뷰티 산업의 주요 소비층인 20-30대 여성의 피부 관리 중요성이 강조되며 4차 산업 기술 기반의 개인화 제품이 등장하여 뷰티 산업이 빠르게 변화하고 있다. 특히, 핵심 기술인 인공지능(AI) 기술 기반의 피부진단 제품을 통해 시간과 장소에 구애받지 않고 피부측정과 관리 방법, 추천 제품까지 한 번에 진단받을 수 있는 형태로 나타나고 있다. 이에 피부진단 시장 규모도 점차 늘어나며 ...
뷰티 산업의 주요 소비층인 20-30대 여성의 피부 관리 중요성이 강조되며 4차 산업 기술 기반의 개인화 제품이 등장하여 뷰티 산업이 빠르게 변화하고 있다. 특히, 핵심 기술인 인공지능(AI) 기술 기반의 피부진단 제품을 통해 시간과 장소에 구애받지 않고 피부측정과 관리 방법, 추천 제품까지 한 번에 진단받을 수 있는 형태로 나타나고 있다. 이에 피부진단 시장 규모도 점차 늘어나며 제품 개발의 필요성이 요구되고 있다. 그러나 제품 개발에 필수적인 피부 데이터 구축에 막대한 비용 발생과 인력이 필요함에 따라 현재는 대기업 위주로 시장이 형성되고 있었고 피부 데이터 구축 지침 및 관련 선행연구도 부족한 실정이다. 본 연구는 이러한 실정을 바탕으로 20-30대 여성의 일상생활 속 시간 흐름에 따른 안면 피부 상태를 알아보고 이를 통해 수집된 데이터를 인공지능(AI) 학습용 데이터로 구축하여 기초 연구자료 제공에 목적을 두고 진행하였다. 피부진단 인공지능(AI) 학습용 데이터 구축을 기획-수집-가공-구축 4단계를 걸쳐 진행하였다. 기획 단계에서는 데이터 수집과 가공 방법 기획이 이루어졌고 분류 기준 가이드라인을 기획하였다. 수집 단계에서는 기획한 데이터 수집 방법을 따라 피부측정을 통해 피부 데이터를 수집하였다. 피부 상태 측정은 20-30대 여성 20명을 대상으로 안면 피부의 수분, 유분, 모공, 피지, 색소침착, 주름 총 6가지 항목을 측정하였다. 측정 기간은 연구대상자별 생리 주기를 피해 총 4주간 진행되었으며 2020년 11월 27일∼2021년 1월 31일에 이루어졌다. A그룹(20-24세) 5명, B그룹(25-29세) 5명, C그룹(30-34세) 5명, D그룹(35-39세) 5명으로 나누어 기상 후 30분 이내 1차 측정(0H), 4시간 후(4H), 8시간 후(8H), 12시간 후(12H) 총 12시간 동안 4차 반복측정한 값을 Repeated Measure ANOVA 분석하였다. 가공 단계에서는 수치, 이미지, 컨설팅 데이터로 분류하여 원시데이터를 3차 가공하였다. 가공을 통해 유효 데이터, 오류 검증용 데이터, 표본 데이터로 구분되었으며 컨설팅 데이터를 추가적으로 구축하여 최종적으로 학습용 데이터로 구축하였다. 연구를 통해 도출된 결과는 첫째, 시간 흐름에 따른 20-30 여성의 안면 피부 상태는 수분 모공, 색소침착의 경우 T, U존 모두 시간에 따라 유의한 차이가 나타나 시간에 따라 피부 상태가 변화한다는 것을 알 수 있었다. 주름 상태 또한 눈가 좌, 우 모두 시간에 따라 유의한 차이가 나타났다. 유분은 시간에 따라 T존의 경우 시점과 그룹 간의 유의한 영향을 보여 변화가 다르게 나타났다. 피지 상태는 T, U존 모두 시간에 따라 유의한 차이가 나타나지 않았다. 결과적으로 시간에 따른 피부 상태의 유의한 변화를 확인하여 피부는 실시간으로 변화한다는 사실을 알 수 있었다. 둘째, 피부측정을 통해 수집된 20-30대 여성의 안면 피부 데이터를 피부진단 인공지능(AI) 학습용 데이터로 구축한 결과는 다음과 같다. 모든 데이터는 유효, 오류검증용으로 구분하였다. 