一种化妆品质量检测方法和系统

技术领域

本发明涉及化妆品质量检测技术领域，具体涉及一种化妆品质量检测方法和系统。

背景技术

面膜是一种涂敷在面部为主要作用方式的化妆品，面膜通常含有各种营养成分，如维生素、氨基酸、植物精华等，用于提供额外的皮肤营养和保湿，预防和修复肌肤问题。面膜已经成为用户日常护肤的重要一环。然而，在使用面膜的过程中，由于生产过程中面膜裁剪会存在误差，用户有时会遇到面膜形状与脸部不匹配的问题，导致使用效果不佳。为了解决这个问题，在面膜出厂前有时需要对面膜的形状进行合规性检测。传统的面膜形状的合规性检测方法通常基于人工目视进行检测，这种方法不仅效率低下，而且容易受到人为因素的影响。

因此如何提高面膜形状的合规性检测效率是当前亟待解决的问题。

发明内容

本发明主要解决的技术问题是如何提高面膜形状的合规性检测效率。

根据第一方面，本发明提供一种化妆品质量检测方法，包括：获取面膜在白光照耀下的图像；基于所述面膜在白光照耀下的图像使用坐标确定模型确定面膜整体的二维坐标范围、面膜左眼部位的二维坐标范围、面膜右眼部位的二维坐标范围、面膜鼻子部位的二维坐标范围、面膜嘴巴部位的二维坐标范围；构建多个节点和所述多个节点之间的多条边，所述多个节点包括左眼节点、右眼节点、鼻子节点、嘴巴节点，所述左眼节点的节点特征为所述面膜左眼部位的二维坐标范围，所述右眼节点的节点特征为所述面膜右眼部位的二维坐标范围，所述鼻子节点的节点特征为所述面膜鼻子部位的二维坐标范围、所述面膜整体的二维坐标范围，所述嘴巴节点的节点特征为所述面膜嘴巴部位的二维坐标范围；基于图神经网络模型对所述多个节点和所述多个节点之间的多条边进行处理得到面膜形状是否合规。

更进一步地，所述方法还包括：获取多张面膜在多种彩光照耀下的多张图像；基于每一张面膜在多种彩光照耀下的多张图像使用光照处理模型确定多张待验证面膜；获取每一张待验证面膜的拉伸视频；基于所述每一张待验证面膜的拉伸视频使用拉伸视频处理模型确定所述每一张待验证面膜是否存在裂纹。

更进一步地，所述光照处理模型为卷积神经网络模型，所述光照处理模型的输入为所述面膜在多种彩光照耀下的多张图像，所述光照处理模型的输出为多张待验证面膜。

更进一步地，所述面膜在多种彩光照耀下的多张图像包括面膜在红光照耀下的多张图像、面膜在绿光照耀下的多张图像、面膜在蓝光照耀下的多张图像。

更进一步地，所述坐标确定模型为卷积神经网络模型，所述坐标确定模型的输入为所述面膜在白光照耀下的图像，所述坐标确定模型的输出为面膜整体的二维坐标范围、面膜左眼部位的二维坐标范围、面膜右眼部位的二维坐标范围、面膜鼻子部位的二维坐标范围、面膜嘴巴部位的二维坐标范围。

根据第二方面，本发明提供一种化妆品质量检测系统，包括：获取模块，用于获取面膜在白光照耀下的图像；

坐标确定模块，用于基于所述面膜在白光照耀下的图像使用坐标确定模型确定面膜整体的二维坐标范围、面膜左眼部位的二维坐标范围、面膜右眼部位的二维坐标范围、面膜鼻子部位的二维坐标范围、面膜嘴巴部位的二维坐标范围；

构建模块，用于构建多个节点和所述多个节点之间的多条边，所述多个节点包括左眼节点、右眼节点、鼻子节点、嘴巴节点，所述左眼节点的节点特征为所述面膜左眼部位的二维坐标范围，所述右眼节点的节点特征为所述面膜右眼部位的二维坐标范围，所述鼻子节点的节点特征为所述面膜鼻子部位的二维坐标范围、所述面膜整体的二维坐标范围，所述嘴巴节点的节点特征为所述面膜嘴巴部位的二维坐标范围；

