域图像中提取特征表示，解码网络用于将特征映射回图像空间，两层门限循环网络用于异常检测和分类。输入多个编码区域图像进行图像识别和异常分类：将每个编码区域图像分别输入第二头皮异常检测模型中，进行头皮图像识别和头皮异常分类。编码区域图像经过编码网络提取特征，解码网络将特征映射回图像空间。通过两层门限循环网络对图像进行异常检测和分类，得到每个编码区域图像的目标分类指标。分析目标分类指标：根据头皮异常分类的结果，分析每个编码区域图像的目标分类指标。这些指标可以是异常置信度、异常类型的概率分布或其他定义的分类指标。根据这些指标，可以了解每个编码区域图像的头皮健康状况和异常程度。例如：假设服务器根据目标头皮异常因子设置第二头皮异常检测模型的模型超参数，并对多个编码区域图像进行图像识别和异常分类。根据目标头皮异常因子，通过预定义的匹配规则或映射表，确定目标超参数。例如，如果目标头皮异常因子表示头皮屑的程度，可以将其匹配到超参数中的学习率。根据目标超参数设置第二头皮异常检测模型的模型超参数，如选择网络结构、优化算法和正则化方法。例如，选择使用卷积神经网络作为编码网络和解码网络，采用Adam优化算法进行训练，使用Dropout正则化方法防止过拟合。根据设置好的模型超参数构建第二头皮异常检测模型，包括编码网络、解码网络和两层门限循环网络。将多个编码区域图像输入第二头皮异常检测模型，经过编码网络和解码网络的处理后，通过两层门限循环网络进行异常检测和分类。每个编码区域图像的目标分类指标可以是异常置信度或异常类型的概率分布。根据目标分类指标，可以分析每个编码区域图像的头皮健康状况和异常程度。例如，如果某个编码区域图像的异常置信度较高，可以判断该区域存在异常情况，进一步分析异常的类型和严重程度。本实施例中，通过根据目标头皮异常因子设置第二头皮异常检测模型的模型超参数，并将编码区域图像输入模型进行图像识别和异常分类，可以获得每个编码区域图像的目标分类指标，从而进一步评估头皮健康状况。
S107、对每个编码区域图像的目标分类指标进行头皮异常类型匹配，得到目标用户的目标头皮检测结果。
具体的，服务器预先采集头皮异常类型，同时，构建头皮异常类型库，并根据已有的头皮异常类型库，通过贝叶斯模型算法对每个编码区域图像的目标分类指标进行头皮异常类型匹配，得到目标用户的目标头皮检测结果。需要说明的是，目标头皮检测结果包括头皮区域的异常类型、异常程度、面积等信息。获取头皮异常类型表：准备一个头皮异常类型表，其中包含了各种头皮异常的类型及其对应的定义或描述。这个表可以是预定义的，也可以通过专家知识或其他数据来源进行构建。根据头皮异常类型表进行查询匹配：根据所述头皮异常类型表，对每个编码区域图像的目标分类指标进行查询匹配，以确定其对应的头皮异常类型。这可以通过比较目标分类指标与头皮异常类型表中定义的异常类型的相似性或相关性来实现。得到每个编码区域图像的头皮异常类型：根据查询匹配的结果，为每个编码区域图像确定其头皮异常类型。这些异常类型可以是头皮屑、炎症、脱发等。每个编码区域图像可能对应一个或多个头皮异常类型。头皮异常类型的信息融合：将每个编码区域图像的头皮异常类型进行信息融合，以生成目标用户的目标头皮检测结果。这可以通过加权融合、投票融合或其他融合方法来实现。融合的目标是综合考虑多个编码区域图像的异常类型信息，得出整体的头皮检测结果。例如：假设头皮异常类型表中定义了三种头皮异常类型：头皮屑、炎症和脱发。现在针对每个编码区域图像的目标分类指标进行头皮异常类型匹配。获取头皮异常类型表，其中包括头皮屑、炎症和脱发等异常类型及其定义或描述。对于每个编码区域图像，根据头皮异常类型表进行查询匹配。例如，如果一个编码区域图像的目标分类指标表明存在大量头皮屑，那么可以将其匹配为头皮屑类型。根据查询匹配的结果，得到每个编码区域图像的头皮异常类型。例如，对于编码区域图像A，其头皮异常类型为头皮屑；对于编码区域图像B，其头皮异常类型为炎症；对于编码区域图像C，其头皮异常类型可能为头皮屑和脱发。对于目标用户的头皮检测结果，可以将多个编码区域图像的头皮异常类型进行信息融合。例如，可以使用加权融合方法，将不同区域图像的异常类型按照一定的权重进行加权，得到整体的头皮检测结果。如果头皮屑的权重较高，那么整体结果可能是头皮屑；如果炎症的权重较高，那么整体结果可能是炎症。这样就可以得到目标用户的目标头皮检测结果，提供关于头皮异常类型的综合信息。本实施例中，通过根据头皮异常类型表对每个编码区域图像的目标分类指标进行匹配，并将头皮异常类型进行信息融合，可以生成目标用户的目标头皮检测结果。这个结果提供了头皮异常类型的综合信息，有助于头皮健康评估和异常类型识别。
