生发剂的智能制备方法及其系统与流程

1.本发明涉及智能化制备技术领域，尤其涉及一种生发剂的智能制备方法及其系统。


背景技术：

2.随着人们对个人形象和健康的关注度不断提高，头发保健越来越受到重视。生发剂作为一种常见的头发保健产品，其主要功能是促进头发生长、增强头发质量。
3.然而，传统的生发剂制备方法通常基于手工调配和试错的方式，需要大量的实验和经验积累。并且由于每个人的头发和头皮情况差异，同样的配方并不能够适用于所有人。此外，传统方法往往只考虑了几种原材料的组合，缺乏对头发和头皮综合因素的全面考虑，导致生发效果不够理想。
4.因此，期望一种优化的生发剂的智能制备方案。


技术实现要素：

5.本发明实施例提供一种生发剂的智能制备方法及其系统，其基于用户的头发信息和生发需求选择合适的生发剂配方；基于所述生发剂配方进行生发剂调配以得到配制完成的生发剂；以及，使用喷头或刷子，将所述配制完成的生发剂均匀涂抹在所述用户的头皮上，并按摩头皮促进生发剂的吸收。这样，能够基于用户的实际情况和生发需求来选择适合的生发剂配方类型，从而优化生发效果，以满足用户的生发需求。
6.本发明实施例还提供了一种生发剂的智能制备方法，其包括：
7.基于用户的头发信息和生发需求选择合适的生发剂配方；
8.基于所述生发剂配方进行生发剂调配以得到配制完成的生发剂；以及
9.使用喷头或刷子，将所述配制完成的生发剂均匀涂抹在所述用户的头皮上，并按摩头皮促进生发剂的吸收。
10.本发明实施例中，所述基于用户的头发信息和生发需求选择合适的生发剂配方，包括：获取用户的头发图像、头皮图像和生发需求的文本描述；将所述头发图像通过基于第一卷积神经网络模型的头发特征提取器以得到头发特征向量；将所述头皮图像通过基于第二卷积神经网络模型的头皮特征提取器以得到头皮特征向量；融合所述头发特征向量和所述头皮特征向量以得到头发-头皮联合特征向量；对所述生发需求的文本描述进行分词处理后通过包含词嵌入层的语义编码器以得到生发需求语义理解特征向量；对所述头发-头皮联合特征向量和所述生发需求语义理解特征向量进行关联编码以得到现状-目标关联特征矩阵；对所述现状-目标关联特征矩阵进行特征分布优化以得到优化现状-目标关联特征矩阵；以及，将所述优化现状-目标关联特征矩阵通过分类器以得到分类结果，所述分类结果用于表示推荐的生发剂配方的类型标签。
11.本发明实施例中，将所述头发图像通过基于第一卷积神经网络模型的头发特征提取器以得到头发特征向量，包括：使用所述基于第一卷积神经网络模型的头发特征提取器
的各层在层的正向传递中对输入数据分别进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述基于第一卷积神经网络模型的头发特征提取器的最后一层的输出为所述头发特征向量，其中，所述基于第一卷积神经网络模型的头发特征提取器的第一层的输入为所述头发图像。
12.本发明实施例中，将所述头皮图像通过基于第二卷积神经网络模型的头皮特征提取器以得到头皮特征向量，包括：使用所述基于第二卷积神经网络模型的头皮特征提取器的各层在层的正向传递中对输入数据分别进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述基于第二卷积神经网络模型的头皮特征提取器的最后一层的输出为所述头皮特征向量，其中，所述基于第二卷积神经网络模型的头皮特征提取器的第一层的输入为所述头皮图像。
13.本发明实施例中，对所述生发需求的文本描述进行分词处理后通过包含词嵌入层的语义编码器以得到生发需求语义理解特征向量，包括：对所述生发需求的文本描述进行分词处理以将所述生发需求的文本描述转化为由多个词组成的词序列；使用所述包含词嵌入层的语义编码器的词嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列；以及，使用所述包含词嵌入层的语义编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述生发需求语义理解特征向量。
14.本发明实施例中，使用所述包含词嵌入层的语义编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述生发需求语义理解特征向量，包括：将所述词向量的序列进行一维排列以得到全局词特征向量；计算所述全局词特征向量与所述词向量的序列中各个词向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；以及，分别以所述多个概率值中各个概率值作为权重对所述词向量的序列中各个词向量进行加权以得到所述生发需求语义理解特征向量。
15.本发明实施例中，对所述头发-头皮联合特征向量和所述生发需求语义理解特征向量进行关联编码以得到现状-目标关联特征矩阵，包括：以如下编码公式对所述头发-头皮联合特征向量和所述生发需求语义理解特征向量进行关联编码以得到现状-目标关联特征矩阵；其中，所述编码公式为：
[0016][0017]
其中，va表示所述头发-头皮联合特征向量，表示所述头发-头皮联合特征向量的转置向量，vc表示所述生发需求语义理解特征向量，m1表示所述现状-目标关联特征矩阵，表示矩阵相乘。
[0018]
本发明实施例中，对所述现状-目标关联特征矩阵进行特征分布优化以得到优化现状-目标关联特征矩阵，包括：以如下优化公式对所述现状-目标关联特征矩阵的每个位置的特征值进行空间多源融合验前信息分布优化以得到所述优化现状-目标关联特征矩阵；其中，所述优化公式为：
[0019]
[0020][0021]
其中，m
i，j
是所述现状-目标关联特征矩阵的第(i，j)位置的特征值，m和n为邻域设置超参数，且当k或者j小于等于零或者大于所述现状-目标关联特征矩阵的宽度或者高度时，特征值m
k，l
设置为零或者一，log表示以2为底的对数函数，m
i，j
′
是所述优化现状-目标关联特征矩阵的第(i，j)位置的特征值。
[0022]
本发明实施例中，将所述优化现状-目标关联特征矩阵通过分类器以得到分类结果，所述分类结果用于表示推荐的生发剂配方的类型标签，包括：将所述优化现状-目标关联特征矩阵按照行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
