一种基于深度学习的参数设定方法及装置

摘要

本公开涉及一种基于深度学习的参数设定方法及装置，主要应用于激光美容设备。所述方法包括：通过获取人体皮表图像和所述人体皮表图像所对应的激光美容设备的参数；利用卷积神经网络算法对所述人体皮表图像和所述对应的激光美容设备的设定参数进行训练得到所述激光美容设备的参数设定模型；采集人体皮表图像，将所述人体皮表图像输入到所述激光美容设备的参数设定模型，输出对应于所述实时采集的人体表面图像的所述激光美容设备的参数。根据用户的皮肤情况提供激光美容设备的工作参数，能够减少操作人员设置参数的过程，还可以基于深度学习模型提供更加准备更准确高效的设备设定参数，避免操作人员的设置失误。

说明书

技术领域

本公开涉及激光美容设备领域，尤其涉及一种基于深度学习的参数设定方法及装置，主要应用于激光美容设备。

背景技术

随着社会对审美要求的提升以及对自身形象的关注，医疗美容行业成为继房地产、汽车、通讯、旅游之后的第五大消费热点。市场对激光美容设备的需求加速增长，同时也对激光美容设备的进一步发展提出了要求。激光脱毛仪属于激光系列激光美容设备的一种，而激光系列产品属于很多国家厂商的重点开发产品，激光系列仪器对于皮肤表层的处理项目繁多，满足了社会极大的需求量。

计算机图像识别及分类是指计算机对获取的图像进行处理和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用。

发明内容

有鉴于此，本公开提出了一种基于深度学习的参数设定方法及系统，应用于激光美容设备，能够根据用户的皮肤情况提供激光美容设备的工作参数，减少操作人员设置参数的过程，还可以基于深度学习模型提供更加准备更准确高效的设备设定参数，避免操作人员的设置失误。