本发明实施例中，根据目标头皮区域分割策略对多个编码区域图像进行特征分类，得到至少三个编码区域图像集；对至少三个编码区域图像集进行三维空间数据提取和三维点云融合，得到目标融合图像；将目标融合图像输入第一头皮异常检测模型进行头皮异常检测，得到目标头皮异常因子；根据目标头皮异常因子将多个编码区域图像输入第二头皮异常检测模型进行头皮图像识别和头皮异常分类，得到目标分类指标；对目标分类指标进行头皮异常类型匹配，得到目标头皮检测结果，本发明通过对不同类型的用户采用不同的目标头皮区域分割策略，实现针对不同用户更加精细化的检测策略，然后采用深度学习的第一头皮异常检测模型和第二头皮异常检测模型进行头皮异常的检测分析，实现了智能的头皮检测，并且提高了头皮检测的准确率。
在一具体实施例中，执行步骤S102的过程可以具体包括如下步骤：
（1）根据多个头皮区域特征点，采集目标用户的多个头皮区域图像；
（2）获取多个头皮区域特征点的特征点属性，并构建特征点属性与预设编码数据之间的映射关系，生成目标编码表；
（3）从目标编码表中，查询多个头皮区域图像对应的编码值，得到每个头皮区域图像对应的目标编码值；
（4）根据目标编码值生成头皮区域图像的特征标识，并对头皮区域图像和特征标识进行特征标识融合，得到多个编码区域图像。
具体的，服务器根据多个头皮区域特征点，采集目标用户的多个头皮区域图像，进而，获取多个头皮区域特征点的特征点属性：对每个头皮区域图像进行特征点提取和属性获取，具体的，服务器通过SIFT算法对每个头皮区域图像进行关键点分析，确定对应的目标关键点，进而服务器通过每个头皮区域对应的目标关键点进行关键点特征分析，确定关键点特征信息进而，获取多个头皮区域特征点的特征点属性，并构建特征点属性与预设编码数据之间的映射关系，生成目标编码表，具体的，通过编码数据的种类和数量，对特征点属性与预设编码数据进行匹配，并生成目标编码表，根据目标编码表，将每个头皮区域图像的特征点属性转换为特征向量，并通过查询算法进行编码值匹配。查询多个头皮区域图像对应的编码值。最终，生成头皮区域图像的特征标识，进行特征标识融合：根据查询结果，生成头皮区域图像的特征标识，并对头皮区域图像和特征标识进行特征标识融合，得到多个编码区域图像。
在一具体实施例中，如图2所示，执行步骤S103的过程可以具体包括如下步骤：
S201、根据目标头皮区域分割策略，确定目标用户对应的至少三个头皮区域；
S202、获取至少三个头皮区域对应的编码特征集；
S203、对多个编码区域图像和编码特征集进行映射匹配，得到每个编码区域图像对应的匹配结果；
S204、对每个编码区域图像对应的匹配结果进行特征分类，得到至少三个编码区域图像集。
具体的，服务器在头皮区域中获取编码特征集，具体的，服务器根据目标头皮区域分割策略，确定目标用户对应的至少三个头皮区域，需要说明的是，编码特征集包括但不限于头发颜色、头发密度、头皮厚度等指标。进而，对多个编码区域图像和编码特征集进行映射匹配，首先将头皮图像转化为数值表示，在本发明实施例中，通过机器学习算法对头皮图像进行预处理和特征提取，然后将其与编码特征集进行匹配，最终，服务器对每个编码区域图像对应的匹配结果进行特征分类，其中，通过聚类算法将匹配结果划分为不同的类别。例如，根据头发颜色、头发密度等特征将匹配结果分为不同的类别，得到至少三个编码区域图像集。
在一具体实施例中，如图3所示，执行步骤S104的过程可以具体包括如下步骤：
S301、对至少三个编码区域图像集进行三维特征点匹配，得到特征点匹配信息；
S302、根据特征点匹配信息构建三维坐标系，并根据三维坐标系进行点云数据密集匹配，得到初始点云数据；
S303、对初始点云数据进行偏差点检测，得到偏差点数据，并对偏差点数据进行数据集增强，得到对应的至少三个头皮点云数据；
S304、对至少三个头皮点云数据进行多角度二维卷积运算，得到每个头皮点云数据对应的多个像素点输出值；
S305、根据每个头皮点云数据对应的多个像素点输出值构建目标用户的目标图像结构；
S306、根据目标图像结构对至少三个头皮点云数据进行点云数据融合，生成目标融合图像。
具体的，服务器对至少三个编码区域图像集进行三维特征点匹配，得到特征点匹配信息。具体的，服务器通过将至少三个编码区域图像转化为三维坐标系中的点云，并通过关键点检测算法对点云数据进行特征提取和匹配，从而得到特征点匹配信息。进而，服务器通过迭代最近点算法将每个头皮点云数据转换为三维坐标系中的点云数据，并使用点云配准算法进行匹配，以得到初始的点云数据，对初始点云数据进行偏差点检测，得到偏差点数据，并对偏差点数据进行数据集增强，得到对应的至少三个头皮点云数据。需要说明的是，本步骤的目的是检测点云数据中的偏差点，并通过数据集增强技术生成更加鲁棒的头皮点云数据。进一步的，对至少三个头皮点云数据进行多角度二维卷积运算，得到每个头皮点云数据对应的多个像素点输出值，服务器将头皮点云数据投影到二维平面上，并使用卷积神经网络对投影后的图像进行处理，以得到每个头皮点云数据对应的像素点输出值。服务器通过双线性插值将所有头皮点云数据对应的像素点输出值融合成目标图像结构，最终，服务器根据目标图像结构对至少三个头皮点云数据进行点云数据融合，生成目标融合图像。
