TWI823143B - 智慧頭皮屑檢測系統與方法 - Google Patents

智慧頭皮屑檢測系統與方法 Download PDF

Info

Publication number
TWI823143B
TWI823143B TW110134090A TW110134090A TWI823143B TW I823143 B TWI823143 B TW I823143B TW 110134090 A TW110134090 A TW 110134090A TW 110134090 A TW110134090 A TW 110134090A TW I823143 B TWI823143 B TW I823143B
Authority
TW
Taiwan
Prior art keywords
dandruff
neural network
scalp
module
feature map
Prior art date
Application number
TW110134090A
Other languages
English (en)
Other versions
TW202312096A (zh
Inventor
鍾昕燁
夏至賢
Original Assignee
美科實業股份有限公司
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 美科實業股份有限公司 filed Critical 美科實業股份有限公司
Priority to TW110134090A priority Critical patent/TWI823143B/zh
Priority to CN202111489608.1A priority patent/CN115804567A/zh
Priority to US17/680,345 priority patent/US20230081592A1/en
Priority to EP22160131.3A priority patent/EP4148747A1/en
Publication of TW202312096A publication Critical patent/TW202312096A/zh
Application granted granted Critical
Publication of TWI823143B publication Critical patent/TWI823143B/zh

Links

Images

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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30088—Skin; Dermal

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

一種智慧頭皮屑檢測系統與方法，其中智慧頭皮屑檢測系統包括操作模組、第一神經網絡模組、第二神經網絡模組、與分類模組。其中，操作模組用於接收受測者的頭皮區域影像，並將頭皮區域影像轉換成第一特徵圖。第一神經網絡模組電性連接到操作模組，並用於接收頭皮區域影像。第一神經網絡模組採用卷積神經網絡模型，並將頭皮區域影像轉換成第二特徵圖。第二神經網絡模組電性連接到第一神經網絡模組並用於接收第二特徵圖，第二神經網絡模組用採用Transformer模型，並將第二特徵圖轉換成第三特徵圖。分類模組電性連接到第二神經網絡模組，用於接收第三特徵圖並輸出評分，以用來衡量受測者的頭皮屑嚴重程度。