根据本公开的一方面，提供了一种基于深度学习的参数设定方法，应用于激光美容设备，所述方法包括：

获取人体皮表图像和所述人体皮表图像所对应的激光美容设备的参数；

利用卷积神经网络算法对所述人体皮表图像和所述对应的激光美容设备的设定参数进行训练得到所述激光美容设备的参数设定模型；

采集人体皮表图像，将所述人体皮表图像输入到所述激光美容设备的参数设定模型，输出对应于所述实时采集的人体表面图像的所述激光美容设备的参数。

在一种可能的实现方式中，所述采集人体皮表图像，包括：利用设置在所述激光美容设备的图像采集设备进行人体皮表图像的采集。

在一种可能的实现方式中，所述利用卷积神经网络算法对所述人体皮表图像和所述对应的激光美容设备的设定参数进行训练得到所述激光美容设备的参数设定模型，包括：

采用ResNet卷积神经网络算法对所述人体皮表图像和所述对应的激光美容设备的设定参数进行学习预训；

根据每次学习训练参数模型的评价值对所述训练参数进行调整，当满足 ResNet的评价标准时，得到参数设定模型，保存所述参数设定模型到所述激光美容设备。

在一种可能的实现方式中，人体皮表图像包括人体皮肤亮度、人体皮肤毛发疏密的特征数据。

在一种可能的实现方式中，所述设定参数包括：所述激光美容设备的工作档位，能量密度、输出频率、工作时长。

根据本公开的另一方面，提出了一种基于深度学习的参数设定系统，应用于激光美容设备，所述系统包括：

获取模块，用于获取人体皮表图像和所述人体皮表图像所对应的激光美容设备的参数；

参数设定模型训练模块，用于利用卷积神经网络算法对所述人体皮表图像和所述对应的激光美容设备的设定参数进行训练得到所述激光美容设备的参数设定模型；

图像处理模块，采集人体皮表图像，将所述人体皮表图像输入到所述激光美容设备的参数设定模型，输出对应于所述采集的人体表面图像的所述激光美容设备的参数。

在一种可能的实现方式中，所述采集人体皮表图像，包括：利用设置在所述激光美容设备的图像采集设备进行人体皮表图像的采集。

在一种可能的实现方式中，所述参数设定模型训练模块，包括：

采用ResNet卷积神经网络算法对所述人体皮表图像和所述对应的激光美容设备的设定参数进行学习训练；

根据每次学习训练模型的评价值对所述训练参数进行调整，当满足 ResNet的评价标准时得到参数设定模型，保存所述参数设定模型到所述激光美容设备。

在一种可能的实现方式中，所述人体皮表图像包括人体皮肤亮度、人体皮肤毛发疏密的特征数据。

在一种可能的实现方式中，所述设定参数包括：所述激光美容设备的工作档位，能量密度、输出频率、工作时长。

通过获取人体皮表图像和所述人体皮表图像所对应的激光美容设备的参数；利用卷积神经网络算法对所述人体皮表图像和所述对应的激光美容设备的设定参数进行训练得到所述激光美容设备的参数设定模型；采集人体皮表图像，将所述人体皮表图像输入到所述激光美容设备的参数设定模型，输出对应于所述实时采集的人体表面图像的所述激光美容设备的参数。根据用户的皮肤情况提供激光美容设备的工作参数，能够减少操作人员设置参数的过程，还可以基于深度学习模型提供更加准备更准确高效的设备设定参数，避免操作人员的设置失误。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。

图1示出根据本公开一实施例的基于深度学习的参数设定方法的流程图。

图2示出根据本公开一实施例的基于深度学习的参数设定系统的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

图1示出根据本公开一实施例的基于深度学习的参数设定方法的流程图。该方法可以应用于激光美容设备中，其中，激光美容设备可以包括激光脱毛仪、激光美容仪等。下面以激光脱毛仪为例进行说明，如图1所示，该方法可以包括：

步骤S11，获取人体皮表图像和所述人体皮表图像所对应的激光美容设备的参数。

其中，人体皮表图像可以是指人体皮肤的图像，通过分析人体皮表图像可以得到人体皮肤亮度情况、人体皮肤的毛发浓密情况、人体皮肤表面有无暗斑等特征数据情况。

激光美容设备的参数可以是指激光美容设备(例如激光脱毛仪)工作过程中，根据用户的皮肤状态设定激光脱毛仪的工作参数，例如工作档位、能量密度、输出频率、工作时长等。其中，工作档位可以包括：1档、2档、3 档、4档、5档，输出频率可以为200W、300W等，能量密度可以根据人体皮肤亮度和人体毛发疏密进行设定，例如人体皮肤亮度低、人体毛发黑密，黑色素含量多，能够充分吸收激光能量破坏毛囊，因此，此时选择低能量密度，相反，选择高能量密度。工作时长可以根据人体皮肤亮度低、人体毛发疏密设定激光脱毛仪的工作时间长度。激光脱毛仪还包括光斑大小等参数设定，在此不做限定。

通过采集获取大量的人体皮表图像和人体皮表图像所对应的激光脱毛仪的参数的历史数据作为深度学习模型的训练数据。

步骤S12，利用卷积神经网络算法对所述人体皮表图像和所述对应的激光美容设备的设定参数进行训练得到所述激光美容设备的参数设定模型。

卷积神经网络算法是深度学习算法中的一种，卷积神经网络是一种深度的学习模型。卷积神经网络算法可以包括ResNet、AlexNet等。

在一示例中，可以采用ResNet卷积神经网络算法对所述人体皮表图像和所述对应的激光美容设备的设定参数进行学习训练。其中，设定参数的学习训练可以包括预训练和多次目的性训练，其中，利用大量的人体皮表图像通过预训练可以得到激光脱毛仪的设定参数的初步模型；利用大量的人体皮表图像和所对应的激光脱毛仪的参数进行多次的目的性的训练，以得到激光脱毛仪的有效参数；根据每次训练参数评价值值对所述训练参数进行调整，当满足ResNet的评价标准时，得到参数设定模型，保存所述参数设定模型到所述激光美容设备。其中，训练参数的评价值可以为参数的均方误差MSE、均方根误差RMES等，当训练参数的评价值小于预设阈值时，去除训练参数，当训练参数大于或等于预设阈值时，保留该训练参数。

