对物理介质中检测到的生物特征的数字成像分析的制作方法

1.本公开总体上涉及数字成像系统和方法，并且更具体地，涉及用于分析一个或多个数字图像的像素数据的生物数字成像系统和方法，该数字图像描绘吸收制品或吸收制品的部分。


背景技术：

2.吸收制品的用户经历与吸收制品的使用、制品被设计成吸收的物质或他们自身的健康相关的问题或顾虑。例如，通常，新手父母或另外的监护人或看护人在学习照顾婴儿或其他需要照顾的个体时经历许多问题。一个此类问题包括管理生物废物、分泌物或排泄物，其可包括与肠道运动(bm)、排尿或其他此类消化道问题(例如，诸如脱水、食物过敏或不耐受等)相关的尿布大小、改变和其他问题，其中新生儿或其他个体经历此类问题。因此，可能(包括随着时间的推移)出现婴儿或个体发育问题，包括保健、安全、健康和/或卫生状况或问题，父母或另外的监护人未能认识到特定婴儿、儿童或另外的个体的此类问题。相关问题可包括生物废物问题，诸如bm和/或排尿泄漏以及相关皮肤刺激、皮肤干燥、皮肤红斑或与胃肠道相关的健康问题，每个问题都可能影响并损害婴儿或个体的健康。此外，错误尺寸的尿布可能无效地操作，其中此类尿布具有对特定婴儿或个体不正确的配合，可能导致特定婴儿或个体的不适和/或不健康发育。
3.用于处理此类问题的现有技术方法，包括指导手册或手工尺码表，可能耗时或容易出错(并且可能是负面的)。此外，遵循此类现有技术方法的父母或看护人可以尝试对各种产品或技术进行经验性试验，但可能无法获得令人满意的结果，或可能导致可能的负面副作用，影响特定婴儿或个体的健康或安全。
4.出于前述原因，需要用于分析一个或多个数字图像的像素数据的生物数字成像系统和方法，该数字图像描绘吸收制品或吸收制品的部分。


技术实现要素：

5.通常，如本文所述，描述了用于分析一个或多个数字图像的像素数据的生物数字成像系统和方法，该数字图像描绘吸收制品或吸收制品的部分以及/或者穿戴者的皮肤。此类生物数字成像系统和方法提供了基于数字成像并且在各个方面基于人工智能(ai)的解决方案，用于克服由难以识别和处理与特定婴儿或个体的肠道运动(bm)、排尿或其他此类消化道问题相关的各种健康或安全问题而产生的问题。
6.如本文所述的生物数字成像系统和方法允许用户向成像服务器(例如，包括其一个或多个处理器)或计算设备(例如，诸如在用户的移动设备上的本地计算设备)提交特定图像(例如，描绘吸收制品或吸收制品的一部分的数字图像的特定图像)，其中成像服务器和/或用户计算设备实现或执行用于分析本文所述图像的像素数据的成像应用程序(app)。例如，在各个方面中，基于人工智能的基于生物的学习模型用描绘相应个体的吸收制品或吸收制品的部分的潜在10,000s(或更多)图像的像素数据进行训练。基于生物的学习模型
可基于图像分类、预测或对如由个体使用的吸收制品或吸收制品的一部分的数字图像中描绘的生物特征的其他确定来生成或输出，个体特定生物预测值，该预测值被设计为寻址或识别图像的像素数据内所检测的生物特征。例如，为个体(例如，婴儿)提交的吸收制品或吸收制品的一部分的图像可以包括像素或像素数据，指示颜色、粘稠度和/或与该特定个体的bm、尿液或在数字图像的像素数据内可识别的其他生物废物相对应的量。
7.在一些方面中，可经由计算机网络将个体特定生物预测值传输到用户的用户计算设备以呈现在显示屏上。在其他方面中，不发生向成像服务器传输个体的特定图像，其中个体特定生物预测值可以由成像应用程序(app)以及/或者基于生物的学习模型生成，在用户的移动设备上本地执行和/或实现(在“边缘”)，并且由移动设备的处理器呈现在移动设备的显示屏上。在各个方面中，此类呈现可包括用于寻址像素数据中的生物特征的图形表示、覆盖、注释、虚拟呈现等。提供或显示的此类个体特定生物预测值和相关信息，为父母或其他看护人提供关于bm、粪便、湿吸收制品数量的数字指导或建议，并可为处理、预防和/或缓解bm泄漏、皮肤刺激、皮肤干燥和/或皮肤健康(例如，包括皮肤红斑)提供数字和电子平台，用于婴儿或其他因此类问题而到期的个体。
8.更具体地，如本文所述，公开了用于分析一个或多个数字图像的像素数据的生物数字成像系统和方法，该数字图像描绘吸收制品或吸收制品的部分以及/或者穿戴者的皮肤的部分。生物数字成像方法包括在一个或多个处理器处获得描绘吸收制品或吸收制品的部分和/或皮肤的数字图像，该数字图像包括像素数据；通过在一个或多个处理器上执行的成像应用程序(app)，分析吸收制品或吸收制品的一部分的数字图像，以检测在吸收制品或吸收制品的一部分的数字图像的像素数据内描绘的生物特征；以及由成像应用程序生成与以下至少一者相对应的个体特定生物预测值：(a)吸收制品；(b)吸收制品的一部分；或(c)与吸收制品或吸收制品的部分相关联的个体。在各个方面中，个体特定生物预测值是基于吸收制品或吸收制品的一部分的数字图像的像素数据内描绘的生物特征。
9.此外，如本文所述，公开了一种生物数字成像系统。生物数字成像系统被配置为分析描绘吸收制品或吸收制品的部分的一个或多个数字图像的像素数据。生物数字成像系统可包括一个或多个处理器以及成像应用程序(app)，该成像应用程序包括被配置为在一个或多个处理器上执行的计算指令。当由一个或多个处理器执行时，成像应用程序的计算指令可导致一个或多个处理器在一个或多个处理器处获得数字图像，该数字图像包括像素数据并且描绘吸收制品或吸收制品的一部分。当由一个或多个处理器执行时，成像应用程序的计算指令可通过在一个或多个处理器上执行的成像应用程序(app)进一步导致一个或多个处理器分析吸收制品或吸收制品的一部分的数字图像，以检测吸收制品或吸收制品的一部分的数字图像的像素数据内描绘的生物特征。当由一个或多个处理器执行时，成像应用程序的计算指令可进一步导致一个或多个处理器通过成像应用程序生成与以下至少一者相对应的个体特定生物预测值：(a)吸收制品；(b)吸收制品的一部分；或(c)与吸收制品或吸收制品的部分相关联的个体。在各个方面中，个体特定生物预测值是基于吸收制品或吸收制品的一部分的数字图像的像素数据内描绘的生物特征。
10.此外，如本文所述，公开了一种有形的、非暂态计算机可读介质，该介质存储用于分析描绘吸收制品或吸收制品的部分的一个或多个数字图像的像素数据的指令。当由一个或多个处理器执行时，这些指令可导致一个或多个处理器在一个或多个处理器处获得描绘
吸收制品或吸收制品的一部分的数字图像，该数字图像包括像素数据。当由一个或多个处理器执行时，这些指令可通过在一个或多个处理器上执行的成像应用程序(app)进一步导致一个或多个处理器分析吸收制品或吸收制品的一部分的数字图像，以检测吸收制品或吸收制品的一部分的数字图像的像素数据内描绘的生物特征。当由一个或多个处理器执行时，这些指令可进一步导致一个或多个处理器通过成像应用程序生成与以下至少一者相对应的个体特定生物预测值：(a)吸收制品；(b)吸收制品的一部分；或(c)与吸收制品或吸收制品的部分相关联的个体。在各个方面中，个体特定生物预测值是基于吸收制品或吸收制品的一部分的数字图像的像素数据内描绘的生物特征。
11.根据上文以及本文的公开内容，本公开描述了计算机功能的改进或对其他技术的改进，至少因为本公开描述了例如成像服务器、或另外的计算设备(例如，用户计算机设备)得到改进，其中成像服务器或计算设备的智能或预测能力通过经训练(例如，机器学习训练)的基于生物的学习模型来增强。在成像服务器或计算设备上执行的基于生物的学习模型，能够基于描绘吸收制品的训练图像的像素数据，或描绘具有在像素数据中描绘的相应生物特征的吸收制品的部分的训练图像的像素数据，准确地识别个体特定生物预测值，该预测值被设计为寻址在特定个体的吸收制品的图像的像素数据内可识别的至少一个生物特征，该像素数据包括该个体的生物特征(例如，粪便、bm、尿液、血液或其他此类废物副产品)。也就是说，本公开描述了计算机本身的功能或“任何其他技术或技术领域”的改进，因为成像服务器或用户计算设备通过多个训练图像(例如，10,000s个训练图像和相关像素数据作为特征数据)来增强以准确预测、检测或确定个体特定图像(诸如新提供的客户图像)的像素数据。例如，根据本文公开内容训练的基于生物的学习模型，对于关于黏稠度的个体特定生物预测值(例如，在吸收制品图像或吸收制品图像的部分中所检测的粪便和/或尿液的黏稠度类型)实现了91％的准确率，并且对于关于量的个体特定生物预测值(例如，在吸收制品图像或吸收制品图像的部分中所检测的粪便和/或尿液的量)实现了93％的准确率。这至少比现有技术有所改进，因为现有系统缺乏此类预测或分类功能，并且根本无法准确地分析个体特定图像以输出预测结果，以寻址像素数据内可识别的至少一个特征，该像素数据包括在吸收制品或吸收制品的一部分的数字图像的像素数据内描绘的至少一个生物特征。
12.出于类似原因，本发明涉及至少对其他技术或技术领域的改进，因为本发明描述或介绍了对生物数字成像领域中的计算设备的改进，由此，在成像设备或计算设备上执行的经过训练的基于生物的学习模型，用吸收制品或吸收制品的部分(具有在相应训练图像的像素数据内描绘的相应生物特征)的数字图像的基于数字和/或人工智能的分析，改进了生物数字成像和医疗领域。
13.此外，本发明涉及至少对其他技术或技术领域的改进，因为本发明描述或介绍了对成像领域中的计算设备的改进，特别是检测图像内的生物特征。
14.此外，在成像设备或计算设备上执行的基于生物的学习模型改进了底层计算机设备(例如，成像服务器和/或用户计算设备)，其中通过配置、调整或适应给定机器学习网络架构使此类计算机设备更有效。例如，在一些方面，可通过减少计算资源来使用更少的机器资源(例如，处理周期或存储器存储装置)，这是通过减少分析图像所需的机器学习网络架构，包括通过减小深度、宽度、图像大小或其他基于机器学习的维度要求。此类减小会释放
底层计算系统的计算资源，由此使其更有效。
15.另外，本发明涉及至少对其他技术或技术领域的改进，因为本发明描述或介绍了对安全和/或图像处理领域中的计算设备的改进，其中至少在一些方面中，可以对用户的图像进行预处理(例如，裁剪或以其他方式修改)，以定义吸收制品或吸收制品的一部分的提取或描绘区域，而不描绘用户或个体的个人可识别信息(pii)。例如，本文所述的基于生物的学习模型可使用图像的简单裁剪或编辑部分，这消除了通过计算机网络传输个体或个体部分的私人照片的需要(其中此类图像可能容易被第三方截获)。此类特征提供了安全性改进，即，移除pii(例如，专用区域特征)提供了超过先前系统的改进，因为裁剪或编辑的图像，尤其是可通过网络(例如，互联网)传输的图像，在不包括个体的pii信息的情况下更安全。此类系统可允许预测或测定，诸如粪便、尿液或其他废物与个体皮肤的关系，并且不需要pii和个体皮肤本身的图像。因此，本文所述的系统和方法在不需要此类基本信息的情况下操作，这提供了超过先前系统的改进，例如安全性改进。此外，至少在一些方面中，裁剪图像的使用允许底层系统存储和/或处理较小数据大小的图像，这导致底层系统作为整体性能提高，因为较小数据大小的图像需要较少的存储存储器和/或处理资源来存储、处理和/或由底层计算机系统以其他方式操作。
16.此外，本发明包括特定特征，而非领域内众所周知的、平常的、常规的活动，或添加将权利要求限制在特定有用应用程序的非常规步骤，例如，分析描绘吸收制品或吸收制品的部分的一个或多个数字图像的像素数据。
17.通过以举例说明的方式示出和描述的优选方面的以下描述，优点对于本领域的普通技术人员而言将变得更加显而易见。如将认识到的，本发明的方面可具有其他和不同的方面，并且它们的细节能够在各个方面进行修改。因此，附图和描述应被视为实质上是示例性的而非限制性的。
附图说明
18.下文所述的附图描绘了本文所公开的系统和方法的各个方面。应当理解，每个附图描绘了所公开的系统和方法的特定方面的一个方面，并且每个附图旨在与其可能的方面保持一致。此外，在可能的情况下，以下描述提及了以下附图中包括的附图标号，其中多个附图中所示的特征部用一致的附图标号进行表示。
19.在当前讨论的附图中示出了布置，然而，应当理解，本方面不限于所示的精确布置和工具，其中：
20.图1示出了根据本文公开的各个方面的示例性生物数字成像系统，该系统被配置为分析描绘吸收制品或吸收制品的部分的一个或多个数字图像的像素数据。
21.图2示出了根据本文公开的各个方面的可用于生成个体特定生物预测值和/或训练基于生物的学习模型的示例性图像及其相关像素数据。
22.图3示出了根据本文公开的各个方面的捕获描绘吸收制品或吸收制品的一部分的数字图像的计算设备的示例性相机。
23.图4示出了根据本文公开的各个方面的生物数字成像方法，该方法用于分析描绘吸收制品或吸收制品的部分的一个或多个数字图像的像素数据。
24.图5a示出了根据本文公开的各个方面的示例性基于生物的学习模型。
25.图5b进一步示出了根据本文公开的各个方面的图5a的基于生物的学习模型。
26.图5c进一步示出了根据本文公开的各个方面的图5a和图5b的基于生物的学习模型。
27.图5d进一步示出了根据本文公开的各个方面的图5a至图5c的基于生物的学习模型。
28.图6示出了根据本文公开的各个方面的在用户计算设备的显示屏上呈现的示例性用户界面。
29.附图仅出于说明的目的描绘了优选的方面。在不脱离本文所述的本发明的原理的情况下，可以采用本文所示的系统和方法的替代方面。
具体实施方式
30.图1示出了根据本文公开的各个方面的示例性生物数字成像系统100，其被配置为分析描绘吸收制品或吸收制品的部分的一个或多个数字图像(例如，图像202a、202b和/或202c中的任一者或多者)的像素数据。吸收制品，并且优选可穿戴吸收制品，可包括可重复使用的尿布、一次性尿布、可重复使用的吸收性裤子、一次性吸收性裤子、可重复使用或一次性衬垫或可与尿布、裤子或内衣、女性保护产品搭配使用的插入物，诸如吸收性衬垫、面巾纸、一次性湿巾和绷带。
31.更一般地，在各个方面中，生物数字成像系统100包括或实现经由捕获和分析包含排泄物的物理介质或吸收制品(例如，尿布或其他此类物理介质)的一部分的图像来提供与排泄物相关的分析或预测的系统和方法。类似地，并且在各个方面中，生物数字成像系统100包括或实现对所使用的物理介质或吸收制品(例如尿布或其他此类物理介质)的图像进行数字分析的系统和方法。例如，在简单实现中，生物数字成像系统可包括或实现捕获吸收制品的角落或其他部分，比较其中识别的排泄物以生成个体特定生物预测值的系统和方法。生物特征的分析可包括对物理介质或吸收制品(诸如吸收制品、尿布、内衣、纸巾、棉衣等)上的此类生物特征的分析。
