一種基于雙模型的鞋楦參數(shù)自動預測方法及預測裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種參數(shù)自動預測方法及預測裝置，特別涉及一種基于雙模型的鞋楦 參數(shù)自動預測方法及預測裝置。
【背景技術(shù)】
[0002] 隨著社會的進步，經(jīng)濟的發(fā)展，人民生活水平的提高，人們對鞋子的款式、舒適度 及制鞋工藝的要求也在逐漸提高，市場上常見的鞋子大多是均碼，根據(jù)經(jīng)驗設(shè)計，對于大多 數(shù)消費者而言，存在不合腳的風險，而定制一雙合腳的鞋子，不僅費時，花費也過于昂貴，普 通消費者往往無法承擔。
[0003] 其中，鞋楦是制作鞋子的基準，與鞋子的舒適度、款式等有直接關(guān)系，也是制約消 費者定制合適鞋子的關(guān)鍵節(jié)點。目前，鞋楦參數(shù)一般通過有經(jīng)驗的技術(shù)師傅修正腳型基本 參數(shù)獲得，而腳型數(shù)據(jù)由人工獲取的一些基本特征參數(shù)構(gòu)成，鞋楦在這些特征點處的修正、 過渡大多由設(shè)計者的經(jīng)驗決定，不僅具有很強的主觀性，效率低，價格居高不下，因此，傳統(tǒng) 的鞋楦模型設(shè)計方法難以滿足快速設(shè)計高質(zhì)量鞋楦的要求，制約了舒適、優(yōu)質(zhì)低價的鞋子 的設(shè)計和制作。

【發(fā)明內(nèi)容】

[0004] 為了解決現(xiàn)有技術(shù)的不足，本發(fā)明的目的是提供一種能夠快速、準確的鞋楦參數(shù) 自動預測方法及預測裝置。
[0005] 為了實現(xiàn)上述目的，本發(fā)明提供了一種基于雙模型的鞋楦參數(shù)自動預測方法，包 括如下步驟：
[0006] 步驟一，腳與楦分類模型、腳與楦差值模型的訓練；
[0007] 步驟二，利用雙模型自動預測鞋楦參數(shù)。
[0008] 優(yōu)選地，步驟一進一步包括如下步驟：
[0009] 步驟S101，測量測試者足部參數(shù)；
[0010] 步驟S102,讓測試者試穿基礎(chǔ)鞋楦制作的鞋，匹配最合適的鞋碼；
[0011] 步驟S103,將不同的鞋碼作為不同的類別，足部參數(shù)作為特征，利用SVM訓練分類 器，得到腳與楦分類模型；
[0012] 步驟S104,讀入基礎(chǔ)鞋楦參數(shù)，與足部參數(shù)一一對應(yīng)，做差值；
[0013] 步驟S105,統(tǒng)計相同鞋碼的差值期望，得到腳與楦差值模型。
[0014] 優(yōu)選地，步驟二進一步包括如下步驟：
[0015] 步驟S201，測量消費者的足部參數(shù)；
[0016] 步驟S202,利用腳與楦分類模型預測鞋楦碼數(shù)；
[0017] 步驟S203,在腳與楦差值模型中，獲取鞋楦碼數(shù)對應(yīng)的腳與楦的差值；
[0018] 步驟S204,足部參數(shù)加上對應(yīng)的差值得到最終楦的參數(shù)。
[0019] 本發(fā)明還提供了一種基于雙模型的鞋楦參數(shù)自動預測裝置，包括數(shù)據(jù)采集模塊， 用于采集足部參數(shù)；雙模型訓練模塊，用于訓練腳與鞋楦分類模型和腳與鞋楦差值模型； 存儲模塊，用于保存足部數(shù)據(jù)、基礎(chǔ)鞋楦參數(shù)、腳與鞋楦分類模型、腳與鞋楦差值模型；自動 預測模塊，用于自動預測鞋楦參數(shù)。
[0020] 針對當前鞋楦設(shè)計效率低下、主觀性強的問題，挖掘客戶穿鞋的共性，設(shè)計出基于 雙模型的鞋楦參數(shù)自動預測方法與裝置，能夠根據(jù)客戶的足部參數(shù)自動預測并設(shè)計出合 適的鞋楦參數(shù)。
