用于分析用户的头皮的头皮区域的像素数据以生成一个或多个用户特定头皮分类的数字成像和学习系统及方法与流程

本公开整体涉及数字成像和学习系统及方法，并且更具体地涉及用于分析用户的头皮的头皮区域的像素数据以生成一个或多个用户特定头皮分类的数字成像和学习系统及方法。

背景技术：

1、一般而言，人类头发和皮肤的多种内源性因素(诸如皮脂和汗液)对用户的头皮的整体健康具有现实世界的影响，该整体健康可包括头皮皮肤健康(例如，白色皮脂残留物、头皮皮肤裂纹/细纹)和毛囊/头发健康(例如，痤疮、头皮堵塞物(plug))。附加的外源性因素(诸如风、湿度和/或各种头发相关产品的使用)也可影响用户的头皮的健康。此外，用户对头皮相关问题的感知通常不反映此类潜在的内源性因素和/或外源性因素。

2、因此，考虑到内源性因素和/或外源性因素的数量以及头皮和头发类型的复杂性，尤其是当跨不同用户考虑时，会出现问题，这些不同用户中的每一者可与不同人口统计、种族和人种相关。这在各种人类头皮状况和特性的诊断和治疗中产生问题。例如，现有技术方法(包括个人消费产品试验在内)可能是耗时的或容易出错的(并且可能是负面的)。除此之外，用户可尝试通过各种产品或技术进行经验性实验，但没有实现令人满意的结果和/或导致可能的负面副作用，从而影响他或她的头皮的健康或另外的视觉外观。

3、出于前述原因，需要用于分析用户的头皮的头皮区域的像素数据以生成一个或多个用户特定头皮分类的数字成像和学习系统及方法。

技术实现思路

1、一般而言，如本文所述，描述了用于分析用户的头皮的头皮区域的像素数据以生成一个或多个用户特定头皮分类的数字成像和学习系统。此类数字成像和学习系统提供了一种基于数字成像和人工智能(ai)的解决方案，用于克服在识别和处理影响人类头皮的健康的各种内源性因素和/或外源性因素或属性中的困难所引起的问题。

2、如本文所述的数字成像和学习系统允许用户将特定用户图像提交到成像服务器(例如，包括其一个或多个处理器)或另外的计算设备(例如，诸如本地在用户的移动设备上)，其中该成像服务器或用户计算设备实现或执行通过潜在10,000个(或更多个)图像的像素数据训练的基于人工智能的基于头皮的学习模型，这些图像描绘相应个体的头皮的头皮区域。基于头皮的学习模型可基于用户的头皮区域的图像分类来生成至少一个用户特定头皮分类，该至少一个用户特定头皮分类被设计成寻址在像素数据内可识别的至少一个特征，该像素数据包括用户的头皮的头皮区域的至少一部分。例如，用户的头皮的头皮区域的至少一部分可包括指示特定用户的头皮皮肤区域或毛囊区域的白色皮脂、发炎、痤疮、头皮堵塞物和/或其他属性/状况的像素或像素数据。在一些实施方案中，可经由计算机网络将用户特定头皮分类(和/或产品特定头皮分类)传输到用户的用户计算设备，以呈现在显示屏上。在其他实施方案中，没有发生用户的特定图像到成像服务器的传输，其中用户特定头皮分类(和/或产品特定头皮分类)可替代地由在用户的移动设备上本地执行和/或实现的基于头皮的学习模型生成，并且由移动设备的处理器呈现在移动设备的显示屏上。在各种实施方案中，此类呈现可包括用于寻址像素数据中的特征的图形表示、覆盖、注释等。

3、更具体地讲，如本文所述，公开了一种数字成像和学习系统。该数字成像和学习系统被配置为分析用户的头皮的头皮区域的图像的像素数据以生成一个或多个用户特定头皮分类。数字成像和学习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app包括被配置为在一个或多个处理器上执行的计算指令。数字成像和学习系统还可包括基于头皮的学习模型，该基于头皮的学习模型能够由成像app访问，并且通过描绘相应个体的头皮的头皮区域的多个训练图像的像素数据进行训练。基于头皮的学习模型可被配置为输出与相应个体的头皮皮肤区域或毛囊区域的一个或多个特征相对应的一个或多个图像分类。更进一步地，在各种实施方案中，成像app的计算指令在由一个或多个处理器执行时可使得该一个或多个处理器接收用户的图像。图像可包括如由成像设备捕获的数字图像。该图像可包括用户的头皮的头皮区域的至少一部分的像素数据。成像app的计算指令在由一个或多个处理器执行时还可使得该一个或多个处理器通过基于头皮的学习模型分析如由成像设备捕获的图像，以确定用户的头皮区域的至少一个图像分类。该至少一个图像分类可选自基于头皮的学习模型的一个或多个图像分类。成像app的计算指令在由一个或多个处理器执行时还可使得该一个或多个处理器基于用户的头皮区域的至少一个图像分类来生成用户特定头皮分类，该用户特定头皮分类被设计成寻址在像素数据内可识别的至少一个特征，该像素数据包括用户的头皮的头皮区域的至少一部分。

