FR3160548A3

FR3160548A3 - Système incluant des dispositifs et des algorithmes pour évaluer la santé du cuir chevelu et des cheveux

Info

Publication number: FR3160548A3
Application number: FR2404891A
Authority: FR
Inventors: Thierry Wasserman; Aldina SUWANTO; Chengda YE; Nelly SUN
Original assignee: LOreal SA
Current assignee: LOreal SA
Priority date: 2024-03-28
Filing date: 2024-05-14
Publication date: 2025-10-03
Also published as: WO2025199857A1

Abstract

SYSTÈME INCLUANT DES DISPOSITIFS ET DES ALGORITHMES POUR ÉVALUER LA SANTÉ DU CUIR CHEVELU ET DES CHEVEUX Dispositif de détection d’un état du cuir chevelu, dans lequel l’état du cuir chevelu comprend au moins une présence ou absence de pellicules, incluant au moins une caméra configurée pour visualiser le cuir chevelu d’un utilisateur, un cône de diffusion disposé autour de l’au moins une caméra, un module d’éclairage comprenant au moins une source de lumière, dans lequel l’au moins une source de lumière est configurée pour émettre de la lumière dans une pluralité de conditions d’éclairage, et un processeur configuré pour recevoir des données d’image de l’au moins une caméra capturées pendant au moins une condition d’éclairage de la pluralité de conditions d’éclairage, et transmettre les données d’image à un dispositif intelligent pour détecter l'état du cuir chevelu. Figure pour l'abrégé : 1

Description

SYSTÈME INCLUANT DES DISPOSITIFS ET DES ALGORITHMES POUR ÉVALUER LA SANTÉ DU CUIR CHEVELU ET DES CHEVEUX

RÉSUMÉ

Le présent résumé est fourni pour présenter une sélection de concepts sous une forme simplifiée qui sont décrits plus amplement ci-après dans la description détaillée. Le présent résumé n'est pas censé identifier des particularités clés du sujet revendiqué ni être utilisé comme aide pour déterminer la portée du sujet revendiqué.

Dans un aspect, est divulgué ici un dispositif de détection d'un état du cuir chevelu, d'un état des cheveux, ou des deux, où l’état du cuir chevelu comprend au moins une présence ou absence de pellicules, et l’état des cheveux comprend une présence ou absence de l'état des cheveux, incluant au moins une caméra configurée pour visualiser le cuir chevelu d’un utilisateur, un cône de diffusion disposé autour de l’au moins une caméra, un module d’éclairage incluant au moins une source de lumière, où l’au moins une source de lumière est configurée pour émettre de la lumière dans une pluralité de conditions d’éclairage, et un processeur configuré pour recevoir des données d’image de l’au moins une caméra capturées pendant au moins une condition d’éclairage de la pluralité de conditions d’éclairage, et transmettre les données d’image à un dispositif intelligent pour détecter l’état du cuir chevelu, l’état des cheveux, ou les deux.

Dans certains modes de réalisation, les données d’image comprennent un ensemble d’images à un endroit du cuir chevelu de l’utilisateur dans chaque condition d’éclairage de la pluralité de conditions d’éclairage. Dans certains modes de réalisation, la pluralité de conditions d’éclairage inclut une condition de lumière blanche, une condition de lumière à polarisation croisée, une condition de lumière ultraviolette (UV), ou une de leurs combinaisons. Dans certains modes de réalisation, dans la condition de lumière blanche, la lumière blanche est émise dans au moins un mode de luminosité d’une pluralité de modes de luminosité.

Dans certains modes de réalisation, l’au moins une caméra est une caméra à trois objectifs, et où chaque objectif de la caméra à trois objectifs a une longueur focale différente.

Dans un autre aspect, est divulgué ici un système de détection d'un état du cuir chevelu, d'un état des cheveux, ou des deux, où l’état du cuir chevelu comprend au moins une présence ou absence de pellicules, et l’état des cheveux comprend une présence ou absence de l’état des cheveux, le système incluant le dispositif tel que décrit ici et un dispositif intelligent, où le dispositif intelligent comprend un processeur de dispositif intelligent, et où le processeur de dispositif intelligent est configuré pour recevoir les données d’image du dispositif, entrer une image des données d’image dans une condition d’éclairage de la pluralité de conditions d’éclairage, déterminer une ou plusieurs zones d’une ou plusieurs particularités détectées à un niveau de pixels de l’image, et afficher les une ou plusieurs zones en superposition sur les données d’image.

Dans certains modes de réalisation, le processeur de dispositif intelligent est en outre configuré pour segmenter, à un niveau de pixels, les données d’image, localiser les pellicules segmentées, classer les pellicules segmentées sur la base d’un nombre de pellicules, d’une taille de pellicules et d’une forme de pellicules sur la base de données statistiques sur les pellicules, fournir en sortie un score de gravité de pellicules et afficher des segments de contour des pellicules en superposition sur les données d’image.

Dans certains modes de réalisation, le processeur de dispositif intelligent est en outre configuré pour segmenter des mèches de cheveux dans les données d’image sur la base d'une couleur, déterminer une position et une direction des mèches de cheveux, mesurer des diamètres individuels d’une ou plusieurs des mèches de cheveux, déterminer un diamètre moyen de cheveux, fournir en sortie un score des cheveux sur la base de l’état des cheveux, où le score des cheveux comprend un diamètre moyen des mèches de cheveux, un pourcentage de cheveux blancs ou gris, une détection de couleur de racine, ou une de leurs combinaisons. Dans certains modes de réalisation, le processeur de dispositif intelligent est en outre configuré pour estimer un certain nombre de racines des cheveux dans les données d’image et fournir en sortie le score des cheveux, dans lequel le score des cheveux comprend en outre une probabilité de perte de cheveux.

Dans certains modes de réalisation, un réseau neuronal convolutif (CNN) à 3 couches ayant une même structure avec des ensembles de poids différents est utilisé pour prédire la gravité du score de pellicules et un niveau de rougeur du cuir chevelu.

Dans certains modes de réalisation, le processeur de dispositif intelligent est en outre configuré pour afficher des mèches de cheveux et des racines des données d’image dans une pluralité de couleurs sur un fond noir, et où la pluralité de couleurs correspond à des diamètres individuels d’une ou plusieurs des mèches de cheveux. Dans certains modes de réalisation, le processeur de dispositif intelligent est en outre configuré pour indiquer sur les données d’image affichées quand une mèche de cheveux est inférieure à un seuil de diamètre.

Dans certains modes de réalisation, le processeur de dispositif intelligent est en outre configuré pour détecter une ou plusieurs couleurs sur un niveau de pixels dans les données d’image indicatives de porphyrines ; déterminer un nombre, une taille, une forme, ou une de leurs combinaisons, des porphyrines, fournir en sortie un score de porphyrine et afficher des contours des porphyrines détectées en superposition sur les données d’image.

Dans encore un autre aspect, est divulgué ici un procédé de détection d’un état du cuir chevelu, dans lequel l'état du cuir chevelu comprend au moins une présence ou absence de pellicules, le procédé comprenant le placement du dispositif décrit ici sur le cuir chevelu de l’utilisateur, l’émission de lumière dans une pluralité de conditions d’éclairage, la capture de données d’image du cuir chevelu de l’utilisateur dans chaque condition d’éclairage de la pluralité de conditions d’éclairage, la transmission des données d’image à un processeur de dispositif intelligent, l'analyse de chaque image des données d’image dans chaque condition d’éclairage de la pluralité de conditions d’éclairage, la détection d'une ou plusieurs zones d’une ou plusieurs particularités détectées à un niveau de pixels de l’image et l'affichage des zones détectées superposées sur les données d’image.

Dans certains modes de réalisation, le procédé comprend en outre la segmentation, à un niveau de pixels, de pellicules dans les données d’image, la classification des pellicules segmentées en fonction du nombre de pellicules, de la taille de pellicules et de la forme des pellicules sur la base de données statistiques sur les pellicules, la fourniture en sortie d’un score de gravité de pellicules et l’affichage de segments de contour des pellicules en superposition sur les données d’image.

Dans certains modes de réalisation, le procédé comprend en outre la segmentation, à un niveau de pixels, de mèches de cheveux dans les données d’image sur la base de la couleur, la détermination d’une position et d’une direction des mèches de cheveux, la mesure de diamètres individuels d’une ou plusieurs des mèches de cheveux, la détermination d’un diamètre moyen de cheveux et la fourniture en sortie d’un score de cheveux, dans lequel le score des cheveux comprend un diamètre moyen des mèches de cheveux, un pourcentage de cheveux blancs ou gris, une détection de couleur de racine, ou une de leurs combinaisons.

Dans certains modes de réalisation, le procédé comprend en outre l’estimation d’un nombre de racines des cheveux dans les données d’image et la fourniture en sortie d’un score de cheveux, dans lequel le score de cheveux comprend une probabilité de perte de cheveux.

Dans certains modes de réalisation, le procédé comprend en outre le stockage des données d’image, des une ou plusieurs zones, des un ou plusieurs états du cuir chevelu, ou d’une de leurs combinaisons sous forme de données historiques, et le suivi des données historiques dans le temps pour déterminer un changement des un ou plusieurs états du cuir chevelu.

Dans certains modes de réalisation, le procédé comprend en outre la détection d’une ou plusieurs couleurs sur un niveau de pixels dans les données d’image indicatives de porphyrines, la détermination d’un nombre, d’une taille, d’une forme, ou d’une de leurs combinaisons, des porphyrines, la fourniture en sortie d’un score de porphyrines et l’affichage des contours des porphyrines détectées en superposition sur les données d’image.

