1.一種頭皮檢測裝置系統，係包含：一頭皮檢測裝置，其包含一影像擷取模組以截取一頭皮影像，以及一傳輸單元以接收該頭皮影像；一頭皮辨識模組，係設置於一伺服器上，包含一運算模組以接收並辨識該頭皮影像以獲得一辨識結果，一結果輸出模組以接收該辨識結果，其中該運算模組包含複數個頭皮症狀辨識模組，該複數個頭皮症狀辨識模組係包含SSD MobileNet v2模組、SSD Inception v2模組、Faster R-CNN Inception v2模組及Faster R-CNN Inception ResNet v2 Atrous模組，用以辨識白髮、頭皮化學物殘留、黴菌感染、真菌感染、頭皮屑、毛囊炎、乾癬、落髮與油性髮，其中該Faster R-CNN Inception ResNet v2 Atrous模組在辨識頭皮化學物殘留、頭皮屑、毛囊炎、黴菌感染、落髮、油性髮及乾癬的適應性最佳，該Faster R-CNN Inception v2模組對辨識真菌感染的適應性最佳，該SSD Inception v2模組對辨識白髮的適應性最佳；一顯示與操作模組，係電性連接於該頭皮辨識模組，包含一使用者介面以及一顯示裝置，該顯示裝置接收並顯示該頭皮影像以及該辨識結果；以及一資訊管理平台電性連接於該頭皮辨識模組，以接收並儲存該頭皮影像與該辨識結果。

2.如請求項1所述之頭皮檢測裝置系統，其中該影像擷取模組包含至少一鏡頭、一影像放大裝置以及至少一光源。

3.如請求項1所述之頭皮檢測裝置系統，其中該頭皮檢測裝置之該傳輸單元為有線傳輸單元或無線傳輸單元。

4.一種使用頭皮檢測裝置系統的運作方法，係包含：步驟一：以一頭皮檢測裝置的一影像擷取模組，檢測一個體的頭皮，並獲得一頭皮影像，再將該頭皮影像以該頭皮檢測裝置的一傳輸單元傳送到一頭皮辨識模組，其中該頭皮辨識模組包含一運算模組；步驟二：以該頭皮辨識模組的該運算模組辨識該頭皮影像，以獲得一辨識結果，其中該運算模組包含複數個頭皮症狀辨識模組，該複數個頭皮症狀辨識模組係包含SSD MobileNet v2模組、SSD Inception v2模組、Faster R-CNN Inception v2模組及Faster R-CNN Inception ResNet v2 Atrous模組，用以辨識白髮、頭皮化學物殘留、黴菌感染、真菌感染、頭皮屑、毛囊炎、乾癬、落髮與油性髮，其中該Faster R-CNN Inception ResNet v2 Atrous模組在辨識頭皮化學物殘留、頭皮屑、毛囊炎、黴菌感染、落髮、油性髮及乾癬的適應性最佳，該Faster R-CNN Inception v2模組對辨識真菌感染的適應性最佳，該SSD Inception v2模組對辨識白髮的適應性最佳；步驟三：將該辨識結果傳輸至一顯示與操作模組以及一資訊管理平台，以將該辨識結果顯示於該顯示與操作模組的一顯示裝置，以及將該辨識結果儲存於該資訊管理平台。

5.如請求項4所述之運作方法，其中該影像擷取模組包含至少一鏡頭、一影像放大裝置以及至少一光源。

6.如請求項4所述之運作方法，其中該頭皮檢測裝置的該傳輸單元為有線傳輸單元或無線傳輸單元。

【技術領域】

【0001】 本發明係關於一種頭皮檢測裝置系統及其運作方法，能準確辨識多種頭皮狀況。

【先前技術】

【0002】 人類的頭皮十分脆弱與敏感，不健康的作息與環境污染等因素，都會影響到頭皮的健康、進而影響頭髮生長的情形；世界衛生組織(WHO)的統計，全球超過70%的成年人有頭皮的問題，顯然頭皮健康已經是重要的健康議題。目前訪間有各種頭皮養護課程，其可針對不同的頭皮症狀，提供不同的藤皮養護方法，以緩解頭皮的不健康狀況。

