一种基于YOLO-IRLSK轻量级模型的皮肤病检测方法

本发明涉及计算机视觉与图像识别的，具体涉及一种基于yolo-irlsk轻量级模型的皮肤病检测方法。

背景技术：

1、皮肤作为身体的第一道生理防线，皮肤对于保护人体免受外界伤害也至关重要。虽然皮肤在维护健康方面扮演着如此重要的角色，但人们对其的重视程度相对不够，这常常会导致皮肤病的产生。皮肤病是指影响皮肤的各种疾病，包括良性和恶性病变。良性皮肤病通常是非癌性的，不会对生命构成严重威胁，而恶性皮肤病则可能导致严重并且有生命危险的后果。恶性病变是一种致命的皮肤癌，该疾病会导致皮肤表面出现色素沉着，尽管医生可以通过肉眼检查这些色素沉着区域，但恶性皮肤病的复杂性以及肿瘤的不同特征使得即使对经验丰富的医生来说，准确诊断恶性皮肤病也十分困难。因此，在临床实践中，使用皮肤镜技术来筛查病变皮肤并尽早进行干预，可以有效提高患者的生存率。然而，由于病变大小不一、不同皮肤颜色以及不规则的病变边界，从皮肤镜图像中发现恶性的难度极大增加。

2、传统的皮肤病检测方法主要基于轮廓模型、聚类和监督学习等技术，利用阈值、边缘和区域等特征进行病变检测。然而，这些方法在处理皮肤镜图像不均匀或病变边界模糊等极端情况下容易出现误检和漏检问题，导致检测精度较低。尽管基于卷积神经网络的皮肤病检测模型已经出现，但这些模型在全局建模能力方面仍然存在局限性，尤其是对于病变边界的准确检测。尽管上述方法在皮肤病的自动检测方面取得了一定进展，但要将其真正应用于临床实践，仍需进一步提高检测准确性和精确性。这主要受到以下三个原因的限制：首先，皮肤病区域的大小、颜色和形状不固定，使得病变的特征变得多样化；其次，病变区域的边界经常隐藏在复杂的背景中，增加了检测的难度；最后，毛发的存在会对病变区域造成遮挡，影响检测的准确性。

3、因此，目前的皮肤病自动检测技术仍存在一定的局限性。为了进一步提高检测准确性，需要探索新的方法和技术，包括更精细的特征提取、更强大的图像分析算法以及更准确的边界检测方法。同时，对于深度学习模型的改进和优化也是提高检测精度的重要方向。通过不断的研究和创新，我们可以期待未来黑色素瘤皮肤病自动检测技术的进一步突破。

技术实现思路

1、发明目的：针对背景技术中指出的问题，本发明提出一种基于yolo-irlsk轻量级模型的皮肤病检测方法，检测速度满足实时性要求，改进后的检测模型能够更好地应用于检测皮肤病害级别。

2、技术方案：本发明提供了一种基于yolo-irlsk轻量级模型的皮肤病检测方法，具体步骤如下：

3、步骤1：采集皮肤病数据制作图像数据集，通过标签工具进行标注，并制作成标签数据集，将图像数据集和标签数据集进行整合，制作成训练数据集；

4、步骤2：构建yolo-irlsk网络模型，所述yolo-irlsk网络模型在主干特征提取网络中首先构建mc模块并代替3x3卷积，初步特征提取时融合不同方位的图像特征；

5、步骤3：在主干特征提取网络构建双层内部融合块irlsk，其与所述mc模块输出端连接；

6、步骤4：颈部网络中采用多尺度特征融合panet，所述多尺度特征融合panet对主干特征提取网络的皮肤病特征进行两次融合；

7、步骤5：所述yolo-irlsk网络模型使用mpdiou边界损失函数替换原损失函数；

8、步骤6：对yolo-irlsk网络模型进行网络模型训练，训练出最好的模型权重，对待检测图像数据进行皮肤病检测。

9、进一步地，所述步骤1中具体步骤如下：

10、步骤1.1：通过融合不同类型皮肤病图像数据，制作成图像数据集；

11、步骤1.2：将制作成的图像数据集采用数据标注工具labelimg对皮肤病图像进行标注，标注的图像标签分为良性和恶性，用矩形框标注图像中皮肤病的位置，标注成yolo格式，得到皮肤病图像数据集；

