CN108431561B - 计算机辅助确定毛发颜色性能的方法和数据处理装置 - Google Patents
计算机辅助确定毛发颜色性能的方法和数据处理装置 Download PDFInfo
- Publication number
- CN108431561B CN108431561B CN201680073369.2A CN201680073369A CN108431561B CN 108431561 B CN108431561 B CN 108431561B CN 201680073369 A CN201680073369 A CN 201680073369A CN 108431561 B CN108431561 B CN 108431561B
- Authority
- CN
- China
- Prior art keywords
- color
- hair
- hair color
- parameters
- dyeing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000037308 hair color Effects 0.000 title claims abstract description 136
- 238000000034 method Methods 0.000 title claims abstract description 100
- 238000012545 processing Methods 0.000 title claims description 28
- 238000004043 dyeing Methods 0.000 claims abstract description 69
- 239000002243 precursor Substances 0.000 claims abstract description 32
- 238000002203 pretreatment Methods 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 28
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims description 37
- 210000004209 hair Anatomy 0.000 claims description 33
- 238000004040 coloring Methods 0.000 claims description 16
- 238000012417 linear regression Methods 0.000 claims description 12
- 238000003066 decision tree Methods 0.000 claims description 10
- 230000006378 damage Effects 0.000 claims description 8
- 238000005406 washing Methods 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 6
- 208000027418 Wounds and injury Diseases 0.000 claims description 4
- 208000014674 injury Diseases 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims 1
- 239000000975 dye Substances 0.000 description 39
- 238000010186 staining Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 11
- 230000001419 dependent effect Effects 0.000 description 8
- 239000000118 hair dye Substances 0.000 description 8
- 239000000203 mixture Substances 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000013500 data storage Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000009472 formulation Methods 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 241000288113 Gallirallus australis Species 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- CWLKGDAVCFYWJK-UHFFFAOYSA-N 3-aminophenol Chemical compound NC1=CC=CC(O)=C1 CWLKGDAVCFYWJK-UHFFFAOYSA-N 0.000 description 2
- 230000002730 additional effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- KZTWOUOZKZQDMN-UHFFFAOYSA-N 2,5-diaminotoluene sulfate Chemical compound OS(O)(=O)=O.CC1=CC(N)=CC=C1N KZTWOUOZKZQDMN-UHFFFAOYSA-N 0.000 description 1
- 229940018563 3-aminophenol Drugs 0.000 description 1
- 238000012356 Product development Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- XUJNEKJLAYXESH-UHFFFAOYSA-N cysteine Natural products SCC(N)C(O)=O XUJNEKJLAYXESH-UHFFFAOYSA-N 0.000 description 1
- 235000018417 cysteine Nutrition 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A45—HAND OR TRAVELLING ARTICLES
- A45D—HAIRDRESSING OR SHAVING EQUIPMENT; EQUIPMENT FOR COSMETICS OR COSMETIC TREATMENTS, e.g. FOR MANICURING OR PEDICURING
- A45D44/00—Other cosmetic or toiletry articles, e.g. for hairdressers' rooms
- A45D44/005—Other cosmetic or toiletry articles, e.g. for hairdressers' rooms for selecting or displaying personal cosmetic colours or hairstyle
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/1032—Determining colour for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