[0023]
本发明实施例还提供了一种生发剂的智能制备系统，其包括：
[0024]
配方选择模块，用于基于用户的头发信息和生发需求选择合适的生发剂配方；
[0025]
调配模块，用于基于所述生发剂配方进行生发剂调配以得到配制完成的生发剂；以及
[0026]
涂抹模块，用于使用喷头或刷子，将所述配制完成的生发剂均匀涂抹在所述用户的头皮上，并按摩头皮促进生发剂的吸收。
[0027]
本发明实施例中，生发剂的智能制备方法及其系统，其基于用户的头发信息和生发需求选择合适的生发剂配方；基于所述生发剂配方进行生发剂调配以得到配制完成的生发剂；以及，使用喷头或刷子，将所述配制完成的生发剂均匀涂抹在所述用户的头皮上，并按摩头皮促进生发剂的吸收。这样，能够基于用户的实际情况和生发需求来选择适合的生发剂配方类型，从而优化生发效果，以满足用户的生发需求。
附图说明
[0028]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
[0029]
图1为本发明实施例中提供的一种生发剂的智能制备方法的应用场景图。
[0030]
图2为本发明实施例中提供的一种生发剂的智能制备方法的流程图。
[0031]
图3为本发明实施例中提供的一种生发剂的智能制备方法中步骤110的子步骤的流程图。
[0032]
图4为本发明实施例中提供的一种生发剂的智能制备方法中步骤110的系统架构的示意图。
[0033]
图5为本发明实施例中提供的一种生发剂的智能制备方法中步骤115的子步骤的流程图。
[0034]
图6为本发明实施例中提供的一种生发剂的智能制备方法中步骤1153的子步骤的流程图。
[0035]
图7为本发明实施例中提供的一种生发剂的智能制备方法中步骤118的子步骤的
流程图。
[0036]
图8为本发明实施例中提供的一种生发剂的智能制备系统的框图。
具体实施方式
[0037]
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
[0038]
如上所述，传统的生发剂制备方法通常基于手工调配和试错的方式，需要大量的实验和经验积累。并且由于每个人的头发和头皮情况差异，同样的配方并不能够适用于所有人。此外，传统方法往往只考虑了几种原材料的组合，缺乏对头发和头皮综合因素的全面考虑，导致生发效果不够理想。因此，期望一种优化的生发剂的智能制备方案。
[0039]
具体地，在本技术的技术方案中，提出了一种生发剂的智能制备方法，其包括：基于用户的头发信息和生发需求选择合适的生发剂配方；基于所述生发剂配方进行生发剂调配以得到配制完成的生发剂，其中所述调配步骤包括浸提、过滤、混合、加热、冷却和研磨工序；使用喷头或刷子，将所述配制完成的生发剂均匀涂抹在所述用户的头皮上，并按摩头皮促进生发剂的吸收。
[0040]
相应地，考虑到在实际进行生发剂的智能制备过程中，需要基于用户的头发信息和生发需求选择合适的生发剂配方，以此来满足不同用户的头发实际情况的生发需求。但是，由于用户的头发实际情况中包含有头发信息和头皮信息，其中，头发信息包括头发的长度、密度、质地、颜色等一系列特征，可以帮助判断头发的健康状况和需要改善的问题，例如断发、稀疏等；而头皮信息则包括头皮的油腻程度、干湿程度、敏感程度等特征，有助于判断头皮的健康状况和需要改善的问题，例如头皮屑、瘙痒等。
[0041]
基于此，在本技术的技术方案中，期望基于对用户的头发图像和头皮图像进行综合分析，并对用户生发需求的文本描述进行语义理解，以此来进行生发剂配方的制定，从而提高用户的满意度。然而，由于所述用户的头发图像和头皮图像中多存在有大量的无用干扰信息，而关于用户的头发特征和头皮特征在图像中为隐性的小尺度特征，难以进行捕捉提取。并且，每个用户的说话习惯不同，难以对用户生发需求的文本描述进行准确地语义理解。因此，在此过程中，难点在于如何进行所述用户的头发隐含特征和头皮隐含特征的关联特征与所述用户生发需求的语义理解特征之间的关联性特征信息的充分表达，以此基于用户的实际情况和生发需求来选择适合的生发剂配方类型，从而优化生发效果，以满足用户的生发需求。
[0042]
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述土壤表观状态的隐含特征分布信息和所述气象数据的各个参数数据项的时序协同关联特征信息提供了新的解决思路和方案。
[0043]
具体地，在本技术的技术方案中，首先，获取用户的头发图像、头皮图像和生发需求的文本描述。应可以理解，不同人的头发和头皮情况不同，需要针对性地选择适合的生发剂配方。通过获取所述用户的头发图像和头皮图像可以得到头发和头皮的特征信息，有助于更加精准地制定生发剂配方。具体来说，头发信息包括头发的长度、密度、质地、颜色等一
系列特征，可以帮助判断头发的健康状况和需要改善的问题，例如断发、稀疏等。而头皮信息则包括头皮的油腻程度、干湿程度、敏感程度等特征，有助于判断头皮的健康状况和需要改善的问题，例如头皮屑、瘙痒等。通过对头发信息和头皮信息的综合分析，可以选择适合用户的生发剂配方成分和比例，从而满足用户的生发需求。同时，通过所述生发需求的文本描述可以进一步了解用户的具体需求，例如想要增强头发质量或促进头发生长等，从而根据用户的需求调整生发剂配方的成分比例和种类。
[0044]
然后，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来分别进行所述用户的头发图像和头皮图像的特征挖掘。具体地，将所述头发图像通过基于第一卷积神经网络模型的头发特征提取器中进行特征挖掘，以提取出所述用户的头发图像中关于用户头发的隐含特征分布信息，例如头发的长度、密度、质地和颜色等隐含特征信息，从而得到头发特征向量。并且，将所述头皮图像通过基于第二卷积神经网络模型的头皮特征提取器中进行处理，以提取出所述用户的头皮图像中关于用户头皮的隐含特征分布信息，例如头皮的油腻程度、干湿程度和敏感程度等隐含特征信息，从而得到头皮特征向量。
[0045]
