一种指甲健康智能检测方法、系统、设备及介质

本文件涉及图像处理和健康检测，尤其涉及一种指甲健康智能检测方法、系统、设备及介质。

背景技术：

1、指甲作为人体皮肤附属器的一部分，其颜色、形态、纹理等外观特征能够在一定程度上反映人体的营养状况及某些疾病的早期征兆。例如，甲癣（俗称灰指甲）表现为指甲增厚、变色、浑浊；纵向黑甲症表现为指甲表面出现纵向黑色条纹；银屑病甲凹陷表现为指甲表面出现点状凹陷；杵状指则表现为指尖膨大、指甲曲度增加。这些指甲异常变化若能在早期被发现并及时干预，对于相关疾病的预防和治疗具有重要意义。

2、然而，传统指甲健康检测主要依赖医院皮肤科医生的肉眼观察或借助皮肤镜等专业设备进行判断。这种方式不仅需要患者前往医疗机构，耗时较长，而且检测结果高度依赖医生的临床经验和主观判断，难以实现标准化和大规模筛查。随着移动终端和嵌入式设备的快速发展，已有一些基于图像处理的指甲健康检测方案被提出，但这些方案普遍存在以下问题：

3、第一，现有方案多采用传统图像处理算法进行指甲区域分割，对光照条件、背景复杂度和拍摄角度较为敏感，在自然拍摄条件下容易出现指甲区域定位不准确的问题，导致后续分类识别精度下降。

4、第二，现有指甲健康分类模型多部署于云端服务器，用户需要将拍摄的指甲图像上传至云端进行处理，这不仅存在用户隐私数据泄露的风险，而且依赖网络连接，在基层社区、家庭等场景中难以实现即时检测。

5、第三，现有方案在指甲区域检测和健康分类两个环节之间缺乏有效的置信度校验机制，当输入图像模糊或指甲区域定位不准确时，仍会输出不可靠的分类结果，容易造成误判。

6、第四，现有轻量化检测方案往往在模型精度和推理速度之间难以取得良好平衡，要么模型体积过大无法部署于资源受限的嵌入式设备，要么推理速度过慢无法满足实时检测需求。

7、因此，如何在嵌入式端侧设备上实现指甲区域的精准定位和指甲健康状态的准确分类，同时保障用户隐私数据安全、降低误判率并满足实时检测需求，成为本领域技术人员急需解决的技术问题。

技术实现思路

1、本说明书一个或多个实施例提供了一种指甲健康智能检测方法，包括：

2、s1.获取待检测手指或脚趾的rgb图像，并对所述rgb图像进行预处理；

3、s2.将预处理后的图像输入至目标检测网络，检测并定位图像中的指甲区域，输出至少一个定位指甲区域的指甲检测框及其对应的检测置信度；

4、s3.基于所述指甲检测框从预处理后的图像中裁剪出指甲区域图像，并对所述指甲区域图像进行标准化处理，得到标准化指甲图像；

5、s4.将所述标准化指甲图像输入至分类网络，识别指甲健康状态，输出健康状态的分类结果及对应的分类置信度；

6、s5.根据所述目标检测网络输出的检测置信度与所述分类网络输出的分类置信度进行双重置信度校验，若所述检测置信度与所述分类置信度均满足预设阈值条件，则输出所述分类结果，否则输出重新拍摄提示信息。