合规判断模块，用于基于图神经网络模型对所述多个节点和所述多个节点之间的多条边进行处理得到面膜形状是否合规。

更进一步地，所述系统还用于：

获取多张面膜在多种彩光照耀下的多张图像；基于每一张面膜在多种彩光照耀下的多张图像使用光照处理模型确定多张待验证面膜；获取每一张待验证面膜的拉伸视频；基于所述每一张待验证面膜的拉伸视频使用拉伸视频处理模型确定所述每一张待验证面膜是否存在裂纹。

更进一步地，所述光照处理模型为卷积神经网络模型，所述光照处理模型的输入为所述面膜在多种彩光照耀下的多张图像，所述光照处理模型的输出为多张待验证面膜。

更进一步地，所述面膜在多种彩光照耀下的多张图像包括面膜在红光照耀下的多张图像、面膜在绿光照耀下的多张图像、面膜在蓝光照耀下的多张图像。

更进一步地，所述坐标确定模型为卷积神经网络模型，所述坐标确定模型的输入为所述面膜在白光照耀下的图像，所述坐标确定模型的输出为面膜整体的二维坐标范围、面膜左眼部位的二维坐标范围、面膜右眼部位的二维坐标范围、面膜鼻子部位的二维坐标范围、面膜嘴巴部位的二维坐标范围。

本发明提供的一种化妆品质量检测方法和系统，该方法包括获取面膜在白光照耀下的图像；基于所述面膜在白光照耀下的图像使用坐标确定模型确定面膜整体的二维坐标范围、面膜左眼部位的二维坐标范围、面膜右眼部位的二维坐标范围、面膜鼻子部位的二维坐标范围、面膜嘴巴部位的二维坐标范围；构建多个节点和所述多个节点之间的多条边，所述多个节点包括左眼节点、右眼节点、鼻子节点、嘴巴节点，所述左眼节点的节点特征为所述面膜左眼部位的二维坐标范围，所述右眼节点的节点特征为所述面膜右眼部位的二维坐标范围，所述鼻子节点的节点特征为所述面膜鼻子部位的二维坐标范围、所述面膜整体的二维坐标范围，所述嘴巴节点的节点特征为所述面膜嘴巴部位的二维坐标范围；基于图神经网络模型对所述多个节点和所述多个节点之间的多条边进行处理得到面膜形状是否合规，该方法能够提高面膜形状的合规性检测效率。

附图说明

图1为本发明实施例提供的一种化妆品质量检测方法的流程示意图；

图2为本发明实施例提供的通过光照处理模型进行面膜质量检测的流程示意图；

图3为本发明实施例提供的一种化妆品质量检测系统的示意图。

具体实施方式

本发明实施例中，提供了如图1所示的一种化妆品质量检测方法，所述化妆品质量检测方法包括步骤S1～S4：

步骤S1，获取面膜在白光照耀下的图像。

面膜是属于化妆品的一种，面膜通常由纸质、布料或其他材料制成。例如，面膜为贴片式结构面膜。

面膜在白光照耀下的图像为面膜在白光照耀下的图像。白光指可见光谱中的白色光。

步骤S2，基于所述面膜在白光照耀下的图像使用坐标确定模型确定面膜整体的二维坐标范围、面膜左眼部位的二维坐标范围、面膜右眼部位的二维坐标范围、面膜鼻子部位的二维坐标范围、面膜嘴巴部位的二维坐标范围。

所述坐标确定模型为卷积神经网络模型，所述坐标确定模型的输入为所述面膜在白光照耀下的图像，所述坐标确定模型的输出为面膜整体的二维坐标范围、面膜左眼部位的二维坐标范围、面膜右眼部位的二维坐标范围、面膜鼻子部位的二维坐标范围、面膜嘴巴部位的二维坐标范围。

坐标确定模型可以对所述面膜在白光照耀下的图像进行处理从而将面膜在白光照耀下的图像映射到二位坐标系中，并最终计算出面膜整体的二维坐标范围、面膜左眼部位的二维坐标范围、面膜右眼部位的二维坐标范围、面膜鼻子部位的二维坐标范围、面膜嘴巴部位的二维坐标范围。

