一种用于强脉冲光干眼治疗的皮肤肤色测量装置及方法与流程

1.本发明涉及皮肤检测技术领域，具体涉及一种用于强脉冲光干眼治疗的皮肤肤色测量装置及方法。


背景技术：

2.在肤色皮肤划分中，本发明专利是在fitzpatrick模型肤色分类基础上来进行肤色划分的，fitzpatrick模型总共分为六种不同类型的肤色。ⅰ型：白皮肤不晒黑，总是容易烧伤；ⅱ型：白皮肤，轻微晒黑，总是容易烧伤；ⅲ型：浅褐色皮肤，中度烧伤；ⅳ型：中等棕色皮肤，晒黑，略微烧伤；
ⅴ
型：深褐色的皮肤，大量晒黑，很少烧伤；
ⅵ
型：皮肤黑色素沉着，从未烧伤。
3.多光谱传感技术通过纳米光学沉积干涉滤波器技术将高精度滤光器集成到标准cmos硅上，主要系统结构包括光学部分和控制显示部分。光学通路,包括成像光学元件和划分光谱的光学元件。传感器的外壳内装有一个用于接收被测辐射的入射孔径。在入射孔径后面的辐射路径中,光学装置将人射光束分裂,使其进入若干个各不相同的光谱透射范围滤光片。在滤光片后面装有辐射敏感元件，通过传感器敏感元器件进行检测信号然后传输。可以实现包括光谱数据的识别采集等。
4.轻量级卷积神经网络是参数模型量少的含有卷积神经的前馈深度网络模型，能够将大量数据的图片降维成小数据量同时保留图片特征，可以有效的提取数据浅层和深层特征。
5.在肤色识别方面，传统肤色识别主要通过颜色规则判断或者分类器训练，存在人为因素主观提取特征和深层特征难以提取问题，以及识别准确度不够高的问题，为此，我们提出一种用于强脉冲光干眼治疗的皮肤肤色测量装置及方法。


技术实现要素：

6.本发明的目的在于克服现有技术中存在的上述问题，提供一种用于强脉冲光干眼治疗的皮肤肤色测量装置及方法，本发明在轻量级网络模型基础上结合可变形神经网络去训练提取经肤色反射后的多光谱数据特征，最后通过支持向量机成对分类的方法识别肤色，模型参数量小、识别速度快、准确精度高，以解决肤色特征采集数据提取难、识别准确度不够高的问题。
7.为实现上述技术目的，达到上述技术效果，本发明是通过以下技术方案实现：
8.一种用于强脉冲光干眼治疗的皮肤肤色测量装置，包括手柄握把模块，所述手柄握把模块的顶部设置有外壳，所述外壳的前侧设置有外测组件，所述外壳的后侧设置有显示触摸屏模块，所述外壳的内部设置有与外测组件相配合的模块组件。
9.优选地，所述外壳的顶部设置有顶盖，所述顶盖与外壳之间采用卡榫结构相连接。
10.基于上述技术特征，便于进行拆除，查看外壳里面详细构建和进行维修。
11.优选地，所述外测组件包括环形led补光灯组件模块、入射孔径模块、电源指示灯
模块和运行指示灯模块，所述入射孔径模块位于环形led补光灯组件模块的内侧，所述电源指示灯模块和运行指示灯模块位于环形led补光灯组件模块的下方，且电源指示灯模块位于运行指示灯模块的左侧。
12.基于上述技术特征，电源指示灯模块和运行指示灯模块主要用来起到提示运行是否正常的作用。
13.优选地，所述形led补光灯组件模块采用白光led灯，所述白光led灯的数量为16个。
14.基于上述技术特征，环形led补光灯组件模块用来对皮肤进行补光操作。
15.优选地，所述模块组件包括电源模块、mcu控制模块、多光谱数字传感器模块和led灯板模块。
16.基于上述技术特征，led灯板模块主要起到照射的作用，用来照射人眼皮肤，给皮肤进行补光。
17.优选地，所述手柄握把模块的底部设置有5芯航空插座，所述五芯航空插座的接口分别为电源12v接口、电源gnd接口、保护接地接口、i2c scl接口和i2c sda接口。
18.基于上述技术特征，i2c scl接口和i2c sda接口用来给装置传输数据和进行数据的交换。
19.一种用于强脉冲光干眼治疗的皮肤肤色测量方法，其用于强脉冲光干眼治疗的皮肤肤色测量方法的具体步骤为：
20.步骤一，开机上电后，通过显示触摸屏模块经过mcu控制模块先控制环形led补光灯组件模块发射出光照射到被测皮肤；
21.步骤二，发射皮肤后的光通过多光谱数字传感器模块闪烁通道进行检测，然后通过多通道的传感器，进行多光谱数据的采集；
22.步骤三，多光谱数据通过采集后，保存传输数据到ram内存里面；
23.步骤四，将步骤三数据处理通过传输协议传输给mcu控制模块；
