痘痘严重程度的分级方法技术

本发明专利技术公开了一种痘痘严重程度的分级方法

【技术实现步骤摘要】
痘痘严重程度的分级方法、装置、设备及存储介质


[0001]本专利技术涉及图像处理
，尤其涉及一种痘痘严重程度的分级方法
、
装置
、
设备及存储介质
。

技术介绍

[0002]痘痘又称为寻常痤疮，是毛囊皮脂腺单位的一种慢性炎症性疾病，好发于青年男女的面部
、
前胸和后背
。
根据痘痘皮损性质和严重程度一般分为3度4级
。
[0003]对痘痘严重程度的传统分级方法主要还是依赖于专业医生长期积累的经验
。
目前，逐渐开始使用深度学习模型对痘痘严重程度的分级提供辅助信息
。
然而，由于痘痘的外观相似且严重程度相近，目前所使用的深度学习模型并没有考虑到标签之间的模糊性，导致痘痘严重程度的分级结果并不准确
。

技术实现思路

[0004]本专利技术提供了一种痘痘严重程度的分级方法
、
装置
、
设备及存储介质，以解决痘痘严重程度分级结果不准确的问题，提高严重程度的分级准确性，为痘痘分级结果提供可靠的参考信息
。
[0005]根据本专利技术的一方面，提供了一种痘痘严重程度分级模型的训练方法，包括：
[0006]将痘痘样本图像输入初始痘痘严重程度分级模型；其中，所述初始痘痘严重程度分级模型包括：特征提取网络
、
全局平均池化层以及全连接输出层；所述全连接输出层包括：并联的严重程度输出模块与数量输出模块；
[0007]通过所述特征提取网络对所述痘痘样本图像进行特征提取，获得图像特征；将所述图像特征输入所述全局平均池化层，获得池化特征向量；
[0008]将所述池化特征向量输入所述严重程度输出模块，获得第一严重程度输出结果；并将所述池化特征向量输入所述数量输出模块，获得数量输出结果；
[0009]根据所述数量输出结果确定第二严重程度输出结果，并根据所述第一严重程度输出结果
、
所述数量输出结果
、
所述第二严重程度输出结果以及所述痘痘样本图像的标签数据确定多元损失函数值；
[0010]基于所述多元损失函数值对所述初始痘痘严重程度分级模型中的网络参数进行调整，获得目标痘痘严重程度分级模型
。
[0011]根据本专利技术的一方面，提供了一种痘痘严重程度的分级方法，包括：
[0012]获取待检测痘痘图像；
[0013]将所述待检测痘痘图像输入采用痘痘严重程度分级模型的训练方法训练得到的目标痘痘严重程度分级模型，获得第一严重程度分级结果和第二严重程度分级结果；
[0014]根据所述第一严重程度分级结果和所述第二严重程度分级结果确定最终严重等级
。
[0015]根据本专利技术的另一方面，提供了一种痘痘严重程度分级模型的训练装置，包括：
[0016]样本输入模块，用于将痘痘样本图像输入初始痘痘严重程度分级模型；其中，所述初始痘痘严重程度分级模型包括：特征提取网络
、
全局平均池化层以及全连接输出层；所述全连接输出层包括：并联的严重程度输出模块与数量输出模块；
[0017]特征提取模块，用于通过所述特征提取网络对所述痘痘样本图像进行特征提取，获得图像特征；将所述图像特征输入所述全局平均池化层，获得池化特征向量；
[0018]结果输出模块，用于将所述池化特征向量输入所述严重程度输出模块，获得第一严重程度输出结果；并将所述池化特征向量输入所述数量输出模块，获得数量输出结果；
[0019]损失值确定模块，用于根据所述数量输出结果确定第二严重程度输出结果，并根据所述第一严重程度输出结果
、
所述数量输出结果
、
所述第二严重程度输出结果以及所述痘痘样本图像的标签数据确定多元损失函数值；
[0020]参数调整模块，用于基于所述多元损失函数值对所述初始痘痘严重程度分级模型中的网络参数进行调整，获得目标痘痘严重程度分级模型
。
[0021]根据本专利技术的另一方面，提供了一种痘痘严重程度的分级装置，包括：
[0022]图像获取模块，用于获取待检测痘痘图像；
[0023]图像输入模块，用于将所述待检测痘痘图像输入采用痘痘严重程度分级模型的训练方法训练得到的目标痘痘严重程度分级模型；
[0024]等级确定模块，用于根据所述第一严重程度分级结果和所述第二严重程度分级结果确定最终严重等级
。
[0025]根据本专利技术的另一方面，提供了一种电子设备，所述电子设备包括：
[0026]至少一个处理器，以及与所述至少一个处理器通信连接的存储器；
[0027]其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的痘痘严重程度分级模型的训练方法或者痘痘严重程度的分级方法
。