12、步骤1.3：将图像数据集和标签数据集进行整合，制作成训练数据集；该数据集按照8:1:1的比例划分成训练集、验证集和测试集。

13、进一步地，所述步骤2中mc模块由avgpool、conv、maxpool组合而成，并采用多种不同的卷积模块同时提取不同方位的图像特征进行融合，增加感受野特征图，整个过程表示如下：

14、fmc＝conv(avgpool(concat(a7×7(x),b5×5(x),c3×3(x),maxpool(d1×1(x)))))

15、其中：a,b,c,d表示卷积，7×7、5×5、3×3、1×1表示卷积核的大小，x表示输入特征图，fmc是通过多尺度卷积而获得的。

16、进一步地，所述步骤3双层内部融合块irlsk具体结构如下：

17、步骤3.1：双层内部融合块irlsk采用倒残差结构ir、lskblock和跳跃连接组成，倒残差结构和lskblock结合并通过跳跃连接形成新的模块，首先从步骤2中mc模块输出的特征向量作为双层内部融合块irlsk的输入，在特征输入时分为三个并行分支，分别为倒残差结构ir，跳跃连接和lskblock；

18、步骤3.2：将步骤3.1中倒残差结构ir、跳跃连接和lskblock提取特征后维度进行残差相加，随后输出的特征作为下一层双层内部融合块irlsk的输入；公式表示为：

19、firlsk1＝transition(residualblock(x)+lskblock(x)+x)

20、fpre＝transition(residualblock(firlsk1)+lskblock(firlsk1)+firlsk1)

21、firlsk2＝residualblock(fpre)+lskblock(fpre)+fpre

22、其中：firlsk1代表经过的第一个irlsk模块，firlsk2代表第二个irlsk模块，表示卷积，residualblock表示倒残差函数，lskblock表示大核卷积函数。

23、进一步地，所述步骤4包括如下步骤：

24、步骤4.1：颈部panet对主干特征提取网络输出的不同分辨率的皮肤病特征进行第一次融合：先从低往高、再从高往低依次进行上采样和融合，进而融合不同模块的皮肤病特征；

25、步骤4.2：运用panet颈部块将步骤4.1返回的三个不同分辨率的皮肤病特征图与相应分辨率的主干网络得到皮肤病特征进行二次融合，再次得到三个不同分辨率的皮肤病特征图，然后在头部网络进行检测。

26、进一步地，所述步骤5中使用mpdiou边界损失函数替换原损失函数，具体定义为：

27、

28、

29、

30、

31、

32、

33、其中：表示预测边界框的坐标，表示真实标注边界框的坐标，x1,y1表示框的左上角坐标，x2,y2表示框的右下角坐标，为预测边界框与真实标注边界框之间的左上角和右下角的距离，w,h为图片的宽度和高度。

34、与现有技术相比，本发明有益效果：

35、1、本发明采用的是mc模块是由多尺度特征提取模块组成，不仅可以用于提取不同分辨率和区域特征的同时，也能融合更加丰富、更加全面的上下文信息，增强模型的表示能力和适应性，降低信息丢失和过拟合风险。

36、2、本发明采用的是双层内部融合块irlsk模块是由倒残差块(inverted residualblock)和lsk块(lsk block)结合并通过跳跃连接形成新的模块。该模块可以增强内部特征的表达能力，减少参数量和计算量，促进信息流动和梯度传播，增强感受野和上下文信息的获取能力。同时也有助于构建更高效、性能更好的深度学习模型。

37、3、本发明对以上设计模块进行优化调整，优化期间将优化器修改为auto可以自动选择适合当前模型和任务的优化器，减轻用户的负担，提高模型的训练效果，并减少调参工作量。使用mpdiou边界损失函数替换原损失函数，加快收敛速度，提高模型对皮肤病目标的定位能力。