论文部分内容阅读
摘 要：如今的理发行业已经不能满足消费者的个性需求，智能理发机的出现将改变理发行业的发展趋势。为了满足消费者的个性需求以及提高消费者的时间效率，本文就智能理发机的功能和应用前景做出简单介绍，并论述其在日常生活中应用时所据有的优势和劣势。智能理发机虽然结构简单，功能较少，但其方便快捷，价格实惠，不仅能够为人们的生活提供更多的便利，还能为人们提供全新的消费方式。目前我们对智能理发机的研究还处在初级阶段，已经完成智能理发机的装置以及构造，智能理发机的核心技术已取得初步进展，其功能的实现已经能满足部分消费者的需求，在后面的研究中，通过升级改造，将会逐渐满足更多消费者的个性需求。
关键词：智能理发;自动理发;理发机
前言
在现实生活中，理发行业价格逐渐上涨[1]，且形式单一，已经不能满足消费者对理发的个性需求。智能理发机的出现，将为消费者提供新的消费体验，同时，也将为消费者的生活提供更大程度的便利，这无疑会使理发行业受到一定程度的影响和改变。智能理发机是一台自动理发的智能机器，其主要适用于修剪男性发型，可分为家用或者商用。将其放在街头时，消费者可通过手机扫码实现自助理发，机器理发时所采用的电推剪可直接接触人的皮肤，不会造成危害，最大的优点在于方便、快捷，安全。其缺点在于，功能性较少，仅支持平剪和碎剪，但也可满足大多数对发型要求不高的人，即适用于军队等对发型要求统一的团队。
一、 智能理发机装置以及构造
理发机的构造分为多个部分，分别是自动升降装置、智能扫描装置、头部固定装置、距离感应器、罩体、罩体内的智能移动电推剪、可移动和旋转的圆柱形电极板、吸风装置、屏幕显示装置，摄像装置，具体如图 1所示。
其中自动升降装置、头部固定装置、罩体、圆柱形的电极板、吸风装置主要基于物理结构设计，移动电推剪上安装有智能扫描装置，用于识别图像，主要依据的原理和技术分别为生物图像识别技术、深度学习算法。
二、 核心技术简介
（一） 距离感应器
感应器由两个元器件组成，一个发出红外线，一个检测接收红外线[2]。在智能理发机上使用两个距离感应器，其中一个距离感应器测出感应器与头部距离x1=c*t1，另一个距离感应器则测出头发尖端与感应器的距离x2=c*t2，红外线发出到指定部位后将会反射到接收器，得到接收器与头发尖端的距离x=x1-x2。
（二） 智能扫描装置
智能扫描装置用到的技术为图像识别技术[3]，其识别过程如图2所示。此技术用于智能理发机的电推剪上。首先通过图像采集获取头部图像信息，然后通过预处理消除图像中无关信息，恢复有用的信息，即头发部位，再通过特征提取计算头发部位的特征，即面积、周长、均值等，通过计算将这些信息转化为数字信息，使得计算机能够“理解”这些图像，最后将图像进行分割，以便电推剪完成后面的修剪工作。
（三） 深度学习算法
深度学习算法采用多层调参，层层收敛的方式，将参数数量始终控制在一个较为合理的水平，使得原本不可计算的模型变得可以运算，这就实现了对头发覆盖区域的识别[4]。深度学习算法的主要作用是将图像识别的许多步骤都整合到了同一个算法的框架下，使得图像识别的框架变得更加的简单，更加的简洁。以下介绍深度学习算法的一个简单实例[5]。
首先，将输入的图像进行预处理：用取得的每一个像素减去RGB的平均值，并调整图像的大小至固定的大小 （223×223） ;随后，将图像数据传入到网络，通过一系列的池化操作以及卷积进行特征提取，即面积、周长、均值等。网络一般都是采用（3×3）的卷积核，然后将其填充为1，不仅能保证计算的前后大小不改变，还能充分考虑图像的边缘分布信息;最后，通过soft-max层进行分类处理，分析图像的类别。
三、用户理发主要过程
用户理发的过程主要从注册登录理发系统开始;后选择理发功能，即平剪或碎剪;等待机器进行发型修剪;修剪结束后，用户进行满意度调查;最后用户付费，具体过程如图3所示。
四、智能理发机工作过程
首先，智能理发机通过固定装置将顾客头部轻微固定。
其次，智能扫描装置开始检测头发区域，并将其分为四个区域，分别为上、后、左、右。
而后，电推剪进入准备修剪状态，按照上、后、左、右的修剪順序，进行首个修剪区域，期间理发者可以自主选择修剪类型（碎剪或平剪）和修剪的长度（单位：厘米）。若在修剪过程中，顾客仍感觉头发较长，可继续剪短，直至顾客满意后才进行下一个区域的修剪工作。
再者，修剪工作开始时，圆柱形电极板开始工作，头发在静电场中竖立，电极板自动调整距离移动到接触到头发的高度，距离感应器计算该高度[6]（头发的长度），电推剪开始工作，修剪完上区域和后区域后，连接电推剪的装置旋转90度，修剪两边区域，整个移动过程由java程序控制。
最后，上述各个阶段的修剪过程，均由摄像装置拍摄显示在屏幕上，可供顾客观看，直至理发结束。
参考文献：
[1]郭贵新.敏感的行业畸型的价格——谈谈理发业价格问题[J].商业研究.1989年3期
[2]董冠涛.红外线感应电子白板的设计与实现[D].吉林：吉林大学
