CN116993714A - 皮肤检测方法、系统及计算机可读存储介质 - Google Patents
皮肤检测方法、系统及计算机可读存储介质 Download PDFInfo
- Publication number
- CN116993714A CN116993714A CN202311100974.2A CN202311100974A CN116993714A CN 116993714 A CN116993714 A CN 116993714A CN 202311100974 A CN202311100974 A CN 202311100974A CN 116993714 A CN116993714 A CN 116993714A
- Authority
- CN
- China
- Prior art keywords
- detection
- acne
- skin
- picture
- mole
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 365
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 206010000496 acne Diseases 0.000 claims abstract description 140
- 208000002874 Acne Vulgaris Diseases 0.000 claims abstract description 138
- 230000011218 segmentation Effects 0.000 claims abstract description 94
- 208000007256 Nevus Diseases 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims description 34
- 238000007635 classification algorithm Methods 0.000 claims description 27
- 206010027145 Melanocytic naevus Diseases 0.000 claims description 24
- 238000002372 labelling Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000007405 data analysis Methods 0.000 claims description 11
- 206010025421 Macule Diseases 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 9
- 230000007547 defect Effects 0.000 claims description 8
- 239000003086 colorant Substances 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000001815 facial effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 2
- 210000003491 skin Anatomy 0.000 description 131
- 238000013527 convolutional neural network Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 208000020154 Acnes Diseases 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 208000017520 skin disease Diseases 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011524 similarity measure Methods 0.000 description 3
- 206010011732 Cyst Diseases 0.000 description 2
- XUMBMVFBXHLACL-UHFFFAOYSA-N Melanin Chemical compound O=C1C(=O)C(C2=CNC3=C(C(C(=O)C4=C32)=O)C)=C2C4=CNC2=C1C XUMBMVFBXHLACL-UHFFFAOYSA-N 0.000 description 2
- 208000003351 Melanosis Diseases 0.000 description 2
- 206010037888 Rash pustular Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 208000031513 cyst Diseases 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 208000029561 pustule Diseases 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 208000037259 Amyloid Plaque Diseases 0.000 description 1
- 206010008570 Chloasma Diseases 0.000 description 1
- 208000035473 Communicable disease Diseases 0.000 description 1
- 206010012442 Dermatitis contact Diseases 0.000 description 1
- 208000007514 Herpes zoster Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010039793 Seborrhoeic dermatitis Diseases 0.000 description 1
- 206010042496 Sunburn Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 208000010247 contact dermatitis Diseases 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000003834 intracellular effect Effects 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000002752 melanocyte Anatomy 0.000 description 1