32.通常，如本文所提及的，吸收制品可指由特定婴儿或个体穿戴和/或弄脏的吸收制品，诸如针对图1、图2、图3、图4、图5a至图5d和/或图6中的任一图在本文所描绘或描述的以及/或者本文以其他方式描述的任何吸收制品(例如，尿布)或吸收制品(例如，尿布)的部分。数字图像(例如，202a、202b和/或202c)可描绘污染的吸收制品或吸收制品部分，并可用于各种目的，例如，为了训练或实现人工智能相关模型，提出建议，提供吸收制品使用或以其他方式提供产品建议。这些图像可描绘穿戴者的皮肤的部分，其随后可被裁剪出来，或者通过系统或方法以其他方式进行标准化。这些图像可包括像素数据，该像素数据描绘一个或多个身体废物或排泄物的至少一部分，身体废物或排泄物诸如粪便、肠道运动(bm)残留物、bm喷出、尿液、渗漏、血液和/或特定个体(例如，婴儿)的其他此类生物特征。像素数据可包含生物特征(即，属性、测量、评估等)，这些生物特征可由或由相关的如在图像的吸收制品或吸收制品部分上、中或周围所描绘的，其颜色、颜色或纹理的变化(即，同质性或缺乏同质性的程度)、反射率或“光泽度”、数量、粘稠度、形状或图案、位置和/或纹理识别。像素数据还可提供确定通过粪便、尿液或月经可看到底层图案(诸如表层上的图案(即，吸收制品面向穿戴者的表面))的程度的能力。参考像素数据，诸如来自医学或科学文献或第三方数
据库的参考像素数据，也可由系统用作本文所述的任何分析中的比较点。
33.像素数据可包括单个像素、像素的组或图案、参考像素、或像素组或像素系列的变换(例如，给定像素组中的特性变化率)。参考像素可包括以下一者或多者：图像的设定部分(诸如制品的一角)中的像素(或像素组)，或制品的特定特征(诸如扣件)上的像素或其像素组，或在包含感兴趣的物质(粪便、尿液、月经等)的高概率位置的像素(或像素组)。
34.如本文所使用的，术语生物数字成像系统可指被配置为用于捕获和分析预期包含排泄物的所使用的吸收制品的像素数据的系统。例如，简单的生物数字成像系统可将第一参考像素(或参考像素的组)与第二参考像素(或参考像素的组)进行比较。第一参考像素可包括图像的一角，或者预期没有排泄物的尿布特征，诸如扣件，而第二参考像素可位于通常预期包含排泄物的区域，诸如尿布的中心。示例性分析可包括评估尿布中是否存在粪便或粪便的颜色或黏稠度。简单的生物数字成像系统的另一个示例可涉及扫描尿布的整个区段为“红”颜色，部分的“红色”，这可能表明存在血液。在生物数字成像系统的其他实施方案中，可包括机器学习方法，以增强系统对用户的功能和实用性。
35.在图1的示例性方面中，生物数字成像系统100包括服务器102，该服务器可包括一个或多个计算机服务器。在各个方面中，服务器102包括多个服务器，该多个服务器可包括作为服务器群的一部分的多个、冗余或复制的服务器。在另外的方面中，服务器102可被实现为基于云的服务器，诸如基于云的计算平台。例如，成像服务器102可以是任何一个或多个基于云的平台，诸如microsoft azure、amazon aws等。服务器102可包括一个或多个处理器104以及一个或多个计算机存储器106。在各个方面中，服务器102在本文中可被称为“成像服务器”。
36.存储器106可包括一种或多种形式的易失性和/或非易失性、固定和/或可移动存储器，诸如只读存储器(rom)、电子可编程只读存储器(eprom)、随机存取存储器(ram)、可擦除电子可编程只读存储器(eeprom)和/或其他硬盘驱动器、闪存存储器、microsd卡等。存储器106可存储能够促进如本文所讨论的功能、应用程序、方法或其他软件的操作系统(os)(例如，microsoft windows、linux、unix等)。存储器106还可存储成像应用程序(app)108，其可包括或可被配置为访问基于人工智能的模型，诸如机器学习模型，该模型根据本文所述的各种图像(例如，图像202a、202b和/或202c)训练。附加地或另选地，图像(例如，训练图像)，诸如图像202a、202b和/或202c中的任一者或多者，也可存储在数据库105中，该数据库可被访问或以其他方式通信地耦接到成像服务器102。此外，存储器106还可存储机器可读指令，包括一个或多个应用程序(例如，如本文所述的成像应用程序)、一个或多个软件组件和/或一个或多个应用程序编程接口(api)中的任一者，其可被实施以促进或执行这些特征，功能或本文所述的其他公开内容，诸如针对本文的各种流程图、图示、图表、附图和/或其他公开内容所示、描绘或所述的任何方法、过程、元件或限制。应当理解，可设想由处理器104执行的一个或多个其他应用程序。
37.处理器104可经由计算机总线连接到存储器106，该计算机总线负责向和从处理器104和存储器106传输电子数据、数据分组或另外的电子信号，以便实现或执行如针对本文的各种流程图、图示、图表、附图和/或其他公开内容所示、描绘或所述的机器可读指令、方法、过程、元件或限制。
38.处理器104可经由计算机总线与存储器106接口以执行操作系统(os)。处理器104
还可经由计算机总线与存储器106接口以创建、读取、更新、删除或以其他方式访问存储在存储器106和/或数据库105(例如，关系数据库，诸如oracle、db2、mysql，或基于nosql的数据库，诸如mongodb)中的数据或与之进行交互。存储在存储器106和/或数据库105中的数据可包括本文所述的任何数据或信息的全部或部分，包括例如训练图像和/或其他图像(例如，包括图像202a、202b和/或202c中的任一者或多者)和/或关于给定吸收制品或个体使用的吸收制品的其他图像和/或信息，包括健康数据，产品指标、参考数据等，或另外的如本文所述的。
39.成像服务器102还可包括通信组件，该通信组件被配置为经由一个或多个外部/网络端口将数据传送(例如，发送和接收)到一个或多个网络或本地终端诸如本文所述的计算机网络120和/或终端109(用于呈现或可视化)。在一些方面中，成像服务器102可包括客户端-服务器平台技术，诸如asp.net、java j2ee、ruby on rails、node.js、web服务或在线api，其响应于接收并响应于电子请求。成像服务器102可以实现客户端-服务器平台技术，该技术可经由计算机总线与存储器106(包括存储在其中的应用程序、组件、api、数据等)和/或数据库105进行交互，以实现或执行如针对本文的各种流程图、图示、图表、附图和/或其他公开内容所示、描绘或所述的机器可读指令、方法、过程、元件或限制。
40.在各个方面中，成像服务器102可包括根据ieee标准、3gpp标准或其他标准起作用并且可用于经由连接到计算机网络120的外部/网络端口接收和传输数据的一个或多个收发器(例如，wwan、wlan和/或wpan收发器)，或者与该一个或多个收发器进行交互。在一些方面中，计算机网络120可包括专用网络或局域网(lan)。附加地或另选地，计算机网络120可包括公共网络，诸如互联网。
41.成像服务器102还可包括或实现操作者界面，该操作者界面被配置为向管理员或操作者呈现信息和/或从管理员或操作者接收输入。如图1所示，操作者界面可提供显示屏(例如，经由终端109)。成像服务器102还可提供i/o组件(例如，端口、电容式或电阻式触敏输入面板、按键、按钮、灯、led)，该i/o组件可经由成像服务器102直接访问或附接到配给服务器，或者可经由终端109间接访问或附接到终端。根据一些方面，管理员或操作者可经由终端109访问服务器102以查看信息，做出改变，输入训练数据或图像，启动基于生物的学习模型(例如，如针对图5a至图5d所述，或针对本文其他部分所述)和/或执行其他功能。
42.如本文所述，在一些方面中，成像服务器102可执行如本文所讨论的作为“云”网络的一部分的功能，或者可以以其他方式与云内的其他硬件或软件组件通信以发送、检索或以其他方式分析本文所述的数据或信息。
43.一般来讲，计算机程序或基于计算机的产品、应用程序或代码(例如，模型诸如ai模型，或本文所述的其他计算指令)可存储在计算机可用存储介质或其中体现有此类计算机可读程序代码或计算机指令的有形非暂态性计算机可读介质(例如，标准随机存取存储器(ram)、光盘、通用串行总线(usb)驱动器等)上，其中计算机可读程序代码或计算机指令可被安装或以其他方式适配成由(例如，与存储器106中的相应操作系统结合工作的)处理器104执行以促进、实现或执行如针对本文的各种流程图、图示、图表、附图和/或其他公开内容所示、描绘或所述的机器可读指令、方法、过程、元件或限制。就这一点而言，程序代码可以任何期望的程序语言实施，并且可以被实施为机器代码、汇编代码、字节代码、可解释源代码等(例如，经由golang、python、c、c++、c#、objective-c、java、scala、actionscript、
javascript、html、css、xml等)。
44.如图1所示，成像服务器102经由计算机网络120通过基站111b和112b通信连接到一个或多个用户计算设备111c1-111c3和/或112c1-112c3。在一些方面中，基站111b和112b可包括蜂窝基站，诸如蜂窝塔，从而基于各种移动电话标准(包括nmt、gsm、cdma、ummts、lte、5g等)中的任一者或多者经由无线通信121与一个或多个用户计算设备111c1-111c3和112c1-112c3进行通信。附加地或另选地，基站111b和112b可包括路由器、无线交换机或其他此类无线连接点，这些无线连接点基于各种无线标准中的任一者或多者，经由无线通信122与一个或多个用户计算设备111c1-111c3和112c1-112c3进行通信，作为非限制性示例，该无线标准包括ieee 802.11a/b/c/g(wifi)、bluetooth标准等。
45.一个或多个用户计算设备111c1-111c3和/或112c1-112c3中的任一者可包括用于访问成像服务器102和/或与该服务器通信的移动设备和/或客户端设备。此类移动设备可包括一个或多个移动处理器和/或成像设备，该成像设备用于捕获图像，诸如本文所述的图像(例如，图像202a、202b和/或202c中的任一者或多者)。在各个方面中，用户计算设备111c1-111c3和/或112c1-112c3可包括移动电话(例如，蜂窝电话)、平板设备、个人数据助理(pda)等，作为非限制性示例，包括apple iphone或ipad设备或基于android的移动电话或平板电脑。
46.在各个方面中，一个或多个用户计算设备111c1-111c3和/或112c1-112c3可实现或执行操作系统(os)或移动平台，诸如apple ios和/或android操作系统。一个或多个用户计算设备111c1-111c3和/或112c1-112c3中的任一者可包括用于存储、实现或执行计算指令或代码(例如，移动应用程序)的一个或多个处理器和/或一个或多个存储器，如本文的各个方面中所述。如图1所示，如本文所述的成像应用程序108和/或成像应用程序或其至少部分也可被本地存储在用户计算设备(例如，用户计算设备111c1)的存储器上。
47.用户计算设备111c1-111c3和/或112c1-112c3可包括无线收发器，以向基站111b和112b传输无线通信121和/或122并从基站接收无线通信。在各个方面中，基于像素的图像(例如，图像202a、202b和/或202c)可经由计算机网络120传输到成像服务器102，以用于基于人工智能的模型(例如，如本文针对图5a至图5d所述)的训练和/或如本文所述的成像分析。
48.此外，一个或多个用户计算设备111c1-111c3和/或112c1-112c3可包括用于捕获或拍摄数字图像和/或帧(例如，其可以是图像202a、202b和/或202c中的任一者或多者)的成像设备和/或数字摄像机。每个数字图像可包括用于训练或实现如本文所述的模型(诸如ai或机器学习模型)的像素数据。例如，例如用户计算设备111c1-111c3和/或112c1-112c3中的任一者的成像设备和/或数字摄像机可被配置为拍摄、捕获或以其他方式生成数字图像(例如，基于像素的图像202a、202b和/或202c)，并且至少在一些方面中，可将此类图像存储在相应用户计算设备的存储器中。附加地或另选地，此类数字图像也可被传输到和/或存储在服务器102的存储器106和/或数据库105上。
49.另外，一个或多个用户计算机设备111c1-111c3和/或112c1-112c3中的每一者可包括显示屏，用于显示图形、图像、文本、个体特定生物预测值、数据、像素、特征、图表、历史评估或比较和/或如本文所述的其他此类可视化或信息。在各个方面中，可从成像服务器102接收图形、图像、文本、个体特定生物预测值、数据、像素、特征和/或其他此类可视化或
信息，以用于显示在用户计算机设备111c1-111c3和/或112c1-112c3中的任一者或多者的显示屏上。预测值可包括对未来结果的预测，诸如来自制品的泄漏、测量参数的新值和/或异常(针对个体)值的指示、分析、历史比较、现状的指示(即观察到的测量参数没有变化)以及与用户、护理者、医生或相关第三方相关的其他信息。附加地或另选地，用户计算机设备可包括、实现、访问、呈现或以其他方式至少部分地暴露界面或引导用户界面(gui)以用于在其显示屏上显示文本和/或图像。
50.在一些方面中，在服务器(例如，服务器102)处和/或移动设备(例如，移动设备111c1)处执行的计算指令和/或应用程序可通信连接，以如本文所述，用于分析描绘吸收制品或吸收制品的部分的一个或多个数字图像的像素数据。例如，服务器102的一个或多个处理器(例如，处理器104)可经由计算机网络(例如，计算机网络120)通信地耦接到移动设备。在此类方面中，成像应用程序可包括被配置为在服务器(例如，服务器102)的一个或多个处理器上执行的服务器应用程序部分以及被配置为在移动设备(例如，一个或多个用户计算设备111c1-111c3和/或112c1-112c3中的任一者)和/或其他此类脱机成像设备的一个或多个处理器上执行的移动应用程序部分。在此类方面，服务器应用程序部分被配置为与移动应用程序部分通信。服务器应用程序部分或移动应用程序部分可各自被配置为实现或部分实现以下一者或多者：(1)在一个或多个处理器处获得描绘例如吸收制品或吸收制品的一部分的数字图像，该数字图像包括像素数据；(2)通过在一个或多个处理器上执行的成像应用程序(app)，分析吸收制品或吸收制品的一部分的数字图像，以检测在吸收制品或吸收制品的一部分的数字图像的像素数据内描绘的生物特征；以及/或者(3)由成像应用程序生成与以下至少一者相对应的个体特定生物预测值：(a)吸收制品；(b)吸收制品的一部分；或(c)与吸收制品或吸收制品的部分相关联的个体。
