1.一种甲亢疾病即时鉴定装置的控制方法，采用一种甲亢疾病即时鉴定装置，其特征是，所述装置包括人体图像特征采集模块和深度卷积神经网络模块，人体图像特征采集模块(15)与深度卷积神经网络模块(16)信号连接，所述方法包括以下步骤：S1、通过人体图像特征采集模块(15)即时捕捉人体图像特征；

S2、图像处理单元(7)对人体图像特征进行重构，输出3D信息图像；

所述步骤S2采用采样重建裁剪图像算法重构3D信息图像，具体包括：计算出对数的比值衡量强度I，入射强度I0，公式如下：d

I/I0＝10

d是中性密度滤波片光学密度，微透镜组将成像视角截取中央区域，l＝∑p(w,v,s,t)

采用双参数平面法，l为截取视角，p为每个微透镜的中央像素，(w，v)为记录面坐标，(s，t)为观察面坐标；

用L(n,u)表示由微透镜组入射到镜头前虚拟位置的光线，则有：L(n,u)＝λ0L(n0,u0)+λ1L(n1,u1)式中(ni,ui)为入射光线在i平面上的位置坐标，且i＝0时为记录面，i＝1时为观察面，λi为坐标系数，设未知函数f在任意点p＝(x,y)的值，令qMZ＝(xM,yZ)，M和Z等于1或2，且已知像素坐标x1、x2、y1、y2，另外rz＝(x,yz)，首先在x方向进行插值，得到：且r1＝(x,y1)

且r2＝(x,y2)

采用双线性插值的方法，在y方向上进行插值，得到：

得到所要的图像信息中任意像素值的结果，并将多张图像进行采样重建，构建出带有

3D信息图像：

得到任意像素坐标点(x,y)的像素值；

S3、将3D信息图像输入已完成训练神经网络预测鉴定结果，并实时返回鉴定应对方法；

S4、将鉴定结果及捕捉到的3D信息图像输入至服务器存储，再将图像预处理过后，重新输入神经网络进行微调，形成一个增量循环训练网络结构。

2.根据权利要求1所述的一种甲亢疾病即时鉴定装置的控制方法，其特征是，所述人体图像特征采集模块(15)包括机架(14)、中性密度滤波片(3)、前置成像镜组(4)、微透镜组(5)、双子人体摄像机模块(6)和照明光源，所述中性密度滤波片(3)、前置成像镜组(4)、微透镜组(5)依次固定在机架(14)内，所述照明光源在中性密度滤波片(3)前固定在机架(14)内，所述双子人体摄像机模块(6)在微透镜组(5)后固定在机架(14)内。

3.根据权利要求2所述的一种甲亢疾病即时鉴定装置的控制方法，其特征是，所述照明光源包括对称设置在机架(14)内的第一子照明源(201)和第二子照明源(202)，所述双子人体摄像机模块(6)滑动设置有第一滑动子人体摄相机(601)和第二滑动子人体摄相机(602)。

4.根据权利要求3所述的一种甲亢疾病即时鉴定装置的控制方法，其特征是，深度卷积神经网络模块(16)包括医院甲亢患者日常监控数据单元(12)、甲亢患者数据库(9)、预训练模型(10)、网络模型(11)、服务器(8)、图像处理单元(7)和训练好的深度卷积神经网络(13)，所述第一滑动子人体摄相机(601)和第二滑动子人体摄相机(602)与图像处理单元(7)信号连接，图像处理单元(7)与服务器(8)信号连接，服务器(8)与信号连接训练好的深度卷积神经网络(13)和甲亢患者数据库(9)信号连接，甲亢患者数据库(9)与预训练模型(10)信号连接，预训练模型(10)与网络模型(11)信号连接、网络模型(11)与训练好的深度卷积神经网络(13)信号连接。

5.根据权利要求1所述的一种甲亢疾病即时鉴定装置的控制方法，其特征是，所述步骤S1具体包括：S101、通过对称照明源，对目标测量物(1)进行照射，得到对称的图像；

S102、图像通过中性密度滤光片，减少所有光的波长；

S103、图像再透过凸透镜投影到微透镜组上，微透镜组通过视角截取，将成像位置锁定在人体的关键部位；

S104、将第一滑动子人体摄相机(601)向下平移，或第二滑动子人体摄相机(602)向上平移，使得物体在成像面上重合，从而得到多张图像。

6.根据权利要求1所述的一种甲亢疾病即时鉴定装置的控制方法，其特征是，所述步骤S3中已完成训练神经网络的训练过程如下：神经网络模型的输入层为N个shape＝[batch_size,512,512,3]的张量，隐含层个数为N*2+1，输出层为一个节点，batch_size为优化算法中同一批迭代样本数量；

需要优化的损失函数为：

J(θ)＝E(in,target)Loss(f(in；θ),target)上述式中Loss为损失函数，E为最小化函数，in为输入数据，target为目标数据，θ初始模型参数，f(in；θ)模型输出函数；

这里用的两种优化算法分别为SGD和Adam，涉及参数 为Loss函数梯度值，参数 为函(m) (i)数的导数，e为卷积，in 为数据集中输入的第m个样本，target 为对应目标，ξk为学习率，θ为模型初始参数，s为一阶矩变量，r为二阶矩变量，ρ1、ρ2为矩估计的指数衰减率，δ为数值稳定的小常数，t为时间常数：

1)SGD

输入学习率ξk，初始参数θ：

(1) (2) (m)

当为满足停止条件时，从训练集中采集包含m个样本{in ,in ,...,in }的小批量，(i) (i)其中数据in 对应目标target ；

计算梯度估计：

更新参数：

2)Adam

输入全局学习率ξk，ξk默认0.001，矩估计的指数衰减率为ρ1、ρ2且两个值在区间[0,1)‑7内，默认ρ1＝0.9与ρ2＝0.999，用于数值稳定的小常数为δ，δ默认10 ；

输入初始参数θ，初始化一阶矩和二阶矩变量s＝0,r＝0；初始化时间步t＝0，当未满足(1) (2) (m) (i)停止条件时，从训练集中采集包含m个样本{in ,in ,...,in }，其中数据in 对应目标(i)target ；计算梯度估计： t←——t+1；

更新有偏一阶矩估计： 更新有偏二阶矩估计：