System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【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。