本發明涉及電力電子和智能分類領域，具體涉及一種實時皮膚分類方法及應用。

背景技術：

1、現有皮膚自動分類系統依賴于大量高質量的數據來訓練模型，以提高分類的準確性和效率。然而在實際應用中，收集足夠數量的數據較為困難，收集到的不同種類的數據可靠度不一，需要額外的算力成本對收集到的數據進行篩選，增加了技術實施的門檻和成本。

技術實現思路

1、為了解決上述技術問題，本發明提供一種實時皮膚分類方法及應用。

2、為實現上述目的，本發明采用如下技術方案：

3、一種實時皮膚分類方法，其特征在于：按步驟s1至步驟s3確定最適用于面部皮膚圖像的預處理方法和最優皮膚分類模型：

4、步驟s1，獲取預設數量，且分別已知對應真實皮膚類型的各幅面部皮膚圖像，構成初始數據集，結合預設比例，將初始數據集劃分為訓練集、驗證集和測試集，并利用訓練集和驗證集構成原始圖像數據集，然后執行步驟s2；

5、步驟s2，利用各不同預處理方法分別處理原始圖像數據集中的每一面部皮膚圖像，獲得各預處理方法分別對應的更新數據集，結合原始圖像數據集，分別利用各數據集對輸入為面部皮膚圖像、輸出為面部皮膚圖像對應皮膚類型的預設決策模型進行訓練，獲得數據集中各幅面部皮膚圖像分別對應的皮膚分析類型，從而獲得該數據集關于皮膚分析類型的準確率，進而確定最適用于面部皮膚圖像的預處理方法，即最佳預處理方法，然后執行步驟s3；

6、步驟s3，利用最佳預處理方法處理原始圖像數據集，針對多個輸入為面部皮膚圖像、輸出為面部皮膚圖像對應皮膚類型的預設候選模型，分別利用預處理后原始圖像數據集對各預設候選模型進行訓練，獲得預處理后的原始圖像數據集中各幅面部皮膚圖像分別對應的皮膚分析類型，從而獲得不同候選模型下該數據集關于皮膚分析類型的的衡量指標值，進而確定最適用于面部皮膚圖像的分類模型，即最優皮膚分類模型。

7、進一步地，所述步驟s1中，按照8:1:1將初始數據集劃分為訓練集、驗證集和測試集。

8、進一步地，所述步驟s2中，預處理方法包括利用clahe算法、隨機旋轉和clahe算法與隨機旋轉結合，且預處理方法不會改變已標注的皮膚類型。

9、進一步地，所述clahe算法按如下步驟實現圖像增強：

10、步驟p1，基于預設圖塊大小，分割原始圖像數據集中的各幅面部皮膚圖像，并對每一圖塊進行失真校正，然后執行步驟p2；

11、步驟p2，基于預設對比度限制閾值，分別判斷每一圖塊是否超過對比度限制閾值，是則切除超過對比度限制閾值的圖塊并累積，在每一圖塊均完成對比度閾值判斷后將全部累積的超過對比度閾值的圖塊進行縮放，縮放后映射到未超過對比度限制的圖塊上，然后執行步驟p3；

