CN117783012A - 一种化妆品色素快速测定方法及装置 - Google Patents
一种化妆品色素快速测定方法及装置 Download PDFInfo
- Publication number
- CN117783012A CN117783012A CN202410207987.8A CN202410207987A CN117783012A CN 117783012 A CN117783012 A CN 117783012A CN 202410207987 A CN202410207987 A CN 202410207987A CN 117783012 A CN117783012 A CN 117783012A
- Authority
- CN
- China
- Prior art keywords
- pigment
- sample
- data
- spectrum
- representing
- 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.)
- Granted
Links
- 239000000049 pigment Substances 0.000 title claims abstract description 238
- 239000002537 cosmetic Substances 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000001228 spectrum Methods 0.000 claims abstract description 91
- 230000003595 spectral effect Effects 0.000 claims abstract description 62
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 50
- 238000004458 analytical method Methods 0.000 claims abstract description 32
- 239000013598 vector Substances 0.000 claims abstract description 30
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 29
- 238000005259 measurement Methods 0.000 claims abstract description 24
- 238000004737 colorimetric analysis Methods 0.000 claims abstract description 21
- 238000010521 absorption reaction Methods 0.000 claims description 37
- 238000001914 filtration Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 36
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 30
- 238000000605 extraction Methods 0.000 claims description 30
- 238000000862 absorption spectrum Methods 0.000 claims description 27
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 claims description 22
- 239000002904 solvent Substances 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 19
- 238000004090 dissolution Methods 0.000 claims description 15
- 239000000126 substance Substances 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 239000012535 impurity Substances 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000001678 irradiating effect Effects 0.000 claims description 4
- 239000000523 sample Substances 0.000 description 133
- 238000011176 pooling Methods 0.000 description 15
- RGCKGOZRHPZPFP-UHFFFAOYSA-N alizarin Chemical compound C1=CC=C2C(=O)C3=C(O)C(O)=CC=C3C(=O)C2=C1 RGCKGOZRHPZPFP-UHFFFAOYSA-N 0.000 description 10
- 235000012730 carminic acid Nutrition 0.000 description 10
- 230000004913 activation Effects 0.000 description 9
- 239000007787 solid Substances 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 239000007788 liquid Substances 0.000 description 6
- VPWFPZBFBFHIIL-UHFFFAOYSA-L disodium 4-[(4-methyl-2-sulfophenyl)diazenyl]-3-oxidonaphthalene-2-carboxylate Chemical compound [Na+].[Na+].[O-]S(=O)(=O)C1=CC(C)=CC=C1N=NC1=C(O)C(C([O-])=O)=CC2=CC=CC=C12 VPWFPZBFBFHIIL-UHFFFAOYSA-L 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004611 spectroscopical analysis Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 238000007790 scraping Methods 0.000 description 4
- 241000894007 species Species 0.000 description 4
- 230000003213 activating effect Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 239000004570 mortar (masonry) Substances 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 238000004566 IR spectroscopy Methods 0.000 description 2