수치 유효 데이터는 20,714개, 수치 오류검증용 데이터 5,016개로 총 25,730개를 구축하였다. 이미지 유효 데이터는 14,150개, 이미지 오류검증용 데이터는 5,004개로 총 19,154개를 구축하였다. 또한, 이미지 표본 데이터를 유효 표본 데이터와 오류검증용 표본 데이터로 선별하였다. 유효 표본 데이터 20대 60개, 30대 60개 총 120개를 선별하였고, 오류검증용 표본 데이터는 총 58개를 선별하여 구축하였다. 최종적으로 44,884개의 학습용 데이터를 구축하였다. 마지막으로 피부분석 결과에 따른 피부 관리 방법 및 생활 습관을 제시하는 컨설팅 데이터를 제시하고 음성 데이터로 활용 가능한 텍스트 데이터까지 구축하였다. 모든 구축 단계는 집단심층면접(FGI)과 자문을 통해 구축 공정과 활용 및 유효성을 확인하며 진행하였다. 본 연구는 인공지능(AI) 학습용 데이터 구축을 위한 20-30대 여성의 안면 피부 상태에 대한 기초 연구이다. 선행연구에서 다양한 피부 상태를 동일한 환경으로 통제하고 비교적 단기간에 걸쳐 연구한 것과 달리 연구대상자들이 평소에 사용하는 제품을 사용하도록 하여 제품 변화로 인한 피부 트러블이나 급격한 영향을 고려하였다. 또한, 피부측정을 통해 수집된 데이터의 기획 방법과 수집, 가공을 통해 구축 전 단계를 제시하여 피부 데이터 구축 기초 연구 자료로 제공함에 의의가 있다. 후속 연구에서는 다양한 연령대와 환경 속에서 피부 데이터 획득하여 데이터의 다양성과 정확도를 높이고 제품 개발을 통해 피부분석 범위나 특성을 설정하여 제품에 맞는 알고리즘 개발과 피부측정을 반복하여 개발 알고리즘의 정확도를 높일 수 있는 연구가 진행되길 기대한다.
뷰티 산업의 주요 소비층인 20-30대 여성의 피부 관리 중요성이 강조되며 4차 산업 기술 기반의 개인화 제품이 등장하여 뷰티 산업이 빠르게 변화하고 있다. 특히, 핵심 기술인 인공지능(AI) 기술 기반의 피부진단 제품을 통해 시간과 장소에 구애받지 않고 피부측정과 관리 방법, 추천 제품까지 한 번에 진단받을 수 있는 형태로 나타나고 있다. 이에 피부진단 시장 규모도 점차 늘어나며 제품 개발의 필요성이 요구되고 있다. 그러나 제품 개발에 필수적인 피부 데이터 구축에 막대한 비용 발생과 인력이 필요함에 따라 현재는 대기업 위주로 시장이 형성되고 있었고 피부 데이터 구축 지침 및 관련 선행연구도 부족한 실정이다. 본 연구는 이러한 실정을 바탕으로 20-30대 여성의 일상생활 속 시간 흐름에 따른 안면 피부 상태를 알아보고 이를 통해 수집된 데이터를 인공지능(AI) 학습용 데이터로 구축하여 기초 연구자료 제공에 목적을 두고 진행하였다. 피부진단 인공지능(AI) 학습용 데이터 구축을 기획-수집-가공-구축 4단계를 걸쳐 진행하였다. 기획 단계에서는 데이터 수집과 가공 방법 기획이 이루어졌고 분류 기준 가이드라인을 기획하였다. 수집 단계에서는 기획한 데이터 수집 방법을 따라 피부측정을 통해 피부 데이터를 수집하였다. 피부 상태 측정은 20-30대 여성 20명을 대상으로 안면 피부의 수분, 유분, 모공, 피지, 색소침착, 주름 총 6가지 항목을 측정하였다. 측정 기간은 연구대상자별 생리 주기를 피해 총 4주간 진행되었으며 2020년 11월 27일∼2021년 1월 31일에 이루어졌다. A그룹(20-24세) 5명, B그룹(25-29세) 5명, C그룹(30-34세) 5명, D그룹(35-39세) 5명으로 나누어 기상 후 30분 이내 1차 측정(0H), 4시간 후(4H), 8시간 후(8H), 12시간 후(12H) 총 12시간 동안 4차 반복측정한 값을 Repeated Measure ANOVA 분석하였다. 