在一具体实施例中，如图4所示，执行步骤S105的过程可以具体包括如下步骤：
S401、将目标融合图像输入预置的第一头皮异常检测模型，其中，第一头皮异常检测模型包括：第一卷积网络、第一全连接网络、第二卷积网络以及第二全连接网络；
S402、通过第一头皮异常检测模型对目标融合图像进行特征提取，得到目标融合特征；
S403、对目标融合特征进行头皮异常因子运算，得到目标头皮异常因子。
具体的，服务器将目标融合图像输入第一头皮异常检测模型。该模型包括四个部分：第一卷积网络、第一全连接网络、第二卷积网络以及第二全连接网络。这些组件共同构成了一个神经网络，可以对输入的图像进行处理，以提取其中的特征。需要说明的是，第一卷积网络主要是在图像上执行卷积操作，以捕捉图像中的局部特征。第一卷积网络通过一组卷积核对输入图像进行滑动窗口运算进行特征映射，第一全连接网络接收卷积层输出的一维向量，并将其转换成更高级别的特征表示，第二卷积网络和第二全连接网络的用于进一步提取并处理特征，进而，将目标融合图像输入预置的第一头皮异常检测模型中，并经过一系列卷积、池化等运算得到高阶特征，高阶特征被展平并通过全连接层进行处理，最终产生目标融合特征，最终，对目标融合特征进行头皮异常因子运算。具体的，服务器通过逻辑回归算法对目标融合特征进行头皮异常因子运算，得到目标头皮异常因子。
在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：
（1）根据目标头皮异常因子，匹配对应的目标超参数；
（2）根据目标超参数，设置预置第二头皮异常检测模型的模型超参数；
（3）分别将多个编码区域图像输入第二头皮异常检测模型，其中，第二头皮异常检测模型包括：编码网络、解码网络以及两层门限循环网络；
（4）通过第二头皮异常检测模型，分别对多个编码区域图像进行头皮图像识别和头皮异常分类，得到每个编码区域图像的目标分类指标。
具体的，根据目标头皮异常因子匹配对应的目标超参数，通过匹配每个头皮图像的异常因子，确定对应的目标超参数，根据目标超参数设置预置第二头皮异常检测模型的模型超参数。具体的，服务器通过目标超参数，调整第二头皮异常检测模型的模型结构、激活函数、学习率，进而将多个编码区域图像输入第二头皮异常检测模型。第二头皮异常检测模型包括编码网络、解码网络以及两层门限循环网络，需要说明的是，编码网络主要是将多个编码区域图像进行编码，提取出其核心特征。解码网络则反向生成输出图像，同时实现降噪和重建的效果。而门限循环网络则用于判断图像中的异常区域，并对其进行分类。通过第二头皮异常检测模型，分别对多个编码区域图像进行头皮图像识别和头皮异常分类，得到每个编码区域图像的目标分类指标，具体的，服务器器对多个编码区域图像进行特征提取、特异性处理和判断。其中，特异性处理包括门限分类和局部细节分析等技术。最终实现精准识别和分类出头皮中的异常区域，并得到每个编码区域图像的目标分类指标。
在一具体实施例中，执行步骤S107的过程可以具体包括如下步骤：
（1）获取头皮异常类型表；
（2）根据头皮异常类型表，对每个编码区域图像的目标分类指标进行头皮异常类型查询匹配，得到每个编码区域图像的头皮异常类型；
（3）对每个编码区域图像的头皮异常类型进行头皮检测信息融合，生成目标用户的目标头皮检测结果。
具体的，获取头皮异常类型表，根据头皮异常类型表，对每个编码区域图像的目标分类指标进行头皮异常类型查询匹配，将目标分类指标与不同头皮异常类型进行比对，并找到最佳匹配的异常类型。得到每个编码区域图像的头皮异常类型，最终，服务器对每个编码区域图像的头皮异常类型进行头皮检测信息融合，生成目标用户的目标头皮检测结果。
上面对本发明实施例中基于深度学习的头皮健康状况检测方法进行了描述，下面对本发明实施例中基于深度学习的头皮健康状况检测装置进行描述，请参阅图5，本发明实施例中基于深度学习的头皮健康状况检测装置一个实施例包括：
获取模块501，用于获取目标用户的用户类型，并根据所述用户类型匹配对应的目标头皮区域分割策略，并根据所述目标头皮区域分割策略确定多个头皮区域特征点；
编码模块502，用于根据所述多个头皮区域特征点采集所述目标用户的多个头皮区域图像，并对所述多个头皮区域图像进行编码处理，得到多个编码区域图像；
分类模块503，用于根据所述目标头皮区域分割策略对所述多个编码区域图像进行特征分类，得到至少三个编码区域图像集；
融合模块504，用于对所述至少三个编码区域图像集进行三维空间数据提取，得到对应的至少三个头皮点云数据，并对所述至少三个头皮点云数据进行三维点云融合，得到目标融合图像；
检测模块505，用于将所述目标融合图像输入预置的第一头皮异常检测模型进行头皮异常检测，得到目标头皮异常因子；
分析模块506，用于根据所述目标头皮异常因子设置预置第二头皮异常检测模型的模型超参数，并分别将所述多个编码区域图像输入所述第二头皮异常检测模型进行头皮图像识别和头皮异常分类，得到每个编码区域图像的目标分类指标；