24.步骤五，数据先进行主成分分析预处理，然后将其输入到mcu控制模块内部配置的训练好的卷积神经网络识别模型进行肤色特征提取，最后使用多分类svm分类得到肤色识别结果，并在显示触摸屏模块上进行传输的数据和光谱数据识别肤色结果的显示。
25.优选地，在进行识别肤色之前，对于采集到的多光谱数据，先进行主成分分析降维处理；将采集到的光谱数据进行降维处理，具体计算步骤如下：
26.步骤1：首先进行多光谱原始数据的标准化，将标量统一到固定范围值，方便模型的收敛训练和计算，保证采集的各个光谱数据可以被等同提取；计算公式如下：
[0027][0028]
步骤2：计算光谱数据的协方差矩阵，计算公式如下：
[0029]
[0030][0031]
其中，x
i
,x
j
表示第i类和第j类对应的肤色光谱数据，a为协方差矩阵；
[0032]
步骤3：计算光谱数据协方差的参数：特征向量和特征值；计算公式如下：
[0033][0034]
a＝qλq
‑1[0035]
其中，a为协方差矩阵，q为特征向量，λ为特征值；
[0036]
步骤4：按照特征值从大到小的排序，选择主成分特征向量，构成新的矩阵；
[0037]
步骤5：进行光谱数据的映射投影，将光谱样本数据映射到特征向量上，即找到一组新的正交基{u1,u2,...,u
k
},使光谱数据在正交基构成的平面上投影后，数据间的距离和方差j
j
达到最大，即：
[0038][0039]
其中，m为光谱样本的个数，正交基为u
j
,数据点在x
i
在该基底上的投影距离为
[0040]
优选地，测量方法主要体现在卷积神经网络模型方面，对于轻量级卷积神经网络，在卷积层后面加入可变形卷积神经网络，来增强特征量的提取，在分类方面，采用多分类svm分类器成对分类的方法进行肤色结果的分类。
[0041]
优选地，成对分类的多分类svm分类器，是通过在每两个肤色光谱数据类间分别构造一个二分svm的方法来识别分类；那么对于分类第i类和第j类光谱数据，训练一个二分svm，即需要求解二次规划问题：
[0042][0043][0044][0045]
式中，φ表示输入与特征空间的非线性映射，下标t表示第i类和j类的并集样本序号，i和j分别表示第i类和第j类的参数；所以第i类和第j类之间的决策函数为：
[0046][0047]
对于多光谱新数据，采用投票机制进行分类：每个二分svm根据其决策函数对新数据x
new
有一个预测，若对x
new
的预测为i类，属于i类票数增1；否则j类票数增1，最后票数最多的类即x
new
的识别结果。
[0048]
与现有技术相比，本发明的有益效果如下：
[0049]
本发明结构设计合理，在装置方面：设计结构轻便小巧、简单便携；在识别准确率
方面：通过采用多光谱数字传感器模块获得肤色光谱特征数据结合深度学习模型最后面得到的肤色识别结果更加准确。
[0050]
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
[0051]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0052]
图1为本发明的用于强脉冲光干眼治疗的皮肤肤色测量装置整体结构框架图；
[0053]
图2为本发明的用于强脉冲光干眼治疗的皮肤肤色测量装置的触摸屏界面模块的结构示意图；
[0054]
图3为本发明的用于强脉冲光干眼治疗的皮肤肤色测量装置底部的5芯航空插座的结构示意图；
[0055]
图4为本发明的用于强脉冲光干眼治疗的皮肤肤色测量装置的内部结构示意图；
[0056]
图5为本发明的用于强脉冲光干眼治疗的皮肤肤色测量装置的测量流程图；
[0057]
图6为本发明的用于强脉冲光干眼治疗的皮肤肤色测量装置的数据识别处理流程图；
[0058]
图7为本发明的用于强脉冲光干眼治疗的皮肤肤色测量装置的主成分分析(pca)处理流程图；
[0059]
图8为本发明的用于强脉冲光干眼治疗的皮肤肤色测量装置的检测原理框架图；
[0060]
图9为本发明的用于强脉冲光干眼治疗的皮肤肤色测量装置的肤色测量算法原理图；
[0061]
图10为本发明的mobilenet v3网络加可变形卷积(dcn)结构图；
[0062]