- A61B5/448—Hair evaluation, e.g. for hair disorder diagnosis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/46—Measurement of colour; Colour measuring devices, e.g. colorimeters
- G01J3/462—Computing operations in or between colour spaces; Colour management systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A45—HAND OR TRAVELLING ARTICLES
- A45D—HAIRDRESSING OR SHAVING EQUIPMENT; EQUIPMENT FOR COSMETICS OR COSMETIC TREATMENTS, e.g. FOR MANICURING OR PEDICURING
- A45D44/00—Other cosmetic or toiletry articles, e.g. for hairdressers' rooms
- A45D2044/007—Devices for determining the condition of hair or skin or for selecting the appropriate cosmetic or hair treatment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Psychiatry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Signal Processing (AREA)
- Dermatology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
Abstract
在各种实施方案中,提供了以计算机支持的方式确定毛发颜色性能的方法。所述方法可以包括以下步骤:提供毛发颜色数据,所述毛发颜色数据包括多个颜色预处理参数的各数值和多个染色步骤中的至少一个颜色结果参数的各数值,其中对于多个染色步骤中的各染色步骤,所述多个颜色预处理参数包括第一染料前体的第一浓度和第二染料前体的第二浓度,以及对于所述多个染色步骤中的各染色步骤,所述至少一个颜色结果参数具有毛发颜色性能的测量说明;以及基于所述毛发颜色数据,确定所述多个颜色预处理参数与所述至少一个颜色结果参数之间的关系。
Description
本发明涉及计算机辅助确定毛发颜色性能的方法和执行所述方法的数据处理装置。
毛发颜色性能可以包括,例如,毛发颜色信息、耐洗牢度、耐光度、灰色覆盖或另外的性能。在所述方法中,可以通过用染发剂给毛发染色来产生毛发颜色,也称为染发步骤。
染发剂可以含有不同染料前体的混合物,因此也可以称为染色混合物。
在商业上可以各种方式应用对所述毛发颜色性能的预测,即,确定期望的染色结果而不用进行实际染色步骤,所述各种方式诸如计算在单个初始毛发颜色上的染色结果,计算最佳颜色,例如计算在色空间上参数化的毛发颜色的参数,作为代表,例如在包装上,在显示屏中(诸如广告),在线上和在应用程序(apps)中,在创造单个("定制的")染发剂时以及在产品开发中用于随后的配方优化,例如关于染发剂的耐洗牢度、耐光度和/或灰色覆盖。
虽然可以计算在产生颜色的应用领域待产生的确切颜色,例如采用校准的颜料打印机进行精确的照片打印,但是以前在毛发染色领域这还是不可能的。
这种现象的主要原因是当对毛发染色时,即,产生毛发颜色时,通常不采用染料,至少不直接采用染料,而是采用染料前体。虽然染色步骤可以采用多个不同的染料,但是它们作为纯物质的色度性能可能不是完全已知的。
而且,经染色的毛发中的染料浓度可能是未知的,经染色的毛发中的染料的哪个浓度相应于染料前体和染发剂的什么浓度也可能是未知的。这至少可以部分地归因于在形成不同染料时,染料前体的组合彼此反应的事实。
因此,对经染色的毛发进行反射谱的计算在以前也是不可能的。
预测,即,计算颜色的已知方法基于对比染色和将获得的结果转移到具有类似的原始颜色的毛发的原则。在这方面,参照FR 2984569 B1、JP 2007-212140 A、JP 2004-144569 A或WO 2001/87245 A2。
但是,这些方法不适于计算用未知的、未曾用过的颜色混合物染色得到的颜色或其他性能。
在各种示例性实施方案中,提供了计算机辅助确定毛发颜色性能的方法,其中也可以确定采用以前没有用过的染色混合物获得的毛发颜色(和/或以前未知的性能)。
在各种示例性实施方案中,采用预测分析领域的方法,诸如"数据挖掘"或"机器学习",以便可以实现性能的精确计算,所述性能例如前述的毛发颜色性能,尽管有可能存在大量的未知性能。
根据各种示例性实施方案,可以通过试验染色提供具有多个颜色预处理参数和各试验染色的至少一个染色结果参数的数据集(也称为毛发颜色数据)。
多个颜色预处理参数可以具有至少两种染料前体的浓度。但是,数据集也可以具有额外的颜色预处理参数,诸如额外的染料前体的浓度;染发剂的额外的成分;基础毛发颜色,所述基础毛发颜色可以在色空间参数化;对毛发的预先损伤;毛发的泛灰的程度和/或其他颜色预处理参数。
至少一个染色结果参数可以具有可以在色空间参数化的毛发颜色。
"颜色"可以理解为颜色深浅(shade)的相互作用(即,色谱颜色印象,也称为色调,其可以理解为被认为是"实际颜色"的概念),颜色强度(即,颜色出现得有多强烈,例如与中性灰度色调对比,其也称为饱和度、颜色饱和度、色度、色品或颜色深度)和亮度(即,颜色出现得有多浅或多深)。
在各种示例性实施方案中,颜色信息可以,例如,在已知的色空间具有参数化,例如在L*a*b色空间(其中L*表示颜色亮度,a*表示颜色的绿色和红色部分,以及b*表示颜色的蓝色和黄色部分,其中在此使用缩写形式Lab和/或单个L、a和/或b),在具有红色、绿色和蓝色的颜色部分的RGB色空间,在具有青色、洋红色、黄色和黑色的颜色部分的CMYK色空间或者在任何其它任意的色空间。
如上所述,术语"颜色深浅"可以理解为指的是颜色的色谱颜色印象,其不依赖于颜色是如何参数化的,诸如在二维色空间(例如L*a*b*体系的a*b*)的点或者颜色部分的比例(诸如在RGB色空间或在CMYK色空间)。
在各种示例性实施方案中,可以获得色空间,从而确定的或表示的颜色不依赖于介质(例如颜色测量装置、屏幕、打印机、扫描器、人眼、等),其中经由所述介质确定或表示所述颜色,其中从色空间产生颜色信息(例如经染色的毛发或者染色前的毛发的毛发颜色信息,其也称为基础毛发颜色),或者在色空间表示颜色信息(例如,如果表示毛发颜色,参见下文)。色空间可以是,例如,L*a*b*色空间,颜色信息可以是,例如,通过a*和b*参数化的颜色深浅。在不依赖于介质的色空间中的均匀表示可以,例如,呈现出与现实接近的并且期待的染色结果,例如,其中在表示期待的结果时,与通过染色实现的颜色的同样的颜色印象留给观察者,例如作为包装上的印刷、计算机屏幕上的广告,等。
在各种示例性实施方案中,所述至少一个染色结果参数还可以具有经染色的毛发颜色的额外的性能,诸如耐光度、耐洗牢度或灰色覆盖的容量。
根据各种示例性实施方案,可以将数据集用作采用预测分析方法的基础。
例如,可以采用颜色预处理参数或者部分的颜色预处理参数以及指定给所述颜色预处理参数的染色结果参数或者部分的染色结果参数,来产生尽可能精确地描述数据集的模型。
在各种示例性实施方案中,可以通过独立的变量描述数据记录的测量数据,即,毛发颜色数据的测量说明,通过染色产生的毛发颜色的性能(例如颜色的L*、a*、b*,耐洗牢度,耐光度,灰色覆盖等)。可以通过复杂的数学模式来对因变量对独立变量(诸如染料前体的浓度,诸如施加至头上的浓度("头上"))的依赖建模(modeled),这可以通过预测分析方法来发现。这意味着可以通过预测分析方法确定独立变量与因变量之间的关系(换句话说,颜色预处理参数与染色结果参数之间的关系)。例如,这可以表示为:
L*a*b*=f(c1,c2,c3,…,cn),
其中L*a*b表示颜色参数,ci(i=1,…,n,n>1)表示染料前体的浓度。在所述步骤中,经过分析可以知道或不知道函数。如果不知道分析函数,也可以通过数字算法计算因变量的数值(染色结果参数的数值)。
除了染料前体之外,也可以在染发剂中使用染料。因此,ci也可以表示染料的浓度。
可能的独立变量可以是十进制的(基数)、序数或范畴的(categorial)。
在各种示例性实施方案中,独立变量(颜色预处理参数)可以是影响染色结果的性能,独立变量例如各染料前体的浓度,基础毛发颜色,损伤条件和/或毛发的泛灰程度或类似物。
在各种示例性实施方案中,可以通过预测分析来产生模型,其中预测分析采用规定的颜色预处理参数(独立变量,参见上面的实例)尽可能精确地预测染色结果参数(因变量,参见上面的实例)。
在各种示例性实施方案中,可以通过预测分析来识别对模型没有任何影响或者只有轻微影响的独立变量。换句话说,事实可能是独立变量(颜色预处理参数)存在于毛发颜色数据中,由此可以假定它们对因变量(染色结果参数)具有影响,但是这不是真的或仅是微乎其微的事实。通过预测分析方法可以识别这些不重要的变量,以及,如果适用的话,为了改善模型质量,在后面的建模中可以采用可比的预处理并且忽略它们。
在各种示例性实施方案中,可以通过预测分析产生颜色预处理参数和染色结果参数的连续模型,从而可以采用模型来确定对应于颜色预处理参数的数值或者多个颜色预处理参数的数值的组合的染色结果参数的数值,所述颜色预处理参数的数值或者多个颜色预处理参数的数值的组合不相应于任何相应的实验数值或者数值组合。
也可以对范畴性能建模,诸如"好"或者"坏"。
预测分析通常可描述为从大量的数据中提取信息并且由所述数据产生模型的方法,其也可对不是数据集的一部分的样品进行预测。采用预测分析方法,一部分数据集可典型地用作训练数据集(也称为训练集或训练数据)。基于该训练数据集,可以产生一个或多个模型,可以基于不是训练数据集的一部分的数据,基于全部数据,或者基于具体选出的一部分数据测试所述模型。
例如,可以采用确定量度R2、平均绝对误差、平均平方误差(mean quadraticerror)、标准偏差和/或平均偏差来评价模型,即,确定适合质量。
确定量度R2可以相应于线性回归模型的平方(squared)相关系数。可以由不同的模型(不同的关系)对其进行不同的限定。
根据不同的示例性实施方案,通过预测分析,可以采用各种函数或方法进行建模。在简单的例子中,例如,可以采用多元(线性)回归。采用多元回归(polynomicregressions)、神经元网络、支持向量机、决策树(例如树集成)或类似的方法,可以典型地实现更好的结果。
在各种示例性实施方案中,可以通过数据处理装置实现所述计算机辅助预测毛发颜色性能的方法。
数据处理装置可以是,例如,计算机或适于存储或准备数据以及执行预测分析的任何其他数据处理装置,即,具有足够大的数据存储和充分强大的处理器的任何数据处理装置。
在各种示例性实施方案中,数据处理装置可以具有至少一个输入装置用于在数据处理装置中输入信息,即,用于输入毛发颜色数据和,如果适用的话,输入指令、参数等用于实现所述方法。
在各种示例性实施方案中,数据处理装置可以具有至少一个输出装置用于输出信息,诸如输出方法的结果。
在各种示例性实施方案中,至少一个输出装置具有屏幕和/或打印机。
在各种示例性实施方案中,例如如果染色结果参数包括毛发颜色,也可以将所述颜色参数化以便在不依赖于介质的色空间(例如L*a*b*色空间)输出。因此,例如,如上所述期待的并且确定的染色结果可以基本上出现,如其在现实中在染色后也会出现一样,所述染色结果例如可以显示在屏幕上或打印出来(例如,在染料产品的包装上)。在输出装置需要对颜色进行不同的参数化的范围内,确定的颜色可以从一个色空间转换到另一个色空间。
在各种示例性实施方案中,提供计算机支持的确定毛发颜色性能的方法。所述方法可以包括:准备毛发颜色数据,其中所述毛发颜色数据包括多个颜色预处理参数的数值和多个染色步骤的至少一个染色结果参数的数值,其中对于多个颜色预处理参数的各染色步骤,所述多个染色步骤包括第一染料前体的第一浓度和第二染料前体的第二浓度,其中对应于所述至少一个染色结果参数的多个染色步骤具有毛发颜色性能的测量说明;以及通过基于所述毛发颜色数据的预测分析,确定所述多个颜色预处理参数与所述至少一个染色结果参数之间的关系。
根据各种实施方案,所述方法也可以包括:对于选出的多个颜色预处理参数的数值组合,借助所述确定的关系来确定染色结果参数的数值,其中没有一个染色步骤的数值组合与所述选出的多个颜色预处理参数的该数值组合相同。
在各种实施方案中,所述预测分析可以采用选自一组方法中的至少一种方法,其中所述一组方法可以包括:线性回归或多元线性回归、多元回归(polynomic regression)、多项式回归(multiple polynomic regression)、神经元网络法、支持向量机法和决策树法(包括树集成)。
在各种实施方案中,决策树方法可以采用决策树集成。
在该方法中的决策树集成的优点是递送更确切的预测以及比其他预测分析方法具有更低的计算要求。如果应该在一个服务器上并联进行计算机辅助确定毛发颜色性能的多种方法,这会是有利的。
在各种实施方案中,多个颜色预处理参数也可以包括基础毛发颜色,其中是基础毛发颜色可以在色空间参数化。
在各种实施方案中,多个颜色预处理参数也可以包括对毛发的预先损伤。
可以用物理变量诸如E-模量或者化学变量诸如半胱氨酸含量来表征预先损伤。
在各种实施方案中,多个颜色预处理参数也可以包括泛灰的程度。
在各种实施方案中,所述至少一个染色结果参数可以包括至少一种毛发颜色性能,其中毛发颜色性能可以包括在色空间参数化的毛发颜色的一个或多个参数、耐洗牢度、耐光度和灰色覆盖的容量。
在各种实施方案中,所述至少一个染色结果参数可以包括多个染色结果参数。
在各种示例性实施方案中,提供数据处理装置来执行计算机辅助确定毛发颜色性能,其中所述数据处理装置被设置来执行根据权利要求1所述的方法。
在各种示例性实施方案中,数据处理装置可以具有处理器,其中可以设置所述处理器可以来确定所述关系。
附图中显示了本发明的示例性实施方式,下面详细解释了所述示例性实施方式。
附图显示了以下内容:
图1显示了根据CRISP模型的预测分析方法的示意性代表;
图2显示了根据各种示例性实施方案的流程图,所述流程图显示了功能元件和它们与计算机辅助确定毛发颜色性能的方法的实施方案的相互作用;
图3显示了根据各种示例性实施方案的图,所述图解释说明了计算机辅助确定毛发颜色性能的方法的结果;
图4显示了根据各种示例性实施方案的流程图,所述流程图显示了功能元件和它们与执行计算机辅助确定毛发颜色性能的方法的相互作用;
图5A和5B显示了两个图,这两个图以不同方式显示了根据示例性实施方案的计算机辅助确定毛发颜色性能的方法的结果;
图6A和6B显示了两个图,这两个图以不同方式显示了根据示例性实施方案的计算机辅助确定毛发颜色性能的方法的结果;
图7显示了根据示例性实施方案解释说明计算机辅助确定毛发颜色性能的方法的结果的图;
图8显示了根据示例性实施方案解释说明计算机辅助确定毛发颜色性能的方法的结果的图;
图9显示了根据示例性实施方案解释说明计算机辅助确定毛发颜色性能的方法的结果的图;
图10A、10B和10C显示了三个图,这三个图根据采用的模型的各种示例性实施方案,描绘了计算机辅助确定毛发颜色性能的方法的测量点的比例、真实函数和模型;
图11显示了根据各种示例性实施方案解释说明计算机辅助确定毛发颜色性能的方法的流程图;
图12显示了根据各种示例性实施方案的数据处理装置的示意性代表;以及
图13显示了根据示例性实施方案的毛发颜色数据。