Description

智慧頭皮屑檢測系統與方法
本發明是指一種頭皮檢測系統與方法，特別是指一種智慧頭皮屑檢測系統與方法。
頭皮屑幾乎是每一個人都曾經遇到過的問題，部分頭皮屑狀況比較輕微的人可在市面上買抗頭皮屑的洗髮乳就能解決問題，然而對於一些頭皮屑狀況比較嚴重的人來說，尋求專業人士的協助可能就是必須的。不過，由於相關工作人員需要一段時間的專業訓練，才能夠勝任判斷頭皮屑狀況的工作，但這會增加相關成本。
因此，如何快速且低成本的檢測受測者的頭皮屑嚴重程度，便是值得本領域具有通常知識者去思量地。
本發明之目的在於提供一智慧頭皮屑檢測系統與方法，本發明之智慧頭皮屑檢測系統與方法能自動判定受測者的頭皮屑嚴重程度，從而減少人工的成本。
本發明之智慧頭皮屑檢測系統是用以檢測一受測者的頭皮屑問題的嚴重程度，其包括一操作模組、一第一神經網絡模組、一第二神經網絡模組、與一分類模組。其中，操作模組用於接收受測者的一頭皮區域影像，並將頭皮區域影像轉換成一第一特徵圖。第一神經網絡模組電性連接到操作模組，並用於接收頭皮區域影像。該第一神經網絡模組採用卷積神經網絡模型，並將該頭皮區域 影像轉換成一第二特徵圖。第二神經網絡模組電性連接到第一神經網絡模組並用於接收第二特徵圖，第二神經網絡模組用採用Transformer模型，並將第二特徵圖轉換成一第三特徵圖。分類模組電性連接到第二神經網絡模組，該分類模組用於接收第三特徵圖並輸出一評分。其中，上述評分是用來衡量該受測者的頭皮屑嚴重程度。
如上述之智慧頭皮屑檢測系統，更包括一頭皮檢測儀，該頭皮檢測儀用於拍攝受測者的頭皮的一區域，以形成頭皮區域影像。而且，頭皮檢測儀例如為一數位顯微鏡。
如上述之智慧頭皮屑檢測系統，其中於訓練階段時，智慧頭皮屑檢測系統是使用半監督式學習的方式進行訓練。
如上述之智慧頭皮屑檢測系統，更包括一壓縮模組，該壓縮模組連接於第一神經網絡模組與第二神經網絡模組之間，其中該壓縮模組接受並壓縮第二特徵圖，並將壓縮後的第二特徵圖傳送到該第二神經網絡模組。
如上述之智慧頭皮屑檢測系統，其中操作模組是裝設在至少一終端裝置上，而第一神經網絡模組、第二神經網絡模組、與分類模組是裝設在至少一伺服器上。
本發明之智慧頭皮屑檢測方法是用以檢測一受測者的頭皮屑嚴重程度，該智慧頭皮屑檢測方法包括以下步驟。首先，取得受測者的至少一頭皮區域影像。之後，將頭皮區域影像輸入至一卷積神經網絡模型，並輸出一第二特徵圖。再來，將該第二特徵圖輸入至一Transformer模型，並輸出一第三特徵圖。然後，根據第三特徵圖進行分類並輸出一評分。其中，該評分是用來衡量受測者的頭皮屑嚴重程度。
如上述之智慧頭皮屑檢測方法，其中是使用一頭皮檢測儀拍攝受測者的頭皮的一區域，以形成頭皮區域影像。
如上述之智慧頭皮屑檢測方法，更包括以下步驟：將第二特徵圖進行壓縮，並將第二特徵圖傳送到Transformer模型。
為讓本之上述特徵和優點能更明顯易懂，下文特舉較佳實施例，並配合所附圖式，作詳細說明如下。
S110~S150:流程圖步驟
10:伺服器
20:終端裝置
100:智慧頭皮屑檢測系統
110:操作模組
112:使用者介面
1122:頭皮顯示區
1124:頭皮影像區
120:第一神經網絡模組
130:第二神經網絡模組
140:分類模組
150:頭皮檢測儀
160:壓縮模組
下文將根據附圖來描述各種實施例，所述附圖是用來說明而不是用以任何方式來限制範圍，其中相似的標號表示相似的組件，並且其中：
圖1所繪示為本發明之智慧頭皮屑檢測系統的實施例的架構圖。
圖2所繪示為操作模組之使用者介面的示意圖。
圖3所繪示為人類的頭皮區域分割圖。
圖4所繪示為本發明之智慧頭皮屑檢測方法的實施例。
圖5A與圖5B所繪示為頭皮屑在頭皮上的分布情形。
圖6所繪示為本發明之智慧頭皮屑檢測系統中的資訊流的示意圖。
圖7所繪示各種分數所對應到的真實頭皮屑狀況。
圖8所繪示為本發明之智慧頭皮屑檢測系統的另一實施例的架構圖。