51.图2示出了根据本文公开的各个方面的可用于生成个体特定生物预测值和/或训练基于生物的学习模型的示例性图像202b及其相关像素数据。在各个方面中，如针对图1所示，图像202b可以是描绘吸收制品(例如，尿布)或吸收制品(例如，尿布)的一部分的捕获图像。图像202b(以及图像202a和/或202c)可经由计算机网络120传输到服务器102，如针对图1所示。
52.更一般地，数字图像，诸如示例性图像202a、202b和202c，可在成像服务器102处收集或汇总，并可由基于生物的学习模型(例如，ai模型，如本文所述的机器学习成像模型)分析和/或用于训练。这些图像中的每一者可包括像素数据(例如，rgb数据)，该像素数据包括特征数据，并且对应于相应图像内的吸收制品和/或吸收制品的部分。像素数据可由一个用户计算设备(例如，一个或多个用户计算机设备111c1-111c3和/或112c1-112c3)的成像设备捕获。
53.关于本文所述的数字图像，像素数据(例如，图2的像素数据202bp)包括图像内的数据的单个点或正方形，其中每个点或正方形表示图像内的单个像素(例如，像素202bp1、像素202bp2和像素202bp3中的每一者)。每个像素可位于图像内的特定位置处。此外，每个像素可具有特定颜色(或缺乏其)。像素颜色可通过与给定像素相关联的颜色格式和相关通道数据来确定。例如，流行的颜色格式是1976cielab(本文也被称为“cie l*-a*-b*”或简单的“l*a*b*”或“lab”颜色格式)，其被配置为模仿人类对颜色的感知。即，l*a*b*颜色格式被设计为使得表示l*a*b*颜色格式的三个值(例如，l*、a*和b*)中的数字变化量大致对应于
人类视觉感知的变化量。这个颜色格式是有利的，例如，因为l*a*b*色域(例如，作为颜色格式的一部分包括的完整颜色子集)包括红色(r)、绿色(g)和蓝色(b)(统称为rgb)和青色(c)、品红(m)、黄色(y)和黑色(k)(统称为cmyk)颜色格式的色域。
54.在l*a*b*颜色格式中，颜色被视为三维空间中的点，该三维空间由三维坐标系(l*,a*,b*)定义，其中每个l*数据、a*数据和b*数据可对应于单个颜色通道，并因此可称为通道数据。在这个三维坐标系中，l*轴描述颜色的色度(亮度)，其值从0(黑色)到100(白色)。a*轴描述颜色的绿色或红色比率，正a*值(+a*)表示红色色调，并且负a*值(-a*)表示绿色色调。b*轴描述颜色的蓝色或黄色比率，正b*值(+b*)表示黄色色调，并且负b*值(-b*)表示蓝色色调。通常，对应于a*和b*轴的值可以是无界的，使得a*和b*轴可包括任何合适的数值来表示轴边界。然而，a*和b*轴典型地可包括范围从大约150至-150的上下边界。因此，以这种方式，每个像素颜色值可表示为l*、a*和b*值的三元组，以创建给定像素的最终颜色。
55.作为另一示例，附加的或另选的颜色格式包括具有红色、绿色和蓝色通道的红-绿-蓝(rgb)格式。也就是说，在rgb格式中，像素的数据由三个数字rgb分量(红色、绿色、蓝色)表示，其可被称为通道数据，以操纵图像内的像素区域的颜色。在一些实施方案中，三个rgb分量可表示为每个像素的三个8位数字。三个8位字节(针对每个rgb有一个字节)可用于生成24位颜色。每个8位rgb分量可具有256个可能值，范围从0到255(即，在基础2二进制系统中，8位字节可包含在0到255范围内的256个数字值中的一者)。这个通道数据(r、g和b)可被分配可用于设置像素颜色的0到255的值。例如，三个值如(250,165,0)(意味着(红色＝250，绿色＝165，蓝色＝0))可表示一个橙色像素。作为另一示例，(红色＝255，绿色＝255，蓝色＝0)意味着各自完全饱和(255是8位可为的明亮)的红色和绿色，没有蓝色(零)，其中所得颜色为黄色。作为又一示例，颜色黑色具有rgb值(红色＝0，绿色＝0，蓝色＝0)并且白色具有rgb值(红色＝255，绿色＝255，蓝色＝255)。灰色的性质为具有相等或类似rgb值，例如(红色＝220，绿色＝220，蓝色＝220)是浅灰色(近似白色)，并且(红色＝40，绿色＝40，蓝色＝40)深灰色(近似黑色)。
56.以此方式，三个rgb值的复合为给定像素产生最终颜色。关于24位rgb颜色图像，使用3个字节来定义颜色，可能存在256个红色阴影和256个绿色阴影及256个蓝色阴影。这为24位rgb颜色图像提供256
×
256
×
256，即16.7百万个可能的组合或颜色。因此，像素的rgb数据值指示红色、绿色和蓝色像素中的每一者组成的颜色或光的程度。三种颜色和其强度水平在该图像像素处组合，即在显示屏上的该像素位置处，以在该位置处用该颜色照亮显示屏。然而，应理解，具有更少或更多位的其他位大小，例如10位，可用于产生更少或更多的总体颜色和范围。另外，应理解，像素数据可包含附加的或另选的颜色格式和通道数据。例如，像素数据可包括以色调饱和度值(hsv)格式或色调饱和度亮度(hsl)格式表示的颜色数据。
57.作为整体，以网格图案(例如，像素数据202bp)定位在一起的各个像素形成数字图像或其一部分。单个数字图像可包括数千或数百万个像素或通道。图像可以多种格式(诸如jpeg、tiff、png和gif)捕获、生成、存储和/或传输，。这些格式使用像素来存储或表示图像。
58.参考图2，示例性图像202b示出了吸收制品或吸收制品的一部分。更具体地，图像202b包括像素数据，包括定义吸收制品或吸收制品的一部分的像素数据202bp。像素数据
202bp包括多个像素，包括像素202bp1、像素202bp2和像素202bp3。在示例性图像202b中，像素202bp1、像素202bp2和像素202bp3中的每一者都各自代表在图像202b内可检测或以其他方式可识别的特征(例如，生物特征)。通常，在各个方面中，生物特征可包括尿液、粪便、肠道运动(bm)残留物或其他此类生物废物中的一者或多者。这些特征中的每一者可从或以其他方式基于数字图像(例如，图像202b)中的一个或多个像素来确定。例如，关于图像202b，像素202bp1可描绘或以其他方式指示粪便或bm残留物，并且因此包括较暗的像素颜色(例如，具有相对低l*值的像素)。附加地或另选地，像素202bp1可包括褐色像素颜色(例如，针对基于lab的像素配色方案，具有相对较高的a*值(红色)和b*值(黄色)的像素，并且/或者针对基于rgb的像素配色方案，具有较高的r(红色)和g(绿色)值的像素，具有较深的色调)，从而指示或描绘图像202b的像素202bp1的生物特征(例如，粪便或bm残留物)。
59.作为另一示例，关于图像202b，像素202bp2可描绘或以其他方式指示尿液，并且因此包括较浅的像素颜色(例如，具有相对较高l*值的像素)。附加地或另选地，像素202bp2可包括淡黄色像素颜色(例如，针对基于lab的像素配色方案，具有相对较高的b*值(黄色)的像素，并且/或者针对基于rgb的像素配色方案，具有较高的r(红色)和g(绿色)值的像素，具有较浅的色调)，从而指示或描绘图像202b的像素202bp2的生物特征(例如，尿液)。
60.作为又一示例，关于图像202b，像素202bp3可描绘或以其他方式指示粪便或bm残留物、粪便或bm残留物与尿液一起的第二部分和/或吸收制品或吸收制品部分的纹理。因此，202bp3可包括中等深度像素颜色(例如，具有相对中等深度l*值的像素)。附加地或另选地，像素202bp1可包括中等深度像素颜色(例如，针对基于lab的像素配色方案，具有相对中等a*值(红色到绿色)和b*值(黄色到蓝色)的像素，和/或针对基于rgb的像素配色方案，具有中等r(红色)、g(绿色)、b(蓝色)值的像素)，从而指示或描绘图像202b的像素202bp3的生物特征(例如，图像202b的吸收制品或吸收制品部分的皱纹和/或纹理上描绘的粪便、bm残留物、尿液)。
61.除了像素202bp1、202bp2和202bp3之外，像素数据202bp包括各种其他像素，包括图像202b的吸收制品或吸收制品的一部分的剩余部分，其可被分析和/或用于训练ai模型，和/或通过已经训练的模型进行分析，诸如本文所述的基于生物学的学习模型。例如，像素数据202bp还包括代表图像202b的吸收制品的边缘的特征、图像202b的吸收制品的扣件或其他产品特征、图像202b的吸收制品的尺寸和大小，图像202b的吸收制品的皱纹/纹理，以及如图2所示的其他分类和/或特征的像素，它们中的每一者都可具有它们自己相应的像素数据(例如，相关的lab、rgb和/或其他像素数据)。
62.如在各个方面中所述，图像202b的像素数据(例如，像素202bp1、像素202bp2和像素202bp3)可用于生成与以下至少一者相对应的个体特定生物预测值：(a)吸收制品；(b)吸收制品的一部分；或(c)与吸收制品或吸收制品的部分相关联的个体。此外，图像202b的像素数据(例如，像素202bp1、像素202bp2和像素202bp3)可用于训练人工智能(ai)模型，包括例如如本文针对图4和图5a至图5d所述的基于生物的学习模型。
63.在一些方面中，数字图像，诸如训练图像、由用户提交的图像、或其他方式的数字图像(例如，图像202a、202b和/或202c中的任一者)，可以是或可包括裁剪图像。通常，裁剪图像是具有从原始捕获的图像去除、删除或隐藏的一个或多个像素的图像。例如，参考图2，图像202b表示原始图像。裁剪部分202bc1表示图像202b的第一裁剪部分，其去除可能不包
括个人可识别信息(pii)的吸收制品或吸收制品部分(在裁剪部分202bc1之外被去除)的部分。作为另一示例，裁剪部分202bc2表示图像202b的第二裁剪部分，其去除图像的部分(去除裁剪部分202bc2之外)。在各个方面中，分析和/或使用裁剪图像用于训练可产生基于生物的学习模型的改进的准确度。它还可改进底层计算机系统的效率和性能，因为此类系统处理、存储和/或传输较小大小的数字图像。此外，此类特征提供了安全性改进，即，移除pii提供了超过先前系统的改进，因为裁剪或编辑的图像，尤其是可通过网络(例如，互联网)传输的图像，在不包括个体的pii信息的情况下更安全。重要的是，本文所述的系统和方法可在不需要此类非必要信息的情况下操作，这提供了超过常规系统的改进，例如，安全性和性能改进。此外，尽管图2可描绘和描述裁剪图像，然而，应当理解，其他图像类型，包括但不限于原始的、未裁剪的图像(例如，原始图像202b)和/或其他类型/大小的裁剪图像(例如，图像202a的裁剪部分202bc1)，也可被使用或替换。
64.应当理解，图2的图像202b的公开内容相同或类似地应用于本文所述的其他数字图像，包括例如图像202a和202c，其中此类图像还包括像素，如本文所述，该像素可被分析和/或用于分析和/或训练ai模型。
65.此外，如本文所述的吸收制品或吸收制品部分的数字图像可描绘各种个体的各种生物特征，其可用于跨具有各种不同生物废物残留物或类型的各种不同的个体，训练基于生物的学习模型。例如，如针对图像202a、202b和202c所示，这些图像的吸收制品和/或吸收制品部分包括不同的形状、图案、尺寸、位置、颜色、颜色的变化、均匀性、吸收制品内的位置、反射率和/或可用相应图像的像素数据识别的生物特征的类型。这些生物特征指示例如对应于尿液、粪便、bm残留物等的一种或多种类型的预测、分类和/或评分，其中可以通过不同的粘稠度来分类、预测和/或评分，例如，作为非限制性示例，包括无凝乳的水样的、有凝乳的水样的、粘液样的、软的、糊状的和硬的。
66.在各个方面中，数字图像(例如，图像202a、202b和202c)，无论用作训练图像，还是用作用于分析(诸如生成个体特定生物预测值)的图像，都可包括描绘具有生物特征的吸收制品的不同角度、视点、透视图或部分的多个角度或透视图。多个角度或透视图可包括吸收性、吸收制品部分的不同视图、位置、接近度和/或背景、照明条件或吸收制品或吸收制品部分在给定图像中所处的另外的环境。
67.图3示出了根据本文公开的各个方面的捕获描绘吸收制品或吸收制品的一部分的数字图像(例如，202b)的计算设备(例如，111c1)的示例性相机111c1c。如图3所描绘，相机111c1在相机111c1的视野111c1v中捕获吸收制品300的图像。取决于视野111c1v，相机111c1c将捕获吸收制品300或其一部分的图像。
68.相机111c1c可捕获吸收制品300的多个层(例如，300t、300a和300c)的像素数据。例如，相机111c1c沿轴线111c1a指向并且可捕获吸收制品300的一个层或多个层的像素数据。在图3的示例中，层300t是吸收制品300的顶部薄片层，包括与婴儿和/或个体的皮肤介接的部分。层300a是吸收制品300的应用层，其最初可接收生物废物(例如，肠道运动残留物和/或尿液)。层300c是吸收制品300的芯层，其可提供对生物废物(例如，肠道运动残留物和/或尿液)的吸收。然而，应当理解，吸收制品将被不同地配置，其中并非所有吸收制品都包括如图3所示的多个层，并且其中一些吸收制品具有更少或更多的层(例如，一些吸收制品可能不包括采集层300a)。在某些实施方案中，可分析图像中存在的任何皮肤的像素数
据，以评估压力标记、刺激、红斑和/或水肿的存在。另选地，该系统可分析皮肤或制品的穿戴者或用户的单独产生的图像。这些分析可向用户或护理人员产生信息，诸如建议，以使他们能够进行干预以实现更理想的皮肤状况。
69.或者一起或者单独，各个层在接收或吸收生物废物时可改变颜色、变形或以其他方式进行修改。这可导致吸收制品的颜色、形状、纹理变化，并导致由相机111c1c捕获的任何图像(例如，诸如图像202a、202b和/或202c中的任一者)的像素数据中的对应变化，并因此提供如本文所述的用于分析或使用图像的基础，诸如生成个体特定生物学预测值和/或训练基于生物的学习模型，如本文关于图4、图5a至图5d和图6所述的。例如，在一些方面中，像素数据(例如，颜色值、通道、亮度或另外的如本文所述的)可改变或不同，这取决于生物特征是否位于或定位在任何给定层(例如，顶部薄片层、应用层、芯层等)之上、上、内、下。例如，除了颜色、图案和/或颜色的形状、反射率、bm的光泽度和/或像素的3d尺寸之外，或作为其替代，可分析吸收制品上像素的距离范围、图案、变化和位置的颜色变化和比较颜色。受与各个层的定位影响的生物特征的像素数据中的此类变化或差异可被本文所公开的系统和方法用来确定或生成特定预测或分类(例如，个体特定生物预测值)，诸如与出现给定物理介质或吸收制品的生物特征(例如，尿液、粪便、血液等)的量、黏稠度、颜色、类型等相关，或如本文另外描述的。