举例说明，利用卷积神经网络ResNet作为激光脱毛仪进行深度学习的模型，将人体皮表图像和相应的激光脱毛仪的参数作为卷积神经网络ResNet 的输入进行学习预训练，例如分析提取人体皮表图像的人体皮肤亮度、毛发浓密度、人体皮肤表面有无暗斑等特征，以及相对应激光脱毛仪对应的工作档位、输出频率、能量密度、工作时长等参数情况。通过大量的人体皮表图像和相应的激光脱毛仪的参数的历史数据，输入到卷积神经网络ResNet中进行多次训练，当训练参数的评价值小于预设阈值时，去除训练参数，当训练参数大于或等于预设阈值时，保留该训练参数，根据该规则对激光脱毛仪的仪器参数进行调整，直到满足ResNet的评价标准时，此时训练得到激光脱毛仪参数设定模型作为激光脱毛仪的参数设定模型，并将该参数设定模型保存到激光脱毛仪中。

步骤S13，采集人体皮表图像，将所述人体皮表图像输入到所述激光美容设备的参数设定模型，输出对应于所述实时采集的人体表面图像的所述激光美容设备的参数。

可以通过激光脱毛仪的手柄上安装的RGB摄像头，在激光脱毛仪的工作过程中，实时采集人体皮表图像，并输入到保存在激光脱毛仪的参数设定模型中，得到与该人体皮表图像相对应的激光脱毛仪的参数，操作人员根据输出的激光脱毛仪参数设置激光脱毛仪，能够减少激光脱毛仪参数设置过程中的误差。

本公开的基于深度学习的参数设定方法，通过获取人体皮表图像和所述人体皮表图像所对应的激光美容设备的参数；利用卷积神经网络算法对所述人体皮表图像和所述对应的激光美容设备的设定参数进行训练得到所述激光美容设备的参数设定模型；采集人体皮表图像，将所述人体皮表图像输入到所述激光美容设备的参数设定模型，输出对应于所述实时采集的人体表面图像的所述激光美容设备的参数。根据用户的皮肤情况提供激光美容设备的工作参数，能够减少操作人员设置参数的过程，还可以基于深度学习模型提供更加准备更准确高效的设备设定参数，避免操作人员的设置失误。

图2示出根据本公开一实施例的基于深度学习的参数设定系统的框图。该系统可以应用于激光美容设备中，其中，激光美容设备可以包括激光脱毛仪、激光美容仪等。如图2所示，该方法可以包括：

获取模块41，用于获取人体皮表图像和所述人体皮表图像所对应的激光美容设备的参数；

参数设定模型训练模块42，用于利用卷积神经网络算法对所述人体皮表图像和所述对应的激光美容设备的设定参数进行训练得到所述激光美容设备的参数设定模型；

图像处理模块43，采集人体皮表图像，将所述人体皮表图像输入到所述激光美容设备的参数设定模型，输出对应于所述采集的人体表面图像的所述激光美容设备的参数。

本公开的基于深度学习的参数设定系统，通过获取人体皮表图像和所述人体皮表图像所对应的激光美容设备的参数；利用卷积神经网络算法对所述人体皮表图像和所述对应的激光美容设备的设定参数进行训练得到所述激光美容设备的参数设定模型；采集人体皮表图像，将所述人体皮表图像输入到所述激光美容设备的参数设定模型，输出对应于所述实时采集的人体表面图像的所述激光美容设备的参数。根据用户的皮肤情况提供激光美容设备的工作参数，能够减少操作人员设置参数的过程，还可以基于深度学习模型提供更加准备更准确高效的设备设定参数，避免操作人员的设置失误。

在一种可能的实现方式中，所述采集人体皮表图像，包括：利用设置在所述激光美容设备的图像采集设备进行人体皮表图像的采集。

在一种可能的实现方式中，所述参数设定模型训练模块42，包括：

采用ResNet卷积神经网络算法对所述人体皮表图像和所述对应的激光美容设备的设定参数进行学习训练；

根据每次训练参数的评价值对所述训练参数进行调整，当满足ResNet 的评价标准时得到参数设定模型，保存所述参数设定模型到所述激光美容设备。

在一种可能的实现方式中，所述人体皮表图像包括人体皮肤亮度、人体皮肤毛发疏密的特征数据。

在一种可能的实现方式中，所述设定参数包括：所述激光美容设备的工作档位，能量密度、输出频率、工作时长。

需要说明的是，以上关于医疗内容设备领域的应用仅仅是本公开的一个示例，本公开不限于此，还可以根据用户的需求应用于激光美容仪等，不一一列举。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。