參照本文闡述的詳細內容和附圖說明是最好理解本發明。下面參照附圖會討論各種實施例。然而，本領域技術人員將容易理解，這裡關於附圖給出的詳細描述僅僅是為了解釋的目的，因為這些方法和系統可超出所描述的實施例。例如，所給出的教導和特定應用的需求可能產生多種可選的和合適的方法來實 現在此描述的任何細節的功能。因此，任何方法可延伸超出所描述和示出的以下實施例中的特定實施選擇範圍。
在說明書及後續的申請專利範圍當中使用了某些詞彙來指稱特定的元件。所屬領域中具有通常知識者應可理解，硬體製造商可能會用不同的名詞來稱呼同樣的元件。本說明書及後續的申請專利範圍並不以名稱的差異來作為區分元件的方式，而是以元件在功能上的差異來作為區分的準則。在通篇說明書及後續的請求項當中所提及的「包含」係為一開放式的用語，故應解釋成「包含但不限定於」。另外，「耦接」一詞在此係包含任何直接及間接的電氣連接手段。因此，若文中描述一第一裝置耦接於一第二裝置，則代表該第一裝置可直接電氣連接於該第二裝置，或透過其他裝置或連接手段間接地電氣連接至該第二裝置。
請參閱圖1，圖1所繪示為本發明之智慧頭皮屑檢測系統的實施例的架構圖。在本實施例中，智慧頭皮屑檢測系統100包括一操作模組110、一第一神經網絡模組120、一第二神經網絡模組130、與一分類模組140。其中，操作模組110例如設置在一終端裝置20中，此終端裝置20例如為桌上型電腦、筆記型電腦、平板電腦、或智慧型手機。另外，第一神經網絡模組120、第二神經網絡模組130、與分類模組140則是設置在至少一伺服器10上，亦即：雲端，而伺服器10與終端裝置20可藉由網路相連接。在本實施例中，操作模組110是提供一使用者介面112(如圖2所示)供頭皮檢測的工作人員使用。而且，終端裝置20還連接到一頭皮檢測儀150，工作人員可以用此頭皮檢測儀150拍攝受測者的頭皮的某一區域。在本實施例中，此頭皮檢測儀150例如為一數位顯微鏡，此數位顯微鏡例如為巨一科技股份有限公司(VAST Technologies INC.)所生產且型號為DMC-1213的數位顯微鏡。當然，本領域具有通常知識者也可以選擇其他種類的數位顯微鏡作為頭皮檢測儀150的實施例。
接著，請同時參照圖1、圖4、與圖6，圖4所繪示為本發明之智慧頭皮屑檢測方法的實施例，圖6所繪示為本發明之智慧頭皮屑檢測系統中的資訊流的示意圖。首先，執行步驟S110，取得受測者的至少一頭皮區域影像。在本實施例中，會擷取受測者8個頭皮區域影像，其取得方式將介紹如下。
也請同時參照圖2與圖3，圖2所繪示為操作模組之使用者介面的示意圖，圖3所繪示為人類的頭皮區域分割圖。在圖3中，將人類的頭皮分割成8個區域，分別標為A區、B區、C區、D區、E區、F區、G區、和H區。圖3所繪示的頭皮分割區域是根據“Assessing therapeutic effectiveness of scalp treatments for dandruff and seborrheic dermatitis,part 1：a reliable and relevant method based on the adherent scalp flaking score(ASFS)”這篇論文(以下簡稱ASFS)進行分區，然而本領域具有通常知識者也可用其他的方法將人類的頭皮進行分區，不限於圖3所示。在工作人員使用頭皮檢測儀150拍攝受測者的頭皮時，所拍攝到的頭皮影像會即時顯示在使用者介面112的頭皮顯示區1122(如圖2所示)，工作人員調整好拍照的角度後，會對受測者的頭皮的每一個區域(亦即圖3所示的A區~H區)進行拍照，拍照後的影像則會顯示在頭皮影像區1124。