【0003】 目前坊間的頭皮養護課程，於進行之前會使用一手持顯微鏡觀察客戶頭皮的局部放大影像，以作為頭皮症狀的判斷參考以及作為後續頭皮養護課程種類的依據，但是目前大多以人工判讀的方式判斷頭皮的健康狀況，因此容易因為判讀者不同產生不同的判斷結果，即判斷結果會受到判斷找的主觀經驗影響，所得到的判斷結果並不客觀。

【0004】 因此，後續開始研發以人工智慧的技術判斷頭皮健康狀態的相關技術；例如2017年，Hyungjoon Kim等人提出一種利用廉價的顯微鏡相機拍攝頭皮影像，並自動分析頭髮與頭皮狀態的方法，此方法是針對影像中頭皮異色斑點、頭髮寬度以及頭髮數量進行分析的方法，但是此方法是以影像顏色中的RBG數值中的R值(紅色)作為判斷頭皮是否具有紅色斑點的依據，判定方法較為粗糙，且若是被觀察者頭皮的顏色天生就偏紅，也會造成誤判。此外，Wen-Shiung Huang等人於2018年提出基於雲端之智能膚質與頭皮分析系統，其利用三種不同波長的光源(白光、偏光、UV光)照射頭皮並擷取頭皮影像，再利用影像處理的方法，分析皮膚的水分、油脂、顏色等特徵，最後使用UV光源照射的影像搭配YOLO v2深度學習物件偵測技術，辨識局部毛孔的阻塞程度。然而，目前以人工智慧判斷頭皮症狀的研究，最多只能辨識四種頭皮症狀，並無法涵蓋常見的頭皮症狀，因此以人工智慧辨識頭皮症狀的相關研究仍具有相當大的改善空間。

【發明內容】

【0005】 今，發明人有鑑於現有頭皮檢測裝置系統於實際使用時仍有多處缺失，於是乃一本孜孜不倦之精神，並藉由其豐富專業知識及多年之實務經驗所輔佐，而加以改善，並據此研創出本發明。

【0006】 本發明揭露一種頭皮檢測裝置系統，包含一頭皮檢測裝置，一頭皮辨識模組，一顯示與操作模組以及一資訊管理平台；頭皮檢測裝置包含一影像擷取模組與一傳輸單元，影像擷取模組用於擷取頭皮影像，且將頭皮影像經由傳輸單元傳送到頭皮辨識模組；頭皮辨識模組設置於一伺服器上，包含一運算模組與一結果輸出模組，運算模組接收並辨識頭皮影像，並獲得一辨識結果，結果輸出模組係接收辨識結果，又該運算模組包含複數個頭皮症狀辨識模組；顯示與操作模組電性連接於頭皮辨識模組，顯示與操作模組包含一使用者介面以及一顯示裝置，顯示裝置接收並顯示頭皮影像以及辨識結果；以及資訊管理平台電性連接於頭皮辨識模組，以接收並儲存頭皮影像與辨識結果。

【0007】 本發明亦關於一種頭皮檢測裝置系統的運作方法，係包含：步驟一，以一頭皮檢測裝置的一影像擷取模組，檢測一個體的頭皮，並獲得一頭皮影像，再將該頭皮影像以頭皮檢測裝置的一傳輸單元傳送到一頭皮辨識模組，其中頭皮辨識模組包含一運算模組；步驟二：以頭皮辨識模組的運算模組辨識該頭皮影像，以獲得一辨識結果，其中運算模組包含複數個頭皮症狀辨識模組；以及步驟三，將辨識結果傳輸至一顯示與操作模組以及一資訊管理平台，以將辨識結果顯示於顯示與操作模組的一顯示裝置，以及將辨識結果儲存於資訊管理平台。