在以下具体描述中参考附图,附图是本申请的一部分并且出于解释的目的显示了可以实施本发明的具体实施方式。应该理解的是,可以使用其它主体(bodies),可以进行结构或者逻辑改变,而不背离本发明的保护范围。可以理解的是,除非另有具体说明,本文描述的各种示例性实施方案的特征可以彼此组合。因此,以下详细说明不应该具有限制作用,并且本发明的保护范围由所附权利要求书进行限定。
图1显示了预测分析方法的示意性代表100。
同义地使用术语预测分析、大数据和数据挖掘。
对手头任务的理解,即,用预测分析步骤应该实现什么,可以认为是各预测分析步骤的起始点,如图1所示。
预测分析步骤需要数据以实现所述步骤。该数据可以,例如,已经可得或者必须有目的地收集。例如,在准备数据供预测分析步骤使用之前,即,在将数据导入到计算机程序中来执行所述步骤之前,理解所述数据可以有助于所述目的并且以该数据的形式提供所述信息可以是有益的。
可以通过预测分析步骤进行建模。随后对结果的评价可以,例如,导致立即使用所述结果,或者,例如,具有影响理解手头任务的作用,例如,其中发现应该并入额外的参数或者不能解决问题。
在图1中,采用框110显示了根据各种示例性实施方案,这种预测分析步骤的哪部分可以可用的数据集影响计算机辅助确定毛发颜色性能的方法,例如,特别是建模和评价。
表1和2显示了毛发颜色数据的两个实例(和/或从毛发颜色数据的更复杂的数据集的摘录)。
为了产生毛发颜色的测量说明,根据使用说明,采用(在Kerling欧洲天然毛发上,白色)各种染发剂(在各种情况下在第1列列举的产品,表1中74种不同的产品(配方)和表2中53种不同的产品(配方))并且对于各种染发剂进行比色测量(浅色类型D65/10,带光泽扩散,8°)。
在表1的第2列中列举了比色测量的直接结果作为L*a*b*色空间的参数。
在表2中进行两次比色测量–一次在染色之后即刻以及一次在洗涤毛发12次之后。在表2的第2列中记录了确定的色差ΔE00。可以将色差用作毛发颜色的耐洗牢度的量度。
两种染料前体(对甲苯二胺硫酸盐和间氨基苯酚)的浓度列举在表1和表2的第3列和第4列中,因为它们会存在于头上。总共测定了二十种染料前体的浓度,在这里只显示出其中的两种实例。
图13也显示了表2。示例性毛发颜色数据1300显示了多个颜色预处理参数1330(两种染料前体的浓度)和多个染色步骤(包括标注为1310的两个实例)的染色结果参数1320(洗涤毛发12次之后的色差)。染料预处理参数之一的示例性数值标注为1331。染色结果参数之一的示例性数值标注为1321。
表中呈现的数据仅是示例性的,出于解释说明的目的。对于各种示例性实施方案中的方法产生的毛发颜色测量数据取决于具体应用。例如,可以采用不同的、更少的或更多的产品,如果适用的话,其可以具有不同的、更多的或更少的染料前体;代替颜色或色差,可以确定其他参数并将其列举在毛发颜色数据中,诸如耐光度、基础毛发颜色,等。
准备毛发颜色数据作为表格只是示例性的。可以任何形式提供毛发颜色数据,其中可以将染色结果指定给各颜色预处理参数以及可以采用计算机辅助采用毛发颜色数据。
表1
表2
在表1提供的实例中,染料前体的浓度(表1的第3列和第4列)可以是两种颜色预处理参数,即,预测分析方法的独立变量(其实际上是颜色预处理参数,具体地为约100,相应于约100种染料前体)。对于颜色预处理参数的数值,毛发颜色数据可以具有各染色步骤的数值,在提供的实例中,对于各染料前体浓度为74个数值(相应于74种试验颜色)。
表1的第2列中的L*a*b*数值可以,例如形成染色结果参数,例如三个染色结果参数L*,a*和b*或一个(三维)染色结果参数。染色结果参数可以表示预测分析方法的因变量。可以为一个或多个染色结果参数指定一个或多个数值,例如,对于各染色结果参数,74个数值相应于74种试验颜色(也称为染色步骤)。染色结果参数的每个数值相应于列的链路项,相应于染色结果参数。颜色预处理参数的数值也可以为零。染色结果参数的数值也可以为零。
表2中提供的实例在表1中进行了类似的说明,但是在这种情况下,在第2列说明了颜色距离ΔE00(也称为E00)而不是颜色。这表示了Lab色空间中的距离,所述距离是在指定数目的洗涤次数后(例如,在这种情况下是12次,但是正常也有24次或36次洗涤,或者实现了有意义的结果的任何其它次数的毛发洗涤)毛发颜色实现的。颜色距离可以用作毛发颜色的耐洗牢度(也称为耐洗性)的量度。实现的距离越短,颜色越耐洗。
基于准备的毛发颜色数据(例如表1中的摘录所示),可以通过预测分析确定颜色预处理参数(在提供的实例中有14种,其中表1或表2中给出了两种)与期望的染色结果参数(例如,这里采用L*,颜色亮度,也称为光度)之间的关系。
作为替代,在各种示例性实施方案中可以采用不同的颜色预处理参数,例如,仅采用一部分染料前体浓度,添加额外的参数,通过测量确定另外的参数等以及添加毛发颜色数据(例如基础毛发颜色,泛灰的程度,对毛发的预先损伤等)和/或采用其他染色结果参数,例如,毛发颜色(作为三维染色结果参数)、耐洗牢度(参见表2中的实例)等,并且采用其来确定所述关系。
在各种示例性实施方案中,可以采用提供这种功能的任何任意的步骤来进行通过预测分析实现的建模。
在后面描述的实例中,可以用软件KNIME 2.11.2进行预测分析。
图2显示了根据各种示例性实施方案的流程图200,其显示了功能元件(所谓的结点)和它们与计算机辅助确定毛发颜色性能的方法的实施方案的相互作用;
功能元件(结点)可以表示在实施预测分析方法期间进行的单个步骤。
例如,结点1表示所谓的XLS阅读器210,其可以导入根据各种示例性实施方案的毛发颜色数据,其中毛发颜色数据可以Excel格式提供或者可以通过XLS阅读器210以这种格式导入。因此,可以将表1,例如导入四列,每列74行(在三个颜色数值L*、a*和b*导入共同的列的范围内),或者,例如,导入6列,每列74行(如果三个颜色元素L*、a*和b*分别导入专门的列中)。为了进一步描述实例,假设各颜色参数L*、a*和b*均导入专门的列中。
根据各种示例性实施方案,可以在结点2准备列过滤器220,其可以用于选择待用作颜色预处理参数的列和选择待用作一个或多个染色结果参数的列。可以在导入毛发颜色数据之后选择列。在表1的实例中,可以选择以染料前体的浓度作为颜色预处理参数(独立变量)的列,以及可以选择具有亮度L*的列作为染色结果参数。选出的数据也可以称为训练集。
根据各种示例性实施方案,在结点10中,可以准备功能元件230来执行简单的线性回归。在选择待用于线性回归的列之后可以进行简单的线性回归。可以通过回归确定多个颜色预处理参数与至少一个染色结果参数之间的关系。这样发现的关系也可以称为模型。使模型适合数据的原则可以是将最小平方误差的优化。换句话说,可以通过最小平方的方法将误差最小化。
在各种示例性实施方案中,可以在结点11提供所谓的Weka预测器240,其可以添加至得自结点10的简单线性回归的结果和得自结点2的未使用的毛发颜色数据。Weka预测器240可以采用(模型的)预先确定的关系来对于所有选出的颜色预处理参数(在表1的实例中的两种染料前体浓度)确定染色结果参数的数值(亮度L*)。
在各种示例性实施方案中,可以在结点18提供所谓的数字识别器250,通过采用染色结果参数的数值和通过Weka预测器240确定并且实际测量的一个或多个染色结果参数的数值,可以将数字识别器250用作模型适合的拟合优度的量度。例如,可以确定决定系数R2(其相应于线性回归的平方相关系数;通常,决定系数R2的好的数值为0.9-1.0)、平均绝对误差、平均平方误差、标准偏差和/或平均绝对偏差。在各种示例性实施方案中,也可以特别地注意决定系数R2和平均绝对偏差。
根据各种示例性实施方案,进行计算机辅助确定毛发颜色性能的这种方法,采用14种染料前体作为颜色预处理参数以及采用毛发颜色的亮度L作为染色结果参数。
图3显示了图300,其显示了计算机辅助确定毛发颜色性能的方法的结果。
不能解释说明模型本身,因为这需要15-维的表示。因此,在图3中应用了依赖于测量亮度数值的建模的(预测的)亮度数值。理想地,数据点会在斜率为1的线上。
为适合的拟合优度确定的数值实例R2=0.436,平均绝对误差=3.704,平均平方误差:21.542,标准偏差4.641和平均绝对偏差0。
