异常监测模型创建及异常监测方法、装置、电子设备与流程

1.本技术涉及异常监测领域，具体而言，涉及一种异常监测模型创建及异常监测方法、装置、电子设备。


背景技术：

2.随着自动化的快速发展，全自动机器人已逐渐在各个领域发挥着重要的作用，甚至有些医疗手术等也逐渐由全自动机器人代替人工操作。例如，植发机器人，在植发机器人执行手术之初，需要相关医疗人员，根据患者状态，拟定取发与植发的手术方案，通过一定的参数设置，植发机器人即可全自动的完成整个手术过程。但是，在手术执行期间，可能会发生一些异常情况，这些异常情况需要机器能够实时的监测，若发生异常情况需要给予实时的报警和急停响应，以保障患者的身体安全。随着神经网络技术的快速发展，通过异常监测模型对手术执行期间的情况进行监测变得越来越普遍，因而异常监测模型的创建也逐渐变得很重要。目前通常是通过磁化率分布图训练异常监测模型，但是由于磁化率分布图的数据处理量大，且数据传输慢，因而训练效率较低。


技术实现要素：

3.有鉴于此，本技术实施例的目的在于提供一种异常监测模型创建及异常监测方法、装置、电子设备，能够提高异常监测模型的训练效率。
4.第一方面，本技术实施例提供了一种异常监测模型创建方法，包括：获取待监测区域的头皮图像，所述待监测区域为植发手术操作区域；通过残差结构建立浅层神经网络，所述残差结构用于调整所述浅层神经网络的维度；通过所述头皮图像训练所述浅层神经网络以确定出异常监测模型。
5.在上述实现过程中，由于残差结构可以调整浅层神经网络的维度，可以在匹配特征是升高维度，在映射是降低维度，以提高浅层神经网络匹配的准确定的同时，更加有效、直观的进行数据的训练和特征提取。另外，由于残差结构由多个小的卷积层组成的卷积神经网络，能够减少计算量，且浅层神经网络的模型较为简单，训练耗时较少，因而能提高模型训练的效率。
6.在一个实施例中，所述通过所述头皮图像训练所述浅层神经网络以确定出异常监测模型，包括：分别将所述头皮图像和所述头皮图像的类别标签输入到所述浅层神经网络，以通过损失函数对所述浅层神经网络进行迭代优化；若达到迭代终止条件，停止对所述浅层神经网络进行迭代优化，并确定当前浅层神经网络为异常监测模型。
7.在上述实现过程中，通过损失函数对该浅层神经网络进行迭代优化，能够通过逐渐迭代模型预测值与真实值的差值，保证浅层神经网络的准确性。另外，在达到迭代终止条件时，停止对浅层神经网络进行迭代优化，能够在保证迭代后的浅层神经网络的准确性的同时，实现了该浅层神经网络的自动化训练。
8.在一个实施例中，所述通过残差结构建立浅层神经网络，包括：对所述头皮图像进
行卷积运算，并根据卷积运算结果确定激活层的残差网络；基于所述残差网络确定卷积层，并根据所述卷积层建立残差结构；通过所述残差结构建立所述浅层神经网络。
9.在上述实现过程中，通过残差结构建立浅层神经网络，由于残差结构是多个卷积层组成，而卷积层的计算量较少，可以减少该浅层神经网络的计算量，进而提高该异常监测模型的训练效率。
10.在一个实施例中，所述浅层神经网络包括第一层、第二层、第三层以及第四层；所述第一层包括三个残差结构；所述第二层包括四个残差结构；所述第三层包括六个残差结构；所述第四层包括三个瓶颈层残差结构。
11.在上述实现过程中，该浅层神经网络通过设置多层，且每层包括多个残差结构，以实现通过残差结构构建浅层神经网络，打破了残差结构仅在深度神经网络中运用的瓶颈，提高了残差结构的应用场景。另外，通过残差结构构建浅层神经网络，由于残差结构计算简单，浅层神经网络结构也简单，能够极大的减少该异常监测模型对异常数据处理的时间，能够提高异常监测模型的训练效率。
12.在一个实施例中，所述对所述头皮图像进行卷积运算，并根据卷积运算结果确定激活层的残差网络的计算公式为：其中，x为输入数据，f(x)为残差部分，conv为卷积操作，bn为归一化操作，relu为激活层的激活函数，y为残差网络。
13.在一个实施例中，所述获取待监测区域的头皮图像之后，所述方法还包括：对所述头皮图像进行预处理，以得到预处理后的头皮图像；所述通过所述头皮图像训练所述浅层神经网络以确定出异常监测模型，包括：通过所述预处理后的头皮图像训练所述浅层神经网络以确定出异常监测模型。
14.在上述实现过程中，通过将获取到的头皮图像进行预处理，以根据硬件的实际情况对头皮图像进行放大或缩小处理，使得该头皮图像能够保持统一尺寸，方便了对头皮图像的特征提取。另外，针对较大的头皮图像，可以通过缩小处理后再进行异常检测模型的训练，能够减少通过头皮图像进行模型训练的时间，进而提高模型训练效率。
15.在一个实施例中，所述获取待监测区域的头皮图像之后，所述方法还包括：对所述头皮图像进行预分类；所述通过所述头皮图像训练所述浅层神经网络以确定出异常监测模型，包括：通过所述预分类后的头皮图像训练所述浅层神经网络以确定出异常监测模型。
16.在上述实现过程中，通过先对头皮图像进行预分类处理，并基于该预分类后的头皮图像进行模型训练，以实现对头皮图像的细分类。由于该头皮图像在进行模型训练之前已经进行了粗分类，因而在进行模型训练时，训练难度有所降低，极大的减少了模型的复杂度，提高了实时响应的频率。
17.在一个实施例中，所述浅层神经网络为满足实时响应的分类神经网络。
18.在上述实现过程中，通过选择可以满足实时响应的分类神经网络作为该浅层神经网络，不仅可以实现对头皮图像的分类，还可以提高分类的准确定性和实时性。
19.第二方面，本技术实施例还提供一种异常监测方法，包括：获取待监测区域的头皮图像，所述待监测区域为植发手术操作区域；将所述头皮图像输入到异常监测模型，以确定所述头皮图像中是否存在异常；其中，所述异常监测模型通过上述第一方面，或第一方面的
任一种可能的实施方式中的方法创建。
20.在上述实现过程中，该异常监测模型是通过残差结构和浅层神经网络构建的，该异常监测模型的结构和计算都比较简单，因而能提高异常监测的效率。
21.第三方面，本技术实施例还提供一种异常监测模型创建装置，包括：第一获取模块，用于获取待监测区域的头皮图像，所述待监测区域为植发手术操作区域；建立模块，用于通过残差结构建立浅层神经网络，所述残差结构用于调整所述浅层神经网络的维度；训练模块，用于通过所述头皮图像训练所述浅层神经网络以确定出异常监测模型。
22.在上述实现过程中，由于残差结构可以调整浅层神经网络的维度，可以在匹配特征是升高维度，在映射是降低维度，以提高浅层神经网络匹配的准确定的同时，更加有效、直观的进行数据的训练和特征提取。另外，由于残差结构由多个小的卷积层组成的卷积神经网络，能够减少计算量，且浅层神经网络的模型较为简单，训练耗时较少，因而能提高模型训练的效率。