接着，进一步再融合所述头发特征向量和所述头皮特征向量以得到头发-头皮联合特征向量，以此来表示所述用户的头发隐含特征和头皮隐含特征之间的融合关联特征分布信息。应可以理解，所述用户的头发隐含特征可以帮助判断头发的健康状况和需要改善的问题，例如断发、稀疏等；所述用户的头皮隐含特征有助于判断头皮的健康状况和需要改善的问题，例如头皮屑、瘙痒等。因此，通过对头发信息和头皮信息的综合分析，可以选择适合用户的生发剂配方成分和比例，从而满足用户的生发需求。
[0046]
进一步地，为了探究用户的生发需求信息，需要对于所述用户的生发需求的文本描述进行语义理解，但是由于每个用户的表达方式习惯不同，导致其生发需求的文本描述也不一样。因此，在本技术的技术方案中，为了能够对于所述用户的生发需求进行准确地语义理解，需要对所述生发需求的文本描述进行分词处理后通过包含词嵌入层的语义编码器中进行编码，以此来提取出所述用户的生发需求基于全局的上下文语义关联特征信息，从而得到生发需求语义理解特征向量。
[0047]
然后，再对所述头发-头皮联合特征向量和所述生发需求语义理解特征向量进行关联编码以得到现状-目标关联特征矩阵，以此来表示所述用户的头发和头皮的隐含关联特征和所述用户的生发需求语义理解特征之间的关联性特征信息。这样，能够综合用户实际的头发和头皮情况以及生发需求来进行生发剂配方类型的推荐。也就是，进一步将所述现状-目标关联特征矩阵作为分类特征矩阵通过分类器中进行分类处理，以得到用于表示推荐的生发剂配方的类型标签的分类结果。也就是说，所述分类器的分类标签为生发剂配方的类型标签，因此，在得到所述分类结果后，可以基于所述分类结果来选择适合的生发剂配方类型，以此来优化生发效果，从而满足用户的生发需求。
[0048]
特别地，在本技术的技术方案中，在对所述头发一头皮联合特征向量和所述生发需求语义理解特征向量进行关联编码得到所述现状-目标关联特征矩阵时，是对所述头发-头皮联合特征向量表达的融合后的头发图像和头皮图像的图像语义特征和所述生发需求语义理解特征向量表达的所述生发需求的文本描述的文本语义特征进行逐位置关联编码。
[0049]
这里，考虑到所述头发-头皮联合特征向量和所述生发需求语义理解特征向量的每个位置的特征值均在整体图像/文本语义分布内表达特定的局部特征分布，因此所述现
状-目标关联特征矩阵可以看作为所述头发-头皮联合特征向量和所述生发需求语义理解特征向量的相应的局部特征的空间关联融合。
[0050]
并且，考虑到作为源数据的头发/头皮图像与所述生发需求的文本描述本身之间的多源信息关联性，因此，所述现状-目标关联特征矩阵的各个局部特征分布之间除了具有相互关联的邻域分布关系外，还具有对应于所述头发-头皮联合特征向量和所述生发需求语义理解特征向量所表达的信息的多源信息关联关系。
[0051]
因此，为了提升所述现状-目标关联特征矩阵作为整体对所述头发-头皮联合特征向量和所述生发需求语义理解特征向量的关联分布表达效果，本技术的申请人对所述现状-目标关联特征矩阵的每个位置的特征值m
i，j
进行空间多源融合验前信息分布优化，以获得优化后的特征值m
i，j
′
，具体表示为：
[0052][0053][0054]
其中m和n为邻域设置超参数，且当k或者j小于等于零或者大于所述特征矩阵的宽度或者高度时，特征值m
k,l
可以设置为零或者一。
[0055]
这里，所述空间多源融合验前信息分布优化可以基于特征空间分布融合的稳健性类极大似然估计，来将所述现状-目标关联特征矩阵作为由多个相互关联的邻域部分对应的特征局部集合组成的特征全局集合，实现特征局部集合各自的多源验前信息到特征全局集合的有效折合，并通过多源情况下的验前信息分布构建，来获得能够用于评估特征矩阵的内部空间关联与空间信息融合变动关系之间的标准期望的优化范式，以提升所述现状-目标关联特征矩阵基于多源信息空间分布关联融合的信息表达效果，从而提升了所述现状-目标关联特征矩阵通过分类器得到的分类结果的准确性。这样，能够基于用户的实际情况和生发需求来选择适合的生发剂配方类型，从而优化生发效果，以满足用户的生发需求。
[0056]
图1为本发明实施例中提供的一种生发剂的智能制备方法的应用场景图。如图1所示，在该应用场景中，首先，获取用户的头发图像(例如，如图1中所示意的c1)、头皮图像(例如，如图1中所示意的c2)和生发需求的文本描述(例如，如图1中所示意的c3)；然后，将获取的头发图像、头皮图像和文本描述输入至部署有生发剂的智能制备算法的服务器(例如，如图1中所示意的s)中，其中所述服务器能够基于生发剂的智能制备算法对所述头发图像、所述头皮图像和所述文本描述进行处理，以生成用于表示推荐的生发剂配方的类型标签的分类结果。
[0057]
在介绍了本发明的基本原理之后，下面将参考附图来具体介绍本发明的各种非限制性实施例。
[0058]
在本发明的一个实施例中，图2为本发明实施例中提供的一种生发剂的智能制备方法的流程图。如图2所示，根据本发明实施例的生发剂的智能制备方法100，包括：110，基于用户的头发信息和生发需求选择合适的生发剂配方；120，基于所述生发剂配方进行生发剂调配以得到配制完成的生发剂；以及，130，使用喷头或刷子，将所述配制完成的生发剂均匀涂抹在所述用户的头皮上，并按摩头皮促进生发剂的吸收。
[0059]
如上所述，传统的生发剂制备方法通常基于手工调配和试错的方式，需要大量的实验和经验积累。并且由于每个人的头发和头皮情况差异，同样的配方并不能够适用于所有人。此外，传统方法往往只考虑了几种原材料的组合，缺乏对头发和头皮综合因素的全面考虑，导致生发效果不够理想。因此，期望一种优化的生发剂的智能制备方案。
[0060]
具体地，在本技术的技术方案中，提出了一种生发剂的智能制备方法，其包括：基于用户的头发信息和生发需求选择合适的生发剂配方；基于所述生发剂配方进行生发剂调配以得到配制完成的生发剂，其中所述调配步骤包括浸提、过滤、混合、加热、冷却和研磨工序；使用喷头或刷子，将所述配制完成的生发剂均匀涂抹在所述用户的头皮上，并按摩头皮促进生发剂的吸收。
[0061]