12、步驟p3，利用雙線性插值算法合并全部圖塊

13、進一步地，所述步驟s2中，將mobilenet-v2作為決策模型。

14、進一步地，所述步驟s3中，預設候選模型包括：mobilenet-v2，efficientnet-v2，inception-v2和resnet-v1。

15、進一步地，所述步驟s3中，按照如下方式訓練候選模型：

16、

17、其中，η為學習率，n為樣本個數，為損失函數，θk為模型當前狀態，θk+1為模型下一狀態的改進。

18、一種實時皮膚分類裝置，其特征在于：所述裝置包括：

19、輸入模塊，用于實時采集面部皮膚圖像，并傳輸至識別模塊；

20、識別模塊，用于實時接收面部皮膚圖像，確定面部皮膚圖像對應的皮膚類型，計算與皮膚類型對應的脈寬和周期，并將計算結果傳輸到驅動模塊；

21、驅動模塊，用于接收與皮膚類型對應的脈寬和周期，利用pwm驅動芯片生成與皮膚類型對應的pwm信號，并傳輸到輸出模塊；

22、輸出模塊，用于與目標激光半導體連接，依據所接收pwm信號的通斷狀態，并結合l298n?h橋控制目標激光半導體的電源。

23、進一步地，所述輸入模塊包括adc轉換芯片(pcf8591)、線性位移傳感器、以及深度相機。

24、進一步地，所述識別模塊包括jetson?orin?nx、i2c乘法器，其中jetson?orin?nx用于確定面部皮膚圖像對應的皮膚類型，i2c乘法器用于計算與皮膚類型對應的脈寬和周期。

25、與現有技術相比，本發明的有益效果為：

26、1.本發明將clahe算法作為最佳預處理方法，改善圖像整體質量，提升圖像信息量。

27、2.本發明基于多種候選模型的對比分析，選取efficientnet-v2作為最優皮膚分類模型，實現皮膚照片的高精度、高效率的分類和分析。

28、3.本發明將clahe算法與efficientnet-v2算法集成于高性能的jetson?orin?nx平臺上，并結合i2c乘法器和pwm驅動芯片，實現對目標激光半導體輸出強度的精細控制。

技術特征：

1.一種實時皮膚分類方法，其特征在于：按步驟s1至步驟s3確定最適用于面部皮膚圖像的預處理方法和最優皮膚分類模型：

2.根據權利要求1所述的一種實時皮膚分類方法，其特征在于，所述步驟s1中，按照8:1:1將初始數據集劃分為訓練集、驗證集和測試集。

3.根據權利要求1所述的一種實時皮膚分類方法，其特征在于，所述步驟s2中，預處理方法包括利用clahe算法、隨機旋轉和clahe算法與隨機旋轉結合，且預處理方法不會改變已標注的皮膚類型。

4.根據權利要求2所述的一種實時皮膚分類方法，其特征在于，所述clahe算法按如下步驟實現圖像增強：

5.根據權利要求1所述的一種實時皮膚分類方法，其特征在于，所述步驟s2中，將mobilenet-v2作為決策模型。

6.根據權利要求1所述的一種實時皮膚分類方法，其特征在于，所述步驟s3中，預設候選模型包括：mobilenet-v2，efficientnet-v2，inception-v2和resnet-v1。

7.根據權利要求1所述的一種實時皮膚分類方法，其特征在于，所述步驟s3中，按照如下方式訓練候選模型：

8.一種實時皮膚分類裝置，其特征在于：所述裝置包括：

9.根據權利要求8所述的一種實時皮膚分類裝置，其特征在于，所述輸入模塊包括adc轉換芯片(pcf8591)、線性位移傳感器、以及深度相機。

10.根據權利要求8所述的一種實時皮膚分類裝置，其特征在于，所述識別模塊包括jetson?orin?nx、i2c乘法器，其中jetson?orinnx用于確定面部皮膚圖像對應的皮膚類型，i2c乘法器用于計算與皮膚類型對應的脈寬和周期。

技術總結
本發明提供一種實時皮膚分類方法及應用，其中實時皮膚分類方法方法包括：獲取預設數量，且分別已知對應真實皮膚類型的各幅面部皮膚圖像；利用預設決策模型確定最適用于面部皮膚圖像的預處理方法，即最佳預處理方法；結合最佳預處理方法，從預設候選模型中確定最適用于面部皮膚圖像的分類模型。該方法不僅能夠改善圖像整體質量，提升圖像信息量，還能夠高精度、高效率的完成面部皮膚圖像的分類。

技術研發人員：張典豪,方胤達,徐一鳴,陶宸
受保護的技術使用者：南通大學
技術研發日：
技術公布日：2025/4/28