卷积神经网络通过卷积层和池化层的堆叠，可以实现对图像局部区域的感知。这样可以捕捉到面膜图像中的细节信息，如边缘、纹理等。在面膜图像中，不同部位的面膜具有不同的纹理和形状特征，卷积神经网络可以通过学习这些特征来区分不同的部位。卷积神经网络可以通过梯度下降法训练得到。

面膜整体的二维坐标范围指面膜整体图像映射到二维坐标系中所占据的二维坐标范围。面膜整体的二维坐标范围包括了面膜左眼部位的二维坐标范围、面膜右眼部位的二维坐标范围、面膜鼻子部位的二维坐标范围、面膜嘴巴部位的二维坐标范围。

面膜左眼部位的二维坐标范围指面膜左眼部位图像映射到在二维坐标系中所占据的二维坐标范围。

面膜右眼部位的二维坐标范围指面膜右眼部位图像映射到在二维坐标系中所占据的二维坐标范围。

面膜鼻子部位的二维坐标范围指面膜鼻子部位图像映射到在二维坐标系中所占据的二维坐标范围。

面膜嘴巴部位的二维坐标范围指面膜嘴巴部位图像映射到在二维坐标系中所占据的二维坐标范围。

在一些实施例中，坐标确定模型包括部位分割层、轮廓坐标确定层、矩形框坐标确定层、二维坐标范围确定层。部位分割层的输入为所述面膜在白光照耀下的图像，部位分割层的输出为面膜整体图像、面膜左眼部位图像、面膜右眼部位图像、面膜鼻子部位图像、面膜嘴巴部位图像，轮廓坐标确定层的输入为面膜整体图像、面膜左眼部位图像、面膜右眼部位图像、面膜鼻子部位图像、面膜嘴巴部位图像，轮廓坐标确定层的输出为面膜整体轮廓的多个点的坐标、面膜左眼部位轮廓的多个点的坐标、面膜右眼部位轮廓的多个点的坐标、面膜鼻子部位轮廓的多个点的坐标、面膜嘴巴部位轮廓的多个点的坐标，矩形框坐标确定层的输入为面膜整体轮廓的多个点的坐标、面膜左眼部位轮廓的多个点的坐标、面膜右眼部位轮廓的多个点的坐标、面膜鼻子部位轮廓的多个点的坐标、面膜嘴巴部位轮廓的多个点的坐标，矩形框坐标确定层的输出为面膜整体轮廓内多个小矩形框的坐标范围、面膜左眼部位轮廓内多个小矩形框的坐标范围、面膜右眼部位轮廓内多个小矩形框的坐标范围、面膜鼻子部位轮廓内多个小矩形框的坐标范围、面膜嘴巴部位轮廓内多个小矩形框的坐标范围，二维坐标范围确定层的输入为面膜整体轮廓内多个小矩形框的坐标范围、面膜左眼部位轮廓内多个小矩形框的坐标范围、面膜右眼部位轮廓内多个小矩形框的坐标范围、面膜鼻子部位轮廓内多个小矩形框的坐标范围、面膜嘴巴部位轮廓内多个小矩形框的坐标范围，二维坐标范围确定层的输出为面膜整体的二维坐标范围、面膜左眼部位的二维坐标范围、面膜右眼部位的二维坐标范围、面膜鼻子部位的二维坐标范围、面膜嘴巴部位的二维坐标范围。

面膜整体轮廓的多个点的坐标指的是面膜整体轮廓上的多个点的位置坐标。这些坐标可以通过轮廓坐标确定层计算得出，面膜整体轮廓的多个点的坐标可以用于描述面膜整体轮廓。

面膜左眼部位轮廓的多个点的坐标、面膜右眼部位轮廓的多个点的坐标、面膜鼻子部位轮廓的多个点的坐标、面膜嘴巴部位轮廓的多个点的坐标，这些坐标用于描述对应部位的轮廓形状的点的位置坐标。