- 201000001441 melanoma Diseases 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 208000003154 papilloma Diseases 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000008742 seborrheic dermatitis Diseases 0.000 description 1
- 206010040882 skin lesion Diseases 0.000 description 1
- 231100000444 skin lesion Toxicity 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种皮肤检测方法、系统及计算机可读存储介质,本申请涉及图像处理技术领域,其中,该皮肤检测方法包括:获取人脸图片,人脸图片包括有痘、斑和痣的一种或多种皮肤残次特征;通过痘斑痣实例分割模型对人脸图片进行痘斑痣检测,输出检测图片和皮肤残次特征对应的检测结果,每个检测结果为痘检测结果、斑检测结果和痣检测结果的其中一种。该皮肤检测方法以解决或部分解决传统的皮肤检测模型会出现重复误检且误检率较高的问题。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及皮肤检测方法、系统及计算机可读存储介质。
背景技术
皮肤是人体最大的器官,皮肤病(dermatosis)则是发生在皮肤和皮肤附属器官疾病的总称。脸上的皮肤病有接触性皮炎、痤疮、脂溢性皮炎、痘、痣和斑等。
目前,一些传统的皮肤检测模型仅对某一类皮肤病进行检测,如痘模型检测模型只能去检测痘,痣模型检测模型只能去检测痣;当一个脸上的痘等皮肤病的皮肤残次特征不是特别明显时,就可能被同时标记为痘或痣,这样就会造成重复性误检,且误检率较高。
并且,一些传统的皮肤检测模型的鲁棒性(系统或者算法在不同的情况下,仍能够保持稳定和可靠的能力)较差,可能无法直接平移或代替其他的皮肤检测模型,如:无法用痘模型检测模型去检测痣。传统的皮肤检测模型检测出的结果也较为粗糙和笼统,会重复误检且误检率较高。
发明内容
本申请实施例提供一种皮肤检测方法、系统及计算机可读存储介质,以解决或部分解决传统的皮肤检测模型会出现重复误检且误检率较高的问题。
本申请目的一是提供一种皮肤检测方法。
一种皮肤检测方法,包括:
获取人脸图片,人脸图片包括有痘、斑和痣的一种或多种皮肤残次特征;
通过痘斑痣实例分割模型对人脸图片进行痘斑痣检测,输出检测图片和皮肤残次特征对应的检测结果,每个检测结果为痘检测结果、斑检测结果和痣检测结果的其中一种。
本申请在一较佳示例中可以进一步配置为:在输出检测图片和皮肤残次特征对应的检测结果之后,还包括:
基于检测结果,对检测图片进行图片分割,得到每个检测结果对应的分割图片;
通过分类算法模型对分割图片进行细分类,得到细分类结果,细分类结果为痘检测结果、斑检测结果和痣检测结果的其中一种的二级检测结果。
本申请在一较佳示例中可以进一步配置为:在获取人脸图片之前,还包括:
采集样本人脸图片,并对样本人脸图片进行标注,得到已标注的标准人脸图片,标注至少包括以下一种:痘标注、斑标注或痣标注;
通过实例分割模型对未标注的样本人脸图片进行迭代训练,输出
目标人脸图片,将目标人脸图片与标准人脸图片进行指标评价,获取评价结果;
基于评价结果,确定实例分割模型是否继续进行迭代训练,并将最后迭代成功的实例分割模型作为痘斑痣实例分割模型。
本申请在一较佳示例中可以进一步配置为:通过分类算法模型对分割图片进行细分类,得到细分类结果,包括:
将分割图片与标准模板图片进行比对,获取图片相似度;
将图片相似度最高的标准模板图片所在的细分类类别,作为分割图片的细分类结果。
本申请在一较佳示例中可以进一步配置为:在通过分类算法模型对分割图片进行细分类,得到细分类结果之前,包括:
基于深度学习的分类算法模型对分割图片进行细分类,得到细分类结果。
本申请在一较佳示例中可以进一步配置为:检测结果包括边界点;基于检测结果,对检测图片进行区域分割,得到每个检测结果对应的分割区域,包括:
将边界点围合形成检测区域;
基于检测区域,对检测图片进行区域分割,得到每个检测结果对应的分割区域。
本申请在一较佳示例中可以进一步配置为:在通过痘斑痣实例分割模型对人脸图片进行痘斑痣检测,输出检测图片和皮肤残次特征对应的检测结果之后,还包括:
对检测结果进行数据分析,获取对应的数量或面积占比或严重程度情况。
本申请在一较佳示例中可以进一步配置为:一种皮肤检测方法,还包括:
将检测结果通过文字或形状或色彩的结合进行标注。
本申请在一较佳示例中可以进一步配置为:一种皮肤检测方法,还包括:
通过痘斑痣实例分割模型对人脸图片进行痘斑痣检测,输出检测图片和皮肤残次特征对应的检测结果,每个检测结果包括痘检测细分类结果、斑检测细分类结果和痣检测细分类结果的其中一种。
本申请目的二是提供一种皮肤检测系统。
本申请的上述申请目的二是通过以下技术方案得以实现的:
一种皮肤检测系统,包括:
人脸图片获取模块,用于获取人脸图片,人脸图片包括有痘、斑和痣的一种或多种皮肤残次特征;
痘斑痣检测模块,用于通过痘斑痣实例分割模型对人脸图片进行痘斑痣检测,输出检测图片和皮肤残次特征对应的检测结果,每个检测结果为痘检测结果、斑检测结果和痣检测结果的其中一种。
本申请目的三是提供一种电子设备。
一种电子设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上述任一项所述皮肤检测方法。
本申请目的四是提供一种计算机可读存储介质。
一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述皮肤检测方法。
综上,本申请包括以下有益技术效果:
上述皮肤检测方法,通过获取人脸图片,人脸图片包括有痘、斑和痣的一种或多种皮肤残次特征;通过痘斑痣实例分割模型对人脸图片进行痘斑痣检测,输出检测图片和皮肤残次特征对应的检测结果,每个检测结果为痘检测结果、斑检测结果和痣检测结果的其中一种,该方法准确快捷,且使用方便。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例的描述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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1绘示本申请一实施例中皮肤检测方法的应用环境图;