即便在该实例中决定系数R2可能是弱的,以及和平均绝对误差会比3.7高很多,仍然可以采用相对简单的模型(线性回归)来确定未知的染色剂配方的性能的稍微有用的数值(亮度数值)。为了确定未知的染色剂配方的亮度数值,可以将它们导入预测结点,也称为预测器结点。
图4显示了根据各种示例性实施方案的流程图400,流程图400显示了功能元件和它们与执行计算机辅助确定毛发颜色性能的方法的相互作用。
在许多方面,图4所示的流程图400可以相应于图2中的流程图200。例如,结点1中的XLS阅读器210可以与图2中的XLS阅读器210相同。同样地,结点2中的列过滤器220可以与可以图2中的列过滤器220相同。
根据各种示例性实施方案,在结点23中,可以通过树集成学习器准备功能元件330,功能元件330用于确定颜色预处理参数(14种染料前体)与染色结果参数(毛发颜色的亮度L*)之间的关系。
通常,随机森林是包含多种不同的不相关的决策树的分类方法。在学习步骤中,可以在某种类型的随机化中生长所有的决策树。该森林中的各树可以决定分类,具有最多表决数据的分类可以确定最终分类。除了分类之外,也可以将随机森林用于回归。
为了解释说明的目的,可以描述通过随机森林(树集成学习器)寻找颜色预处理参数与染色结果参数之间的关系的方法,作为不同的部分数量的选择数据之间或者部分重合的部分数量的选择数据之间的关系的发现结果。由对于部分数量发现的关系来确定或产生在结点2选出的所有数据的关系,其理想地表示部分数量的大多数关系。例如,通过回归(例如线性的或多元的)可以确定部分数量的关系。这种发现的关系也可以称为模型。
在实例中,采用软件KNIME 2.11.2的标准数值来构建树集成学习器。
可以在选择(在结点2中)待用于确定所述关系的列之后采用树集成学习器330。
在各种示例性实施方案中,可以在结点24提供所谓的树集成预测器440,其可以添加至得自结点23的模型产生的结果(确定关系)和得自结点2的未使用的毛发颜色数据。对于所有选出的颜色预处理参数(表1的实例中的两种染料前体浓度),树集成预测器440可以采用(模型的)预先确定的关系来确定染色结果参数(亮度L*)的数值。
在各种示例性实施方案中,可以在结点22提供所谓的数字识别器450(类似于图2的数字识别器450),采用染色结果参数的数值和通过树集成预测器440确定并且实际测量的一个或多个染色结果参数的数值,数字识别器450可以用作模型适合的拟合优度的量度。例如,可以确定决定系数R2,平均绝对误差、平均平方误差、标准偏差和/或平均绝对偏差。在各种示例性实施方案中,可以特别注意决定系数R2和平均绝对偏差。
根据各种示例性实施方案,采用14种染料前体作为颜色预处理参数以及采用毛发颜色的亮度L作为染色结果参数Z,进行计算机辅助确定毛发颜色性能的这种方法。
图5A和5B显示了两个图500和501,它们以不同的方式表示该方法。
在图5A中,应用依赖于测量亮度数值的建模的(预测的)亮度数值。理想地,数据点会在斜率为1的线上。
在图5B中,残差(residuals),即,建模的亮度数值与测量的亮度数值之间的绝对偏差表示成条形图。
为适合的拟合优度确定的数值实例R2=0.939,平均绝对误差=1.073,平均平方误差:2.337,标准偏差1.529和平均绝对偏差-0.06。
与图2和图3中描述的实例对比,其中采用线性回归来确定关系,在该实例中采用树集成产生更好的结果,诸如决定系数R2=0.939,如期望的,其为0.9-1,以及约为1的亮度(光度)的平均绝对误差小于感知阈值,从而计算数值可以不再与实验数值有区别。
附图没有显示通过树集成学习器对a*和b*的数值的实例建模。
为了该目的,基本上与上面对于确定亮度L*所述完全一样地进行计算机辅助确定毛发颜色性能的方法,区别在于采用列过滤器220,亮度L*的列不是为染色结果参数确定的,而是为红/绿参数a*或蓝/黄参数b*确定的。
在结点22通过数字识别器450确定适合的拟合优度,产生以下数值,其与对于L*的模型的数值具有类似的适合的拟合优度(准确度):
对a*确定的数值实例是R2=0.959,平均绝对误差=1.236,平均平方误差:4.067,标准偏差2.017和平均绝对偏差-0.115。
对适合的拟合优度确定的数值实例是R2=0.94,平均绝对误差=1.366,平均平方误差:4.763,标准偏差2.183和平均绝对偏差-0.063。
但是,在各种示例性实施方案中,代替线性回归或树集成学习器,也可以采用其他方法,诸如支持向量机或者神经元网络。
在采用神经元网络进行计算机辅助确定毛发颜色性能的示例性方法中(采用具有标准参数的多层感知模型),实现了图6A和图6B所示的结果。
图6A和6B显示了两个图600和601,它们以不同的方式表示了计算机辅助确定毛发颜色性能的方法的这些结果。
在图6A中,应用依赖于测量的亮度数值的建模的(预测的)亮度数值。理想地,数据点会在斜率为1的线上。
在图6B中,残差,即,建模的亮度数值与测量的亮度数值之间的绝对偏差表示成条形图(即,残差的频率分布)。
在这里,适合的拟合优度也比线性回归的情况好,但是比树集成学习器的情况差一点。
图7显示了根据示例性实施方案解释说明计算机辅助确定毛发颜色性能的方法的结果的图700。
在本实例中,基本上与对于图4、图5A和图5B描述的一样来进行所述方法,区别在于(通过列过滤器220)以三个参数L*、a*和b*而不是毛发颜色的亮度L*作为染色结果参数的形式,来选择毛发颜色本身。因此,(通过树集成学习器430)同时对于所有三个染色结果参数L*、a*和b*,来确定模型。
作为示例性实施方式的结果,图7中显示了颜色距离ΔE的条形图(没有指引符号),其中并入三个单个变量L*、a*和b*的区别来计算确定的颜色与测量的颜色之间的欧几里得(Euclidean)距离。在该步骤中,对于75%的数值,ΔE<2.5。
图8显示了根据示例性实施方案解释说明计算机辅助确定毛发颜色性能的方法的结果的图800。
在本实例中,基本上与对于图4、图5A和图5B描述的一样来进行所述方法,区别在于采用24次洗涤之后的耐洗牢度(表1或表2未示出),而不是毛发颜色的亮度L*。作为耐洗牢度的量度,可以采用颜色距离ΔE(称为ΔE00)。在图8中,应用根据模型计算的颜色距离,并且与实验测量的颜色距离相比,其中如期望的,数值基本上围绕斜率为1的直线散布。
额外的示例性实施方案的适合的拟合优度的数值结果是R2=0.883,平均绝对误差=0.22,平均平方误差=0.124,标准偏差=0.353和平均绝对偏差-0.01,其中采用12次洗涤之后的颜色距离(参见表2)作为染色结果参数(采用树集成学习器,如上面对于图4和图5A和5B所述)。在这种情况中,平均绝对误差,其相应于测量的耐洗牢度与计算的耐洗牢度之间的平均Δ(ΔE),远低于在Δ(ΔE)=0.22的任何可视的可分辨性。
图9显示了根据示例性实施方案解释说明计算机辅助确定毛发颜色性能的方法的结果的图900。
在本实例中,基本上与对于图4、图5A和图5B描述的一样来进行所述方法,区别在于采用测量灰色覆盖,而不是毛发颜色的亮度L*。
图10A、10B和10C显示了三个图,这三个图根据采用的模型的各种示例性实施方案,描绘了计算机辅助确定毛发颜色性能的方法的测量点的比例、真实函数和模型。
这证明了,虽然计算机辅助确定毛发颜色性能的方法典型地提供模型,模型不会无条件地提供毛发颜色数据的良好表示。对于好的模型,可以在各种示例性实施方案中选择大数据集,这可以从所述数据集选择训练数据集和确认数据集。
图2-9表示的示例性实施方案应该仅用于解释说明的目的。与上述实例相比,可以根据各种示例性实施方案在很多地方对计算机辅助确定毛发颜色性能的方法进行变化或扩展。例如,可以改变、扩展或限制颜色预处理参数用途和染色结果参数,可以改变确定颜色预处理参数与一个或多个染色结果参数之间的关系的算法,可以例如与由KNIME指定的标准参数不同地确定用来确定关系的参数,例如,可以以各种加权提供各种颜色预处理参数或染色结果参数,可以采用不同的计算机程序来进行步骤,等等。