输出模块507，用于对每个编码区域图像的目标分类指标进行头皮异常类型匹配，得到所述目标用户的目标头皮检测结果。
通过上述各个组成部分的协同合作，根据目标头皮区域分割策略对多个编码区域图像进行特征分类，得到至少三个编码区域图像集；对至少三个编码区域图像集进行三维空间数据提取和三维点云融合，得到目标融合图像；将目标融合图像输入第一头皮异常检测模型进行头皮异常检测，得到目标头皮异常因子；根据目标头皮异常因子将多个编码区域图像输入第二头皮异常检测模型进行头皮图像识别和头皮异常分类，得到目标分类指标；对目标分类指标进行头皮异常类型匹配，得到目标头皮检测结果，本发明通过对不同类型的用户采用不同的目标头皮区域分割策略，实现了针对不同用户更加精细化的检测策略，然后采用深度学习的第一头皮异常检测模型和第二头皮异常检测模型进行头皮异常的检测分析，实现了智能的头皮检测，并且提高了头皮检测的准确率。
上面图5从模块化功能实体的角度对本发明实施例中的基于深度学习的头皮健康状况检测装置进行详细描述，下面从硬件处理的角度对本发明实施例中基于深度学习的头皮健康状况检测设备进行详细描述。
图6是本发明实施例提供的一种基于深度学习的头皮健康状况检测设备的结构示意图，该基于深度学习的头皮健康状况检测设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对基于深度学习的头皮健康状况检测设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在基于深度学习的头皮健康状况检测设备600上执行存储介质630中的一系列指令操作。
基于深度学习的头皮健康状况检测设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的基于深度学习的头皮健康状况检测设备结构并不构成对基于深度学习的头皮健康状况检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种基于深度学习的头皮健康状况检测设备，所述基于深度学习的头皮健康状况检测设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述基于深度学习的头皮健康状况检测方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述基于深度学习的头皮健康状况检测方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random acceS memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于深度学习的头皮健康状况检测方法，其特征在于，所述基于深度学习的头皮健康状况检测方法包括：
获取目标用户的用户类型，并根据所述用户类型匹配对应的目标头皮区域分割策略，并根据所述目标头皮区域分割策略确定多个头皮区域特征点；
根据所述多个头皮区域特征点采集所述目标用户的多个头皮区域图像，并对所述多个头皮区域图像进行编码处理，得到多个编码区域图像；
根据所述目标头皮区域分割策略对所述多个编码区域图像进行特征分类，得到至少三个编码区域图像集；
对所述至少三个编码区域图像集进行三维空间数据提取，得到对应的至少三个头皮点云数据，并对所述至少三个头皮点云数据进行三维点云融合，得到目标融合图像；
将所述目标融合图像输入预置的第一头皮异常检测模型进行头皮异常检测，得到目标头皮异常因子；
根据所述目标头皮异常因子设置预置第二头皮异常检测模型的模型超参数，并分别将所述多个编码区域图像输入所述第二头皮异常检测模型进行头皮图像识别和头皮异常分类，得到每个编码区域图像的目标分类指标；
对每个编码区域图像的目标分类指标进行头皮异常类型匹配，得到所述目标用户的目标头皮检测结果。
2.根据权利要求1所述的基于深度学习的头皮健康状况检测方法，其特征在于，所述根据所述多个头皮区域特征点采集所述目标用户的多个头皮区域图像，并对所述多个头皮区域图像进行编码处理，得到多个编码区域图像，包括：
根据所述多个头皮区域特征点，采集所述目标用户的多个头皮区域图像；
获取所述多个头皮区域特征点的特征点属性，并构建所述特征点属性与预设编码数据之间的映射关系，生成目标编码表；
从所述目标编码表中，查询所述多个头皮区域图像对应的编码值，得到每个头皮区域图像对应的目标编码值；
根据所述目标编码值生成所述头皮区域图像的特征标识，并对所述头皮区域图像和所述特征标识进行特征标识融合，得到多个编码区域图像。
3.根据权利要求1所述的基于深度学习的头皮健康状况检测方法，其特征在于，所述根据所述目标头皮区域分割策略对所述多个编码区域图像进行特征分类，得到至少三个编码区域图像集，包括：