- KFZMGEQAYNKOFK-UHFFFAOYSA-N Isopropanol Chemical compound CC(C)O KFZMGEQAYNKOFK-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004587 chromatography analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000004817 gas chromatography Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 238000000985 reflectance spectrum Methods 0.000 description 2
- 238000003756 stirring Methods 0.000 description 2
- 238000000870 ultraviolet spectroscopy Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000208202 Linaceae Species 0.000 description 1
- 235000004431 Linum usitatissimum Nutrition 0.000 description 1
- 238000012356 Product development Methods 0.000 description 1
- 235000012745 brilliant blue FCF Nutrition 0.000 description 1
- 238000005119 centrifugation Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007865 diluting Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000004128 high performance liquid chromatography Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000002198 insoluble material Substances 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000004811 liquid chromatography Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000012982 microporous membrane Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000012860 organic pigment Substances 0.000 description 1
- 239000003960 organic solvent Substances 0.000 description 1
- 238000001055 reflectance spectroscopy Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000009210 therapy by ultrasound Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Landscapes
- Spectrometry And Color Measurement (AREA)
Abstract
本发明公开了一种化妆品色素快速测定方法及装置,包括步骤:S1:提取样品:从化妆品中提取待测色素样品;S2:色度数据获取,使用色度计或色彩测量仪对待测色素样品进行色度测量:S3:光谱数据获取:采用色度学分析仪获取样品的色彩属性;S4:色度数据与光谱数据结合;S5:将一维特征向量传输至内置微处理器,采用训练好的卷积神经网络模型进行色素种类和浓度的识别;S6:显示屏显示卷积神经网络模型输出的色素种类和浓度。本申请将预处理后的色度数据和光谱数据拼接,结合光谱分析和色度学分析,采用训练好的卷积神经网络模型进行色素种类和浓度的识别,大大提高了准确度和自动化识别分析程度。
Description
技术领域
本申请涉及色素检测技术领域,具体涉及一种化妆品色素快速测定方法及装置。
背景技术
化妆品中的色素,作为赋予产品颜色的主要成分,其种类、浓度及分布直接影响到产品的外观品质和安全性。因此,快速准确地测定化妆品中色素的种类和浓度,对于确保化妆品的质量和符合相关安全标准至关重要。
传统的色素测定方法主要包括色谱分析、光谱分析等技术。色谱分析技术,如液相色谱(HPLC)和气相色谱(GC),虽然准确度高,但通常操作复杂,耗时较长,且需要昂贵的设备和专业的操作人员,不适合快速检测和现场分析。光谱分析技术,如紫外-可见光谱分析(UV-Vis)和红外光谱分析(IR),虽然操作相对简便,但在色素复杂混合的情况下,其分辨率和准确性往往受到限制。且光谱分析技术虽然相对简便,但在处理复杂样品或低浓度色素时的分辨率和灵敏度往往有限。此外,这些传统方法大多只能提供有限的化学信息,而不能直接给出色素的色度信息,这对于评估化妆品的颜色一致性和外观质量不够直接有效。
现有技术中,随着化妆品行业对色彩管理的重视,色度学分析技术逐渐被引入化妆品色素的测定中。色度学分析能够提供色彩的精确数值描述,有助于更好地控制化妆品的颜色一致性和品质。然而,单独的色度学分析技术无法提供色素的化学信息,如色素种类和浓度,因此需要与其他技术如光谱分析相结合,以获得更全面的色素信息。因此迫切需要一种能够综合多种特征的高准确度、高自动化的检测方法及设备。
现有技术难以满足快速生产检测的需求,尤其是在新产品开发和质量控制方面,迫切需要一种更高效、准确的色素测定技术。在这样的背景下,随着化妆品行业向个性化、高效率和环保方向发展,对色素测定方法的要求也越来越高。迫切需要一种既能够快速准确地测定化妆品中色素的种类和浓度的方法或设备,以满足现代化妆品行业对色素测定的高效率和高精度要求。此外,这种方法或设备还应具备操作简便、成本低廉、适用性广泛等特点,以便于在化妆品生产和质量控制中广泛应用。
发明内容
针对现有技术中提到的上述问题,为解决上述技术问题,本发明提供了一种化妆品色素快速测定方法及装置,该方法S1:提取样品:从化妆品中提取待测色素样品;S2:色度数据获取:S3:光谱数据获取:采用色度学分析仪获取样品的色彩属性;S4:色度数据与光谱数据结合;S5:将一维特征向量传输至内置微处理器,采用训练好的卷积神经网络模型进行色素种类和浓度的识别;S6:显示屏显示卷积神经网络模型输出的色素种类和浓度。本申请结合光谱分析和色度学分析的方法相比于传统的色素测定技术,显著提高了测定的效率和速度,此外光谱分析提供了色素的详细化学特性,而色度学分析则提供了色素的精确色彩属性,将预处理后的色度数据和光谱数据拼接,采用训练好的卷积神经网络模型进行色素种类和浓度的识别,大大提高了准确度和自动化识别分析程度。
本申请提供一种化妆品色素快速测定方法,包括步骤:
S1:从化妆品中提取待测色素样品;
S2:色度数据获取,使用色度计或色彩测量仪对待测色素样品进行色度测量,测量色素样品的反射光或透射光,记录色彩空间的值,包括L亮度、C饱和度、h色调;
S3:光谱数据获取,对色素样品进行溶解过滤得到待测色素溶液,将待测色素溶液置入光谱分析模块,光谱分析模块使用光源照射待测色素溶液,记录吸收光谱或反射光谱;
S4:色度数据与光谱数据结合,对获取的色度数据和光谱数据进行预处理;将预处理后的色度数据和光谱数据拼接形成一维特征向量;
S5:将一维特征向量传输至内置微处理器,采用训练好的卷积神经网络模型进行色素种类和浓度的识别;卷积神经网络采用基于光谱特征重要性加权的损失函数:
N表示训练样本的总数,表示第i个样本的真实标签,/>表示第i个样本的一维特征向量,M表示光谱特征的数量,/>表示第j个光谱特征的重要性权重,/>表示在学习参数θ下,对第i个样本在第j个光谱特征位置的预测输出,/>表示自然对数函数,表示正则化参数,/>表示均方误差损失项,用于量化卷积神经网络模型预测的色素浓度与实际浓度/>之间的差异,/>表示第i个样本的真实色素浓度值;/>表示在学习参数θ下输入/>时的预测浓度输出;