가공 단계에서는 수치, 이미지, 컨설팅 데이터로 분류하여 원시데이터를 3차 가공하였다. 가공을 통해 유효 데이터, 오류 검증용 데이터, 표본 데이터로 구분되었으며 컨설팅 데이터를 추가적으로 구축하여 최종적으로 학습용 데이터로 구축하였다. 연구를 통해 도출된 결과는 첫째, 시간 흐름에 따른 20-30 여성의 안면 피부 상태는 수분 모공, 색소침착의 경우 T, U존 모두 시간에 따라 유의한 차이가 나타나 시간에 따라 피부 상태가 변화한다는 것을 알 수 있었다. 주름 상태 또한 눈가 좌, 우 모두 시간에 따라 유의한 차이가 나타났다. 유분은 시간에 따라 T존의 경우 시점과 그룹 간의 유의한 영향을 보여 변화가 다르게 나타났다. 피지 상태는 T, U존 모두 시간에 따라 유의한 차이가 나타나지 않았다. 결과적으로 시간에 따른 피부 상태의 유의한 변화를 확인하여 피부는 실시간으로 변화한다는 사실을 알 수 있었다. 둘째, 피부측정을 통해 수집된 20-30대 여성의 안면 피부 데이터를 피부진단 인공지능(AI) 학습용 데이터로 구축한 결과는 다음과 같다. 모든 데이터는 유효, 오류검증용으로 구분하였다. 수치 유효 데이터는 20,714개, 수치 오류검증용 데이터 5,016개로 총 25,730개를 구축하였다. 이미지 유효 데이터는 14,150개, 이미지 오류검증용 데이터는 5,004개로 총 19,154개를 구축하였다. 또한, 이미지 표본 데이터를 유효 표본 데이터와 오류검증용 표본 데이터로 선별하였다. 유효 표본 데이터 20대 60개, 30대 60개 총 120개를 선별하였고, 오류검증용 표본 데이터는 총 58개를 선별하여 구축하였다. 최종적으로 44,884개의 학습용 데이터를 구축하였다. 마지막으로 피부분석 결과에 따른 피부 관리 방법 및 생활 습관을 제시하는 컨설팅 데이터를 제시하고 음성 데이터로 활용 가능한 텍스트 데이터까지 구축하였다. 모든 구축 단계는 집단심층면접(FGI)과 자문을 통해 구축 공정과 활용 및 유효성을 확인하며 진행하였다. 본 연구는 인공지능(AI) 학습용 데이터 구축을 위한 20-30대 여성의 안면 피부 상태에 대한 기초 연구이다. 선행연구에서 다양한 피부 상태를 동일한 환경으로 통제하고 비교적 단기간에 걸쳐 연구한 것과 달리 연구대상자들이 평소에 사용하는 제품을 사용하도록 하여 제품 변화로 인한 피부 트러블이나 급격한 영향을 고려하였다. 또한, 피부측정을 통해 수집된 데이터의 기획 방법과 수집, 가공을 통해 구축 전 단계를 제시하여 피부 데이터 구축 기초 연구 자료로 제공함에 의의가 있다. 후속 연구에서는 다양한 연령대와 환경 속에서 피부 데이터 획득하여 데이터의 다양성과 정확도를 높이고 제품 개발을 통해 피부분석 범위나 특성을 설정하여 제품에 맞는 알고리즘 개발과 피부측정을 반복하여 개발 알고리즘의 정확도를 높일 수 있는 연구가 진행되길 기대한다.
The beauty industry is changing rapidly due to the emergence of personalized products based on the fourth industrial technology as the importance of skin care for women in their 20s and 30s, the major consumer segment of the beauty industry, is emphasized. In particular, skin measurement and managem...