【0008】 於本發明之一實施例中，影像擷取模組包含至少一鏡頭、一影像放大裝置以及至少一光源。

【0009】 於本發明之一實施例中，頭皮檢測裝置的傳輸單元為有線傳輸單元或是無線傳輸單元。

【0010】 於本發明之一實施例中，運算模組的該複數個頭皮症狀辨識模組包含SSD MobileNet v2模組、SSD Inception v2模組、Faster R-CNN Inception v2模組、Faster R-CNN Inception ResNet v2 Atrous模組。

【0011】 於本發明之一實施例中，頭皮症狀辨識模組係辨識白髮、頭皮化學物殘留、黴菌感染、真菌感染、頭皮屑、毛囊炎、乾癬、落髮與油性髮。

【0012】 於本發明之一實施例中，藥物辨識與核對系統進一步包含一藥物辨識訓練模組，該藥物辨識訓練模組包含一藥物辨識平台與一訓練模組，並產生一藥物資料庫，且將該藥物資料庫傳輸至該運算模組。

【0013】 於本發明之一實施例中，影像擷取模組係包含至少一影像擷取裝置以及一光源。

【0014】 藉此，本發明之頭皮檢測裝置系統及其運作方法，利用不同的頭皮症狀辨識模組，準確辨識多種頭皮症狀，且可將該些頭皮症狀記錄儲存於資訊管理平台，以比較不同時間點的頭皮狀況。

【圖式簡單說明】

【0083】 第一圖：本發明頭皮檢測裝置系統示意圖。

【0084】 第二圖：本發明頭皮檢測裝置系統系統運作流程示意圖。

【實施方式】

【0015】 為令本發明之技術手段其所能達成之效果，能夠有更完整且清楚的揭露，茲藉由下述具體實施例，詳細說明本發明可實際應用之範圍，但不意欲以任何形式限制本發明之範圍，請一併參閱揭露之圖式。

【0016】 請參見第一圖，本發明之頭皮檢測系統，包含一頭皮檢測裝置(1)，一頭皮辨識模組(2)、一顯示與操作模組(3)以及一資訊管理平台(4)。

【0017】 頭皮檢測裝置(1)包含一影像擷取模組(11)與一傳輸單元(12)，影像擷取模組(11)用以擷取頭皮影像，並將頭皮影像經由傳輸單元(12)傳送到頭皮辨識模組(2)，傳輸單元(12)可為有線傳輸單元或是無線傳輸單元；頭皮檢測裝置(1)可進一步包含一供電單元，以提供影像擷取模組(11)與傳輸單元(12)運作時的電力。另影像擷取模組(11)包含至少一鏡頭、一影像放大裝置以及至少一光源，例如為配置有發光裝置的一放大鏡或顯微鏡，其放大倍率可介於100~500倍之間，較適合的放大倍率為200倍。

【0018】 頭皮辨識模組(2)設置於一伺服器上，包含一運算模組(21)以及一結果輸出模組(22)、運算模組(21)接收並辨識影像擷取模組(11)所擷取的頭皮影像，以獲得一辨識結果；結果輸出模組(22)係接收該辨識結果，並將辨識結果傳送至顯示與操作模組(3)以及資訊管理平台(4)；又運算模組(21)包含複數個頭皮症狀辨識模組(211)，且複數個頭皮症狀辨識模組(211)包含SSD MobileNet v2模組、SSD Inception v2模組、Faster R-CNN Inception v2模組、Faster R-CNN Inception ResNet v2 Atrous模組。