图2绘示本申请一实施例中皮肤检测方法的流程图;
图3绘示本申请一实施例中皮肤检测方法的人脸图片;
图4绘示本申请一实施例中皮肤检测方法的检测图片;
图5绘示本申请一实施例中皮肤检测方法的数据标注图;
图6绘示本申请一实施例中皮肤检测方法的整体流程图;
图7绘示本申请一实施例中皮肤检测方法的细分类类别的示意图;
图8绘示本申请一实施例中皮肤检测方法的另一流程图;
图9绘示本申请一实施例中皮肤检测系统的示意图;
图10绘示本申请一实施例中电子设备的UI界面的示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其他方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似改进,因此本申请不受下面公开的具体实施例的限制。
本申请以下实施例中所使用的术语只是为了描述特定实施例的目的,而并非旨在作为对本申请的限制。如在本申请的说明书和所附权利要求书中所使用的那样,单数表达形式“一个”“一种”“所述”“上述”“该”和“这一”旨在也包括复数表达形式,除非其上下文中明确地有相反指示。还应当理解,本申请中使用的术语“和/或”是指并包含一个或多个所列出项目的任何或所有可能组合。
本发明实施例提供的皮肤检测方法,可应用在如图1的应用环境中,该皮肤检测方法应用在皮肤检测系统中,该皮肤检测系统包括客户端和服务器,其中,客户端通过网络与服务器进行通信。客户端又称为用户端,是指与服务器相对应,为客户端提供本地服务的程序。进一步地,客户端为计算机端程序、智能设备的APP程序或嵌入其他APP的第三方小程序。该客户端可安装在但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备等设备上。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
下面结合说明书附图对本申请实施例作进一步详细描述。
实施例1
本申请实施例提供一种皮肤检测方法,如图2所示,该方法应用在图1中的服务器为例进行说明,具体包括如下步骤:
S10、获取人脸图片,人脸图片包括有痘、斑和痣的一种或多种皮肤残次特征。
其中,痘是人或牲畜患的一种接触性传染病,由病毒引起,发病后皮肤上出现豆状疱疹。痣是黑素细胞聚集成巢形成的皮肤良性肿瘤;斑则以基底细胞内黑素颗粒增多为主,并不出现细胞成巢的改变。痣一般都呈半球状或者是乳头瘤状,也有一些会呈扁平状或者是略微隆起的斑疹或斑丘疹,可有毛发或者没有毛发,颜色较深,边界清晰,数目并不确定。斑是一种皮肤损害的类型,主要的特点就是局部的皮肤有颜色的改变,但是表面和周边的皮肤相平齐,不凸起也不凹下去。皮肤残次特征可以为痘、斑和痣等皮肤病在人脸上显现的皮肤情况或特点。
具体地,在大多人类的人脸上,至少包含了痘、斑和痣的一种或多种皮肤残次特征。本方法通过对人脸进行拍照,并将人脸图片传送至服务器,从而使服务器获取该人脸图片。如图3所示,图3为服务器获取的人脸图片,该人脸图片上至少包含了斑的皮肤残次特征。
步骤S10的作用在于,使服务器获取客户端发送的人脸图片。
S20、通过痘斑痣实例分割模型对人脸图片进行痘斑痣检测,输出检测图片和皮肤残次特征对应的检测结果,每个检测结果为痘检测结果、斑检测结果和痣检测结果的其中一种。
其中,深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字、图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法,在语音和图像识别方面取得的效果,远远超过先前相关技术。深度学习模型包括卷积神经网络模型。
实例分割模型基于深度学习模型。在计算机视觉的基本任务中目标检测是预测图像中目标位置和类别。语义分割则是在像素级别上对目标分类。而实例分割可看作目标检测和语义分割的结合体,旨在检测图像中所有目标实例,并针对每个实例标记属于该类别的像素。即不仅需要对不同类别目标进行像素级别分割,还要对不同目标进行区分。实例分割的研究基本是建立在基于卷积神经网络的目标检测和语义分割基础之上。因此,从研究发展来看实例分割任务是卷积神经网络成功运用在计算机视觉领域的产物。实例分割方法主要归纳为两阶段与单阶段两类,其中两阶段实例分割有两种解决思路,分别是自上而下基于检测的方法和自下而上基于分割的方法。而单阶段实例分割可细化为感知实例分割,建模掩码,Transformer嵌入及一些其他方法。
进一步地,市面上没有现存的检测痘斑痣的实例分割模型供使用,本方法使用的痘斑痣实例分割模型需要先去训练自己的深度学习的实力分割模型,训练出模型后,使用模型进行推理,推理即为检测。该实例分割模型将人脸图片进行输入,输出与人脸图片对应的检测图片。
该方法通过痘斑痣实例分割模型对人脸图片进行痘、斑和痣三种皮肤检测,并输出检测图片和皮肤残次特征对应的检测结果,每个检测结果为痘检测结果、斑检测结果和痣检测结果的其中一种。检测图片如图4所示。痘检测结果可以表示检测结果为痘类,斑检测结果可以表示检测结果为斑类,痣检测结果可以表示检测结果为痣类;检测结果的输出表示形式可以为文字或形状或色彩的结合或颜色标注,即检测结果包括边界点。形状标注或颜色标注可直接显示于输出的检测图片上。例如:在检测图片上对皮肤残次特征,用外接矩形进行不同颜色的圈定。文字标注可显示于检测图片外的其他窗口上,具体情况根据实际设定。
其中,每个皮肤残次特征只对应一个检测结果,且检测结果只为痘检测结果、斑检测结果和痣检测结果的其中一种。如:痘皮肤残次特征通过痘斑痣实例分割模型检测,输出的检测结果为痘检测结果,而不是其他检测结果,或其他检测结果与痘检测结果的结合。一张人脸图片上可包含多个皮肤残次特征,痘斑痣实例分割模型对该多个皮肤残次特征进行识别并检测,能够将每个皮肤残次特征都能较为准确地匹配到相应的检测结果,这样可以避免同一个皮肤残次特征被重复检测出痘、斑、痣等情况,从而做到唯一性,极大程度上不会出现重复误检的问题,且准确率较高。
上述皮肤检测方法,通过获取人脸图片,人脸图片包括有痘、斑和痣的一种或多种皮肤残次特征;通过痘斑痣实例分割模型对人脸图片进行痘斑痣检测,输出检测图片和皮肤残次特征对应的检测结果,每个检测结果为痘检测结果、斑检测结果和痣检测结果的其中一种,解决或部分解决传统的皮肤检测模型会出现重复误检且误检率较高的问题。