图3为本发明实施例中提供的一种生发剂的智能制备方法中步骤110的子步骤的流程图。如图3所示，所述基于用户的头发信息和生发需求选择合适的生发剂配方，包括：111，获取用户的头发图像、头皮图像和生发需求的文本描述；112，将所述头发图像通过基于第一卷积神经网络模型的头发特征提取器以得到头发特征向量；113，将所述头皮图像通过基于第二卷积神经网络模型的头皮特征提取器以得到头皮特征向量；114，融合所述头发特征向量和所述头皮特征向量以得到头发-头皮联合特征向量；115，对所述生发需求的文本描述进行分词处理后通过包含词嵌入层的语义编码器以得到生发需求语义理解特征向量；116，对所述头发-头皮联合特征向量和所述生发需求语义理解特征向量进行关联编码以得到现状-目标关联特征矩阵；117，对所述现状-目标关联特征矩阵进行特征分布优化以得到优化现状-目标关联特征矩阵；以及，118，将所述优化现状-目标关联特征矩阵通过分类器以得到分类结果，所述分类结果用于表示推荐的生发剂配方的类型标签。
[0062]
图4为本发明实施例中提供的一种生发剂的智能制备方法中步骤110的系统架构的示意图。如图4所示，在该网络架构中，首先，获取用户的头发图像、头皮图像和生发需求的文本描述；然后，将所述头发图像通过基于第一卷积神经网络模型的头发特征提取器以得到头发特征向量；接着，将所述头皮图像通过基于第二卷积神经网络模型的头皮特征提取器以得到头皮特征向量；然后，融合所述头发特征向量和所述头皮特征向量以得到头发-头皮联合特征向量；接着，对所述生发需求的文本描述进行分词处理后通过包含词嵌入层的语义编码器以得到生发需求语义理解特征向量；然后，对所述头发-头皮联合特征向量和所述生发需求语义理解特征向量进行关联编码以得到现状-目标关联特征矩阵；接着，对所述现状-目标关联特征矩阵进行特征分布优化以得到优化现状-目标关联特征矩阵；以及，最后，将所述优化现状-目标关联特征矩阵通过分类器以得到分类结果，所述分类结果用于表示推荐的生发剂配方的类型标签。
[0063]
具体地，在步骤111中，获取用户的头发图像、头皮图像和生发需求的文本描述。相应地，考虑到在实际进行生发剂的智能制备过程中，需要基于用户的头发信息和生发需求选择合适的生发剂配方，以此来满足不同用户的头发实际情况的生发需求。但是，由于用户的头发实际情况中包含有头发信息和头皮信息，其中，头发信息包括头发的长度、密度、质地、颜色等一系列特征，可以帮助判断头发的健康状况和需要改善的问题，例如断发、稀疏等；而头皮信息则包括头皮的油腻程度、干湿程度、敏感程度等特征，有助于判断头皮的健康状况和需要改善的问题，例如头皮屑、瘙痒等。
[0064]
基于此，在本技术的技术方案中，期望基于对用户的头发图像和头皮图像进行综
合分析，并对用户生发需求的文本描述进行语义理解，以此来进行生发剂配方的制定，从而提高用户的满意度。然而，由于所述用户的头发图像和头皮图像中多存在有大量的无用干扰信息，而关于用户的头发特征和头皮特征在图像中为隐性的小尺度特征，难以进行捕捉提取。并且，每个用户的说话习惯不同，难以对用户生发需求的文本描述进行准确地语义理解。因此，在此过程中，难点在于如何进行所述用户的头发隐含特征和头皮隐含特征的关联特征与所述用户生发需求的语义理解特征之间的关联性特征信息的充分表达，以此基于用户的实际情况和生发需求来选择适合的生发剂配方类型，从而优化生发效果，以满足用户的生发需求。
[0065]
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述土壤表观状态的隐含特征分布信息和所述气象数据的各个参数数据项的时序协同关联特征信息提供了新的解决思路和方案。
[0066]
具体地，在本技术的技术方案中，首先，获取用户的头发图像、头皮图像和生发需求的文本描述。应可以理解，不同人的头发和头皮情况不同，需要针对性地选择适合的生发剂配方。通过获取所述用户的头发图像和头皮图像可以得到头发和头皮的特征信息，有助于更加精准地制定生发剂配方。具体来说，头发信息包括头发的长度、密度、质地、颜色等一系列特征，可以帮助判断头发的健康状况和需要改善的问题，例如断发、稀疏等。而头皮信息则包括头皮的油腻程度、干湿程度、敏感程度等特征，有助于判断头皮的健康状况和需要改善的问题，例如头皮屑、瘙痒等。通过对头发信息和头皮信息的综合分析，可以选择适合用户的生发剂配方成分和比例，从而满足用户的生发需求。同时，通过所述生发需求的文本描述可以进一步了解用户的具体需求，例如想要增强头发质量或促进头发生长等，从而根据用户的需求调整生发剂配方的成分比例和种类。
[0067]
具体地，在步骤112和步骤113中，将所述头发图像通过基于第一卷积神经网络模型的头发特征提取器以得到头发特征向量；以及，将所述头皮图像通过基于第二卷积神经网络模型的头皮特征提取器以得到头皮特征向量。然后，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来分别进行所述用户的头发图像和头皮图像的特征挖掘。
[0068]
具体地，将所述头发图像通过基于第一卷积神经网络模型的头发特征提取器中进行特征挖掘，以提取出所述用户的头发图像中关于用户头发的隐含特征分布信息，例如头发的长度、密度、质地和颜色等隐含特征信息，从而得到头发特征向量。并且，将所述头皮图像通过基于第二卷积神经网络模型的头皮特征提取器中进行处理，以提取出所述用户的头皮图像中关于用户头皮的隐含特征分布信息，例如头皮的油腻程度、干湿程度和敏感程度等隐含特征信息，从而得到头皮特征向量。
[0069]
其中，将所述头发图像通过基于第一卷积神经网络模型的头发特征提取器以得到头发特征向量，包括：使用所述基于第一卷积神经网络模型的头发特征提取器的各层在层的正向传递中对输入数据分别进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述基于第一卷积神经网络模型的头发特征提取器的最后一层的输出为所述头发特征向量，其中，所述基于第一卷积神经网络模型的头发特征提取器的第一层的输入为所述头发图像。
[0070]
进一步地，将所述头皮图像通过基于第二卷积神经网络模型的头皮特征提取器以得到头皮特征向量，包括：使用所述基于第二卷积神经网络模型的头皮特征提取器的各层在层的正向传递中对输入数据分别进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述基于第二卷积神经网络模型的头皮特征提取器的最后一层的输出为所述头皮特征向量，其中，所述基于第二卷积神经网络模型的头皮特征提取器的第一层的输入为所述头皮图像。
