CC BY
17
12. Потекаев Н.Н. Дифференциальная диагностика и лечение кожных болезней. -М.: ГЭОТАР-Медиа, 2016. - 456 c.
13. Ужегов Г.Н. Кожные болезни. Симптомы, лечение, профилактика. - М., 2016. -160 c.
14. Фандеев Л. И. Кожные и венерические болезни. - М.: Мир, 2015. - 410 c.
15. Финлей Э. Дерматология в клинической практике. - М.: Практическая медицина, 2020. - 744 c.
АНАЛИЗ ПРОЦЕССА РАЗРАБОТКИ МОБИЛЬНОГО ПРИЛОЖЕНИЯ АНАЛИЗАТОРА КОЖИ НА ПРИМЕРЕ SKIN ANALYSER
С.С. Махров, к.т.н., доцент, Московский технический университет связи и информатики, slavaM4@yandex.ru;
Д.С. Дружков, Московский технический университет связи и информатики, d.druzhkoff@gmail.com.
УДК 004.3:616.5_
Аннотация. Кожа - самый большой орган тела, и очень важно заботиться о ней. На рынке существуют различные средства по уходу за кожей, которые можно использовать. Однако неправильный подбор ингредиентов может вызвать раздражение и повышенную чувствительность кожи. Кроме того, отсутствует платформа, которая предоставляла бы пользователю знания о коже и ингредиентах по уходу за ней. Целью данного исследования является разработка мобильного приложения, которое может анализировать тип кожи лица. В данной статье предлагается приложение, которое может использовать автоматическое распознавание кожи лица. Предлагаемое мобильное приложение может давать рекомендации по ингредиентам в зависимости от типа кожи пользователя. Модель прототипирования использовалась на основе методологии вместе с Android Studio в качестве программного средства и JavaScript в качестве языка программирования. Разработка этого мобильного приложения для анализа кожи может помочь многим людям проверить состояние своей кожи и помочь им чувствовать себя более уверенно.
Ключевые слова: искусственный интеллект; мобильное приложение; кожа; уход за кожей.
ANALYSIS OF THE PROCESS OF DEVELOPING A MOBILE SKIN ANALYZER APPLICATION TO DETERMINE ITS SKIN TYPE AND PROBLEMS WITH IT USING THE EXAMPLE OF SKIN ANALYSER
Stanislav Makhrov, PhD, associate Professor, Moscow technical university of communications and informatics;
Dmitry Druzhkov, Moscow technical university of communications and informatics.
Annotation. The skin is the largest organ of the body, and it is very important to take good care of it. There are various skin care products on the market that can be used. However, improper selection of ingredients can cause irritation and hypersensitivity of the skin. In addition, there is no platform that would provide the user with knowledge about the skin and its care ingredients. Thus, the purpose of this study is to develop a
mobile application that can analyze the type of facial skin. This article suggests the development of an application that can use automatic facial skin recognition. The proposed mobile application can give recommendations on ingredients depending on the user's skin type. The prototyping model was used as a methodology together with Android Studio as a software tool and JavaScript as a programming language. The development of this mobile skin analysis app can help many people check the condition of their skin and help them feel more confident.
Keywords: artificial intelligence; mobile application; skin; skin care.
Введение
Женщины, подростки и молодые люди обычно сталкиваются с некоторыми проблемами, связанными с их типом кожи. Большинству из них все еще не хватает знаний об ингредиентах средств по уходу за кожей, которые продвигаются на рынке. Выбор подходящих средств по уходу за кожей очень важен, чтобы помочь им постепенно уменьшить количество проблем с кожей. Наиболее распространенной проблемой кожи, с которой сталкиваются молодые люди, является акне. Правильный уход за кожей необходим, потому что кожа является самым большим барьером против инфекции. Определить тип кожи довольно сложно, потому что он может меняться со временем и может зависеть от климата, гормонов и рациона. На рынке доступно множество средств по уходу за кожей. Неправильный выбор средства по уходу за кожей пагубно скажется на ее состоянии.
Многие цифровые технологии в настоящее время используются в области медицины, в качестве примера можно привести разработку мобильной технологии для выявления рака кожи. Кроме того, мобильные технологии, такие как смартфон, создали хорошую среду для разработки разнообразных приложений нового поколения, использующих компьютерные алгоритмы. Приложение, которое запускается на смартфоне с камерой, может получать снимки кожных аномалий. Изображение поражения может быть отправлено со смартфона на центральный сервер или компьютер, который использует анализ цвета и симметрии на основе алгоритмов искусственного интеллекта (ИИ) для классификации изображения как доброкачественного или злокачественного. Такая система была разработана, чтобы представить идеально многофункциональное программное приложение с понятным графическим пользовательским интерфейсом для анализа изображений кожи.
Основной целью данного исследования является выявление и анализ алгоритма разработки удобного мобильного приложения для людей, которые заботятся о здоровье своей кожи. Используя предлагаемое мобильное приложение, люди могут определить категорию типа кожи и выбрать ингредиенты для ухода за кожей для разных ее типов. Кроме того, предлагаемое приложение может предоставлять пользователям советы по уходу за кожей, которые релевантны в зависимости от ее типа.
Алгоритм разработки мобильного приложения анализатора кожи
Процесс обработки информации
Метод разработки важен, поскольку он дает указания исследователю, каким образом данные можно извлекать, собирать, идентифицировать и анализировать. В данном исследовании применяется модель прототипирования, которая состоит из двух основных действий: разработки прототипа и итеративной разработки. Этот метод был выбран, поскольку он может снизить риск неправильных требований
пользователя. Кроме того, прототипирование является одним из способов уменьшения ошибок проектирования и устранения факторов отказа на начальном этапе проектирования. Более того, ошибка может быть обнаружена гораздо раньше, и это может помочь снизить затраты на техническое обслуживание в будущем.
Обработка изображений с выходным высоким качеством осуществляется посредством сверточных нейронных сетей (Convolutional neural network, CNN). Высокое качество изображения может улучшить способность модели к обобщению. Предварительная обработка может уменьшить количество нерелевантной информации в изображении, упростить данные и повысить надежность. Общий процесс предварительной обработки изображения выглядит следующим образом:
1) Сегментация изображений. Сегментация поражения кожи является важным шагом для большинства задач классификации. Точная сегментация способствует точности, времени вычисления и уменьшению частоты ошибок в последующей классификации повреждений. Это имеет решающее значение для анализа изображений по следующим двум причинам. Во-первых, граница поражения предоставляет важную информацию для точного диагноза, включая многочисленные клинические признаки, такие как асимметрия и неровность границ. Во-вторых, выделение других важных клинических признаков, таких как атипичные точки и цветовое разнообразие, критически зависит от точности определения границ. Учитывая введенное дермоскопическое изображение, целью процесса сегментации является создание двумерной маски, которая обеспечивает точное разделение между областью поражения и окружающей здоровой кожей.
2) Изменение размера. Поражения часто занимают относительно небольшую площадь, хотя изображения кожи могут быть значительно большими. Перед выполнением этой задачи изображения для сети глубокого обучения должны быть предварительно обработаны, поскольку разрешение исходных изображений поражений обычно слишком велико, что влечет за собой высокие вычислительные затраты. Точная сегментация поражения кожи расширяет его возможности за счет включения многомасштабной схемы интеграции контекстуальной информации. Чтобы избежать искажения формы поражения кожи, изображения следует сначала обрезать до центральной области, а затем пропорционально изменить размер. Изображения часто изменяются до 224 х 224 или 227 х 227 пикселей с помощью масштабирования и обрезки, что является подходящим размером после объединения объема вычислений и плотности информации.
3) Нормализация. Данные изображения сопоставляются с интервалом [0,1] или [-1,1] в том же измерении. Нормализация - это линейное преобразование, которое не вызывает, сбоя после изменения данных. И наоборот, оно может повысить производительность, ускорить работу градиентного спуска и повысить скорость сходимости модели.
4) Дополнение данных. Из-за конфиденциальности и проблем с профессиональным оборудованием трудно собрать достаточные данные в процессе выявления кожных заболеваний. Слишком маленький набор данных может легко привести к переобучению из-за недостаточной способности модели к обучению, что делает сетевую модель неспособной к обобщению. Метод, называемый дополнением данных, используется для расширения набора данных в соответствии с требованиями глубокого обучения для больших данных, такими как вращение, случайное обрезание и шум. На рис. 1 показана упрощенная схема сверточной нейросети.
Рисунок 1
Разработка прототипа
Этот этап начинается со сбора первоначальных требований с использованием нескольких методов, включая анализ документов, анализ системы и собеседование. Как только требования определены, проводится быстрое проектирование и создается прототип. Затем разработанный прототип представляется пользователю для оценки. Основываясь на отзывах пользователей, требования уточняются, а прототип изменяется. Этот цикл (получение обратной связи пользователя и изменение прототипа) продолжается до тех пор, пока пользователь не одобрит прототип.
Итеративная разработка
После получения одобрения от пользователя фактическое приложение разрабатывается с использованием итеративного водопадного подхода. На этом этапе подготавливаются документ спецификации требований к программному обеспечению (ПО) и документ о его разработке. Эти два документа имеют решающее значение, поскольку их можно использовать для проведения анализа просматриваемости, проверки и разработки тестовых примеров на более поздних этапах. Мультимедийными элементами, включенными в это приложение, являются текст и изображения. Приложение дает анализ с использованием графики и символов. Кроме того, это приложение может использовать кнопку с символом для перехода к каждому из меню подразделов. Использование кнопок для представления подменю более организованно, поскольку оно выглядит более лаконичным и понятным для пользователей.
Результаты исследования
Приложение может быть полностью сконструировано с использованием Google Android Studio, включая интерактивность, которая создается с использованием языка Java. Предварительная оценка проводится на целевом пользователе для тестирования и проверки любых ошибок, возникающих на этапе разработки. С помощью этого приложения пользователь может определить свой
99
тип кожи двумя способами: сканируя участки кожи либо отвечая на вопросы, предоставленные в приложении. Будет отображен результат, содержащий тип кожи пользователя и некоторую соответствующую информацию о ее типе. Кроме того, пользователям будут предоставлены некоторые способы избежать проблем с кожей и подходящие для них средства.
После того, как анализатор будет полностью разработан, необходимо провести оценку удобства использования, чтобы определить удобство систем среди пользователей. Для достижения этой цели требуется провести количественное исследование с использованием опроса среди определенной группы людей. Был проведен опрос среди студентов Новосибирского Государственного Университета. В табл. 1 представлены результаты опроса.
Таблица 1.
Вопрос / мнение Нет Скорее нет, чем да Скорее да, чем нет Да
Уместен ли дизайн приложения? 0 1 9 20
Хорошая ли навигация внутри приложения? 0 2 5 23
Возникают ли трудности при использовании приложения? 26 0 0 4
Является ли производительность приложения удовлетворительной? 0 3 10 17
Использовали ли вы бы приложения для получения информации о кожных заболеваниях и типе кожи в будущем? 3 0 0 27
Основываясь на табл. 1, можно сделать вывод, что большинство респондентов (29 из 30) согласны с тем, что дизайн, используемый для этого приложения, подходит. Между тем, 93% заявили, что навигация по пользовательским интерфейсам проста для понимания. Когда они были опрошены по поводу трудностей использования этого приложения, 86,7% ответили, что они не сталкиваются с какими-либо трудностями. Производительность этого приложения может быть повышена в будущем, поскольку только 56,7% респондентов полностью согласны с этим. Последний вопрос касается способности этого приложения определять тип кожи пользователя, и 90% респондентов полностью согласны с этим.
Подводя итог, можно сделать вывод, что большинство респондентов могут хорошо использовать это приложение и доказали, что удовлетворены использованием мобильного приложения Skin Analyser. Однако некоторые функции могут быть расширены в будущем. Таким образом, данное приложение для анализа кожи может помочь пользователям получить знания об их типе кожи и наличии кожных заболеваний.
Заключение
В этом исследовании был проведен анализ мобильного приложения Skin Analyser, которое может помочь пользователям определить свой тип кожи и дать рекомендации по уходу за ней. Пользователи должны знать ингредиенты, функции и преимущества средств по уходу за кожей в зависимости от различных типов кожи. На примере рассмотренного приложения можно разрабатывать аналогичные ему, а также приложения с расширенным спектром функций.
Литература
1. Головко В.А. От многослойных персептронов к нейронным сетям глубокого доверия: парадигмы обучения и применение // В сборнике: Нейроинформатика-
2015. XVII Всероссийская научно-техническая конференция с международным участием. Лекции по нейроинформатике, НИЯУ МИФИ, 2015. - С. 47-84.
2. Isaev I., Burikov S., Dolenko T., Laptinskiy K., Dolenko S. Artificial Neural Networks for Diagnostics of Water-Ethanol Solutions by Raman Spectra. Studies in Computational Intelligence, 2019, V.799, pp.167-175. DOI: 10.1007/978-3-030-01328-8_18.
3. Патент № 2767337 C2 Российская Федерация, МПК G16B 20/20, G16B 40/20, G06K 9/62. Способы обучения глубоких сверточных нейронных сетей на основе глубокого обучения: № 2019139312: заявл. 15.10.2018: опубл. 17.03.2022 / Х. Гао, К.Х. Фарх, Л. Сундарам, Д.Ф. Макрэй; заявитель ИЛЛЮМИНА, ИНК. - EDN ZSUWWQ.
4. Пылов П.А. Алгоритмы глубокого обучения на основе нескольких графических процессоров и распределенного обучения // Инновации. Наука. Образование. -2021. - № 43. - С. 1043-1046. - EDN BJSHTJ.
5. Аль-Ани М.М. Эффективность глубокого обучения и методы машинного обучения в кибербезопасности // Проблемы правовой и технической защиты информации, 2021. - № 9. - С. 7-9. - EDN UAWTDI.
6. Рычков В.А. Применение методов машинного обучения и глубокого обучения при решении задачи защиты информации в сфере облачных технологий // Угрозы и риски финансовой безопасности в контексте цифровой трансформации: Материалы VII Международной научно-практической конференции Международного сетевого института в сфере ПОД/ФТ, Москва, 24 ноября 2021 года. - Москва: Национальный исследовательский ядерный университет «МИФИ», 2021. - С. 539-545. - EDN GZULFX.
7. Альбанова В.И. 03. Дерматология. Первая помощь при поражении кожи. - М.: Бином. Лаборатория знаний, 2018. - 128 c.
8. Кашкин П.Н. Дерматомикозы. - М.: Медицина, 2020. - 372 c.
9. Козорез Е.С. Кожно-венерические заболевания. - М.: Владос, 2015. - 243 c.
10. Лихарев О.О. Справочник по терапии кожных и венерических болезней. - М.: Государственное издательство, 2019. - 488 c.
11. Никольский П.В. Болезни кожи. Руководство для врачей и студентов. - М.: Государственное издательство, 2020. - 375 c.
12. Потекаев Н.Н. Дифференциальная диагностика и лечение кожных болезней. -М.: ГЭОТАР-Медиа, 2016. - 456 c.
13. Ужегов Г.Н. Кожные болезни. Симптомы, лечение, профилактика. - М.: Вече,
2016. - 160 c.
14. Фандеев Л. И. Кожные и венерические болезни. - М.: Мир, 2015. - 410 c.
15. Финлей Э. Дерматология в клинической практике. -М.: Практическая медицина, 2020. - 744 c.
