本发明专利技术公开了一种头皮头发检测方法、系统和设备，方法包括：获取不同的头皮头发图像；根据头皮头发属性，对头皮头发图像进行标注分类，形成基于头皮头发属性的分类数据集；将标注好的分类数据集图像输入到改进的MobileNet深度网络模型中进行训练，得到训练好的基于头皮头发属性的深度网络模型；将待测头皮头发图像输入到训练好的深度网络模型中，获得对应头皮头发属性的检测结果；所述检测结果包括类别及类别对应的置信度。本发明专利技术通过改进的MobileNet深度网络模型对头皮头发图像中的头皮头发属性进行检测，最终输出与头皮头发属性对应的类别及置信度，提升了运算速度，更方便进行端侧部署。
1、头皮属于人体的敏感皮肤之一，由于生活习惯和工作压力等原因，目前受头皮头发问题困扰的人越来越多，许多人都存在头发受损、头发油腻、头皮角质层厚、头皮红血丝多、毛囊皮下油脂多等问题。现在的市面上有许多连锁的美发机构从业者与毛发管理中心，针对头发做的检测很多都是通过单点拍照的方式对头皮进行拍照，以人工解读的方式得到受测者的头皮头发的状态，这样的方式往往受解读者的主观意识影响，无法得到客观准确的结果，导致受测者无法正确的了解到自己的头皮头发状况。如何客观、准确的检测头皮头发的状态是亟需解决的问题。
2、申请号202010228550.4的专利公开了一种基于深度学习的头皮检测方法，包括以下步骤：步骤s1：采集头皮图像数据；步骤s2：根据头皮属性，对头皮图像进行标注分类，形成各头皮属性的分类数据集；步骤s3：使用imagenet图像数据库对squeezenet模型进行预训练，得到预训练squeezenet模型；步骤s4：修改预训练squeezenet模型，使其适应回归任务，得到改进型squeezenet模型；步骤s5：制定头皮检测精度判定规则，使用步骤s2中的分类数据集对改进型squeezenet模型进行重新训练，得到各种头皮属性的头皮检测模型；步骤s6，将待测头皮图像根据头皮属性进行分类，输入对应的头皮检测模型得到预测结果。相对于squeezenet模型，mobilenet减少了参数数量及提升了运算速度，更方便进行端侧部署。
>技术实现思路1、本专利技术的主要目的在于提出一种头皮头发检测方法、系统和设备，其克服了现有技术的所存在的不足之处，通过改进的mobilenet深度网络模型对头皮头发图像中的头皮头发属性进行检测，最终输出与头皮头发属性对应的类别及置信度，提升了运算速度，更方便进行端侧部署。
2、本专利技术采用如下技术方案：
3、一方面，一种头皮头发检测方法，包括：
4、获取不同的头皮头发图像；
5、根据头皮头发属性，对头皮头发图像进行标注分类，形成基于头皮头发属性的分类数据集；
6、将标注好的分类数据集图像输入到改进的mobilenet深度网络模型中进行训练，得到训练好的基于头皮头发属性的深度网络模型；
7、将待测头皮头发图像输入到训练好的深度网络模型中，获得对应头皮头发属性的检测结果；所述检测结果包括类别及类别对应的置信度。
8、优选的，所述改进的mobilenet深度网络模型依次包括：第一卷积层、若干block层、池化层、第二卷积层和第三卷积层；每个block层依次包括：第四卷积层、深度卷积层和第五卷积层；各block层之后设置有连接至最后一层block层的跳跃连接层。
9、优选的，所述改进的mobilenet深度网络模型还包括若干第一激活函数层，每个卷积层后面分别连接一个第一激活函数层，以对卷积层提取出的头皮头发图像的特征信息进行非线性运算。
10、优选的，所述第一激活函数层包括relu层。
11、优选的，所述改进的mobilenet深度网络模型的末端包括一全连接层，所述全连接层输出3个1*1通道的图像，与全连接层相连接的的第二激活函数层激活输出各分类的置信度。
12、优选的，所述第二激活函数层包括softmax层。
13、优选的，所述改进的mobilenet深度网络模型的损失计算函数如下：
14、
15、其中，h(y,p)表示模型损失；y表示测试集的图片标签的真实值；p表示送入模型后输出标签的预测值；n表示测试集中的图片数量；m表示分类数；c表示当前输出类别；yic表i个样本的第c个分类真实值；pic表示第i个样本的第c个分类送入模型后输出的预测值。
16、优选的，还包括准确率计算函数如下：
17、
18、其中，precision表示本轮权重在此次测试集的准确率；tp表示判断正确个数；fp表示判断错误个数。
19、优选的，获得对应头皮头发属性的检测结果之后，还包括：将类别和置信度输入构建的分数映射函数，获得与类别和置信度对应的评分。
20、优选的，所述分数映射函数，具体如下：
21、
22、
23、其中，x是检测结果输出的置信度；cls是检测结果输出的类别；sigmoid(x)表示映射中间函数；f(x,cls)表示映射函数；f表示与置信度对应的分数。
24、优选的，所述头皮头发属性包括头发粗细、头发受损程度、头发油脂、头皮角质层、头皮红血丝和毛囊皮下油脂中的至少一个；每个头皮头发属性对应一个改进的mobilenet深度网络模型。
25、另一方面，一种头皮头发检测系统，包括：
26、图像获取模块，用于获取不同的头皮头发图像；
27、分类数据集标注模块，用于根据头皮头发属性，对头皮头发图像进行标注分类，形成基于头皮头发属性的分类数据集；