[0071]
卷积神经网络(convolutional neural network，cnn)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。
[0072]
卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现，且相较于传统的基于统计或者基于特征工程的图像特征提取算法，所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。
[0073]
具体地，在步骤114中，融合所述头发特征向量和所述头皮特征向量以得到头发-头皮联合特征向量。接着，进一步再融合所述头发特征向量和所述头皮特征向量以得到头发-头皮联合特征向量，以此来表示所述用户的头发隐含特征和头皮隐含特征之间的融合关联特征分布信息。应可以理解，所述用户的头发隐含特征可以帮助判断头发的健康状况和需要改善的问题，例如断发、稀疏等；所述用户的头皮隐含特征有助于判断头皮的健康状况和需要改善的问题，例如头皮屑、瘙痒等。因此，通过对头发信息和头皮信息的综合分析，可以选择适合用户的生发剂配方成分和比例，从而满足用户的生发需求。
[0074]
具体地，在步骤115中，对所述生发需求的文本描述进行分词处理后通过包含词嵌入层的语义编码器以得到生发需求语义理解特征向量。进一步地，为了探究用户的生发需求信息，需要对于所述用户的生发需求的文本描述进行语义理解，但是由于每个用户的表达方式习惯不同，导致其生发需求的文本描述也不一样。因此，在本技术的技术方案中，为了能够对于所述用户的生发需求进行准确地语义理解，需要对所述生发需求的文本描述进行分词处理后通过包含词嵌入层的语义编码器中进行编码，以此来提取出所述用户的生发需求基于全局的上下文语义关联特征信息，从而得到生发需求语义理解特征向量。
[0075]
图5为本发明实施例中提供的一种生发剂的智能制备方法中步骤115的子步骤的流程图，如图5所示，对所述生发需求的文本描述进行分词处理后通过包含词嵌入层的语义编码器以得到生发需求语义理解特征向量，包括：1151，对所述生发需求的文本描述进行分词处理以将所述生发需求的文本描述转化为由多个词组成的词序列；1152，使用所述包含词嵌入层的语义编码器的词嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列；以及，1153，使用所述包含词嵌入层的语义编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述生发需求语义理解特征向量。
[0076]
图6为本发明实施例中提供的一种生发剂的智能制备方法中步骤1153的子步骤的流程图，如图6所示，使用所述包含词嵌入层的语义编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述生发需求语义理解特征向量，包括：11531，将所述词向量的序列进行一维排列以得到全局词特征向量；11532，计算所述全局词特征向量与所述词向
量的序列中各个词向量的转置向量之间的乘积以得到多个自注意力关联矩阵；11533，分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；11534，将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；以及，11535，分别以所述多个概率值中各个概率值作为权重对所述词向量的序列中各个词向量进行加权以得到所述生发需求语义理解特征向量。
[0077]
所述语义编码器被实施为上下文编码器，所述上下文编码器旨在挖掘得到词序列中上下文之间的隐藏模式，可选地，编码器包括：cnn(convolutional neural network，卷积神经网络)、recursive nn(recursiveneural network，递归神经网络)、语言模型(language model)等。基于cnn的方法对于局部特征有比较好的提取效果，但其对于句子中的长程依赖(long-term dependency)问题效果欠佳，因此基于bi-lstm(long short-term memory，长短期记忆网络)的编码器被广泛使用。recursive nn把句子当作树状结构而非序列进行处理，从理论上而言具有更强的表示能力，但其存在样本标注难度大、深层易梯度消失、难以并行计算等弱点，因此在实际应用中使用较少。transformer是应用广泛的网络结构了，同时具有cnn和rnn的特性，对于全局特征有较好的提取效果，同时相较于rnn(recurrentneural network，循环神经网络)在并行计算上具有一定优势。
[0078]
具体地，在步骤116中，对所述头发-头皮联合特征向量和所述生发需求语义理解特征向量进行关联编码以得到现状-目标关联特征矩阵。然后，再对所述头发-头皮联合特征向量和所述生发需求语义理解特征向量进行关联编码以得到现状-目标关联特征矩阵，以此来表示所述用户的头发和头皮的隐含关联特征和所述用户的生发需求语义理解特征之间的关联性特征信息。这样，能够综合用户实际的头发和头皮情况以及生发需求来进行生发剂配方类型的推荐。
[0079]
其中，对所述头发-头皮联合特征向量和所述生发需求语义理解特征向量进行关联编码以得到现状-目标关联特征矩阵，包括：以如下编码公式对所述头发-头皮联合特征向量和所述生发需求语义理解特征向量进行关联编码以得到现状-目标关联特征矩阵；其中，所述编码公式为：
[0080][0081]
其中，va表示所述头发-头皮联合特征向量，表示所述头发-头皮联合特征向量的转置向量，vc表示所述生发需求语义理解特征向量，m1表示所述现状-目标关联特征矩阵，表示矩阵相乘。
[0082]