之後，重新參照圖1與圖4，實施步驟S120，將頭皮區域影像從操作模組110傳送至第一神經網絡模組120。在本實施例中，操作模組110是先將8個區域的頭皮區域影像分別轉換為向量(以下稱第一特徵圖(feature map))後，再藉由網路傳送到第一神經網絡模組120。在本實施例中，第一神經網絡模組120是採用卷積神經網絡模型，而卷積神經網絡模型主要是由卷積層(Convolution Layer)所構成。在卷積神經網絡模型的卷積層中，是使用過濾器(filter)進行特徵的篩選，故能將所需要的特徵加強，並將不需要的特徵弱化或排除。舉例來說，受測者的頭皮上可能不只有頭皮屑，還會有其他特徵，比如：頭髮、紅腫、傷口、或細菌感染所造成的斑點。然而，智慧頭皮屑檢測系統100的功用 主要在於判斷受測者的頭皮屑嚴重程度，因此藉由過濾器可將頭皮屑這個特徵加強，並將受測者的其他頭皮特徵弱化。在本實施例中，卷積神經網絡模型為Normalizer-Free ResNets模型，此Normalizer-Free ResNets模型是源自於“High-Performance Large-Scale Image Recognition Without Normalization”這篇論文。當然，本領域具有通常知識者也可採用其他種類的卷積神經網絡模型，例如：VGGNet、ResNet、EfficientNet、或MobileNet。
此外，在某些實施例中，第一神經網絡模組120還可以包括池化層(Pooling Layer)，池化層主要之目的在於減少參數數量以避免產生過擬合(overfitting)的情形，且也可達到抗雜訊的效果。另外，由於第一神經網絡模組120所輸出的資料(以下稱為第二特徵圖)是直接輸出到第二神經網絡模組130，故一般的第一神經網絡模組不同，本實施例之第一神經網絡模組120並不會設置全連接層(Fully Connected Layer)。
再來，實施步驟S130，將第二特徵圖輸入至與第一神經網絡模組120相連的第二神經網絡模組130。第二神經網絡模組130是採用Transformer模型，Transformer模型是由Google公司於2017年在Attention Is All You Need這篇論文中提出。至於Transformer模型為何被第二神經網絡模組130採用的理由，以及若第二神經網絡模組130採用卷積神經網絡模型會造成什麼樣的差別，將在以下進行詳述。
請參照圖5A與圖5B，圖5A與圖5B所繪示為頭皮屑在頭皮上的分布情形。於圖5A中頭皮屑30的分布比較侷限在某個面積內，而在圖5B中頭皮屑30則是分散在比較廣的面積上。由於本身的特性，卷積神經網絡模型比較只能感受到局部性的特徵，對於距離較遠的二個區域之間的關聯性可能比較無法考慮到。也就是說。也就是說，卷積神經網絡模型的感受野(receptive field)較小。因此，對於圖5A與圖5B這二種頭皮屑分布情形，縱使圖5B的頭皮屑30的量 比圖5A還多，卷積神經網絡模型可能還是會判定圖5A的頭皮屑問題較嚴重。反之，Transformer模型因為採用了self-attention這種機制，故能考慮到較遠的二個區域之間的關聯性。也就是說，Transformer模型的感受野(receptive field)較大，因此比較能正確判別當頭皮屑
Figure 110134090-A0305-02-0009-2
的分布較分散時的情況(如圖5B所示)。
在本實施例中，Transformer模型是採用Vision Transformer模型，此Vision Transformer模型是源自於“AN IMAGE IS WORTH 16X16 WORDS：TRANSFORMERS FOR IMAGE RECOGNITION AT SCALE”這篇論文。當然，本領域具有通常知識者也可採用其他種類的Transformer模型，例如：CaiT、LV-ViT、或BEiT。
當第二特徵圖經由第二神經網絡模組130轉換成第三特徵圖後，實行步驟S140，將第三特徵圖輸出至分類模組140。在本實施例中，分類模組140是由二個全連接層所構成。如步驟S150所示，在接受第三特徵圖並經過運算後，分類模組140會輸出一評分。在本實施例中，評分依據也是來自於ASFS這篇論文所示，分成以下六種狀況：1)零分：無頭皮屑；2)兩分：細碎頭皮屑(脫屑程度小，成碎小狀)；3)四分：片狀頭皮屑(脫屑程度小，成片狀)；4)六分：塊狀頭皮屑(脫屑程度中度，成塊狀)；5)八分：團狀頭皮屑(脫屑程度中，成團狀)；6)十分：團塊狀頭皮屑(脫屑程度厚，成團塊狀)。
