CN111462108A - 一种基于机器学习的头面部产品设计工效学评估操作方法 - Google Patents

Abstract

本发明公开一种基于机器学习的头面部产品设计工效学评估方法，步骤1、将历史产品设计的点云数据、对产品设计方案中的标准头模点云数据输入至分析计算机中进行分析处理，结合对应压力分布、曲面密合性特征，通过量化算法将点云数据投影至标准面以获得平面坐标，再根据在标准面上的深度信息或分布信息量化为平面上的广义灰度值，从而制作出广义图片，广义图片作为机器学习的样本数据，被输入到深度卷积网络中进行训练和测试。本发明通过引入广义图片将点云数据降维便于大规模数据处理，通过人工智能的方式从历史数据中学习工效学参数与设计方案点云数据之间的依赖关系，能快速、高效、低成本地辅助设计符合工效学的头面部产品，大量减少打样次数。

Description

一种基于机器学习的头面部产品设计工效学评估操作方法

技术领域

本发明涉及头面部用具产品设计领域，具体为一种基于机器学习的头面部产品设计工效学评估操作方法。

背景技术

近年来，随着设计头面部用具产品领域的发展，头面部设计用具已经在很多领域都得到了广泛应用，在防护面具产品设计方面，市场上已经出现了不少关于防护面具研究的相关产品等防护面具产品的应用，如防毒面具，头戴式口罩等等。虽然应用广泛，但是现有的防护面具研究，更多侧重于传统的罩体结构设计、气密性、材料配方、数字化设计等，设计流程通常是先设计、接着打样、然后对打样的样品进行检测从而判断所设计的产品是否符合工效学。这一过程因为需要反复打样造成设计周期长、研发成本高。从扫描仪采集完数据完毕到成品出来得几天到几周时间，耗时过久。此外点云数据是三维数据，难以将其大规模输入到计算机进行大样本机器学习，如何将其降维是人工智能领域的一个难点。

本发明提出一种头面部产品设计工效学评估操作方法，能降低头面部用具产品的设计过程的繁琐，降低成本，并可以有效地进行头面部产品设计工效学评估。

发明内容

本发明目的是提供一种基于机器学习的头面部产品设计工效学评估操作方法，克服现有的头面部防护面具产品的设计流程繁琐，设计成本较高缺陷。

本发明是采用如下技术方案实现的：

首先建立基于机器学习的头面部产品设计工效学评估系统，包括有分析计算机、应力传感装置、气密性测量装置、实物标准头模、连接线、接口等；应力传感装置及气密性测量装置通过连接线和接口与分析计算机相连，待评估产品安装有应力传感装置和气密性测量装置，待评估产品穿戴在实物标准头模之上；分析计算机内存储有大量历史产品设计的点云数据、标准头模的点云数据用于机器学习的训练过程，待评估产品的点云数据用于机器学习的测试过程。

待评估产品的点云数据、大量历史产品设计的点云数据和标准头模的点云数据，这些点云数据都通过具有阵列压力传感数据输入接口所获得数据，依靠特征深度卷积网络进行快速准确适配，点云数据结合面具设计方案产生的压力分布、曲面密合性特征，结合相关量化算法转换成机器学习的输入通道数据。量化算法先将点云数据投影到标准面获得平面坐标，点云数据相对于标准面的深度信息或分布信息则被量化成平面坐标之上的广义灰度值，最终形成广义图片，广义图片作为机器学习的输入样本或测试样本被输入到深度卷积网络中进行训练和测试。

一种基于机器学习的头面部产品设计工效学评估操作方法，包括如下步骤：

步骤1、历史产品设计的点云数据、对产品设计方案中的标准头模点云数据输入至分析计算机中进行分析适配，结合对应压力分布、曲面密合性特征，通过量化算法将点云数据投影至标准面以获得平面坐标，再根据在标准面上的深度信息或分布信息量化为平面上的广义灰度值，从而制作出广义图片，广义图片作为机器学习的样本数据，被输入到深度卷积网络中进行训练和测试；