23.在一个实施例中，所述训练模块，还用于分别将所述头皮图像和所述头皮图像的类别标签输入到所述浅层神经网络，以通过损失函数对所述浅层神经网络进行迭代优化；以及若达到迭代终止条件，停止对所述浅层神经网络进行迭代优化，并确定当前浅层神经网络为异常监测模型。
24.在上述实现过程中，通过损失函数对该浅层神经网络进行迭代优化，能够通过逐渐迭代模型预测值与真实值的差值，保证浅层神经网络的准确性。另外，在达到迭代终止条件时，停止对浅层神经网络进行迭代优化，能够在保证迭代后的浅层神经网络的准确性的同时，实现了该浅层神经网络的自动化训练。
25.在一个实施例中，所述建立模块，还用于对所述头皮图像进行卷积运算，并根据卷积运算结果确定激活层的残差网络；以及基于所述残差网络确定卷积层，并根据所述卷积层建立残差结构；通过所述残差结构建立所述浅层神经网络。
26.在上述实现过程中，通过残差结构建立浅层神经网络，由于残差结构是多个卷积层组成，而卷积层的计算量较少，可以减少该浅层神经网络的计算量，进而提高该异常监测模型的训练效率。
27.在一个实施例中，所述装置还包括：预处理模块，用于对所述头皮图像进行预处理，以得到预处理后的头皮图像；所述训练模块，还用于通过所述预处理后的头皮图像训练所述浅层神经网络以确定出异常监测模型。
28.在上述实现过程中，通过将获取到的头皮图像进行预处理，以根据硬件的实际情况对头皮图像进行放大或缩小处理，使得该头皮图像能够保持统一尺寸，方便了对头皮图像的特征提取。另外，针对较大的头皮图像，可以通过缩小处理后再进行异常检测模型的训练，能够减少通过头皮图像进行模型训练的时间，进而提高模型训练效率。
29.在一个实施例中，所述装置还包括：预分类模块，用于对所述头皮图像进行预分类；所述训练模块，还用于通过所述预分类后的头皮图像训练所述浅层神经网络以确定出异常监测模型。
30.在上述实现过程中，通过先对头皮图像进行预分类处理，并基于该预分类后的头皮图像进行模型训练，以实现对头皮图像的细分类。由于该头皮图像在进行模型训练之前已经进行了粗分类，因而在进行模型训练时，训练难度有所降低，极大的减少了模型的复杂
度，提高了实时响应的频率。第四方面，本技术实施例还提供一种异常监测模型创建装置，包括：第二获取模块，用于获取待监测区域的头皮图像，所述待监测区域为植发手术操作区域；确定模块，用于将所述头皮图像输入到异常监测模型，以确定所述头皮图像中是否存在异常；其中，所述异常监测模型通过上述第一方面，或第一方面的任一种可能的实施方式中的方法创建。
31.在上述实现过程中，该异常监测模型是通过残差结构和浅层神经网络构建的，该异常监测模型的结构和计算都比较简单，因而能提高异常监测的效率。
32.第五方面，本技术实施例还提供一种电子设备，包括：处理器、存储器，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面的任一种可能的实施方式中，第二方面，或第二方面的任一种可能的实施方式中的方法的步骤。
33.第六方面，本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行异常监测模型创建的方法，所述方法包括：获取待监测区域的头皮图像，所述待监测区域为植发手术操作区域；通过残差结构建立浅层神经网络，所述残差结用于调整所述浅层神经网络的维度；通过所述头皮图像训练所述浅层神经网络以确定出异常监测模型。
34.在上述实现过程中，由于残差结构可以调整浅层神经网络的维度，可以在匹配特征是升高维度，在映射是降低维度，以提高浅层神经网络匹配的准确定的同时，更加有效、直观的进行数据的训练和特征提取。另外，由于残差结构由多个小的卷积层组成的卷积神经网络，能够减少计算量，且浅层神经网络的模型较为简单，训练耗时较少，因而能提高模型训练的效率。
35.在一个实施例中，所述通过所述头皮图像训练所述浅层神经网络以确定出异常监测模型，包括：分别将所述头皮图像和所述头皮图像的类别标签输入到所述浅层神经网络，以通过损失函数对所述浅层神经网络进行迭代优化；若达到迭代终止条件，停止对所述浅层神经网络进行迭代优化，并确定当前浅层神经网络为异常监测模型。
36.在上述实现过程中，通过损失函数对该浅层神经网络进行迭代优化，能够通过逐渐迭代模型预测值与真实值的差值，保证浅层神经网络的准确性。另外，在达到迭代终止条件时，停止对浅层神经网络进行迭代优化，能够在保证迭代后的浅层神经网络的准确性的同时，实现了该浅层神经网络的自动化训练。
37.在一个实施例中，所述通过残差结构建立浅层神经网络，包括：对所述头皮图像进行卷积运算，并根据卷积运算结果确定激活层的残差网络；基于所述残差网络确定卷积层，并根据所述卷积层建立残差结构；通过所述残差结构建立所述浅层神经网络。
38.在上述实现过程中，通过残差结构建立浅层神经网络，由于残差结构是多个卷积层组成，而卷积层的计算量较少，可以减少该浅层神经网络的计算量，进而提高该异常监测模型的训练效率。
39.在一个实施例中，所述浅层神经网络包括第一层、第二层、第三层以及第四层；所述第一层包括三个残差结构；所述第二层包括四个残差结构；所述第三层包括六个残差结构；所述第四层包括三个瓶颈层残差结构。
40.在上述实现过程中，该浅层神经网络通过设置多层，且每层包括多个残差结构，以
实现通过残差结构构建浅层神经网络，打破了残差结构仅在深度神经网络中运用的瓶颈，提高了残差结构的应用场景。另外，通过残差结构构建浅层神经网络，由于残差结构计算简单，浅层神经网络结构也简单，能够极大的减少该异常监测模型对异常数据处理的时间，能够提高异常监测模型的训练效率。
41.在一个实施例中，所述对所述头皮图像进行卷积运算，并根据卷积运算结果确定激活层的残差网络的计算公式为：其中，x为输入数据，f(x)为残差部分，conv为卷积操作，bn为归一化操作，relu为激活层的激活函数，y为残差网络。
42.在一个实施例中，所述获取待监测区域的头皮图像之后，所述方法还包括：对所述头皮图像进行预处理，以得到预处理后的头皮图像；所述通过所述头皮图像训练所述浅层神经网络以确定出异常监测模型，包括：通过所述预处理后的头皮图像训练所述浅层神经网络以确定出异常监测模型。