Dans certains modes de réalisation, le procédé comprend en outre la recommandation d’un ou plusieurs traitements pour les un ou plusieurs états du cuir chevelu.

Description des dessins

Les aspects qui précèdent et de nombreux avantages connexes de cette invention seront plus facilement appréciés à mesure qu'ils seront mieux compris en référence à la description détaillée qui suit, lorsqu'elle est prise conjointement avec les dessins qui l'accompagnent, sur lesquels :

FIG. 1LaFIG. 1est une vue de côté en perspective d'un exemple de dispositif de détection d'un état du cuir chevelu, conformément à la présente technologie ;

FIG. 1LaFIG. 1est une vue de face en perspective d’un exemple de dispositif de détection d'un état du cuir chevelu, conformément à la présente technologie ;

FIG. 1LaFIG. 1est une vue de face en perspective d’un autre exemple de dispositif de détection d'un état du cuir chevelu, conformément à la présente technologie ;

FIG. 1LaFIG. 1est un exemple de capteur optique de détection d'un état du cuir chevelu, conformément à la présente technologie ;

FIG. 2LaFIG. 2est un exemple d'illustration d'une pluralité de modes de luminosité, conformément à la présente technologie ;

FIG. 3-FIG. 3Les Figures 3A à 3C sont des exemples de données d’image d’un cuir chevelu dans différentes conditions d’éclairage d’une pluralité de conditions d’éclairage, conformément à la présente technologie.

FIG. 4LaFIG. 4est un schéma fonctionnel d'un exemple de système de détection d'un état du cuir chevelu, conformément à la présente technologie ;

FIG. 4LaFIG. 4est un autre schéma fonctionnel d'un exemple de système de système de détection d'un état du cuir chevelu, conformément à la présente technologie ;

FIG. 4LaFIG. 4est un exemple de système de détection d'un état du cuir chevelu, conformément à la présente technologie ;

FIG. 5LaFIG. 5est une illustration d'un exemple de dispositif en utilisation, conformément à la présente technologie ;

FIG. 6-FIG. 6Les Figures 6A à 6J sont des exemples de visualisations, conformément à la présente technologie ;

FIG. 7LaFIG. 7est exemple de procédé de détection d'un état du cuir chevelu, conformément à la présente technologie ;

FIG. 8LaFIG. 8est un autre exemple de procédé de détection d'un état du cuir chevelu, conformément à la présente technologie ;

FIG. 9LaFIG. 9est un autre exemple encore de procédé de détection d'un état du cuir chevelu, conformément à la présente technologie ; et

FIG. 10-FIG. 10Les Figures 10A à 10G montrent un exemple d’entraînement et de validation de modèle pour la notation, la segmentation de pellicules et la segmentation de cheveux.

Description détaillée

Les pellicules sont une affection courante qui amène la peau du cuir chevelu à peler. Les symptômes incluent une desquamation et parfois de légères démangeaisons. Cela peut entraîner des problèmes sociaux ou d’estime de soi. Bien que les pellicules puissent être détectées par une inspection visuelle, il peut être difficile de déterminer une classification des pellicules, si un traitement contre les pellicules fonctionne et quelle peut être la cause des pellicules. Par exemple, les pellicules peuvent être causées par le champignon Malassezia, un organisme naturel présent sur la peau et le cuir chevelu. Les pellicules peuvent également être causées par des cheveux gras, un psoriasis ou un eczéma. Dans chaque cas, les traitements diffèrent.

Les porphyrines sont des métabolites intermédiaires dans la biosynthèse des molécules vitales, y compris l’hème, la cobalamine et la chlorophylle. Les porphyrines bactériennes sont connues comme étant pro-inflammatoires, avec des taux élevés liés à des maladies cutanées inflammatoires. Les porphyrines sur le cuir chevelu peuvent provoquer une inflammation, des rougeurs, des plaies et de l’acné. Il peut également être difficile de détecter les porphyrines sur le cuir chevelu et donc de les traiter.

En outre, un individu peut souhaiter connaître et/ou traiter d’autres états du cuir chevelu, tels que la santé des cheveux, la présence de graisse, le diamètre des mèches de cheveux, la diversité/épaisseur de cheveux, les cheveux gris, et similaires.

Un lecteur de cuir chevelu et/ou de cheveux, ou un dispositif doté d’algorithmes d’apprentissage automatique pour analyser quantitativement la santé du cuir chevelu et des cheveux des consommateurs sur la base d’images, est décrit ici. Le dispositif est utilisé pour capturer des images du cuir chevelu avec de multiples modes d’éclairage. Les résultats de détection sur la santé du cuir chevelu et des cheveux sont analysés et délivrés aux consommateurs. Les scores sur le niveau de pellicules du cuir chevelu, le niveau de porphyrines, le diamètre des cheveux et le nombre de racines des cheveux sur la base des images capturées par le dispositif sont prédits par des algorithmes. Dans certains modes de réalisation, l’analyse est basée sur un indice global de santé du cuir chevelu et/ou un indice global de risque de chute de cheveux, qui sont des corrélations basées sur la sortie des algorithmes et/ou des réponses à un questionnaire utilisateur. Les zones ayant besoin de soins sur le cuir chevelu observé et la diversité des diamètres des fibres sont également détectées et visualisées par des algorithmes. Les produits et traitements recommandés peuvent être fournis sur la base des résultats d’analyse.

Dans certains modes de réalisation, un ensemble d’algorithmes est utilisé qui prennent les images brutes du cuir chevelu en entrée et prédisent des scores correspondant au niveau de pellicules du cuir chevelu, au niveau de porphyrines, au niveau de rougeur, au diamètre moyen des cheveux et au nombre de racines, respectivement. Outre les prédictions de score, les visualisations des pellicules segmentées, des porphyrines, des fibres capillaires et des racines des cheveux sont masquées par des algorithmes. Les algorithmes de prédiction de score et de visualisation de tous les paramètres du cuir chevelu et des cheveux susmentionnés sont construits sur la base de modèles d’apprentissage profond et de procédés de traitement d’image conventionnels. Dans un exemple, les modèles d’apprentissage profond incluent des modèles d’apprentissage profond basés sur un réseau neuronal convolutif (CNN). Des données statistiques, telles que le nombre, la distribution de la taille des pellicules/porphyrines et les diamètres des fibres capillaires, sont analysées par les algorithmes. Pour garantir la précision des algorithmes, un grand ensemble de données d’images du cuir chevelu a été collecté. Les algorithmes ont été entraînés et mis à l’essai sur la base de l’ensemble de données spécialement collecté pour une grande précision.

LaFIG. 1est une vue de côté en perspective d'un exemple de dispositif 100 de détection d'un état du cuir chevelu, conformément à la présente technologie. Dans certains modes de réalisation, le dispositif 100 inclut un cône de diffusion 105, un corps 110, un ou plusieurs actionneurs 115A, 115B, 115C, un processeur 120, un indicateur d'alimentation 125 et une batterie 130.

Dans certains modes de réalisation, le cône de diffusion 105 est une saillie située sur un côté avant du corps 110. Le cône de diffusion peut être configuré pour être le plus large vers le corps 110 et s’effiler à mesure qu'il s’étend à partir du corps 110. Dans certains modes de réalisation, une longueur du cône de diffusion est déterminée sur la base d’une distance nécessaire pour qu'un capteur optique (comme le montre laFIG. 1) capture des données d’image d’un cuir chevelu lorsqu’une extrémité du cône de diffusion 105 entre en contact avec le cuir chevelu (comme le montre laFIG. 5). Dans certains modes de réalisation, le cône de diffusion 105 est configuré pour bloquer la lumière d’une source de lumière (comme le montrent les Figures 1B et 1D) de sorte qu’un capteur optique puisse capturer des données d’image du cuir chevelu dans une condition de lumière particulière, comme décrit en détail ici.

Alors que le corps 110 est illustré sous forme de cylindre sur laFIG. 1, il convient de comprendre que le corps 110 peut être un facteur de forme quelconque. Dans certains modes de réalisation, le corps 110 est arrondi, angulaire, de forme organique ou similaire. Dans certains modes de réalisation, le corps 110 est composé de plastique, de métal, de céramique ou d'une de leurs combinaisons. Dans certains modes de réalisation, le corps 110 est configuré pour être tenu dans une main d’un opérateur ou d’un utilisateur. Dans certains modes de réalisation, une pince à cheveux (non illustrée sur laFIG. 1) peut être utilisée pour maintenir les cheveux en place et permettre au dispositif 100 de mieux visualiser le cuir chevelu et/ou les cheveux.

Les un ou plusieurs actionneurs 115A, 115B, 115C peuvent être configurés pour effectuer une variété de fonctions, y compris, sans toutefois s'y limiter, activer/désactiver le dispositif 100, émettre ou arrêter l’émission de lumière à partir d’une source de lumière (comme le montrent les Figures 1B à 1D), changer une condition d’éclairage ou un mode de lumière de la lumière, comme expliqué ici, capturer des données d’image du cuir chevelu, et/ou appairer le dispositif 100 avec un autre dispositif (tel que le dispositif intelligent 1000 sur laFIG. 4) via une connexion sans fil, telle que Wi-Fi, Bluetooth LTETM, Zigbee ou similaire. Dans certains modes de réalisation, les actionneurs 115A, 115B, 115C sont des boutons, mais dans d’autres modes de réalisation, les actionneurs 115A, 115B, 115C peuvent être des interrupteurs, des boutons capacitifs de type tactile, des leviers ou similaires.