此外，也請參照圖7所示，其所示為各種分數所對應到的真實頭皮屑狀況。當然，上述評分標準僅是其中一種實施例，本領域具有通常知識者也可使用其他的評分標準。分類模組140會輸出評分後，此評分例如會傳送到操作模 組110並顯示在使用者介面112上。在本實施例中，智慧頭皮屑檢測系統100是對受測者的8個頭皮區域分別進行評分，但本領域具有通常知識者應可了解也可採用加總或加權的方式來對受測者的整個頭皮做個綜合評分。當得到受測者的頭皮屑問題的評分後，工作人員就可根據該評分提出符合受測者的改善方案，以改善受測者的頭皮屑問題。
還請參照圖8，圖8所繪示為本發明之智慧頭皮屑檢測系統的另一實施例的架構圖。相較於智慧頭皮屑檢測系統100，本實施例之智慧頭皮屑檢測系統200更多了一壓縮模組160，此壓縮模組160是連接於第一神經網絡模組120與第二神經網絡模組130之間。其中，壓縮模組160接受第一神經網絡模組120所傳來的第二特徵圖後，會對第二特徵圖進行壓縮，並將壓縮後的第二特徵圖傳送到第二神經網絡模組130。換句話說，在卷積神經網絡模型輸出第二特徵圖後，會對第二特徵圖進行壓縮，並將第二特徵圖傳送到Transformer模型。
在本實施例中，壓縮模組160是使用卷積運算的方式對該第二特徵圖進行壓縮。舉例來說，壓縮前的第二特徵圖例如為[N×N×M]的三維陣列，其中M大於3。之後，將[N×N×M]這個三維陣列與一[1×1×3]的三維陣列進行卷積運算，便可獲得[N×N×3]的三維陣列，此即為壓縮後的第二特徵圖。藉由上述方式，可以減少不必要的運算複雜度，且能有效地串接第一神經網絡模組120與第二神經網絡模組130以達到更穩定的辨識效果。
在本實施例中，智慧頭皮屑檢測系統100於訓練階段時，是使用半監督式學習(Semi-supervised learning)的方式來進行訓練。這是因為頭皮檢測的專業人員人數較少且薪資也較高，因此若採用監督式學習(Supervised learning)，則標註成本會顯著提高。詳細來說，本實施例是採用FixMatch演算法來實行半監督式學習。FixMatch演算法是源自於“FixMatch：Simplifying Semi-Supervised Learning with Consistency and Confidence”這篇論文。當然，以上敘述並不代表 本發明僅可採半監督式學習的方式進行訓練，本領域具有通常知識者也可採用監督式學習或其他種類的方式對智慧頭皮屑檢測系統100進行訓練。
此外，各個終端裝置20於上傳受測者的頭皮區域影像後，這些上傳的頭皮區域影像也可做為智慧頭皮屑檢測系統100進一步訓練之用，從而使智慧頭皮屑檢測系統100越來越精準。
綜上所述，本案所揭露之智慧頭皮屑檢測系統100具有下述的優點：(1)使用人工智慧的方式對受測者的頭皮進行評分，故頭皮檢測的工作人員即使未受過嚴格的專業訓練，也能勝任工作，從而減少成本；(2)合併使用卷積神經網絡模型與Transformer模型，增加頭皮屑評分的準確度；(3)操作模組設置在終端裝置，而負責人工智慧運算的部分，亦即：第一神經網絡模組、第二神經網絡模組、與分類模組，則設置在雲端。這樣一來，當人工智慧運算的部分有所更新時，所有的終端裝置都可受益於最新的更新。
雖然本發明已以較佳實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明之精神和範圍內，當可作些許之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
10:伺服器
20:終端裝置
100:智慧頭皮屑檢測系統
110:操作模組
120:第一神經網絡模組
130:第二神經網絡模組
140:分類模組
150:頭皮檢測儀