图11为本发明的mobilenet v3内部结构bneck结合可变形卷积(dcn)结构图；
[0063]
图12为本发明的支持向量机(svm)分类器成对分类结果图；
[0064]
附图中，各标号所代表的部件列表如下：
[0065]1‑
顶盖，2
‑
环形led补光灯组件模块，3
‑
入射孔径模块，4
‑
电源指示灯模块，5
‑
运行指示灯模块，6
‑
手柄握把模块，7
‑
触摸屏界面模块，8
‑
电源12v接口，9
‑
电源gnd接口，10
‑
保护接地接口，11
‑
i2c scl接口，12
‑
i2c sda接口，13
‑
电源模块，14
‑
mcu控制模块，15
‑
多光谱数字传感器模块，16
‑
led灯板模块。
具体实施方式
[0066]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0067]
实施例1
[0068]
一种用于强脉冲光干眼治疗的皮肤肤色测量装置，包括手柄握把模块6，让使用者
更加方便的操作和使用装置，手柄握把模块6的顶部设置有外壳，外壳的顶部设置有顶盖1，顶盖1与外壳之间采用卡榫结构相连接，便于进行拆除，查看外壳里面详细构建和进行维修；
[0069]
外壳的前侧设置有外测组件，外测组件包括环形led补光灯组件模块2、入射孔径模块3、电源指示灯模块4和运行指示灯模块5，入射孔径模块3位于环形led补光灯组件模块2的内侧，电源指示灯模块4和运行指示灯模块5位于环形led补光灯组件模块2的下方，且电源指示灯模块4位于运行指示灯模块5的左侧，形led补光灯组件模块2采用白光led灯，白光led灯的数量为16个，环形led补光灯组件模块2用来对皮肤进行补光操作，入射孔径模块3主要用来接收被测辐射，检测经人眼皮肤反射后的光，电源指示灯模块4和运行指示灯模块5主要用来起到提示运行是否正常的作用(参看说明书附图中图1)；
[0070]
外壳的内部设置有与外测组件相配合的模块组件，外壳的后侧设置有显示触摸屏模块7，模块组件包括电源模块13、mcu控制模块14、多光谱数字传感器模块15和led灯板模块16，电源模块13用来给led灯板模块16、多光谱数字传感器模块15和mcu控制模块14供电，保证装置用电的稳定性，多光谱数字传感器模块15，通过多光谱数字传感器采集经皮肤反射后的光，光进入光谱传感器后，分束后进入不同的传感器，得到不同波段的光谱数据，进而实现采集经皮肤反射回来后的多光谱数据，达到肤色数据采集的目的，使得所提取到的肤色特征量更加多样和有效，mcu控制模块14内部配置有训练好的卷积神经网络识别模型，主要将采集到的多光谱数据进行识别检测，最后在显示触摸屏模块7上得到显示结果，进而通过显示触摸屏模块7进行整体的肤色检测控制，led灯板模块16主要起到照射的作用，用来照射人眼皮肤，给皮肤进行补光，显示触摸屏模块7的屏尺寸大小为5.5英寸，让使用者通过触摸按键的方式在显示触摸屏模块7上操作完成补光灯的控制、多光谱数据的采集和肤色的识别过程，并通过显示触摸屏去控制肤色检测，最后将识别检测出来的肤色种类结果显示在触摸显示屏上(参看说明书附图中图2和图4)；
[0071]
手柄握把模块6的底部设置有5芯航空插座，五芯航空插座的接口分别为电源12v接口8、电源gnd接口9、保护接地接口10、i2c scl接口11和i2c sda接口12，电源12v接口8和电源gnd接口9用来给装置进行连接供电，i2c scl接口11和i2c sda接口12用来给装置传输数据和进行数据的交换(参看说明书附图中图3)。
[0072]
一种用于强脉冲光干眼治疗的皮肤肤色测量方法，(如图5测量流程所示)其用于强脉冲光干眼治疗的皮肤肤色测量方法的具体步骤为：
[0073]
步骤一，开机上电后，通过显示触摸屏模块7经过mcu控制模块14先控制环形led补光灯组件模块2发射出光照射到被测皮肤；
[0074]
步骤二，发射皮肤后的光通过多光谱数字传感器模块15闪烁通道进行检测，然后通过多通道的传感器，进行多光谱数据的采集；
[0075]
步骤三，多光谱数据通过采集后，保存传输数据到ram内存里面；
[0076]
步骤四，将步骤三数据处理通过传输协议传输给mcu控制模块14；
[0077]
步骤五，如图6数据识别处理流程所示，数据先进行主成分分析(pca)预处理，然后将其输入到mcu控制模块14内部配置的训练好的卷积神经网络识别模型进行肤色特征提取，最后使用多分类支持向量机(svm)分类得到肤色识别结果，并在显示触摸屏模块7上进行传输的数据和光谱数据识别肤色结果的显示。
[0078]
具体地，在进行识别肤色之前，对于采集到的多光谱数据，先进行主成分分析(pca)降维处理；将采集到的光谱数据进行降维处理，(流程图如图7所示)具体计算步骤如下：
[0079]
步骤1：首先进行多光谱原始数据的标准化，将标量统一到固定范围值，方便模型的收敛训练和计算，保证采集的各个光谱数据可以被等同提取；计算公式如下：
[0080][0081]
步骤2：计算光谱数据的协方差矩阵，计算公式如下：
[0082][0083][0084]
其中，x
i
,x
j
表示第i类和第j类对应的肤色光谱数据，a为协方差矩阵；
[0085]
步骤3：计算光谱数据协方差的参数：特征向量和特征值；计算公式如下：
[0086][0087]
a＝qλq
‑1[0088]
其中，a为协方差矩阵，q为特征向量，λ为特征值；
[0089]
步骤4：按照特征值从大到小的排序，选择主成分特征向量，构成新的矩阵；
[0090]
步骤5：进行光谱数据的映射投影，将光谱样本数据映射到特征向量上，即找到一组新的正交基{u1,u2,...,u
k
},使光谱数据在正交基构成的平面上投影后，数据间的距离和方差j
j
达到最大，即：
[0091][0092]
其中，m为光谱样本的个数，正交基为u
j
,数据点在x
i
在该基底上的投影距离为
[0093]
上述技术方案当中，测量方法主要体现在卷积神经网络模型方面，对于轻量级卷积神经网络，在卷积层后面加入可变形卷积神经网络，来增强特征量的提取，在分类方面，采用多分类svm分类器成对分类的方法进行肤色结果的分类。
[0094]
上述技术方案当中，成对分类的多分类svm分类器，是通过在每两个肤色光谱数据类间分别构造一个二分svm的方法来识别分类；那么对于分类第i类和第j类光谱数据，训练一个二分svm，即需要求解二次规划问题：
[0095][0096]
[0097][0098]
式中，φ表示输入与特征空间的非线性映射，下标t表示第i类和j类的并集样本序号，i和j分别表示第i类和第j类的参数；所以第i类和第j类之间的决策函数为：
[0099][0100]
对于多光谱新数据，采用投票机制进行分类：每个二分svm根据其决策函数对新数据x
new
有一个预测(投票)，若对x
new
的预测为i类，属于i类票数增1；否则j类票数增1，最后票数最多的类即x
new
的识别结果。
[0101]
实施例2
[0102]
基于实施例1，本发明提供另一种技术方案：一种用于强脉冲光干眼治疗的皮肤肤色测量装置及方法，采用as7341多光谱数字传感器模块进行采集，作为一种优选实施例，如图8肤色测量装置检测原理框架图所示，数据采集模块包括mcu控制模块、led灯板模块、多光谱滤传感器模块。其中，mcu控制模块首先控制lde灯板发光，照射人眼肤色表面，然后肤色发射回来的光被多光谱数字传感器探测接收，通过不同波段的传感器，形成不同波段的光谱数据，其中包括10个数据采集通道：f1(405
‑
425nm)、f2(435
‑
455nm)、f3(470
‑
490nm)、f4(505
‑
525nm)、f5(545
‑
565nm)、f6(580
‑
600nm)、f7(620
‑
640nm)、f8(670
‑
690nm)、nir(850
‑
1050nm)和不加滤光片通道。
[0103]
本实施例的用于强脉冲光干眼治疗的皮肤肤色测量装置在对皮肤进行图像采集时，通过多光谱数字传感器模块as7341采集10个通道的光谱数据，对皮肤进行数据采样，通过数据储存对采样皮肤的数据进行保存和传输。其中采集数据的多光谱数字传感器模块不仅限于此，还包括其它多通道光谱数字传感器。
[0104]
实施例3
[0105]
基于实施例1，本发明提供另一种技术方案：一种用于强脉冲光干眼治疗的皮肤肤色测量装置及方法，为了便于对人干眼皮肤肤色进行识别，本发明人员训练了一个识别检测肤色的卷积神经网络模型。在已有的轻量mobilenet v3的基础上，结合可变形卷积结构和成对分类的svm分类器去训练模型。皮肤划分采用fitzpatrick模型皮肤分类，总共分为ι型
‑ⅵ
型，本实施例主要采集了黄种肤色，也就是fitzpatrick对应的ⅳ型
‑ⅴ
型肤色，根据其特征将黄种人肤色分为6类，利用皮肤肤色测量装置采集了数千例皮肤光谱数据，然后对数据进行预处理，带入模型进行训练，提取肤色的浅层特征和深层特征，逐步优化模型参数，最后取得较高的肤色识别准确率。
[0106]
对于肤色等级划分选择，本实施例选择的黄种人皮肤划分为6类仅限于实施例，还可以划分其它肤色类别。
[0107]
对于检测到的肤色数据如图9处理流程所示，对于采集到的多光谱数据，先进行主成分分析(pca)降维处理；将采集到的光谱数据进行降维处理，具体计算步骤如下：
[0108]
步骤1：首先进行多光谱原始数据的标准化，将标量统一到固定范围值，方便模型的收敛训练和计算，保证采集的各个光谱数据可以被等同提取；计算公式如下：
[0109]
[0110]
针对每一个光谱数据，原始值value先减去数据的平均值然后除以标准差σ，得到标准化处理后的数据。
[0111]
步骤2：计算光谱数据的协方差矩阵，计算公式如下：
[0112][0113][0114]
其中，x
i
,x
j
表示第i类和第j类对应的肤色光谱数据，a为协方差矩阵。
[0115]
步骤3：计算数据协方差的参数：特征向量和特征值。计算公式如下：
[0116][0117]
a＝qλq
‑1[0118]
其中，a为协方差矩阵，q为特征向量，λ为特征值。
[0119]
步骤4：按照特征值从大到小的排序，选择主成分特征向量，构成新的矩阵。
[0120]
步骤5：进行数据的映射投影，将样本数据映射到特征向量上，即找到一组新的正交基{u1,u2,...,u
k
},使光谱数据在正交基构成的平面上投影后，数据间的距离和方差j
j
达到最大，即：
[0121][0122]
其中，m为光谱样本的个数，正交基为u
j
,数据点在x
i
在该基底上的投影距离为
[0123]
在主成分分析预处理完之后，将数据带入到训练好的轻量级卷积神经网络模型上进行预测，最后得到输出肤色识别结果。
[0124]
在肤色模型中，采用在mobilenet v3的基础上加可变形卷积(dcn)组合的模型来训练预测肤色结果，最后使用成对分类的支持向量机(svm)分类器进行分类，mobilenet v3结构采用large参数结构，由卷积层、倒置残差块、平均池化层、全连接层、压平层、分类器等部分构成，具体如图10所示。
[0125]
在轻量级mobilenet v3识别模型中，如图11所示，在已有的mobilenet v3基础上，结合可变形卷积网络结构，在第一层的卷积层后面加入可变形卷积网络构架，在倒置残差快中加入可变形卷积神经网络。
[0126]
在肤色模型最后分类采用成对分类的svm分类器方法进行肤色的识别。具体算法过程如下：
[0127]
成对分类的svm分类器，是通过在每两个肤色光谱数据类间分别构造一个二分svm的方法来识别分类。那么对于分类第i类和第j类光谱数据，训练一个二分svm，即需要求解二次规划问题：
[0128][0129][0130][0131]
式中，φ表示输入与特征空间的非线性映射，下标t表示第i类和j类的并集样本序号，i和j分别表示第i类和第j类的参数。所以第i类和第j类之间的决策函数为：
[0132][0133]
对于多光谱新数据，采用投票机制进行分类：每个二分svm根据其决策函数对新数据x
new
有一个预测(投票)，若对x
new
的预测为i类，属于i类票数增1；否则j类票数增1，最后票数最多的类即x
new
的识别结果，分类结果如图12所示。
[0134]
以上呈现的所有描述为本发明的基本原理、主要特征和优点。本发明专利并不受上述实施例的固定和限制，上述说明书中实施例所描述的内容仅为本发明的优选例，可以更加清晰的阐述呈现本发明的具体内容，并不用来限制本发明。在不脱离本发明原理内容和范围的前提下，本发明之后可能会有一些相应的变化和改进，这些都需要包含在本发明范围内进行保护。在此本发明申请要求保护范围由所附的权利要求书及其等效物界定。