L’homme du métier devrait comprendre que le processeur 120 est interne au corps 110 mais est illustré sur laFIG. 1pour plus de clarté. Dans certains modes de réalisation, le processeur 120 est configuré pour capturer et stocker des données d’image d’un ou plusieurs capteurs optiques (comme le montrent les Figures 1B à 1D), commander une ou plusieurs sources de lumière et/ou transmettre des données d’image à un autre dispositif (tel que le dispositif intelligent 1000 sur laFIG. 4). Dans certains modes de réalisation, le processeur est configuré pour se coupler de manière communicative avec un dispositif intelligent sur une connexion sans fil ou filaire.

Dans certains modes de réalisation, le dispositif 100 inclut un indicateur d’alimentation 125. Dans certains modes de réalisation, l’indicateur d'alimentation 125 indique un niveau d'alimentation du dispositif. Dans certains modes de réalisation, l’indicateur d'alimentation 125 est configuré pour émettre une variété de couleurs pour transmettre un statut du dispositif 100, tel que vert pour chargé, rouge pour alimentation faible, jaune pour en charge, ou similaire. Dans certains modes de réalisation, l’indicateur d'alimentation 125 peut indiquer un statut du dispositif qui n’est pas lié à l'alimentation du dispositif 100, tel qu'en clignotant pour indiquer que le dispositif 100 est appairé à un dispositif externe, au moyen d'un flash pour indiquer que des données d’image ont été capturées, d'une couleur associée à une condition de lumière particulière, ou similaire.

La batterie 130 peut être interne ou externe au dispositif 100. Dans certains modes de réalisation, l'accès à la batterie 130 peut se faire en retirant une extrémité du dispositif 100. Dans certains modes de réalisation, la batterie 130 est une batterie à usage unique, mais dans d’autres modes de réalisation, la batterie 130 est une batterie rechargeable, ou un condensateur. Dans certains modes de réalisation, la batterie 130 peut être chargée par le biais d’une connexion filaire ou sans fil.

En fonctionnement, le dispositif 100 est configuré pour être tenu par un utilisateur ou un opérateur, tel qu’un technicien de salon de beauté ou un pharmacien. Dans certains modes de réalisation, l’opérateur place le cône de diffusion 105 sur le cuir chevelu d’un client, comme le montre laFIG. 5. Dans certains modes de réalisation, l’opérateur dégage les cheveux du client ou de la cliente, par exemple en les déplaçant manuellement, en les brossant ou en les fixant à l’aide d’une pince ou autre attache. Dans certains modes de réalisation, le cône de diffusion 105 sépare un ou plusieurs capteurs optiques, sources de lumière ou similaires du cuir chevelu, de manière à capturer des données d’image et/ou émettre de la lumière dans une pluralité de conditions de lumière (telles que décrites sur les Figures 1B à 1D). L’opérateur peut actionner les un ou plusieurs actionneurs 115A, 115B, 115C pour commencer et/ou terminer la capture de données d’image. Après la capture des données d’image dans une ou plusieurs conditions de lumière, le processeur 120 peut transmettre les données d’image à un dispositif externe pour le traitement et/ou la détection d’un état du cuir chevelu. Tel qu’utilisé ici, un état du cuir chevelu inclut au moins une présence ou absence de pellicules, une présence ou absence de porphyrine, une présence ou absence de graisse, une présence ou absence de cheveux gris, une épaisseur de cheveux, une probabilité de perte de cheveux, une diversité de cheveux et/ou une présence ou absence de rougeurs. Dans certains modes de réalisation, le diagnostic de l’état des cheveux et/ou du cuir chevelu est déterminé avec un seul « point », c’est-à-dire lorsqu'une pluralité d’images est prise à partir d’un seul emplacement sur le cuir chevelu. Dans d’autres modes de réalisation, le diagnostic de l’état des cheveux et/ou du cuir chevelu est déterminé avec plusieurs « points ». Dans de tels modes de réalisation, un utilisateur ou un opérateur peut déplacer le dispositif 100 sur de multiples emplacements sur le cuir chevelu. Les données d’image de chacun de ces emplacements peuvent être analysées séparément, ou ensemble, pour déterminer un état des cheveux et/ou du cuir chevelu. Dans certains modes de réalisation, le dispositif 100 peut demander à l’utilisateur de déplacer le dispositif 100 vers de multiples emplacements, par exemple avec une vibration, une alerte, une tonalité ou une autre instruction.

LaFIG. 1est une vue de face en perspective d'un exemple de dispositif 100 de détection d'un état du cuir chevelu, conformément à la présente technologie. Dans certains modes de réalisation, le dispositif 100 inclut un cône de diffusion 105, un corps 110, une source de lumière 135 et un dispositif optique 140. Sur laFIG. 1, une extrémité du cône de diffusion 105 est montrée. Dans certains modes de réalisation, sur le corps 110, mais à l’intérieur du cône de diffusion 105, se trouvent la source de lumière 135 et le dispositif optique 140.

Dans certains modes de réalisation, la source de lumière 135 est une diode électroluminescente (DEL). Dans certains modes de réalisation, la source de lumière 135 est configurée pour émettre de la lumière dans une pluralité de conditions de lumière (comme le montrent les Figures 3A à 3C). Dans certains modes de réalisation, la pluralité de conditions de lumière inclut la lumière blanche (c’est-à-dire, la lumière émise à une longueur d’onde de 400à 700 nm), la lumière à polarisation croisée (c’est-à-dire, où deux polarisateurs orientés perpendiculairement l’un par rapport à l’autre sont utilisés sur des lumières incidentes et réfléchies) et/ou la lumière ultraviolette (UV) (c’est-à-dire, la lumière émise à une longueur d’onde de 100 à 400 nm). Dans certains modes de réalisation, la source de lumière 135 est également configurée pour émettre de la lumière blanche à une pluralité de modes de luminosité (tels que montrés et décrits sur laFIG. 2).

Dans certains modes de réalisation, le dispositif optique 135 est une caméra. Dans certains modes de réalisation, le dispositif optique 135 est configuré pour capturer des données d’image d’un cuir chevelu. Dans certains modes de réalisation, le système optique 135 est une caméra à objectif unique. Dans certains modes de réalisation, le dispositif optique 135 est couplé de manière communicative à un processeur (tel que le processeur 120). Dans certains modes de réalisation, le dispositif optique 135 transmet les données d’image capturées au processeur.

En fonctionnement, un utilisateur ou un opérateur place le cône de diffusion 105 sur le cuir chevelu. La source de lumière 135 émet de la lumière à une première condition de lumière de la pluralité de conditions de lumière. Le capteur optique 140 peut ensuite capturer des données d’image du cuir chevelu dans la première condition de lumière. Dans certains modes de réalisation, les données d’image sont un ou plusieurs clichés, mais dans d’autres modes de réalisation, les données d’image peuvent être une vidéo. La source de lumière 135 peut alors émettre une deuxième condition de lumière de la pluralité de conditions de lumière. Le capteur optique 140 peut ensuite capturer des données d’image du cuir chevelu dans la première condition de lumière. Cela se répète jusqu’à ce que le capteur optique 140 capture des données d’image dans toutes les conditions de lumière de la pluralité de conditions de lumière ou dans un sous-ensemble prédéterminé des conditions de lumière de la pluralité de conditions de lumière. Un processeur (tel que le processeur 120) peut ensuite transmettre les données d’image capturées par le capteur optique 140 à un dispositif externe (tel que le dispositif intelligent 1000 sur laFIG. 4).

LaFIG. 1est une vue de face en perspective d’un autre exemple de dispositif 100 de détection d’un état du cuir chevelu, conformément à la présente technologie. Dans certains modes de réalisation, le dispositif 100 inclut une pluralité de sources de lumière 135A, 135B, 135C.

Dans certains modes de réalisation, chaque source de lumière de la pluralité de sources de lumière 135A, 135B, 135C est configurée pour émettre une condition de lumière différente de la pluralité de conditions de lumière. Par exemple, s’il y a trois sources de lumière de la pluralité de sources de lumière 135A, 135B, 135C, une première source de lumière 135A peut émettre de la lumière blanche, une deuxième source de lumière 135B peut émettre de la lumière à polarisation croisée, et une troisième source de lumière 135C peut émettre de la lumière UV.

LaFIG. 1est un exemple de capteur optique 140 de détection d'un état du cuir chevelu, conformément à la présente technologie. Dans certains modes de réalisation, le capteur optique 140 est une caméra. Dans certains modes de réalisation, le capteur optique 140 est une caméra à trois objectifs. Dans certains modes de réalisation, le capteur optique a un premier objectif 145A, un deuxième objectif 145B et un troisième objectif 145C. Dans certains modes de réalisation, chaque objectif 145A, 145B, 145C de la caméra à trois objectifs a une longueur focale différente.

En fonctionnement, chaque objectif dans le capteur optique 140 est configuré pour capturer des données d’image à une longueur focale prédéterminée, de sorte que de multiples images de longueur focale du cuir chevelu peuvent être capturées. Dans certains modes de réalisation, au lieu d’une caméra à trois objectifs, le capteur optique 140 est une pluralité de capteurs optiques, chaque capteur optique étant configuré pour capturer des données d’image à une pluralité de longueurs focales.