面膜整体轮廓内多个小矩形框的坐标范围指的是在面膜整体的轮廓内部划分出的多个小矩形框的坐标范围，多个小矩形框用于描述面膜内部不同区域的位置信息。面膜左眼部位轮廓内多个小矩形框的坐标范围指的是在面膜左眼部位的轮廓内部划分出的多个小矩形框的坐标范围，多个小矩形框用于描述面膜左眼部位的位置信息。面膜右眼部位轮廓内多个小矩形框的坐标范围指的是在面膜右眼部位的轮廓内部划分出的多个小矩形框的坐标范围，多个小矩形框用于描述面膜右眼部位的位置信息。面膜鼻子部位轮廓内多个小矩形框的坐标范围指的是在面膜鼻子部位的轮廓内部划分出的多个小矩形框的坐标范围，多个小矩形框用于描述面膜鼻子部位的位置信息。面膜嘴巴部位轮廓内多个小矩形框的坐标范围指的是在面膜嘴巴部位的轮廓内部划分出的多个小矩形框的坐标范围，多个小矩形框用于描述面膜嘴巴部位的位置信息。

作为示例，假设鼻子区域由多个不规则的曲线或边界组成，我们可以将其划分为多个小的矩形连续区域，然后使用每个矩形小区域的二维坐标范围来描述面膜鼻子部位的二维坐标范围。对于每个矩形小区域，可以使用矩形框的方式来表示其二维坐标范围。假设某个小区域的左边界为x1，右边界为x2，上边界为y1，下边界为y2。那么这个小区域的坐标范围可以表示为[x1,x2]×[y1,y2]。通过对所有小区域的二维坐标范围进行合并，就可以得到整个鼻子区域的描述。可以将每个小区域的坐标范围放入一个列表中，表示鼻子区域所占的坐标范围。二维坐标范围确定层通过对所有矩形小区域的二维坐标范围进行合并，得到了整个鼻子区域的描述。二维坐标范围确定层可以将每个小区域的坐标范围放入一个列表中，这个列表就表示眼部区域所占的坐标范围。

部位分割层用于将面膜图像分割成五个部位，即整体、左眼、右眼、鼻子和嘴巴，以便后续的处理。轮廓坐标确定层用于确定各个部位的轮廓的点坐标，矩形框坐标确定层用于确定各个部位内多个小矩形框的坐标范围，二维坐标范围确定层则用于将所有小矩形框的坐标范围进行合并，得到整个部位的二维坐标范围。将坐标确定模型分为多个层，可以让每个层专注于不同的任务，提高模型的准确率。例如，部位分割层专门用于将整个图像分割成各个部位，而轮廓坐标确定层则专注于确定各个部位的轮廓。另外，分层也便于模型的可解释性和调试。

步骤S3，构建多个节点和所述多个节点之间的多条边，所述多个节点包括左眼节点、右眼节点、鼻子节点、嘴巴节点，所述左眼节点的节点特征为所述面膜左眼部位的二维坐标范围，所述右眼节点的节点特征为所述面膜右眼部位的二维坐标范围，所述鼻子节点的节点特征为所述面膜鼻子部位的二维坐标范围、所述面膜整体的二维坐标范围，所述嘴巴节点的节点特征为所述面膜嘴巴部位的二维坐标范围。

图结构数据是由节点和边两部分组成的一种数据结构，图结构包括多个节点和多个节点之间的多条边，图神经网络模型是一种直接作用于图结构数据上的神经网络。

通过将面膜的不同部位表示为节点，可以更清晰地组织和理解面膜的结构。每个节点代表一个特定的部位，使得对面膜形状的分析更具可解释性。

在一些实施例中，所述多个节点之间的多条边表示节点之间的位置关系，多条边的边特征表示节点之间的最短距离和最短距离所对应的方向。通过边连接节点，可以建立各个部位之间的位置关系。这样的建模可以帮助进一步的面部分析和特征提取。

根据每个部位的特征构建相应的节点，并使用边将它们连接起来。这可以通过图论中的图数据结构来实现，其中每个节点表示一个部位，边表示不同部位之间的关系。节点特征可以作为节点属性存储在图中，边则可以用于表示节点之间的节点之间的位置关系。

步骤S4，基于图神经网络模型对所述多个节点和所述多个节点之间的多条边进行处理得到面膜形状是否合规。

图神经网络模型包括图神经网络(GraphNeural Network，GNN)和全连接层。图神经网络模型用于处理面膜的多个节点和多个节点之间的多条边，以判断面膜的形状是否符合规定。