此外,可以将数据分成测试集、训练集和确认集。
图10A至10C证实了,例如,可以限制待适应的函数的梯度(a degreeof afunction),这是因为,根据各种示例性实施方案,尽管计算机辅助确定毛发颜色性能的方法也可以为第一梯度(图10A)和第五梯度(图10C)函数递送结果,但是对三种模型(关系)的适合的拟合优度的对比揭示了,采用第四梯度函数的模型提供了三个模型中的最好结果。
图11显示了解释说明根据各种示例性实施方案的计算机辅助确定毛发颜色性能的方法的流程图;
在各种示例性实施方案中,计算机辅助确定毛发颜色性能的方法可以包括准备毛发颜色数据,其中毛发颜色数据可以包括多个毛发预处理参数的数值和多个染色步骤的至少一个染色结果参数的数值,其中对于多个染色步骤中的各染色步骤,所述多个颜色预处理参数包括第一染料前体的第一浓度和第二染料前体的第二浓度,其中,对于所述至少一个染色结果参数对应的多个染色步骤中的各染色步骤,具有关于毛发颜色性能的测量说明(1110),以及通过基于毛发颜色数据的预测分析,确定所述多个颜色预处理参数与所述至少一个染色结果参数之间的关系(1120)。
图12是根据各种示例性实施方案的计算机辅助确定毛发颜色性能的数据处理装置1210的图示1200。
数据处理装置1200可以是或者具有,例如,个人计算机、膝上计算机或者任何其它任意的适于执行计算机辅助确定毛发颜色性能的方法的数据处理装置,即,具有足够大的数据存储和充分强大的处理器的数据处理装置。
在各种示例性实施方案中,数据处理装置1200可以具有处理器1220。处理器1220可以,例如,是数据处理装置1200的微处理器或者具有这样的微处理器。
在各种示例性实施方案中,数据处理装置1200可以具有数据存储装置1230。数据存储装置可以是前述数据处理装置1200之一的内部或外部数据存储1230或者具有这样的数据存储1230。可以设置数据存储1230来存储数据,在执行计算机辅助确定毛发颜色性能(例如毛发颜色数据)的方法时,保存和/或回忆所述数据。
在各种示例性实施方案中,数据处理装置1200可以具有显示装置1240。显示装置1240可以为,例如,个人计算机、膝上计算机或任何其它任意的数据处理装置1200的屏幕。可以采用显示装置,例如表示计算机辅助确定毛发颜色性能的方法的结果,询问执行步骤的输入参数等。特别地,可以在毛发处理产品的购买位置("销售点")采用显示装置。
在各种示例性实施方案中,数据处理装置1200可以具有输入装置1250,用于向数据处理装置1200提供信息,输入装置1250诸如键盘、鼠标、显示装置1240的触敏表面等。
从对装置的描述中产生所述方法的额外的有利变体,反之亦然。
Claims (25)
1.计算机辅助确定毛发颜色性能的方法,其包括:准备毛发颜色数据,其中所述毛发颜色数据包括多个颜色预处理参数的数值和多个染色步骤中的至少一个染色结果参数的数值,对于多个染色步骤中的各染色步骤,所述多个颜色预处理参数包括第一染料前体的第一浓度和第二染料前体的第二浓度;其中对于所述至少一个染色结果参数对应的多个染色步骤中的各染色步骤,提供关于由染发产生的毛发颜色性能的测量说明;其中由染发产生的毛发颜色性能包括:在色空间参数化的毛发颜色的一个或多个参数,通过基于所述毛发颜色数据的预测分析,来确定所述多个颜色预处理参数与所述至少一个染色结果参数之间的关系,其中所述关系称为模型,所述模型通过预测分析来确定与每个颜色预处理参数的数值或多个颜色预处理参数的数值的组合对应的至少一个染色结果参数的数值,所述每个颜色预处理参数的数值或多个颜色预处理参数的数值的组合不相应于任何相应的实验数值。
2.根据权利要求1所述的方法,其还包括:对于选出的多个颜色预处理参数的数值组合,借助所述确定的关系来确定染色结果参数的数值,其中没有一个染色步骤的数值组合与所述选出的多个颜色预处理参数的该数值组合相同。
3.根据权利要求1或2所述的方法,其中所述预测分析采用选自一组方法中的至少一种方法,其中所述一组方法包括:线性回归或多元线性回归,多项式回归,神经元网络法,支持向量机法,和决策树法。
4.根据权利要求3所述的方法,其中所述决策树法采用决策树集成。
5.根据权利要求1、2或4所述的方法,其中所述多个颜色预处理参数还包括基础毛发颜色,其中所述基础毛发颜色可以在色空间参数化。
6.根据权利要求3所述的方法,其中所述多个颜色预处理参数还包括基础毛发颜色,其中所述基础毛发颜色可以在色空间参数化。
7.根据权利要求1、2、4或6所述的方法,其中所述多个颜色预处理参数还包括对毛发的预先损伤。
8.根据权利要求3所述的方法,其中所述多个颜色预处理参数还包括对毛发的预先损伤。
9.根据权利要求5所述的方法,其中所述多个颜色预处理参数还包括对毛发的预先损伤。
10.根据权利要求1、2、4、6、8或9所述的方法,其中所述多个颜色预处理参数还包括泛灰的程度。
11.根据权利要求3所述的方法,其中所述多个颜色预处理参数还包括泛灰的程度。
12.根据权利要求5所述的方法,其中所述多个颜色预处理参数还包括泛灰的程度。
13.根据权利要求7所述的方法,其中所述多个颜色预处理参数还包括泛灰的程度。
14.根据权利要求1、2、4、6、8、9和11-13中任一项所述的方法,其中所述至少一个染色结果参数包括通过染发产生的毛发颜色的其他性能,其中所述通过染发产生的毛发颜色的其他性能包括:耐洗牢度;耐光度;和灰色覆盖的容量。
15.根据权利要求3所述的方法,其中所述至少一个染色结果参数包括通过染发产生的毛发颜色的其他性能,其中所述通过染发产生的毛发颜色的其他性能包括:耐洗牢度;耐光度;和灰色覆盖的容量。
16.根据权利要求5所述的方法,其中所述至少一个染色结果参数包括通过染发产生的毛发颜色的其他性能,其中所述通过染发产生的毛发颜色的其他性能包括:耐洗牢度;耐光度;和灰色覆盖的容量。
17.根据权利要求7所述的方法,其中所述至少一个染色结果参数包括通过染发产生的毛发颜色的其他性能,其中所述通过染发产生的毛发颜色的其他性能包括:耐洗牢度;耐光度;和灰色覆盖的容量。
18.根据权利要求10所述的方法,其中所述至少一个染色结果参数包括通过染发产生的毛发颜色的其他性能,其中所述通过染发产生的毛发颜色的其他性能包括:耐洗牢度;耐光度;和灰色覆盖的容量。
19.根据权利要求1、2、4、6、8、9、11-13和15-18中任一项所述的方法,其中所述至少一个染色结果参数包括多个染色结果参数。
20.根据权利要求3所述的方法,其中所述至少一个染色结果参数包括多个染色结果参数。
21.根据权利要求5所述的方法,其中所述至少一个染色结果参数包括多个染色结果参数。
22.根据权利要求7所述的方法,其中所述至少一个染色结果参数包括多个染色结果参数。
23.根据权利要求10所述的方法,其中所述至少一个染色结果参数包括多个染色结果参数。
24.根据权利要求14所述的方法,其中所述至少一个染色结果参数包括多个染色结果参数。
25.用于执行计算机辅助确定毛发颜色性能的数据处理装置,其中所述数据处理装置被设置来执行根据权利要求1-24中任一项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102015225458.5 | 2015-12-16 | ||
DE102015225458.5A DE102015225458A1 (de) | 2015-12-16 | 2015-12-16 | Verfahren und Datenverarbeitungsvorrichtung zum computergestützten Ermitteln von Eigenschaften von Haarfarben |
