遗传病面部识别装置及方法制造方法及图纸

本发明专利技术实施例公开了一种遗传病面部识别装置及方法，该装置包括：图像获取模块以及图像识别模块；其中，图像获取模块，用于获取待处理图像，并将待处理图像发送至图像识别模块；其中，待处理图像包括面部区域；图像识别模块，与图像获取模块相连接，用于接收待处理图像，并将待处理图像输入至预先训练完成的目标遗传病识别模型中，得到与待处理图像对应的目标遗传病类别；其中，目标遗传病识别模型根据样本原始图像以及与样本原始图像对应的样本遗传病类别对初始遗传病识别模型训练得到，目标遗传病识别模型基于同时兼顾速度与精度的模型放缩方法构建。通过本发明专利技术实施例的技术方案，实现了根据面部图像来准确识别遗传病类别的效果。的效果。的效果。

【技术实现步骤摘要】
遗传病面部识别装置及方法


[0001]本专利技术实施例涉及面部识别技术，尤其涉及一种遗传病面部识别装置及方法。

技术介绍

[0002]遗传病面部识别是利用深度学习分析患者的面部特征来诊断遗传病，基于图像分类技术，对于给定的输入遗传病患者图像，来预测图像的遗传病类别。
[0003]目前，针对遗传病识别通常使用FDNA(面部表情新型分析技术)公司的DeepGestalt框架，通过照片对用户进行健康检测的脸部疾病识别，以尽早发现一些罕见或者难以诊断的遗传综合征。但是，由于其使用的是浅层的神经网络，该网络由十个卷积层组成，无法有效学习所有数据的特征。并且，由于遗传病种类较多有200多种，存在样本数据不平衡的问题。因此，通过上述方式训练出来的遗传病面部识别模型效果不够准确，难以根据面部图像准确遗传病类别。

技术实现思路

[0004]本专利技术实施例提供了一种遗传病面部识别装置及方法，以实现根据面部图像来准确识别遗传病类别的效果。
[0005]第一方面，本专利技术实施例提供了一种遗传病面部识别装置，该装置包括：图像获取模块以及图像识别模块；其中，
[0006]所述图像获取模块，用于获取待处理图像，并将所述待处理图像发送至所述图像识别模块；其中，所述待处理图像包括面部区域；
[0007]所述图像识别模块，与所述图像获取模块相连接，用于接收所述待处理图像，并将所述待处理图像输入至预先训练完成的目标遗传病识别模型中，得到与所述待处理图像对应的目标遗传病类别；其中，所述目标遗传病识别模型根据样本原始图像以及与所述样本原始图像对应的样本遗传病类别对初始遗传病识别模型训练得到，所述目标遗传病识别模型基于同时兼顾速度与精度的模型放缩方法构建。
[0008]第二方面，本专利技术实施例还提供了一种遗传病面部识别方法，该方法包括：
[0009]基于图像获取模块，获取待处理图像，并将所述待处理图像发送至图像识别模块；其中，所述待处理图像包括面部区域；
[0010]基于所述图像识别模块，接收所述待处理图像，并将所述待处理图像输入至预先训练完成的目标遗传病识别模型中，得到与所述待处理图像对应的目标遗传病类别；其中，所述目标遗传病识别模型根据样本原始图像以及与所述样本原始图像对应的样本遗传病类别对初始遗传病识别模型训练得到，所述目标遗传病识别模型基于同时兼顾速度与精度的模型放缩方法构建。
[0011]本专利技术实施例的技术方案，通过图像获取模块，获取待处理图像，并将待处理图像发送至图像识别模块，通过图像识别模块，接收待处理图像，并将待处理图像输入至预先训练完成的目标遗传病识别模型中，得到与待处理图像对应的目标遗传病类别，其中，目标遗
传病识别模型基于同时兼顾速度与精度的模型放缩方法构建，解决了模型识别不准确以及泛化能力较差的问题，实现提高遗传病面部识别准确率和泛化能力的效果。
附图说明
[0012]为了更加清楚地说明本专利技术示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本专利技术所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。
[0013]图1为本专利技术实施例一所提供的一种遗传病面部识别装置的结构示意图；
[0014]图2为本专利技术实施例二所提供的一种遗传病面部识别装置的结构示意图；
[0015]图3为本专利技术实施例三所提供的一种遗传病面部识别方法的流程示意图；
[0016]图4为本专利技术实施例四所提供的一种遗传病面部识别方法的流程示意图。
具体实施方式
[0017]下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。
[0018]实施例一
[0019]图1为本专利技术实施例一所提供的一种遗传病面部识别装置的结构示意图，本实施例可适用于根据面部图像识别遗传病类别的情况，该装置可以执行遗传病面部识别方法，该装置可以通过软件和/或硬件的形式实现，该硬件可以是电子设备，可选的，电子设备可以是移动终端、PC端、服务器等。
[0020]如图1所示，本实施例的遗传病面部识别装置包括：图像获取模块1以及图像识别模块2。
[0021]其中，图像获取模块1，用于获取待处理图像，并将待处理图像发送至图像识别模块2；其中，待处理图像包括面部区域；图像识别模块2，与图像获取模块1相连接，用于接收待处理图像，并将待处理图像输入至预先训练完成的目标遗传病识别模型中，得到与待处理图像对应的目标遗传病类别；其中，目标遗传病识别模型根据样本原始图像以及与样本原始图像对应的样本遗传病类别对初始遗传病识别模型训练得到，目标遗传病识别模型基于同时兼顾速度与精度的模型放缩方法构建。
[0022]图像获取模块1，用于获取待处理图像，并将待处理图像发送至图像识别模块2。
[0023]其中，待处理图像可以是基于拍摄装置对目标对象拍摄得到的图像，拍摄装置可以是如照相机、摄像机等装置，目标对象可以是待进行遗传病识别的人，待处理图像包括面部区域，即目标对象的面部区域。
[0024]具体的，通过图像获取模块1可以针对目标对象进行拍摄，得到待处理图像，并将待处理图像发送至图像识别模块2，以便对待处理图像进行遗传病的分类和识别。
[0025]图像识别模块2，与图像获取模块1相连接，用于接收待处理图像，并将待处理图像输入至预先训练完成的目标遗传病识别模型中，得到与待处理图像对应的目标遗传病类别。
[0026]其中，目标遗传病识别模型根据样本原始图像以及与样本原始图像对应的样本遗传病类别对初始遗传病识别模型训练得到。样本原始图像可以是包含面部区域的图像，并且，每个样本原始图像都具有一个与之对应的样本遗传病类别。目标遗传病识别模型基于同时兼顾速度与精度的模型放缩方法构建，初始遗传病识别模型也是基于同时兼顾速度与精度的模型放缩方法构建的。目标遗传病类别是针对待处理图像的识别结果。
[0027]需要说明的是，同时兼顾速度与精度的模型放缩方法可以是EfficientNet，EfficientNet通过复合系数来从网络深度、网络宽度、图像分辨率三个维度放大网络，从而增加了网络的层数，还获取到更多的信息并提取更多的特征。
[0028]具体的，图像识别模块2可以接收图像获取模块1发送的待处理图像，并将待处理图像输入至预先训练完成的目标遗传病识别模型中，通过目标遗传病识别模型对待处理图像进行处理可以得到处理结果，即目标遗传病类别。
[0029]在上述各实施例的基础上，目标遗传病识别模型基于EfficientNet构建或基于ResNeSt269、EfficientNet
‑
B7以及EfficientNet
‑
B8中的至少两个模型加权融合确定。...