具体地，在步骤117中，对所述现状-目标关联特征矩阵进行特征分布优化以得到优化现状-目标关联特征矩阵。特别地，在本技术的技术方案中，在对所述头发-头皮联合特征向量和所述生发需求语义理解特征向量进行关联编码得到所述现状-目标关联特征矩阵时，是对所述头发-头皮联合特征向量表达的融合后的头发图像和头皮图像的图像语义特征和所述生发需求语义理解特征向量表达的所述生发需求的文本描述的文本语义特征进行逐位置关联编码。
[0083]
这里，考虑到所述头发-头皮联合特征向量和所述生发需求语义理解特征向量的每个位置的特征值均在整体图像/文本语义分布内表达特定的局部特征分布，因此所述现状-目标关联特征矩阵可以看作为所述头发-头皮联合特征向量和所述生发需求语义理解
特征向量的相应的局部特征的空间关联融合。
[0084]
并且，考虑到作为源数据的头发/头皮图像与所述生发需求的文本描述本身之间的多源信息关联性，因此，所述现状-目标关联特征矩阵的各个局部特征分布之间除了具有相互关联的邻域分布关系外，还具有对应于所述头发-头皮联合特征向量和所述生发需求语义理解特征向量所表达的信息的多源信息关联关系。
[0085]
因此，为了提升所述现状-目标关联特征矩阵作为整体对所述头发-头皮联合特征向量和所述生发需求语义理解特征向量的关联分布表达效果，本技术的申请人对所述现状-目标关联特征矩阵的每个位置的特征值m
i，j
进行空间多源融合验前信息分布优化，以获得优化后的特征值m
i，j
′
，具体表示为：以如下优化公式对所述现状-目标关联特征矩阵的每个位置的特征值进行空间多源融合验前信息分布优化以得到所述优化现状-目标关联特征矩阵；其中，所述优化公式为：
[0086][0087][0088]
其中，m
i，j
是所述现状-目标关联特征矩阵的第(i，j)位置的特征值，m和n为邻域设置超参数，且当k或者j小于等于零或者大于所述现状-目标关联特征矩阵的宽度或者高度时，特征值m
k，l
设置为零或者一，log表示以2为底的对数函数，m
i，j
′
是所述优化现状-目标关联特征矩阵的第(i，j)位置的特征值。
[0089]
这里，所述空间多源融合验前信息分布优化可以基于特征空间分布融合的稳健性类极大似然估计，来将所述现状-目标关联特征矩阵作为由多个相互关联的邻域部分对应的特征局部集合组成的特征全局集合，实现特征局部集合各自的多源验前信息到特征全局集合的有效折合，并通过多源情况下的验前信息分布构建，来获得能够用于评估特征矩阵的内部空间关联与空间信息融合变动关系之间的标准期望的优化范式，以提升所述现状-目标关联特征矩阵基于多源信息空间分布关联融合的信息表达效果，从而提升了所述现状-目标关联特征矩阵通过分类器得到的分类结果的准确性。这样，能够基于用户的实际情况和生发需求来选择适合的生发剂配方类型，从而优化生发效果，以满足用户的生发需求。
[0090]
具体地，在步骤118中，将所述优化现状-目标关联特征矩阵通过分类器以得到分类结果，所述分类结果用于表示推荐的生发剂配方的类型标签。进一步将所述现状-目标关联特征矩阵作为分类特征矩阵通过分类器中进行分类处理，以得到用于表示推荐的生发剂配方的类型标签的分类结果。也就是说，所述分类器的分类标签为生发剂配方的类型标签，因此，在得到所述分类结果后，可以基于所述分类结果来选择适合的生发剂配方类型，以此来优化生发效果，从而满足用户的生发需求。
[0091]
图7为本发明实施例中提供的一种生发剂的智能制备方法中步骤118的子步骤的流程图，如图7所示，将所述优化现状-目标关联特征矩阵通过分类器以得到分类结果，所述分类结果用于表示推荐的生发剂配方的类型标签，包括：1181，将所述优化现状-目标关联特征矩阵按照行向量或列向量展开为分类特征向量；1182，使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，1183，将所述编码
分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
[0092]
综上，基于本发明实施例的生发剂的智能制备方法100被阐明，其基于用户的头发信息和生发需求选择合适的生发剂配方；基于所述生发剂配方进行生发剂调配以得到配制完成的生发剂；以及，使用喷头或刷子，将所述配制完成的生发剂均匀涂抹在所述用户的头皮上，并按摩头皮促进生发剂的吸收。这样，能够基于用户的实际情况和生发需求来选择适合的生发剂配方类型，从而优化生发效果，以满足用户的生发需求。
[0093]
在本发明的一个实施例中，图8为本发明实施例中提供的一种生发剂的智能制备系统的框图。如图8所示，根据本发明实施例的生发剂的智能制备系统200，包括：配方选择模块210，用于基于用户的头发信息和生发需求选择合适的生发剂配方；调配模块220，用于基于所述生发剂配方进行生发剂调配以得到配制完成的生发剂；以及，涂抹模块230，用于使用喷头或刷子，将所述配制完成的生发剂均匀涂抹在所述用户的头皮上，并按摩头皮促进生发剂的吸收。
[0094]
在本发明的一个具体示例中，在上述生发剂的智能制备系统中，所述配方选择模块，包括：图像获取模块，用于获取用户的头发图像、头皮图像和生发需求的文本描述；第一头发特征提取模块，用于将所述头发图像通过基于第一卷积神经网络模型的头发特征提取器以得到头发特征向量；第二头发特征提取模块，用于将所述头皮图像通过基于第二卷积神经网络模型的头皮特征提取器以得到头皮特征向量；融合模块，用于融合所述头发特征向量和所述头皮特征向量以得到头发-头皮联合特征向量；语义编码模块，用于对所述生发需求的文本描述进行分词处理后通过包含词嵌入层的语义编码器以得到生发需求语义理解特征向量；关联编码模块，用于对所述头发-头皮联合特征向量和所述生发需求语义理解特征向量进行关联编码以得到现状-目标关联特征矩阵；优化模块，用于对所述现状-目标关联特征矩阵进行特征分布优化以得到优化现状-目标关联特征矩阵；以及，类型标签生成模块，用于将所述优化现状-目标关联特征矩阵通过分类器以得到分类结果，所述分类结果用于表示推荐的生发剂配方的类型标签。
[0095]
在本发明的一个具体示例中，在上述生发剂的智能制备系统中，所述第一头发特征提取模块，用于：使用所述基于第一卷积神经网络模型的头发特征提取器的各层在层的正向传递中对输入数据分别进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述基于第一卷积神经网络模型的头发特征提取器的最后一层的输出为所述头发特征向量，其中，所述基于第一卷积神经网络模型的头发特征提取器的第一层的输入为所述头发图像。
