[发明专利]一种基于深层卷积网络的人体皮肤温度检测方法

权利要求书

1.一种基于深层卷积网络的人体皮肤温度检测方法，其特征在于，包括以下步骤：

步骤1、采集受试者皮肤随时间变化的视频以及温度传感器获取的皮肤温度真值，对视频进行采样和饱和度提取得到特征矩阵，对皮肤温度真值进行插值处理得到标签，处理得到训练集；

步骤2，将得到的训练集输入到改进ResNet50V2网络中对改进ResNet50V2网络进行训练，得到训练好的改进ResNet50V2网络；改进ResNet50V2网络包括卷积层一Conv1、残差模块一BlockA、残差模块二BlockB、残差模块三BlockC、残差模块四BlockD、拼接模块、全连接层FC、全局池化层一、全局池化层二、全局池化层三、全局池化层四、全局池化层五，所述卷积层一Conv1、残差模块一BlockA、残差模块二BlockB、残差模块三BlockC、残差模块四BlockD、全局池化层五、拼接模块、全连接层FC依次连接，所述卷积层一Conv1、全局池化层一、拼接模块依次连接，所述残差模块一BlockA、全局池化层二、拼接模块依次连接，所述残差模块二BlockB、全局池化层三、拼接模块依次连接，所述残差模块三BlockC、全局池化层四、拼接模块依次连接；

特征矩阵经过卷积层一Conv1的卷积操作得到卷积操作后的特征矩阵，卷积操作后的特征矩阵分别输入到残差模块一BlockA和全局池化层一中，经过残差模块一BlockA得到第一次残差处理后的特征矩阵，经过全局池化层一中得到第一次全局池化的特征矩阵；第一次残差处理后的特征矩阵分别输入到残差模块二BlockB和全局池化层二中，经过残差模块二BlockB得到第二次残差处理后的特征矩阵，经过全局池化层二中得到第二次全局池化的特征矩阵；第二次残差处理后的特征矩阵分别输入到残差模块三BlockC和全局池化层三中，经过残差模块三BlockC得到第三次残差处理后的特征矩阵，经过全局池化层三中得到第三次全局池化的特征矩阵；第三次残差处理后的特征矩阵分别输入到残差模块四BlockD和全局池化层四中，经过残差模块四BlockD得到第四次残差处理后的特征矩阵，经过全局池化层四中得到第四次全局池化的特征矩阵；第四次残差处理后的特征矩阵输入到全局池化层五中，经过全局池化层五中得到第五次全局池化的特征矩阵；第一次全局池化的特征矩阵、第二次全局池化的特征矩阵、第三次全局池化的特征矩阵、第四次全局池化的特征矩阵、第五次全局池化的特征矩阵输入到拼接模块进行拼接，得到拼接后特征矩阵；拼接后特征矩阵输入到全连接层FC，在全连接层FC的作用下输出一个预测量；

在网络训练时，将特征矩阵输入到改进ResNet50V2网络中，然后进行前向传播，输出当前皮肤温度预测值，然后与皮肤温度真实值进行对比，计算出当前迭代的损失，再进行反向传播，更新网络参数，经过反复迭代，迭代次数达到设定值，或者准确率达到设定阈值时，则终止训练；得到训练好的改进ResNet50V2网络；

步骤3，检测时，采集检测者皮肤随时间变化的视频，对视频进行采样和饱和度提取得到特征矩阵，处理得到测试集，将测试集输入到训练好的改进ResNet50V2网络中，得到预测的皮肤温度。

2.根据权利要求1所述基于深层卷积网络的人体皮肤温度检测方法，其特征在于：损失函数为均方误差函数MSE：

其中，y_i表示真值大小，表示预测值大小，N表示每个batch的大小。

3.根据权利要求2所述基于深层卷积网络的人体皮肤温度检测方法，其特征在于：所述温度传感器为接触式温度传感器。

4.根据权利要求3所述基于深层卷积网络的人体皮肤温度检测方法，其特征在于：对视频进行采样和饱和度提取得到特征矩阵的方法：对视频按照帧率进行下采样得到手部兴趣域皮肤RGB通道特征矩阵，将RGB通道的特征矩阵转换为HSV色域通道的图片，然后提取饱和度H通道作为特征矩阵。