[3]胡世桥，孙君志.3D智能扫描建模法在身体成分评估中的应用研究[J].中国体育科学学会会议论文集.2019年11期
[4]张勇.深度学习下的图像识别算法[J].计算机产品与流通.2020年02期
[5]陈旭.卷积网络深度学习算法与实例.广东工业大学学报.2017年06期
[6]陈中标.基于人体红外线感应器显示屏的研究[J].科技视界.2016年12期
关键词：智能理发;自动理发;理发机
前言
在现实生活中，理发行业价格逐渐上涨[1]，且形式单一，已经不能满足消费者对理发的个性需求。智能理发机的出现，将为消费者提供新的消费体验，同时，也将为消费者的生活提供更大程度的便利，这无疑会使理发行业受到一定程度的影响和改变。智能理发机是一台自动理发的智能机器，其主要适用于修剪男性发型，可分为家用或者商用。将其放在街头时，消费者可通过手机扫码实现自助理发，机器理发时所采用的电推剪可直接接触人的皮肤，不会造成危害，最大的优点在于方便、快捷，安全。其缺点在于，功能性较少，仅支持平剪和碎剪，但也可满足大多数对发型要求不高的人，即适用于军队等对发型要求统一的团队。
一、 智能理发机装置以及构造
理发机的构造分为多个部分，分别是自动升降装置、智能扫描装置、头部固定装置、距离感应器、罩体、罩体内的智能移动电推剪、可移动和旋转的圆柱形电极板、吸风装置、屏幕显示装置，摄像装置，具体如图 1所示。
其中自动升降装置、头部固定装置、罩体、圆柱形的电极板、吸风装置主要基于物理结构设计，移动电推剪上安装有智能扫描装置，用于识别图像，主要依据的原理和技术分别为生物图像识别技术、深度学习算法。
二、 核心技术简介
（一） 距离感应器
感应器由两个元器件组成，一个发出红外线，一个检测接收红外线[2]。在智能理发机上使用两个距离感应器，其中一个距离感应器测出感应器与头部距离x1=c*t1，另一个距离感应器则测出头发尖端与感应器的距离x2=c*t2，红外线发出到指定部位后将会反射到接收器，得到接收器与头发尖端的距离x=x1-x2。
（二） 智能扫描装置
智能扫描装置用到的技术为图像识别技术[3]，其识别过程如图2所示。此技术用于智能理发机的电推剪上。首先通过图像采集获取头部图像信息，然后通过预处理消除图像中无关信息，恢复有用的信息，即头发部位，再通过特征提取计算头发部位的特征，即面积、周长、均值等，通过计算将这些信息转化为数字信息，使得计算机能够“理解”这些图像，最后将图像进行分割，以便电推剪完成后面的修剪工作。
（三） 深度学习算法
深度学习算法采用多层调参，层层收敛的方式，将参数数量始终控制在一个较为合理的水平，使得原本不可计算的模型变得可以运算，这就实现了对头发覆盖区域的识别[4]。深度学习算法的主要作用是将图像识别的许多步骤都整合到了同一个算法的框架下，使得图像识别的框架变得更加的简单，更加的简洁。以下介绍深度学习算法的一个简单实例[5]。
首先，将输入的图像进行预处理：用取得的每一个像素减去RGB的平均值，并调整图像的大小至固定的大小 （223×223） ;随后，将图像数据传入到网络，通过一系列的池化操作以及卷积进行特征提取，即面积、周长、均值等。网络一般都是采用（3×3）的卷积核，然后将其填充为1，不仅能保证计算的前后大小不改变，还能充分考虑图像的边缘分布信息;最后，通过soft-max层进行分类处理，分析图像的类别。
三、用户理发主要过程
用户理发的过程主要从注册登录理发系统开始;后选择理发功能，即平剪或碎剪;等待机器进行发型修剪;修剪结束后，用户进行满意度调查;最后用户付费，具体过程如图3所示。
四、智能理发机工作过程
首先，智能理发机通过固定装置将顾客头部轻微固定。
其次，智能扫描装置开始检测头发区域，并将其分为四个区域，分别为上、后、左、右。
而后，电推剪进入准备修剪状态，按照上、后、左、右的修剪順序，进行首个修剪区域，期间理发者可以自主选择修剪类型（碎剪或平剪）和修剪的长度（单位：厘米）。若在修剪过程中，顾客仍感觉头发较长，可继续剪短，直至顾客满意后才进行下一个区域的修剪工作。
再者，修剪工作开始时，圆柱形电极板开始工作，头发在静电场中竖立，电极板自动调整距离移动到接触到头发的高度，距离感应器计算该高度[6]（头发的长度），电推剪开始工作，修剪完上区域和后区域后，连接电推剪的装置旋转90度，修剪两边区域，整个移动过程由java程序控制。
最后，上述各个阶段的修剪过程，均由摄像装置拍摄显示在屏幕上，可供顾客观看，直至理发结束。
参考文献：
[1]郭贵新.敏感的行业畸型的价格——谈谈理发业价格问题[J].商业研究.1989年3期
[2]董冠涛.红外线感应电子白板的设计与实现[D].吉林：吉林大学
[3]胡世桥，孙君志.3D智能扫描建模法在身体成分评估中的应用研究[J].中国体育科学学会会议论文集.2019年11期
[4]张勇.深度学习下的图像识别算法[J].计算机产品与流通.2020年02期
[5]陈旭.卷积网络深度学习算法与实例.广东工业大学学报.2017年06期
[6]陈中标.基于人体红外线感应器显示屏的研究[J].科技视界.2016年12期