【0019】 顯示與操作模組(3)係電性連接於頭皮辨識模組(2)；顯示與操作模組(3)包含一使用者介面(31)以及一顯示裝置(32)，使用者介面(31)係設置於一電子裝置上，以提供使用者設定頭皮辨識模組(2)以及輸入受測者的相關資訊，而顯示裝置(32)接收並顯示由結果輸出模組(22)所輸出的辨識結果，顯示裝置可為電子裝置的一部分，或是一電性連接於該電子裝置的獨立顯示裝置；電子裝置可為電腦或是電子行動裝置，例如手機或是平板電腦，且使用者介面(31)可為一應用程式，當電子裝置為電子行動裝置時，顯示裝置(32)為該電子行動裝置的觸控螢幕，並且可直接於觸控螢幕上操作該使用者介面(31)。

【0020】 資訊管理平台(4)電性連接於頭皮辨識模組(2)，並接收結果輸出模組(22)輸出的辨識結果，並儲存該辨識結果，資訊管理平台(4)可為伺服器或電腦或是雲端平台；資訊管理平台(4)亦可接收並儲存影像擷取模組(11)所擷取的頭皮影像；另資訊管理平台亦儲存使用者經由使用者介面(31)所輸入的資訊，包含受檢測者的相關資料、不同時間的頭皮檢測結果，以進行資料管理。

【0021】 請再參見第二圖，本發明頭皮檢測裝置系統的運作方法包含：

【0022】 步驟一(S1)：以頭皮檢測裝置(1)的影像擷取模組(11)擷取頭皮影像，接著將頭皮影像藉由傳輸單元(12)傳遞給頭皮辨識模組(2)，例如傳輸單元(12)可藉由無線網路(Wi-fi)通訊或是藍牙通訊的方式，將頭皮影像傳遞給頭皮辨識模組(2)；頭皮影像亦可經由傳輸單元(12)傳送到顯示與操作模組(3)，並且顯示於顯示裝置(32)上。

【0023】 步驟二(S2)：以頭皮辨識模組(2)的運算模組(21)辨識所接收的頭皮影像，運算模組(21)可為人工智能運算模組、其包含有多個已訓練完成的頭皮症狀辨識模組(211)，藉由頭皮症狀辨識模組(211)辨識頭皮影像後，判斷該頭皮影像所呈現的頭皮症狀，而獲得一辨識結果；其中運算模組(21)於辨識頭皮影像的頭皮症狀時，會根據不同的症狀使用適應性最佳的頭皮症狀辨識模組(211)進行辨識，再將最後辨識後的結果整合，以獲得最終的辨識結果。

【0024】 步驟三(S3)：頭皮辨識模組(2)的結果輸出模組(22)係將辨識結果傳送至顯示與操作模組(3)以及資訊管理平台(4)，辨識結果會顯現於顯示裝置(32)、且儲存於資訊管理平台(4)。

【0025】 本發明頭皮檢測模組可辨識的頭皮狀況包含白髮、頭皮化學物殘留、黴菌感染、真菌感染、頭皮屑、毛囊炎、乾癬、落髮與油性髮。

【0026】 其中，步驟二(S2)中的多個已訓練完成的頭皮症狀辨識模組(211)包含SSD MobileNet v2模組、SSD Inception v2模組、Faster R-CNN Inception v2模組與Faster R-CNN Inception ResNet v2 Atrous模組；又Faster R-CNN Inception ResNet v2 Atrous可進一步調整其Feature Extractor Stride與Atrous Rate參數。

【0027】 此外，藉由下述具體實施例，可進一步證明本發明可實際應用之範圍，但不意欲以任何形式限制本發明之範圍

【0028】 一、頭皮辨識模組之訓練

【0029】 (一)、頭皮樣本收集

【0030】 本實施例使用的頭皮症狀照片來訓練頭皮辨識模組，該些頭皮症狀照片由合作的美髮業者提供，照片為200倍局部放大的頭皮症狀照片，頭皮症狀分為九類，包含頭皮化學物殘留、頭皮屑、毛囊炎、黴菌感染、真菌感染、白髮、落髮、油性髮及乾癬；其中頭皮化學物殘留的照片469張、頭皮屑的照片326張、毛囊炎的照片345張、黴菌感染的照片237張、真菌感染的照片434張、白髮的照片209張、落髮的照片792張、油性髮的照片386張及乾癬的照片277張；又其中少數照片為同時有多種症狀的複合型症狀樣本，總計超過3000張的頭皮症狀照片；接著，由專業的頭皮理療師提供指導，再透過LabelImg框選工具、完成上數樣本共7000個頭皮症狀的標記。