Claims (9)

  1. 一種智慧頭皮屑檢測系統，用以檢測一受測者的頭皮屑問題的嚴重程度，該智慧頭皮屑檢測系統包括：一操作模組，用於接收該受測者的一頭皮區域影像，並將該頭皮區域影像轉換成一第一特徵圖；一第一神經網絡模組，電性連接到該操作模組並用於接收該頭皮區域影像，該第一神經網絡模組採用卷積神經網絡模型，並將該頭皮區域影像轉換成一第二特徵圖，其中該卷積神經網路模型係採用一過濾器進行特徵篩選，以供強化該受測者的頭皮屑特徵，並弱化該受測者的非頭皮屑的頭皮特徵；一第二神經網絡模組，電性連接到該第一神經網絡模組並用於接收該第二特徵圖，該第二神經網絡模組用採用Transformer模型，並將該第二特徵圖轉換成一第三特徵圖；一壓縮模組，該壓縮模組連接於該第一神經網絡模組與該第二神經網絡模組之間，其中該壓縮模組接受並壓縮該第二特徵圖，並將壓縮後的該第二特徵圖傳送到該第二神經網絡模組；及一分類模組，電性連接到該第二神經網絡模組，該分類模組用於接收該第三特徵圖並輸出一評分；其中，該評分是用來衡量該受測者的頭皮屑嚴重程度。
  2. 如請求項1所述之智慧頭皮屑檢測系統，更包括一頭皮檢測儀，該頭皮檢測儀用於拍攝該受測者的頭皮的一區域，以形成該頭皮區域影像。
  3. 如請求項2所述之智慧頭皮屑檢測系統，其中該頭皮檢測儀為一數位顯微鏡。
  4. 如請求項1所述之智慧頭皮屑檢測系統，其中於訓練階段時，該智慧頭皮屑檢測系統是使用半監督式學習的方式進行訓練。
  5. 如請求項1所述之智慧頭皮屑檢測系統，其中，該第二特徵圖是呈[N×N×M]的三維陣列，該壓縮模組是將[N×N×M]與一[1×1×3]的三維陣列進行卷積運算，以產生壓縮後的一[N×N×3]的三維陣列。
  6. 如請求項1所述之智慧頭皮屑檢測系統，其中該操作模組是裝設在至少一終端裝置上，而該第一神經網絡模組、該第二神經網絡模組、該壓縮模組、與該分類模組是裝設在至少一伺服器上。
  7. 一種智慧頭皮屑檢測方法，用以檢測一受測者的頭皮屑嚴重程度，該智慧頭皮屑檢測方法包括：(a)取得該受測者的至少一頭皮區域影像；(b)將該頭皮區域影像輸入至一卷積神經網絡模型，並輸出一第二特徵圖，其中該卷積神經網路模型係採用一過濾器進行特徵篩選，以供強化該受測者的頭皮屑特徵，並弱化該受測者的非頭皮屑的頭皮特徵；(c)將該第二特徵圖使用卷積運算的方式進行壓縮；(d)將壓縮後的該第二特徵圖輸入至一Transformer模型，並輸出一第三特徵圖；及(e)根據該第三特徵圖進行分類並輸出一評分；其中，該評分是用來衡量該受測者的頭皮屑嚴重程度。
  8. 如請求項7所述之智慧頭皮屑檢測方法，其中於(a)步驟前還包括以下步驟： 使用一頭皮檢測儀拍攝該受測者的頭皮的一區域，以形成該頭皮區域影像。
  9. 如請求項7所述之智慧頭皮屑檢測方法，其中於(c)步驟中，該第二特徵圖是呈[N×N×M]的三維陣列，該壓縮模組是將[N×N×M]與一[1×1×3]的三維陣列進行卷積運算，以產生壓縮後的一[N×N×3]的三維陣列。
TW110134090A 2021-09-13 2021-09-13 智慧頭皮屑檢測系統與方法 TWI823143B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
TW110134090A TWI823143B (zh) 2021-09-13 2021-09-13 智慧頭皮屑檢測系統與方法
CN202111489608.1A CN115804567A (zh) 2021-09-13 2021-12-08 智能头皮屑检测系统与方法
US17/680,345 US20230081592A1 (en) 2021-09-13 2022-02-25 Intelligent dandruff detection system and method
EP22160131.3A EP4148747A1 (en) 2021-09-13 2022-03-04 Smart dandruff analysis system and method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW110134090A TWI823143B (zh) 2021-09-13 2021-09-13 智慧頭皮屑檢測系統與方法