28、深度网络模型训练模块，用于将标注好的分类数据集图像输入到改进的mobilenet深度网络模型中进行训练，得到训练好的基于头皮头发属性的深度网络模型；
29、检测结果输出模块，用于将待测头皮头发图像输入到训练好的深度网络模型中，获得对应头皮头发属性的检测结果；所述检测结果包括类别及类别对应的置信度。
30、再一方面，一种头皮头发检测设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的头皮头发检测方法。
31、与现有技术相比，本专利技术的有益效果如下：
32、(1)本专利技术通过改进的mobilenet深度网络模型对头皮头发图像中的头皮头发属性进行检测，最终输出与头皮头发属性对应的类别及置信度，提升了运算速度，更方便进行端侧部署；
33、(2)本专利技术的改进的mobilenet深度网络模型，减少了原mobilenet的block层数，由于头皮头发特征特征比较明显，不需要过多的block层来进行信息的提取，因此去掉中间若干block层，从而降低计算量，加快运算速度；
34、(3)本专利技术的改进的mobilenet深度网络模型，增加了跳跃连接层，以增强特征融合，具体为在各block层之后加入跳跃连接层，以连接至最后一层block层，再经过自适应降采样使得局部特征和全局特征变得丰富(局部特征包括细小的特征，比如红血丝，全局特征包括大面积的特征比如油脂)，有利于不同尺度的特征进行后续的提取或分类；
35、(4)本专利技术的改进的mobilenet深度网络模型，在末端增加了1*1卷积层，增加1*1卷积层使得模型更加关注分类信息，进一步加快收敛速度；
36、(5)本专利技术将头皮头发属性对应的类别及置信度输入构建的分数映射函数，对分数进行映射，使得用户能够根据本文档来自技高网...
【技术保护点】
1.一种头皮头发检测方法，其特征在于，包括：
2.根据权利要求1所述的头皮头发检测方法，其特征在于，所述改进的MobileNet深度网络模型依次包括：第一卷积层、若干block层、池化层、第二卷积层和第三卷积层；每个block层依次包括：第四卷积层、深度卷积层和第五卷积层；各block层之后设置有连接至最后一层block层的跳跃连接层。
3.根据权利要求2所述的头皮头发检测方法，其特征在于，所述改进的MobileNet深度网络模型还包括若干第一激活函数层，每个卷积层后面分别连接一个第一激活函数层，以对卷积层提取出的头皮头发图像的特征信息进行非线性运算。
4.根据权利要求3所述的头皮头发检测方法，其特征在于，所述第一激活函数层包括ReLU层。
5.根据权利要求2所述的头皮头发检测方法，其特征在于，所述改进的MobileNet深度网络模型的末端包括一全连接层，所述全连接层输出3个1*1通道的图像，与全连接层相连接的的第二激活函数层激活输出各分类的置信度。
6.根据权利要求5所述的头皮头发检测方法，其特征在于，所述第二激活函数层包括Softmax层。
7.根据权利要求1所述的头皮头发检测方法，其特征在于，所述改进的MobileNet深度网络模型的损失计算函数如下：
8.根据权利要求1所述的头皮头发检测方法，其特征在于，还包括准确率计算函数如下：
9.根据权利要求1所述的头皮头发检测方法，其特征在于，获得对应头皮头发属性的检测结果之后，还包括：将类别和置信度输入构建的分数映射函数，获得与类别和置信度对应的评分。
10.根据权利要求9所述的头皮头发检测方法，其特征在于，所述分数映射函数，具体如下：
11.根据权利要求1所述的头皮头发检测方法，其特征在于，所述头皮头发属性包括头发粗细、头发受损程度、头发油脂、头皮角质层、头皮红血丝和毛囊皮下油脂中的至少一个；每个头皮头发属性对应一个改进的MobileNet深度网络模型。
12.一种头皮头发检测系统，其特征在于，包括：
13.一种头皮头发检测设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1～11中任意一项所述的头皮头发检测方法。
...
【技术特征摘要】
1.一种头皮头发检测方法，其特征在于，包括：
2.根据权利要求1所述的头皮头发检测方法，其特征在于，所述改进的mobilenet深度网络模型依次包括：第一卷积层、若干block层、池化层、第二卷积层和第三卷积层；每个block层依次包括：第四卷积层、深度卷积层和第五卷积层；各block层之后设置有连接至最后一层block层的跳跃连接层。
3.根据权利要求2所述的头皮头发检测方法，其特征在于，所述改进的mobilenet深度网络模型还包括若干第一激活函数层，每个卷积层后面分别连接一个第一激活函数层，以对卷积层提取出的头皮头发图像的特征信息进行非线性运算。
4.根据权利要求3所述的头皮头发检测方法，其特征在于，所述第一激活函数层包括relu层。
5.根据权利要求2所述的头皮头发检测方法，其特征在于，所述改进的mobilenet深度网络模型的末端包括一全连接层，所述全连接层输出3个1*1通道的图像，与全连接层相连接的的第二激活函数层激活输出各分类的置信度。
6.根据权利要求5所述的头皮头发检测方法，其特征在于，所述第二激活函数层包括soft...
【专利技术属性】
技术研发人员：蔡权，杨建辉，卢伟，严靖宇，
申请(专利权)人：漳州松霖智能家居有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。