70.图4示出了根据本文公开的各个方面的生物数字成像方法400，其用于分析描绘吸收制品或吸收制品的部分的一个或多个数字图像(例如，诸如图像202a、202b和/或202c中的任一者)的像素数据。在框402处，生物数字成像方法400包括在一个或多个处理器处获得描绘吸收制品或吸收制品的一部分的数字图像(例如，图像202b)。数字图像可包括如本文关于图2所描述的或本文以其他方式描述的像素数据。如与方法400一起使用并且更一般地如本文所述，图像是由成像设备(例如，用户计算设备111c1的成像设备，诸如相机111c1c)捕获的基于像素的图像。在一些方面中，图像可包括或是指使用数字摄像机(例如，相机111c1c)收集的多个图像，诸如多个图像(例如，帧)。帧包括定义运动的连续图像，并且可包括电影、视频等。
71.一个或多个处理器可包括本地处理器(“边缘”处理器)(例如，在用户计算设备111c1上运行的处理器)和/或服务器(云)处理器(例如，在成像服务器102上运行的处理器)。在一些方面中，一个或多个处理器可以是如由pampers品牌提供的lumi设备的处理器，其中lumi设备包括用于捕获数字图像(例如，数字图像202a、202b和/或202c)的相机。在一些方面中，lumi设备可定位在婴儿处或附近(例如，婴儿床或其他地方附近)或其他个体处或附近，如本文所述的用于获得描绘吸收制品或吸收制品的一部分的数字图像和相关像素数据。可在本地处理器和/或服务器处理器上分析像素数据，例如，通过跨计算机网络120通信的成像应用程序108的部分。
72.在框404处，生物数字成像方法400包括通过在一个或多个处理器(例如，计算设备111c1和/或成像服务器102的处理器)上执行的成像应用程序(app)(例如，成像应用程序108)，分析吸收制品或吸收制品的一部分的数字图像(例如，图像202b)，以检测吸收制品或吸收制品的一部分的数字图像的像素数据内描绘的生物特征(例如，粪便、bm残留物和/或尿液)。如本文针对图2(或本文其他部分)所述，在各个方面中，一个或多个生物特征可包括指示尿液或尿渍的像素颜色或类型。附加地或另选地，一个或多个生物特征可包括指示粪
便或粪便残留物的像素颜色或类型。
73.在附加的方面中，用于检测生物特征的吸收制品或部分的数字图像的分析包括实现对象检测。通常，对象检测包括提供图像和/或视频内对象的识别和定位的计算机视觉实现。对象检测可用于确定、跟踪和计数图像或帧和计数的场景中的对象。可以标记此类对象，并且标签与图像一起可用于训练人工智能模型，例如，诸如本文所述的基于生物的学习模型。例如，关于本文的公开内容，对象检测可包括分析给定数字图像，以检测吸收制品或吸收制品的一部分的数字图像的像素数据内的一个或多个图像对象。在各个方面中，经由对象检测所检测的一个或多个对象可包括以下至少一者：(a)吸收制品(例如，尿布)，或(b)用吸收制品的像素检测的污渍或色差(例如，尿液、粪便或其他废物或残留物)。
74.在一些方面中，对象检测可包括预处理技术，用于增强或以其他方式优化图像(和/或其相关像素数据)，以用于如本文所述的训练基于生物的学习模型。也就是说，在一些方面中，对象检测可用于识别和定位给定图像的像素数据，例如(1)图像内的吸收制品(例如，尿布)；或(2)在图像内识别的吸收制品上的污渍或另外的颜色差异。对象检测的结果提供了用于增强图像分析并因此增强量和黏稠度的预测的裁剪图像。例如，如用并使用对象检测使用图像进行训练的基于生物的学习模型(例如，深度学习模型)，在黏稠度预测上达到了92％的平均准确度，并且在数量预测上达到了93％的平均准确度。
75.作为非限制性示例，对象检测可由you only look once(yolo)软件实现，该软件包括一系列对象检测架构。例如，yolov5是由ultralytics inc.开发的开源软件库的第五版实现，并且它对于准备图像以训练自定义图像数据是有效的，并提高实时图像检测和分析的效率。yolov5包括在现有图像数据集(例如，coco数据集)上预训练的ai模型，用于执行对象检测。在此类示例性方面中，训练数据可用多个尿布图像(在平板上拍摄)和第二多个尿布图像(在幼儿或婴儿身上拍摄)来准备，这些图像用两个边界框(即标记的)类别手动标记：尿布和污渍。使用训练数据，训练基于yolov5的自定义模型，以实现对象检测，以检测图像的像素数据内的尿布和污渍。对此类模型的测试产生了平均95％的intersection over union(iou)评分。
76.然后，可使用基于yolov5的模型及其增强图像来确定尿液、bm或其他废物残留物的量和黏稠度，如本文所述的，例如，如本文针对图5a至图5d所述，和/或通过相关mobilenet.v2神经网络(nn)架构。例如，图像分析预测可包括基于经过训练的yolov5模型输出或确定的裁剪图像来检测尿布的颜色、量和黏稠度。例如，具有污渍或另外的颜色差异的裁剪图像可用于颜色检测。描绘全吸收制品(例如，尿布图像)的图像可用于量和黏稠度预测。例如，关于黏稠度输出，可定义一个或多个类别。作为非限制性示例，此类类别可包括任何一个或多个输出：“粘液”、“凝乳”、“鼻涕状”、“软的”、“糊状”或“硬的”。在一些方面中，对于黏稠度预测，在第一步，标签(例如，“鼻涕状”、“软的”、“糊状”、“硬的”等中的任一者)可通过mobile net v2 nn架构或其他基于生物的学习模型来预测。然后，如果标签被预测为“鼻涕状”，则可通过mobile net v2 nn架构或其他基于生物的学习模型进行进一步预测，以确定粪便是否有无粘液、稀粘液、浓粘液等。以这种方式，可为黏稠度值确定组合标签或其他多个标签或输出。更一般地，可执行颜色、量和黏稠度检测或预测中的任一者或多者，以用于如本文所述的颜色检测和颜色校准500c4。
77.例如，关于颜色检测，消费者可使用移动设备(例如，手机)在不同的光照环境中
(例如，在野外图像捕获中)捕获图像。白平衡可用于调整颜色以匹配移动设备的相机的光源颜色(以及当捕获图像时其周围环境)，使得白色对象(例如，尿布)呈现白色，并使得其他对象(诸如粪便或bm)以其原始颜色呈现。对于颜色识别，k-均值聚类可用于检测污渍的颜色(例如，rgb值和/或l*值)或尿布和/或皮肤上的色差。超参数k可设置为值3，以映射或以其他方式对应于尿布上的三个像素簇或类型，例如：(1)污渍像素(例如，包括较深像素颜色的表示粪便或bm残留物的像素202bp1，和/或包括较浅像素颜色的表示尿液的像素202bp2)；(2)脏尿布像素(与202bp1和/或202bp2类似的像素)；以及(3)清洁尿布像素(例如，表示未染色或非脏区域的像素数据202bp的白色像素)。
78.附加地或另选地，k均值学习模型可用于检测或分类染色、脏污和/或清洁尿布和/或皮肤的颜色(例如，rgb值)。在此类方面中，污渍相关颜色的rgb值(例如，尿布上的非白色，皮肤上的非皮肤颜色)被分配有来自labelbox(“绿色”、“棕色”、“黄色”、“棕褐色”、“黑色”、“白色”、“红色”)的颜色标签，并用于训练k-最近邻模型。然后，此类k-最近邻模型可用于输出颜色类别或值的预测或分类。在此类方面中，如由最近邻模型执行的来自k均值聚类的输出是rgb值。多个rgb值可属于相同的颜色类别，例如“绿色”。k-最近邻模型创建rgb值的“边界”，用于分类哪个rgb值属于哪个颜色类别。k-最近邻模型使用其相邻值的多个投票对给定的rgb值进行分类，给定的rgb值被分配给其k个最近邻中最常见的类(例如，其中k是正整数，通常很小，例如，诸如k＝1，使得rgb值被分配给该单个最近邻值的类(颜色类别，例如“绿色”)。
79.关于量和黏稠度检测，可使用预训练的深度学习模型来执行预测，例如，基于生物的学习模型，诸如本文针对图5a至图5d所述的mobilenet模型。例如，基于生物的学习模型使用所检测的颜色和/或为图像内的给定颜色分配或检测的像素数量来预测、分类或以其他方式确定包括尿布的图像中的尿液、bm和/或废物残留物的量和黏稠度。
80.在框406处，生物数字成像方法400包括由成像应用程序(例如，成像应用程序108)生成与以下至少一者相对应的个体特定生物预测值：(a)吸收制品(例如，如图像202b中所示)；(b)吸收制品的一部分(例如，图像202b的一部分)；或(c)与吸收制品或吸收制品的一部分相关联的个体(例如，婴儿)。个体特定生物预测值是基于在吸收制品或吸收制品的一部分或皮肤的一部分的数字图像(例如，图像202b)的像素数据内描绘的生物特征。附加地或另选地，个体特定生物预测值可基于个体的位置(例如，其可在给定数字图像内描绘)。在各个方面中，个体特定生物预测值包括一个或多个输出，诸如预测评分、分类或其他值，指示或以其他方式对应于粪便或尿液黏稠度、颜色、血液的存在和/或量)。附加地或另选地，个体特定生物预测值可包括泄漏和/或喷出的预测，例如，其中尿液或粪便残留物泄漏或从吸收制品中出来。
81.在各个方面中，个体特定生物预测值可包括多个或一组预测评分、分类或指示吸收制品或吸收制品的一部分的数字图像内的像素数据的其他值。此类评分可包括关于基于粪便的评分(例如，粪便泄漏评分)和/或基于尿液的评分(例如，尿量等)的单个评分，其中此类评分是基于特定像素值确定的(例如，较暗的像素代表粪便值，黄色或较浅的像素代表尿液值，并且较白的像素代表吸收制品或产品的值)。然而，应当理解，本文考虑了其他生物学特征的评分或分析。例如，还可以确定其他生物特征的评分或分析，其中作为非限制性示例，生物特征可包括，例如血液、身体分泌物，诸如女性分泌物(例如，月经分泌物)、在顶部
薄片上检测的生物特征、皮肤或本文所述或另外的任何其他生物特征。附加地或另选地，预测评分、分类或其他值可对应于具有尿液和bm和/或其他生物特征的混合尿布。另外，预测评分、分类或其他值可对应于非同质粪便和/或尿液，其中可在像素数据内识别粪便的不同部分。另外，预测评分、分类或其他值可基于来自用户的除像素数据之外的其他输入，包括例如关于可与像素数据组合使用以创建个体特定生物预测值的用户调查问题的答案的信息。此类附加信息可用于进一步训练基于生物的学习模型以输出个体特定生物预测值。通常，此类“评分”或其他值可指示泄漏的严重性、风险、位置数量的预测，或如本文另外所述的。
82.另外，在各个方面中，此类评分或值(例如，个体特定生物预测值)可包括数值和/或阈值，其中检测给定评分或因素(例如，凝乳水样)或其他此类值的指示，诸如量、颜色等，取决于给定评分或值(例如，个体特定生物预测值)是否高于、等于和/或低于给定阈值。这可防止如本文所述的生物数字成像方法和系统生成假阳性和/或假阴性作为输出。此类评分和/或阈值可基于文献参考、医学偏好标准等。
83.例如，在各个方面中，在图像(例如，图像202b)的像素数据内可识别的生物特征可包括粪便或粪便残留物，并且在这些方面中，个体特定生物预测值可包括以下至少一者：(1)粪便泄露评分(例如，预测泄露的可能性)；(2)粪便正常评分(例如，提供标准化值)；(3)粪便颜色评分(例如，指示粪便的颜色以用于预测目的)；(4)粪便黏稠度评分(例如，指示粪便的黏稠度类型)；(5)粪便和吸收制品产品黏稠度评分(例如，指示粪便和给定产品，诸如吸收制品的黏稠度的值)；(6)粪便量评分(例如，指示吸收制品中的粪便量的值)；或(7)粪便健康评分(例如，指示用户健康的方面)。这些评分中的任一者可包括考虑多个参数和/或评分的“变换值”，诸如加权的单个值。附加地或另选地，可基于给定图像和/或其中的相关数字像素与对应于具有数字图像的训练集的生物特征的特征向量的总体分布的中心值的多少标准偏差来确定评分。
84.此类评分可通过成像应用程序108和/或本文所述的基于生物的学习模型来确定。另外，例如，在一些方面中，个体特定生物预测值可包括评分、指标、预测、分类或基于量表的值，用于评估婴儿的“小便”和/或“大便”是否正常(例如，颜色和/或黏稠度)。例如，在各个方面中，个体特定生物预测值可包括或指示gustin et al.,“characterizing exclusively breastfed infant stool via a novel infant stool scale,”journal of parental and enteral nutrition(2018)描述的粪便量表，其全部内容通过引用并入本文。此类个体特定生物预测值可允许用户(例如，父母)确定是否联系医生(例如，儿科医生)。此类评分可用于粪便预言。例如，粪便和/或吸收制品产品黏稠度评分可识别吸收制品的脱水性质可能影响粪便黏稠度外观。此类评分或值可帮助用户识别何时预期婴儿的下一次肠道运动，而无需脱掉婴儿的衣服。另外，此类评分或值可帮助用户确定在特定时间段内(例如，接下来的12小时)是否预期会发生喷出或泄漏。另外，此类评分可帮助用户确定或识别最佳的吸收制品更换时间以防止喷出或泄漏。
85.在类似的方面中，图像(例如，图像202b)的像素数据内可识别的生物特征可包括，包括尿液或尿渍的生物特征，并且在此类方面中，个体特定生物预测值可包括以下至少一者：(1)尿液健康评分(例如，基于吸收制品中识别的尿液和/或指示用户健康的方面来识别或定义个体的健康)；(2)尿液颜色评分(例如，基于尿液定义颜色或颜色类型)；(3)尿液和
吸收制品产品颜色评分(例如，指示尿液类型和给定产品，诸如吸收制品，及其有效性)；或(4)尿液泄漏评分(例如，指示尿液泄漏的值或发生尿液泄漏的预测概率)。此类评分或值可通过成像应用程序108和/或本文所述的基于生物的学习模型来确定。在一些方面中，可基于尿液染料、着色剂或化学试剂来调整或增强尿液颜色，这些尿液染料、着色剂或化学试剂可在制造期间或之后应用于吸收制品。在此类方面中，个体特定生物预测值可基于此类颜色或另外的产品增强。尿液评分至少足以区分包含粪便的区域和仅包含尿液的区域。