7、进一步地，所述预处理包括：

8、将所述rgb图像缩放至第一预定尺寸，采用高斯滤波去除图像噪声，以及将像素值从0~255映射至0~1区间进行归一化处理。

9、进一步地，所述目标检测网络为yolov8n网络，所述yolov8n网络包括骨干网络、颈部多尺度融合网络和检测头；

10、所述骨干网络由多层c2f模块串联堆叠，通过逐层下采样提取图像的浅层纹理、边缘特征与深层语义特征；

11、所述颈部多尺度融合网络采用panet双向多尺度融合结构，通过上采样、下采样与特征拼接操作，融合不同尺度的特征图；

12、所述检测头用于并行输出目标分类信息、边界框坐标信息及检测置信度。

13、进一步地，所述目标检测网络输出指甲检测框后，还执行后处理过滤步骤：

14、采用非极大值抑制去除重复检测框，过滤检测置信度低于第一置信度阈值的区域，以及过滤宽高比不在预定区间内的异常检测框。

15、进一步地，裁剪指甲区域图像时，以所述指甲检测框为基准向外扩展预定比例，以避免指甲边缘特征被截断；

16、所述标准化处理包括：

17、将裁剪后的指甲区域图像缩放至第二预定尺寸；

18、尺寸统一化将裁剪后的指甲区域图像采用双线性插值并保持原始宽高比缩放至224×224 像素，空白区域用黑色填充；

19、按imagenet通用标准对rgb三通道进行像素归一化。

20、进一步地，所述分类网络为efficientnet-b0网络，包括基础卷积层、多组mbconv特征提取模块、特征融合层和自定义分类头；

21、所述自定义分类头包括全局平均池化层、dropout层和n类别全连接层，经softmax函数输出指甲健康状态的多分类概率，取概率最大值作为分类结果，所述概率最大值对应分类置信度；

22、所述dropout层的丢弃率设为0.5。

23、进一步地，所述efficientnet-b0网络采用迁移学习训练，训练批次大小设置为16，采用 adam 优化器，损失函数选用多分类交叉熵损失，具体包括：

24、以 imagenet 预训练权重初始化网络全部参数，输入数据集为标注完成的多类指甲图像；

25、第一阶段冻结前n层网络参数，仅训练尾部特征层与自定义分类头，设置初始学习率 0.001，总迭代训练轮数 50 轮，采用余弦退火策略动态衰减学习率；

26、第二阶段解冻全部网络参数进行全局微调，设置初始学习率 0.0001，总迭代训练轮数 30 轮，同步采用余弦退火衰减学习率，降低基础特征权重更新幅度，避免破坏通用图像特征。

27、本说明书一个或多个实施例提供了一种指甲健康智能检测系统，包括：

28、图像处理模块：用于获取待检测手指或脚趾的rgb图像，并对所述rgb图像进行预处理；

29、目标检测模块：用于将预处理后的图像输入至目标检测网络，检测并定位图像中的指甲区域，输出至少一个定位指甲区域的指甲检测框及其对应的检测置信度；

30、图像裁剪模块：用于基于所述指甲检测框从预处理后的图像中裁剪出指甲区域图像，并对所述指甲区域图像进行标准化处理，得到标准化指甲图像；

31、图像分类模块：用于将所述标准化指甲图像输入至分类网络，识别指甲健康状态，输出健康状态的分类结果及对应的分类置信度；

32、分类校验模块：用于根据所述目标检测网络输出的检测置信度与所述分类网络输出的分类置信度进行双重置信度校验，若所述检测置信度与所述分类置信度均满足预设阈值条件，则输出所述分类结果，否则输出重新拍摄提示信息。

33、本说明书一个或多个实施例提供了一种电子设备，包括：

34、处理器；以及，

35、被安排成存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器实现上述指甲健康智能检测方法的步骤。

36、本说明书一个或多个实施例提供了一种存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被执行时实现上述指甲健康智能检测方法的步骤。

37、采用本发明实施例，通过yolov8n网络与efficientnet-b0网络的级联配合，实现了指甲区域的自动精准定位与健康状态的智能多分类，用户无需手动框选，使用门槛低，适合非专业人士操作；通过以检测框为基准向外扩展裁剪并结合双线性插值保持宽高比的标准化处理，有效保留了指甲边缘、甲床、甲沟等关键分类特征，提升了分类精度；设置检测置信度与分类置信度两级过滤机制，只有当两者均满足预设阈值时才输出结果，否则提示重新拍摄，大幅降低了误检率和误判率，使检测结果更加可靠；基于低成本嵌入式硬件搭建，体积小、功耗低、便于携带，适合家庭自检与基层医疗卫生机构普及使用，具有良好的社会推广价值。

38、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。