[0096]
在本发明的一个具体示例中，在上述生发剂的智能制备系统中，所述第二头发特征提取模块，用于：使用所述基于第二卷积神经网络模型的头皮特征提取器的各层在层的正向传递中对输入数据分别进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述基于第二卷积神经网络模型的头皮特征提取器的最后一层的输出为所述头皮特征向量，其中，所述基于第二卷积神经网络模型的头皮特征提取器的第一层的输入为所述头皮图像。
[0097]
在本发明的一个具体示例中，在上述生发剂的智能制备系统中，所述语义编码模块，包括：分词单元，用于对所述生发需求的文本描述进行分词处理以将所述生发需求的文本描述转化为由多个词组成的词序列；词嵌入单元，用于使用所述包含词嵌入层的语义编
码器的词嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列；以及，语义编码单元，用于使用所述包含词嵌入层的语义编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述生发需求语义理解特征向量。
[0098]
在本发明的一个具体示例中，在上述生发剂的智能制备系统中，所述语义编码单元，包括：一维排列子单元，用于将所述词向量的序列进行一维排列以得到全局词特征向量；自注意力子单元，用于计算所述全局词特征向量与所述词向量的序列中各个词向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；激活子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；以及，加权子单元，用于分别以所述多个概率值中各个概率值作为权重对所述词向量的序列中各个词向量进行加权以得到所述生发需求语义理解特征向量。
[0099]
在本发明的一个具体示例中，在上述生发剂的智能制备系统中，所述关联编码模块，用于：以如下编码公式对所述头发-头皮联合特征向量和所述生发需求语义理解特征向量进行关联编码以得到现状-目标关联特征矩阵；其中，所述编码公式为：
[0100][0101]
其中，va表示所述头发-头皮联合特征向量，表示所述头发-头皮联合特征向量的转置向量，vc表示所述生发需求语义理解特征向量，m1表示所述现状-目标关联特征矩阵，表示矩阵相乘。
[0102]
在本发明的一个具体示例中，在上述生发剂的智能制备系统中，所述优化模块，用于：以如下优化公式对所述现状-目标关联特征矩阵的每个位置的特征值进行空间多源融合验前信息分布优化以得到所述优化现状-目标关联特征矩阵；其中，所述优化公式为：
[0103][0104][0105]
其中，m
i，j
是所述现状-目标关联特征矩阵的第(i，j)位置的特征值，m和n为邻域设置超参数，且当k或者j小于等于零或者大于所述现状-目标关联特征矩阵的宽度或者高度时，特征值m
k，l
设置为零或者一，log表示以2为底的对数函数，m
i，j
′
是所述优化现状-目标关联特征矩阵的第(i，j)位置的特征值。
[0106]
在本发明的一个具体示例中，在上述生发剂的智能制备系统中，所述类型标签生成模块，包括：展开单元，用于将所述优化现状-目标关联特征矩阵按照行向量或列向量展开为分类特征向量；编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果单元，用于将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
[0107]
这里，本领域技术人员可以理解，上述生发剂的智能制备系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图7的生发剂的智能制备方法的描述中得到了详细介绍，并因此，将省略其重复描述。
[0108]
如上所述，根据本发明实施例的生发剂的智能制备系统200可以实现在各种终端设备中，例如用于生发剂的智能制备的服务器等。在一个示例中，根据本发明实施例的生发剂的智能制备系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该生发剂的智能制备系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该生发剂的智能制备系统200同样可以是该终端设备的众多硬件模块之一。
[0109]
替换地，在另一示例中，该生发剂的智能制备系统200与该终端设备也可以是分立的设备，并且生发剂的智能制备系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0110]
本发明实施例还提供一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行上述方法实施例中任意一种可选或优选的基于卷积神经网络的图像处理方法。
[0111]
本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质存储有执行上述方法实施例中任意一种可选或优选的基于卷积神经网络的图像处理方法的计算机程序。