86.在各个方面中，个体特定生物预测值可指示个体经历健康问题的概率、值和/或评分。此类值可用于确定或检测潜在的健康、方便和/或舒适问题，诸如脱水、过敏等，并具有足够的准确度来建议何时联系儿科医生或采取其他行动，诸如预防或纠正措施。此类评分或值也可提供给儿科医生或其他健康专业人员以帮助用户准备访问，其可包括针对婴儿的个性化时间表(基于个体特定生物预测值)，旨在回答儿科医生或其他健康专业人士可能问的问题)。本公开的系统附加地可包括根据用户或护理人员的请求向用户的医生或其他第三方发送或以其他方式提供对图像、分析或建议的访问的装置。例如，与用户健康相关的数据可经由基于云的系统提供给医生，或者研究人员可被授权访问与制品的功能和/或粪便、尿液、月经等的特性相关的数据。作为另一个示例，应用程序(如本文针对图9所述的)可被配置为向医生和/或第三方发送图像以提供远程医疗实现，其中具有接收应用程序/链接的医生可访问个体特定生物预测值，并且其中可保护需要用户共享权限的私人数据。应用程序可包括远程医疗应用程序，并且可以医生能够解释的方式呈现。在一些方面中，用户可选择哪些图像或图像的部分使用和/或提交，并且可精准确定图像的部分，以使用和/或提交。
87.作为另一个示例，个体特定生物预测值可用作关于何时基于粪便、尿液或其他此类指标更换吸收制品的指标，从而推动更高频率的吸收制品更换以减轻健康、方便和/或改进功效的舒适问题。例如，个体特定生物预测值可用于评估婴儿或其他个体的粪便是否特别容易刺激穿戴者(例如，大量)以帮助防止吸收制品皮疹。此外，用户可结合个体特定生物预测值提供关于皮肤状况的输入，以改变、调整或更新个体特定生物预测值。在类似的方面中，一旦出现发红迹象，个体特定生物预测值可用于停止吸收制品皮疹的进展。在类似的方面中，个别特定生物预测值可用于识别产品和/或护理程序，以防止吸收制品皮疹。图像及其分析还可用于更准确地向用户或护理人员提供皮肤护理建议。
88.作为另外的示例，个体特定生物预测值可用于检测食物过敏和喂养问题，诸如检测潜在的食物不耐受或过敏，并确定婴儿是否正在吃和/或喝足够的水(即使在母乳喂养时)，对应于在吸收制品和/或吸收制品部分的像素数据内检测的对应于生物特征的相应健康问题。
89.图5a至图5d示出了根据本文公开的各个方面的示例性基于生物的学习模型。基于生物的学习模型可以是基于人工智能的模型，诸如基于机器学习的模型。基于生物的学习模型可以实现为成像应用程序108的一部分或通信地耦接到成像应用程序108并在计算设备111c1和/或服务器102处实现，其中基于生物的学习模型的全部或部分在计算设备111c1和/或服务器102处或跨计算设备111c1和/或服务器102执行。
90.在各个方面中，数字图像(例如，202b)的分析包括将数字图像输入到由成像应用程序(例如，成像应用程序108)电子接入的基于生物的学习模型中。用描绘吸收制品或吸收制品的一部分(例如，202a和/或202c)的多个训练图像的像素数据来训练基于生物的学习
模型。基于生物的学习模型被配置为输出一个或多个生物预测值(例如，如针对图4或本文中的其他部分所述的)，该预测值对应于描绘吸收制品或吸收制品的部分的多个训练图像的像素数据的一个或多个生物特征。
91.在各个方面中，基于生物的学习模型包括用至少一种ai算法训练的基于人工智能(ai)的模型。基于生物的学习模型的训练涉及训练图像的图像分析以配置基于生物的学习模型的权重，以及用于预测和/或分类未来图像的基础算法(例如，机器学习或人工智能算法)。例如，在本文的各个方面中，基于生物的学习模型的生成涉及用多个训练图像来训练基于生物的学习模型，其中每个训练图像包括像素数据并且描绘如针对图2所述的吸收制品或吸收制品的部分。在一些方面中，服务器或基于云的计算平台(例如，成像服务器102)的一个或多个处理器可经由计算机网络(例如，计算机网络120)接收多个个体的多个训练图像。在此类方面中，服务器和/或基于云的计算平台可用多个训练图像的像素数据来训练基于生物的学习模型。
92.在各个方面中，可使用监督或无监督的机器学习程序或算法来训练如本文所述的机器学习成像模型(例如，基于生物的学习模型)。机器学习程序或算法可采用神经网络，该神经网络可以是卷积神经网络、深度学习神经网络、或组合学习模块或程序，其学习在特定感兴趣区域中的两个或更多个特征或特征数据集(例如，像素数据)。机器学习程序或算法还可包括自然语言处理、语义分析、自动推理、回归分析、支持向量机(svm)分析、决策树分析、随机森林分析、k最近邻分析、朴素初贝叶斯分析、聚类、增强学习和/或其他机器学习算法和/或技术。在一些方面，基于人工智能和/或机器学习的算法可被包括为在成像服务器102上执行的库或分组。例如，库可包括基于tensorflow的库、pytorch库和/或scikit-learn python库。
93.机器学习可涉及识别和认识现有数据中的图案(诸如识别如本文所述的吸收制品或吸收制品的一部分和/或皮肤的数字图像的像素数据内描绘的生物特征)，以便于对后续数据的预测或识别(诸如对新图像的新像素数据使用模型，以确定或生成对应于以下至少一者的个体特定生物预测值：(a)吸收制品；(b)吸收制品的一部分；或(c)与吸收制品或吸收制品的部分相关联的个体)。
94.可基于示例性数据(例如，“训练数据”和相关像素数据)输入或数据(其可被称为“特征”和“标签”)来创建和训练机器学习模型(诸如本文针对一些方面所述的基于生物的学习模型)以便对新输入(诸如测试水平或生产水平数据或输入)进行有效且可靠的预测。在监督机器学习中，在服务器、计算设备或另外的处理器上操作的机器学习程序可被设置有示例性输入(例如，“特征”)及其相关联的或观察到的输出(例如，“标签”)，以便例如通过跨各种特征类别确定权重或其他度量和/或将权重或其他度量分配给模型来使机器学习程序或算法确定或发现将此类输入(例如，“特征”)映射到输出(例如，“标签”)的规则、关系、模式或另外的机器学习“模型”。然后，此类规则、关系或另外的模型可被提供作为后续输入以便使如本文所述的在服务器、计算设备或另外的处理器上执行的模型基于所发现的规则、关系或模型来预测或分类预期输出、评分或值。
95.在无监督机器学习中，可能要求服务器、计算设备或另外的处理器在未标记的示例性输入中找到其自身的结构，其中例如多个训练迭代由服务器、计算设备或另外的处理器执行以训练多个模型生成，直到生成了令人满意的模型，例如在被给予测试水平或生产
水平数据或输入时提供足够预测准确度的模型。
96.监督学习和/或无监督机器学习还可包括用新的或不同的信息重新训练、重新学习或以其他方式更新模型，这些信息可包括随时间接收、摄取、生成或以其他方式使用的信息，和/或可包括来自不同来源、问卷调查、用户反馈等的信息。本文的公开内容可使用此类监督或无监督机器学习技术中的一种或两种。
97.各种类型的训练图像和/或训练技术可用于训练ai模型并以其他方式确定ai模型的输出和/或执行，该ai模型诸如是本文所述的基于生物的学习模型。在各个方面中，图像分析可包括在描绘吸收制品或吸收制品的一部分和/或皮肤的图像的像素数据上训练基于机器学习的模型(例如，基于生物的学习模型)。附加地或另选地，图像分析可包括使用如先前训练的机器学习成像模型，基于像素数据(例如，包括它们的l*、a*和b*值和/或rgb值)来确定吸收制品或吸收制品的一部分的一个或多个图像。可经由分析给定图像的各个像素的各种l*a*b*和/或rgb值来训练模型的权重。例如，深色或低l*值(例如，l*值小于50的像素)可指示图像中存在粪便或存在吸收制品边缘的区域。同样，稍浅的l*值(例如，l*值大于50的像素)可指示在吸收制品或吸收制品的一部分中存在尿液。另外，高和/或低a*和/或b*值可指示吸收制品或吸收制品的一部分的包含更多或更少粪便和/或尿液的区域。一起，当具有粪便和/或尿液或其他生物特征值(诸如l*a*b*或rgb值)的像素位于给定图像内，或者以其他方式被具有典型吸收制品色调颜色(例如，白色或浅色调颜色)或肤色(适合特定用户的色调)的一组或一集像素包围时，那么基于生物的学习模型可确定个体特定生物预测值，如在给定图像中识别的。以这种方式，10,000个训练图像的像素数据(例如，在吸收制品或吸收制品的一部分的数字图像的像素数据内描绘的生物特征的详细描述)可用于训练或使用机器学习成像模型，以确定个体特定生物预测值。
98.在各个方面中，描绘吸收制品或吸收制品的部分和/或皮肤的部分的多个训练图像(例如，202a、202b和/或202c)，包括如由不同个体捕获并提交的吸收制品或吸收制品的部分和/或皮肤的数字图像。如操作计算设备111c1-111c3和/或112c1-112c3的用户所捕获的，所捕获的图像可以是未经处理的和/或未经修剪的(例如，“野生图像”)，并且可包括移动设备，诸如移动电话，和/或其他成像设备，诸如lumi设备及其相关的相机。此类“野生”图像可包括以描绘吸收制品或吸收制品的一部分的多个角度或视角捕获的多个图像中的一者或多者。附加地或另选地，提交的图像可以是裁剪的或未裁剪的。例如，在一些方面中，多个训练图像中的一者或多者可包括描绘吸收制品或吸收制品的一部分的至少一个裁剪图像。
99.在一些方面中，高质量或非野生图像可用于训练基于生物的学习模型。在此类方面中，训练图像可包括具有生物特征的吸收制品，预先定位或布置有指示物(颜色、尺寸、位置、感兴趣区域)，以提高训练基于生物的学习模型的准确度。然而，应当理解，不一定需要此类高质量或非野生图像，并且野生捕获的图像足以用于训练目的。
100.在另外的方面中，描绘吸收制品或吸收制品的部分和/或皮肤的多个训练图像(例如，图像202a、202b和/或202c中的任一者或多者)可包括吸收制品或吸收制品的部分和/或皮肤的模拟图像。此类模拟图像可包括似乎具有生物特征(例如，粪便残留物或尿液)的吸收制品的图像。此类模拟可通过将像素数据以数字方式添加到图像中来创建，诸如经由数字编辑器(例如，photoshop编辑器或其他图形编辑器)，经由计算指令自动地，或手动地，例
如，将假效果(例如，绘画等)添加到物理吸收制品和捕获此类吸收制品的图像。
101.在又另外的方面中，描绘吸收制品或吸收制品的部分的多个训练图像可包括描绘不同尺寸或类型的吸收制品的数字图像。不同的吸收制品或吸收制品的部分可对应于不同品牌和/或类型的吸收制品。
102.在又另外的方面中，描绘吸收制品或吸收制品的部分和/或皮肤的部分的多个训练图像可包括描绘不同皮肤色调的数字图像。
103.在仍另外的方面中，描绘吸收制品或吸收制品的部分和/或皮肤的多个训练图像可包括一组或多组数字图像系列。每个数字图像系列可描绘在相应时间段内吸收制品或吸收制品的部分和/或相应个体的皮肤的数字图像系列。在各个方面中，一组或多组数字图像系列可用于跟踪趋势，诸如跟踪婴儿排便和/或排尿的多少(例如，随时间变化的量)。此类图像系列可用于训练基于生物的学习模型，以输出关于预测的泄漏、喷出、颜色、黏稠度、量、基于时间的值。例如，一系列三个吸收制品图像(例如，表示三个吸收制品变化)可用于预测第二天的结果，诸如泄漏、喷出等。附加地或另选地，一系列三天的图像可用于预测下一周的结果，诸如泄漏、喷出等。图像系列可另选地用于向用户或护理人员生成与趋势相关的信息和/或可经由任何统计过程控制技术进行分析，诸如本领域已知的控制图表。这可使护理人员或用户或医生能够定义和评估任何变化，以确定是否需要干预(诸如吸收制品尺寸变化、药物等)。
104.在数字图像系列上训练基于生物的学习模型涉及随着时间的推移捕获图像。例如，吸收制品或吸收制品的一部分的数字图像可被记录在一个或多个存储器(例如，存储器106)中，该存储器通信地耦接到一个或多个处理器(例如，处理器104)，作为如第一次捕获的吸收制品或吸收制品的一部分的个体特定数字图像系列的一部分。个体的第二吸收制品或第二吸收制品的一部分的第二图像可进一步记录在一个或多个存储器(例如，存储器106)中，并且作为个体特定数字图像系列的一部分。第二图像可包括由数字相机(例如，111c1c)在第二次捕获的数字图像。第二图像可包括具有第二生物特征(例如，尿液和/或粪便的第二指示)的像素数据，如在第二吸收制品或第二吸收制品的一部分的第二图像内描绘的。成像应用程序(例如，成像应用程序108)可通过基于生物的学习模型，基于在数字图像的像素数据内描绘的生物特征，并且进一步基于如在第二吸收制品或第二吸收制品的一部分的第二图像内描绘的第二生物特征，生成个体特定生物预测值。在一些方面中，第二图像可被对齐、调整大小，以匹配第一图像，以改进这两个图像的处理。
105.在另外的方面中，第二图像可包括个体的不同产品和/或图片的图像。在此类方面中，可生成或基于图像(例如，第一图像和第二图像)的集合、因此的组合和/或其中的像素数据中描绘的差异和/或相似性来生成个体特定生物预测值、信息学或另外的预测。
106.在仍另外的方面中，图像(例如，第一图像和第二图像)可随着时间的推移进行比较，以确定发生的共性或图案，诸如当尿液或bm事件发生时(例如，喂食30分钟内、从午睡中醒来等)。此类信息可存储在存储器和/或数据库中，并用于训练本文所述的ai模型。在仍另外的方面中，用户(例如，穿戴、使用产品的人员、护理人员或任何有权访问数据的第三方人员)可通过查看图像(例如，描绘尿液、bm、泄漏)和其他数据(诸如，用户是否服用抗生素、统计、分析、相同或不同类别的信息、按颜色分组)对数据库中的可搜索图像进行分类，将数据库中的相似颜色与新图像进行比较，并找到相似的可比图像。此类数据还可用于训练如本
文所述的ai模型
107.在仍另外的方面中，随时间变化的图像(例如，第一图像和第二图像)之间的分析可用于例如，基于大量的图像(按时间顺序与否)生成控制图表，其可用于收集相关统计，并对其应用统计技术，诸如控制图表、标准化和/或当出现范围突破时，等等。
108.在附加的方面中，基于生物的学习模型可进一步用如在多个训练图像中描绘的或作为数据输入提供的吸收制品或吸收制品的部分的产品指标来进行训练。产品指标的非限制性示例可包括附加图像信息和/或文本或其他数据信息。例如，在一些方面中，附加数据信息可包括由如给定图像(例如，图像202a、202b和/或202c中的任一者或多者)中描绘的吸收制品的传感器生成或提供的信息。传感器可检测尿液、粪便、湿度或与生物废物和/或吸收制品相关联的其他此类测量值，这些测量值可作为图像数据之外的训练数据输入。附加地或另选地，可经由例如，附接到可穿戴制品的单独的传感器系统(诸如lumi传感器)提供关于活动(睡眠、喂食等)的数据。用户位置或活动数据可增强系统的预测或分析功能。
109.附加地或另选地，诸如吸收制品的顶部薄片的材料、吸收制品的品牌和/或尺寸、或关于清洁吸收制品和/或个体使用的擦拭物的信息(每一个都可对应于如在给定图像(例如，图像202a、202b和/或202c中的任一者或多者)中描绘的吸收制品)，除了图像数据之外，还可作为训练数据输入。