The beauty industry is changing rapidly due to the emergence of personalized products based on the fourth industrial technology as the importance of skin care for women in their 20s and 30s, the major consumer segment of the beauty industry, is emphasized. In particular, skin measurement and management methods and product recommendations are being offered in one scoop, without regard to time and location, through the skin diagnosis products based on artificial intelligence(AI) technology, which is a core technology. Hence, the need for product development is being demanded as the size of the skin diagnosis market is gradually increasing. Since building up the skin data which is essential for product development requires huge costs and manpower, however, the market is currently built around large companies and there is a lack of skin data construction guidelines and related prior research. Based on such a situation, this study was carried out to provide basic research data by checking the facial skin condition, over time in everyday life, of women in their 20s and 30s and building up the data collected like this into an artificial intelligence(AI) learning data. For the research method, the establishment of the artificial intelligence(AI) learning data was carried out through four stages consisting of planning-collection-processing-construction. In the planning stage, the planning for data collection and processing methods was realized, and a classification criteria guideline was planned. In the collection stage, skin data was collected through skin measurements following the planned data collection method. Skin condition measurements were taken for 6 types of items consisting of moisture, oil, pores, sebum, pigmentation, and wrinkles from 20 women in their 20s and 30s. The measurement was conducted for 4 weeks from November 27, 2020 to January 31, 2021, to avoid the menstrual cycle of each subject. The participants were divided into Group A(20-24) 5 persons, Group B(25-29) 5 persons, Group C(30-34) 5 persons, and Group D(35-39) 5 persons and values that were repeatedly measured 4 times starting from the first measurement that was taken 30 minutes after waking up(0H), 4 hours later(4H), 8 hours later(8H), and 12 hours later(12H) were analyzed with Repeated Measure ANOVA. In the processing stage, raw data was tertiary processed by classifying into numerical value, image, and consulting data. Data was divided into valid data, error verification data, and sample data through processing, and the learning data was finally built by additionally building the consulting data. From the results that were derived from the study, first, it was possible to understand that the skin condition changes over time due to the significant differences that appear in both T and U zones for moisture, pores, and pigmentation for facial skin condition of women in 20s and 30s, over time. Wrinkle conditions also showed significant differences over time in both the left and right sides of the eye. Changes appeared differently for oil as significant effects were shown for the T-zone over time, between time points and groups. The sebum condition did not show significant differences over time in both T and U zones. Consequently, it was possible to understand the fact that skin changes in real time by verifying significant changes in the skin condition over time. Second, the result of building the skin diagnosis artificial intelligence(AI) learning data from the facial skin data for women in their 20s and 30s that were collected through skin measurement, are as follows. All data were classified as being valid or for error verification. A total of 25,730 data were built, consisting of 20,714 numerically valid data and 5,016 numerical error verification data. A total of 19,154 image data were built, consisting of 14,150 valid image data and 5,004 image error verification data. Furthermore, image sample data were sorted into valid sample data and sample data for error verification. A total of 120 valid sample data were selected, 60 for the 20s and 60 for the 30s, and a total of 58 sample data for error verification were selected and built. 44,884 learning data were finally built. Lastly, consulting data which presents skin care methods and lifestyle habits pursuant to the results of the skin analysis were presented and text data that can also be utilized as voice data was built as well. All the construction stages were carried out by verifying the build-up process, utilization and validity through focus group interviews(FGI) and consultation. This study is a basic study of facial skin conditions for women in their 20s and 30s for the construction of data for artificial intelligence(AI) learning and the aim was to build it with skin data measured in various environments. Hence, changes in facial skin conditions over time were investigated while the study participants maintained their daily lives. Furthermore, the provision of basic research material for skin data construction by presenting the entire stages of planning, collection, and processing of data that was collected through skin measurements makes this meaningful. It is hoped that diversity and accuracy of data will be increased by acquiring skin data from various age groups and environments, and research is carried out to increase the accuracy of the algorithm by repeating the development of an algorithm that is suitable for the product and skin measurements through product development in which skin analysis scope and characteristics are set, in subsequent studies.