S6:显示屏显示卷积神经网络模型输出的色素种类和浓度。
优选地,所述S1:从化妆品中提取待测色素样品,包括 S11:选择待测的化妆品样品,包括口红或眼影或粉底;
S12:使用样品提取工具微型刮刀或刷子,从化妆品表面刮取样品。
优选地,所述对获取的色度数据和光谱数据进行预处理,包括采用低通滤波对色度数据和光谱数据进行处理,滤除异常点或噪声;采用对于色度数据L、C、h和光谱数据,通过除以各自数据集的最大值进行归一化,使得所有数据落在0到1之间。
优选地,所述记录吸收光谱或反射光谱,吸收光谱包括吸收峰波长、吸收峰强度、吸收峰宽度,反射光谱包括反射峰波长和反射峰强度。
优选地,所述对色素样品进行溶解过滤得到待测色素溶液,包括:
S31:将刮取的样品置于预置的溶剂乙醇或丙酮中进行溶解;
S32:使用离心机或过滤器,将溶液中的未溶解物质和杂质去除,得到待测色素溶液。
本发明还包括一种化妆品色素快速测定装置,包括:
样品提取模块,配置有样品提取工具微型刮刀或刷子,从化妆品中提取待测色素样品;
色度数据模块,包含色度计或色彩测量仪,用于对待测色素样品进行色度测量,测量色素样品的反射光或透射光,记录色彩空间的值,包括L亮度、C饱和度、h色调;
光谱数据获取模块,包含光谱分析模块,对色素样品进行溶解过滤得到待测色素溶液,将待测色素溶液置入光谱分析模块,光谱分析模块使用光源照射待测色素溶液,记录吸收光谱或反射光谱;
色度数据与光谱数据结合模块,对获取的色度数据和光谱数据进行预处理;将预处理后的色度数据和光谱数据拼接形成一维特征向量;
分析识别模块,内置微处理器配备训练好的卷积神经网络模型,将一维特征向量传输至微处理器,采用训练好的卷积神经网络模型进行色素种类和浓度的识别;卷积神经网络采用基于光谱特征重要性加权的损失函数:
N表示训练样本的总数,表示第i个样本的真实标签,/>表示第i个样本的一维特征向量,M表示光谱特征的数量,/>表示第j个光谱特征的重要性权重,/>表示在学习参数θ下,对第i个样本在第j个光谱特征位置的预测输出,/>表示自然对数函数,/>表示正则化参数,/>表示均方误差损失项,用于量化卷积神经网络模型预测的色素浓度与实际浓度/>之间的差异,/>表示第i个样本的真实色素浓度值;表示在学习参数θ下输入/>时的预测浓度输出;
显示模块,显示屏显示卷积神经网络模型输出的色素种类和浓度。
优选地,所述样品提取模块,配置有样品提取工具微型刮刀或刷子,从化妆品中提取待测色素样品,包括:选择待测的化妆品样品口红或眼影或粉底;使用样品提取工具微型刮刀或刷子,从化妆品表面刮取样品。
优选地,所述对获取的色度数据和光谱数据进行预处理,包括采用低通滤波对色度数据和光谱数据进行处理,滤除异常点或噪声;采用对于色度数据L、C、h和光谱数据,通过除以各自数据集的最大值进行归一化,使得所有数据落在0到1之间。
优选地,所述记录吸收光谱或反射光谱,吸收光谱包括吸收峰波长、吸收峰强度、吸收峰宽度,反射光谱包括反射峰波长和反射峰强度。
优选地,所述对色素样品进行溶解过滤得到待测色素溶液,包括:将刮取的样品置于预置的溶剂乙醇或丙酮中进行溶解;使用离心机或过滤器,将溶液中的未溶解物质和杂质去除,得到待测色素溶液。
本发明提供了一种化妆品色素快速测定方法及装置,所能实现的有益技术效果如下:
本发明结合光谱分析和色度学分析的方法相比于传统的色素测定技术,显著提高了测定的效率和速度,此外光谱分析提供了色素的详细化学特性,而色度学分析则提供了色素的精确色彩属性,将预处理后的色度数据和光谱数据拼接,采用训练好的卷积神经网络模型进行色素种类和浓度的识别,大大提高了准确度和自动化识别分析程度。
本发明卷积神经网络采用基于光谱特征重要性加权的损失函数,在损失函数中,加入光谱特征的数量,以及加入/>表示第j个光谱特征的重要性权重,大大提升了训练的卷积神经网络模型预测计算准确度,且损失函数中存在学习参数θ,使得卷积神经网络模型能够得到动态更新。
本发明将色度数据L亮度、C饱和度、h色调与光谱数据记录吸收光谱或反射光谱,吸收光谱包括吸收峰波长、吸收峰强度、吸收峰宽度,反射光谱包括反射峰波长和反射峰强度,色度数据与光谱数据结合模块,对获取的色度数据和光谱数据进行预处理;将预处理后的色度数据和光谱数据拼接形成一维特征向量;进而进行识别,大大增强了卷积神经网络的数据丰富度,使得浓度和种类识别更准确。
附图说明
为了更清楚地说明本申请的技术方案,下面将对本申请的描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的一种化妆品色素快速测定方法方法步骤示意图;
图2是本发明的一种化妆品色素快速测定装置示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1:
针对现有技术中提到的上述问题,为解决上述技术问题,如附图1所示:提供一种化妆品色素快速测定方法,其特征在于,包括步骤:
一种化妆品色素快速测定方法,包括步骤:
S1:从化妆品中提取待测色素样品;
在一些实施例中,从液体化妆品中提取色素,液体化妆品:指甲油、液体口红等。样品准备:取适量的液体化妆品样品放入小试管中。溶剂添加:向试管中加入适量的有机溶剂(如乙醇、丙酮或异丙醇),用于溶解色素。比例大约为1:1,根据具体化妆品的性质调整。混合与分离:使用振荡器对试管内的混合物进行充分振荡,以确保色素完全溶解。然后静置一段时间,让未溶解的固体成分沉淀。提取色素溶液:使用移液枪或滴管谨慎抽取上层清澈的色素溶液,避免吸取底部的沉淀物。
在一些实施例中:从固体化妆品中提取色素,固体化妆品例如:眼影、粉底、口红等。样品刮取:使用微型刮刀或刷子轻轻从固体化妆品表面刮取少量样品。溶剂处理:将刮取的样品放入含有适量溶剂(如乙醇、丙酮)的小烧杯中。超声波处理:将烧杯放入超声波清洗器中,使用超声波处理几分钟,帮助色素从样品中完全释放并溶解。过滤提纯:通过微孔滤膜或离心机过滤处理,去除未溶解的固体颗粒,得到清澈的色素溶液。
在一些实施例中:从膏体化妆品中提取色素,膏体化妆品例如:遮瑕膏、唇膏等。样品采集:直接从膏体化妆品中取适量样品。溶解与稀释:将取得的样品放入含有预选溶剂的容器中,充分搅拌或振荡,使样品完全溶解。加热可选:对于难以溶解的色素,可以在控温条件下轻微加热,以促进溶解过程。清洁提取:同样通过过滤或离心处理,除去不溶物,收集纯净的色素溶液进行后续分析。
S2:色度数据获取,使用色度计或色彩测量仪对待测色素样品进行色度测量,测量色素样品的反射光或透射光,记录色彩空间的值,包括L亮度、C饱和度、h色调;将色度计或色彩测量仪器校准,以确保测量结果的准确性。
在一些实施例中,将仪器的探头对准涂抹有口红样品的表面,确保探头与样品表面垂直。激活仪器,记录反射光的测量结果。仪器会自动计算并显示L、C、h值:L值(亮度):反映了口红色素在视觉上的明暗程度,数值范围从0(完全黑)到100(完全白)。C值(饱和度):表示色彩的纯度或饱和程度,数值越高,色彩越饱和。h值(色调):表示色彩的角度,范围从0°到360°,不同的数值代表不同的颜色(如0°为红色,120°为绿色,240°为蓝色)。数据记录:将测量得到的L*、C*、h值记录下来,这些数据将用于后续的色素分析。
在一些实施例中,将Lab空间取代L、C、h,在化妆品色素快速测定方法中,获取色度数据是关键的一步,特别是采用CIE Lab色彩空间(简称Lab色彩空间),用于准确描述颜色的视觉感知。Lab色彩空间包含三个轴:L轴表示亮度(从黑0到白100),a轴表示从绿色(负值)到红色(正值)的色彩对比度,b轴表示从蓝色(负值)到黄色(正值)的色彩对比度。以下是具体步骤:测定粉底液的颜色属性,步骤 1:样品准备,选择一款市售的粉底液作为待测样品。在一个标准的白瓷砖或光滑的白色基板上滴放一小滴粉底液,使用刮板轻轻均匀涂开,形成薄膜以便进行测量。步骤 2:使用色度计进行测量使用经过校准的色度计或色彩测量仪器对准备好的粉底液样品。确保测量环境光线稳定,避免外部光线干扰。激活色度计,开始测量样品的反射光,仪器将自动计算并记录L*, a*, b*值。步骤 3:数据记录与分析,测得的Lab值为:L = 65, a* = 15, b* = 20,这组数据反映了粉底液的亮度较高,色彩偏向于温暖色调(红色和黄色成分较多)。记录这些值,它们将作为后续色素种类和浓度识别过程中的重要参考数据。
