【技术实现步骤摘要】
本专利技术涉及深度学习图像分割，尤其涉及一种基于u2net网络的皮肤检测方法、装置、设备及介质。
技术介绍
1、现有检测敏感肌区域的方法主要有：皮肤检测机构采用专用仪器进行皮肤检测，再通过传统图像算法对检测到的皮肤图像进行特征提取。现有技术存在以下缺点：专用仪器进行检测的便捷性差、效率低且成本高；传统图像算法进行特征提取的检测精度低。
技术实现思路
1、有鉴于此，本专利技术的目的是为了克服现有技术中的不足，提供一种基于u2net网络的皮肤检测方法、装置、设备及介质，旨在提升皮肤检测精度及检测效率。本专利技术提供如下技术方案：
2、第一方面，本专利技术提供一种基于u2net网络的皮肤检测方法，所述方法包括：
3、获取不同光照和/或不同角度下，不同对象的人脸图像，所述人脸图像包括至少一个异常区域；
4、对多个所述人脸图像进行清洗、标注及裁剪，得到多个目标人脸图像；
5、按照预设比例将多个所述目标人脸图像随机划分为训练集、验证集及测试集；
6、针对u2net网络，用深度可分离卷积代替3×3卷积，得到第一模型；
7、对初始损失函数进行二范数正则化处理，得到目标损失函数，所述初始损失函数由焦点损失函数与特维斯基损失函数构成；
8、针对所述第一模型，采用所述目标损失函数，代替标准的二分类交叉熵损失函数，得到第二模型；
9、利用所述训练集、所述验证集及所述测试集对所述第二模型进行训练，得到实例分割模型
10、将待检测人脸图像输入所述实例分割模型，得到面部肌肤检测结果。
11、在一实施方式中，所述对初始损失函数进行二范数正则化处理之前，还包括：确定所述初始损失函数，所述初始损失函数的计算公式为：
12、l＝αlf+βlt
13、其中，α为焦点损失函数的占比，β为特维斯基损失函数的占比，lf表示焦点损失函数，lt表示特维斯基损失函数。
14、在一实施方式中，所述对所述初始损失函数进行二范数正则化处理，得到目标损失函数，计算公式为：
15、
16、其中，l'(θ)表示目标损失函数，l(θ)为初始损失函数，λ为正则化参数，θi表示二范数正则化全值向量中的第i个元素，且1≤i≤n。
17、在一实施方式中，所述将待检测人脸图像输入所述实例分割模型，得到面部肌肤检测结果之前，还包括：将所述待检测人脸图像输入人脸关键点检测算法，得到多个人脸关键点；根据各所述人脸关键点，确定多个不同的人脸区域。
18、在一实施方式中，所述面部肌肤检测结果包括各异常区域的位置信息及面积，所述方法还包括：根据各所述异常区域的位置信息及面积，确定各所述异常区域在各所述人脸区域中的面积占比；根据各所述面积占比，及各所述人脸区域的权重，确定异常严重度。
19、在一实施方式中，所述对多个所述人脸图像进行清洗、裁剪及标注，得到多个目标人脸图像，包括：对多个所述人脸图像进行清洗，得到多个第一人脸图像；针对各所述第一人脸图像，标注各所述异常区域，得到多个第二人脸图像；采用人脸检测算法对各所述第二人脸图像进行检测，分别得到各所述第二人脸图像对应的人脸检测框；利用各所述人脸检测框对各所述第二人脸图像进行裁剪，将裁剪后得到的多个人脸图像作为所述目标人脸图像。
20、在一实施方式中，所述利用所述训练集、所述验证集及所述测试集对所述第二模型进行训练，得到实例分割模型，包括：将所述训练集中的目标人脸图像分别进行随机旋转，马赛克增强和/或随机噪声处理，得到多个增强目标人脸图像后，利用所述多个增强目标人脸图像，对所述第二模型进行训练；利用所述验证集，对训练后得到的模型进行参数调整；利用所述测试集，对参数调整后的模型进行测试，将通过测试的模型确定为所述实例分割模型。
21、第二方面，本专利技术提供一种基于u2net网络的皮肤检测装置，所述装置包括：
22、获取模块，用于获取不同光照和/或不同角度下，不同对象的人脸图像，所述人脸图像包括至少一个异常区域；
23、图像处理模块，用于对多个所述人脸图像进行清洗、标注及裁剪，得到多个目标人脸图像；
24、数据集划分模块，用于按照预设比例将多个所述目标人脸图像随机划分为训练集、验证集及测试集；
25、第一模型改进模块，用于针对u2net网络，用深度可分离卷积代替3×3卷积，得到第一模型；
26、函数确定模块，用于对初始损失函数进行二范数正则化处理，得到目标损失函数，所述初始损失函数由焦点损失函数与特维斯基损失函数构成；
27、第二模型改进模块，用于针对所述第一模型，采用所述目标损失函数，代替标准的二分类交叉熵损失函数，得到第二模型；
