1.一种基于FPGA边缘计算的医学信息处理方法，其特征在于：包括如下步骤：

1）拍摄皮肤病图像并上传到FPGA边缘计算设备进行毛发去除预处理和病灶区域边缘轮廓分割预处理，生成原始皮肤病图像和分割后的病灶图像集合；

2） FPGA边缘计算设备使用其搭载的IR‑BNnet模型对集合中的所有图像进行处理；所述的FPGA边缘计算设备搭载的IR‑BNnet模型包括IR_Block、BN_Block、全连接层和Softmax分类器；

3）信息处理服务器使用搭载的双通道深度学习模型对FPGA的信息处理结果中类别识别概率值低于60%的模糊处理案例进行二次处理；

所述的步骤2）中，所述的IR_Block中包括3层反转残差层和1层最大池化层；所述的BN_Block中包括5层CNN卷积层和2层最大池化层；

所述的IR_Block反转残差层包括两个2×2的depthwise卷积，其具体实现如下：

2.21）当步长为1时，输入首先经过1×1的Conv卷积进行通道数的扩张，此时激活函数为ReLU6，然后连续经过两个2×2的depthwise卷积，激活函数是ReLU6，接着经过1×1的pointwise卷积，将通道数压缩回去，激活函数是Linear，将输出和输入相加，得到最终输出；

2.22）当步长为2时，输入首先经过1×1的Conv卷积进行通道数的扩张，激活函数为ReLU6；然后连续经过两个2×2的depthwise卷积，激活函数是ReLU6；最后经过1×1的pointwise卷积得到最终输出；

所述的BN_Block在每个CNN卷积层的激活函数之前插入批归一化操作，具体包括如下步骤：

2.31）输入首先经过3×3的Conv卷积提取特征信息，接着在该层激活函数之前加入批归一化操作，对输出的特征进行收敛，然后将该层输出作为输入再次进行3×3的Conv卷积和批归一化操作，最后通过最大池化层过滤冗余特征信息得到该层最终输出；

2.32）将上层最终输出作为该层输入连续进行3次进行3×3的Conv卷积和批归一化操作，最后通过最大池化层输出BN_Block模块的最终输出。

2.根据权利要求1所述的一种基于FPGA边缘计算的医学信息处理方法，其特征在于：所述的步骤1）中，毛发去除预处理的具体过程如下：

1.1a）对每个皮肤病图像的像素进行灰度化处理，灰度变换的函数为其中 ，R，G，B即图像像素点中的红绿蓝三个分量， 表示R分量通道的衰减系数， 表示G分量通道的衰减系数，表示B分量通道的衰减系数，其大小与其所对应的R，G，B分量和所有像素点值的总和成反比；对应公式如下：

其中n表示图像中像素点的总数，Ri表示第i个像素点中R分量的值，Gi表示第i个像素点中G分量的值，Bi表示第i个像素点中B分量的值；

1.2a）定义一个X型的卷积核，对灰度图像进行黑帽运算，得到图像内部毛发区域；

其中dst表示黑帽图像，blackhat（）表示黑帽操作，src表示原图像，element表示图像中的颗粒度；close（src，element）表示闭运算图像；

1.3a）利用阈值分割得到毛发区域的大小；

1.4a）利用opencv的inpaint图像修补函数对图像修复。

3.根据权利要求1所述的一种基于FPGA边缘计算的医学信息处理方法，其特征在于：所述的步骤1）中，病灶区域边缘轮廓分割预处理的具体过程如下：

1.1b）对每个皮肤病图像进行自适应阈值灰度化处理，得到灰度图像；

1.2b）对灰度图像进行二值化处理，先计算像素平均值，若像素值小于等于像素平均值，则令该像素值为255；若像素值大于像素平均值，则令该像素值为0，从而获得二值化图像；

1.3b）计算每个二值化图像中像素值为 255的像素点覆盖区域面积Ar，若Ar＜A0，则认为该区域为噪声区域，从图像中去除该区域；其中A0为预设阈值；

1.4b）对每幅图像的剩余区域重新涂色后，实现了图像的边缘轮廓分割，得到分割后图像。

4.根据权利要求1所述的一种基于FPGA边缘计算的医学信息处理方法，其特征在于：所述的步骤2）中，IR‑BNnet模型的具体实现如下：

2.1）IR‑BNnet模型将原始皮肤病图像样本与分割后的病灶图像集合，分别输入特征提取器后得到分类结 其中集合P为对原始皮肤病图像预测后得到的概率集合，集合Q为对分割后病灶图像预测的概率集合；取两个集合中的最大值作为最终结果F，

2.2）输入的皮肤病图像样本初始尺寸为w0×h0×3，w0和h0为输入样本图像的宽和长，初始通道数为3，IR_Block首先对皮肤病样本进行扩张、深度卷积和压缩，进行高维特征提取，并使用其深度可分离卷积减少模型参数和计算量，得到第一层输出特征尺寸为w1×h1×c1，w1和h1为IR_Block模块输出特征的宽和高，c1为IR_Block模块输出的通道数；

2.3）然后使用最大池化层下采样，去除冗余信息，得到下一层卷积神经网络模块的特征输入尺寸为 ，将特征输入到BN_Block以提取更细致的低维特征信息，得到输出特征向量，其输出尺寸为1×1×c2，c2为BN_Block模块输出的通道数；

2.4）最后通过全连接层和softmax分类器获得FPGA的信息处理结果。

5.根据权利要求4所述的一种基于FPGA边缘计算的医学信息处理方法，其特征在于：对所述的IR‑BNnet模型的训练和调优过程中，加入自适应惩罚系数L2，并使用SGD随机梯度下降方法调整学习率lr，设置衰减因子λ，在对全部样本进行一次训练之后，学习率按照λ衰减，惩罚系数L2根据学习率的衰减进行自适应调整，从而加快模型收敛速度，其对应公式如下：

。

6.根据权利要求1所述的一种基于FPGA边缘计算的医学信息处理方法，其特征在于：所述的步骤3）中，二次处理具体为：

信息处理服务器采用双通道卷积神经网络模型GL‑CNN分别提取病灶区域的局部特征和皮肤病图像的全局特征，通道1是ResNet101残差网络，通道2是Global‑CNN卷积神经网络；

所述的GL‑CNN包括两个卷积神经网络分支，每个分支处理不同区域的输入图像，其中分割出的病灶区域图像输入到通道1的残差网络ResNet101分支中提取局部特征，并把整体图像输入到通道2中，通道2是由7层卷积层和1层全局平均池化层组成的Global‑CNN卷积神经网络，用于提取皮肤病图像的全局特征，接着把通道1和通道2两个分支分别提取的局部特征和全局特征通过Concat函数融合起来；

最后通过全连接层和Softmax分类器输出信息处理服务器的处理结果。