论文总字数：32797字

摘 要

目标识别及图像分类是计算机视觉领域近年来的热门问题之一。不同于物体或场景分类，皮肤病图像没有明显的空间布局，尽管计算机视觉领域并没有完全解决皮肤疾病识别的问题，但毫无疑问，随着研究的深入与突破，在皮肤病学领域深度学习等关键技术将会发挥巨大的作用并拥有广阔前景。本文在综合研究与分析各学者已发表文献的基础上，学习皮肤病学中目标检测与识别的传统方法，详细阐述如何运用深度学习相关知识，收集、筛选并组建自己的数据集，训练出实际模型，开发出一套痤疮疾病皮损区域自动识别，痤疮等级自动分类的算法。本文将分别利用数据集图像和网络图像对模型进行测试，并分析其性能。结果表明，虽然在输入部分低质量的网络图像时皮损区域识别效果不佳，但是在输入数据集图像或者高质量的网络图像时，模型对于皮损区域的识别精确率和标志框的位置准确度都非常高，适应性较好。同时利用几个实验逐步改进模型对于痤疮疾病等级分类的准确率。最后，对于模型训练过程中的部分内容，作者提出了完善方法，以便于日后对模型进行改进并进行下一步工作。

关键词：深度学习，目标识别，图像分类，Faster R-CNN，Inception v3

Abstract

Object identification and image classification is one of the hottest problems in the field of computer vision in recent years. Different from object or scene classification, there is no obvious spatial layout of skin disease images. Although the problem of skin disease identification has not been completely solved in the field of computer vision, there is no doubt that with the deepening and breakthrough of research, key technologies such as deep learning in the field of dermatology will play a huge role and have broad prospects. On the basis of comprehensive research and analysis of the published literatures of various scholars, we studies the traditional methods of target detection and recognition in dermatology, elaborates how to use deep learning related knowledge, collect, screen and set up its own data set, train out the actual model, and develop a set of algorithms for automatic identification of acne lesions and automatic classification of acne grades. In this paper, data set images and network images are used to test the model and analyze its performance. The results show that although the recognition effect is not good when some low-quality network images are input, the recognition accuracy rate of the model and the position accuracy of the marker frame are very high and the adaptability is good when data set images or high-quality network images are input. At the same time, several experiments were used to improve the accuracy of the model in the classification of acne diseases. In the end, for the part of the training process, the author proposes a perfect way to improve the model and proceed to the next step work.

KEY WORDS: deep learning, object recognition, image classification, Faster R-CNN, Inception v3

目 录

目录

摘 要 I

Abstract i

第一章 绪论 4

1.1 引言 4

1.2 皮肤病图像识别的研究现状 5

1.3 论文的研究工作 8

1.4 论文的内容安排 9

第二章 深度学习相关理论介绍 11

2.1 引言 11

2.2 深度学习的概念 11

2.2.1 神经网络 11

2.2.2 深度学习 12

2.3 深度学习与卷积神经网络 12

2.3.1 深度学习与传统神经网络 12

2.3.2 卷积神经网络 13

2.4 深度学习的训练过程 14

2.5 深度学习框架的比较与选取 16

2.5.1 常见的深度学习框架 16

2.5.2 TensorFlow简介 17

第三章 目标皮肤疾病及其数据集准备 19

3.1 引言 19

3.2 目标皮肤疾病基本介绍 19

3.3 临床医学图像数据集 20

3.3.1 图像收集 20

3.3.2 图像处理 21

3.4 测试图片 23

3.5 本章小结 24

第四章 基于深度学习训练数据集 25

4.1 引言 25

4.2 Faster R-CNN简介 25

4.3 用Faster R-CNN训练数据集流程 25

4.3.1 软件开发环境准备 25

4.3.2 数据集处理 29

4.3.3 训练模型 32

4.3.4 进行测试 33

4.4 实验结果分析 34

4.4.1 数据集内图片测试结果分析 34

4.4.2 网络图片测试结果分析 34

4.4.3 结果比较 37

4.5 利用inception v3网络进行分级的实验结果分析 37

4.5.1 实验过程及结果 38

4.5.2 小结 40

第五章 总结与展望 41

5.1 总结 41

5.2 展望 41

致 谢 42

参考文献 43

绪论

引言

皮肤疾病的种类多样，最常见的就有上百种，它遍及所有的文化，在各个年龄段都会发生，以更高的发病率影响着在危险中的30%到70%的个体^[1]。皮肤与人体安全息息相关，除了通过外观来表达人的形象这一功能，它也是人体中最大的器官，为整个机体的健康负责。由皮肤的重要性可知，皮肤疾病的治疗不容小觑。

综合近几年各大医学组织及医院所开展的“国人皮肤现状调研”结果，相关数据图见图1-1，我们可以发现以下几点。首先，民众普遍存在皮肤问题。从图1-1（a）来看，其中绝大多数的调查者（图中橙色部分）拥有亚健康皮肤，真正拥有健康皮肤的人群（灰色部分）只占很少的一部分。其次，民众在如何应对皮肤疾病这一问题上存在分歧。图1-1（b）显示，将近一半的患者（橙色部分）在无确诊的情况下会自行选择口服或外用药，只有约三分之一的人（灰色部分）发现自己患有皮肤疾病时会选择，甚至存在不少的一部分患者会因为病情没有严重到一定程度而选择忽视，情况由此可见。

剩余内容已隐藏，请支付后下载全文，论文总字数：32797字