根据所述目标头皮区域分割策略，确定所述目标用户对应的至少三个头皮区域；
获取所述至少三个头皮区域对应的编码特征集；
对所述多个编码区域图像和所述编码特征集进行映射匹配，得到每个编码区域图像对应的匹配结果；
对每个编码区域图像对应的匹配结果进行特征分类，得到至少三个编码区域图像集。
4.根据权利要求1所述的基于深度学习的头皮健康状况检测方法，其特征在于，所述对所述至少三个编码区域图像集进行三维空间数据提取，得到对应的至少三个头皮点云数据，并对所述至少三个头皮点云数据进行三维点云融合，得到目标融合图像，包括：
对所述至少三个编码区域图像集进行三维特征点匹配，得到特征点匹配信息；
根据所述特征点匹配信息构建三维坐标系，并根据所述三维坐标系进行点云数据密集匹配，得到初始点云数据；
对所述初始点云数据进行偏差点检测，得到偏差点数据，并对所述偏差点数据进行数据集增强，得到对应的至少三个头皮点云数据；
对所述至少三个头皮点云数据进行多角度二维卷积运算，得到每个头皮点云数据对应的多个像素点输出值；
根据每个头皮点云数据对应的多个像素点输出值构建所述目标用户的目标图像结构；
根据所述目标图像结构对所述至少三个头皮点云数据进行点云数据融合，生成目标融合图像。
5.根据权利要求1所述的基于深度学习的头皮健康状况检测方法，其特征在于，所述将所述目标融合图像输入预置的第一头皮异常检测模型进行头皮异常检测，得到目标头皮异常因子，包括：
将所述目标融合图像输入预置的第一头皮异常检测模型，其中，所述第一头皮异常检测模型包括：第一卷积网络、第一全连接网络、第二卷积网络以及第二全连接网络；
通过所述第一头皮异常检测模型对所述目标融合图像进行特征提取，得到目标融合特征；
对所述目标融合特征进行头皮异常因子运算，得到目标头皮异常因子。
6.根据权利要求1所述的基于深度学习的头皮健康状况检测方法，其特征在于，所述根据所述目标头皮异常因子设置预置第二头皮异常检测模型的模型超参数，并分别将所述多个编码区域图像输入所述第二头皮异常检测模型进行头皮图像识别和头皮异常分类，得到每个编码区域图像的目标分类指标，包括：
根据所述目标头皮异常因子，匹配对应的目标超参数；
根据所述目标超参数，设置预置第二头皮异常检测模型的模型超参数；
分别将所述多个编码区域图像输入所述第二头皮异常检测模型，其中，所述第二头皮异常检测模型包括：编码网络、解码网络以及两层门限循环网络；
通过所述第二头皮异常检测模型，分别对所述多个编码区域图像进行头皮图像识别和头皮异常分类，得到每个编码区域图像的目标分类指标。
7.根据权利要求1所述的基于深度学习的头皮健康状况检测方法，其特征在于，所述对每个编码区域图像的目标分类指标进行头皮异常类型匹配，得到所述目标用户的目标头皮检测结果，包括：
获取头皮异常类型表；
根据所述头皮异常类型表，对每个编码区域图像的目标分类指标进行头皮异常类型查询匹配，得到每个编码区域图像的头皮异常类型；
对每个编码区域图像的头皮异常类型进行头皮检测信息融合，生成所述目标用户的目标头皮检测结果；其中，使用加权融合方法，将每个编码区域图像的头皮异常类型按照权重进行加权，得到整体的目标头皮检测结果。
8.一种基于深度学习的头皮健康状况检测装置，其特征在于，所述基于深度学习的头皮健康状况检测装置包括：
获取模块，用于获取目标用户的用户类型，并根据所述用户类型匹配对应的目标头皮区域分割策略，并根据所述目标头皮区域分割策略确定多个头皮区域特征点；
编码模块，用于根据所述多个头皮区域特征点采集所述目标用户的多个头皮区域图像，并对所述多个头皮区域图像进行编码处理，得到多个编码区域图像；
分类模块，用于根据所述目标头皮区域分割策略对所述多个编码区域图像进行特征分类，得到至少三个编码区域图像集；
融合模块，用于对所述至少三个编码区域图像集进行三维空间数据提取，得到对应的至少三个头皮点云数据，并对所述至少三个头皮点云数据进行三维点云融合，得到目标融合图像；
检测模块，用于将所述目标融合图像输入预置的第一头皮异常检测模型进行头皮异常检测，得到目标头皮异常因子；
分析模块，用于根据所述目标头皮异常因子设置预置第二头皮异常检测模型的模型超参数，并分别将所述多个编码区域图像输入所述第二头皮异常检测模型进行头皮图像识别和头皮异常分类，得到每个编码区域图像的目标分类指标；
输出模块，用于对每个编码区域图像的目标分类指标进行头皮异常类型匹配，得到所述目标用户的目标头皮检测结果。
9.一种基于深度学习的头皮健康状况检测设备，其特征在于，所述基于深度学习的头皮健康状况检测设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于深度学习的头皮健康状况检测设备执行如权利要求1-7中任一项所述的基于深度学习的头皮健康状况检测方法。
10.一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指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的基于深度学习的头皮健康状况检测方法。