43.在上述实现过程中，通过将获取到的头皮图像进行预处理，以根据硬件的实际情况对头皮图像进行放大或缩小处理，使得该头皮图像能够保持统一尺寸，方便了对头皮图像的特征提取。另外，针对较大的头皮图像，可以通过缩小处理后再进行异常检测模型的训练，能够减少通过头皮图像进行模型训练的时间，进而提高模型训练效率。
44.在一个实施例中，所述获取待监测区域的头皮图像之后，所述方法还包括：对所述头皮图像进行预分类；所述通过所述头皮图像训练所述浅层神经网络以确定出异常监测模型，包括：通过所述预分类后的头皮图像训练所述浅层神经网络以确定出异常监测模型。
45.在上述实现过程中，通过先对头皮图像进行预分类处理，并基于该预分类后的头皮图像进行模型训练，以实现对头皮图像的细分类。由于该头皮图像在进行模型训练之前已经进行了粗分类，因而在进行模型训练时，训练难度有所降低，极大的减少了模型的复杂度，提高了实时响应的频率。
46.在一个实施例中，所述浅层神经网络为满足实时响应的分类神经网络。
47.在上述实现过程中，通过选择可以满足实时响应的分类神经网络作为该浅层神经网络，不仅可以实现对头皮图像的分类，还可以提高分类的准确定性和实时性。
48.第七方面，本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行异常监测的方法，所述方法包括：获取待监测区域的头皮图像，所述待监测区域为植发手术操作区域；将所述头皮图像输入到异常监测模型，以确定所述头皮图像中是否存在异常；其中，所述异常监测模型通过上述第一方面，或第一方面的任一种可能的实施方式中的方法创建。
49.在上述实现过程中，该异常监测模型是通过残差结构和浅层神经网络构建的，该异常监测模型的结构和计算都比较简单，因而能提高异常监测的效率。
50.在一个实施例中，所述异常包括异物和机体不良反应，所述将所述头皮图像输入到异常监测模型，以确定所述头皮图像中是否存在异常之后，所述方法还包括：若所述头皮图像中存在异常，根据类别标签确定所述头皮图像存在的异常类别；若所述异常类别为异物，生成异物移除信号，以控制目标设备将所述异物从所述待监测区域移除；若所述异常类别为机体发生不良反应，根据不良反应的类型生成相应的应急措施，以对所述不良反应进
行处理。
51.在上述实现过程中，在异常监测模型对头皮图像进行异常监测后确定该头皮图像中存在异常，则可以进一步根据该异常的异常类别生成相应的异常应急措施，以及时处理该异常情况，提高了全自动化手术作业过程中的安全性。
52.为使本技术的上述目的、特征和优点能更明显易懂，下文特举实施例，并配合所附附图，作详细说明如下。
附图说明
53.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
54.图1为本技术实施例提供的异常监测模型创建方法的流程图；
55.图2为本技术实施例提供的存在异物的头皮图像示意图；
56.图3为本技术实施例提供的存在出血的头皮图像示意图；
57.图4为本技术实施例提供的存在异物和出血的头皮图像示意图；
58.图5为本技术实施例提供的浅层神经网络的第一层结构示意图；
59.图6为本技术实施例提供的浅层神经网络的第二层的第一个瓶颈层结构示意图；
60.图7为本技术实施例提供的浅层神经网络的第二层的第二个瓶颈层结构示意图；
61.图8为本技术实施例提供的浅层神经网络的第三层的第二个瓶颈层结构示意图；
62.图9为本技术实施例提供的异常监测方法的流程图；
63.图10为本技术实施例提供的异常监测模型创建装置的功能模块示意图；
64.图11为本技术实施例提供的异常监测装置的功能模块示意图；
65.图12为本技术实施例提供的电子设备的方框示意图。
具体实施方式
66.下面将结合本技术实施例中附图，对本技术实施例中的技术方案进行描述。
67.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
68.本技术发明人经长期研究发现，在全自动植发作业过程中，通常会出现各种形式的异常情况。例如，术者为患者做术前准备时(比如注射肿胀液阶段)，可能会伴随一定的渗血显现，需要通常根据渗血状况对该渗血情况进行预警；由于手术过程(取发、植发两个阶段)为植发机器人自动执行，无需人员参与，若意外的有术者手部进入操作区域，需要对意外进入操作区域的手部迅速识别，实时的给出报警提示以供植发机器人根据该提示停止手术作业。另外，手术过程中，若伴随了一定量的出血，医生未及时停止机器，而人为的干扰作业，如持镊子夹取纱布擦拭血迹等异常操作，也需要实时的监测，并给出报警提示以供植发机器人根据该提示停止手术作业。
69.但是，目前用于医疗场景的异常情况实时监测的方法较少。目前比较常见的有：佩
戴在伤员身上的智能监测终端，该智能监测终端无线连接至智能纱布，通过该智能监测终端能够实时监测伤员的伤口出血情况以及伤员的身体状况，并根据伤员的伤口出血情况以及伤员的身体状况评估出伤员的出血量，以及根据伤员的出血情况产生不同程度的报警信息。该方案所采用的智能穿戴设备普适性不强，在医疗手术场合并不适用，尤其是植发手术作业时，视野狭小，穿戴设备极易造成遮挡影响手术作业。
70.另外，目前还涉及到一种基于神经网络的自动分割脑微出血点的方法，其作为判断依据的输入图像为磁化率分布图，通过一定预处理得到定性磁化率分布图和定量磁化率分布图，并基于此做数据的训练与判定。但是该方法依赖磁化率分布图，该类型图像需要专门设备采集，并且数据量大且慢，一般可作为离线的病情分析，无法做到实时监测，由于昂贵的专用设备使其普适性不高。
71.有鉴于此，本技术发明人提出一种异常监测模型创建方法，通过将获取到的头皮图像进行缩小处理后，再输入到浅层神经网络中训练，得到异常监测模型。由于输入的图像为缩小后的图像，因此该图像数据量小，传输较快。另外，该异常监测模型是在浅层神经网络的基础上进行训练的，浅层神经网络模型简单，预测耗时少，能够提高该异常监测模型的监测效率。
72.请参阅图1，是本技术实施例提供的异常监测模型创建方法的流程图。下面将对图1所示的具体流程进行详细阐述。
73.步骤201，获取待监测区域的头皮图像。
74.其中，该待监测区域为植发手术操作区域。
75.这里的头皮图像通过工业相机、摄影机、扫描仪等可以用于获取图像的设备。该待监测区域的头皮图像可以实时获取，也可以间隔预设时间获取，该待监测区域的头皮图像的获取时间可以根据实际情况进行调整，本技术不做具体限制。
76.步骤202，通过残差结构建立浅层神经网络。