4、除此之外，如本文所述，公开了用于分析用户的头皮的头皮区域的图像的像素数据以生成一个或多个用户特定头皮分类的数字成像和学习方法。数字成像和学习方法包括在成像应用程序(app)处接收用户的图像，该成像app在一个或多个处理器上执行。图像可为如由成像设备捕获的数字图像。除此之外，图像可包括用户的头皮的头皮区域的至少一部分的像素数据。数字成像和学习方法还可包括通过能够由成像app访问的基于头皮的学习模型来分析如由成像设备捕获的图像，以确定用户的头皮区域的至少一个图像分类。该至少一个图像分类可选自基于头皮的学习模型的一个或多个图像分类。除此之外，可通过描绘相应个体的头皮的头皮区域的多个训练图像的像素数据来训练基于头皮的学习模型。更进一步地，基于头皮的学习模型能够可操作以输出与相应个体的头皮皮肤区域或毛囊区域的一个或多个特征相对应的一个或多个图像分类。数字成像和学习方法还包括通过成像app基于用户的头皮区域的至少一个图像分类来生成用户特定头皮分类，该用户特定头皮分类被设计成寻址在像素数据内可识别的至少一个特征，该像素数据包括用户的头皮的头皮区域的至少一部分。

5、进一步地，如本文所述，公开了一种有形非暂态计算机可读介质，其存储用于分析用户的头皮的头皮区域的图像的像素数据以生成一个或多个用户特定头皮分类的指令。该指令在由一个或多个处理器执行时可使得该一个或多个处理器在成像应用程序(app)处接收用户的图像。图像可包括如由成像设备捕获的数字图像。该图像可包括用户的头皮的头皮区域的至少一部分的像素数据。指令在由一个或多个处理器执行时还可使得该一个或多个处理器通过能够由成像app访问的基于头皮的学习模型分析如由成像设备捕获的图像，以确定用户的头皮区域的至少一个图像分类。该至少一个图像分类可选自基于头皮的学习模型的一个或多个图像分类。可通过描绘相应个体的头皮的头皮区域的多个训练图像的像素数据来训练基于头皮的学习模型。除此之外，基于头皮的学习模型能够可操作以输出与相应个体的头皮皮肤区域或毛囊区域的一个或多个特征相对应的一个或多个图像分类。指令在由一个或多个处理器执行时还可使得该一个或多个处理器通过成像app基于用户的头皮区域的至少一个图像分类来生成用户特定头皮分类，该用户特定头皮分类被设计成寻址在像素数据内可识别的至少一个特征，该像素数据包括用户的头皮的头皮区域的至少一部分。

6、根据上文以及本文的公开内容，本公开包括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)的基于头皮的学习模型来增强。在成像服务器或计算设备上执行的基于头皮的学习模型能够基于其他个体的像素数据更准确地识别用户特定头皮皮肤或毛囊区域特征、用户的头皮区域的图像分类和/或用户特定头皮分类中的一者或多者，该用户特定头皮分类被设计成寻址在像素数据内可识别的至少一个特征，该像素数据包括用户的头皮的头皮区域的至少一部分。也就是说，本公开描述了计算机本身的运行或“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，10,000个训练图像和相关像素数据作为特征数据)来增强以准确地预测、检测或确定用户特定图像(诸如新提供的客户图像)的像素数据。这比现有技术有所改进，至少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用户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，该像素数据包括用户的头皮的头皮区域的至少一部分。

7、出于类似的原因，本公开涉及对其他技术或技术领域的改进，至少因为本公开描述或介绍了对头皮皮肤/毛囊护理领域和头皮护理/毛囊产品领域的计算设备的改进，由此在成像设备或计算设备上执行的经训练的基于头皮的学习模型改进了头皮皮肤和毛囊区域护理领域，以及其化学配方和头皮分类，通过对用户或个体图像的基于数字和/或人工智能的分析来输出预测结果，以寻址在像素数据内可识别的至少一个特征的用户特定像素数据，该像素数据包括用户的头皮的头皮区域的至少一部分。

8、除此之外，本公开涉及对其他技术或技术领域的改进，至少因为本公开描述或介绍了对头皮皮肤/毛囊护理领域和头皮护理/毛囊产品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训练的基于头皮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)，其中此类计算机设备通过给定机器学习网络架构的配置、调整或适应而更有效。例如，在一些实施方案中，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、图像尺寸或其他基于机器学习的维度要求。此类减小会释放潜在计算系统的计算资源，由此使其更有效。

9、更进一步地，本公开涉及对其他技术或技术领域的改进，至少因为本公开描述或介绍了对安全性领域中计算设备的改进，其中对用户的图像进行预处理(例如，裁剪或以其他方式修改)以限定用户的提取或描绘的头皮区域，而不描绘用户的个人可识别信息(pii)。例如，本文所述的基于头皮的学习模型可使用用户的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用户的私人照片的需要(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，其中pii(例如，面部特征)的移除提供了优于现有系统的改进，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用户的pii信息的情况下更安全。因此，本文所述的系统和方法在不需要此类非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。除此之外，至少在一些实施方案中，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。

10、除此之外，本公开包括通过或通过使用特定机器(例如，成像设备)来应用权利要求元素中的某些权利要求元素，该特定机器捕获图像，这些图像用于训练基于头皮的学习模型并且用于确定与用户的头皮区域的一个或多个特征相对应的图像分类。

11、除此之外，本公开包括除本领域中众所周知的、常规的、常规活动之外的特定特征，或者添加将权利要求限制到特定有用应用程序的非常规步骤，例如，分析用户的头皮的头皮区域的图像的像素数据以生成一个或多个用户特定头皮分类。

12、通过以举例说明的方式示出和描述的优选实施方案的以下描述，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，本发明的实施方案可具有其他和不同的实施方案，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。