LaFIG. 2est un exemple d’illustration d’une pluralité de modes de luminosité, conformément à la présente technologie. Dans certains modes de réalisation, les une ou plusieurs sources de lumière (comme le montrent les Figures 1B et 1C) sont configurées pour émettre de la lumière dans une pluralité de modes de luminosité (ou « lumière »). Alors que cinq modes sont montrés sur laFIG. 2, il convient de comprendre que n’importe quel nombre de modes de lumière peut être émis par les une ou plusieurs sources de lumière. Dans certains modes de réalisation, au fur et à mesure que le nombre de modes de lumière augmente, le niveau de luminosité de la lumière diminue (c’est-à-dire que le Mode 5 est le plus sombre et le Mode 0 est le plus lumineux). Dans certains modes de réalisation, un processeur (tel que le processeur 120) commande le mode de luminosité sur la base de la lumière détectée par un capteur optique (tel que le capteur optique 140). Dans certains modes de réalisation, un ou plusieurs actionneurs (tels qu’un ou plusieurs actionneurs 115A, 115B, 115C) peuvent être actionnés pour commander le mode de luminosité.

Les Figures 3A à 3C sont des exemples de données d’image d’un cuir chevelu dans différentes conditions de lumière d’une pluralité de conditions de lumière, conformément à la présente technologie. LaFIG. 3montre des données d’image d’un cuir chevelu sous lumière blanche, laFIG. 3montre une image du cuir chevelu sous lumière à polarisation croisée, et laFIG. 3montre une image d’un cuir chevelu sous lumière UV. Dans chaque condition de lumière, différents états du cuir chevelu peuvent être détectables, tels que des pellicules, des rougeurs, une irritation, de l’acné, une inflammation et/ou des porphyrines.

Par exemple, sous lumière blanche, comme le montre laFIG. 3, des algorithmes de segmentation des cheveux peuvent être appliqués pour détecter des caractéristiques capillaires telles que la couleur des cheveux (telle que les cheveux noirs et les cheveux blancs), les racines des cheveux, la couleur des racines des cheveux, et similaires. Sous lumière à polarisation croisée, comme le montre laFIG. 3, l’acné, les dermatoses inflammatoires, les rougeurs, les pellicules et les ecchymoses peuvent être détectables. Sous lumière UV, comme le montre laFIG. 3, les porphyrines peuvent être détectables, comme le montrent les points plus clairs (ou « zones détectées »).

LaFIG. 4est un schéma fonctionnel d'un exemple de système 4000 de détection d'un état du cuir chevelu, conformément à la présente technologie. Dans certains modes de réalisation, le système 4000 inclut un dispositif 100 (comme le montrent les Figures 1A à 1D), un dispositif intelligent (ou « système de lecteur de cuir chevelu ») 1000, et une application 1040. Dans certains modes de réalisation, l’application 1040 est téléchargée sur le dispositif intelligent 1000, mais dans d’autres modes de réalisation, elle peut être séparée du dispositif intelligent, tel que sur un navigateur d’un autre dispositif externe.

Comme le montrent les Figures 1A à 1D, le dispositif 100 peut inclure un module de caméra (ou dispositif optique) 140, un module de réglage d’éclairage (ou source de lumière) 135 et un module de transmission (ou processeur) 120. Comme décrit ici, en fonctionnement, le dispositif 100 capture des données d’image avec le module de caméra 140 dans une pluralité de conditions de lumière émises par le module de réglage d’éclairage 135 et transmet ces données d’image au dispositif intelligent 1000 avec le module de transmission 120.

Dans certains modes de réalisation, le système de lecteur de cuir chevelu 1000 inclut un module de capture d’image 10, un module de notation de particularité 20 et un module d’analyse de résultat 30.

Dans certains modes de réalisation, le module de capture d’image 10 est configuré pour recevoir un ensemble d’images du cuir chevelu (ou « données d’image ») dans trois conditions d’éclairage ou plus (comme le montrent les Figures 3A à 3C).

Dans certains modes de réalisation, le module de notation de particularité 20 reçoit une image dans une condition d’éclairage spécifique à la fois en entrée et fournit en sortie un score correspondant qui reflète un ou plusieurs états du cuir chevelu (tels que le niveau de pellicules ou de rougeur pour une image dans une condition d’éclairage à polarisation croisée). Dans certains modes de réalisation, le module de notation de particularité 20 applique un algorithme d’apprentissage profond à l’entrée pour déterminer le score. Par exemple, dans certains modes de réalisation, le module de notation de particularité 20 applique des modèles d’apprentissage profond (tels qu’un réseau neuronal convolutif à 3 couches (CNN)) ayant une même structure mais des ensembles de poids différents pour prédire le score de niveau de pellicules et de niveau de rougeur, respectivement.

Dans certains modes de réalisation, le module d’analyse de résultat 30 est configuré pour générer, sur la base du score ci-dessus, un rapport d’analyse sur la santé du cuir chevelu et des cheveux pour donner des scores sur un état du cuir chevelu, tel que les pellicules, les rougeurs, le diamètre des fibres capillaires, le nombre de racines des cheveux, le niveau de risque de chute de cheveux, le niveau de porphyrine, etc. Dans certains modes de réalisation, le module d’analyse de résultat 30 applique un algorithme d’apprentissage profond à l’entrée pour déterminer le score. Le dispositif intelligent 1000 peut inclure n’importe quel nombre de modules supplémentaires, comme le montre laFIG. 4.

L’application 1040 peut être située sur le dispositif intelligent 1000. Dans certains modes de réalisation, l’application 1040 inclut un module de diffusion en direct 1041, un module de transmission 1042 et un ou plusieurs modules d’affichage 1043.

Dans certains modes de réalisation, le module de diffusion en direct 1041 est configuré pour afficher ou montrer les données d’image reçues par le dispositif 100. Par exemple, si les données d’image sont une vidéo ou un flux en direct, le module de diffusion en direct 1041 peut afficher les données d’image en temps réel lorsqu’un opérateur déplace le dispositif du cuir chevelu d’un individu. Dans certains modes de réalisation, les données d’image sont une ou plusieurs photos. Dans de tels modes de réalisation, le module de diffusion en direct 1041 peut être omis, ou peut être configuré pour afficher les données d’image sous forme de photos.

Le module de transmission 1042 est configuré pour transmettre des informations à un opérateur du dispositif et/ou aux un ou plusieurs algorithmes du dispositif intelligent 1000 pour traitement.

Dans certains modes de réalisation, le module d’affichage 1043 est configuré pour afficher une ou plusieurs superpositions sur les données d’image associées à une affection détectée du cuir chevelu, comme expliqué en détail ici.

Dans un exemple, le système de laFIG. 4est configuré pour détecter les pellicules et/ou les rougeurs d’un cuir chevelu. Dans de tels modes de réalisation, le module de capture d’image 10 obtient un ensemble d’images du cuir chevelu à un emplacement dans trois modes d’éclairage. Le module de notation de particularité 20, entre une image des données d’image dans un mode d’éclairage spécifique à la fois et fournit en sortie le score correspondant qui reflète les affections du cuir chevelu (pour le niveau de pellicules ou de rougeur). Des modèles d’apprentissage profond (tels que le CNN à 3 couches) ayant la même structure, mais des ensembles de poids différents sont utilisés pour prédire le score du niveau de pellicules et du niveau de rougeur, respectivement.

LaFIG. 4est un autre schéma fonctionnel d'un exemple de système 4000 de détection d'un état du cuir chevelu, conformément à la présente technologie. Dans certains modes de réalisation, le système 4000 inclut également un ou plusieurs modules de notation, un ou plusieurs modules de segmentation, un ou plusieurs modules de post-traitement, un module statistique, un module de suivi de segment, un calculateur de score et un module de visualisation. Dans certains modes de réalisation, chacun de ces modules est situé sur un dispositif intelligent (tel que le dispositif intelligent 1000). Dans certains modes de réalisation, un ou plusieurs de ces modules peuvent être omis.

Au bloc 405, des images brutes sont obtenues. Généralement, le système 4000 est configuré pour recevoir des données d’image d’un dispositif (tel que le dispositif 100). Ces données d’image peuvent être appelées « images brutes ». Les images brutes peuvent également être des images prises par le dispositif qui n’ont pas été filtrées ou modifiées.

Au bloc 410A, un module de notation applique un algorithme aux images brutes sur la base des conditions d’éclairage dans lesquelles chaque image a été capturée, d'une ou plusieurs couleurs de l’image, ou des deux. Par exemple, si l’image brute a été prise en lumière blanche, le module de notation peut générer un score de rougeur, tel qu’un pourcentage de rougeur présent sur l’image, une nuance de rougeur ou similaire. À titre d’autre exemple, si l’image brute a été prise en lumière UV, le module de notation peut détecter les porphyrines sur la base d’une ou de plusieurs couleurs dans l’image brute.

Au bloc 415A, des scores sont générés par le module de notation. Dans certains modes de réalisation, un seul score est généré, tel qu’un score de rougeur. Dans certains modes de réalisation, de multiples scores sont générés en même temps, tels qu’un score de pellicules et un score de rougeur.

De retour au bloc 405, dans certains modes de réalisation, les images brutes sont également entrées dans un ou plusieurs modules de segmentation.

Au bloc 410B, les un ou plusieurs modules de segmentation reçoivent les images brutes en entrée et fournissent en sortie des segments individuels de particularités des cheveux et/ou du cuir chevelu. Dans certains modes de réalisation, une ou plusieurs zones d’une ou plusieurs particularités détectées à un niveau de pixels de l’image sont déterminées par le module de segmentation.