77.这里的残差结构用于调整浅层神经网络的维度。该残差结构可用于升高或降低该浅层神经网络的维度。例如，在匹配特征是升高维度，在映射是降低维度。
78.上述的残差结构通常使用的是1*1的卷积神经网络，以大幅减少计算量。
79.可以理解地，对于手术过程中的异物检测，对任务的实时响应的需求较大，通常实时视频采样频率为30fps，即处理一帧图像，理论上时间应小于33ms。由于网络深度越大，模型越复杂，预测耗时越大，因而深层神经网络很难满足这种实时响应的要求。通过采用浅层神经网络能够减少计算耗时，进而提高实时响应的速度。
80.步骤203，通过头皮图像训练浅层神经网络以确定出异常监测模型。
81.在上述实现过程中，由于残差结构可以调整浅层神经网络的维度，可以在匹配特征是升高维度，在映射是降低维度，以提高浅层神经网络匹配的准确定的同时，更加有效、直观的进行数据的训练和特征提取。另外，由于残差结构由多个小的卷积层组成的卷积神经网络，能够减少计算量，且浅层神经网络的模型较为简单，训练耗时较少，因而能提高模型训练的效率。
82.在一种可能的实现方式中，步骤203之前，该方法还包括：对头皮图像中的异常数据进行分类，得到多个异常类别；将异常类别按照预设顺序排序，并根据异常类别排序顺序以及每个类别的状态确定相应的类别标签，以通过类别标签确定头皮图像存在的异常类
别。
83.这里的异常数据可以包括：除手术机器人之外的其他介入因素物体，例如，纱布、医者的手、止血钳、张紧器上存在的异物等。还可以包括：患者在手术过程身体移动造成的头部出血，或者是植发过程有问题导致的头部出血等异常情况的数据。可以理解地，该异常数据可以是如上述列举的手术过程中异常情况的数据，也可以是后期在对异常数据进行处理时，纳入显示遇到的其他异物或者异常情况导致摄像头捕获图像识别异常的情况的数据，该异常数据包括多种异常情况的数据，该异常数据的选择和确定可以根据实际情况进行调整，本技术不做具体限制。
84.可以理解地，上述的异常数据可以按照不同的产生情况和处理方式进行多类别分类。例如，纱布、医者的手、止血钳、张紧器上存在的异物等异常情况形成的异常数据可以是归为异物。患者在手术过程身体移动造成的头部出血，或者是植发过程有问题导致的头部出血等形成的异常数据可以是归为出血。当然，还可以对上述情况更进一步的进行分类。如，纱布和止血钳可以归为异物，医者的手可以归为违规操作，张紧器上存在的异物还可以单独归类为张紧器有异物，患者在手过程中出血归类为出血等。该异常数据按照不同的产生情况和处理方式进行多类别分类的具体分类方式可以根据实际情况确定，本技术不做具体限制。
85.在对异常数据进行分类后，可以得到多个异常类别，将异常类别依按照预设顺序排序，并根据每个异常类别的状态，对该异常类型进行赋值，以生成不同的类别标签。
86.示例性地，如图2、图3和图4所示，其中，图中的黑色小方块用于示意毛囊，黑色大矩形用于示意异物，不规则黑块用于示意出。若该异常数据可以分为异物和出血。若存在异物或出血则标识为1，若不存在异物或不存在出血则标识为0。则该异常数据进行分类后得到的类别标签可以如下表1所示：
87.表1：
88.异物出血类别标签0000010110101111
89.其中，表1中的00表示无异物无出血，01表示无异物有出血(图3中示出)，10表示有异物无出血(图2中示出)，11表示有异物有出血(图4中示出)。
90.可以理解地，若按表1中的方式进行异常类别标识，则每增加一种新的分类类别，整体的分类个数会呈现倍数的增长。如：只做出血、异常两种监测，最终有[00,01,10,11]4种分类结果。而增加张紧器识别监测后需要做8分类，则可能会有[000,001,010,011，100，101，110，111]8种分类结果。
[0091]
上述的异常数据分类仅是示例性地，还可以根据实际情况增加更多的分类类型，以及不同的类别标签标识方式，本技术不做具体限制。
[0092]
在上述实现过程中，通过对多种异常数据进行分类，并确定类别标签，可以实现对异常数据按照不同类别进行模型训练，不仅使得该异常监测模型能够对头皮图像中的异常情况进行监测，还能确定出相应的异常类型，以便于对该手术过程中出现的异常情况及时
确定出相应的应对措施。而且通过按照异常类别进行模型训练，对同类型异常进行相同的训练处理，减少了模型训练的训练次数和难度，降低了该异常监测模型训练的难度，提高了异常监测模型训练的效率和该异常监测模型的对异常监测的准确性。
[0093]
在一种可能的实现方式中，步骤204，包括：分别将头皮图像和头皮图像的类别标签输入到浅层神经网络，以通过损失函数对浅层神经网络进行迭代优化；若达到迭代终止条件，停止对浅层神经网络进行迭代优化，并确定当前浅层神经网络为异常监测模型。
[0094]
这里的损失函数可以是信息量损失函数、信息熵损失函数、相对熵损失函数、交叉熵损失函数等。该损失函数对浅层神经网络进行优化的优化方向为，迭代使模型预测值与真实值的偏离程度不断变小，以增加模型的准确性。
[0095]
其中，信息量的大小与信息发生的概率。即概率越大，信息量越小。概率越小，信息量越大。即一定会发生的事情，传达出的信息量为0。该信息量可以通过以下公式表示：
[0096]
i(x)＝-ln(p(x))；
[0097]
其中，p(x)为样本的真实分布，i(x)为信息量。
[0098]
信息熵用来表示所属有信息量的期望，该信息熵函数的公式表示如下：
[0099][0100]
其中，n表示某一时间包含的所有可能性，p(xi)为样本的真实分布，h(x)为信息熵。
[0101]
相对熵用于衡量两个概率分布之间的差异。该相对熵函数的公式表示如下：
[0102][0103]
其中，p(xi)为样本的真实分布，q(xi)为样本训练出的模型预测的分布，d
kl
(||q)为相对熵。
[0104]
对上述相对熵变形后，可以得到下述公式：对上述相对熵变形后，可以得到下述公式：
[0105]
通过相对熵变形后的公式可知该相对熵等于信息熵加交叉熵，则该交叉熵为：
[0106][0107]
其中，p(xi)为样本的真实分布，q(xi)为样本训练出的模型预测的分布，h(p,q)为交叉熵。
[0108]
其中，该迭代终止条件可以包括最大迭代次数和差值阈值。这里的差值阈值为模型预测值与真实值之间的能够接受的最大差值，当模型预测值与真实值之间的差值小于该阈值，说明通过多次迭代后的浅层神经网络预测的准确性达到了准确性要求。因而，可以停止对该浅层神经网络进行迭代优化。当然，在一些情况下，还可以通过设置最大迭代次数作为迭代停止的条件，即当该浅层神经网络在迭代到达一定次数后，可以确定该浅层神经网络满足准确性要求。因而，可以停止对该浅层神经网络进行迭代优化。