[0112]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0113]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0114]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0115]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0116]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种生发剂的智能制备方法，其特征在于，包括：基于用户的头发信息和生发需求选择合适的生发剂配方；基于所述生发剂配方进行生发剂调配以得到配制完成的生发剂；以及使用喷头或刷子，将所述配制完成的生发剂均匀涂抹在所述用户的头皮上，并按摩头皮促进生发剂的吸收。2.根据权利要求1所述的生发剂的智能制备方法，其特征在于，所述基于用户的头发信息和生发需求选择合适的生发剂配方，包括：获取用户的头发图像、头皮图像和生发需求的文本描述；将所述头发图像通过基于第一卷积神经网络模型的头发特征提取器以得到头发特征向量；将所述头皮图像通过基于第二卷积神经网络模型的头皮特征提取器以得到头皮特征向量；融合所述头发特征向量和所述头皮特征向量以得到头发-头皮联合特征向量；对所述生发需求的文本描述进行分词处理后通过包含词嵌入层的语义编码器以得到生发需求语义理解特征向量；对所述头发-头皮联合特征向量和所述生发需求语义理解特征向量进行关联编码以得到现状-目标关联特征矩阵；对所述现状-目标关联特征矩阵进行特征分布优化以得到优化现状-目标关联特征矩阵；以及将所述优化现状-目标关联特征矩阵通过分类器以得到分类结果，所述分类结果用于表示推荐的生发剂配方的类型标签。3.根据权利要求2所述的生发剂的智能制备方法，其特征在于，将所述头发图像通过基于第一卷积神经网络模型的头发特征提取器以得到头发特征向量，包括：使用所述基于第一卷积神经网络模型的头发特征提取器的各层在层的正向传递中对输入数据分别进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述基于第一卷积神经网络模型的头发特征提取器的最后一层的输出为所述头发特征向量，其中，所述基于第一卷积神经网络模型的头发特征提取器的第一层的输入为所述头发图像。4.根据权利要求3所述的生发剂的智能制备方法，其特征在于，将所述头皮图像通过基于第二卷积神经网络模型的头皮特征提取器以得到头皮特征向量，包括：使用所述基于第二卷积神经网络模型的头皮特征提取器的各层在层的正向传递中对输入数据分别进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述基于第二卷积神经网络模型的头皮特征提取器的最后一层的输出为所述头皮特征向量，其中，所述基于第二卷积神经网络模型的头皮特征提取器的第一层的输入为所述头皮图像。5.根据权利要求4所述的生发剂的智能制备方法，其特征在于，对所述生发需求的文本描述进行分词处理后通过包含词嵌入层的语义编码器以得到生发需求语义理解特征向量，包括：对所述生发需求的文本描述进行分词处理以将所述生发需求的文本描述转化为由多个词组成的词序列；使用所述包含词嵌入层的语义编码器的词嵌入层将所述词序列中各个词映射到词向
量以获得词向量的序列；以及使用所述包含词嵌入层的语义编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述生发需求语义理解特征向量。6.根据权利要求5所述的生发剂的智能制备方法，其特征在于，使用所述包含词嵌入层的语义编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述生发需求语义理解特征向量，包括：将所述词向量的序列进行一维排列以得到全局词特征向量；计算所述全局词特征向量与所述词向量的序列中各个词向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；以及分别以所述多个概率值中各个概率值作为权重对所述词向量的序列中各个词向量进行加权以得到所述生发需求语义理解特征向量。7.根据权利要求6所述的生发剂的智能制备方法，其特征在于，对所述头发-头皮联合特征向量和所述生发需求语义理解特征向量进行关联编码以得到现状-目标关联特征矩阵，包括：以如下编码公式对所述头发-头皮联合特征向量和所述生发需求语义理解特征向量进行关联编码以得到现状-目标关联特征矩阵；其中，所述编码公式为：其中，v
a
表示所述头发-头皮联合特征向量，表示所述头发-头皮联合特征向量的转置向量，v
c
表示所述生发需求语义理解特征向量，m1表示所述现状-目标关联特征矩阵，表示矩阵相乘。8.根据权利要求7所述的生发剂的智能制备方法，其特征在于，对所述现状-目标关联特征矩阵进行特征分布优化以得到优化现状-目标关联特征矩阵，包括：以如下优化公式对所述现状-目标关联特征矩阵的每个位置的特征值进行空间多源融合验前信息分布优化以得到所述优化现状-目标关联特征矩阵；其中，所述优化公式为：其中，所述优化公式为：其中，m
i,j
是所述现状-目标关联特征矩阵的第(i,j)位置的特征值，m和n为邻域设置超参数，且当k或者j小于等于零或者大于所述现状-目标关联特征矩阵的宽度或者高度时，特征值m
k,l
设置为零或者一，log表示以2为底的对数函数，m
i,j
'是所述优化现状-目标关联特征矩阵的第(i,j)位置的特征值。
9.根据权利要求8所述的生发剂的智能制备方法，其特征在于，将所述优化现状-目标关联特征矩阵通过分类器以得到分类结果，所述分类结果用于表示推荐的生发剂配方的类型标签，包括：将所述优化现状-目标关联特征矩阵按照行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。10.一种生发剂的智能制备系统，其特征在于，包括：配方选择模块，用于基于用户的头发信息和生发需求选择合适的生发剂配方；调配模块，用于基于所述生发剂配方进行生发剂调配以得到配制完成的生发剂；以及涂抹模块，用于使用喷头或刷子，将所述配制完成的生发剂均匀涂抹在所述用户的头皮上，并按摩头皮促进生发剂的吸收。

技术总结
本发明公开了一种生发剂的智能制备方法及其系统，其基于用户的头发信息和生发需求选择合适的生发剂配方；基于所述生发剂配方进行生发剂调配以得到配制完成的生发剂；以及，使用喷头或刷子，将所述配制完成的生发剂均匀涂抹在所述用户的头皮上，并按摩头皮促进生发剂的吸收。这样，能够基于用户的实际情况和生发需求来选择适合的生发剂配方类型，从而优化生发效果，以满足用户的生发需求。以满足用户的生发需求。以满足用户的生发需求。


技术研发人员：黄宇青 黄东明
受保护的技术使用者：南昌吾爱医疗美容诊所有限公司
技术研发日：2023.07.05
技术公布日：2023/9/20