【0031】 (二)、頭皮辨識模組訓練

【0032】 將上述標記完成的頭皮症狀照片輸入模組訓練，其模組訓練的軟硬體使用伺服器等級的工作站，硬體規格為：中央處理器(CPU)使用Intel Xeon Gold 6130與Nvidia Tesla V100-32G(14.1 TFLOPS)，Intel Xeon Gold 6130使用，Nvidia Tesla V100-32G(14.1 TFLOPS)使用四顆；記憶體(RAM)為512GB。模組訓練軟體環境包含：Deep learning user software(Phyton 3.6)、Deep learning framework(TensorFlow 1.14)、Nvidia Deep Learning SDK(cuDNN 7.4.2)、Nvidia GPU Compute Drive Software(CUDA 10.1)以及OS(Linux-Ubuntu branch 18.04)。

【0033】 藉由四張顯示卡，將訓練樣本(即上述的頭皮症狀照片)進行分流訓練，所有模組都設定最大訓練次數(Max step)為200,000；請參見表一，為各頭皮症狀辨識模組的批量大小(Batch size))和學習率(Learning Rate)，表一的四個頭皮症狀辨識模組為深度學習模組。

【0034】

【0035】 (三)、綜合模組評估結果分析

【0036】 本試驗中使用兩種較常見的資料集測量法以評估上述各模組的精確度，以獲得四種頭皮症狀辨識模組最適合辨識的頭皮症狀；所使用的資料集測量法為Pascal VOC(PASCAL Visual Object Classes)資料集測量法和COCO(Common Objects in Context)資料集測量法。

【0037】 Pascal VOC資料集測量法與COCO資料集測量法會使用到以下的評估指標，各指標的意思或是定義解釋如下：

【0038】 (1)Intersection over Union(IoU)

【0039】 IoU指標是由所預測的邊界框(predicted box)和已標記的邊界框(ground truth)之間的重疊區域除以它們之間的交集區域所獲得；若IoU值越高，表示預測的邊界框與已標記的邊界框重疊部分越多；若IoU值越低，表示預測的邊界框與已標記的邊界框重疊部分越少。

【0040】 (2)預測(Predictions)

【0041】 先設定一IoU值的閾值，若檢測獲得的IoU分數高於該閾值被定義為肯定預測，若檢測獲得的IoU分數低於該閾值被定義為錯誤預測；預測結果被分類為陽性(True Positives，縮寫為TP)、偽陽姓(False Positive，縮寫為FP)、偽陰性(False Negative，縮寫為FN)及陰性(True Negative，縮寫為TN)；其中TN代表在檢測過程中表示未被正確檢測到的所有可能的邊界框，在圖像中可能會包含到其他種類的框所以測量指標不會使用到這個分類。

【0042】 (3)準確性(Accuracy)

【0043】 準確性(Accuracy)為在所有的情況下正確辨識出真正的陽性的機率，其計算公式為：準確性=TP/(TP+FP+FN)

【0044】 (4)精度(Precision)

【0045】 精度為預測邊界框(或是預測目標物)與實際標記框(或是實際目標物)匹配的機率，也稱為正預測值(positive predictive value)，可以得知當模型預測其為目標物時，此結果的準確度；其計算公式為：精度=TP/(TP+FP)=true object detection/all detected box

【0046】 (5)召回率(Recall)

【0047】 召回率為真正的陽性機率，也稱為靈敏度，它代表真正檢測到正確目標物的機率，召回率又可被稱為sensitivity；其計算公式：召回率=TP/(TP+FN)=true object detection/all ground truth