步骤2、将样本数据以交叉验证的方法划分训练样本和测试样本，其比例为8:2，进行交叉检验；

具体为，将数据集随机分为互斥的k个子集，为保证随机性，P次随机划分后取平均值；将k个子集随机分为k-1组，剩下一个为另一组，即有k种分法；将每一种分组结果中，k-1个子集的组当做训练集，另一组当做测试集，产生了k次预测，对预测结果取平均值作为测试集上的最终预测结果，称为p次k折交叉验证；再在已划分好的训练样本上进行机器学习得到训练好的目标神经网络；

步骤3、将待测产品设计方案的点云数据输入到分析计算机中采用步骤1的方法生成广义图片，作为步骤2中获得的训练好的目标神经网络的输入并以此在目标神经网络中进行训练；

其训练过程：首先对目标神经网络进行权值的初始化，输入经过卷积层、采样层、全连接层的向前传播得到输出值；求出网络的输出值与目标值之间的误差；当误差大于期望值时，将误差传回网络中，依次求得全连接层、采样层、卷积层的误差；各层的误差可以理解为对于网络的总误差，根据求得误差对网络权值进行更新，并以更新后权值进行训练；直至当误差等于或小于期望值时，结束训练；

经过已训练好的目标神经网络计算后得到的输出即为系统的评估结果数据输出；

步骤4、分析计算机上的评估软件根据数据输出以生成对应评估分析报告。

目前头面部产品的设计流程通常是先设计、接着打样、然后对打样的样品进行检测从而判断所设计的产品是否符合工效学。这一过程因为需要反复打样造成设计周期长、研发成本高。此外点云数据是三维数据，难以将其大规模输入到计算机进行大样本机器学习，如何将其降维是人工智能领域的一个难点。本发明提出了一种基于机器学习的头面部产品设计工效学评估操作方法，通过引入广义图片将点云数据降维便于大规模数据处理，通过人工智能的方式从历史数据中学习工效学参数与设计方案点云数据之间的依赖关系，能快速、高效、低成本地辅助设计符合工效学的头面部产品，大量减少打样次数。

本发明优点在于，提出了一种基于机器学习的头面部产品设计工效学评估方法，具有合理的数据处理流程。对已有点云数据进行分析适配，并结合了面具设计方案产生的压力分布、曲面密合性特征进行处理，得到了平面坐标，再对其进行量化操作得到广义图片。

附图说明

图1表示头面部三维形态特征提取算法的核密度估计算法在头面部上的原理示意图。

图2表示对输入数据降维后实验结果图。

图3表示目标神经网络训练数据的算法流程图。

具体实施方式

下面结合附图对本发明的具体实施例进行详细说明。

建立基于机器学习的头面部产品设计工效学评估系统，包括分析计算机、应力传感装置、气密性测量装置、实物标准头模、待评估产品、连接线、接口等；应力传感装置及气密性测量装置通过连接线和接口与分析计算机相连，待评估产品安装有应力传感装置和气密性测量装置，待评估产品穿戴在实物标准头模之上；分析计算机内存储有大量历史产品设计的点云数据、标准头模的点云数据用于机器学习的训练过程，待评估产品的点云数据用于机器学习的测试过程。

待评估产品的点云数据、大量历史产品设计的点云数据和标准头模的点云数据，这些点云数据都通过具有阵列压力传感数据输入接口所获得数据，依靠特征深度卷积网络进行快速准确适配，点云数据结合面具设计方案产生的压力分布、曲面密合性特征，结合相关量化算法转换成机器学习的输入通道数据。

应力传感装置及气密性测量装置获取的数据分布与点云数据相关联，点云数据按照量化算法先将点云数据投影到标准面获得平面坐标，点云数据相对于标准面的深度信息或分布信息则被量化成平面坐标之上的广义灰度值，最终形成广义图片，广义图片生成可以基于深度信息或分布信息，也可以是来自阵列应力传感器的压力阵列信息，其平面坐标均与点云信息对应，一份点云数据对应一系列的广义图片。这些采用不同方法得到的广义图片最后可以形成与其相关联的点云数据的广义图片的不同通道，从而形成点云数据的多通道广义图片；多通道广义图片作为机器学习的输入样本或测试样本被输入到深度卷积网络中就行学习、训练和测试等处理。