S3:光谱数据获取,对色素样品进行溶解过滤得到待测色素溶液,将待测色素溶液置入光谱分析模块,光谱分析模块使用光源照射待测色素溶液,记录吸收光谱或反射光谱;
在一些实施例中,测定唇膏中的色素光谱,步骤1:样品制备选择一款市售的唇膏作为待测样品。使用微型刮刀从唇膏中刮取适量的样品,并将其置于试管中。向试管中加入适量的溶剂(例如乙醇),使用振荡器充分振荡,确保唇膏样品完全溶解。使用离心机或过滤器去除溶液中的未溶解物质,得到清澈的待测色素溶液。步骤2:光谱数据获取将清澈的色素溶液转移到光谱分析仪的样品槽中。设置光谱分析仪,选择适当的波长范围(例如,从200nm到800 nm)进行扫描。启动光谱分析仪,使用其内置的光源照射待测色素溶液,记录吸收光谱。光谱分析仪自动记录在整个波长范围内的吸收强度,生成吸收光谱图。实施例分析,光谱分析结果显示,在450 nm处有一个显著的吸收峰,表明该色素在蓝光区域有较强的吸收,这对于识别色素的化学结构和颜色属性非常重要。此外,如果在其他特定波长(如550nm和650 nm)也观察到吸收峰,这些信息可以进一步用于分析色素的复合结构或检测多种色素的存在。
S4:色度数据与光谱数据结合,对获取的色度数据和光谱数据进行预处理;将预处理后的色度数据和光谱数据拼接形成一维特征向量;分析一款口红中的色素成分。
在一个实施例中,首先,从口红样品中提取色素,并获取色度数据和光谱数据。步骤 1:数据获取,色度数据:使用色度计测量得到L = 50, a = 20, b = 15。光谱数据:使用光谱分析仪在200 nm到800 nm的范围内对色素溶液进行测量,记录了在特定波长(例如,350 nm, 450 nm, 550 nm)的吸收强度分别为0.8, 0.6, 0.4。步骤2:数据预处理,归一化:为了使数据范围统一,对色度数据和光谱数据进行归一化处理,使所有值落在0到1之间。例如,在已知数据范围内,L*、a*、b*值分别进行归一化,光谱数据同样处理。去噪声:对光谱数据应用低通滤波器处理,以滤除可能的噪声,保留有用的信号。步骤3:特征向量拼接,将预处理后的色度数据和光谱数据拼接成一个一维特征向量。例如,如果归一化后的色度数据为[0.5, 0.2, 0.15],归一化后的光谱数据为[0.8, 0.6, 0.4],则拼接后的特征向量为[0.5, 0.2, 0.15, 0.8, 0.6, 0.4]。
在一些实施例中,分析一款口红中的色素成分。首先,从口红样品中提取色素,并获取色度数据(在LCh色彩空间中)和光谱数据。步骤1:数据获取,色度数据:使用色度计测量得到L* = 48, C* = 36, h = 310°。这组数据表示口红色素的亮度较低,色彩饱和度较高,且主要呈现紫红色调。光谱数据:使用光谱分析仪在可见光范围(400 nm到700 nm)对色素溶液进行测量,特别关注于450 nm, 500 nm, 550 nm, 600 nm, 650 nm处的吸收值,分别为0.75, 0.60, 0.55, 0.45, 0.30。步骤2:数据预处理,归一化:对L*, C*, h值进行归一化处理,以及对光谱数据的吸收值进行归一化,使所有数据值位于0到1之间。例如,L*、C*、h值按其可能的范围进行归一化。去噪声:对光谱数据应用适当的去噪声算法,如平滑滤波,以提高数据质量。步骤3:特征向量拼接,将预处理后的色度数据和光谱数据拼接成一个一维特征向量。例如,如果归一化后的色度数据为[0.48, 0.36, 0.86](h值已转换为[0,1]区间),光谱数据为[0.75, 0.60, 0.55, 0.45, 0.30],则拼接后的特征向量为[0.48,0.36, 0.86, 0.75, 0.60, 0.55, 0.45, 0.30]。
S5:将一维特征向量传输至内置微处理器,采用训练好的卷积神经网络模型进行色素种类和浓度的识别;卷积神经网络采用基于光谱特征重要性加权的损失函数
N表示训练样本的总数,表示第i个样本的真实标签,/>表示第i个样本的一维特征向量,M表示光谱特征的数量,/>表示第j个光谱特征的重要性权重,/>表示在学习参数θ下,对第i个样本在第j个光谱特征位置的预测输出,/>表示自然对数函数,/>表示正则化参数,/>表示均方误差损失项,用于量化卷积神经网络模型预测的色素浓度与实际浓度/>之间的差异,/>表示第i个样本的真实色素浓度值;/>表示在学习参数θ下输入/>时的预测浓度输出;
在一个实施例中,CNN模型来分析化妆品中的色素成分。该模型的结构可以设计如下:输入层:接收预处理后的一维特征向量,例如,一个长度为N的向量,包含了归一化的色度和光谱数据。第一卷积层:使用一组卷积滤波器对输入数据进行处理,提取初级特征。例如,使用32个大小为3的滤波器,步长为1。该层后接一个激活函数,如ReLU,用于增加非线性处理能力。池化层:采用最大池化方法,减少数据维度,保留重要特征。例如,使用2x2的池化窗口,步长为2。第二卷积层:进一步提取特征,使用更多的滤波器,例如64个大小为3的滤波器。同样,使用ReLU作为激活函数。全连接层:将卷积层输出的高维特征向量“展平”,并连接到一个或多个全连接层上,以进行复杂的非线性组合。例如,首个全连接层有256个节点。
输出层:根据任务的需求设计。对于色素种类的分类任务,输出层的节点数等于预测的色素种类数,并使用softmax激活函数来输出每个类别的概率。对于色素浓度的回归任务,输出层只有一个节点,直接输出色素浓度的预测值,无需激活函数。
在一个实施例中,需要分析一款唇膏中的色素成分。通过实验室测试,我们已经获得了该唇膏的色度和光谱数据,并通过预处理形成了一个一维特征向量。这个特征向量被输入到上述CNN模型中。在第一卷积层,模型通过学习到的滤波器识别出色彩饱和度和特定波长吸收强度的初级模式。经过池化层后,数据维度减少,而重要的特征被保留下来。第二卷积层进一步细化特征提取,捕捉更复杂的色素特性。在全连接层,这些特征被综合考虑,模型基于全面的数据分析做出最终的色素种类和浓度预测。通过这种方法,CNN模型能够有效地从化妆品样品中的色度和光谱数据中识别出特定的色素成分及其浓度,为化妆品质量控制和安全评估提供了一种强有力的工具。
在一个实施例中,输入层输入尺寸:根据预处理后的一维特征向量的长度确定为128维,包括色度和光谱数据。第一卷积层 (Conv1):滤波器数量:32,滤波器尺寸:3,激活函数:ReLU,该层目的:提取低级特征,如边缘和简单的色彩模式。第一池化层 (Pool1):池化类型:最大池化,池化窗口尺寸:2,池化步长:2,该层目的:降低特征维度,保留重要信息。第二卷积层 (Conv2):滤波器数量:64,滤波器尺寸:3,激活函数:ReLU,该层目的:从第一层提取的特征中提取更复杂的模式。第二池化层 (Pool2):池化类型:最大池化,池化窗口尺寸:2,池化步长:2,该层目的:进一步降低数据维度,聚焦于关键特征。扁平化层 (Flatten):该层目的:将之前卷积和池化层的多维输出扁平化成一维,以便全连接层处理。第一个全连接层 (FC1):节点数:128,激活函数:ReLU,该层目的:进行高级特征的非线性组合。第二个全连接层 (FC2):节点数:64,激活函数:ReLU。
输出层的节点数:根据实际需要确定。如果是色素种类预测,节点数对应色素种类的数量;如果是色素浓度预测,只有一个节点。激活函数:对于多分类问题,使用Softmax激活函数;对于回归问题(如浓度预测),不使用激活函数或使用线性激活函数。训练和优化,优化器:通常采用Adam优化器,因为它结合了Adagrad和RMSprop优化器的优点,能够自动调整学习率,适用于大多数情况。批量大小和迭代次数:根据数据集的大小和复杂度选择合适的批量大小和迭代次数,以达到最佳的训练效果。