【0048】 (6)平均精度(Average Precision)

【0049】 平均精度(Average Precision，縮寫為AP)是包含精度(Precision)與召回率(Recall)的單一指標，並通過對0到1的召回率之間的平均值進行平均計算；Pascal VOC資料集測量法為使用AP值為指標的資料集，Pascal VOC資料集測量法是使用一組11個間隔的召回點(0、0.1、0.2、…、1)進行平均，其平均值為最終的AP值。

【0050】 (7)mAP(mean average precision)

【0051】 mAP在計算上如果分類的類別有N種，則mAP是將N個類別的AP值加總平均得出最終值；COCO資料集測量法便使用了mAP值做為指標。COCO資料集測量法是取樣100個召回點進行計算，且由IoU閥值0.5開始到0.95的區間上、每隔0.05計算一次AP的值，取所有AP值的平均值作為最終的結果。

【0052】 表二為使用Pascal VOC資料集測量法測量各頭皮症狀辨識模組辨識頭皮症狀的結果，並以AP值呈現；表二中的模組1為SSD MobileNet v2模組，模組2為SSD Inception v2模組，模組3為Faster R-CNN Inception v2模組，以及模組4為Faster R-CNN Inception ResNet v2 Atrous模組。表二的結果顯示Faster R-CNN Inception ResNet v2 Atrous模組在辨識頭皮化學物殘留、毛囊炎、黴菌感染、白髮、油性髮及乾癬的項目能獲得最高的AP值，SSD Inception v2模組在辨識頭皮屑的項目獲得最高的AP值，以及Faster R-CNN Inception v2模組在辨識真菌感染及落髮的項目獲得最高的AP值；Pascal VOC資料集測量法的評估結果可以作為各模組對每個頭皮症狀適應性初步評斷的依據。

【0053】

【0054】 表三為使用COCO資料集測量法評估模組對辨識頭皮症狀整體精度的結果，表中mAP50：95是IoU閥值0.5到0.95、每隔0.05都取100個召回點進行加總平均，最後在將所有的平均值加總平均所得的值，而mAP50、mAP75都是只有在單一IoU閥值(IoU閥值分別為0.5以及0.75)取值進行加總平均的結果；mAPS、mAPM、mAPL為物件面積在IoU閥值0.5的情況下運算的結果，mAPS為322像素數以下的物件，mAPM為322至962像素數的物件，mAPL為962以上像素數的物件；表三中的模組1為SSD MobileNet v2模組，模組2為SSD Inception v2模組，模組3為Faster R-CNN Inception v2模組，以及模組4為Faster R CNN Inception ResNet v2 Atrous模組。根據表三的結果，Faster R-CNN Inception ResNet v2 Atrous模組在辨識頭皮症狀時整體的mAP為最高，且在辨識小物件與大物件都具有最高精度；又SSD Inception v2於辨識中物件實具有最高精度。

【0055】

【0056】 (四)、實際辨識頭皮症狀之辨識結果

【0057】 接著，以各頭皮症狀辨識模組實際辨識頭皮症狀的照片，以比較所有頭皮症狀辨識模組對頭皮症狀的辨識準確度，並選擇各症狀準確度最高的頭皮症狀辨識模組作為該症狀的辨識模組。

【0058】 表四為使用的測試樣本的照片張數以及所有照片中總症狀的數量，表五則是各頭皮症狀辨識模組辨識出的症狀數量，將各頭皮症狀辨識模組辨識結果的症狀數量除以測試樣本的症狀數量即可得到各個模組辨識頭皮症狀的準確度，並以此結果作為該頭皮症狀辨識模組適合辨識何種頭皮症狀的依據，辨識的準確度的結果請見表六。表五與表六中，模組1為SSD MobileNet v2模組，模組2為SSD Inception v2模組，模組3為Faster R-CNN Inception v2模組，以及模組4為Faster R-CNN Inception ResNet v2 Atrous模組。