[0109]
在上述实现过程中，通过损失函数对该浅层神经网络进行迭代优化，能够通过逐渐迭代模型预测值与真实值的差值，保证浅层神经网络的准确性。另外，在达到迭代终止条件时，停止对浅层神经网络进行迭代优化，能够在保证迭代后的浅层神经网络的准确性的同时，实现了该浅层神经网络的自动化训练。
[0110]
在一种可能的实现方式中，损失函数为交叉熵损失函数。
[0111]
可以理解地，在训练模型时，异常数据和类别标签常常已经确定，则样本的真实分布也就确定了，因此，信息熵通常为一个常量。由于相对熵的值表示真实概率分布与预测概率分布之间的差异，则该值越小表示预测的结果越好，所以需要最小化相对熵，而交叉熵等于相对熵加上一个信息熵(常量)，由于交叉熵的公式相对于相对熵来说更加容易计算，采用交叉熵损失函数对该浅层神经网络进行迭代优化，能够减少迭代计算的难度，提高迭代效率。
[0112]
在上述实现过程中，由于交叉熵损失函数的公式较为简单，通过采用交叉熵损失函数对该浅层神经网络进行迭代优化，能够减少迭代计算的难度，进而可以提高迭代优化的效率。
[0113]
在一种可能的实现方式中，步骤203，包括：对头皮图像进行卷积运算，并根据卷积运算结果确定激活层的残差网络；基于残差网络确定卷积层，并根据卷积层建立残差结构；通过残差结构建立浅层神经网络。
[0114]
可以理解地，为了使输入缩小后的头皮图像的数据x能够和f(x)相加构成残差网络，需要保持数据维度上的一致，需要对x进行卷积运算。可以通过下面公式表示：
[0115][0116]
其中，x为输入数据，f(x)为残差部分，conv为卷积操作，bn为归一化操作，relu为激活层的激活函数，y为残差网络。
[0117]
这里的残差结构中包括多个卷积层，该卷积层可以是1*1卷积层，也可以是3*3卷积层等。
[0118]
在一种实施方式中，该残差结构为瓶颈层。
[0119]
示例性地，如图5所示，该浅层神经网络的第一层通过下述方式建立：先将头皮图像进行预处理后，得到一个224
×
224
×
3大小的头皮图像，再通过一个7x7，步距为2的卷积进行归一化和激活函数处理后得到一个112
×
112
×
64大小的头皮图像。最后加上3x3最大值池化，步长为2的池化层，以得到56
×
56
×
64的数据。
[0120]
如图6所示，该浅层神经网络的第二层的第一个瓶颈层通过下述方式建立：将该56
×
56
×
3大小的数据，通过两个3x3，步距为1的卷积进行归一化和激活函数处理后得到一个56
×
56
×
64大小的数据。
[0121]
如图7所示，该浅层神经网络的第二层的第二个瓶颈层通过下述方式建立：将该56
×
56
×
64大小的数据，通过一个1x1，步距为1的卷积进行归一化和激活函数处理后，再通过一个3x3，步距为1的卷积进行归一化和激活函数处理后，再通过一个1x1，步距为1的卷积进行归一化和激活函数处理得到一个56
×
56
×
256大小的数据。
[0122]
如图8所示，该浅层神经网络的第二层的第三个瓶颈层通过下述方式建立：将该56
×
56
×
256大小的数据，通过一个1x1，步距为1的卷积进行归一化和激活函数处理后，再通过一个3x3，步距为1的卷积进行归一化和激活函数处理后，再通过一个1x1，步距为1的卷积进行归一化和激活函数处理得到一个28
×
28
×
512大小的数据。
[0123]
可以理解地，该浅层神经网络的第二层及之后的第三、四、五层的结构预第一层的结构大致上相同，只是每层的第一个瓶颈层的卷积不同，其他每层的结构和第一层的结构
一致。
[0124]
在上述实现过程中，通过残差结构建立浅层神经网络，由于残差结构是多个卷积层组成，而卷积层的计算量较少，可以减少该浅层神经网络的计算量，进而提高该异常监测模型的训练效率。
[0125]
在一种可能的实现方式中，如图所示，浅层神经网络包括第一层、第二层、第三层以及第四层；第一层包括三个残差结构；第二层包括四个残差结构；第三层包括六个残差结构；第四层包括三个残差结构。
[0126]
其中，每个浅层神经网络的第一个3*3卷积层的步长为2，其他的卷积层的步长为1。这里的浅层神经网络使用下采样。
[0127]
在上述实现过程中，该浅层神经网络通过设置多层，且每层包括多个残差结构，以实现通过残差结构构建浅层神经网络，打破了残差结构仅在深度神经网络中运用的瓶颈，提高了残差结构的应用场景。另外，通过残差结构构建浅层神经网络，由于残差结构计算简单，浅层神经网络结构也简单，能够极大的减少该异常监测模型对异常数据处理的时间，能够提高异常监测模型的训练效率。
[0128]
在一种可能的实现方式中，步骤201之后，该方法还包括：对头皮图像进行预处理，以得到预处理后的头皮图像；步骤203，包括：通过预处理后的头皮图像训练浅层神经网络以确定出异常监测模型。这里的预处理包括放大或缩小该头皮图像。例如，若获取到的头皮图像小于图像阈值，则可以对该头皮图像进行放大处理。若获取到的头皮图像大于图像阈值，则可以对该头皮图像进行缩小处理。
[0129]
示例性地，一般的工业相机为500w-1200w像素级，因而获得的头皮图像比较大，若直接对设备获取到的头皮图像进行训练或异常监测，会导致模型训练和预测的时间增加。为此，可以在将图像进行网络训练和异常预测前可以对图像进行缩小处理，以对缩小后的头皮图像进行网络训练和异常预测，能够减少模型训练和预测的时间。
[0130]
这里的对头皮图像进行缩小或放大处理可以是通过改变图像的尺寸，即按照长宽比来改变图像大小，也可以按照需求来放大或者缩小图像，当然还可以通过resize、归一化等操作对图像进行处理。本技术对头皮图像的缩小或放大的处理方式可以根据实际情况进行调整，本技术不做具体限制。
[0131]
示例性地，在获取到头皮图像后，得到一个224*224*3大小的头皮图像，再经过一个7
×
7，步距为2的卷积进行归一化以及relu激活函数处理后，再加上3x3最大值池化，步长为2的池化层得到最终的56*56*64的数据。
[0132]
在一些实施例中，还可以对头皮图像做计算机视觉算法的相应目标提取预处理，使得待检测物更加突出，会使得网络分类结果准确度更高、速度更快。这里的计算机视觉算法包括但不限于cnn、rnn等算法。
[0133]