[0028]根据本专利技术的另一方面，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存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的痘痘严重程度分级模型的训练方法或者痘痘严重程度的分级方法
。
[0029]本专利技术实施例的技术方案，通过将痘痘样本图像输入初始痘痘严重程度分级模型；其中，初始痘痘严重程度分级模型包括：特征提取网络
、
全局平均池化层以及全连接输出层；全连接输出层包括：并联的严重程度输出模块与数量输出模块；通过特征提取网络对痘痘样本图像进行特征提取，获得图像特征；将图像特征输入全局平均池化层，获得池化特征向量；将池化特征向量输入严重程度输出模块，获得第一严重程度输出结果；并将池化特征向量输入数量输出模块，获得数量输出结果；根据数量输出结果确定第二严重程度输出结果，并根据第一严重程度输出结果
、
数量输出结果
、
第二严重程度输出结果以及痘痘样本图像的标签数据确定多元损失函数值；基于多元损失函数值对初始痘痘严重程度分级模型中的网络参数进行调整，获得目标痘痘严重程度分级模型
。
采用痘痘数量特征和痘痘严重程度特征对痘痘严重程度进行分级，解决了由于痘痘外观相似，严重程度相近所导致的严重程度标签之间具有模糊性的问题，提高了痘痘严重程度分级模型的准确度，同时采用多元损失进行模型参数学习，使得模型具有更高得泛化能力
。
[0030]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特
征，也不用于限制本专利技术的范围
。
本专利技术的其它特征将通过以下的说明书而变得容易理解
。
附图说明
[0031]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种痘痘严重程度分级模型的训练方法，其特征在于，包括：将痘痘样本图像输入初始痘痘严重程度分级模型；其中，所述初始痘痘严重程度分级模型包括：特征提取网络
、
全局平均池化层以及全连接输出层；所述全连接输出层包括：并联的严重程度输出模块与数量输出模块；通过所述特征提取网络对所述痘痘样本图像进行特征提取，获得图像特征；将所述图像特征输入所述全局平均池化层，获得池化特征向量；将所述池化特征向量输入所述严重程度输出模块，获得第一严重程度输出结果；并将所述池化特征向量输入所述数量输出模块，获得数量输出结果；根据所述数量输出结果确定第二严重程度输出结果，并根据所述第一严重程度输出结果
、
所述数量输出结果
、
所述第二严重程度输出结果以及所述痘痘样本图像的标签数据确定多元损失函数值；基于所述多元损失函数值对所述初始痘痘严重程度分级模型中的网络参数进行调整，获得目标痘痘严重程度分级模型
。2.
根据权利要求1所述的方法，其特征在于，所述严重程度输出模块包括：第一全连接单元和第一归一化单元；所述数量输出模块包括：第二全连接单元和第二归一化单元
。3.
根据权利要求1所述的方法，其特征在于，所述数量输出结果包括：痘痘数量和所述痘痘数量对应的概率；根据所述数量输出结果确定第二严重程度输出结果，包括：获取痘痘数量和严重程度之间的映射关系；根据所述痘痘数量与所述痘痘数量对应的概率，以及所述映射关系确定所述数量输出结果对应的第二严重程度；将所述第二严重程度和所述痘痘数量对应的概率确定为第二严重程度输出结果
。4.
根据权利要求1所述的方法，其特征在于，根据所述第一严重程度输出结果
、
所述数量输出结果
、
所述第二严重程度输出结果以及所述痘痘样本图像的标签数据确定多元损失函数值，包括：计算所述第一严重程度输出结果和所述痘痘样本图像的严重程度标签数据之间的第一损失函数值；计算所述第二严重程度输出结果和所述痘痘样本图像的严重程度标签数据之间的第二损失函数值；计算所述数量输出结果和所述痘痘样本图像的数量标签数据之间的第三损失函数值；将所述第一损失函数值
、
所述第二损失函数值和所述第三损失函数值的加权和确定为所述多元损失函数值
。5.
一种痘痘严重程度的分级方法，其特征在于，包括：获取待检测痘痘图像；将所述待检测痘痘图像输入采用权利要求1‑4任一所述的痘痘严重程度分级模型的训练方法训练得到的目标痘痘严重程度分级模型，获得第一严重程度分级结果和第二严重程度分级结果；根据所述第一严重程度分级结果和所述第二严...

【专利技术属性】
技术研发人员：王念欧，郦轲，刘文华，万进，
申请(专利权)人：深圳市宗匠科技有限公司，
类型：发明
国别省市：