连接线可以采用CAN总线、工业以太网、485总线、USB连接线，接口可以采用CAN接口、以太网接口或串口、并口、USB接口。应力传感装置可以采用点状、带状或阵列柔性压力传感器，柔性压力传感器接入到单片机从而形成应力传感装置，并通过单片机上的CAN接口、以太网接口、USB接口等通过连接线与分析计算机相连，从而将采集到的信息传递到分析计算机进行处理成为机器学习使用的数据。

首先介绍一下本实施例中点云数据采用的头面部三维形态特征提取过程如下：

（1）形态特征参照区域的选取

头面部三维数据的形态特征首先必须能够区分常见的三维形态，例如区分塌鼻子、大鼻子、尖鼻子与高鼻子的形态差异。首先注意到形态特征的概念是一种局部特征，鼻子的形态与后脑勺的大小相关性很低，考虑鼻子的形态应该只局限于面部，不应该包括整个头部。

因此，提取某个应用相关的形态特征首先应该确定该特征提取的区域，例如鼻子的形态特征确定为面部，对鼻子形态特征进行归一化处理应该是面宽、面高和耳部到鼻尖的高度差作为参照范围。

而针对特殊的其它应用：高鼻梁形态、大眼睛形态、厚嘴唇形态等需要考虑的参照范围可能比面部还要小。因此提取头面部三维数据的形态特征的第一步是根据具体应用领域确定参照区域。应该由领域专家决定其所研究的三维形态特征的参照区域，而不应该所有的领域应用都采用同样的参照区域。

参照区域通常与头面部的某个测量平面相关联，推荐的关联测量平面包括：

基准平面：前颅底平面、眼耳平面和颅底平面。

前颅底平面：由蝶鞍点与鼻根点之连线组成，在颅部的矢状平面上，代表前颅底的前后范围。由于这一平面在生长发育上具有相对的稳定性，因而常作为面部结构对颅底关系的定位平面。

眼耳平面：由耳点与眶点连线组成。大部分个体在正常头位时，眼耳平面与地面平行。

颅底平面：由颅底点与鼻根点连接线组成。此平面多用作重叠头影图的基准平面。

测量平面：腭平面、全颅底平面（颅底点与鼻根点之连线)、合平面、下颌平面、面平面（由鼻根点与颏前点之连线组成）、Y轴（蝶鞍中心与颏顶点之连线）。

（2）形态特征主特征点的选取

三维数据形态特征的主特征点也可以认为是计算分布的初始参考点，其它参考点都需要计算与主特征点之间的某种意义上的“距离”，从而产生特征分布。主特征点的选取亦于领域应用相关，例如鼻子形态的主特征点应该选取鼻尖比较合适，而前额的三维形态特征怎么选取主特征点则和领域知识相关，而且可以有多个主特征点。

本领域算法只提供了常见的主特征点，例如鼻尖、嘴角、眼角等，而对具体的应用领域可能还需要领域专家添加更多的主特征点。例如口罩设计中选择的主特征点可以是耳垂或耳尖，是否采用颌平面以及到底哪个合适应该由口罩领域专家确定。

推荐的常用主特征点如下：

颅部主特征点：蝶鞍点、鼻根点（鼻额缝的最前点）、耳点（外耳道之最上点，又分机械耳点和解剖耳点）、颅底点、 颅底点（枕骨髁突后切迹的最凹点）。

上颌主特征点：眶点（眶下缘最低点，分左右眶点）、颌裂点、前鼻棘（确定腭平面）。

下颌主特征点：髁顶点、下颌角点、颏前点、颏下点、颏顶点（颏前点与颏下点之中点）。

这些主特征点中，有些是在正中矢状面上，是单个的点，如鼻根点。而有些则是双侧的点，如下颌角点等。有些样本由于面部不对称而使两侧之点不重叠，因此需要对双侧的主特征点分别加以分析计算。

软组织侧面主特征点：额点（额部最前点）、软组织鼻根点、眼点、鼻下点（鼻小柱与上唇之连接点）、唇缘点、上唇缘点、下唇缘点、上唇突点、下唇突点、咽点。

（3）形态特征参考点的选取

为了统一刻画三维数据的形态特征，参考点的选取必须均匀一致，同时数量不能太少以便充分反映形态的统计特征。形态特征参考点分为三类：宽度类型、深度类型和高度类型，并应该在参考区域内按几何意义均匀分布。