Au bloc 415B, des segments individuels des particularités détectées sont fournis en sortie. Dans certains modes de réalisation, les particularités incluent des pellicules, des mèches de cheveux (ou « fibres »), des racines de cheveux, ou similaires. Dans certains modes de réalisation, les blocs 410A et 410B se produisent, soit simultanément, soit séquentiellement. Dans certains modes de réalisation, seul le bloc 410A ou 410B est réalisé.

Au bloc 420, un ou plusieurs modules de post-traitement reçoivent les scores et/ou les segments individuels de particularités des blocs 415A et/ou 415B, respectivement. Dans certains modes de réalisation, les modules de post-traitement incluent un module statistique 425A, un module de suivi de segment 425B, un calculateur de score 425C et/ou un module de visualisation 425D.

Aux blocs 430A et 430B, la sortie d’un ou plusieurs des modules de post-traitement est utilisée pour générer un rapport d’analyse (430A) et/ou visualiser une ou plusieurs zones ou régions ayant besoin de soins (430B).

Au bloc 435, des produits et/ou traitements sont recommandés. Dans certains modes de réalisation, les produits et/ou traitements sont recommandés par l'application 1040.

Dans un exemple, le système 400 est configuré pour déterminer un ou plusieurs états du cuir chevelu, tels que les pellicules, la qualité des cheveux et/ou les racines des cheveux. Dans de tels exemples, le module de capture d’image (tel que le module de capture d’image 10) est utilisé pour obtenir un ensemble d’images du cuir chevelu à un emplacement dans une pluralité de conditions d’éclairage. Dans certains modes de réalisation, la pluralité de conditions d’éclairage inclut la lumière blanche, la lumière UV et/ou la lumière à polarisation croisée. Ensuite, le module de segmentation de particularité 410B reçoit une entrée d’une image des données d’image sous un modèle de lumière spécifique à la fois et fournit en sortie des zones de particularités détectées à un niveau de pixels avec une probabilité (entre 0 et 1) en termes d'états du cuir chevelu ou des cheveux. Dans certains modes de réalisation, des modèles d’apprentissage profond (tels que U-net) ayant la même structure et des ensembles de poids différents sont utilisés pour segmenter les pellicules et la fibre capillaire/racine, respectivement. Pour le modèle de segmentation de pellicules, les sorties sont la classe des pellicules et la classe du cuir chevelu par pixels. Pour le modèle de segmentation de cheveux, les sorties sont 5 classes de fibre noire, racine de fibre noire, fibre blanche, racine de fibre blanche, cuir chevelu par pixels.

Un module de suivi de segments (425B) est mis en œuvre spécifiquement pour la détection de fibres capillaires. Dans le cadre du module de suivi de segments, une fonction de suivi de fibres est configurée pour localiser la position et la direction des fibres à un niveau de pixels sur la base du résultat de fibre capillaire segmentée.

Dans certains modes de réalisation, un module d’analyse statistique (425A) est mis en œuvre. Pour les pellicules, le module d’analyse statistique localise la classe de pellicule segmentée à un niveau de pixels et calcule le nombre, la taille et la forme des pellicules. Pour les pellicules, les types de pellicules sont classés sur la base des données statistiques des segments de pellicules. Pour les fibres capillaires, une fonction d’échantillonnage de diamètre a été réalisée pour collecter les diamètres individuels de fibres par échantillonnage. Pour les racines des cheveux, une fonction d’estimation de densité peut compter le nombre de racines des cheveux.

Dans certains modes de réalisation, un module de calcul de score (425C) peut être mis en œuvre. Dans certains modes de réalisation, le module de calcul de score détermine les quarts moyens, médians de la taille de pellicules et/ou de fibre capillaire. Le diamètre peut être calculé par une fonction. Pour les fibres capillaires, le score du diamètre des fibres capillaires est calculé sur la base du diamètre moyen des fibres. De même, un score de risque de chute de cheveux est calculé par une fonction de diversité de cheveux et, facultativement, des informations recueillies par un questionnaire. La fonction de diversité de cheveux peut classer les fibres échantillonnées en fonction du diamètre en 3 classes allant de fine à épaisse. Un score de diversité de cheveux est calculé sur la base du résultat de comparaison du diamètre moyen et du nombre de fibres pour les 3 classes de fibres.

Dans certains modes de réalisation, un module de visualisation (425D) est mis en œuvre. Pour les pellicules, les contours des pellicules segmentées sur les images brutes sont masqués par des fonctions de visualisation (comme le montrent les Figures 6A à 6F). Dans certains modes de réalisation, pour les cheveux, les fibres capillaires et les racines sont masquées de différentes couleurs avec un fond noir de cuir chevelu fonctionnalisé. Dans certains modes de réalisation, pour les fibres fines dont le diamètre est inférieur à une valeur seuil, un pointeur sera montré sur l’image brute par une fonction de visualisation.

Dans un autre exemple, le système 4000 peut détecter une présence/absence et/ou un score de gravité de porphyrines. Dans de tels modes de réalisation, le module de capture d’image obtient un ensemble d’images du cuir chevelu à un emplacement dans trois modes d’éclairage. Le module de détection de particularité reçoit une image à la fois dans un mode de lumière UV. Le module de détection de particularité détecte des zones d’une couleur spécifique qui indique les porphyrines dans les images UV. Dans certains modes de réalisation, un procédé de traitement d’image traditionnel basé sur un package python-opencv peut être utilisé pour filtrer les pixels dont la couleur se situe dans la plage des valeurs RVB déterminées. Ensuite, le module de notation de particularité peut déterminer le nombre, la taille et la forme des porphyrines détectées calculés par une fonction. Un score de porphyrine peut être calculé sur la base de la fraction de zone de porphyrines dans l’image brute. Le module de visualisation peut afficher les contours des porphyrines détectées sur les images brutes masquées par les fonctions de visualisation.

LaFIG. 4est un exemple du système 4000 de détection d'un état du cuir chevelu, conformément à la présente technologie. Comme expliqué ici, dans certains modes de réalisation, le système 4000 inclut un dispositif 100 et un dispositif intelligent 1000. Le dispositif intelligent 1000 peut héberger une application 1040 décrite ici. Dans certains modes de réalisation, le dispositif 100 et le dispositif intelligent 1000 sont couplés de manière communicative, par exemple par une connexion sans fil. Des exemples de connexions sans fil incluent Wi-Fi, Zigbee et Bluetooth LTE.

LaFIG. 5est une illustration d’un exemple du dispositif 100 en utilisation, conformément à la présente technologie. Un opérateur, tel qu’un coiffeur, un pharmacien, un dermatologue ou similaire peut visualiser le cuir chevelu d’un individu en plaçant le cône de diffusion sur le cuir chevelu. Dans certains modes de réalisation, un opérateur peut utiliser le dispositif et l’application pour proposer un service de soins du cuir chevelu et des cheveux plus professionnel et personnalisé dans les salons de coiffure. Des résultats très précis et quantitatifs décrivant la santé du cuir chevelu et des cheveux sur la base de multiples paramètres peuvent être délivrés pour aider à établir un produit/service de traitement scientifique basé sur le diagnostic en salon de coiffure.

Les Figures 6A à 6J sont des exemples de visualisations, conformément à la présente technologie. Dans certains modes de réalisation, après traitement des données d’image brute et détection des un ou plusieurs états du cuir chevelu, le dispositif intelligent 100, par le biais d’une application, affiche les données d’image incluant une ou plusieurs superpositions.

Les Figures 6A à 6F sont des représentations visuelles des visualisations utilisées pour montrer des concepts avec clarté, tandis que les Figures 6G à 6J sont des photographies d'exemples de visualisations similaires. En conséquence, sur les Figures 6A à 6F, le dispositif intelligent 1000, les données d’image 1002, les mèches de cheveux 1007A, 1007B, 1007C... et un score 1003 sont représentés.

Par exemple, les Figures 6A et 6G montrent toutes deux une image du cuir chevelu sans superposition. Dans de tels exemples, aucune affection du cuir chevelu n’a été détectée. Comme montré en 6A, les données d’image 1002 représentent de multiples mèches de cheveux 1007A, 1007B, 1007C... et aucune zone de détection, car aucune affection du cuir chevelu n’a été détectée. Un score 1003 est fourni en sortie selon si des affections du cuir chevelu (et à quelle gravité) ont été détectées.

Sur laFIG. 6, des porphyrines 1008A, 1008B... sont représentées en superposition sur les données d’image 1002. En conséquence, le score 1003 reflèterait la présence de porphyrines et/ou une intensité de porphyrines sur la base de la taille, de la forme et/ou du nombre de porphyrines.

Sur laFIG. 6, des pellicules 1009A, 1009B... sont représentées en superposition sur les données d’image 1002. En conséquence, le score 1003 reflèterait la présence de pellicules, une classification de pellicules, ou les deux, sur la base de la taille, de la forme et/ou du nombre de pellicules.

Sur laFIG. 6, des mèches de cheveux sont représentées avec différentes variétés de tirets pour représenter différentes épaisseurs. LaFIG. 6est une représentation visuelle de la photographie de laFIG. 6. Dans certains modes de réalisation, l’épaisseur de mèche de cheveux est indiquée par des couleurs différentes. Dans certains modes de réalisation, l’épaisseur de mèche de cheveux peut être classée d’autres manières, par exemple avec des étiquettes comme le montre laFIG. 6. L’épaisseur de mèche de cheveux, comme expliqué ici, est déterminée sur la base du diamètre de mèche de cheveux. Le score 1003 de laFIG. 6serait basé sur un certain nombre de mèches de cheveux dans chacune des catégories de diamètre. Dans certains modes de réalisation, un faible score 1003 est indicatif d’une perte de cheveux potentielle.