110.附加地或另选地，可用如与多个训练图像中描绘的吸收制品或吸收制品的部分和/或皮肤相对应的一个或多个相应个体的参考数据，训练基于生物的学习模型。此类参考数据可包括与个体(例如，婴儿)相关联的属性，诸如健康数据或与个体相关的其他数据。此类数据还可包括年龄、一天中的时间、进食和/或饮水时间、吃了什么或喝了什么、个体是否出牙、最近的身体活动、情绪状态(例如，烦躁)、吸收制品的尺寸、用户的体重或身体尺寸、肤色、个体服用的药物和其他属性，诸如饮食、喂养计划、移动性或个体的阶段(步行、爬行等)，这可能与喷出预测特别相关。
111.因此，产品指标和/或参考数据可用于增强基于生物的学习模型的预测质量。在此类方面中，描绘吸收制品或吸收制品的部分的多个训练图像的像素数据的一个或多个生物特征包括与(1)吸收制品或吸收制品的部分的产品指标或(2)一个或多个相应个体的参考数据中的一者或多者相对应的正面属性或负面属性。产品指标的正面属性的示例包括来自吸收制品的传感器和/或吸收制品的高质量顶部薄片材料的“干燥指标”数据。产品指标的负面属性可包括吸收制品和/或吸收制品的劣质顶部薄片材料的“湿指示”数据。另外，个体的正面参考数据的示例可包括对特定个体的良好饮食的指示和/或正确尺寸的吸收制品的指示。负面参考数据的示例可包括特定个体的不良饮食的指示和/或不正确尺寸的吸收制品的指示。
112.在此类方面中，生物数字成像方法400可进一步包括例如经由计算机网络120，接收个体的吸收制品或吸收制品的一部分的产品指标数据，以及接收个体的参考数据。然后，基于生物的学习模型可基于个体的吸收制品或吸收制品的一部分的产品指标数据、个体的参考数据以及生物特征(其包括与个体的产品指标数据或参考数据中的一者或多者相对应的正面属性或负面属性中的至少一者)，生成个体特定生物预测值。
113.参考图5a至图5d，示例性基于生物的学习模型可包括集成模型，该集成模型包括被配置为一起操作的多个ai模型或子模型。附加地或另选地，基于生物的学习模型可包括
一组基于迁移学习的ai模型，其中迁移学习包括将知识从一个模型转移到另一个模型(例如，一个模型的输出用作另一个模型的输入)。使用迁移学习，可使用已在不同任务上预训练的模型的全部或部分来解决特定任务(例如，识别、分类和/或预测)。图5a至图5d示出了集成ai模型和/或基于迁移学习的ai模型，其可包括基于生物的学习模型。然而，应当理解，可使用其他ai模型(不需要基于集成的学习或基于迁移学习的学习)。
114.如针对图5a至图5d描述的方面包括基于赢家通吃方案的快速标记算法(无监督语义分割)，其中代表刺激的相似视觉特征的像素被聚类。这种方法的实现产生了500个优选掩码图像，用于训练最终的语义分割算法。为了检测感兴趣的区域(roi)，在500个掩码图像(除了使用水平和垂直翻转、-5/5度旋转、随机裁剪、随机缩放和轻微随机对比度变化的增强图像)上训练仅有4个收缩块和4个扩展块的u-net神经网络架构，以检测吸收制品的垫区域。所有699个测试图像均通过该算法分割(平均93％iou)(大于80％iou是这个步骤的目标性能)。此外，1199个(80-20训练/开发拆分)roi图像(除了使用水平和垂直翻转、-5/5度旋转、随机裁剪、随机缩放和轻微随机对比度变化的增强图像)用于使用迁移学习方法训练和评估mobilenet.v2 nn架构。经过训练的mobilenet.v2将bm分类为6个黏稠度和3个量。这种黏稠度和量分类器在测试集上示出91％的准确度(99.8ndcg_avg)和93％的准确度(99.1ndcg_avg)。这个架构的最后一层可扩展，以检测粪便的其他特性，诸如光泽度、粪便中的血等。这些方面中的每一者都关于图5a至图5d进一步描述。
115.图5a示出了根据本文公开的各个方面的基于生物的学习模型。在图5a的框500a中，准备数据，其中可选择或布置训练图像(例如，图像202a)，以基于赢家通吃的训练和/或学习方法来确定基于生物的学习模型。如图5a所示，赢家通吃的培训和/或学习方法涉及一组神经网络(例如，循环神经网络)，它们竞争以确定最高加权模型输入节点。对模型的输出影响最大(例如，预测或分类的最大增加)的输入节点被选为“获胜”节点。通常，为了确定获胜节点，网络中的输出节点相互抑制，同时通过反身连接激活自己。在一些时间之后，输出层中仅一个节点(即竞争模型的神经元)是活动的，即对应于最强输入的一个节点(例如，获胜的输入节点)。因此，网络使用非线性抑制来挑选一组输入中的最大的。在许多实际情况下，不仅有单个节点或神经元变成唯一活动的节点或神经元，而且有k个神经元在固定数量的k内变成活动的。这个原则被称为k个赢家通吃。本文所述的基于生物的学习模型可包括或使用或者单个赢家通吃方法或者k个赢家通吃方法。
116.在此，赢家通吃训练和/或学习方法用于确定执行无监督语义分割的最佳模型(例如，基于生物的学习模型)。无监督语义分割指的是学习分割每个图像(即，将像素聚类到其基本真值类)而不查看基本真值标签的模型。
117.在图5a的示例中，一个或多个输入图像(例如，训练图像)，诸如图像202a等，被馈送到一个或多个赢家通吃网络，实现如上所述的赢家通吃训练和/或学习方法或方案。赢家通吃网络确定一个或多个无监督语义分割模型的一个或多个最优节点(神经元)和/或无监督语义分割模型的配置或排列。在赢家通吃训练和/或学习方法期间利用的各种无监督语义分割模型可包括一个或多个基于卷积神经网络(cnn)的模型或单独或顺序的其他基于人工的模型。例如，如关于图5a所示，将具有各种滤波器(即，内核或特征检测器)(例如，示为5x5 cnv、3x3 cnv和1x1 cnv)的多个cnn模型5051a1应用于吸收制品或吸收制品的一部分的图像(例如，图像202a)。批量标准化(bn)可应用于每个cnn模型，以通过标准化每个小批
量的到一层的输入来训练基于cnn的模型的各种神经元(尤其是在深层神经网络中)。这可起到稳定学习过程的效果，并显着减少训练深度网络所需的训练型样的数量。非线性活动层(例如，整流线性单元(relu)可应用于标准化cnn模型的输出，例如，以提供标准化预测评分作为给定cnn模型的输出。如关于图5a所示，1x1卷积层可用于通道池化(最大通道)，或者用于降维的特征图池化或投影层，减少cnn模型5051a1所需的特征图的数量，同时保留其显着特征。
118.一旦经过训练或以其他方式生成，如上文讨论的赢家通吃训练和/或学习方法或方案所确定的无监督语义分割模型随后可用于基于输入图像，例如图像202a，生成基于分割的图像，例如，分割图像202as。然后基于分割的图像可用于确定图像的感兴趣的区域(roi)，以进一步分析，如图5b至图5d进一步描述的。
119.图5b进一步示出了根据本文公开的各个方面的图5a的基于生物的学习模型。在图5b的框500b中，基于生物的学习模型被配置为基于数字图像的像素数据，自动分割包括生物特征的数字图像(例如，图像202b)的感兴趣的区域(roi)，以用于生物分析。数字图像可以是与用于训练图5a所述的模型的图像(例如，图像202a)不同的图像(例如，202b)。可以处理或分析图像(例如，图像202b)，以基于由人工智能算法识别的像素数据，自动分割吸收制品或吸收制品的一部分和/或皮肤的感兴趣的区域，以用于生物分析。此类分析包括确定包括图像内的生物特征的roi和/或滤除非感兴趣的区域(例如，吸收制品的清洁区域)。这可进一步包括图像的处理和/或进一步分割，例如，以确定关于大小、位置、颜色等的污渍指示参数，这些参数可用于进行机器学习分类和/或预测，并说明吸收制品的类型、平滑等。
120.例如，关于图5b的框500b，无监督语义分割模型可形成u-net模型500b1、是u-net模型500b1的一部分，或者可被馈送到u-net模型500b1中。通常，u-net模型(例如，u-net模型500b1)包括或基于全卷积网络，并且其架构被修改和扩展，以用更少的训练图像工作并产生更精确的分割。u-net模型由内核的收缩路径和扩展路径组成，这使其具有“u形”架构。收缩路径是典型的卷积网络，由重复应用的卷积组成，每个卷积都可跟随整流线性单元(relu)和最大池化操作。在收缩期间，空间信息减少，而特征信息增加。扩展路径通过一系列上卷积和连接将特征和空间信息与来自收缩路径的高分辨率特征相结合。高分辨率特征可用于生成高质量的分割图像、通道或层，诸如肠道运动(bm)层202bm或轻bm层202bl。如本文所使用的，bm、粪便和“便便”是指相同的生物废物。
121.在框500b2处，可将一种或多种图像处理技术应用于图像(例如，图像202b)，以增强roi检测和/或识别和/或以其他方式分割以提高模型准确度。此类图像操纵技术可包括画轮廓、形态操作和/或自适应阈值化。这些技术可用于检测边缘和轮廓，并且减少图形噪声，从而对特征检测(例如，生物特征)的准确性提供影响。例如，去除噪声和控制像素值的强度可帮助模型关注重要的特征细节并获得更高的准确度。
122.通常，画轮廓可用于确定图像的roi，其中图像的轮廓包括轮廓线或像素系列或集合，其指示表示相同值或相同强度的边界的曲线。
123.通常，阈值化包括将图像变换为基于二进制的图像。可设置阈值和最大值，并可相应地转换像素值。增强的方法、自适应阈值化，也可用于为图像的每个部分应用不同的阈值。用自适应阈值化，可使用像素值或图像亮度值或强度范围内的阈值，以增强具有光照变化的图像的阈值。
124.还可将形态变换应用于图像。形态变换可包括通过过滤对图像内的图形进行处理，诸如腐蚀(例如，缩小图形和/或将图像内的图形转换成灰度)和膨胀(例如，使对象膨胀，通常与腐蚀相反)。
125.u-net模型500b1和/或图像处理技术500b2可用于处理图像202b(例如，通过分割、画轮廓、形态操作、自适应阈值化等)，以生成后处理图像500b3。后处理图像503b可用于生成roi图像202br，其包括图像202b的roi和/或定义层或通道(例如，肠道运动(bm)层202bm或轻bm层202bl)，该层或通道定义图像的粪便或尿液的量和/或黏稠度。图5c的模型可使用后处理图像500b3以及肠道运动(bm)202bm层或轻bm 202bl层中的每一者，以确定或检测吸收制品或吸收制品部分的图像内(例如，图像202b内)的生物特征的颜色、黏稠度和量。
126.图5c进一步示出了根据本文公开的各个方面的图5a和图5b的基于生物的学习模型。在图5c的框500c中，确定与图像(例如，图像202b)内所检测的生物特征相对应的属性，诸如颜色、黏稠度和/或量。在图5c的示例中，示出和描述了mobilenetv2模型500c1，然而应当理解，也可使用其他ai模型，包括其他版本的移动网络。mobilenetv2模型500c1包括mobilenetv2模型，该模型是为移动设备(例如，计算设备111c1)上的性能配置的卷积神经网络架构。通常，mobilenetv2基于倒置残差结构，其中残差连接位于瓶颈层之间。中间扩展层使用轻量级深度卷积来过滤特征作为非线性源。作为整体，mobilenetv2模型的架构包含带有各种过滤器(例如，32个过滤器)的初始全卷积层，然后是各种残差瓶颈层(例如，19个残差瓶颈层)。如图5c所示，mobilenetv2模型500c1包括第一层(例如，1x1 cnv、bn和relu6)，包括深度卷积的第二层(例如，3x3 d-cnv、bn和relu6)，以及第三层500c2，其是另一个1
×
1卷积(例如，1x1 cnv、bn和relu6)。在产生输出之前，该层可迭代超过17次(尽管可以使用其他迭代)。
127.在框500c3处，可使用mobilenetv2模型的输出来确定量和黏稠度。如框500c3所示，可将平均池化应用于roi图像202br的像素或通道，例如，在经过mobilenetv2模型处理之后。平均池化涉及计算给定图像(例如，roi图像202br)的特征图或内核的每个部分的平均值。例如，特征图(内核)的3
×
3正方形可被下采样到正方形中的平均值。
128.另外，在框500c3处，可包括或可与图5a和/或图5b的模型分开的完全卷积网络(fcn)，诸如fcn1和fcn2，可用于例如用边界框来分类和/或检测图像内的对象。此类fcn模型可用于确定吸收制品和/或吸收制品部分的图像(例如，roi图像202br)内的生物特征(例如，尿液和/或粪便)的量和/或黏稠度。
129.此外，关于图5c，在框500c5处，生成的输出或图像(例如，图像202b的roi、肠道运动(bm)层202bm和/或轻bm层202bl)可用于确定或检测颜色并针对给定的输入图像(例如，图像202b)执行颜色校准。颜色检测和颜色校准500c4可包括分析像素数据颜色值500c5(例如，包括rgb、hsv和/或lab值中的任一者或多者)，以确定尿液和/或粪便的颜色(例如，深色、浅色、棕色、黄色、透明等)，并更新模型以基于给定图像(例如，202b)中所检测的颜色检测健康问题(例如，诸如检测过敏等)或本文所述的其他问题、预测和/或信息。
130.图5d进一步示出了根据本文公开的各个方面的图5a至图5c的基于生物的学习模型。图5d示出了图5a至图5c的基于生物的学习模型，作为集成模型或迁移学习类型模型500，包括具有多个ai模型或被配置为一起操作的子模型的训练模型管道550。如图5d所示，并且如针对图5a至图5c所述，发生分析和处理(例如，诸如图像处理)，其中在框500a处准备
图像数据(例如，分割模型的训练)，在框500b处执行roi分割，在500c处确定或识别颜色、黏稠度和量。框500b和500c包括经过训练的模型管道550，其包括如图5b所述执行分割的分割器(例如，基于u-net的模型)和如图5c所述执行特征检测(例如，内核检测或过滤)的检测器或分类器(例如，mobilenetv2)。
131.如本文所述，包括针对图4和图5a至图5c所述，该模型的输出可包括个体特定生物预测值，其可包括针对给定图像(例如，图像202b)的黏稠度、量和/或颜色中的任一者或多者的预测、分类和/或评分552。例如，如图5d所示，输出(包括图像202b的预测、分类和/或评分552)包括指示在图像202b的像素数据内所检测的生物特征的黏稠度的黏稠度预测、分类或“无凝乳水样”的评分，以及指示在图像202b的像素数据内所检测的生物特征确定的量的量预测、分类或“中等”的评分，以及定义在图像202b的像素数据内所检测的颜色与生物特征相对应的颜色代码一致性预测、分类或评分“#75552c”。也可输出其他此类预测、分类和/或评分。作为非限制性示例，对于黏稠度，这些可包括对应于生物特征的一种或多种类型的预测、分类和/或评分，该生物特征包括尿液和/或粪便的类型，并按不同黏稠度分类，该不同黏稠度例如，作为非限制性示例，包括无凝乳的水样的、有凝乳的水样的、粘液样的、软的、糊状的和硬的。