实施例2
参照图6,在一些可能的实施例中,步骤S20之后,即在输出检测图片和皮肤残次特征对应的检测结果之后,具体还包括:
S201、基于检测结果,对检测图片进行图片分割,得到每个检测结果对应的分割图片。
S202、通过分类算法模型对分割图片进行细分类,得到细分类结果,细分类结果为痘检测结果、斑检测结果和痣检测结果的其中一种的二级检测结果。
具体地,本方法通过检测结果对检测图片进行图片分割,从而得到该检测结果对应的分割图片。如图4所示,图4为痘斑痣实例分割模型检测出的检测图片,在检测图片上有许多检测结果。通过对检测结果进行图片分割,即可得到对应的分割图片。例如:该方法通过圈定边界,并使用外接矩形对痘检测结果进行分割,就可以得到一个痘的分割图片。
另外,通过痘斑痣实例分割模型检测痘斑痣检测,已经得到了对应痘、斑、痣的检测结果。但很多情况下,应用需要更进一步地细分。
一种做法是,直接在实例分割模型的时候就标注的更细致,例如痘直接标注成更细致的粉刺、丘疹、脓头、囊肿等二级类别;但这种做法最大的问题在于标注工作量极大,并且在人脸区域去做这么细致的标注,标注工作者或使用者很难区分那么细,导致标注质量下降,最终导致效果不佳。
提出一种新的做法,基于实例分割的基础之上,再去做细分分类。这样实例分割的时候,无须细致标注,只要标注痘斑痣即可;之后对分割后的有效内容图片再做分类,不容易误判,很容易分辨(例如痘皮肤特征图片,占人脸图片的面积占比很大,容易分辨),极大提高了细分的准确性,从而达到精细化的痘斑痣皮肤检测。
分类算法模型的分类具体执行算法可以有多种,主要有两类,一种是基于模板匹配的相似度度量,另一种是基于深度学习的分类算法模型。
具体的细分类类别(细分类结果)如图7所示,其中:
1)图7所示的痘的细分分类(或痘检测结果的二级检测结果),包含:粉刺、丘疹、脓头、囊肿,后续还可以增加或进一步分类;
2)图7所示的斑的细分分类(或斑检测结果的二级检测结果),包含:晒斑、雀斑、老年斑、黄褐斑,后续可以增加或进一步分类;
3)图7所示的痣的细分分类(或痣检测结果的二级检测结果),包含黑痣、黑色素瘤,后续可以增加或进一步分类。
本方法通过分类算法模型对分割图片进行细分类,得到细分类结果,细分类结果为痘检测结果、斑检测结果和痣检测结果的其中一种的二级检测结果。细分类结果也与皮肤残次特征一一对应,并且判定更为细致,从而实现精确细分。
步骤S201和步骤S202的作用在于,基于实例分割的检测后,分割出对象的区域图片,进一步使用分类算法模型进行细分分类,极大地提高准确性,并使得本申请皮肤检测方法更为细致。
实施例3
参照图6,在一些可能的实施例中,步骤S10之前,即在获取人脸图片之前,具体还包括:
S101、采集样本人脸图片,并对样本人脸图片进行标注,得到已标注的标准人脸图片,标注至少包括以下一种:痘标注、斑标注或痣标注。
S102、通过实例分割模型对未标注的样本人脸图片进行迭代训练,输出目标人脸图片,将目标人脸图片与标准人脸图片进行指标评价,获取评价结果。
S103、基于评价结果,确定实例分割模型是否继续进行迭代训练,并将最后迭代成功的实例分割模型作为痘斑痣实例分割模型。
其中,本实施例主要介绍痘斑痣实例分割模型的训练过程步骤。使用深度学习的实例分割模型做皮肤检测,因为实例分割比对象检测更为精细,并可以圈定其边界。但要达到能够使用痘斑痣去实例分割模型去检测痘斑痣,则首先需要去定制化训练痘斑痣实例分割模型。
具体地,该皮肤检测方法采集痘斑痣相关的样本人脸图片数据集,采集的样本人脸图片数据集越多,得到的斑痣实例分割模型越为优质。数据集的数量和质量非常重要,需要确保数量上至少500张样本人脸图片。在采集完成后,对样本人脸图片进行标注,如图5所示,该标注可以采用标注工具进行高质量的标注,这样不容易出现过拟合或拟合不了的情况。
对标注后的样本人脸图片数据集进行模型训练,该模型可以使用MaskR-CNN,YOLO等具有实例分割能力的模型进行训练。Mask R-CNN是一个两阶段的框架,第一个阶段扫描图像并生成提议(proposals,即有可能包含一个目标的区域),第二阶段分类提议并生成边界框和掩码。Mask R-CNN扩展自Faster R-CNN。Faster R-CNN是一个流行的目标检测框架,Mask R-CNN将其扩展为实例分割框架。YOLO模型用于目标检测,就是在一幅图像中检测到物体并识别出物体在图像中所在的位置。该模型特点包括取消了建议框,直接使用神经网络生成对应位置;之前RCNN系列使用的建议框之间会重叠,造成重复劳动;YOLO是端到端的,输入一次图像即可完成分类与回归工作。
例如:Mask R-CNN模型需要完成人脸中的皮肤残次特征的定位、皮肤残次特征与人脸图片的分类和皮肤残次特征与人脸图片的初步分割。因此,损失函数包括定位损失、分类损失和初步分割损失,则损失函数定义可以为L=Lc ' ls+Lb " ox+Lma ‘ s " k。其中,Lc ' ls为定位损失,Lbo " x为分类损失和Lma ‘ s " k为初步分割损失。分类损失公式如下:
其中,i对应第i个皮肤残次特征点,N cls为样本人脸图片数,Pi为皮肤残次特征点预测为目标的概率值,Pi '为标记的标签值,Pi '=1为正例,Pi '=0为负例,L cls为该类别的对数损失如下:
L cls(Pi,Pi ')=-lg[PiPi '+(1-Pi)(1-Pi ')]。
定位损失值公式如下:
其中,i对应第i个皮肤残次特征点,N reg为回归的样本皮肤残次特征点个数,ti为预测框(标记的外接矩形或圈)位置参数,ti '为标记的真实框(检测结果的外接矩形或圈)位置参数,L reg为定位的回归损失,Pi 'L reg则表示当皮肤残次特征点为正例时,才计算其回归损失,其公式为
L reg(ti,ti ')=smooth<1(ti-ti ')。
分割损失即二值掩码的损失,如果候选框检测出某一类别,则使用该类别的交叉熵作为损失值进行计算,其他类别损失值不计入,从而避免了类间的竞争。其公式可以为
其中,yij为m×m的区域坐标点(i,j)的标签值,Yi k j为该点第k类的预测值。
交并比(Intersection over Union,IoU)的计算公式可以如下:
其中,a,b分别为RPN(区域建议网络)生成的候选框以及训练集中正确的目标框,Sa∩b为a,b的相重叠处面积,Sa∪b为a,b并集面积。RoIAlign(Region ofInterest,RoI)在生成的RoI特征图上可取消量化过程,并采用双线性插值算法,保留浮点型坐标,可以使原图片像素与特征图像素相匹配。