Dans certains modes de réalisation, les cheveux fins sont indiqués par un ou plusieurs indicateurs, comme le montre graphiquement laFIG. 6et photographiquement laFIG. 6. Dans certains modes de réalisation, les un ou plusieurs indicateurs 1011A, 1011B, 1011C sont des pointeurs ou des flèches.

Sur laFIG. 6, les racines des cheveux sont identifiées. Dans certains modes de réalisation, la superposition visualise les mèches de cheveux et/ou les racines des cheveux.

Sur laFIG. 6, de multiples superpositions sont montrées sur une image 1002. Dans certains modes de réalisation, plusieurs des visualisations montrées sur les Figures 6A à 6J peuvent être générées et superposées sur une seule image. Par exemple, laFIG. 6montre de multiples affections cutanées, y compris des porphyrines 1008A, 1008B..., des pellicules 1009A, 1009B... et des indicateurs de cheveux fins 1011A, 1011B, 1011C détectés. Dans de tels cas, toutes ces particularités peuvent être montrées sur une seule image 1002. Bien que le score 1003 puisse être un score de santé générale des cheveux ou du cuir chevelu, dans certains modes de réalisation, un score indépendant 1003 est généré pour chaque état (c’est-à-dire un score de pellicules, un score de porphyrines, un score de diversité de cheveux, et similaires).

LaFIG. 7est un exemple de procédé 700 de détection d'un état du cuir chevelu, conformément à la présente technologie. Dans certains modes de réalisation, le procédé 700 peut être réalisé avec un dispositif (tel que le dispositif 100) ayant un capteur optique (tel que le capteur optique 140) et une source de lumière (telle que la source de lumière 135). Le dispositif peut être couplé de manière communicative à un dispositif intelligent (tel que le dispositif intelligent 1000) ayant une application (telle que l’application 4000). Le dispositif, le dispositif intelligent et l’application peuvent être désignés ici comme un système (tel que le système 4000). Dans certains modes de réalisation, le système inclut un ou plusieurs modules de notation, un ou plusieurs modules de segmentation, un ou plusieurs modules de post-traitement, un module statistique, un module de suivi de segment, un calculateur de score et un module de visualisation (comme le montrent les Figures 4A à 4C). Dans certains modes de réalisation, chacun de ces modules est situé sur un dispositif intelligent. Dans certains modes de réalisation, un ou plusieurs de ces modules peuvent être omis.

Au bloc 705, le dispositif est placé sur le cuir chevelu d’un utilisateur. Dans certains modes de réalisation, cela peut être fait par un coiffeur, un pharmacien, un dermatologue ou similaire.

Au bloc 710, la lumière est émise par la source de lumière dans une pluralité de modes (ou de conditions) d’éclairage. Dans certains modes de réalisation, la pluralité de conditions d’éclairage inclut la lumière blanche, la lumière UV et/ou la lumière à polarisation croisée. Dans certains modes de réalisation, la lumière est émise à l’un d’une pluralité de modes de luminosité (comme le montre la Figure 3).

Au bloc 715, les données d’image du cuir chevelu de l’utilisateur sont capturées avec le dispositif optique. Les données d’image (ou « images brutes ») peuvent être des images vidéo ou statiques. Dans certains modes de réalisation, les données d’image sont un flux en direct du cuir chevelu en temps réel. Dans certains modes de réalisation, les données d’image sont capturées pendant chaque condition d’éclairage (ou un sous-ensemble de conditions d’éclairage) de la pluralité de conditions d’éclairage. Par exemple, une image des données d’image peut être capturée en lumière blanche, en lumière à polarisation croisée et en lumière UV.

Au bloc 720, les données d’image sont transmises au dispositif intelligent. Dans certains modes de réalisation, cela est facilité par un processeur (tel que le processeur 120) sur une connexion filaire ou sans fil (telle que Wi-Fi, Bluetooth LTE ou Zigbee).

Au bloc 725, chaque image des données d’image est analysée avec un ou plusieurs algorithmes tels que décrits ici. Par exemple, dans certains modes de réalisation, chaque image des données d’image est analysée avec les un ou plusieurs modules de notation, les un ou plusieurs modules de segmentation, les un ou plusieurs modules de post-traitement, le module statistique, le module de suivi de segment, le calculateur de notation et/ou le module de visualisation.

Au bloc 730, des zones de particularités détectées sont détectées à un niveau de pixels (comme avec le module de segmentation décrit ici). Dans certains modes de réalisation, les particularités détectées incluent les pellicules, les rougeurs, les porphyrines, l’épaisseur des cheveux, la diversité de cheveux, et similaires.

Au bloc 735, les zones (ou particularités) détectées sont montrées visuellement en superposition sur les données d’image. Des exemples de cette superposition visuelle sont montrés et décrits sur les Figures 6A à 6J. Dans certains modes de réalisation, la superposition visuelle est accompagnée d’un score (tel que le score 1003) et/ou d’un rapport. Dans certains modes de réalisation, le score et/ou le rapport fournissent un diagnostic des une ou plusieurs affections du cuir chevelu. Dans certains modes de réalisation, le rapport peut également fournir une recommandation de traitement.

LaFIG. 8est un autre exemple de procédé 800 de détection d'une affection du cuir chevelu, conformément à la présente technologie. Dans certains modes de réalisation, le procédé 800 peut être réalisé avec un dispositif (tel que le dispositif 100) ayant un capteur optique (tel que le capteur optique 140) et une source de lumière (telle que la source de lumière 135). Le dispositif peut être couplé de manière communicative à un dispositif intelligent (tel que le dispositif intelligent 1000) ayant une application (telle que l’application 4000). Le dispositif, le dispositif intelligent et l’application peuvent être désignés ici comme un système (tel que le système 4000). Dans certains modes de réalisation, le système inclut un ou plusieurs modules de notation, un ou plusieurs modules de segmentation, un ou plusieurs modules de post-traitement, un module statistique, un module de suivi de segment, un calculateur de score et un module de visualisation (comme le montrent les Figures 4A à 4C). Dans certains modes de réalisation, chacun de ces modules est situé sur un dispositif intelligent. Dans certains modes de réalisation, un ou plusieurs de ces modules peuvent être omis. Dans certains modes de réalisation, le procédé 800 est un sous-ensemble du procédé 700.

Au bloc 805, les pellicules sont segmentées à un niveau de pixels, comme décrit sur laFIG. 4. Dans certains modes de réalisation, un algorithme CNN à 3 couches est utilisé pour segmenter les pellicules.

Au bloc 810, les pellicules segmentées sont classées. La classification peut inclure la taille des pellicules, la forme des pellicules, un nombre de pellicules et/ou le type de pellicules.

Au bloc 815, un score est fourni en sortie concernant la gravité/présence des pellicules. Dans certains modes de réalisation, le score est basé sur la classification du bloc 810. Dans certains modes de réalisation, la superposition visuelle est accompagnée d’un rapport. Dans certains modes de réalisation, le score et/ou le rapport fournissent un diagnostic des une ou plusieurs affections du cuir chevelu. Dans certains modes de réalisation, le rapport peut également fournir une recommandation de traitement.

Au bloc 820, les pellicules identifiées (ou segmentées) sont affichées en superposition sur les données d’image, comme le montre laFIG. 6.

LaFIG. 9est encore un autre exemple de procédé 900 de détection d'une affection du cuir chevelu, conformément à la présente technologie. Dans certains modes de réalisation, le procédé 900 peut être réalisé avec un dispositif (tel que le dispositif 100) ayant un capteur optique (tel que le capteur optique 140) et une source de lumière (telle que la source de lumière 135). Le dispositif peut être couplé de manière communicative à un dispositif intelligent (tel que le dispositif intelligent 1000) ayant une application (telle que l’application 4000). Le dispositif, le dispositif intelligent et l’application peuvent être désignés ici comme un système (tel que le système 4000). Dans certains modes de réalisation, le système inclut un ou plusieurs modules de notation, un ou plusieurs modules de segmentation, un ou plusieurs modules de post-traitement, un module statistique, un module de suivi de segment, un calculateur de score et un module de visualisation (comme le montrent les Figures 4A à 4C). Dans certains modes de réalisation, chacun de ces modules est situé sur un dispositif intelligent. Dans certains modes de réalisation, un ou plusieurs de ces modules peuvent être omis. Dans certains modes de réalisation, le procédé 900 est un sous-ensemble du procédé 700.

Au bloc 905, les mèches de cheveux sont segmentées à un niveau de pixels, comme décrit sur laFIG. 4. Dans certains modes de réalisation, un algorithme U-net est utilisé pour segmenter les mèches de cheveux.

Au bloc 910, les mèches de cheveux segmentées sont mesurées pour déterminer un diamètre des mèches de cheveux. Dans certains modes de réalisation, une direction des mèches de cheveux et/ou une couleur des mèches de cheveux peuvent également être déterminées.

Au bloc 915, un diamètre moyen de cheveux est déterminé sur la base des mesures du bloc 910.

Au bloc 920, un nombre des racines des cheveux est estimé. Cela peut être fait en détectant les racines des cheveux comme le montre laFIG. 6.

