[发明专利]用于处理表面的方法

说明书

本发明公开了用于处理表面的方法，包括：自动评估包括目标表面的至少一个数字图像；根据所述至少一个数字图像的评估来确定所述目标表面的性质；根据所述至少一个图像的评估来确定至少一种可用的处理工具；根据所述至少一个图像的评估来确定所述表面处理的性质；自动确定在所述确定表面的所述确定处理中使用所述确定处理工具；以及提供类似于所述处理工具的所确定使用的信息。

技术领域

本发明涉及用于处理或更改表面的方法。具体地，本发明涉及用于使表面的处理随时间推移而变化以及表面的重复处理的方法。

背景技术

消费者通过使用消费产品与表面相互作用。在一些情况下，消费者在消费产品的使用寿命期间和消费者自身的生活过程中与特定表面重复相互作用。尽管重复的相互作用以及伴随的对表面和相互作用的熟悉，但在如何利用消费产品以及经由相互作用实现的表面处理的所得功效方面，通常存在对相互作用进行改善的空间。需要一种用于评估相互作用或一系列相互作用的方法，所述方法包括在改变或修改相互作用的细节方面向消费者提供反馈，以便实现与目标表面的更有效的相互作用和处理，经由游戏化增强处理体验，以及提供从来源于社交网络的当前处理和时尚趋势提取的信息重叠。

发明内容

在一个方面，用于处理表面的方法包括：自动评估包括目标表面的至少一个数字图像；根据所述至少一个数字图像的评估来确定所述目标表面的性质；根据所述至少一个图像的评估来确定至少一种可用的处理工具；根据所述至少一个图像的评估来确定所述表面处理的性质；自动确定在所确定表面的所确定处理中使用所确定工具；以及提供类似于处理工具的所确定使用的信息，或旨在通过在处理发生期间分散使用者注意力或进行处理方案的游戏来增强处理活性的信息。

具体实施方式

如本文所用，术语：机器学习、高级机器学习、人工智能和深度学习是指计算方法，其包括在模拟有机智能功能的数学模型中创建和互连多个模拟神经元。计算结构可包括此类模拟神经元的多个层，其中不仅在特定层中的神经元之间存在连接，而且在层以及结构之间存在连接，所述层或结构在系统经历训练时，能够通过暴露于与整个网络旨在执行的一个或多个任务相关的数据，从每个层向前传播信息到下一层，并且还通过所述层向后传播信息。计算结构可包括递归神经网络，诸如长短期记忆(LSTM)和门控递归单元(GRU)神经网络结构。网络的输出可从最终层或任何中间层获得，这取决于任务的性质和网络的整体结构。

本文的系统和方法可包括训练一个或多个卷积神经网络(“CNN”)以用于确定处理表面的方法。CNN可用于识别与由CNN确定的处理方法相关的目标表面、处理工具和从业者信息。CNN可利用训练图像和/或音频数据来训练卷积神经网络，并且可接收一个或多个训练图像或音频文件以被CNN利用来确定限定表面类型、处理工具和从业者的元素。一旦CNN被训练，用户就可捕获目标表面、工具、从业者的图像(例如，数字图像)以用于通过CNN进行分析。被捕获图像的分析可包括确定目标表面类型、工具类型、从业者信息以及处理方法、附加的相关处理产品和处理方案信息。可以依次或并行地使用CNN和RNN结构来评估数据并确定表面。

用于实施本发明方法的系统可包括网络，所述网络可体现为广域网(诸如移动电话网络、公共交换电话网络、卫星网络、互联网等)、局域网(诸如无线保真度、Wi-Max、ZigBee^TM、Bluetooth^TM等)、和/或其他形式的联网功能。耦合到网络的是计算装置、远程计算装置、信息亭计算装置和训练计算装置。