在上述实现过程中，通过将获取到的头皮图像进行预处理，以根据硬件的实际情况对头皮图像进行放大或缩小处理，使得该头皮图像能够保持统一尺寸，方便了对头皮图像的特征提取。另外，针对较大的头皮图像，可以通过缩小处理后再进行异常检测模型的训练，能够减少通过头皮图像进行模型训练的时间，进而提高模型训练效率。
[0134]
在一种可能的实现方式中，步骤201之后，该方法还包括：对头皮图像进行预分类；步骤203，包括：通过预分类后的头皮图像训练浅层神经网络以确定出异常监测模型。
[0135]
可以理解地，在面对更复杂的分类任务时，还可以前置预分类操作，如使用svm、kdtree等机器学习方法，先对图像进行预分类，然后再进行神经网络学习训练进行细分类，以减少模型复杂度，提高实时响应频率。
[0136]
在上述实现过程中，通过先对头皮图像进行预分类处理，并基于该预分类后的头皮图像进行模型训练，以实现对头皮图像的细分类。由于该头皮图像在进行模型训练之前已经进行了粗分类，因而在进行模型训练时，训练难度有所降低，极大的减少了模型的复杂度，提高了实时响应的频率。
[0137]
在一种可能的实现方式中，该浅层神经网络为满足实时响应的分类神经网络。
[0138]
这里的满足实时响应的分类神经网络可以包括：resnet18、resnet34、resnet101等。
[0139]
在上述实现过程中，通过选择可以满足实时响应的分类神经网络作为该浅层神经网络，不仅可以实现对头皮图像的分类，还可以提高分类的准确定性和实时性。
[0140]
请参阅图9，是本技术实施例提供的异常监测方法的流程图。下面将对图9所示的具体流程进行详细阐述。
[0141]
步骤301，获取待监测区域的头皮图像。
[0142]
其中，该待监测区域为植发手术操作区域。
[0143]
这里的头皮图像通过工业相机、摄影机、扫描仪等可以用于获取图像的设备。该待监测区域的头皮图像可以实时获取，也可以间隔预设时间获取，该待监测区域的头皮图像的获取时间可以根据实际情况进行调整，本技术不做具体限制。
[0144]
步骤302，将头皮图像输入到异常监测模型，以确定头皮图像中是否存在异常。
[0145]
其中，异常监测模型通过上述异常监测模型创建方法创建。
[0146]
可以理解地，在将头皮图像输入到异常监测模型后，该异常监测模型可以提取该头皮图像中的异常特征，并输出相应的异常标签，以根据该异常标签确定相应的异常类型。
[0147]
在上述实现过程中，该异常监测模型是通过残差结构和浅层神经网络构建的，该异常监测模型的结构和计算都比较简单，因而能提高异常监测的效率。
[0148]
基于同一申请构思，本技术实施例中还提供了与异常监测模型创建方法对应的异常监测模型创建装置，由于本技术实施例中的装置解决问题的原理与前述的异常监测模型创建方法实施例相似，因此本实施例中的装置的实施可以参见上述方法的实施例中的描述，重复之处不再赘述。
[0149]
请参阅图10，是本技术实施例提供的异常监测模型创建装置的功能模块示意图。本实施例中的异常监测模型创建装置中的各个模块用于执行上述方法实施例中的各个步骤。异常监测模型创建装置包括第一获取模块401、建立模块402、训练模块403；其中，
[0150]
第一获取模块401用于获取待监测区域的头皮图像，所述待监测区域为植发手术操作区域。
[0151]
建立模块402用于通过残差结构建立浅层神经网络，所述残差结构用于调整所述浅层神经网络的维度。
[0152]
训练模块403用于通过所述头皮图像训练所述浅层神经网络以确定出异常监测模型。
[0153]
一种可能的实施方式中，该异常监测模型创建装置还包括分类模块，用于对所述
头皮图像中的异常数据进行分类，得到多个异常类别；以及将所述异常类别按照预设顺序排序，并根据所述异常类别排序顺序以及每个类别的状态确定相应的类别标签，以通过所述类别标签确定所述头皮图像存在的异常类别。
[0154]
一种可能的实施方式中，所述训练模块403，还用于分别将所述头皮图像和所述头皮图像的类别标签输入到所述浅层神经网络，以通过损失函数对所述浅层神经网络进行迭代优化；若达到迭代终止条件，停止对所述浅层神经网络进行迭代优化，并确定当前浅层神经网络为异常监测模型。
[0155]
一种可能的实施方式中，所述建立模块402，还用于对所述头皮图像进行卷积运算，并根据卷积运算结果确定激活层的残差网络；以及基于所述残差网络确定卷积层，并根据所述卷积层建立残差结构；通过所述残差结构建立所述浅层神经网络。
[0156]
一种可能的实施方式中，该异常监测模型创建装置还包括：预处理模块，用于对所述头皮图像进行预处理，以得到预处理后的头皮图像；所述训练模块，还用于通过所述预处理后的头皮图像训练所述浅层神经网络以确定出异常监测模型。
[0157]
一种可能的实施方式中，该异常监测模型创建装置还包括：预分类模块，用于对所述头皮图像进行预分类；所述训练模块，还用于通过所述预分类后的头皮图像训练所述浅层神经网络以确定出异常监测模型。
[0158]
基于同一申请构思，本技术实施例中还提供了与异常监测方法对应的异常监测装置，由于本技术实施例中的装置解决问题的原理与前述的异常监测方法实施例相似，因此本实施例中的装置的实施可以参见上述方法的实施例中的描述，重复之处不再赘述。
[0159]
请参阅图11，是本技术实施例提供的异常监测装置的功能模块示意图。本实施例中的异常监测装置中的各个模块用于执行上述方法实施例中的各个步骤。异常监测装置包括第二获取模块501、确定模块502；其中，
[0160]
第二获取模块501用于获取待监测区域的头皮图像，所述待监测区域为植发手术操作区域。
[0161]
确定模块502用于将所述头皮图像输入到异常监测模型，以确定所述头皮图像中是否存在异常；其中，所述异常监测模型通过上述异常监测模型创建方法任意一项所述的方法创建。
[0162]
为便于对本实施例进行理解，下面对执行本技术实施例所公开的异常监测模型创建方法以及异常监测方法的电子设备进行详细介绍。可以理解地，该异常监测模型创建方法以及异常监测方法可以使用同一电子设备，也可以使用不同电子设备，本技术做具体限制。下面以该异常监测模型创建方法以及异常监测方法使用同一电子设备为例，对该电子设备进行详细介绍。
[0163]
如图12所示，是电子设备的方框示意图。电子设备100可以包括存储器111、存储控制器112、处理器113、外设接口114。本领域普通技术人员可以理解，图12所示的结构仅为示意，其并不对电子设备100的结构造成限定。例如，电子设备100还可包括比图12中所示更多或者更少的组件，或者具有与图12所示不同的配置。