28、模型训练模块，用于利用所述训练集、所述验证集及所述测试集对所述第二模型进行训练，得到实例分割模型；
29、检测模块，用于将待检测人脸图像输入所述实例分割模型，得到面部肌肤检测结果。
30、第三方面，本专利技术提供一种电子设备，包括存储器以及处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上运行时执行第一方面述的基于u2net网络的皮肤检测方法。
31、第四方面，本专利技术提供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程序，所述计算机程序被处理器执行时第一方面所述的基于u2net网络的皮肤检测方法。
32、本专利技术提供一种基于u2net网络的皮肤检测方法、装置、设备及介质，所述方法包括：获取不同光照和/或不同角度下，不同对象的人脸图像，所述人脸图像包括至少一个异常区域；对多个所述人脸图像进行清洗、标注及裁剪，得到多个目标人脸图像；按照预设比例将多个所述目标人脸图像随机划分为训练集、验证集及测试集；针对u2net网络，用深度可分离卷积代替3×3卷积，得到第一模型；对初始损失函数进行二范数正则化处理，得到目标损失函数，所述初始损失函数由焦点损失函数与特维斯基损失函数构成；针对所述第一模型，采用所述目标损失函数，代替标准的二分类交叉熵损失函数，得到第二模型；利用所述训练集、所述验证集及所述测试集对所述第二模型进行训练，得到实例分割模型；将待检测人脸图像输入所述实例分割模型，得到面部肌肤检测结果。本专利技术基于u2net网络，通过深度可分离卷积替换传统卷积，降低了实例分割模型的模型参数，通过焦点损失函数与特维斯基损失函数的组合改进损失函数，并引入二范数正则化项，提升了实例分割模型的性能，缓解了样本不均衡的问题，加速了模型收敛，从而提升了对皮肤的检测精度和检测效率，此外，由于模型参数大大降低，仅通过一张自拍图片即可实现皮肤检测，还提升了皮肤检测的便捷性。
33、为使本专利技术的上述目的、特征和优点能更明显和易懂，下文特举较佳实施例，并配合所附附图，做详细说明如下。
本文档来自技高网...【技术保护点】
1.一种基于U2NET网络的皮肤检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的皮肤检测方法，其特征在于，所述对初始损失函数进行二范数正则化处理之前，还包括：
3.根据权利要求2所述的皮肤检测方法，其特征在于，所述对所述初始损失函数进行二范数正则化处理，得到目标损失函数，计算公式为：
4.根据权利要求3所述的皮肤检测方法，其特征在于，所述将待检测人脸图像输入所述实例分割模型，得到面部肌肤检测结果之前，还包括：
5.根据权利要求4所述的皮肤检测方法，其特征在于，所述面部肌肤检测结果包括各异常区域的位置信息及面积，所述方法还包括：
6.根据权利要求1所述的皮肤检测方法，其特征在于，所述对多个所述人脸图像进行清洗、裁剪及标注，得到多个目标人脸图像，包括：
7.根据权利要求1所述的皮肤检测方法，其特征在于，所述利用所述训练集、所述验证集及所述测试集对所述第二模型进行训练，得到实例分割模型，包括：
8.一种基于U2NET网络的皮肤检测装置，其特征在于，所述装置包括：
9.一种电子设
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的基于U2NET网络的皮肤检测方法。
...【技术特征摘要】
1.一种基于u2net网络的皮肤检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的皮肤检测方法，其特征在于，所述对初始损失函数进行二范数正则化处理之前，还包括：
3.根据权利要求2所述的皮肤检测方法，其特征在于，所述对所述初始损失函数进行二范数正则化处理，得到目标损失函数，计算公式为：
4.根据权利要求3所述的皮肤检测方法，其特征在于，所述将待检测人脸图像输入所述实例分割模型，得到面部肌肤检测结果之前，还包括：
5.根据权利要求4所述的皮肤检测方法，其特征在于，所述面部肌肤检测结果包括各异常区域的位置信息及面积，所述方法还包括：
6.根据权利要求1所述的皮肤检测方法，其特征在于，所述对多个所述人脸...
【专利技术属性】
技术研发人员：朱开强，王辉，张威，言艳花，
申请(专利权)人：武汉美之修行信息科技有限公司，
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。