S6:显示屏显示卷积神经网络模型输出的色素种类和浓度。色素种类预测:在一些实施例中,模型被训练来识别三种常见的口红色素——胭脂红(Red 6),茜素(Carmine),和亚麻露蓝(Blue 1)。色素浓度预测:模型同样能够预测每种色素在样品中的浓度百分比。分析结果示例口红样品后,CNN模型输出如下预测结果:色素种类:胭脂红(Red 6)和茜素(Carmine)。色素浓度:胭脂红(Red 6)的浓度为2.5%,茜素(Carmine)的浓度为1.8%。在一些实施例中,在显示屏的上半部,列出检测到的色素种类:“检测到的色素:胭脂红(Red 6),茜素(Carmine)”。在中间部分,详细展示各色素的浓度:“胭脂红(Red 6)浓度:2.5%,茜素(Carmine)浓度:1.8%”。在下半部,根据色素种类和浓度提供安全信息或使用建议,例如:“所有检测到的色素均符合国际化妆品安全标准”。
在一些实施例中,所述S1:从化妆品中提取待测色素样品,包括 S11:选择待测的化妆品样品,包括口红或眼影或粉底;准备工具:准备无菌的微型刮刀、小型研钵和研杵、以及用于溶解色素的溶剂(乙醇或丙酮)。此外,准备一个小试管或烧杯用于收集溶解后的色素溶液。样品刮取:在无尘、干净的工作台上,使用微型刮刀轻轻从口红表面刮取一小部分样品。刮取的量根据后续分析需求决定,通常几毫克到几十毫克即可。样品研磨:将刮取的口红样品置入研钵中,使用研杵轻轻研磨,以便更好地与溶剂接触和溶解。溶解样品:向研钵中加入适量的溶剂(乙醇),充分混合,使口红样品完全溶解。这一步骤需要轻微加热,以帮助色素更好地溶解。过滤与收集:使用微孔滤膜或细密过滤器将溶解后的色素溶液过滤到小试管或烧杯中,去除未溶解的固体颗粒和杂质,得到清澈的色素溶液。样品标记:在试管或烧杯上贴上标签,记录化妆品品牌、色号、提取日期和任何其他相关信息,以便于后续分析和记录。
S12:使用样品提取工具微型刮刀或刷子,从化妆品表面刮取样品。在一些实施例中:从固体眼影中提取色素样品,分析一款固体眼影中的色素成分。步骤 S12:使用样品提取工具从化妆品表面刮取样品,准备工具和材料:微型刮刀或细毛刷子。无菌的小型容器或试管,用于收集刮取的眼影样品。乙醇或丙酮,用作溶解色素的溶剂。个人防护装备,如手套和口罩,以保护操作人员并防止样品污染。样品刮取:首先,在清洁的工作台面上铺设一层无菌纸巾,放置眼影盒。佩戴好个人防护装备。使用微型刮刀轻轻从眼影表面刮取约10mg的样品。如果使用细毛刷子,可以轻轻刷取同等量的眼影粉末。小心地将刮取或刷取的眼影样品转移到准备好的小型容器或试管中。样品标记:在容器或试管上贴上标签,记录眼影的品牌、色号、提取日期等信息。溶解样品(后续处理步骤):向容器或试管中加入适量的溶剂(几毫升乙醇或丙酮),充分振摇或轻轻搅拌,使眼影样品完全溶解。样品存储:如果不立即进行分析,应将溶解后的样品密封保存在冰箱中,避免光照和高温对样品造成影响。
在一些实施例中,所述对获取的色度数据和光谱数据进行预处理,包括采用低通滤波对色度数据和光谱数据进行处理,滤除异常点或噪声;采用对于色度数据L、C、h和光谱数据,通过除以各自数据集的最大值进行归一化,使得所有数据落在0到1之间。在一些实施例中处理化妆品色素的色度和光谱数据,处理一款腮红的色素数据,旨在分析其色度属性(L、C、h值)和在特定波长下的光谱吸收强度。步骤1:收集数据,色度数据:通过色度计测量得到的L、C、h值分别为50、30、120。光谱数据:在400 nm、500 nm、600 nm、700 nm的波长处测量得到的吸收强度分别为0.8、0.6、0.4、0.2。步骤2:低通滤波处理,为了去除测量过程中可能产生的噪声,对光谱数据应用低通滤波器。在滤波后,数据保持不变,说明原始数据质量较好,没有明显的高频噪声。步骤 3:归一化处理,色度数据归一化:由于L、C、h值的量程分别为0-100、0-100和0-360,通过以下方式归一化:L值归一化:L=50/100=0.5;C值归一化:C=30/100=0.3;h值归一化:h=120/360=0.33;光谱数据归一化:已知吸收强度的范围是0到1(已在此范围),则光谱数据已经处于归一化状态。步骤 4:生成一维特征向量,将归一化后的色度数据和光谱数据合并,形成一维特征向量:0.5,0.3,0.33,0.8,0.6,0.4,0.2。
在一些实施例中,所述记录吸收光谱或反射光谱,吸收光谱包括吸收峰波长、吸收峰强度、吸收峰宽度,反射光谱包括反射峰波长和反射峰强度。分析一款蓝色眼影的色素光谱,一款蓝色眼影中的色素成分。首先,从眼影样品中提取色素,并准备好待测色素溶液。步骤1:吸收光谱分析,设备设置:将待测色素溶液置于光谱分析仪的样品槽中,并设置扫描范围通常为200 nm到800 nm,覆盖了可见光区域及部分紫外和近红外区域。光谱记录:启动光谱分析仪,记录样品在整个扫描范围内的吸收光谱。数据分析:分析得到的吸收光谱图,发现在450 nm处有一个显著的吸收峰,这表明色素强烈吸收对应波长的光,是蓝色眼影呈现蓝色的原因。吸收峰强度为0.75(相对单位),峰宽度大约为20 nm。步骤2:反射光谱分析,设备设置:如果眼影样品为固体或粉末,可以直接对其表面进行反射光谱测量。光谱记录:使用反射光谱仪测量样品的反射光谱。数据分析:在反射光谱中,在550 nm(绿色光区域)处观察到反射峰,其反射峰强度为0.6(相对单位),表示该色素在绿色光区域有较强的反射能力,这与其蓝色外观相符合。
在一些实施例中,所述对色素样品进行溶解过滤得到待测色素溶液,包括:S31:将刮取的样品置于预置的溶剂乙醇或丙酮中进行溶解;S32:使用离心机或过滤器,将溶液中的未溶解物质和杂质去除,得到待测色素溶液。在一些实施例中,提取和准备一款粉底液中的色素溶液,分析一款粉底液中的色素成分,需要从该化妆品中提取色素样品,并准备待测色素溶液。步骤 S31:溶解色素样品,样品准备:首先,使用微型刮刀或滴管从粉底液容器中取出适量的样品(约为0.5 mL)。选择溶剂:根据色素的化学性质选择合适的溶剂。在本例中,我们选择乙醇作为溶剂,因为它能有效溶解多数有机色素。溶解过程:将取出的粉底液样品置于预先准备好的小烧杯或试管中,加入约5 mL的乙醇。使用玻璃棒轻轻搅拌,或将试管置于振荡器上轻微振荡几分钟,以帮助样品完全溶解。步骤 S32:过滤去除未溶解物质,使用过滤器:如果溶解后的溶液中存在未溶解的固体颗粒或其他杂质,需要使用微孔滤膜或细密过滤器进行过滤。将过滤器安装在漏斗上,漏斗下方放置一个收集瓶。过滤操作:将溶解后的色素溶液缓慢倒入装有过滤器的漏斗中,让溶液通过过滤器自然滤入收集瓶中。对于较大体积的溶液,需要适当时间才能完成过滤。收集待测色素溶液:过滤完成后,收集瓶中的就是清澈的待测色素溶液,此时溶液中应已去除所有未溶解物质和杂质。样品标记:对收集好的色素溶液进行标记,记录化妆品名称、批号、提取日期及使用的溶剂等信息,以备后续分析之用。
本发明还包括一种化妆品色素快速测定装置,如图2所示,包括:
样品提取模块,配置有样品提取工具微型刮刀或刷子,从化妆品中提取待测色素样品;
色度数据模块,包含色度计或色彩测量仪,用于对待测色素样品进行色度测量,测量色素样品的反射光或透射光,记录色彩空间的值,包括L亮度、C饱和度、h色调;
光谱数据获取模块,包含光谱分析模块,对色素样品进行溶解过滤得到待测色素溶液,将待测色素溶液置入光谱分析模块,光谱分析模块使用光源照射待测色素溶液,记录吸收光谱或反射光谱;
色度数据与光谱数据结合模块,对获取的色度数据和光谱数据进行预处理;将预处理后的色度数据和光谱数据拼接形成一维特征向量;
分析识别模块,内置微处理器配备训练好的卷积神经网络模型,将一维特征向量传输至微处理器,采用训练好的卷积神经网络模型进行色素种类和浓度的识别;卷积神经网络采用基于光谱特征重要性加权的损失函数:
N表示训练样本的总数,表示第i个样本的真实标签,/>表示第i个样本的一维特征向量,M表示光谱特征的数量,/>表示第j个光谱特征的重要性权重,/>表示在学习参数θ下,对第i个样本在第j个光谱特征位置的预测输出,/>表示自然对数函数,表示正则化参数,/>表示均方误差损失项,用于量化卷积神经网络模型预测的色素浓度与实际浓度/>之间的差异,/>表示第i个样本的真实色素浓度值;表示在学习参数θ下输入/>时的预测浓度输出;
显示模块,显示屏显示卷积神经网络模型输出的色素种类和浓度。在一些实施例中:1. 样品提取模块功能:该模块配备微型刮刀和细毛刷子,用于从各种化妆品(如口红、眼影、粉底等)中提取待测色素样品。操作方式:操作人员根据待测化妆品的具体类型选择合适的工具(刮刀或刷子)进行样品提取。2. 色度数据模块功能:内含色度计或色彩测量仪,用于测量从化妆品中提取的色素样品的色度值(L、C、h)。数据获取:该模块直接与样品提取模块相连,样品提取后即可在此模块进行色度测量。3. 光谱数据获取模块功能:包含光谱分析仪,用于对溶解过滤后的色素溶液进行光谱分析,记录吸收光谱或反射光谱。样品处理:从样品提取模块获得的色素样品,需先在此模块使用溶剂溶解并过滤,然后进行光谱分析。4. 色度数据与光谱数据结合模块功能:负责对色度数据和光谱数据进行预处理,包括低通滤波和归一化处理,然后将处理后的数据拼接成一维特征向量。数据处理:接收来自色度数据模块和光谱数据获取模块的数据,进行必要的预处理后生成一维特征向量。5. 分析识别模块功能:内置微处理器配备了训练好的卷积神经网络(CNN)模型,用于分析一维特征向量,进行色素种类和浓度的识别。数据分析:该模块接收来自色度数据与光谱数据结合模块的一维特征向量,通过CNN模型分析后输出色素的种类和浓度信息。6. 显示模块功能:展示CNN模型的输出结果,包括色素的种类和浓度。结果展示:该模块直接与分析识别模块相连,以图形或文字形式在显示屏上展示分析结果。装置的工作流程,样品提取:操作人员使用样品提取模块中的工具从化妆品中提取色素样品。色度测量:提取的样品送至色度数据模块进行色度值测量。光谱分析:同时,样品经溶解和过滤后送至光谱数据获取模块进行光谱分析。数据预处理与分析:色度和光谱数据经预处理后合并为一维特征向量,在分析识别模块通过CNN模型进行分析。结果展示:分析结果通过显示模块展示给操作人员,包括色素的种类和浓度信息。
在一些实施例中,所述样品提取模块,配置有样品提取工具微型刮刀或刷子,从化妆品中提取待测色素样品,包括:选择待测的化妆品样品口红或眼影或粉底;使用样品提取工具微型刮刀或刷子,从化妆品表面刮取样品。
在一些实施例中,所述对获取的色度数据和光谱数据进行预处理,包括采用低通滤波对色度数据和光谱数据进行处理,滤除异常点或噪声;采用对于色度数据L、C、h和光谱数据,通过除以各自数据集的最大值进行归一化,使得所有数据落在0到1之间。
在一些实施例中,所述记录吸收光谱或反射光谱,吸收光谱包括吸收峰波长、吸收峰强度、吸收峰宽度,反射光谱包括反射峰波长和反射峰强度。
在一些实施例中,所述对色素样品进行溶解过滤得到待测色素溶液,包括:将刮取的样品置于预置的溶剂乙醇或丙酮中进行溶解;使用离心机或过滤器,将溶液中的未溶解物质和杂质去除,得到待测色素溶液。
本发明提供了一种化妆品色素快速测定方法及装置,所能实现的有益技术效果如下:
1.本发明结合光谱分析和色度学分析的方法相比于传统的色素测定技术,显著提高了测定的效率和速度,此外光谱分析提供了色素的详细化学特性,而色度学分析则提供了色素的精确色彩属性,将预处理后的色度数据和光谱数据拼接,采用训练好的卷积神经网络模型进行色素种类和浓度的识别,大大提高了准确度和自动化识别分析程度。
2.本发明卷积神经网络采用基于光谱特征重要性加权的损失函数,在损失函数中,加入光谱特征的数量,以及加入/>表示第j个光谱特征的重要性权重,大大提升了训练的卷积神经网络模型预测计算准确度,且损失函数中存在学习参数θ,使得卷积神经网络模型能够得到动态更新。
3.本发明将色度数据L亮度、C饱和度、h色调与光谱数据记录吸收光谱或反射光谱,吸收光谱包括吸收峰波长、吸收峰强度、吸收峰宽度,反射光谱包括反射峰波长和反射峰强度,色度数据与光谱数据结合模块,对获取的色度数据和光谱数据进行预处理;将预处理后的色度数据和光谱数据拼接形成一维特征向量;进而进行识别,大大增强了卷积神经网络的数据丰富度,使得浓度和种类识别更准确。
以上对一种化妆品色素快速测定方法及装置进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的核心思想;同时,对于本领域的一般技术人员,依据本发明的思想和方法,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种化妆品色素快速测定方法,其特征在于,包括步骤:
S1:从化妆品中提取待测色素样品;
S2:色度数据获取,使用色度计或色彩测量仪对待测色素样品进行色度测量,测量色素样品的反射光或透射光,记录色彩空间的值,包括L亮度、C饱和度、h色调;
S3:光谱数据获取,对色素样品进行溶解过滤得到待测色素溶液,将待测色素溶液置入光谱分析模块,光谱分析模块使用光源照射待测色素溶液,记录吸收光谱或反射光谱;
S4:色度数据与光谱数据结合,对获取的色度数据和光谱数据进行预处理;将预处理后的色度数据和光谱数据拼接形成一维特征向量;
S5:将一维特征向量传输至内置微处理器,采用训练好的卷积神经网络模型进行色素种类和浓度的识别;卷积神经网络采用基于光谱特征重要性加权的损失函数:
N表示训练样本的总数,表示第i个样本的真实标签,/>表示第i个样本的一维特征向量,M表示光谱特征的数量,/>表示第j个光谱特征的重要性权重,/>表示在学习参数θ下,对第i个样本在第j个光谱特征位置的预测输出,/>表示自然对数函数,/>表示正则化参数,/>表示均方误差损失项,用于量化卷积神经网络模型预测的色素浓度与实际浓度/>之间的差异,/>表示第i个样本的真实色素浓度值;/>表示在学习参数θ下输入时的预测浓度输出;
S6:显示屏显示卷积神经网络模型输出的色素种类和浓度。
2. 如权利要求1所述的一种化妆品色素快速测定方法,其特征在于,所述S1:从化妆品中提取待测色素样品,包括 S11:选择待测的化妆品样品,包括口红或眼影或粉底;
S12:使用样品提取工具微型刮刀或刷子,从化妆品表面刮取样品。
3.如权利要求1所述的一种化妆品色素快速测定方法,其特征在于,所述对获取的色度数据和光谱数据进行预处理,包括采用低通滤波对色度数据和光谱数据进行处理,滤除异常点或噪声;采用对于色度数据L、C、h和光谱数据,通过除以各自数据集的最大值进行归一化,使得所有数据落在0到1之间。
4.如权利要求1所述的一种化妆品色素快速测定方法,其特征在于,所述记录吸收光谱或反射光谱,吸收光谱包括吸收峰波长、吸收峰强度、吸收峰宽度,反射光谱包括反射峰波长和反射峰强度。
5.如权利要求1所述的一种化妆品色素快速测定方法,其特征在于,所述对色素样品进行溶解过滤得到待测色素溶液,包括:
S31:将刮取的样品置于预置的溶剂乙醇或丙酮中进行溶解;
S32:使用离心机或过滤器,将溶液中的未溶解物质和杂质去除,得到待测色素溶液。
6.一种化妆品色素快速测定装置,其特征在于,包括:
样品提取模块,配置有样品提取工具微型刮刀或刷子,从化妆品中提取待测色素样品;
色度数据模块,包含色度计或色彩测量仪,用于对待测色素样品进行色度测量,测量色素样品的反射光或透射光,记录色彩空间的值,包括L亮度、C饱和度、h色调;
光谱数据获取模块,包含光谱分析模块,对色素样品进行溶解过滤得到待测色素溶液,将待测色素溶液置入光谱分析模块,光谱分析模块使用光源照射待测色素溶液,记录吸收光谱或反射光谱;
色度数据与光谱数据结合模块,对获取的色度数据和光谱数据进行预处理;将预处理后的色度数据和光谱数据拼接形成一维特征向量;