【0059】

【0060】

【0061】 表六

【0062】 根據表六的頭皮症狀辨識準確率(Accuracy)結果，Faster R-CNN Inception ResNet v2 Atrous模組在辨識頭皮化學物殘留、頭皮屑、毛囊炎、黴菌感染、落髮、油性髮及乾癬的項目具有最高的準確率，Faster R-CNN Inception v2模組則是辨識真菌感染的準確率最高，而SSD Inception v2模組辨識白髮的準確率最高。

【0063】 根據以上的綜合模組評估與實際辨識頭皮症狀的結果，Faster R-CNN Inception ResNet v2 Atrous模組在辨識頭皮化學物殘留、頭皮屑、毛囊炎、黴菌感染、落髮、油性髮及乾癬項目的適應性最佳；Faster R-CNN Inception v2模組對辨識真菌感染的適應性最佳；SSD Inception v2模組對辨識白髮的適應性最佳。

【0064】 (五)、Faster R-CNN Inception ResNet v2 Atrous模組的參數調整

【0065】 因Faster R-CNN Inception ResNet v2 Atrous模組只是預設辨識COCO資料集的神經網路架構，故進一步調整將Faster R-CNN Inception ResNet v2 Atrous模組的神經網路架構，並進行實驗分析其辨識頭皮症狀之成效。

【0066】 主要調整的參數有Feature Extractor Stride與Atrous Rate，增加Feature Extractor Stride會使卷積層輸出的參數量減少，且可達到加速運算的效果，同時只要配合相應大小的卷積核就不會遺失過多重要的特徵，最終模組特性不會與原始模組相距太大，但訓練時間卻可以大幅縮短。而增加Atrous Rate則會使卷積核的涵蓋範圍變大，保持相同大小的感受野的同時減少參數量的輸出，而過大的Atrous Rate可能會導致卷積核提取特徵時遺失重要的特徵。

【0067】 實際調整模組之神經網路架，於Feature extractor的最後卷積層將Stride由原本的8改為16，減少提取的參數量加快訓練速度。又將RPN中的Atrous卷積層改為不同大小的Rate，並分析不同Atrous Rate進行訓練、評估及實際測試結果。

【0068】 將調整過神經網路架構的Faster R-CNN Inception ResNet v2 Atrous模組進行訓練並使用Pascal VOC資料集測量法與COCO資料集測量法去評估模組的精確度，以及實際使用頭皮症狀照片進行頭皮症狀的辨識，最後與預設參數之模組進行辨識結果精準度的比較。

【0069】 表七為使用Pascal VOC資料集測量法、評估調整過神經網路架構的Faster R-CNN Inception ResNet v2 Atrous模組對辨識頭皮症狀之評估結果，並以AP值呈現；表七中的模組1為SSD MobileNet v2模組，模組2為SSD Inception v2模組，模組3為Faster R-CNN Inception v2模組，模組4為Faster R-CNN Inception ResNet v2 Atrous(2)模組，模組5為Faster R-CNN Inception ResNet v2 Atrous(3)模組，模組6為Faster R-CNN Inception ResNet v2 Atrous(4)模組，以及模組7為Faster R-CNN Inception ResNet v2 Atrous(5)模組；又，模組4~模組6，模組名稱中括號內的數字代表Atrous Rate的數值。

【0070】 根據表七的結果，因頭皮化學物殘留辨識主要是以小物件居多，所以隨著Atrous Rate變大、評估結果的精確度越低；而毛囊炎跟白髮的辨識都是大物件居多所以隨著Atrous Rate變大、評估結果的精確度越高；其他頭皮症狀則因為標記的的物件有大有小，其辨識精確度與Astrous Rate的變化並沒有一定的規律，但在Astrous Rate等於4的時候(模組6)有4種症狀有最高精確度，辨識頭皮屑的精確度甚至超過SSD Inception v2模組(模組2)，大於4之後精確度卻開始下降。

