一种皮肤状态图像的类别识别和特征确定方法及系统与流程

技术特征：
1.一种皮肤状态图像的类别识别和特征确定方法，其特征在于，所述方法，包括：获取待识别皮肤状态图；将所述待识别皮肤状态图输入到类别识别模型中，识别待识别皮肤状态图的类别；所述类别识别模型是根据历史皮肤状态图，对卷积神经网络进行训练后得到的；在待识别皮肤状态图的类别为非健康状态时，根据所述待识别皮肤状态图上每个像素点的像素值，利用shapley值法确定识别结果依据的特征。2.根据权利要求1所述的皮肤状态图像的类别识别和特征确定方法，其特征在于，在所述获取待识别皮肤状态图之前，还包括：获取多张历史皮肤状态图；对多张所述历史皮肤状态图的种类进行标注，得到多张历史皮肤状态标注图作为训练集；以所述训练集为输入，以所述训练集中多张图片的种类为输出，对卷积神经网络进行训练，得到类别识别模型。3.根据权利要求2所述的皮肤状态图像的类别识别和特征确定方法，其特征在于，所述以所述训练集为输入，以所述训练集中多张图片的种类为输出，对卷积神经网络进行训练，得到类别识别模型，具体包括：构建卷积神经网络为第0阶类别识别模型；令迭代次数m等于1；将所述训练集为输入到第m-1阶类别识别模型中，得到第m阶类别识别模型和多张历史皮肤状态伪标注图；根据所述训练集和多张所述历史皮肤状态伪标注图，利用公式根据所述训练集和多张所述历史皮肤状态伪标注图，利用公式确定第m次迭代的损失函数；判断第m次迭代的损失函数是否小于损失函数阈值，得到判断结果；若所述判断结果为否，则根据多张所述历史皮肤状态伪标注图更新所述训练集，令迭代次数m的数值增加1，并返回步骤“将所述训练集为输入到第m-1阶类别识别模型中，得到第m阶类别识别模型和多张历史皮肤状态伪标注图”；若所述判断结果为是，则确定第m阶类别识别模型为类别识别模型；式中，loss为损失函数；n为样本数量；x为第m次迭代时训练集中的图片；y为训练中集图片的标注结果；a为第m-1阶类别识别模型的识别结果。4.根据权利要求2所述的皮肤状态图像的类别识别和特征确定方法，其特征在于，所述根据多张所述历史皮肤状态伪标注图更新所述训练集，具体包括：确定预测精度大于预测精度阈值的多张历史皮肤状态伪标注图为备用集；确定所述训练集中每种皮肤状态种类对应的图片的数量；按照对应的图片的数量对多种皮肤状态种类进行升序排列；确定前第一预设个数个皮肤状态种类为待更新皮肤状态种类；在所述备用集中选取每种待更新皮肤状态种类对应的多张历史皮肤状态伪标注图添加到所述训练集中。5.根据权利要求2所述的皮肤状态图像的类别识别和特征确定方法，其特征在于，所述
在待识别皮肤状态图的类别为非健康状态时，根据所述待识别皮肤状态图上每个像素点的像素值，利用shapley值法确定识别结果依据的特征，具体包括：构建加权线性回归模型和优化函数；根据所述待识别皮肤状态图上每个像素点的像素值，利用所述优化函数对所述加权线性回归模型进行优化，确定所述优化函数最小时对应的估计系数组为所述待识别皮肤状态图上每个像素点的shapley值；确定shapley值不等于0的像素点的像素值为识别结果依据的特征；其中，所述加权线性回归模型为：所述优化函数为其中，g(.)为加权线性回归模型，即解释模型；z'为示性函数；z'∈{0,1}
m
；m为最大联盟的规模；φ0为shapley值的平均数；φ
j
为第j个像素点的shapley值；z'
j
为第j个像素点的示性函数值，z'
j
为1表示第j个像素点的像素值大于0，z'
j
为0表示第j个像素点的像素值等于0；l(.)为优化函数，优化函数的估计系数组为g(.)中j取1到m时对应的多个φ
j
的取值；f(.)表示被解释模型的预测值，h(.)表示映射函数，即将示性函数z'映射到要解释的像素点x的像素值；π
x