在面膜形状分析中，节点表示面膜的不同部位，例如左眼、右眼、鼻子和嘴巴等。每个节点具有特定的节点特征，如二维坐标范围。通过节点，可以对面膜的各个部位进行建模和分析。

图神经网络模型可以学习面膜的全局特征，包括各个部位的相对位置、形状和尺寸等信息。通过全局特征学习，可以更全面地判断面膜的形状是否符合规定。通过处理多个节点和多条边，可以捕捉面膜的各个部位之间的关联关系。例如，鼻子的位置应该在两个眼睛中间，嘴巴的位置应该在鼻子下方等。通过建模和处理这些节点和边，可以更准确地判断面膜的形状以及各部位的形态分布是否合规。在一些实施例中，可以使用已标注的合规和不合规的面膜数据集，对图神经网络模型进行训练。然后，图神经网络模型可以对新的面膜数据进行推断，并确定面膜的形状是否合规。

图神经网络模型的输入为所述多个节点和所述多个节点之间的多条边，图神经网络模型的输出为面膜形状合规或面膜形状不合规。若图神经网络模型的输出为面膜形状不合规，则可以将不合规信息发送到管理终端。

在一些实施例中，还可以通过光照处理模型进行面膜质量检测以判断面膜是否存在裂纹，图2为本发明实施例提供的通过光照处理模型进行面膜质量检测的流程示意图，所述通过光照处理模型进行面膜质量检测包括步骤S21～S24：

步骤S21，获取面膜在多种彩光照耀下的多张图像。

所述面膜在多种彩光照耀下的多张图像包括面膜在红光照耀下的多张图像、面膜在绿光照耀下的多张图像、面膜在蓝光照耀下的多张图像。

可以在设定的红光、绿光和蓝光照耀下，通过相机或其他图像采集设备拍摄得到面膜在多种彩光照耀下的多张图像。

步骤S22，基于每一张面膜在多种彩光照耀下的多张图像使用光照处理模型确定多张待验证面膜。

多张待验证面膜是指需要进一步通过拉伸测试的多张面膜。

红光、绿光和蓝光具有不同的波长，不同波长的光照射到面膜上时，面膜材料会对光产生不同的反射和吸收。这些反射和吸收现象会呈现出不同的图像特征，从而影响裂纹的检测。具体来说，不同波长的光照射到面膜上时，面膜表面的颜色和对比度会发生变化。红光的波长较长，能够深入面膜中的层次，因此可以更好地检测面膜中深层的裂纹。绿光的波长适中，能够反映面膜表面和中层的裂纹情况。蓝光的波长较短，能够反映面膜表面的微小裂纹。通过使用不同波长的光照射面膜，可以更全面地捕捉到面膜表面和内部的裂纹情况，提高裂纹检测的准确性和有效性。

卷积神经网络可以通过卷积层和池化层来捕捉每一张面膜在多种彩光照耀下的多张图像中的空间特征，从而检测到可能存在的裂纹。卷积神经网络可以通过训练来学习面膜正常区域和异常区域之间的模式和差异。通过对大量带有已知裂纹的面膜图像进行训练，卷积神经网络可以学习到这些裂纹的特征，并确定多张待验证面膜。

光照处理模型可以对不同光照条件下的图像进行分析和比较，从而确定需要进一步验证的多张待验证面膜。

所述光照处理模型为卷积神经网络模型，所述光照处理模型的输入为所述面膜在多种彩光照耀下的多张图像，所述光照处理模型的输出为是否存在裂纹。

步骤S23，获取每一张待验证面膜的拉伸视频。

在一些实施例中，可以使用专门的拉伸测试仪器，例如拉伸试验机对每一张待验证面膜进行拉伸，并同时拍摄待验证面膜在拉伸过程中的视频得到每一张待验证面膜的拉伸视频。

步骤S24，基于所述每一张待验证面膜的拉伸视频使用拉伸视频处理模型确定所述每一张待验证面膜是否存在裂纹。

拉伸视频处理模型为门控循环单元，拉伸视频处理模型的输入为所述每一张待验证面膜的拉伸视频，拉伸视频处理模型的输出为所述每一张待验证面膜存在裂纹或所述每一张待验证面膜不存在裂纹。