参考点选取的初始化原则：宽度和深度以中轴线开始，高度从鼻尖基准面开始。

参考点的邻近选取原则：当投影参考点具有多个选择时，选取与上个参考点最邻近的点。

（4）特征分布函数

首先定义主特征点与参考点之间的“距离”，根据应用可以定义为直线距离、测地线长度或带方向的矢量距离。其后计算主特征点到每一个参考点的距离，形成分布函数，该分布函数通常会以多峰的形态出现，峰值出现在不同的位置对应的是形态的差异。分布的核密度函数被称为“shape descriptor”。

本发明所得到的特征分布函数不仅按三个方向进行了精确划分，同时还确定了参考区域，以便更准确描述特定三维数据的形态特征。

核密度函数峰值的位置和大小构成了三维数据的形态特征值，方向和区域的不同形成了众多的形态特征。领域专家根据专业知识从这些形态特征中挑选合理的部分，与其它传统特征一起，组成特征向量，提供给后续的分型计算。

增加了算法的鲁棒性，在计算分布函数时可以先增加计算主特征点上下方、左右方或前后方平行的特征分布，综合在一起计算分布函数。这样能够有效减少参考点在陡降点附近剧烈变化时对性能的影响。

下面介绍本实例中点云数据采用数据降低维度的过程如下：

为了解决特征提取与处理时，涉及高维特征向量的问题往往容易陷入维度灾难的问题。同时，随着维度的增加，数据的稀疏性会越来越高。在高维向量空间中探索同样的数据集比在同样稀疏的数据集中探索更加困难。主成分分析（PCA）也称为卡尔胡宁-勒夫变换，是一种用于探索高维数据结构的技术。PCA通常用于高维数据集的探索与可视化，还可以用于数据压缩，数据预处理等。PCA可以把可能具有相关性的高维变量合成线性无关的低维变量，称为主成分。新的低维数据集会尽可能的保留原始数据的变量。

PCA将数据投射到一个低维子空间实现降维。例如，二维数据集降维就是把点投射成一条线，数据集的每个样本都可以用一个值表示，不需要两个值。三维数据集可以降成二维，就是把变量映射成一个平面。一般情况下，nn维数据集可以通过映射降成kk维子空间，其中k≤n。

输入数据的主成分可以通过两种方法计算：第一种方法是计算数据协方差矩阵。因为协方差矩阵是方阵，可以用计算特征值和特征向量的方法。第二种方法是用数据矩阵的奇异值分解来找协方差矩阵的特征向量和特征值的平方根。在这里采用奇异值分解来计算特征向量和特征值的平方根，实验数据降维后效果如图2所示。

下面介绍本实例中“多通道”数据融合的过程如下：

使用特征级数据融合，对点云数据进行特征处理，提取的特征信息应是原始信息的充分表示量或充分统计量，然后按特征信息对多源数据进行分类、聚集和综合，产生特征矢量，而后采用一些基于特征级融合方法融合这些特征矢量，作出基于融合特征矢量的属性说明。

特征级融合的流程为：经过预处理的遥感影像数据—特征提取—特征级融合—（融合）属性说明。

并使用图像回归法进行融合，首先假定图片的像元值是另一图片的一个线性函数，通过最小二乘法来进行回归，然后再用回归方程计算出的预测值来减去图像的原始像元值，从而获得两图片的回归残差图像。经过回归处理后的图像数据在一定程度上类似于进行了相对校正，因而能减弱多时相图像中由于采样，分型过程中的不同所带来的影响。

下面，一种基于机器学习的头面部产品设计工效学评估操作方法，如下：

步骤1、历史产品设计的点云数据、对产品设计方案的中的标准头模点云数据进行分析适配，结合对应压力分布、曲面密合性特征，通过量化算法将点云数据投影至标准面以获得平面坐标，再根据在标准面上的深度信息或分布信息量化为平面上的广义灰度值，从而制作出广义图片，广义图片作为机器学习的样本数据，被输入到深度卷积网络中进行训练和测试。

步骤2、将样本数据以交叉验证的方法划分训练样本和测试样本，其比例为8:2，进行10折交叉检验。

具体为，将数据集随机分为互斥的k个子集，为保证随机性，P次随机划分后取平均值。将k个子集随机分为k-1组，剩下一个为另一组，这样有k种分法。将每一种分组结果中，k-1个子集的组当做训练集，另一组当做测试集，这样就产生了k次预测，对预测结果取平均值作为测试集上的最终预测结果，这就被称为p次k折交叉验证，在这里取k=10。再在已划分好的训练样本上进行机器学习得到训练好的目标神经网络。

步骤3、将待测产品设计方案的点云数据输入到分析计算机中生成广义图片，作为目标神经网络的输入并以此在目标神经网络中进行训练。

目标神经网络的训练过程分为两个阶段。第一个阶段是数据由低层次向高层次传播的阶段，即前向传播阶段。另外一个阶段是，当前向传播得出的结果与预期不相符时，将误差从高层次向底层次进行传播训练的阶段，即反向传播阶段。训练过程如图3所示。训练过程为：

（1）、网络进行权值的初始化；

（2）、输入数据经过卷积层、采样层、全连接层的向前传播得到输出值；

（3）、求出网络的输出值与目标值之间的误差；

（4）、当误差大于期望值时，将误差传回网络中，依次求得全连接层、采样层、卷积层的误差。各层的误差可以理解为对于网络的总误差，根据求得误差对网络权值进行更新，并以更新后权值进行训练；直至当误差等于或小于期望值时，结束训练；

经过已训练好的目标神经网络计算后得到的输出即为系统的评估结果数据输出。

步骤4：分析计算机上的评估软件根据数据输出以生成对应评估分析报告，送到打印机或屏幕打印或显示结果。

除非特别说明，本发明中所用的技术手段均为本领域技术人员所公知的方法。另外，实施方案应理解为说明性的，而非限制本发明的范围，本发明的实质和范围仅由权利要求书所限定。对于本领域技术人员而言，在不背离本发明实质和范围的前提下，对这些实施方案中的物料成分和用量进行的各种改变或改动也属于本发明的保护范围。

Claims (2)

1.一种基于机器学习的头面部产品设计工效学评估操作方法，其特征在于：包括如下步骤：

步骤1、将历史产品设计的点云数据、对产品设计方案中的标准头模点云数据输入至分析计算机中进行分析适配，结合对应压力分布、曲面密合性特征，通过量化算法将点云数据投影至标准面以获得平面坐标，再根据在标准面上的深度信息或分布信息量化为平面上的广义灰度值，从而制作出广义图片，广义图片作为机器学习的样本数据，被输入到深度卷积网络中进行训练和测试；

步骤2、将样本数据以交叉验证的方法划分训练样本和测试样本，其比例为8:2，进行交叉检验；

具体为，将数据集随机分为互斥的k个子集，为保证随机性，P次随机划分后取平均值；将k个子集随机分为k-1组，剩下一个为另一组，即有k种分法；将每一种分组结果中，k-1个子集的组当做训练集，另一组当做测试集，产生了k次预测，对预测结果取平均值作为测试集上的最终预测结果，称为p次k折交叉验证；再在已划分好的训练样本上进行机器学习得到训练好的目标神经网络；

步骤3、将待测产品设计方案的点云数据输入到分析计算机中采用步骤1的方法生成广义图片，作为步骤2中获得的训练好的目标神经网络的输入并以此在目标神经网络中进行训练；

其训练过程：首先对目标神经网络进行权值的初始化，输入经过卷积层、采样层、全连接层的向前传播得到输出值；求出网络的输出值与目标值之间的误差；当误差大于期望值时，将误差传回网络中，依次求得全连接层、采样层、卷积层的误差；各层的误差可以理解为对于网络的总误差，根据求得误差对网络权值进行更新，并以更新后权值进行训练；直至当误差等于或小于期望值时，结束训练；

经过已训练好的目标神经网络计算后得到的输出即为系统的评估结果数据输出；

步骤4、分析计算机上的评估软件根据数据输出以生成对应评估分析报告。

2.根据权利要求1所述的一种基于机器学习的头面部产品设计工效学评估操作方法，其特征在于：步骤2中，k=10。

Images