本方法通过实例分割模型对未标注的样本人脸图片进行迭代训练,输出目标人脸图片,将目标人脸图片与标准人脸图片进行指标评价,可通过准确率、召回率、IoU(交并比)和损失函数等这类评价深度学习模型的表现指标进行评价,从而获取评价结果。若评价结果未满足实际需求,实例分割模型需要继续进行迭代训练;若评价结果满足实际需求,则确定实例分割模型不需要继续进行迭代训练,并将最后迭代成功的实例分割模型作为痘斑痣实例分割模型。
另外,之前单一皮肤检测模型的训练步骤:
Step1:单独制作标注痘痘的数据集,即便图中有斑和痣也不标识,然后训练出识别痘痘的模型,这个模型只能识别痘痘;
Step2:单独制作标注斑的数据集,即便图中有痘和痣也不标识,然后训练出识别斑的模型,这个模型只能识别斑;
Step3:单独制作标注痣的数据集,即便图中有痘和斑也不标识,然后训练出识别痣的模型,这个模型只能识别痣。
本方案的痘斑痣实例分割训练步骤:
在图片中同时标注出有的痘、斑、痣,然后训练出能够同时识别痘、斑、痣的一个模型。
本方案的痘斑痣实例分割的优点:
1)相对于3个模型,本方案的只需一个模型;
2)3个单一模型有可能会对同一个斑点进行重复标注,即痘模型可能将它标注成了痘,但斑模型又把它标注成斑;而本方案的模型不会出现这种情况,同一个斑点只会标注成3个标签中的某一种,他们是互斥的。
步骤S101至步骤S103的作用在于,得到痘斑痣实例分割模型。
实施例4
参照图6,在一些可能的实施例中,步骤S202,即通过分类算法模型对分割图片进行细分类,得到细分类结果,包括:
S2021、将分割图片与标准模板图片进行比对,获取图片相似度。
S2022、将图片相似度最高的标准模板图片所在的细分类类别,作为分割图片的细分类结果。
具体地,本实施例的分类算法模型基于模板匹配的相似性度量。该皮肤检测方法准备一批各个细分分类的典型样本作为模板,当输入一张图的时候,使用它和模板库里面的模板进行比对,相似度最高的图片所在的分类就是该输入图片的细分分类;具体的相似度算法有很多,可以直接基于opencv中的matchTemplate方法,也可以通过自定义维度的相似度度量,例如面积大小、颜色的均值和方差等组成的多维向量,然后基于向量相似度进行匹配,则该向量相似度的数学公式可以采用余弦相似度。该数学公式可以为:其中,X是分割图片中的向量,X是标准模板图片中的向量,参数xi和yi分别代表向量X和Y的各分量。
步骤S2021和步骤S2022的作用在于,分类算法模型可基于模板匹配的相似性度量。
实施例5
参照图6,在一些可能的实施例中,步骤S202,即通过分类算法模型对分割图片进行细分类,得到细分类结果,包括:
S2023、基于深度学习的分类算法模型对分割图片进行细分类,得到细分类结果。
具体地,本实施例的分类算法模型基于深度学习的分类模型进行分类。将细分分类的样本制作出数据集,并且训练出分类模型,具体可以采用mobileNet,vgg等模型,或者自定义的CNN网络结构;然后对分割后的区域图片做推理,并给出分类。
步骤S2023的作用在于,分类算法模型可基于深度学习的分类算法模型度量。
实施例6
参照图6,在一些可能的实施例中,检测结果包括边界点;步骤S201,即基于检测结果,对检测图片进行区域分割,得到每个检测结果对应的分割区域,包括:
S2011、将边界点围合形成检测区域。
S2012、基于检测区域,对检测图片进行区域分割,得到每个检测结果对应的分割区域。
具体地,如图4所示,该方法将最外围的边界点围合形成一个闭合的检测区域。并基于检测区域,对检测图片进行区域分割,得到每个检测结果对应的分割区域。分割区域对应的图片参照图7。例如:例如痘斑痣实例分割模型检测出一个痘,实例分割模型的输出会包含这个痘的边界的多边形点,本实施例可以按这个轮廓的外接矩形进行区域分割,单独把这个结果对象分割出来。对于分割出来的区域,该方法使用分类算法模型进一步细分。
步骤S2011和步骤S2012的作用在于,基于边界点进行分割。
实施例7
参照图6,在一些可能的实施例中,该皮肤检测方法还包括
S203、将所述检测结果通过文字或形状或色彩的结合进行标注。
图4则是痘斑痣实例分割模型的检测图片,检测图片有对应的检测结果。该检测结果通过形状进行标注。图4标注的部分检测结果如下:
1)红色外接矩形圈定的是痘检测结果,共有两颗;
2)蓝色外接矩形圈定的是斑检测结果,比较多;
3)绿色外接矩形圈定的是痣检测结果,有两颗。
这个圈定就是它的边界,使用它的外接矩形对其后续进行分割,得到一个痘分割图片。当然,本实施例也可以采用圆形等形状去标注。
另外,当在分类算法模型的细分类结果的标注时,需要进一步较为细致地细分。例如:对于痘检测结果的进一步标注,需取决于产品化的设计,可以用不同的红色去标注,也可以采用文字在旁边标注。
在所述通过痘斑痣实例分割模型对所述人脸图片进行痘斑痣检测,输出检测图片和所述皮肤残次特征对应的检测结果之后,还包括:
S2024、对所述检测结果进行数据分析,获取对应的数量或面积占比或严重程度情况。
具体地,该皮肤检测方法对痘检测结果进行数据分析,获取痘检测结果对应的数量或面积占比或严重程度情况;对斑检测结果进行数据分析,获取斑检测结果对应的数量或面积占比或严重程度情况;对痣检测结果进行数据分析,获取痣检测结果对应的数量或面积占比或严重程度情况。严重程度情况包括但不限于重度、中度、轻度和无症状。
例如:该方法统计痘检测结果的数量有两颗,斑检测结果的面积占比为17%(举例),斑检测结果的严重程度情况为中度。同时,也可采用数形结合等图像化进行数据分析表示。在数据分析完成后,也可根据数据分析结果,给出适应性的护肤建议,供使用者参考和学会如何护肤。
上述皮肤检测方法,通过获取人脸图片,人脸图片包括痘、斑和痣的一种或多种皮肤残次特征;通过痘斑痣实例分割模型对人脸图片进行痘斑痣检测,输出检测图片和皮肤残次特征对应的检测结果,每个检测结果为痘检测结果、斑检测结果和痣检测结果的其中一种,解决或部分解决传统的皮肤检测模型会出现重复误检且误检率较高的问题。
实施例8
参照图8,在一些可能的实施例中,该皮肤检测方法还包括:
S10、获取人脸图片,人脸图片包括有痘、斑和痣的一种或多种皮肤残次特征。
S30、通过痘斑痣实例分割模型对人脸图片进行痘斑痣检测,输出检测图片和皮肤残次特征对应的检测结果,每个检测结果包括痘检测细分类结果、斑检测细分类结果和痣检测细分类结果的其中一种。
具体地,在本实施例中,痘斑痣实例分割模型的输出结果为细分类结果。因此,本实施例的痘斑痣实例分割模型为上述实施例和分类算法模型的结合,也可以表示在一些情况下,痘斑痣实例分割模型可以做到细分类标注。
步骤S10和步骤S30的作用在于,在一些情况下,痘斑痣实例分割模型可以做到细分类标注。
本申请另一实施例,公开了一种皮肤检测系统。
参照图9,皮肤检测系统包括:
人脸图片获取模块10,用于获取人脸图片,人脸图片包括有痘、斑和痣的一种或多种皮肤残次特征;
痘斑痣检测模块20,用于通过痘斑痣实例分割模型对人脸图片进行痘斑痣检测,输出检测图片和皮肤残次特征对应的检测结果,每个检测结果为痘检测结果、斑检测结果和痣检测结果的其中一种。
进一步地,该皮肤检测系统还包括:
检测图片分割模块,用于基于检测结果,对检测图片进行图片分割,得到每个检测结果对应的分割图片。
分类算法模型细分类模块,用于通过分类算法模型对分割图片进行细分类,得到细分类结果,细分类结果为痘检测结果、斑检测结果和痣检测结果的其中一种的二级检测结果。
进一步地,该皮肤检测系统还包括:
样本人脸图片标注模块,用于采集样本人脸图片,并对样本人脸图片进行标注,得到已标注的标准人脸图片,标注至少包括以下一种:痘标注、斑标注或痣标注。
模型训练模块,用于通过实例分割模型对未标注的样本人脸图片进行迭代训练,输出
目标人脸图片,将目标人脸图片与标准人脸图片进行指标评价,获取评价结果。
迭代成功判断模块,用于基于评价结果,确定实例分割模型是否继续进行迭代训练,并将最后迭代成功的实例分割模型作为痘斑痣实例分割模型。
进一步地,该皮肤检测系统还包括
图片相似度获取模块,用于将分割图片与标准模板图片进行比对,获取图片相似度。
细分类结果确定模块,用于将图片相似度最高的标准模板图片所在的细分类类别,作为分割图片的细分类结果。
进一步地,该皮肤检测系统还包括:
深度学习细分类模块,用于基于深度学习的分类算法模型对分割图片进行细分类,得到细分类结果。
进一步地,该皮肤检测系统还包括:
边界点围合模块,用于将边界点围合形成检测区域。
区域分割子模块,用于基于检测区域,对检测图片进行区域分割,得到每个检测结果对应的分割区域。
进一步地,该皮肤检测系统还包括:
检测结果标注模块,用于将检测结果通过文字或形状或色彩的结合进行标注。
进一步地,该皮肤检测系统还包括:
数据分析模块,用于对检测结果进行数据分析,获取对应的数量或面积占比或严重程度情况。
进一步地,该皮肤检测系统还包括:
痘斑痣检测子模块,用于通过痘斑痣实例分割模型对人脸图片进行痘斑痣检测,输出检测图片和皮肤残次特征对应的检测结果,每个检测结果包括痘检测细分类结果、斑检测细分类结果和痣检测细分类结果的其中一种。
本实施例提供的皮肤检测系统,由于其各模块本身的功能及彼此之间的逻辑连接,能实现前述实施例的各个步骤,因此能够达到与前述实施例相同的技术效果,原理分析可参见前述皮肤检测方法的步骤的相关描述,在此不再赘述。
关于皮肤检测系统的具体限定可以参见上文中对于皮肤检测方法的限定,在此不再赘述。上述皮肤检测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于设备中的处理器中,也可以以软件形式存储于设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一实施例中,提供一种电子设备。该电子设备可以包括处理器、外部存储器接口、内部存储器、通用串行总线(universal serial bus,USB)接口、充电管理模块、电源管理模块、电池、天线、无线通信模块、音频模块、扬声器、受话器、麦克风、耳机接口、传感器模块、按键、指示器、摄像头,以及显示屏等。其中传感器模块包括环境光传感器。此外,传感器模块还可以包括压力传感器、陀螺仪传感器、气压传感器、磁传感器、加速度传感器、距离传感器、接近光传感器、指纹传感器、温度传感器、触摸传感器、骨传导传感器等。在另一些实施例中,本申请实施例中的电子设备还可以包括移动通信模块,以及用户标识模块(subscriber identification module,SIM)卡接口等。上述模块或器件的功能是现有技术,此处不再赘述。
本申请实施例中的电子设备支持的应用程序可以包括拍照类的应用,例如相机。
本申请实施例中的电子设备支持的应用还可以包括用于皮肤检测的应用。其中,用于皮肤检测的应用是通过对拍摄的人脸图片来检测用户面部皮肤的油光区域,并可以为用户提供分析报告。
本实施例中的用于皮肤检测的应用可以采用本申请其他实施例提供的皮肤检测方法,来检测皮肤上的油光区域情况。
本实施例以电子设备为手机为例,具体操作时,如图10所示。
如图10的A所示,电子设备检测到对皮肤检测图标的点击操作,电子设备响应于对该图标的操作,在显示屏显示皮肤检测应用的用户界面,如图10的B所示。在该界面中,包括相机图标。
电子设备检测到对相机图标的操作,响应于对相机图标的操作,调用电子设备上的相机应用,以获取待检测的人脸图片。当然,用户也可以选择存储在内部存储器的包含脸部的图片,作为待检测图片。
用于皮肤检测的应用接收到输入的人脸图片之后,可以采用本申请其他实施例提供的皮肤检测方法,来检测皮肤痘斑痣情况。同时,为用户提供皮肤检测报告如图10的C所示。
皮肤检测报告可以通过电子设备的用户界面呈现给用户,并提供相关的建议供用户参考。
在一实施例中,提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述实施例皮肤检测方法,或者,该计算机程序被处理器执行时实现上述系统实施例中皮肤检测系统中各模块/单元的功能。为避免重复,此处不再赘述。
所属领域的技术人员可以清楚地了解到本申请实施例可以用硬件实现,或固件实现,或它们的组合方式来实现。当使用软件实现时,可以将上述功能存储在计算机可读介质中或作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是计算机能够存取的任何可用介质。以此为例但不限于:计算机可读介质可以包括RAM、ROM、电可擦可编程只读存储器(electrically erasableprogrammable read only memory,EEPROM)、只读光盘(compact disc read-Only memory,CD-ROM)或其他光盘存储、磁盘存储介质或者其他磁存储设备,或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。
此外,任何连接可以适当的成为计算机可读介质。例如,如果软件是使用同轴电缆、光纤光缆、双绞线、数字用户线(digital subscriber line,DSL)或者诸如红外线、无线电和微波之类的无线技术从网站、服务器或者其他远程源传输的,那么同轴电缆、光纤光缆、双绞线、DSL或者诸如红外线、无线和微波之类的无线技术包括在所属介质的定影中。如本申请实施例所使用的,盘(disk)和碟(disc)包括压缩光碟(compact disc,CD)、激光碟、光碟、数字通用光碟(digital video disc,DVD)、软盘和蓝光光碟,其中盘通常磁性的复制数据,而碟则用激光来光学的复制数据。上面的组合也应当包括在计算机可读介质的保护范围之内。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将系统的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种皮肤检测方法,其特征在于,包括:
获取人脸图片,所述人脸图片包括痘、斑和痣中一种或多种皮肤残次特征;
通过痘斑痣实例分割模型对所述人脸图片进行痘斑痣检测,输出检测图片和所述皮肤残次特征对应的检测结果,每个所述检测结果为痘检测结果、斑检测结果和痣检测结果的其中一种。
2.根据权利要求1所述的皮肤检测方法,其特征在于,在所述输出检测图片和所述皮肤残次特征对应的检测结果之后,还包括:
基于所述检测结果,对所述检测图片进行图片分割,得到每个所述检测结果对应的分割图片;
通过分类算法模型对所述分割图片进行细分类,得到细分类结果,所述细分类结果为所述痘检测结果、所述斑检测结果和所述痣检测结果的其中一种的二级检测结果。
3.根据权利要求1所述的皮肤检测方法,其特征在于,在所述获取人脸图片之前,还包括:
采集样本人脸图片,并对所述样本人脸图片进行标注,得到已标注的标准人脸图片,所述标注至少包括以下一种:痘标注、斑标注或痣标注;
通过实例分割模型对未标注的所述样本人脸图片进行迭代训练,输出目标人脸图片,将所述目标人脸图片与所述标准人脸图片进行指标评价,获取评价结果;
基于所述评价结果,确定所述实例分割模型是否继续进行迭代训练,并将最后迭代成功的实例分割模型作为痘斑痣实例分割模型。
4.根据权利要求2所述的皮肤检测方法,其特征在于,所述通过分类算法模型对所述分割图片进行细分类,得到细分类结果,包括:
将所述分割图片与标准模板图片进行比对,获取图片相似度;
将所述图片相似度最高的所述标准模板图片所在的细分类类别,作为所述分割图片的细分类结果。
5.根据权利要求2所述的皮肤检测方法,其特征在于,所述通过分类算法模型对所述分割图片进行细分类,得到细分类结果,包括:
基于深度学习的分类算法模型对所述分割图片进行细分类,得到细分类结果。
6.根据权利要求2所述的皮肤检测方法,其特征在于,所述检测结果包括边界点;基于所述检测结果,对所述检测图片进行区域分割,得到每个所述检测结果对应的分割区域,包括:
将所述边界点围合形成检测区域;
基于所述检测区域,对所述检测图片进行区域分割,得到每个所述检测结果对应的分割区域。
7.根据权利要求1所述的皮肤检测方法,其特征在于,还包括:
将所述检测结果通过文字或形状或色彩的结合进行标注;
在所述通过痘斑痣实例分割模型对所述人脸图片进行痘斑痣检测,输出检测图片和所述皮肤残次特征对应的检测结果之后,还包括:
对所述检测结果进行数据分析,获取对应的数量或面积占比或严重程度情况。
8.根据权利要求1所述的皮肤检测方法,其特征在于,还包括:
通过痘斑痣实例分割模型对所述人脸图片进行痘斑痣检测,输出检测图片和所述皮肤残次特征对应的检测结果,每个所述检测结果包括痘检测细分类结果、斑检测细分类结果和痣检测细分类结果的其中一种。
9.一种皮肤检测系统,其特征在于,包括:
人脸图片获取模块,用于获取人脸图片,所述人脸图片包括有痘、斑和痣的一种或多种皮肤残次特征;
痘斑痣检测模块,用于通过痘斑痣实例分割模型对所述人脸图片进行痘斑痣检测,输出检测图片和所述皮肤残次特征对应的检测结果,每个所述检测结果为痘检测结果、斑检测结果和痣检测结果的其中一种。
10.一种皮肤检测计算机可读存储介质,其特征在于,计算机可读存储介质有计算机程序,计算机程序被处理器执行时实现如上述皮肤检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311100974.2A CN116993714A (zh) | 2023-08-30 | 2023-08-30 | 皮肤检测方法、系统及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311100974.2A CN116993714A (zh) | 2023-08-30 | 2023-08-30 | 皮肤检测方法、系统及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116993714A true CN116993714A (zh) | 2023-11-03 |
Family
ID=88526755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311100974.2A Pending CN116993714A (zh) | 2023-08-30 | 2023-08-30 | 皮肤检测方法、系统及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116993714A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108780497A (zh) * | 2017-11-14 | 2018-11-09 | 深圳和而泰智能控制股份有限公司 | 一种皮肤瑕疵点分类方法及电子设备 |
CN109961426A (zh) * | 2019-03-11 | 2019-07-02 | 西安电子科技大学 | 一种人脸皮肤肤质的检测方法 |
CN110059635A (zh) * | 2019-04-19 | 2019-07-26 | 厦门美图之家科技有限公司 | 一种皮肤瑕疵检测方法及装置 |
CN110148121A (zh) * | 2019-05-09 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 一种皮肤图像处理方法、装置、电子设备及介质 |
CN111860169A (zh) * | 2020-06-18 | 2020-10-30 | 北京旷视科技有限公司 | 皮肤分析方法、装置、存储介质及电子设备 |
CN112037162A (zh) * | 2019-05-17 | 2020-12-04 | 华为技术有限公司 | 一种面部痤疮的检测方法及设备 |
CN112070158A (zh) * | 2020-09-08 | 2020-12-11 | 哈尔滨工业大学(威海) | 一种基于卷积神经网络和双边滤波的面部瑕疵检测方法 |
CN112767383A (zh) * | 2021-01-29 | 2021-05-07 | 深圳艾摩米智能科技有限公司 | 人脸痘痘定位识别方法 |