CN202310963210.XA 2023-08-02 2023-08-02 基于深度学习的头皮健康状况检测方法及相关装置 Active CN116664585B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310963210.XA CN116664585B (zh) 2023-08-02 2023-08-02 基于深度学习的头皮健康状况检测方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310963210.XA CN116664585B (zh) 2023-08-02 2023-08-02 基于深度学习的头皮健康状况检测方法及相关装置

Publications (2)

Publication Number Publication Date
CN116664585A CN116664585A (zh) 2023-08-29
CN116664585B true CN116664585B (zh) 2023-11-24

Family

ID=87724664

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310963210.XA Active CN116664585B (zh) 2023-08-02 2023-08-02 基于深度学习的头皮健康状况检测方法及相关装置

Country Status (1)

Country Link
CN (1) CN116664585B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117333492B (zh) * 2023-12-01 2024-03-15 深圳菲尔泰光电有限公司 基于图像处理的光学薄膜质量检测方法及相关装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106022221A (zh) * 2016-05-09 2016-10-12 腾讯科技（深圳）有限公司 一种图像处理方法及处理系统
CN108280397A (zh) * 2017-12-25 2018-07-13 西安电子科技大学 基于深度卷积神经网络的人体图像头发检测方法
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
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
KR20220125719A (ko) * 2021-04-28 2022-09-14 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 목표 대상 검측 모델을 트레이닝하는 방법 및 장비, 목표 대상을 검측하는 방법 및 장비, 전자장비, 저장매체 및 컴퓨터 프로그램
EP4156090A1 (en) * 2021-09-24 2023-03-29 Siemens Healthcare GmbH Automatic analysis of 2d medical image data with an additional object

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11227683B2 (en) * 2020-01-23 2022-01-18 GE Precision Healthcare LLC Methods and systems for characterizing anatomical features in medical images

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106022221A (zh) * 2016-05-09 2016-10-12 腾讯科技（深圳）有限公司 一种图像处理方法及处理系统
CN108280397A (zh) * 2017-12-25 2018-07-13 西安电子科技大学 基于深度卷积神经网络的人体图像头发检测方法
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
KR20220125719A (ko) * 2021-04-28 2022-09-14 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 목표 대상 검측 모델을 트레이닝하는 방법 및 장비, 목표 대상을 검측하는 방법 및 장비, 전자장비, 저장매체 및 컴퓨터 프로그램
