An Efficient Scalp Inspection and Diagnosis System Using Multiple Deep Learning-Based Modules Un système efficace d’inspection et de diagnostic du cuir chevelure utilisant plusieurs modules basés sur l’apprentissage profond

The conventional approach to scalp inspection in the hairdressing industry relies on manually interpreting scalp symptom images. Hairdressers provide treatments based on visual assessment, leading to potential inaccuracies and misjudgments. To address these shortcomings, this article proposes a novel multimodal deep learning-based scalp inspection and diagnosis system. The proposed system employs various artificial intelligence (AI) object recognition modules, such as single-shot multibox detector (SSD)-MobileNetV2, SSD-InceptionV2, Faster region-based convolutional neural network (R-CNN)-InceptionV2, and Faster R-CNN-Inception-ResNetV2-Atrous
(2)
. These modules form a diverse scalp symptom recognition module integrated into an AI recognition server. This study included nine scalp symptoms, encompassing four primary conditions (dandruff, hair loss, gray hair, and oily hair), as well as five special conditions (folliculitis, chemical residue, mold, fungi, fungus, and psoriasis). The efficiency of the proposed system is evaluated through experiments, and adjustments are made to the neural network architecture to achieve optimal performance across diverse symptoms. The experimental results showed that Faster-R-CNN-Inception-ResNetV2-Atrous
(2)
excels in recognizing chemical residue and oily hair symptoms (accuracies of 89.33% and 87.75%, respectively); Faster-R-CNN-Inception-ResNetV2-Atrous
(4)
outperforms in recognizing dandruff, folliculitis, fungal, and psoriasis symptoms (accuracies ranging from 88.77% to 99.72%); and Faster-R-CNN-Inception-ResNetV2-Atrous
(4)
is the best-performing method overall.
Résumé
—L’approche conventionnelle de l’inspection du cuir chevelure dans l’industrie de la coiffure repose sur l’interprétation manuelle des images des symptômes du cuir chevelure. Les coiffeurs fournissent des traitements sur la base d’une évaluation visuelle, ce qui entraîne des inexactitudes et des erreurs d’appréciation potentielles. Pour remédier à ces lacunes, cet article propose un nouveau système multimodal d’inspection et de diagnostic du cuir chevelure basée sur l’apprentissage profond. Le système proposé utilise divers modules de reconnaissance d’objets par intelligence artificielle (IA), tels que le détecteur multi-boîtes (SSD)-MobileNetV2, SSD-InceptionV2, le réseau neuronal convolutif régional plus rapide (R-CNN)-InceptionV2, et le R-CNN-Inception-ResNetV2-Atrous
(2)
plus rapide. Ces modules forment un module diversifié de reconnaissance des symptômes du cuir chevelure intégrée dans un serveur de reconnaissance IA. Cette étude a porté sur neuf symptômes du cuir chevelure, englobant quatre affections primaires (pellicules, perte de cheveux, cheveux gris et cheveux huilés), ainsi que cinq affections spéciales (folliculite, résidus chimiques, moisissures, champignons, mycoses et psoriasis). L’efficacité du système proposé est évaluée par des expériences, et des ajustements sont apportés à l’architecture du réseau neuronal afin d’obtenir des performances optimales pour divers symptômes. Les résultats expérimentaux ont montré que Faster-R-CNN-Inception-ResNetV2-Atrous
(2)
excelle dans la reconnaissance des symptômes de résidus chimiques et de cheveux huilés (précision de 89,33% et 87,75%, respectivement); Faster-R-CNN-Inception-ResNetV2-Atrous
(4)
est plus performant dans la reconnaissance des symptômes de pellicules, de folliculite, de champignons et de psoriasis (précision comprise entre 88,77% et 99,72%); et Faster-R-CNN-Inception-ResNetV2-Atrous
(4)
est la méthode la plus performante dans l’ensemble.