【技术保护点】

【技术特征摘要】
1.一种遗传病面部识别装置，其特征在于，包括：图像获取模块以及图像识别模块；其中，所述图像获取模块，用于获取待处理图像，并将所述待处理图像发送至所述图像识别模块；其中，所述待处理图像包括面部区域；所述图像识别模块，与所述图像获取模块相连接，用于接收所述待处理图像，并将所述待处理图像输入至预先训练完成的目标遗传病识别模型中，得到与所述待处理图像对应的目标遗传病类别；其中，所述目标遗传病识别模型根据样本原始图像以及与所述样本原始图像对应的样本遗传病类别对初始遗传病识别模型训练得到，所述目标遗传病识别模型基于同时兼顾速度与精度的模型放缩方法构建。2.根据权利要求1所述的装置，其特征在于，还包括：样本获取模块以及模型训练模块；其中，所述样本获取模块，用于获取包括面部区域的样本原始图像，确定与所述样本原始图像对应的样本遗传病类别，并将所述样本原始图像以及所述样本遗传病类别发送至所述模型训练模块；所述模型训练模块，与所述样本获取模块和所述图像识别模块分别连接，用于基于接收的样本原始图像以及与所述样本原始图像对应的样本遗传病类别构建训练样本集，根据所述训练样本集中的样本原始图像以及与所述样本原始图像对应样本遗传病类别对所述初始遗传病识别模型进行训练，将训练完成的初始遗传病识别模型作为目标遗传病识别模型，将所述目标遗传病识别模型发送至所述图像识别模块。3.根据权利要求2所述的装置，其特征在于，所述样本获取模块包括：图像预处理单元，用于针对样本原始图像进行图像预处理，其中，所述图像预处理包括数据清洗和图像裁剪中的至少一种。4.根据权利要求2所述的装置，其特征在于，所述样本获取模块包括：图像增强单元，用于针对样本原始图像进行图像增强处理，...

【专利技术属性】
技术研发人员：付文，王建峰，梁波，
申请(专利权)人：苏州超云生命智能产业研究院有限公司，
类型：发明
国别省市：