132.另外，作为非限制性示例，对于量，这些可包括对应于生物特征的一种或多种类型的预测、分类和/或评分，包括无、小、中等、大和/或喷出。附加地或另选地，并且如关于图5d所示，喷出预测、分类或评分554可进一步由集成模型或迁移学习类型模型500输出。此类喷出预测、分类或评分554可包括生物特征(例如，尿液、粪便或bm残留物)是否在吸收制品或吸收制品部分的翻边或边缘上或者是否预测泄漏的指示，以用于与吸收制品或吸收制品部分相对应的给定或特定个体的相似大小或以其他方式相似的吸收制品的未来使用。
133.另外，作为非限制性示例，对于基于颜色的预测或值，此类预测或值可包括一种或多种类型的预测、分类和/或评分，其对应于生物特征，这些生物特征包括由lab、rgb、hsv和/或其他颜色标准或格式中的任一者表达的任何颜色。
134.根据图5a至图5d的公开内容训练的集成模型或迁移学习类型模型500的准确度，对于关于黏稠度的个体特定生物预测值(例如，在吸收制品图像或吸收制品图像的部分中所检测的粪便和/或尿液的黏稠度类型)实现了91％的准确率，并且对于关于量的个体特定生物预测值(例如，在吸收制品图像或吸收制品图像的部分中所检测的粪便和/或尿液的量)实现了93％的准确率。此外，分割器(图5b的u-net)仅包括2mb的数据，并且(例如，图5c的)检测器/分类器仅包括8mb数据，其中的每一者对计算设备的存储器的影响很小，这对于具有有限存储容量的移动设备(例如，计算设备111c1)很重要。集成模型或迁移学习类型模型500可部署在移动设备(例如，计算设备111c1)或云(例如，服务器102)上。此外，模型集成模型或迁移学习类型模型500在cpu(计算设备的一个或多个处理器)上具有低延迟，包括用于分析每个图像的500ms或更短。
135.图6示出了根据本文公开的各个方面的在用户计算设备(例如，用户计算设备111c1)的显示屏600上呈现的示例性用户界面。例如，如图6的示例所示，用户界面602可经由在用户计算设备111c1上执行的应用程序(应用程序(app))来实现或呈现。例如，如图6的示例所示，用户界面602可经由在用户计算设备111c1上执行的本机应用程序来实现或呈现。在图6的示例中，用户计算设备111c1是如针对图1所述的用户计算机设备，例如，其中
111c1被示出为实现apple ios操作系统并具有显示屏600的apple iphone。用户计算设备111c1可在其操作系统上执行一个或多个本机应用程序(app)，包括例如本文所述的成像应用程序(例如，成像应用程序108)。此类本机应用程序可以以由用户计算设备操作系统(例如，apple ios)通过用户计算设备111c1的处理器执行的计算语言(例如，swift)来实现或编码(例如，作为计算指令)。在各个方面中，在诸如用户计算设备111c1的移动设备上执行的成像应用程序(例如，成像应用程序108)可被称为“顾问”应用程序，其被设计为基于个体特定生物预测值、评分或本文描述的关于像素数据内描绘的生物特征的其他方式向用户提供建议。
136.附加地或另选地，用户界面602可经由web接口来实现或呈现，诸如经由web浏览器应用程序，例如safari和/或chrome应用程序，或其他此类web浏览器等。
137.在各个方面中，个体特定建议可包括文本建议、基于图像的建议、关键数据或预测的图形分析或表示，或者包括至少吸收制品、吸收制品的部分、或与吸收制品相关联的个体的虚拟呈现的建议。附加地或另选地，个体特定建议可包括信息、数据视图、趋势等，如在显示屏上可显示和/或可呈现。例如，如图6的示例中所示，基于图像的表示(例如，图像202b)，具有图形注释(例如，像素数据202bp的区域)、文本注释(例如，文本202bt)以及个体特定生物预测值610和个体特定建议612，可以经由计算机网络(例如，从成像服务器102和/或一个或多个处理器)传输到用户计算设备111c1，用于呈现在显示屏600上。在其他方面中，不发生用户特定图像到成像服务器的传输，其中个体特定生物预测值610和个体特定建议612(和/或产品特定建议)，例如通过将成像应用程序108和/或基于生物的学习模型执行和/或实现在用户的移动设备(例如，用户计算设备111c1)上，并且由移动设备的处理器呈现在移动设备(例如，用户计算设备111c1)的显示屏600上，可替代地在“边缘”设备上本地生成。
138.如图6的示例中所示，用户界面602包括吸收制品或吸收制品的一部分的(例如，图像202b的)图形图像或表示。图像202b可包括本文所述的生物特征的像素数据(例如，像素数据202bp)。在图6的示例中，吸收制品的图像(例如，图像202b)的描绘或图形表示连同与像素数据内可识别的各个特征相对应的一个或多个图形(例如，像素数据202bp的区域)或文本呈现(例如，文本202bt)一起被示出。例如，像素数据202bp的区域可被注释或覆盖在图像202b的吸收制品的图像上，以由如针对图1所述的成像应用程序108可访问的基于生物的学习模型，突出在像素数据(例如，特征数据和/或原始像素数据)内识别的区域或特征。在图6的示例中，像素数据202bp的区域指示特征，如在像素数据202bp中定义的，包括生物特征(例如，对于像素202bp1-3)，并且可指示如本文所述的在像素数据202bp的区域中示出的其他特征(例如，吸收制品的顶部薄片材料、褶皱、吸收制品的边缘等)。在各个方面中，标识为特定特征的像素(例如，像素202bp1-3)可在显示屏600上呈现时被突出显示或以其他方式注释。
139.文本呈现(例如，文本202bt)指示个体具有关于图6的像素(例如，像素202bp1-3)中所示的生物特征的“中等”的个体特定生物预测值。“中等”预测或评分指示个体具有中等粪便和/或尿液量。应当理解，其他文本呈现类型或值在本文中被设想，其中文本呈现类型或值可被呈现，例如以指示黏稠度、量、颜色或本文所述的其他值。附加地或另选地，颜色值可用于和/或覆盖在用户界面602(例如，图像202a)上所示的图形表示上，以指示评分、预测和/或分类或其他方式的程度或质量。评分可以原始分数、绝对分数、基于百分比的分数来
提供。附加地或另选地，此类评分可用文字或图形指示符表示，指示评分是否代表正面结果(良好的黏稠度、量、颜色)、负面结果(差的黏稠度、量、颜色)或可接受的结果(平均或可接受的黏稠度、量、颜色)。
140.如图6所示，用户界面602还可包括或呈现个体特定生物预测值610。在图6的方面中，个体特定生物预测值610包括消息610m，该消息被设计为指示与在吸收制品或吸收制品部分的图像(例如，图像202b)中所检测的生物特征相对应的黏稠度值。如图6的示例中所示，消息610m指示粪便的黏稠度为“无凝乳的水样的”。
141.如图6进一步所示，个体特定建议612，基于在吸收制品或吸收制品的一部分的数字图像(例如，图像202b)的像素数据内可识别的生物特征，可呈现在显示屏600上。此类个体特定建议可包括对于个体特定的建议或评估。附加地或另选地，如呈现在显示屏600上的此类个体特定建议可进一步包括用于处理在吸收制品或吸收制品的一部分的数字图像的像素数据中可识别的生物特征的指令。如针对个体特定建议612所示，消息612m包括对应于与图像202b相关的个体的示例性个体特定建议。消息612m包括对用户的特定建议，以增加吸收制品尺寸(例如，“建议更大尺寸的吸收制品(尺寸2)”)并改变个体的饮食。在图6的示例中，个体特定建议可基于确定个体的粪便黏稠度(“无凝乳的水样的”)过于水样，并且吸收制品的尺寸太小而不能吸收或包含所有废物(例如，粪便和/或尿液)，以及个体(例如，婴儿)的饮食已经达到应该引入固体食物以减少水样粪便黏稠度的程度。
142.更一般地，可基于个体特定生物预测值生成个体特定推荐。个体特定建议可被设计为解决吸收制品或吸收制品的一部分的数字图像的像素数据内可识别的生物特征。个体特定建议可显示或呈现在计算设备上，诸如图6所示的计算设备111c1。在一些方面中，个体特定建议可包括具有针对个体的定制数据(例如，健康数据)的报告。此类报告可用于就诊。附加地或另选地，个体特定建议可进一步经由一个或多个通信通道提供，诸如经由文本提示、语音提示、视频和/或书面指令。个体特定建议还可包括经由显示屏或ar或虚拟现实耳机或其他环境提供的增强现实(ar)体验。个体特定建议还可将个体连接(例如，经由计算机网络120)到医生或专家。个体特定建议还可启动产品的装运。
143.例如，在一些方面中，成像应用程序108可被配置为通过增强现实(ar)设备的视野或显示屏，基于吸收制品或吸收制品的一部分的数字图像的像素数据内可识别的生物特征，呈现个体特定建议的虚拟表示。在一些方面中，显示屏可以是计算设备(例如，计算设备111c1)的显示屏(例如，显示屏600)，其可呈现ar和/或vr图像，诸如实现ar和/或vr应用程序(诸如cardboard应用程序)的iphone或android设备。在此类方面中，个体特定建议的虚拟表示可叠加在吸收制品、吸收制品的一部分或与吸收制品相关联的个体的一个或多个图像上。例如，ar和/或vr图像可指示在肠道运动之后如何擦拭个体(婴儿)的皮肤。附加地或另选地，个体特定建议的虚拟表示可进一步包括、提供或呈现(例如，在显示屏600上)日常护理实践建议，诸如如何应用吸收制品-吸收制品相对于袖口、腰部、胯部、扣件的位置和紧密度；如何护理皮肤(例如，经由擦拭、乳膏应用等)；如何基于粪便污渍等减少皮肤上的粪便，以整体减少喷出、泄露、皮肤发红等问题。
144.进一步参考图6，个体特定建议可进一步包括对制造的产品的产品建议。此外，个体特定建议可显示在显示屏(例如，显示屏600)上，并带有说明，用于用制造的产品处理、减轻或防止吸收制品或吸收制品的一部分的数字图像(例如，图像202b)内描绘的生物特征。
例如，消息612m建议使用尺寸2的吸收制品，其可有助于减少泄漏和/或喷出的可能性(例如，过多的尿液和/或粪便从吸收制品泄漏)。吸收制品尺寸建议可基于对应于个体特定生物预测值的“中等”评分(例如，如文本202bt所示)做出，该个体特定生物预测值基于吸收制品或吸收制品的一部分的数字图像(例如，202b)的像素数据(例如，202bp)内的生物特征。产品建议可与像素数据内的识别特征相关联，并且可指示用户计算设备111c1和/或服务器102，在特征(例如，中等水平的粪便或bm残留物)和/或其他数据(例如，用户提供的数据)被评分、预测和/或分类为根据个体特定生物预测值确定时，输出产品建议。
145.更一般地，作为非限制性示例，产品建议可包括最佳吸收制品或吸收制品尺寸的建议，例如，以防止个体出现喷出和/或泄漏，这可以基于个体的饮食和活动水平。此外，产品建议可帮助用户基于个体变化的皮肤需求(例如，诸如吸收制品、沐浴露、面霜、乳液、药膏等的产品)确定最佳产品。
146.例如，如图6所示，用户界面602建议产品(例如，制造的产品624r(例如，尺寸2的吸收制品))，其可以基于个体特定生物预测值610。在图6的示例中，基于生物的学习模型(例如，与成像应用程序108通信耦接或作为成像应用程序108的一部分)的图像(例如，图像202b)的输出或分析，例如，个体特定生物预测值610和/或其相关值(例如，“中等”和/或黏稠度：“无凝乳的水样的”)、相关像素数据(例如，202bp1、202bp2和/或202bp3)、和/或个体特定建议612，可用于生成或识别针对对应的产品的建议。此类建议可包括产品，诸如吸收制品、湿巾、护肤霜、软膏等，或如本文所述的其他产品，以解决成像应用程序108和/或基于生物的学习模型在像素数据内所检测的个体特定问题。
147.在图6的示例中，用户界面602呈现或提供如由成像应用程序108和/或基于生物的学习模型以及图像202b及其像素数据和各种特征的相关图像分析所确定的建议的产品(例如，制造的产品624r)。在图6的示例中，这在用户界面602上指示和注释(624p)。
148.用户界面602可进一步包括可选择的用户界面(ui)按钮624s，以允许用户选择购买或装运对应的产品(例如，制造的产品624r)。在一些方面中，可选择ui按钮624的选择可导致建议的产品装运到用户和/或可通知个体对产品感兴趣的第三方。例如，用户计算设备111c1和/或成像服务器102可基于个体特定生物预测值610和/或个体特定建议612，启动制造的产品624r(例如，尺寸2的吸收制品)以装运到用户。在此类方面中，产品可被包装和装运到用户。
149.在各个方面中，如本文所述的个体特定建议可在接收吸收制品或吸收制品的一部分的数字图像期间或之后，实时或接近实时地呈现在显示屏上。例如，关于图6，图形表示、图像(例如，图像202a)、带有图形注释(例如，像素数据202bp的区域)、文本注释(例如，文本202bt)、个体特定生物预测值610、个体特定建议612和/或产品建议622中的任一者或多者，可在接收具有生物特征的图像期间或之后实时或接近实时地呈现(例如，本地呈现在显示屏600上)。在其中由成像服务器102分析图像的方面中，可由成像服务器102实时或接近实时地传输和分析图像。
150.在一些方面中，用户可提供新图像，该新图像可由成像应用程序108和/或基于生物的学习模型传输到成像服务器102，用于更新、重新训练或重新分析。在其他方面中，新图像可在计算设备111c1上本地接收，并且由成像应用程序108在计算设备111c1上分析。例如，如图6的示例所示，用户可选择可选择按钮612i，用于重新分析(例如，在计算设备111c1
处本地或在成像服务器102处远程)新图像(例如，图像202c)。可选择按钮612i可导致用户界面602提示用户附着用于分析新图像。成像服务器102和/或诸如用户计算设备111c1的用户计算设备可接收包括吸收制品或吸收制品的一部分的数字图像的像素数据的新图像。新图像可由成像设备捕获。新图像(例如，类似于图像202b)可包括至少吸收制品或吸收制品的一部分的像素数据。在计算设备(例如，成像服务器102)的存储器上执行的基于生物的学习模型和/或成像应用程序(例如，成像应用程序108)可分析由成像设备捕获的新图像，以如本文所述的确定个体特定生物预测值。计算设备(例如，成像服务器102)可基于图像和第二图像的比较，生成关于新图像的像素数据内可识别的至少一个特征的新的个体特定生物预测值和/或新的个体特定建议。例如，新的个体特定生物预测值可包括新的图形表示，其包括图形和/或文本(例如，示出新值，例如，在个体改变他的或她的饮食之后，“软的”指软的粪便)。新的个体特定生物预测值可包括附加评分、值、预测和/或分类，例如，基于新图像中描绘的生物特征，指示个体的正常(或平均)饮食的正常饮食评分。