PCT/EP2016/081357 WO2017103050A1 (de) | 2015-12-16 | 2016-12-16 | Verfahren und datenverarbeitungsvorrichtung zum computergestützten ermitteln von eigenschaften von haarfarben |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108431561A CN108431561A (zh) | 2018-08-21 |
CN108431561B true CN108431561B (zh) | 2021-08-03 |
Family
ID=57737707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680073369.2A Active CN108431561B (zh) | 2015-12-16 | 2016-12-16 | 计算机辅助确定毛发颜色性能的方法和数据处理装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11140967B2 (zh) |
EP (1) | EP3390992A1 (zh) |
CN (1) | CN108431561B (zh) |
DE (1) | DE102015225458A1 (zh) |
WO (1) | WO2017103050A1 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180125206A1 (en) * | 2016-11-09 | 2018-05-10 | Farouk Systems, Inc. | Method and apparatus for analyzing and treating hair |
KR20230144102A (ko) * | 2016-11-09 | 2023-10-13 | 엘지파루크 주식회사 | 모발을 분석하고 처리하기 위한 방법 및 장치 |
EP3460433A1 (en) * | 2017-09-20 | 2019-03-27 | Koninklijke Philips N.V. | Device for measuring hair properties |
DE102017217731B4 (de) | 2017-10-05 | 2019-05-23 | Henkel Ag & Co. Kgaa | Verfahren zum Ermitteln einer herstellerübergreifenden Haarfärbemittelempfehlung |
EP3846910A1 (en) | 2018-09-07 | 2021-07-14 | Henkel AG & Co. KGaA | Method for determining a correspondance between hair coloring agents and hair coloring results |
EP3671556A1 (en) * | 2018-12-18 | 2020-06-24 | Henkel AG & Co. KGaA | Method for determining a greyness level of a strand of hair |
EP3671754A1 (en) | 2018-12-18 | 2020-06-24 | Henkel AG & Co. KGaA | Method for determining a coloration product recommendation |
KR102511905B1 (ko) * | 2021-02-04 | 2023-03-20 | 주식회사 엘지생활건강 | 화장품의 색조 원료 획득 장치 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1138374A1 (de) * | 2000-03-29 | 2001-10-04 | Günther Birner | Verfahren zur Herstellung von Haarfarben oder Tönungen |
US20030065636A1 (en) * | 2001-10-01 | 2003-04-03 | L'oreal | Use of artificial intelligence in providing beauty advice |
CN1440503A (zh) * | 2000-05-12 | 2003-09-03 | 宝洁公司 | 分析头发并预测可获得的染发最终颜色的方法 |
US20040122782A1 (en) * | 2002-07-11 | 2004-06-24 | L'oreal | Process for determining the composition of a dye product |
JP2007212140A (ja) * | 2006-02-07 | 2007-08-23 | Kose Corp | 染毛色の予測方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6707929B2 (en) | 2000-05-12 | 2004-03-16 | The Procter & Gamble Company | Method for analyzing hair and predicting achievable hair dyeing ending colors |
JP2004144569A (ja) | 2002-10-23 | 2004-05-20 | Kose Corp | 染毛剤の染毛状態予測方法 |
US7523018B2 (en) * | 2005-02-28 | 2009-04-21 | Seethrough Ltd. | Hair coloring system |
EP2052034B1 (en) * | 2006-08-17 | 2016-06-08 | Basf Se | Thiol derivative dyes |
DE102007050434A1 (de) * | 2007-10-22 | 2009-04-23 | Henkel Ag & Co. Kgaa | Verfahren und Anordnung zum computergestützten Ermitteln mindestens einer Eigenschaft einer Haarcoloration basierend auf einer Formulierung aus chemisch reaktiven und/oder unreaktiven Rohstoffen, Verfahren und Anordnung zum computergestützten Ermitteln einer Formulierung einer Haarcoloration basierend auf chemisch reaktiven und/oder unreaktiven Rohstoffen, und Verfahren und Anordnung zum computergestützten Trainieren eines vorbestimmten Modells zum computergestützten Ermitteln mindestens einer Eigenschaft einer Haarcoloration basierend auf einer Formulierung aus chemisch reaktiven und/oder unreaktiven Rohstoffen |
US9177339B2 (en) * | 2008-03-03 | 2015-11-03 | Sure Tint Technologies, LLC | System and method for color preparation and management |
