В индустрии средств личной гигиены и косметики понимание характеристик волос имеет решающее значение для разработки более качественных средств по уходу за волосами и предоставления персонализированных рекомендаций. Традиционные методы анализа волос основаны на физическом отборе проб, микроскопической визуализации и экспертной оценке, что является трудоемким, дорогостоящим и субъективным процессом. Задача состоит в разработке решения на основе искусственного интеллекта, способного анализировать качество, структуру и ориентацию волос по одному изображению, предоставляя информацию о пушистости, способах расчесывания и 3D-реконструкции волос без необходимости использования специализированного оборудования для визуализации.
Для решения этой задачи мы разработали конвейер компьютерного зрения и глубокого обучения, способный выполнять полный анализ волос по изображению с одного ракурса. Конвейер включает в себя несколько моделей ИИ, обученных для:
- Сегментация волос по группам – определение общей области роста волос.
- Технология с уточнением сегментации для выделения тонких волосков на границе.
- Оценка карты прядей и глубины – извлечение информации об отдельных волосках и их глубине.
- 3D-реконструкция волос – создание 3D-модели пряди волос из одного изображения с использованием карт прядей и глубины.
Это решение на основе искусственного интеллекта автоматизирует и оптимизирует анализ волос, обеспечивая быстрые и точные результаты без необходимости использования высокопроизводительного оборудования для полной обработки изображений.
Система анализа волос на базе ИИ использует компьютерное зрение и глубокое обучение для получения подробной информации о волосах по одному изображению. Решение быстрое, масштабируемое и экономически эффективное, что делает его ценным для косметической, дерматологической и электронной коммерции. Благодаря возможности 3D-реконструкции волос, анализа пушистости и определения ориентации, эта технология открывает путь к диагностике волос нового поколения и виртуальному моделированию волос.
Особенности решения:
Массовая сегментация волос
- Обучил модель глубокого обучения на различных наборах данных о волосах для сегментации области волос на изображении.
- Использовались методы расширения данных для обработки вариаций цвета волос, фона, освещения и текстуры.
Модель альфа-маски для сегментации тонких волосков
- Для захвата более тонких прядей волос мы обучили модель, используя набор данных с вручную размеченными масками волос.
- Разработана модель искусственного интеллекта для автоматического создания тригонометрической карты для любого изображения волос.
- Для создания высококачественной альфа-маски, сохраняющей даже самые тонкие пряди волос, использовалась комбинация генерации Tri-map и сетей матирования.
Оценка карты протяженности берегов и глубины
- Были обучены отдельные модели глубокого обучения для извлечения карты ориентации и карты глубины волосяных прядей.
- Каждый волосок был размечен вручную, и на его основе была обучена модель карты волос на основе искусственного интеллекта.
- Получив изображение с одного ракурса, модель генерирует карту прядей и карту глубины в качестве выходных данных, которые являются промежуточными представлениями для моделирования 3D-структуры волос с использованием одного ракурса.
3D-реконструкция волос по изображению с одного ракурса
- Объединение карт прядей и карт глубины для создания 3D-модели волос с использованием дифференцируемого подхода к рендерингу.
- В результате мы получаем реалистичную 3D-реконструкцию волос, позволяющую визуализировать их с разных ракурсов.
Расчет показателя газированности
- Методы преобразования Фурье и обнаружения границ для выявления участков с вьющимися волосами.
- Разработана специальная методика расчета степени пушистости волос для анализа развевающихся прядей и прически.
- Оценка шипучести (по шкале от 0 до 10) представлена следующим образом.
-
-
- 0 (Гладкие волосы) – Без лишних прядей.
- 1-3 (слабая пушистость) – Незначительные отклонения.
- 4-7 (Средняя пушистость) – Заметные неровности прядей.
- 8-10 (сильная пушистость) – Чрезмерная непослушность и беспорядок.
-
Визуализация:
- Для проверки наложите сегментированную маску волос на входное изображение.
- Отобразить результат альфа-маски, показывающий отдельные пряди волос.
- Создайте тепловые карты для отображения уровня шипучести и ориентации нитей.
- Предоставьте интерактивную 3D-визуализацию реконструированной модели волос, позволяющую пользователям вращать и масштабировать изображение.
Оптимизация и портирование
Использовали TensorRT и оптимизацию ONNX для создания легковесных и быстрых моделей для выполнения в реальном времени. Применили ускорение GPU для параллельной обработки сегментации волос, карты прядей и оценки глубины.
Динамически регулировали разрешение изображения для достижения баланса между точностью и скоростью. Создали офлайн-версию с использованием PyTorch для профессионального использования. Интегрировали с облачными сервисами (AWS, Google Cloud) для масштабируемой обработки.
Достигнутые результаты
- Автоматизированный анализ волос с высокой точностью
- Помогает подобрать оптимальный уход за волосами с учетом их индивидуальной текстуры, пушистости и ориентации.
- Снижает зависимость от дорогостоящего микроскопического анализа.
- Косметическая индустрия: Компании, производящие средства для волос, могут анализировать типы волос для создания индивидуальных рецептур.
- Дерматология и здравоохранение: Дерматологи могут диагностировать заболевания, связанные с волосами, дистанционно.
- Приложения для виртуальной примерки и дополненной реальности: обеспечивают реалистичную симуляцию волос для виртуальной укладки.
