Il colore dell’incarnato e la struttura della cute influenzano fortemente le impressioni che suscitiamo negli altri. I cosmetici base per il make-up, come i fondotinta, sono progettati per correggere il tono e la grana della pelle, così da migliorarne l’impatto visivo.
Per sviluppare fondotinta migliori, è necessario prendere in considerazione la capacità coprente dei segni dell’invecchiamento cutaneo, verificando il “feel” del prodotto e le eventuali modifiche della texture nel tempo.
Attualmente, nel campo dello sviluppo dei cosmetici per il make-up, molte valutazioni si basano sul controllo visivo. Un’alternativa a questo metodo è rappresentata dall’apprendimento automatico, noto anche come tecnologia di intelligenza artificiale, e in particolare dalle Deep Neural Network (DNN).
Lo studio
Il presente lavoro, pubblicato su Skin Research & Technology, prende in esame l’impiego di un modello di neural network convoluzionale addestrato su patch cutanei, come metodo per analizzare accuratamente texture cosmetiche delicate e complesse.
I set di dati relativi ai patch cutanei sono stati estratti dalle immagini facciali e utilizzati per addestrare un modello di Deep Neural Network.
I vantaggi derivanti dall’utilizzo di patch cutanei includono il mantenimento della struttura fine della pelle, l’eliminazione di false correlazioni con caratteristiche non cutanee e la possibilità di visualizzare i risultati dedotti per l’intero viso.
Le Deep Neural Network sono state addestrate in due modi: un compito di classificazione per categorizzare gli attributi della pelle e uno di regressione per prevedere la valutazione visiva degli esperti.
Le Deep Neural Network addestrate sono state sfruttate per determinare le effettive condizioni di composizione. Per quanto riguarda l’addestramento ai compiti di classificazione, sono stati sviluppati classificatori basati su patch cutanei per fascia di età, presenza o assenza di una base make-up, tipo di formulazione (in polvere/liquida) e momento di applicazione rispetto al trucco. La massima precisione è stata ottenuta con una dimensione dei patch cutanei di 17,8 mm.
Le Deep Neural Network addestrate sul compito di regressione hanno confermato un’elevata precisione se confrontate coi controlli visivi degli esperti. L’utilizzo delle Deep Neural Network per l’indagine delle effettive condizioni del make-up ha mostrato chiaramente risultati appropriati, in linea con l’aspetto del finish.
Le conclusioni
L’utilizzo di Deep Neural Network addestrate su patch cutanei consente di analizzare efficacemente il finish del make-up. Questo approccio ha, pertanto, potenziali applicazioni nella ricerca sulle scienze visive e nella formulazione di prodotti beauty.
Ulteriori studi potrebbero esplorare le diverse condizioni della pelle e lo sviluppo di cosmetici per il trucco personalizzati.
Nishino K, Skin patch based makeup finish assessment technique by deep neural network, Skin Res Technol. 2024; 30:e13561. https://doi.org/10.1111/srt.13561