[0164]
上述的存储器111、存储控制器112、处理器113以及外设接口114各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。上述的处理器113用于执行存储器中存储的可执行
模块。
[0165]
其中，存储器111可以是，但不限于，随机存取存储器(random access memory，简称ram)，只读存储器(read only memory，简称rom)，可编程只读存储器(programmable read-only memory，简称prom)，可擦除只读存储器(erasable programmable read-only memory，简称eprom)，电可擦除只读存储器(electric erasable programmable read-only memory，简称eeprom)等。其中，存储器111用于存储程序，所述处理器113在接收到执行指令后，执行所述程序，本技术实施例任一实施例揭示的过程定义的电子设备100所执行的方法可以应用于处理器113中，或者由处理器113实现。
[0166]
上述的处理器113可能是一种集成电路芯片，具有信号的处理能力。上述的处理器113可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processor，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0167]
上述的外设接口114将各种输入/输出装置耦合至处理器113以及存储器111。在一些实施例中，外设接口114，处理器113以及存储控制器112可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。
[0168]
本实施例中的电子设备100可以用于执行本技术实施例提供的各个方法中的各个步骤。
[0169]
此外，本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中所述的异常监测模型创建方法的步骤。
[0170]
本技术实施例所提供的异常监测模型创建方法和异常监测方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行上述方法实施例中所述的异常监测模型创建方法的步骤。
[0171]
在一种可能的实现方式中，该异常监测模型创建方法，包括：获取待监测区域的头皮图像，所述待监测区域为植发手术操作区域；通过残差结构建立浅层神经网络，所述残差结构用于调整所述浅层神经网络的维度；通过所述头皮图像训练所述浅层神经网络以确定出异常监测模型。
[0172]
在一种可能的实现方式中，所述通过所述缩小后的头皮图像训练所述浅层神经网络以确定出异常监测模型之前，所述方法还包括：对所述头皮图像中的异常数据进行分类，得到多个异常类别；将所述异常类别按照预设顺序排序，并根据所述异常类别排序顺序以及每个类别的状态确定相应的类别标签，以通过所述类别标签确定所述头皮图像存在的异常类别。
[0173]
在一种可能的实现方式中，所述通过所述头皮图像训练所述浅层神经网络以确定出异常监测模型，包括：分别将所述头皮图像和所述头皮图像的类别标签输入到所述浅层神经网络，以通过损失函数对所述浅层神经网络进行迭代优化；若达到迭代终止条件，停止对所述浅层神经网络进行迭代优化，并确定当前浅层神经网络为异常监测模型。
[0174]
在一种可能的实现方式中，所述损失函数为交叉熵损失函数。
[0175]
在一种可能的实现方式中，所述通过残差结构建立浅层神经网络，包括：对所述头皮图像进行卷积运算，并根据卷积运算结果确定激活层的残差网络；基于所述残差网络确定卷积层，并根据所述卷积层建立残差结构；通过所述残差结构建立所述浅层神经网络。在一种可能的实现方式中，所述浅层神经网络包括第一层、第二层、第三层以及第四层；所述第一层包括三个残差结构；所述第二层包括四个残差结构；所述第三层包括六个残差结构；所述第四层包括三个残差结构。在一种可能的实现方式中，所述对所述头皮图像进行卷积运算，并根据卷积运算结果确定激活层的残差网络的计算公式为：其中，x为输入数据，f(x)为残差部分，conv为卷积操作，bn为归一化操作，relu为激活层的激活函数，y为残差网络。
[0176]
在一种可能的实现方式中，所述获取待监测区域的头皮图像之后，所述方法还包括：对所述头皮图像进行预处理，以得到预处理后的头皮图像；所述通过所述头皮图像训练所述浅层神经网络以确定出异常监测模型，包括：通过所述预处理后的头皮图像训练所述浅层神经网络以确定出异常监测模型。
[0177]
在一种可能的实现方式中，所述获取待监测区域的头皮图像之后，所述方法还包括：对所述头皮图像进行预分类；所述通过所述头皮图像训练所述浅层神经网络以确定出异常监测模型，包括：通过所述预分类后的头皮图像训练所述浅层神经网络以确定出异常监测模型。
[0178]
在一种可能的实现方式中，所述浅层神经网络为满足实时响应的分类神经网络。
[0179]
在一些实施例中，该计算机可读存储介质上存储还有另外的计算机程序，该计算机程序被处理器运行时执行上述方法实施例中所述的异常监测方法的步骤。
[0180]
本技术实施例所提供的异常监测方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行上述方法实施例中所述的异常监测方法的步骤。
[0181]
在一种可能的实现方式中，该异常监测方法，包括：获取待监测区域的头皮图像，所述待监测区域为植发手术操作区域；将所述头皮图像输入到异常监测模型，以确定所述头皮图像中是否存在异常；其中，所述异常监测模型通过上述异常监测模型创建方法中任意一项所述方法创建。
[0182]
这里的异常包括异物和机体不良反应。
[0183]
在一种可能的实现方式中，将头皮图像输入到异常监测模型，以确定头皮图像中是否存在异常之后，该方法还包括：若头皮图像中存在异常，根据类别标签确定头皮图像存在的异常类别；若异常类别为异物，生成异物移除信号，以控制目标设备将异物从待监测区域移除；若异常类别为机体发生不良反应，根据不良反应的类型生成相应的应急措施，以对不良反应进行处理。
[0184]
在一些实施例中，若该头皮图像中存在异常，则可以直接生成暂停指令，以通过该暂停指令控制手术操作设备停止动作。