The beauty industry is changing rapidly due to the emergence of personalized products based on the fourth industrial technology as the importance of skin care for women in their 20s and 30s, the major consumer segment of the beauty industry, is emphasized. In particular, skin measurement and management methods and product recommendations are being offered in one scoop, without regard to time and location, through the skin diagnosis products based on artificial intelligence(AI) technology, which is a core technology. Hence, the need for product development is being demanded as the size of the skin diagnosis market is gradually increasing. Since building up the skin data which is essential for product development requires huge costs and manpower, however, the market is currently built around large companies and there is a lack of skin data construction guidelines and related prior research. Based on such a situation, this study was carried out to provide basic research data by checking the facial skin condition, over time in everyday life, of women in their 20s and 30s and building up the data collected like this into an artificial intelligence(AI) learning data. For the research method, the establishment of the artificial intelligence(AI) learning data was carried out through four stages consisting of planning-collection-processing-construction. In the planning stage, the planning for data collection and processing methods was realized, and a classification criteria guideline was planned. In the collection stage, skin data was collected through skin measurements following the planned data collection method. Skin condition measurements were taken for 6 types of items consisting of moisture, oil, pores, sebum, pigmentation, and wrinkles from 20 women in their 20s and 30s. The measurement was conducted for 4 weeks from November 27, 2020 to January 31, 2021, to avoid the menstrual cycle of each subject. The participants were divided into Group A(20-24) 5 persons, Group B(25-29) 5 persons, Group C(30-34) 5 persons, and Group D(35-39) 5 persons and values that were repeatedly measured 4 times starting from the first measurement that was taken 30 minutes after waking up(0H), 4 hours later(4H), 8 hours later(8H), and 12 hours later(12H) were analyzed with Repeated Measure ANOVA. In the processing stage, raw data was tertiary processed by classifying into numerical value, image, and consulting data. Data was divided into valid data, error verification data, and sample data through processing, and the learning data was finally built by additionally building the consulting data. From the results that were derived from the study, first, it was possible to understand that the skin condition changes over time due to the significant differences that appear in both T and U zones for moisture, pores, and pigmentation for facial skin condition of women in 20s and 30s, over time. Wrinkle conditions also showed significant differences over time in both the left and right sides of the eye. Changes appeared differently for oil as significant effects were shown for the T-zone over time, between time points and groups. The sebum condition did not show significant differences over time in both T and U zones. Consequently, it was possible to understand the fact that skin changes in real time by verifying significant changes in the skin condition over time. Second, the result of building the skin diagnosis artificial intelligence(AI) learning data from the facial skin data for women in their 20s and 30s that were collected through skin measurement, are as follows. All data were classified as being valid or for error verification. A total of 25,730 data were built, consisting of 20,714 numerically valid data and 5,016 numerical error verification data. A total of 19,154 image data were built, consisting of 14,150 valid image data and 5,004 image error verification data. Furthermore, image sample data were sorted into valid sample data and sample data for error verification. A total of 120 valid sample data were selected, 60 for the 20s and 60 for the 30s, and a total of 58 sample data for error verification were selected and built. 44,884 learning data were finally built. Lastly, consulting data which presents skin care methods and lifestyle habits pursuant to the results of the skin analysis were presented and text data that can also be utilized as voice data was built as well. All the construction stages were carried out by verifying the build-up process, utilization and validity through focus group interviews(FGI) and consultation. This study is a basic study of facial skin conditions for women in their 20s and 30s for the construction of data for artificial intelligence(AI) learning and the aim was to build it with skin data measured in various environments. Hence, changes in facial skin conditions over time were investigated while the study participants maintained their daily lives. Furthermore, the provision of basic research material for skin data construction by presenting the entire stages of planning, collection, and processing of data that was collected through skin measurements makes this meaningful. It is hoped that diversity and accuracy of data will be increased by acquiring skin data from various age groups and environments, and research is carried out to increase the accuracy of the algorithm by repeating the development of an algorithm that is suitable for the product and skin measurements through product development in which skin analysis scope and characteristics are set, in subsequent studies.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.