(.)为核函数，6.一种皮肤状态图像的类别识别和特征确定系统，其特征在于，所述系统，包括：待识别皮肤状态图获取模块，用于获取待识别皮肤状态图；图像类别识别模块，用于将所述待识别皮肤状态图输入到类别识别模型中，识别待识别皮肤状态图的类别；所述类别识别模型是根据历史皮肤状态图，对卷积神经网络进行训练后得到的；特征确定模块，用于在待识别皮肤状态图的类别为非健康状态时，根据所述待识别皮肤状态图上每个像素点的像素值，利用shapley值法确定识别结果依据的特征。7.根据权利要求6所述的皮肤状态图像的类别识别和特征确定系统，其特征在于，所述系统，还包括：历史皮肤状态图获取模块，用于获取多张历史皮肤状态图；标注模块，用于对多张所述历史皮肤状态图的种类进行标注，得到多张历史皮肤状态标注图作为训练集；类别识别模型构建模块，用于以所述训练集为输入，以所述训练集中多张图片的种类为输出，对卷积神经网络进行训练，得到类别识别模型。8.根据权利要求7所述的皮肤状态图像的类别识别和特征确定系统，其特征在于，所述类别识别模型构建模块，具体包括：第0阶类别识别模型构建单元，用于构建卷积神经网络为第0阶类别识别模型；迭代次数赋值单元，用于令迭代次数m等于1；
训练单元，用于将所述训练集为输入到第m-1阶类别识别模型中，得到第m阶类别识别模型和多张历史皮肤状态伪标注图；损失函数计算单元，用于根据所述训练集和多张所述历史皮肤状态伪标注图，利用公式确定第m次迭代的损失函数；判断单元，用于判断第m次迭代的损失函数是否小于损失函数阈值，得到判断结果；若所述判断结果为否，则调用训练集更新单元；若所述判断结果为是，则调用类别识别模型确定单元；训练集更新单元，用于根据多张所述历史皮肤状态伪标注图更新所述训练集，令迭代次数m的数值增加1，并调用所述训练单元；类别识别模型确定单元，用于确定第m阶类别识别模型为类别识别模型；式中，loss为损失函数；n为样本数量；x为第m次迭代时训练集中的图片；y为训练中集图片的标注结果；a为第m-1阶类别识别模型的识别结果。9.根据权利要求7所述的皮肤状态图像的类别识别和特征确定系统，其特征在于，所述训练集更新单元，具体包括：备用集确定子单元，用于确定预测精度大于预测精度阈值的多张历史皮肤状态伪标注图为备用集；数量确定子单元，用于确定所述训练集中每种皮肤状态种类对应的图片的数量；排序子单元，用于按照对应的图片的数量对多种皮肤状态种类进行升序排列；待更新皮肤状态种类确定子单元，用于确定前第一预设个数个皮肤状态种类为待更新皮肤状态种类；训练集更新子单元，用于在所述备用集中选取每种待更新皮肤状态种类对应的多张历史皮肤状态伪标注图添加到所述训练集中。10.根据权利要求7所述的皮肤状态图像的类别识别和特征确定系统，其特征在于，所述特征确定模块，具体包括模型构建单元，用于构建加权线性回归模型和优化函数；shapley值确定单元，用于根据所述待识别皮肤状态图上每个像素点的像素值，利用所述优化函数对所述加权线性回归模型进行优化，确定所述优化函数最小时对应的估计系数组为所述待识别皮肤状态图上每个像素点的shapley值；识别结果依据特征确定单元，用于确定shapley值不等于0的像素点的像素值为识别结果依据的特征；其中，所述加权线性回归模型为：所述优化函数为其中，g(.)为加权线性回归模型，即解释模型；z'为示性函数；z'∈{0,1}
m
；m为最大联盟的规模；φ0为shapley值的平均数；φ
j
为第j个像素点的shapley值；z'
j
为第j个像素点的示性函数值，z'
j
为1表示第j个像素点的像素值大于0，z'
j
为0表示第j个像素点的像素值等于
0；l(.)为优化函数，优化函数的估计系数组为g(.)中j取1到m时对应的多个φ
j
的取值；f(.)表示被解释模型的预测值，h(.)表示映射函数，即将示性函数z'映射到要解释的像素点x的像素值；π
x
(.)为核函数，

技术总结
本发明公开了一种皮肤状态图像的类别识别和特征确定方法及系统，涉及图像分析领域，包括：获取待识别皮肤状态图；将待识别皮肤状态图输入到类别识别模型中，识别待识别皮肤状态图的类别；类别识别模型是根据历史皮肤状态图，对卷积神经网络进行训练后得到的；在待识别皮肤状态图的类别为非健康状态时，利用Shapley值法确定识别结果依据的特征。本发明能够确定识别结果依据的特征，提高了皮肤状态图像类别的识别精度和可解释性。图像类别的识别精度和可解释性。图像类别的识别精度和可解释性。


技术研发人员：许艳 马园庭 翁福添
受保护的技术使用者：许艳
技术研发日：2022.02.14
技术公布日：2022/5/17