【附圖說明】
[0021] 圖1是本發(fā)明第一優(yōu)選實施例的流程圖；
[0022] 圖2是本發(fā)明第二優(yōu)選實施例的流程圖；
[0023] 圖3是本發(fā)明所提供的預測裝置的結(jié)構(gòu)示意圖。
【具體實施方式】
[0024] 如圖1所示，本發(fā)明提供了一種基于雙模型的鞋楦參數(shù)自動預測方法，包括如下 步驟：
[0025] 步驟一，腳與楦分類模型、腳與楦差值模型的訓練；
[0026] 步驟二，利用雙模型自動預測鞋楦參數(shù)。
[0027] 有利地，所述步驟一進一步包括如下步驟：
[0028] S101，測量測試者足部參數(shù)；
[0029] S102,讓測試者試穿基礎(chǔ)鞋楦制作的鞋，匹配最合適的鞋碼；
[0030] S103,將不同的鞋碼作為不同的類別，足部參數(shù)作為特征，利用SVM訓練分類器， 得到腳與楦分類模型；
[0031] S104,讀入基礎(chǔ)鞋楦參數(shù)，與足部參數(shù)一一對應(yīng)，做差值；
[0032] S105,統(tǒng)計相同鞋碼的差值期望，得到腳與楦差值模型。
[0033] 如圖2所示，所述步驟一還可以進一步包括如下步驟：
[0034] S111，測量測試者足部參數(shù)；
[0035] S112,讓測試者試穿基礎(chǔ)鞋楦制作的鞋，匹配最合適的鞋碼；
[0036] Sl 13,讀入基礎(chǔ)鞋楦參數(shù)，與足部參數(shù) 對應(yīng)，做差值
[0037] S114,統(tǒng)計相同鞋碼的差值期望，得到腳與楦差值模型；
[0038] S115,將不同的鞋碼作為不同的類別，足部參數(shù)作為特征，利用SVM訓練分類器， 得到腳與楦分類模型。
[0039] 上述SlOl步驟中，測量測試者足部參數(shù)時，具體包括腳長、后身長、后跟邊距、腳 跖圍G2、腳跖圍G3、腳兜跟圍G4、腳寬、掌寬、拇指外突點輪廓5里寬、小趾外突點輪廓外寬、 第一跖趾輪廓里寬、第五跖趾輪廓外寬、腰窩輪廓外寬、踵心輪廓全寬、拇指高度、腳型G2 高、腳型G3高、腳型G4高、腳投影底面積、G2面積、G3面積、G4面積、G4前中截面面積、腳 前部體積、整腳體積。
[0040] 上述S102步驟中，即讓測試者試穿基礎(chǔ)鞋楦制作的鞋，匹配最合適的鞋0碼，這里 需要讓多個測試者試穿基礎(chǔ)鞋楦制作的鞋，但匹配到最合適的鞋碼時，記錄下來，并且與該 測試者的足部參數(shù)相聯(lián)系，得到分類模型。
[0041] 上述S103和S115步驟中，在得到腳與鞋楦分類模型時，需要利用SVM訓練分類 器。SVM英文全稱為support vector machine，中文名為支持向量機，通俗來講，它是一種 二類分類模型，其基本模型定義為特征空間上的間5隔最大的線性分類器，其學習策略便 是間隔最大化，最終可轉(zhuǎn)化為一個凸二次規(guī)劃問題的求解。
[0042] 上述S105和S114步驟中，得到腳與楦差值模型時，需要利用的公式如下：
[0044] 其中i表示不同鞋碼，Ni為鞋碼i對應(yīng)學習樣本數(shù)，C為足部參數(shù)與鞋楦參數(shù)差 值。
[0045] 通過步驟一可以得到兩個模型，即分類模型和差值模型。
[0046] 步驟二可以進一步包括如下步驟：
[0047] S201，測量消費者的足部參數(shù)；
[0048] S202,利用腳與楦分類模型預測鞋楦碼數(shù)；
[0049] S203,在腳與楦差值模型中，獲取鞋楦碼數(shù)對應(yīng)的腳與楦的差值；
[0050] S204,足部參數(shù)加上對應(yīng)的差值得到最終楦的參數(shù)。
[0051] 在上述步驟S201中，先測量要定制鞋的某個