Publications (2)

Publication Number Publication Date
TW202312096A TW202312096A (zh) 2023-03-16
TWI823143B true TWI823143B (zh) 2023-11-21

Family

ID=80628980

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110134090A TWI823143B (zh) 2021-09-13 2021-09-13 智慧頭皮屑檢測系統與方法

Country Status (4)

Country Link
US (1) US20230081592A1 (zh)
EP (1) EP4148747A1 (zh)
CN (1) CN115804567A (zh)
TW (1) TWI823143B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020065452A1 (en) * 2000-11-29 2002-05-30 Roland Bazin Process for diagnosing conditions of external body portions and features of products applied thereto
TW201914524A (zh) * 2017-09-18 2019-04-16 南臺學校財團法人南臺科技大學 頭皮檢測設備
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
EP3627444A1 (en) * 2018-09-20 2020-03-25 L'oreal Method and system for determining a characteristic of a keratinous surface and method and system for treating said keratinous surface
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
CN113191953A (zh) * 2021-06-04 2021-07-30 山东财经大学 一种基于Transformer的人脸图像超分辨的方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1367534A3 (en) * 2002-05-30 2008-07-02 L'oreal Method involving artificial intelligence
US10366487B2 (en) * 2014-03-14 2019-07-30 Samsung Electronics Co., Ltd. Electronic apparatus for providing health status information, method of controlling the same, and computer-readable storage medium

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020065452A1 (en) * 2000-11-29 2002-05-30 Roland Bazin Process for diagnosing conditions of external body portions and features of products applied thereto
TW201914524A (zh) * 2017-09-18 2019-04-16 南臺學校財團法人南臺科技大學 頭皮檢測設備
EP3627444A1 (en) * 2018-09-20 2020-03-25 L'oreal Method and system for determining a characteristic of a keratinous surface and method and system for treating said keratinous surface
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
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
CN113191953A (zh) * 2021-06-04 2021-07-30 山东财经大学 一种基于Transformer的人脸图像超分辨的方法

Also Published As

Publication number Publication date
US20230081592A1 (en) 2023-03-16
EP4148747A1 (en) 2023-03-15
CN115804567A (zh) 2023-03-17
TW202312096A (zh) 2023-03-16

Similar Documents

Publication Publication Date Title
Lin et al. Multi-task learning for quality assessment of fetal head ultrasound images
Sun et al. Gesture recognition based on kinect and sEMG signal fusion
Mahmood et al. Facial expression recognition in image sequences using 1D transform and gabor wavelet transform
Chen et al. Automatic feature extraction in X-ray image based on deep learning approach for determination of bone age
CN110689025B (zh) 图像识别方法、装置、系统及内窥镜图像识别方法、装置
WO2021155792A1 (zh) 一种处理装置、方法及存储介质
CN111091075B (zh) 人脸识别方法、装置、电子设备及存储介质
US20220180534A1 (en) Pedestrian tracking method, computing device, pedestrian tracking system and storage medium
CN110164550B (zh) 一种基于多视角协同关系的先天性心脏病辅助诊断方法
Huan et al. Deep convolutional neural networks for classifying body constitution based on face image
KR102309111B1 (ko) 딥러닝 기반 비정상 행동을 탐지하여 인식하는 비정상 행동 탐지 시스템 및 탐지 방법
WO2022166604A1 (zh) 图像处理方法、装置、计算机设备、存储介质和程序产品
Zhang et al. A survey of wound image analysis using deep learning: Classification, detection, and segmentation
Guo et al. Research on optimization of static gesture recognition based on convolution neural network
Wu et al. Appearance-based gaze block estimation via CNN classification
Wang et al. Localizing and identifying intestinal metaplasia based on deep learning in oesophagoscope
CN113488163B (zh) 一种基于机器视觉的肌少症识别方法、装置、设备及介质
CN111222459A (zh) 一种视角无关的视频三维人体姿态识别方法
CN114170686A (zh) 一种基于人体关键点的屈肘行为检测方法
TWI823143B (zh) 智慧頭皮屑檢測系統與方法
WO2023207531A1 (zh) 一种图像处理方法及相关设备
WO2022205780A1 (zh) 基于跨模态关系推理的眼部检测数据的分类方法及装置
Yang et al. Video system for human attribute analysis using compact convolutional neural network
Zhao et al. A Tongue Color Classification Method in TCM Based on Transfer Learning
Semwal et al. S-PANET: a shallow convolutional neural network for pain severity assessment in uncontrolled environment