[0185]
在上述实现过程中，在异常监测模型对头皮图像进行异常监测后确定该头皮图像中存在异常，则可以进一步根据该异常的异常类别生成相应的异常应急措施，以及时处理
该异常情况，提高了全自动化手术作业过程中的安全性。
[0186]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0187]
另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0188]
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0189]
以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0190]
以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种异常监测模型创建方法，其特征在于，包括：获取待监测区域的头皮图像，所述待监测区域为植发手术操作区域；通过残差结构建立浅层神经网络，所述残差结构用于调整所述浅层神经网络的维度；通过所述头皮图像训练所述浅层神经网络以确定出异常监测模型。2.根据权利要求1所述的方法，其特征在于，所述通过所述头皮图像训练所述浅层神经网络以确定出异常监测模型，包括：分别将所述头皮图像和所述头皮图像的类别标签输入到所述浅层神经网络，以通过损失函数对所述浅层神经网络进行迭代优化；若达到迭代终止条件，停止对所述浅层神经网络进行迭代优化，并确定当前浅层神经网络为异常监测模型。3.根据权利要求1所述的方法，其特征在于，所述通过残差结构建立浅层神经网络，包括：对所述头皮图像进行卷积运算，并根据卷积运算结果确定激活层的残差网络；基于所述残差网络确定卷积层，并根据所述卷积层建立残差结构；通过所述残差结构建立所述浅层神经网络。4.根据权利要求3所述的方法，其特征在于，所述浅层神经网络包括第一层、第二层、第三层以及第四层；所述第一层包括三个残差结构；所述第二层包括四个残差结构；所述第三层包括六个残差结构；所述第四层包括三个残差结构。5.根据权利要求3所述的方法，其特征在于，所述对所述头皮图像进行卷积运算，并根据卷积运算结果确定激活层的残差网络的计算公式为：其中，x为输入数据，f(x)为残差部分，conv为卷积操作，bn为归一化操作，relu为激活层的激活函数，y为残差网络。6.根据权利要求1所述的方法，其特征在于，所述获取待监测区域的头皮图像之后，所述方法还包括：对所述头皮图像进行预处理，以得到预处理后的头皮图像；所述通过所述头皮图像训练所述浅层神经网络以确定出异常监测模型，包括：通过所述预处理后的头皮图像训练所述浅层神经网络以确定出异常监测模型。7.根据权利要求1所述的方法，其特征在于，所述获取待监测区域的头皮图像之后，所述方法还包括：对所述头皮图像进行预分类；所述通过所述头皮图像训练所述浅层神经网络以确定出异常监测模型，包括：通过所述预分类后的头皮图像训练所述浅层神经网络以确定出异常监测模型。8.根据权利要求1-7任意一项所述的方法，其特征在于，所述浅层神经网络为满足实时
响应的分类神经网络。9.一种异常监测方法，其特征在于，包括：获取待监测区域的头皮图像，所述待监测区域为植发手术操作区域；将所述头皮图像输入到异常监测模型，以确定所述头皮图像中是否存在异常；其中，所述异常监测模型通过权利要求1-8任意一项所述的方法创建。10.一种异常监测模型创建装置，其特征在于，包括：第一获取模块，用于获取待监测区域的头皮图像，所述待监测区域为植发手术操作区域；建立模块，用于通过残差结构建立浅层神经网络，所述残差结构用于调整所述浅层神经网络的维度；训练模块，用于通过所述头皮图像训练所述浅层神经网络以确定出异常监测模型。11.根据权利要求10所述的装置，其特征在于，所述训练模块，还用于分别将所述头皮图像和所述头皮图像的类别标签输入到所述浅层神经网络，以通过损失函数对所述浅层神经网络进行迭代优化；以及若达到迭代终止条件，停止对所述浅层神经网络进行迭代优化，并确定当前浅层神经网络为异常监测模型。12.根据权利要求10所述的装置，其特征在于，所述建立模块，还用于对所述头皮图像进行卷积运算，并根据卷积运算结果确定激活层的残差网络；以及基于所述残差网络确定卷积层，并根据所述卷积层建立残差结构；通过所述残差结构建立所述浅层神经网络。13.根据权利要求10所述的装置，其特征在于，所述装置还包括：预处理模块，用于对所述头皮图像进行预处理，以得到预处理后的头皮图像；所述训练模块，还用于通过所述预处理后的头皮图像训练所述浅层神经网络以确定出异常监测模型。14.根据权利要求10所述的装置，其特征在于，所述装置还包括：预分类模块，用于对所述头皮图像进行预分类；所述训练模块，还用于通过所述预分类后的头皮图像训练所述浅层神经网络以确定出异常监测模型。15.一种异常监测装置，其特征在于，包括：第二获取模块，用于获取待监测区域的头皮图像，所述待监测区域为植发手术操作区域；确定模块，用于将所述头皮图像输入到异常监测模型，以确定所述头皮图像中是否存在异常；其中，所述异常监测模型通过权利要求1-8任意一项所述的方法创建。16.一种电子设备，其特征在于，包括：处理器、存储器，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述机器可读指令被所述处理器执行时执行如权利要求1至8或权利要求9任一所述的方法的步骤。17.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程
序，该计算机程序被处理器运行时执行如权利要求1至8或权利要求9任一所述的方法的步骤。

技术总结
本申请提供了一种异常监测模型创建及异常监测方法、装置、电子设备。其中，该方法包括：获取待监测区域的头皮图像，所述待监测区域为植发手术操作区域；通过残差结构建立浅层神经网络，所述残差结构用于调整所述浅层神经网络的维度；通过所述头皮图像训练所述浅层神经网络以确定出异常监测模型。本申请通过残差结构建立浅层神经网络，由于残差结构由多个小的卷积层组成的卷积神经网络，能够减少计算量，且浅层神经网络的模型较为简单，训练耗时较少，因而能提高模型训练的效率。因而能提高模型训练的效率。因而能提高模型训练的效率。


技术研发人员：杨溪
受保护的技术使用者：上海术之道机器人有限公司
技术研发日：2023.04.23
技术公布日：2023/7/21