CN114445351A (zh) * | 2021-12-31 | 2022-05-06 | 北京新氧科技有限公司 | 一种皮肤识别方法、装置、电子设备及存储介质 |
CN114612994A (zh) * | 2022-03-23 | 2022-06-10 | 深圳伯德睿捷健康科技有限公司 | 训练皱纹检测模型的方法、装置及检测皱纹的方法、装置 |
CN114693631A (zh) * | 2022-03-28 | 2022-07-01 | 深圳真视科技有限公司 | 一种斑痘痣识别及祛斑痘痣方法、设备、存储介质 |
-
2023
- 2023-08-30 CN CN202311100974.2A patent/CN116993714A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108780497A (zh) * | 2017-11-14 | 2018-11-09 | 深圳和而泰智能控制股份有限公司 | 一种皮肤瑕疵点分类方法及电子设备 |
CN109961426A (zh) * | 2019-03-11 | 2019-07-02 | 西安电子科技大学 | 一种人脸皮肤肤质的检测方法 |
CN110059635A (zh) * | 2019-04-19 | 2019-07-26 | 厦门美图之家科技有限公司 | 一种皮肤瑕疵检测方法及装置 |
CN110148121A (zh) * | 2019-05-09 | 2019-08-20 | 腾讯科技(深圳)有限公司 | 一种皮肤图像处理方法、装置、电子设备及介质 |
CN112037162A (zh) * | 2019-05-17 | 2020-12-04 | 华为技术有限公司 | 一种面部痤疮的检测方法及设备 |
CN111860169A (zh) * | 2020-06-18 | 2020-10-30 | 北京旷视科技有限公司 | 皮肤分析方法、装置、存储介质及电子设备 |
CN112070158A (zh) * | 2020-09-08 | 2020-12-11 | 哈尔滨工业大学(威海) | 一种基于卷积神经网络和双边滤波的面部瑕疵检测方法 |
CN112767383A (zh) * | 2021-01-29 | 2021-05-07 | 深圳艾摩米智能科技有限公司 | 人脸痘痘定位识别方法 |
CN114445351A (zh) * | 2021-12-31 | 2022-05-06 | 北京新氧科技有限公司 | 一种皮肤识别方法、装置、电子设备及存储介质 |
CN114612994A (zh) * | 2022-03-23 | 2022-06-10 | 深圳伯德睿捷健康科技有限公司 | 训练皱纹检测模型的方法、装置及检测皱纹的方法、装置 |
CN114693631A (zh) * | 2022-03-28 | 2022-07-01 | 深圳真视科技有限公司 | 一种斑痘痣识别及祛斑痘痣方法、设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765278B (zh) | 一种图像处理方法、移动终端及计算机可读存储介质 | |
CN109154978B (zh) | 用于检测植物疾病的系统和方法 | |
CN109389129B (zh) | 一种图像处理方法、电子设备及存储介质 | |
US20210118144A1 (en) | Image processing method, electronic device, and storage medium | |
CN109543714A (zh) | 数据特征的获取方法、装置、电子设备及存储介质 | |
CN102640168B (zh) | 用于基于局部二进制模式的面部特征定位的方法和设备 | |
CN109117760B (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
CN111461165A (zh) | 图像识别方法、识别模型的训练方法及相关装置、设备 | |
CN111475613A (zh) | 案件分类方法、装置、计算机设备及存储介质 | |
CN107633205A (zh) | 嘴唇动作分析方法、装置及存储介质 | |
WO2022160736A1 (zh) | 图像标注方法、装置、电子设备、存储介质及程序 | |
CN113780201B (zh) | 手部图像的处理方法及装置、设备和介质 | |
Finnegan et al. | Automated method for detecting and reading seven-segment digits from images of blood glucose metres and blood pressure monitors | |
US20230022554A1 (en) | Automatic pressure ulcer measurement | |
Jia et al. | Saliency detection via a unified generative and discriminative model | |
CN116543261A (zh) | 用于图像识别的模型训练方法、图像识别方法设备及介质 | |
CN113947613A (zh) | 目标区域检测方法、装置、设备及存储介质 | |
CN112052730A (zh) | 一种3d动态人像识别监控设备及方法 | |
Xu et al. | A novel image edge smoothing method based on convolutional neural network | |
CN111460858A (zh) | 图像中指尖点的确定方法、装置、存储介质及电子设备 | |
US20140050404A1 (en) | Combining Multiple Image Detectors | |
CN116993714A (zh) | 皮肤检测方法、系统及计算机可读存储介质 | |
CN116130088A (zh) | 多模态面诊问诊方法、装置及相关设备 | |
CN114758384A (zh) | 人脸检测方法、装置、设备及存储介质 | |
EP4030343A1 (en) | Facial skin detection method and apparatus |
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 |