Au bloc 925, un score est fourni en sortie pour les cheveux. Dans certains modes de réalisation, le score est basé sur les mesures et les métriques des blocs 910, 915 et 920. Dans certains modes de réalisation, le score de cheveux inclut une épaisseur des cheveux, une probabilité de perte de cheveux, un nombre (ou un pourcentage de) cheveux gris, une diversité de cheveux, et similaires. Dans certains modes de réalisation, une superposition visuelle peut également être affichée, comme le montrent les Figures 6G et 6J. Dans certains modes de réalisation, la superposition visuelle est accompagnée d’un rapport. Dans certains modes de réalisation, le score et/ou le rapport fournissent un diagnostic des une ou plusieurs affections du cuir chevelu. Dans certains modes de réalisation, le rapport peut également fournir une recommandation de traitement.

Il convient de comprendre que tous les procédés 700, 800, et 900 doivent être interprétés comme étant simplement représentatifs. Dans certains modes de réalisation, les blocs de processus de tous les procédés 700, 800 et 900 peuvent être effectués simultanément, séquentiellement, dans un ordre différent, voire omis, sans s’écarter de la portée de la présente divulgation.

Les Figures 10A à 10E montrent un exemple d’entraînement et de validation de modèle pour la notation et la segmentation de pellicules. Le développement de l’algorithme passe par plusieurs étapes, incluant la collecte de données, l’étiquetage manuel, l'entraînement d'algorithme, la validation d’algorithme, et ainsi de suite.

LaFIG. 10est un exemple de procédé du processus de génération d’un score de pellicules.

Au bloc 305, une image brute dans une condition d’éclairage à polarisation croisée (Xpol) est obtenue.

Au bloc 310, une seule image des images brutes est lue (tel que par le système 400).

Au bloc 315, une fonction (définie comme img_matrice_norm_320) normalise l’image et détermine la présence ou l’absence de pellicules par segmentation (comme le montre laFIG. 10).

Au bloc 320, l’image segmentée est modifiée avec une fonction (définie comme modèle_score_pellicules) qui compare les pellicules détectées au modèle décrit ici.

Au bloc 325, un score de pellicules prédit est généré avec environ 0~5 comme base.

Au bloc 330, ce score est converti.

Au bloc 335, un score de pellicules prédéterminé est généré avec environ 0~100 comme base.

Le modèle a été formé sur 4000 images à polarisation croisée pour différentes personnes couvrant de multiples types de problèmes du cuir chevelu et des cheveux afin de construire un large ensemble de données pour le développement d’algorithmes. Chaque image a été étiquetée avec un score moyen Eurosyn de pellicules par des experts, à l'aide des images brutes à polarisation croisée. Ces données ont ensuite été transmises à un modèle ayant une structure de réseau CNN à 3 couches.

LaFIG. 10est un graphique de l’erreur moyenne (écart-type moyen pour les experts). L’ensemble de données complet d’images brutes a été recueilli auprès de plus de 200 volontaires couvrant de multiples tons/types de cuir chevelu et de cheveux de personnes asiatiques, caucasiennes et afro-américaines. L’ensemble de données complet consiste en plus de 10K images. Pour l’ensemble de données complet, plus de 10 experts ont été engagés pour noter le degré de pellicules sur une seule image. Les étiquettes sont déterminées comme étant la moyenne des scores des experts pour l'entraînement de modèle, qui servent de réalité de terrain pour l’ensemble de données. L’erreur manuelle moyenne (écart-type moyen) des scores des experts est de 0,49 (pour une échelle de 0 à 5) concernant le niveau de pellicules, qui sert de référence pour l’évaluation de l’algorithme. Pour le module de prédiction de notation de pellicules, un modèle CNN à 3 couches a été entraîné sur la base d’un ensemble de données d’entraînement consistant en 4000 images en mode lumière à polarisation croisée. Pendant le processus d'entraînement, les poids, les hyperparamètres et la structure du réseau neuronal ont été réglés pour obtenir le meilleur candidat. Comme le montre laFIG. 10, l’erreur moyenne était de 0,49 pour le score Eurosyn.

LaFIG. 10est un graphique de l’erreur absolue moyenne (MAE) du modèle sur les données d’essai. Un ensemble de données d'essai d’une taille de 10 % de l’ensemble de données d’entraînement (400 images pour le modèle de notation de pellicules) a été construit pour évaluer le modèle entraîné. Pour l’évaluation du modèle, le score de pellicules prédit a été comparé à la réalité de terrain (moyenne des scores des experts) et l’erreur absolue a été enregistrée pour chaque image. L’erreur absolue moyenne du modèle entraîné sur l’ensemble de données d'essai est de 0,150, ce qui est bien inférieur à l’erreur manuelle de la notation des experts comme évoqué précédemment, montrant ainsi l’avancée de l’algorithme entraîné.

LaFIG. 10est une image représentative d’un entraînement de modèle pour la segmentation de pellicules pour la visualisation. De même, le modèle de segmentation de pellicules a été entraîné de manière similaire au modèle de notation de pellicules. La structure du modèle de segmentation a été choisie comme modèle U-net. L’ensemble de données d’entraînement consiste en des centaines d’images avec des contours de pellicules masqués manuellement (de différents types). L’ensemble de données d'essai suit également 10 % de l’ensemble de données d'entraînement.

LaFIG. 10montre un graphique de fonction d'efficacité du récepteur (ROC). Pour une tâche de segmentation, le score F1 ou le ROC_AUC qui peut être considéré comme une combinaison de précision et de rappel a été utilisé pour évaluer le modèle entraîné. Pour la segmentation de pellicules, le ROC_AUC moyen atteint 0,959 pour l’ensemble de données d'essai, ce qui est considéré comme un modèle de haute précision.

Les Figures 10F et 10G montrent un exemple d’entraînement et de validation de modèle pour la notation et la segmentation de racines des cheveux. Sur laFIG. 10, un procédé représentatif de notation et de segmentation de racines des cheveux pour la visualisation est représenté. Le modèle a été entraîné sur 172 images masquées de conditions d’éclairage en lumière blanche (124 d’un lecteur de cheveux et 48 d’un lecteur de cuir chevelu (tel que le dispositif 100)). Chaque image a été étiquetée manuellement. Dans ce cas, un modèle de structure U-net a été utilisé.

Le modèle a été validé concernant la détection de racines (essai sur 20 images – 10 normales et 10 sombres). Un score F1 de 0,886 a été déterminé. Le Tableau 1 présente les résultats de cette validation.

[Tableau 1]Tableau 1

	10 images d'essai de cuir chevelu normales	10 images d'essai de cuir chevelu sombres	20 images d'essai (10 normales + 10 sombres)
Score F1	0,94	0,82	0,88
Précision	0,91	0,82	0,87
Rappel	0,98	0,84	0,91

LaFIG. 10est un graphique montrant un essai représentatif des résultats d'essai prévus et réels. La précision est définie comme montré dans l’équation 1.

Équation 1

Où TP est le vrai positif et FP est le faux positif.

Le rappel est défini comme montré dans l’équation 2.

Équation 2

Où TP est le vrai positif et FN est le faux négatif.

Le score F1 est défini par l’équation 3.

Équation 3

Le modèle a également été validé pour le diamètre de cheveux. 85 % concordaient avec la réponse QNR par HD (N = 66) dans Quali @ JP.

Bien que des modes de réalisation illustratifs aient été illustrés et décrits, il sera apprécié que divers changements pourront y être apportés sans s'écarter de l'esprit et de la portée de l'invention.

La présente demande peut faire référence à des quantités et à des nombres. Sauf indication spécifique, lesdites quantités et lesdits nombres ne doivent pas être considérés comme restrictifs, mais représentatifs des quantités ou nombres possibles associés à la présente demande. De même, à cet égard, la présente demande peut utiliser le terme « pluralité » pour désigner une quantité ou un nombre. À cet égard, le terme « pluralité » est censé être tout nombre supérieur à un, par exemple deux, trois, quatre, cinq, etc. Les termes « environ », « approximativement », « près », etc. signifient à plus ou moins 5 % de la valeur indiquée. Au sens de la présente divulgation, l'expression « au moins un parmi A, B et C », par exemple, signifie (A), (B), (C), (A et B), (A et C), (B et C), ou (A, B et C), y compris toutes les autres permutations possibles lorsque plus de trois éléments sont énumérés.

Les modes de réalisation divulgués ici peuvent employer une circuiterie afin de mettre en œuvre des technologies et méthodologies décrites ici, connecter fonctionnellement deux composants ou plus, générer des informations, déterminer des conditions de fonctionnement, commander un appareil, un dispositif ou un procédé, et/ou similaires. Une circuiterie de tout type peut être utilisée. Dans un mode de réalisation, la circuiterie inclut, entre autres, un ou plusieurs dispositifs informatiques tels qu'un processeur (par exemple, un microprocesseur), une unité de traitement centrale (CPU), un processeur de signal numérique (DSP), un circuit intégré spécifique à l'application (ASIC), un réseau de portes programmables sur site (FPGA), ou similaires, ou toute combinaison de ceux-ci, et peut inclure des éléments ou de l'électronique de circuits numériques ou analogiques distincts, ou leurs combinaisons.

Un mode de réalisation inclut un ou plusieurs magasins de données qui, par exemple, stockent des instructions ou des données. Des exemples non limitatifs d'un ou plusieurs magasins de données incluent : une mémoire volatile (par exemple, mémoire vive (RAM), mémoire vive dynamique (DRAM), ou similaires), une mémoire non volatile (par exemple, mémoire morte (ROM), mémoire morte effaçable et programmable électriquement (EEPROM), disque compact à mémoire morte (CD-ROM), ou similaires), une mémoire persistante, ou similaires. D'autres exemples non limitatifs d'un ou plusieurs magasins de données incluent une mémoire morte effaçable et programmable (EPROM), une mémoire flash, ou similaires. Les un ou plusieurs magasins de données peuvent être connectés, par exemple, à un ou plusieurs dispositifs informatiques par un(e) ou plusieurs instructions, données ou bus d'alimentation.

Dans un mode de réalisation, la circuiterie inclut un lecteur multimédia lisible par ordinateur ou une fente de mémoire configurée pour accepter un support porteur de signal (par exemple, support de mémoire lisible par ordinateur, support d'enregistrement lisible par ordinateur, ou similaires). Dans un mode de réalisation, un programme destiné à amener un système à exécuter l'un quelconque des procédés divulgués peut être stocké, par exemple, sur un support d'enregistrement lisible par ordinateur (CRMM), un support porteur de signal, ou similaires. Des exemples non limitatifs de supports porteurs de signal incluent un support de type enregistrable tel que toute forme de mémoire flash, bande magnétique, disquette, un disque dur, un disque compact (CD), un disque vidéo numérique (DVD), disque Blu-Ray, une bande numérique, une mémoire d'ordinateur, ou similaires, ainsi qu'un support de type transmission tel qu'un support de communication numérique et/ou analogique (par exemple, un câble à fibres optiques, un guide d'ondes, une liaison de communication câblée, une liaison de communication sans fil (par exemple, émetteur, récepteur, émetteur-récepteur, logique de transmission, logique de réception, etc.). D'autres exemples non limitatifs de supports porteurs de signal incluent, sans toutefois s'y limiter, DVD-ROM, DVD-RAM, DVD+RW, DVD-RW, DVD-R, DVD+R, CD-ROM, Super Audio CD, CD-R, CD+R, CD+RW, CD-RW, disques compacts vidéo, disques super vidéo, mémoire flash, bande magnétique, disque magnéto-optique, MINIDISC, carte mémoire non-volatile, EEPROM, disque optique, stockage optique, RAM, ROM, mémoire système, serveur Web, ou similaires.

La description détaillée présentée ci-dessus en relation avec les dessins annexés, où des numéros similaires font référence à des éléments similaires, est censée être une description de divers modes de réalisation de la présente divulgation et n'est pas censée représenter les seuls modes de réalisation. Chaque mode de réalisation décrit dans la présente divulgation est proposé uniquement à titre d'exemple ou d'illustration et ne doit pas être interprété comme étant préféré ou avantageux par rapport à d'autres modes de réalisation. Les exemples illustratifs proposés ici ne sont pas censés être exhaustifs ni limiter la divulgation aux formes précises divulguées. De même, toutes les étapes décrites ici peuvent être interchangeables avec d'autres étapes, ou combinaisons d'étapes, afin d'obtenir le même résultat ou un résultat sensiblement similaire. En général, les modes de réalisation divulgués ici ne sont pas limitatifs, et les inventeurs envisagent que d'autres modes de réalisation dans la portée de la présente divulgation puissent inclure des structures et des fonctionnalités issues de plus d'un mode de réalisation spécifique montré sur les Figures et décrit dans le mémoire de brevet.

Dans la description qui précède, des détails spécifiques sont présentés pour fournir une compréhension approfondie d'exemples de modes de réalisation de la présente divulgation. Cependant, il apparaîtra à l'homme du métier que les modes de réalisation décrits ici pourront être mis en pratique sans intégrer tous les détails spécifiques. Dans certains cas, des étapes de processus bien connues n’ont pas été décrites en détail afin de ne pas obscurcir inutilement divers aspects de la présente divulgation. En outre, il convient d'apprécier que les modes de réalisation de la présente divulgation peuvent employer toute combinaison de particularités décrites ici.

La présente demande peut inclure des références à des directions, telles que « vertical », « horizontal », « avant », « arrière », « gauche », « droite », « dessus » et « dessous », etc. Ces références, et d'autres références similaires dans la présente demande, sont censées aider à décrire et à comprendre le mode de réalisation particulier (tel que lorsque le mode de réalisation est positionné pour être utilisé) et ne sont pas censées limiter la présente divulgation à ces directions ou emplacements.

La présente demande peut également faire référence à des quantités et à des nombres. Sauf indication spécifique, ces quantités et nombres ne doivent pas être considérés comme étant restrictifs, mais comme des exemples des quantités ou nombres possibles associés à la présente demande. De même, à cet égard, la présente demande peut utiliser le terme « pluralité » pour désigner une quantité ou un nombre. À cet égard, le terme « pluralité » est censé être tout nombre supérieur à un, par exemple deux, trois, quatre, cinq, etc. Le terme « environ », « approximativement », etc. signifie à plus ou moins 5 % près la valeur indiquée. Le terme « basé sur » signifie « basé au moins partiellement sur. »

Les principes, modes de réalisation représentatifs et modes de fonctionnement de la présente divulgation ont été décrits dans la description précédente. Toutefois, des aspects de la présente divulgation, qui sont censés être protégés, ne doivent pas être interprétés comme se limitant aux modes de réalisation particuliers divulgués. En outre, les modes de réalisation décrits ici doivent être considérés comme étant illustratifs plutôt que restrictifs. Il convient d'apprécier que des variations et des changements peuvent être apportés par d'autres, et des équivalents employés, sans s'éloigner de l'esprit de la présente divulgation. En conséquence, il est expressément prévu que toutes ces variations, tous changements et équivalents s’inscrivent dans l’esprit et la portée de la présente divulgation, telle que revendiquée.

Claims

Dispositif de détection d’un état du cuir chevelu, d’un état des cheveux, ou des deux, dans lequel l’état du cuir chevelu comprend au moins une présence ou absence de pellicules, et l’état des cheveux comprend une présence ou absence de l’état des cheveux, comprenant :
au moins une caméra configurée pour visualiser le cuir chevelu d’un utilisateur ;
un cône de diffusion disposé autour de l’au moins une caméra ;
un module d’éclairage comprenant au moins une source de lumière, dans lequel l’au moins une source de lumière est configurée pour émettre de la lumière dans une pluralité de conditions d’éclairage ; et
un processeur configuré pour :
- recevoir des données d’image de l’au moins une caméra capturées pendant au moins une condition d’éclairage de la pluralité de conditions d’éclairage ; et
- transmettre les données d’image à un dispositif intelligent pour détecter l’état du cuir chevelu, l’état des cheveux ou les deux.
Dispositif selon la revendication 1, dans lequel les données d’image comprennent un ensemble d’images à un endroit du cuir chevelu de l’utilisateur dans chaque condition d’éclairage de la pluralité de conditions d’éclairage.
Dispositif selon la revendication 1, dans lequel la pluralité de conditions d’éclairage inclut une condition de lumière blanche, une condition de lumière à polarisation croisée, une condition de lumière ultraviolette (UV), ou une de leurs combinaisons.
Dispositif selon la revendication 1, dans lequel l’au moins une caméra est une caméra à trois objectifs, et dans lequel chaque objectif de la caméra à trois objectifs a une longueur focale différente.
Système de détection d’un état du cuir chevelu, d’un état des cheveux, ou des deux, dans lequel l’état du cuir chevelu comprend au moins une présence ou absence de pellicules, et l’état des cheveux comprend une présence ou une absence de l’état des cheveux, le système comprenant :
le dispositif de la revendication 1 ; et
un dispositif intelligent, dans lequel le dispositif intelligent comprend un processeur de dispositif intelligent, et dans lequel le processeur de dispositif intelligent est configuré pour :
- recevoir les données d’image du dispositif ;
- entrer une image des données d’image dans une condition d’éclairage de la pluralité de conditions d’éclairage ;
- déterminer une ou plusieurs zones d’une ou plusieurs particularités détectées à un niveau de pixels de l’image ; et
- afficher les une ou plusieurs zones en superposition sur les données d’image.
Système selon la revendication 5, dans lequel le processeur de dispositif intelligent est en outre configuré pour :
- segmenter, à un niveau de pixels, les données d’image ;
- localiser les pellicules segmentées ;
- classer les pellicules segmentées sur la base d’un nombre de pellicules, d’une taille de pellicules et d’une forme de pellicules sur la base des données statistiques de pellicules ;
- fournir en sortie un score pour une gravité des pellicules ; et
- afficher des segments de contour des pellicules en superposition sur les données d’image.
Système selon la revendication 5, dans lequel le processeur de dispositif intelligent est en outre configuré pour :
- segmenter des mèches de cheveux dans les données d’image sur la base de la couleur ;
- déterminer une position et une direction des mèches de cheveux ;
- mesurer des diamètres individuels d’une ou plusieurs des mèches de cheveux ;
- déterminer un diamètre moyen de cheveux ; et
- fournir en sortie un score de cheveux sur la base de l’état des cheveux, dans lequel le score de cheveux comprend un diamètre moyen des mèches de cheveux, un pourcentage de cheveux blancs ou gris, une détection de couleur de racine, ou une de leurs combinaisons.
Système selon la revendication 5, dans lequel un réseau neuronal convolutif (CNN) à 3 couches ayant une même structure avec des ensembles de poids différents est utilisé pour prédire la gravité du score de pellicules et un niveau de rougeur du cuir chevelu.
Système selon la revendication 5, dans lequel le processeur de dispositif intelligent est en outre configuré pour :
- détecter une ou plusieurs couleurs sur un niveau de pixels dans les données d’image indicatives de porphyrines ;
- déterminer un nombre, une taille, une forme ou une de leurs combinaisons, des porphyrines ;
- fournir en sortie un score de porphyrine ; et
- afficher des contours des porphyrines détectées en superposition sur les données d’image.