分析识别模块,内置微处理器配备训练好的卷积神经网络模型,将一维特征向量传输至微处理器,采用训练好的卷积神经网络模型进行色素种类和浓度的识别;卷积神经网络采用基于光谱特征重要性加权的损失函数:
N表示训练样本的总数,表示第i个样本的真实标签,/>表示第i个样本的一维特征向量,M表示光谱特征的数量,/>表示第j个光谱特征的重要性权重,/>表示在学习参数θ下,对第i个样本在第j个光谱特征位置的预测输出,/>表示自然对数函数,/>表示正则化参数,/>表示均方误差损失项,用于量化卷积神经网络模型预测的色素浓度与实际浓度/>之间的差异,/>表示第i个样本的真实色素浓度值;/>表示在学习参数θ下输入时的预测浓度输出;
显示模块,显示屏显示卷积神经网络模型输出的色素种类和浓度。
7.如权利要求6所述的一种化妆品色素快速测定装置,其特征在于,所述样品提取模块,配置有样品提取工具微型刮刀或刷子,从化妆品中提取待测色素样品,包括:选择待测的化妆品样品口红或眼影或粉底;使用样品提取工具微型刮刀或刷子,从化妆品表面刮取样品。
8.如权利要求6所述的一种化妆品色素快速测定装置,其特征在于,所述对获取的色度数据和光谱数据进行预处理,包括采用低通滤波对色度数据和光谱数据进行处理,滤除异常点或噪声;采用对于色度数据L、C、h和光谱数据,通过除以各自数据集的最大值进行归一化,使得所有数据落在0到1之间。
9.如权利要求6所述的一种化妆品色素快速测定装置,其特征在于,所述记录吸收光谱或反射光谱,吸收光谱包括吸收峰波长、吸收峰强度、吸收峰宽度,反射光谱包括反射峰波长和反射峰强度。
10.如权利要求6所述的一种化妆品色素快速测定装置,其特征在于,所述对色素样品进行溶解过滤得到待测色素溶液,包括:将刮取的样品置于预置的溶剂乙醇或丙酮中进行溶解;使用离心机或过滤器,将溶液中的未溶解物质和杂质去除,得到待测色素溶液。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410207987.8A CN117783012B (zh) | 2024-02-26 | 2024-02-26 | 一种化妆品色素快速测定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410207987.8A CN117783012B (zh) | 2024-02-26 | 2024-02-26 | 一种化妆品色素快速测定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117783012A true CN117783012A (zh) | 2024-03-29 |
CN117783012B CN117783012B (zh) | 2024-05-14 |
Family
ID=90391288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410207987.8A Active CN117783012B (zh) | 2024-02-26 | 2024-02-26 | 一种化妆品色素快速测定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117783012B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114414681A (zh) * | 2021-12-30 | 2022-04-29 | 珠海天祥粤澳质量技术服务有限公司 | 一种同时测定化妆品中的多种色素的方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101389937A (zh) * | 2006-02-24 | 2009-03-18 | 阿克佐诺贝尔国际涂料股份有限公司 | 分析具有效应颜料的涂料膜的方法 |
US20150085279A1 (en) * | 2013-09-19 | 2015-03-26 | Spectral Sensors Inc. | Systems and Methods for Measuring Spectra of Skin and Other Objects and Materials and Making Predictions Based Thereon |
CN105092040A (zh) * | 2015-08-31 | 2015-11-25 | 陕西科技大学 | 一种新型颜色测量系统及其测量方法 |
WO2016174367A1 (fr) * | 2015-04-30 | 2016-11-03 | Carlini Rosanna | Complexe protéomélanique bioassimilable, préparation et utilisations |
CN112649091A (zh) * | 2020-12-28 | 2021-04-13 | 武汉精测电子集团股份有限公司 | 一种用于led拼接显示屏校准的色度测量方法及装置 |
WO2021093354A1 (zh) * | 2019-11-11 | 2021-05-20 | 中国药科大学 | 一种基于人工智能的中药识别方法 |
CN113537233A (zh) * | 2021-06-03 | 2021-10-22 | 北京航空航天大学 | 融合可见光和近红外信息的典型目标材质属性提取方法及装置 |
CA3193786A1 (en) * | 2020-10-08 | 2022-04-14 | Ampacet Corporation | Systems and methods for masterbatch feed control based on color feedback |
CN115808402A (zh) * | 2022-12-13 | 2023-03-17 | 淮阴工学院 | 一种红花中是否含有染色剂的检测方法 |
CN115968075A (zh) * | 2022-12-26 | 2023-04-14 | 天津大学 | 一种用于文物照明的智能照明系统及其控制方法 |
CN116519661A (zh) * | 2023-05-08 | 2023-08-01 | 哈尔滨工程大学 | 一种基于卷积神经网络的大米识别检测方法 |
-
2024
- 2024-02-26 CN CN202410207987.8A patent/CN117783012B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101389937A (zh) * | 2006-02-24 | 2009-03-18 | 阿克佐诺贝尔国际涂料股份有限公司 | 分析具有效应颜料的涂料膜的方法 |
US20150085279A1 (en) * | 2013-09-19 | 2015-03-26 | Spectral Sensors Inc. | Systems and Methods for Measuring Spectra of Skin and Other Objects and Materials and Making Predictions Based Thereon |
WO2016174367A1 (fr) * | 2015-04-30 | 2016-11-03 | Carlini Rosanna | Complexe protéomélanique bioassimilable, préparation et utilisations |
CN105092040A (zh) * | 2015-08-31 | 2015-11-25 | 陕西科技大学 | 一种新型颜色测量系统及其测量方法 |
WO2021093354A1 (zh) * | 2019-11-11 | 2021-05-20 | 中国药科大学 | 一种基于人工智能的中药识别方法 |
CA3193786A1 (en) * | 2020-10-08 | 2022-04-14 | Ampacet Corporation | Systems and methods for masterbatch feed control based on color feedback |
CN112649091A (zh) * | 2020-12-28 | 2021-04-13 | 武汉精测电子集团股份有限公司 | 一种用于led拼接显示屏校准的色度测量方法及装置 |
CN113537233A (zh) * | 2021-06-03 | 2021-10-22 | 北京航空航天大学 | 融合可见光和近红外信息的典型目标材质属性提取方法及装置 |
CN115808402A (zh) * | 2022-12-13 | 2023-03-17 | 淮阴工学院 | 一种红花中是否含有染色剂的检测方法 |
CN115968075A (zh) * | 2022-12-26 | 2023-04-14 | 天津大学 | 一种用于文物照明的智能照明系统及其控制方法 |
CN116519661A (zh) * | 2023-05-08 | 2023-08-01 | 哈尔滨工程大学 | 一种基于卷积神经网络的大米识别检测方法 |
Non-Patent Citations (4)
Title |
---|
SHANSHAN LI等: "A Simplified Computational Model for Circadian Stimulus Based on Illuminance, Correlated Color Temperature, and Color Rendering Index", IEEE PHOTONICS JOURNAL, vol. 14, no. 6, 29 September 2022 (2022-09-29), pages 3762510 * |
李玉梅;陈浩杰;刘传杰;: "浅谈印刷原稿光谱颜色复制的发展", 中国印刷, no. 10, 15 October 2017 (2017-10-15), pages 77 - 80 * |
肖子英;李群;许愿;: "炫色染发 新年改变从头开始", 中国化妆品(行业), no. 1, 15 February 2013 (2013-02-15), pages 50 - 51 * |
赵勇;荣康;谈爱玲;: "基于一维卷积神经网络的雌激素粉末拉曼光谱定性分类", 光谱学与光谱分析, no. 12, 15 December 2019 (2019-12-15), pages 109 - 114 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114414681A (zh) * | 2021-12-30 | 2022-04-29 | 珠海天祥粤澳质量技术服务有限公司 | 一种同时测定化妆品中的多种色素的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117783012B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117783012B (zh) | 一种化妆品色素快速测定方法及装置 | |
Rigon et al. | A novel method for the estimation of soybean chlorophyll content using a smartphone and image analysis | |
Leona et al. | Fiber optics reflectance spectroscopy: a unique tool for the investigation of Japanese paintings | |
Koehler et al. | Near infrared spectroscopy: the practical chemical imaging solution | |
Attas et al. | Near-infrared spectroscopic imaging in art conservation: investigation of drawing constituents | |
Mansfield et al. | Near infrared spectroscopic reflectance imaging: a new tool in art conservation | |
Colantonio et al. | Hypercolorimetric multispectral imaging system for cultural heritage diagnostics: an innovative study for copper painting examination | |
CN110108629A (zh) | 一种日化品中微塑料颗粒的检测方法 | |
CN100489502C (zh) | 一种使荧光法与其它方法测得水中油含量有可比性的方法 | |
Adolf et al. | Microspectrophotometry/colour measurement | |
CN106841167A (zh) | 果蔬农药残留的无损检测方法 | |
Qin et al. | Detection of organic residues on poultry processing equipment surfaces by LED-induced fluorescence imaging | |
Cosentino et al. | Multispectral imaging and the art expert | |
CN107576600A (zh) | 一种抹茶粒度等级的快速检测方法 | |
JP6669796B2 (ja) | 染色体異常判定装置 | |
Edelman | Spectral analysis of blood stains at the crime scene | |
Portalés et al. | An image-based system to preliminary assess the quality of grape harvest batches on arrival at the winery | |
Wetzer et al. | Image processing using color space models for forensic fiber detection | |
CN108885169B (zh) | 谷类的精磨度评价方法及其装置 | |
CN103163086B (zh) | 黄曲霉毒素的太赫兹波谱检测方法 | |
Mounier et al. | Front-face fluorescence spectroscopy of tryptophan and fluorescein using laser induced fluorescence and excitation emission matrix fluorescence | |
KR102255346B1 (ko) | 인공신경망 학습을 통한 시료의 분석방법 및 분석장치 | |
JP2006300615A (ja) | 外観検査装置及び外観検査方法 | |
Rizzutto et al. | Analytical techniques applied to study Cultural Heritage objects | |
Walbridge-Jones | Microspectrophotometry for textile fiber color measurement |
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 |