EP4156090A1 (en) * 2021-09-24 2023-03-29 Siemens Healthcare GmbH Automatic analysis of 2d medical image data with an additional object
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
无纺布缺陷自动检测技术研究;陈航;《中国优秀硕士学位论文全文数据库》;B024-17 *

Also Published As

Publication number Publication date
CN116664585A (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
Valle et al. A deeply-initialized coarse-to-fine ensemble of regression trees for face alignment
US10049262B2 (en) Method and system for extracting characteristic of three-dimensional face image
Vieira et al. Detecting siblings in image pairs
CN106295124B (zh) 多种图像检测技术综合分析基因子图相似概率量的方法
Akram et al. Identification and classification of microaneurysms for early detection of diabetic retinopathy
US7912246B1 (en) Method and system for determining the age category of people based on facial images
JP6639123B2 (ja) 画像処理装置、画像処理方法、及びプログラム
CN108629336B (zh) 基于人脸特征点识别的颜值计算方法
Hayat et al. An automatic framework for textured 3D video-based facial expression recognition
CN103839042B (zh) 人脸识别方法和人脸识别系统
CN104598888B (zh) 一种人脸性别的识别方法
CN116664585B (zh) 基于深度学习的头皮健康状况检测方法及相关装置
CN106096517A (zh) 一种基于低秩矩阵与特征脸的人脸识别方法
CN114359787A (zh) 目标属性识别方法、装置、计算机设备及存储介质
CN116229189B (zh) 基于荧光内窥镜的图像处理方法、装置、设备及存储介质
Li et al. Human sperm health diagnosis with principal component analysis and K-nearest neighbor algorithm
CN115953824B (zh) 一种人脸皮肤图像处理方法及系统
CN106611158A (zh) 人体3d特征信息的获取方法及设备
Berretti et al. Distinguishing facial features for ethnicity-based 3D face recognition
CN110532915B (zh) 基于法向量方位角局部熵的三维人脸遮挡判别方法
CN116229330A (zh) 一种视频有效帧的确定方法、系统、电子设备及存储介质
Mercan et al. The use of pseudo-landmarks for craniofacial analysis: A comparative study with l 1-regularized logistic regression
Mabuza-Hocquet et al. Ethnicity prediction and classification from iris texture patterns: A survey on recent advances
Gonidakis et al. Handcrafted features can boost performance and data-efficiency for deep detection of lung nodules from CT imaging
Dong et al. White blood cell classification

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