【0071】

【0072】 表八為使用COCO資料集測量法、評估調整過神經網路架構的Faster R-CNN Inception ResNet v2 Atrous模組對辨識頭皮症狀的整體精確度評估結果，表格內的數字為mAP值；根據表八，Astrous Rate等於4的時候(模組6)，此模組具有最高的mAP50：95、mAP50與mAP75，表示此模組的精確度最高；而以物件面積去取值並加總平均的mAPS、mAPM、mAPL值，會隨著Atrous Rate值的上升、面積小的物件的精確度會越低，但是面積大的物件的精確度會越高；而Astrous Rate等於4的時候(模組6)，面積中物件的精確度最高。

【0073】

【0074】 表九為使用各模組實際辨識頭皮症狀照片的結果，模組6(R-CNN Inception ResNet v2 Atrous(4)模組)在辨識頭皮屑、毛囊炎、黴菌及乾癬有最高的準確度(Accuracy)，其中頭皮屑、黴菌及乾癬的項目與綜合模組評估結果相符；具有最高辨識頭皮化學物殘留與真菌感染症狀準確度的模組，亦與綜合模組評估結果的結果相符。

【0075】

【0076】 根據以上試驗結果，所偵測的頭皮症狀中，5種頭皮症狀以綜合模組評估結果與實際辨識結果測試，所獲得的最適合使用頭皮症狀辨識模組不同，但是以系統實現角度出發，會選用實際辨識結果中準確度最高的頭皮症狀辨識模組進行該頭皮症狀的辨識；即使用Faster R-CNN Inception ResNet v2 Atrous(2)模組辨識頭皮化學物殘留及油性髮，以Faster R-CNN Inception ResNet v2 Atrous(4)模組辨識頭皮屑、毛囊炎、黴菌感染及乾癬，以Faster R-CNN Inception v2 模組辨識真菌感染，以SSD Inception v2模組辨識白髮，以及以Faster R-CNN Inception ResNet v2 Atrous(3)模組辨識落髮。

【0077】 綜上，本發明頭皮檢測裝置系統及其運作方法具有以下優點：

【0078】 1.本發明之頭皮檢測裝置系統，使用深度學習的技術訓練不同的頭皮症狀辨識模組辨識不同的頭皮症狀，能客觀的辨識不同的頭皮症狀，且也避免以往以人眼判斷頭皮症狀時、不同判斷者之間的判斷結果可能有較大差異的情形。

【0079】 2.本發明之頭皮檢測裝置系統，以不同的頭皮症狀辨識模組辨識不同的頭皮症狀，因此可以準確的辨識出多種不同的頭皮症狀，例如辨識頭皮化學物殘留，提高本發明的應用範圍。

【0080】 3.本發明之頭皮檢測裝置系統，進一步設置一資訊管理平台，可以記錄同一受測者於不同檢測時間的頭皮症狀，以長時間觀察並記錄其頭皮症狀的改變。

【0081】 綜上所述，本發明之頭皮辨識裝置系統及其運作方法，的確能藉由上述所揭露之實施例，達到所預期之使用功效，且本發明亦未曾公開於申請前，誠已完全符合專利法之規定與要求。爰依法提出發明專利之申請，懇請惠予審查，並賜准專利，則實感德便。

【0082】 惟，上述所揭之說明，僅為本發明之較佳實施例，非為限定本發明之保護範圍；其；大凡熟悉該項技藝之人士，其所依本發明之特徵範疇，所作之其它等效變化或修飾，皆應視為不脫離本發明之設計範疇。

1:頭皮檢測裝置

11:影像擷取模組

12:傳輸單元

2:頭皮辨識模組

21:運算模組

211:頭皮症狀辨識模組

22:結果輸出模組

3:顯示與操作模組

31:使用者介面

32:顯示裝置

4:資訊管理平台

S1:步驟一

S2:步驟二

S3:步驟三