FR2984569B1 (fr) | 2011-12-20 | 2015-05-29 | Oreal | Methode de prediction individuelle de resultats de colorations capillaires |
US8788443B2 (en) * | 2011-12-23 | 2014-07-22 | Sap Ag | Automated observational decision tree classifier |
JP5928839B2 (ja) * | 2013-12-19 | 2016-06-01 | フリュー株式会社 | 画像処理装置および画像処理方法 |
WO2015166403A1 (en) * | 2014-04-27 | 2015-11-05 | Coloright Ltd. | Apparatus and method for customized hair-coloring |
MX367969B (es) * | 2014-04-27 | 2019-09-11 | Coloright Ltd | Aparato y metodo para analizar pelo y/o predecir un resultado de un tratamiento de coloracion del pelo. |
-
2015
- 2015-12-16 DE DE102015225458.5A patent/DE102015225458A1/de not_active Withdrawn
-
2016
- 2016-12-16 US US15/772,479 patent/US11140967B2/en active Active
- 2016-12-16 WO PCT/EP2016/081357 patent/WO2017103050A1/de active Application Filing
- 2016-12-16 EP EP16822432.7A patent/EP3390992A1/de active Pending
- 2016-12-16 CN CN201680073369.2A patent/CN108431561B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1138374A1 (de) * | 2000-03-29 | 2001-10-04 | Günther Birner | Verfahren zur Herstellung von Haarfarben oder Tönungen |
CN1440503A (zh) * | 2000-05-12 | 2003-09-03 | 宝洁公司 | 分析头发并预测可获得的染发最终颜色的方法 |
US20030065636A1 (en) * | 2001-10-01 | 2003-04-03 | L'oreal | Use of artificial intelligence in providing beauty advice |
US20040122782A1 (en) * | 2002-07-11 | 2004-06-24 | L'oreal | Process for determining the composition of a dye product |
JP2007212140A (ja) * | 2006-02-07 | 2007-08-23 | Kose Corp | 染毛色の予測方法 |
Also Published As
Publication number | Publication date |
---|---|
DE102015225458A1 (de) | 2017-06-22 |
WO2017103050A1 (de) | 2017-06-22 |
CN108431561A (zh) | 2018-08-21 |
US20180310692A1 (en) | 2018-11-01 |
EP3390992A1 (de) | 2018-10-24 |
US11140967B2 (en) | 2021-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108431561B (zh) | 计算机辅助确定毛发颜色性能的方法和数据处理装置 | |
US11367510B2 (en) | Method and data processing device for the computer-assisted determination of a hair dyeing agent for dyeing hair in a desired hair color and device for producing an individually determined hair dyeing agent | |
US6707929B2 (en) | Method for analyzing hair and predicting achievable hair dyeing ending colors | |
JP5080990B2 (ja) | ヘアカラーリングシステム | |
CA2407457C (en) | Method for analyzing hair and predicting achievable hair dyeing ending colors | |
CN103500264B (zh) | 计算油墨叠印的光谱特性 | |
Biancolillo et al. | Extension of SO-PLS to multi-way arrays: SO-N-PLS | |
US20210337955A1 (en) | Method for determining a correspondence between hair coloring agents and hair coloring results | |
Lin | A systematic approach of predicting color preference on the basis of gray relational grade | |
US20220053916A1 (en) | Method for determining a coloration product recommendation | |
JP6393911B2 (ja) | 着色材料の使用条件の決定方法 | |
JP2018191073A (ja) | 着色材料の配合量の算出方法 | |
JP2020536244A (ja) | ヘアカラーのクロスメーカー提案を決定するためのプロセス | |
RU2815612C2 (ru) | Визуализация тонирования древесины | |
JP2020134405A (ja) | 色予測装置および印刷画像予測装置。 | |
Cárdenas et al. | Key variables in the control of color in the textile supply chain | |
US11900507B2 (en) | Visualizing wood staining | |
Song et al. | Visualization of the Color Family Order System | |
Draus et al. | Formulation of colors using a genetic algorithm | |
Oulton et al. | Colour specification at the design to production interface |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |