使用图像处理和深度学习方法对人类皮肤类型进行分类
Sirawit Saiwaeo1, Sujitra Arwatchananukul1,2, Lapatrada Mungmai3,4
1School of Information Technology, Mae Fah Luang University, Chiang Rai, Thailand.
Heliyon
|November 29, 2023
概括
这项研究开发了一种使用卷积神经网络 (CNN) 的AI模型,以准确地从图像中分类皮肤类型. EfficientNet-V2模型实现了高精度,帮助消费者选择合适的化品.
科学领域:
- 皮肤病学 皮肤病学
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 准确的皮肤类型识别对于化品产品的选择至关重要.
- 皮肤类型的变化 (油性,干燥,正常) 可以使自我评估复杂化.
- 人工智能 (AI) 和机器学习 (ML) 为客观分类提供了潜在的解决方案.
研究的目的:
- 开发和评估用于自动化皮肤类型分类的深度学习模型.
- 为了比较各种卷积神经网络 (CNN) 架构的性能.
- 优化CNN模型,以提高皮肤类型识别的准确性.
主要方法:
- 一个数据集的正常,油性和干燥的皮肤图像被策划.
- 图像预处理包括对比限度自适应组图平衡 (CLAHE) 和数据增强.
- 一些CNN架构 (MobileNet-V2,EfficientNet-V2,InceptionV2,ResNet-V1) 进行了训练和优化.这些架构包括:
- 使用超参数调整和10倍交叉验证进行了可靠的评估.
主要成果:
- EfficientNet-V2架构表现出卓越的性能,达到91.55%的准确性.
- 超参数调整进一步提高了模型的准确性,达到94.57%.
- 最终的模型在未见的数据上实现了89.70%的准确性,这表明了强大的概括性.
结论:
- 使用CNN进行人工智能驱动的皮肤类型分类是一种可行的,准确的方法.
- 开发的模型可以帮助消费者做出关于化品产品的明智决策.
- 进一步的研究可以探索更大的数据集和多样化的群体,以提高模型的稳定性.