门控循环单元(Gated Recurrent Unit，GRU)用于处理序列数据和时序信息。门控循环单元包括记忆单元、更新门和重置门三个组件。记忆单元存储了之前时间步的信息，并传递给当前时间步的输入和隐状态，以保留历史信息。更新门决定了是否更新记忆单元的信息。它根据当前时间步的输入和前一个时间步的隐状态来控制记忆单元的更新程度。当更新门接近1时，更多的过去信息将被保留；当更新门接近0时，更多的新信息将被传递。重置门决定如何利用前一个时间步的记忆单元。它根据当前时间步的输入和前一个时间步的隐状态来决定丢弃哪些信息。重置门的作用是可以更好地适应当前输入。门控循环单元通过更新门和重置门的调节，有效解决了梯度消失问题，使得模型可以更好地处理长序列数据的依赖关系。

门控循环单元可以处理连续时间段的每一张待验证面膜的拉伸视频，并综合考虑各个时间点的每一张待验证面膜的拉伸视频之间关联关系的特征，使得该输出的特征更加的准确和全面。

多种彩光照耀下的多张图像可以提供对面膜表面的不同角度和细节的观察，但这种方法同时也存在一定的局限性。比如，使用特定的波长光源可能会掩盖掉一些细微的裂缝，导致漏检。在拉伸过程中，面膜原有的裂纹会出现形变。这些形变可以通过连续的帧捕捉到，因此拉伸视频可以更准确地面膜裂纹信息。面膜在拉伸过程中可能会发生微小的形变和裂纹，这些变化在静态图像中难以捕捉。通过门控循环单元分析面膜在连续帧之间的动态变化，可以学习到面膜的动态特征，从而增强对裂纹的检测能力。

在一些实施例中，拉伸视频处理模型包括裂纹部位定位层、裂纹拉伸视频片段分割层、裂纹判定层。裂纹部位定位层、裂纹拉伸视频片段分割层、裂纹判定层裂纹部位定位层的输入为所述每一张待验证面膜的拉伸视频，裂纹部位定位层的输出为每一张待验证面膜的疑似裂纹部位，裂纹拉伸视频片段分割层的输入为所述每一张待验证面膜的疑似裂纹部位和所述每一张待验证面膜的拉伸视频，裂纹拉伸视频片段分割层的输出为每一张待验证面膜的疑似裂纹部位的拉伸分割视频，裂纹判定层的输入为每一张待验证面膜的疑似裂纹部位的拉伸分割视频，裂纹判定层的输出为所述每一张待验证面膜存在裂纹或所述每一张待验证面膜不存在裂纹。通过将拉伸视频处理模型分为多个层，可以逐步提取、分析和判定裂纹的信息，从而实现对待验证面膜的裂纹检测。每个层都承担特定的任务，相互配合完成整个处理过程。这样的分层设计可以提高系统的鲁棒性和效率。

基于同一发明构思，图3为本发明的实施例提供的一种化妆品质量检测系统示意图，所述化妆品质量检测系统包括：

获取模块31，用于获取面膜在白光照耀下的图像；

坐标确定模块32，用于基于所述面膜在白光照耀下的图像使用坐标确定模型确定面膜整体的二维坐标范围、面膜左眼部位的二维坐标范围、面膜右眼部位的二维坐标范围、面膜鼻子部位的二维坐标范围、面膜嘴巴部位的二维坐标范围；

构建模块33，用于构建多个节点和所述多个节点之间的多条边，所述多个节点包括左眼节点、右眼节点、鼻子节点、嘴巴节点，所述左眼节点的节点特征为所述面膜左眼部位的二维坐标范围，所述右眼节点的节点特征为所述面膜右眼部位的二维坐标范围，所述鼻子节点的节点特征为所述面膜鼻子部位的二维坐标范围、所述面膜整体的二维坐标范围，所述嘴巴节点的节点特征为所述面膜嘴巴部位的二维坐标范围；

合规判断模块34，用于基于图神经网络模型对所述多个节点和所述多个节点之间的多条边进行处理得到面膜形状是否合规。