151.用户界面还可使用户、护理人员、医生或第三方能够选择具有给定公共性的图像组，用于显示、分析或分析的图形表示。用于分组的共性可包括时间范围、一天中的时间、用户活动(例如，睡眠与清醒)、饮食、用药周期或类型、粪便黏稠度、粪便大小、吸收制品(例如，尿布)泄漏事件、与分析特性变化相关的制品或皮肤健康事件等。系统可具有可搜索、分类的数据库和存储能力，以支持上述功能。
152.本公开的方面
153.以下方面作为根据本文公开内容的示例提供，并且不旨在限制公开内容的范围。
154.1.一种用于分析描绘吸收制品或吸收制品的部分的一个或多个数字图像的像素数据的生物数字成像方法，所述生物数字成像方法包括：在一个或多个处理器处获得描绘吸收制品或吸收制品的一部分的数字图像，所述数字图像包括像素数据；通过在一个或多个处理器上执行的成像应用程序(app)，分析吸收制品或吸收制品的一部分的数字图像，以检测在吸收制品或吸收制品的一部分的数字图像的像素数据内描绘的生物特征；以及由成像应用程序生成与以下至少一者相对应的个体特定生物预测值：(a)吸收制品；(b)吸收制品的一部分；(c)或与吸收制品或吸收制品的一部分相关联的个体，其中个体特定生物预测值是基于吸收制品或吸收制品的一部分的数字图像的像素数据内描绘的生物特征。
155.2.根据方面1所述的生物数字成像方法，其中数字图像的分析包括将数字图像输入到成像应用程序能够电子访问的基于生物的学习模型中，并且其中基于生物的学习模型用描绘吸收制品或吸收制品的部分的多个训练图像的像素数据进行训练，所述吸收制品或所述吸收制品的所述部分具有在相应训练图像的像素数据内描绘的相应生物特征，所述基于生物的学习模型被配置为输出与描绘吸收制品或吸收制品的部分的多个训练图像的像素数据的一个或多个生物特征相对应的一个或多个生物预测值。
156.3.根据方面2所述的生物数字成像方法，其中基于生物的学习模型被配置为基于数字图像的像素数据自动分割包括生物特征的数字图像的感兴趣区域，以用于生物分析。
157.4.根据方面2所述的生物数字成像方法，其中描绘吸收制品或吸收制品的部分的多个训练图像包括由不同个体捕获和提交的吸收制品或吸收制品的部分的数字图像。
158.5.根据方面2所述的生物数字成像方法，其中描绘吸收制品或吸收制品的部分的多个训练图像包括吸收制品或吸收制品的部分的模拟图像。
159.6.根据方面2所述的生物数字成像方法，其中描绘吸收制品或吸收制品的部分的多个训练图像包括描绘不同尺寸或类型的吸收制品的数字图像。
160.7.根据方面2所述的生物数字成像方法，其中描绘吸收制品或吸收制品的部分的多个训练图像包括一组或多组数字图像系列，每个数字图像系列描绘相应个体在相应时间段内的吸收制品或吸收制品的部分的数字图像系列。
161.8.根据方面7所述的生物数字成像方法，进一步包括：在通信地耦接到一个或多个处理器的一个或多个存储器中记录吸收制品或吸收制品的一部分的数字图像作为第一次捕获的吸收制品或吸收制品的一部分的个体特定数字图像系列的一部分，在一个或多个存储器中并作为个体特定数字图像系列的一部分记录个体的第二吸收制品或第二吸收制品的一部分的第二图像，第二图像包括由数字相机第二次捕获的数字图像，并且第二图像包括具有如在第二吸收制品或第二吸收制品的一部分的第二图像内描绘的第二生物特征的像素数据，并由基于生物的学习模型基于数字图像的像素数据内描绘的生物特征，并进一步基于如在第二吸收制品或第二吸收制品的一部分的第二图像内描绘的第二生物特征，生成个体特定生物预测值。
162.9.根据方面1至8中任一项所述的生物数字成像方法，其中一个或多个生物特征包括以下一者或多者：指示尿液或尿渍的像素颜色；或指示粪便或粪便残留物的像素颜色。
163.10.根据方面1至9中任一项所述的生物数字成像方法，其中个体特定生物预测值指示个体经历的健康问题的概率。
164.11.根据方面1至10中任一项所述的生物数字成像方法，进一步包括基于个体特定生物预测值生成个体特定建议，所述个体特定建议被设计为解决吸收制品或吸收制品的一部分的数字图像的像素数据内可识别的生物特征。
165.12.根据方面11所述的生物数字成像方法，进一步包括基于吸收制品或吸收制品的一部分的数字图像的像素数据内可识别的生物特征，在计算设备的显示屏上呈现个体特定建议。
166.13.根据方面11所述的生物数字成像方法，进一步包括，通过增强现实设备的视野或显示屏，基于吸收制品或吸收制品的一部分的数字图像的像素数据内可识别的生物特征，呈现个体特定建议的虚拟表示，所述虚拟表示叠加在吸收制品、吸收制品的一部分或与吸收制品相关联的个体的一个或多个图像上。
167.14.根据方面11所述的数字成像方法，其中个体特定建议包括文本建议、基于图像的建议、或包括至少吸收制品、吸收制品的一部分或与吸收制品相关联的个体的虚拟呈现的建议。
168.15.根据方面12所述的数字成像方法，其中在接收吸收制品或吸收制品的一部分的数字图像期间或之后，在显示屏上实时或接近实时地呈现个体特定建议。
169.16.根据方面11所述的生物数字成像方法，其中个体特定建议显示在显示屏上，带有用于处理在吸收制品或吸收制品的一部分的数字图像的像素数据中可识别的生物特征的说明。
170.17.根据方面11所述的生物数字成像方法，其中个体特定建议包括对制造的产品的产品建议。
171.18.根据方面17所述的生物数字成像方法，其中个体特定建议显示在显示屏上，并
带有用制造的产品处理如在吸收制品或吸收制品的一部分的数字图像内描绘的生物特征的说明。
172.19.根据方面2所述的生物数字成像方法，其中基于生物的学习模型进一步用如在多个训练图像中描绘的或作为数据输入提供的吸收制品或吸收制品的部分的产品指标进行训练，并且其中基于生物的学习模型进一步用与如在多个训练图像中描绘的吸收制品或吸收制品的部分相对应的一个或多个相应个体的参考数据进行训练，其中描绘吸收制品或吸收制品的部分的多个训练图像的像素数据的一个或多个生物特征包括与以下一者或多者相对应的正面属性或负面属性：(1)吸收制品或吸收制品的部分的产品指标，或(2)一个或多个相应个体的参考数据，并且其中生物数字成像方法进一步包括：接收个体的吸收制品或吸收制品的部分的产品指标数据，并接收个体的参考数据，其中基于生物的学习模型生成个体特定生物预测值是基于个体的吸收制品或吸收制品的一部分的产品指标数据、个体的参考数据、以及包括与一个或多个产品指标数据或个体的参考数据相对应的正面属性或负面属性中的至少一者的生物特征。
173.20.根据方面1所述的生物数字成像方法，其中在像素数据中识别的生物特征包括粪便或粪便残留物，并且其中个体特定生物预测值包括以下至少一者：(1)粪便泄露评分；(2)粪便正常评分；(3)粪便颜色评分；(4)粪便黏稠度评分；(5)粪便和吸收制品产品黏稠度评分；(6)粪便量评分；或(7)粪便健康评分。
174.21.根据方面1所述的生物数字成像方法，其中在像素数据中识别的生物特征包括尿液或尿渍，并且其中个体特定生物预测值包括以下至少一者：(1)尿液健康评分；(2)尿液颜色评分；(3)尿液和吸收制品产品颜色评分；或(4)尿液泄漏评分。
175.22.一种生物数字成像方法，经由捕获和分析包含排泄物的物理介质或吸收制品的一部分的图像的至少一部分来提供排泄物相关分析或预测，其中所述方法单独或结合方面1至21中的任一项来执行。
176.23.一种生物数字成像方法，对使用过的物理介质或吸收制品的图像进行数字分析，其中所述方法单独或结合方面1至22中的任一项来执行。
177.24.根据方面1至23中任一项所述的生物数字成像方法，其中分析吸收制品或吸收制品的一部分的数字图像以检测生物特征，包括实现对象检测以检测吸收制品或吸收制品的一部分的数字图像的像素数据内的一个或多个图像对象，并且其中一个或多个对象包括以下至少一者：(a)吸收制品，或(b)用吸收制品的像素所检测的污渍或色差。
178.25.一种生物数字成像系统，被配置为分析描绘吸收制品或吸收制品的部分的一个或多个数字图像的像素数据，所述生物数字成像系统包括：一个或多个处理器；以及成像应用程序(app)，所述成像应用程序包括被配置为在一个或多个处理器上执行的计算指令，其中成像应用程序的计算指令在由一个或多个处理器执行时导致一个或多个处理器：在一个或多个处理器处获得描绘吸收制品或吸收制品的一部分的数字图像，所述数字图像包括像素数据，通过在一个或多个处理器上执行的成像应用程序(app)分析吸收制品或吸收制品的部分的数字图像，以检测在吸收制品或吸收制品的一部分的数字图像的像素数据内描绘的生物特征，并通过成像应用程序生成与以下至少一者相对应的个体特定生物预测值：(a)吸收制品；(b)吸收制品的一部分；(c)或与吸收制品或吸收制品的一部分相关联的个体，其中个体特定生物预测值是基于吸收制品或吸收制品的一部分的数字图像的像素数据
内描绘的生物特征。
179.26.一种有形的、非暂态计算机可读介质，存储用于分析描绘吸收制品或吸收制品的部分的一个或多个数字图像的像素数据的指令，当由一个或多个处理器执行时，导致一个或多个处理器：在一个或多个处理器处获得描绘吸收制品或吸收制品的一部分的数字图像，所述数字图像包括像素数据；通过在一个或多个处理器上执行的成像应用程序(app)，分析吸收制品或吸收制品的一部分的数字图像，以检测在吸收制品或吸收制品的一部分的数字图像的像素数据内描绘的生物特征；以及由成像应用程序生成与以下至少一者相对应的个体特定生物预测值：(a)吸收制品；(b)吸收制品的一部分；(c)或与吸收制品或吸收制品的一部分相关联的个体，其中个体特定生物预测值是基于吸收制品或吸收制品的一部分的数字图像的像素数据内描绘的生物特征。
180.附加的考虑
181.虽然本公开陈述了多个不同方面的具体实施方式，但应当理解，本说明书的法律范围由本专利结尾处所陈述的权利要求书及其等同物的内容来限定。具体实施方式被理解为仅是示例性的，而非描述每一种可能的方面，因为描述每一种可能的方面是不切实际的。可使用当前技术或在本专利的申请日期之后开发的技术来实施众多另选的方面，该另选的方面将仍然落入本权利要求书的范围内。
182.以下附加的考虑适用于前述讨论。在本说明书通篇中，多个实例可实现被描述为单个实例的部件、操作或结构。虽然一个或多个方法的各个操作被示出和描述为单独的操作，但各个操作中的一个或多个操作可同时执行，并且不需要按所示顺序来执行这些操作。在示例性配置中作为单独部件展示的结构和功能可被实现为组合的结构或部件。类似地，展示为单个部件的结构和功能可被实现为单独的部件。这些型、修改、添加和改进以及其他变型、修改、添加和改进均属于本文主题范围之内。
183.另外，某些方面在本文中被描述为包括逻辑或多个例程、子例程、应用程序或指令。这些可构成软件(例如，机器可读介质上或传输信号中体现的代码)或硬件。在硬件中，例程等是能够执行某些操作的有形单元并且可按某种方式进行配置或布置。在示例性方面中，一个或多个计算机系统(例如，独立的客户端或服务器计算机系统)或计算机系统的一个或多个硬件模块(例如，处理器或处理器组)可通过软件(例如，应用程序或应用程序部分)配置为用于执行如本文所述的某些操作的硬件模块。
184.本文所述的示例性方法的各种操作可至少部分地由经临时配置(例如，由软件)或永久性配置以执行相关操作的一个或多个处理器来执行。无论是临时配置还是永久性配置，此类处理器都可构成处理器实现型模块，用以执行一个或多个操作或功能。在一些示例性方面中，本文提及的模块可包括处理器实现型模块。
185.类似地，本文所述的方法或例程可至少部分地由处理器实现。例如，方法的至少一些操作可由一个或多个处理器或处理器实现型硬件模块来执行。操作中的某些操作的执行可分配给一个或多个处理器，这些处理器不仅驻留在单个机器内，而且部署于多个机器之间。在一些示例性方面中，一个或多个处理器可位于单个位置，而在其他方面中，处理器可分布于多个位置。
186.操作中的某些操作的执行可分配给一个或多个处理器，这些处理器不仅驻留在单个机器内，而且部署于多个机器之间。在一些示例性方面中，一个或多个处理器或处理器实
现型模块可位于单个地理位置(例如，在家庭环境、办公室环境或服务器群内)。在其他方面中，一个或多个处理器或处理器实现型模块可分布于多个地理位置。
187.本具体实施方式被理解为仅是示例性的，而非描述每一种可能的方面，因为描述每一种可能的方面即使可能也是不切实际的。本领域普通技术人员可使用当前技术或在本技术提交日期之后所开发的技术来实现众多另选的方面。
188.本领域的普通技术人员将认识到，在不脱离本发明范围的前提下，可对上述方面进行多种修改、更改和组合，并且这些修改、更改和组合应视为落入本发明构思的范围内。
189.本专利申请末尾的专利权利要求不旨在根据35u.s.c.
§
112(f)来解释，除非明确引用了传统的装置加功能语言，诸如权利要求中明确引用的“用于
……
的装置”或“用于
……
的步骤”语言。本文所述的系统和方法涉及对计算机功能的改进，以及改进常规计算机的功能。
190.本文所公开的量纲和值不应理解为严格限于所引用的精确数值。相反，除非另外指明，否则每个此类量纲旨在表示所述值以及围绕该值功能上等同的范围。例如，公开为“40mm”的量纲旨在表示“约40mm”。
191.除非明确排除或以其他方式限制，否则本文中引用的每一篇文献，包括任何交叉引用或相关专利或专利申请以及本技术对其要求优先权或其有益效果的任何专利申请或专利，均据此全文以引用方式并入本文。对任何文献的引用不是对其作为与本发明的任何所公开或本文受权利要求书保护的现有技术的认可，或不是对其自身或与任何一个或多个参考文献的组合提出、建议或公开任何此类发明的认可。此外，当本发明中术语的任何含义或定义与以引用方式并入的文献中相同术语的任何含义或定义矛盾时，应当服从在本发明中赋予该术语的含义或定义。
192.虽然已经举例说明和描述了本发明的具体方面，但是对于本领域的技术人员来说显而易见的是，在不背离本发明的实质和范围的情况下可以做出各种其他改变和变型。因此，本文旨在于所附权利要求书中涵盖属于本发明范围内的所有此类变化和修改。