CN117132342A - 利用人工智能算法订购定制鞋垫的方法 - Google Patents
利用人工智能算法订购定制鞋垫的方法 Download PDFInfo
- Publication number
- CN117132342A CN117132342A CN202310144631.XA CN202310144631A CN117132342A CN 117132342 A CN117132342 A CN 117132342A CN 202310144631 A CN202310144631 A CN 202310144631A CN 117132342 A CN117132342 A CN 117132342A
- Authority
- CN
- China
- Prior art keywords
- foot
- insole
- type
- artificial intelligence
- hindfoot
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 45
- 210000002683 foot Anatomy 0.000 claims abstract description 202
- 210000000548 hind-foot Anatomy 0.000 claims abstract description 60
- 210000004744 fore-foot Anatomy 0.000 claims description 45
- 241000469816 Varus Species 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 244000309466 calf Species 0.000 claims description 23
- 210000001872 metatarsal bone Anatomy 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 210000000474 heel Anatomy 0.000 claims description 17
- 210000000452 mid-foot Anatomy 0.000 claims description 15
- 210000001255 hallux Anatomy 0.000 claims description 12
- 230000007935 neutral effect Effects 0.000 claims description 12
- 241001227561 Valgus Species 0.000 claims description 11
- 210000000459 calcaneus Anatomy 0.000 claims description 11
- 238000012417 linear regression Methods 0.000 claims description 3
- 102000004169 proteins and genes Human genes 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 2
- 230000002093 peripheral effect Effects 0.000 claims description 2
- 210000003195 fascia Anatomy 0.000 description 18
- 238000004458 analytical method Methods 0.000 description 15
- 230000002159 abnormal effect Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 230000000399 orthopedic effect Effects 0.000 description 6
- 210000001142 back Anatomy 0.000 description 5
- 239000003094 microcapsule Substances 0.000 description 5
- 210000003423 ankle Anatomy 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- -1 for example Polymers 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 229920003002 synthetic resin Polymers 0.000 description 3
- 210000003371 toe Anatomy 0.000 description 3
- 208000004067 Flatfoot Diseases 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000005038 ethylene vinyl acetate Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 229920001200 poly(ethylene-vinyl acetate) Polymers 0.000 description 2
- 239000002952 polymeric resin Substances 0.000 description 2
- 229920002635 polyurethane Polymers 0.000 description 2
- 239000004814 polyurethane Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 210000004233 talus Anatomy 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010020649 Hyperkeratosis Diseases 0.000 description 1
- 208000010332 Plantar Fasciitis Diseases 0.000 description 1
- 239000004698 Polyethylene Substances 0.000 description 1
- 239000004743 Polypropylene Substances 0.000 description 1
- 229920002396 Polyurea Polymers 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000001906 first metatarsal bone Anatomy 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 210000001624 hip Anatomy 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 239000004816 latex Substances 0.000 description 1
- 229920000126 latex Polymers 0.000 description 1
- 210000002414 leg Anatomy 0.000 description 1
- 210000003041 ligament Anatomy 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000003739 neck Anatomy 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000004197 pelvis Anatomy 0.000 description 1
- 229920000573 polyethylene Polymers 0.000 description 1
- 229920001155 polypropylene Polymers 0.000 description 1
- 229920005749 polyurethane resin Polymers 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 239000000057 synthetic resin Substances 0.000 description 1
- 210000002435 tendon Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0621—Item configuration or customization
-
- A—HUMAN NECESSITIES
- A43—FOOTWEAR
- A43B—CHARACTERISTIC FEATURES OF FOOTWEAR; PARTS OF FOOTWEAR
- A43B7/00—Footwear with health or hygienic arrangements
- A43B7/14—Footwear with health or hygienic arrangements with foot-supporting parts
- A43B7/28—Adapting the inner sole or the side of the upper of the shoe to the sole of the foot
-
- A—HUMAN NECESSITIES
- A43—FOOTWEAR
- A43D—MACHINES, TOOLS, EQUIPMENT OR METHODS FOR MANUFACTURING OR REPAIRING FOOTWEAR
- A43D1/00—Foot or last measuring devices; Measuring devices for shoe parts
- A43D1/02—Foot-measuring devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/033—Recognition of patterns in medical or anatomical images of skeletal patterns
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Human Computer Interaction (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Footwear And Its Accessory, Manufacturing Method And Apparatuses (AREA)
- Orthopedics, Nursing, And Contraception (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种利用人工智能算法从人的各种足部图像建立分类足型的学习模型,并基于所述学习的模型读取客户的后足部图像,以向客户提供对应于足型的定制鞋垫信息,从而,客户可以订购经优化的鞋垫的方法。
Description
技术领域
本发明涉及一种利用人工智能(AI)算法订购定制鞋垫的方法,更具体地,涉及一种利用人工智能算法从人的各种足部图像中建立分类足型的学习模型,并基于所述学习的模型读取客户的后足部图像,以向客户提供对应于足型的定制鞋垫信息,从而,客户可以订购经优化的鞋垫的方法。
背景技术
两脚加起来有52块大小骨头、无数的关节、肌腱、韧带、神经和血管聚集在一起,发挥支撑我们的身体并保持平衡的重要作用。脚的不正常和变形会影响整个骨骼系统,包括膝盖、骨盆、腰部及颈部。
鞋垫(insole)是一种插入到鞋内以提高鞋的合脚性,减轻行走或运动过程中产生的冲击,从而,保护穿鞋者的脚的同时,缓解疲劳度的手段。
鞋垫和鞋子一样重要,被称为第二个鞋,但是,最初购买鞋垫时附带于鞋内的鞋垫往往存在不能完全反映穿鞋者的脚状态的情况,当脚部出现不正常或变形时更是如此。
近来,为了保持健康,对使足部保持舒适的功能性鞋垫的需求逐渐增加。功能性鞋垫是批量生产的现成产品,因此,在价格和购买时间上比定制鞋垫更有优势。然而,功能性鞋垫虽然为了使用者的足部健康而制作,但也有与定制鞋垫相比,无法满足使用者所有的足部状态的局限。
由于定制鞋垫是反映脚状态而制作,因此更有益于脚的健康。尤其,经验过脚部不正常或变形或足底筋膜炎等的足部疾病的人更喜欢定制鞋垫。然而,定制鞋垫需要亲自访问门店,而且是手工制作,因此,在制作时间和费用方面都存在负担。
韩国授权专利第10-1899064号公开了一种使用智能设备通过足部尺寸测量信息制作定制型组装鞋垫的系统和方法。
IA230376D
发明内容
本发明的目的在于,利用人工智能算法为客户选择经优化的足型和鞋垫,并且,无需访问门店而通过在线购买的简单的方式提供经优化的定制鞋垫。
为达成所述目的,根据本发明的利用人工智能算法订购定制鞋垫的方法,其中,包括:a)为了利用人工智能算法建立学习模型,获取多个后足部原始图像的步骤;b)检测从所述获得的后足部原始图像中去除背景及/或噪声的后足部图像的步骤;c)根据所述检测的后足部图像数据、所述检测的后足部图像计算内踝的倾斜角、外踝的倾斜角及小腿二等分线的倾斜角,来生成学习模型的输入数据(输入层)的步骤;d)利用人工智能算法学习所述输入数据(输入层)作为足型的输出数据(输出层)的足型学习步骤;e)基于在所述足型学习步骤构建的人工智能算法,分析从客户终端传送而来的足部图像,对客户的足型进行分类的足型分类步骤;f)向客户终端传送对所述分类的足型进行优化的鞋垫信息的步骤;以及g)从所述客户终端向供应者终端输出订购信息的步骤。
一实施方式中,所述人工智能算法可以是包括深度神经网络及卷积神经网络,利用深度神经网络学习所述内踝的倾斜角、外踝的倾斜角、小腿二等分线的倾斜角、及被所述小腿二等分线左右划分的脚后跟的左右面积数据,利用卷积神经网络学习所述后足部图像。
一实施方式中,所述内踝的倾斜角可以是连接从后足部图像计算的内踝(medialmalleolus)与足底部位的内侧面所成的直线的角度,所述外踝的倾斜角可以是连接从后足部图像计算的外踝(lateral malleolus)与足底部位的外侧面所成的直线的角度。
一实施方式中,所述小腿二等分线可以是先设置对内踝和外踝之间的距离进行两等分的脚踝中心点、以所述脚踝中心点为准的预定的半径,并设置对所述半径和小腿(leg)轮廓线相交的两地点进行两等分的小腿中心点,然后相连接所述踝中心点和小腿中心点而形成。
一实施方式中,所述足型可以是选自以下6种类型:
①GA-型:后足部为未得到补偿的后足内翻(uncompensated rearfoot varus),前足部为最高3级前足外翻(forefoot valgus),足弓高度为3级,IA230376D
整体3级外旋(supinated)型;
②NA-型:后足部为外翻(rearfoot valgus),前足部为柔性外翻(forefootvalgus),足弓高度为1级,整体1级内旋(pronated)型;
③DA-型:后足部为未得到补偿的内翻,前足部为中性(neutral),足弓高度为中间的2级,整体中性(neutral,normal(正常))型;
④LA-型:后足部为得到补偿的内翻,前足部为中性,足弓高度为1级,整体2级内旋型;
⑤MA-型:后足部为未得到补偿的内翻,前足部为2级内翻,足弓高度为2级,整体2级外旋型;
⑥BA-型:后足部为得到补偿的内翻(compensated rearfoot varus),前足部为内翻,足弓高度为0级,整体3级内旋型。
一实施方式中,应用于所述GA-型的鞋垫可以是后足部形成为外侧比内侧高5至15度的倾斜角,前足部形成为第二、第三、第四、第五跖骨容纳部位高于第一跖骨容纳部位,中足部形成为外侧高于内侧,跟骨与骰骨相结合的跟骨-骰骨弓(Caclneual cuboid arch)部位形成3级的高支撑部。
一实施方式中,应用于所述NA-型的鞋垫可以是后足部形成为内侧以平缓的倾斜更高于外侧,以防止脚向内倒(Eversion),在中足部形成用于容纳内侧足底筋膜的凹槽(Plantar Fascia Groove),以防止足底内侧筋膜过度紧张,前足部形成为内侧略高于外侧,大脚趾部位从第一跖骨(Mortons Extension)延伸,形成为较高,外侧CCA(Caclneualcuboid arch)部位形成1级的低支撑部。
一实施方式中,应用于所述DA-型的鞋垫可以是后足部形成为内侧没有倾斜或者以平缓的倾斜略高于外侧,中足部形成有支撑部,以控制横向足弓,前足部的第二、第三、第四跖骨容纳部分略高于左右周边部,外侧CCA(Caclneual cuboid arch)部位形成1级的低支撑部。
一实施方式中,应用于所述LA-型的鞋垫可以是后足部形成为内侧以平缓的倾斜更高于外侧,以防止脚向内倒(Eversion),在中足部形成用于容纳内侧足底筋膜的凹槽(Plantar Fascia Groove),以防止内侧足底筋膜过度紧张,前足部形成为内侧略高于外侧,大脚趾部位从第一跖骨(Mortons Extension)延伸,形成为较高。
一实施方式中,应用于所述MA-型鞋垫可以是后足部形成为外侧(lateral)比内侧(medial)高2至10°的倾斜角,前足部形成为内侧略高于外侧,在中足部形成用于容纳内侧足底筋膜的凹槽(Plantar Fascia Groove),以防止内侧足底筋膜过度紧张,跟骨和骰骨弓结合的CCA部位形成2级的支撑部。
一实施方式中,应用于所述BA-型的鞋垫可以是后足部形成为内侧倾斜更高于外侧,以防止脚向内倒,前足部形成为内侧略高于外侧,大脚趾部位从第一跖骨延伸(MortonsExtension)而形成为较高,外侧CCA(Caclneual cuboid arch)部位形成1级的低支撑部。
一实施方式可以是通过在所述鞋垫的下表面或上表面附着通过压力发色的压敏薄膜,从而,在客户使用鞋垫时,可以确认施加于鞋垫的压力分布。
而且,一实施方式中,根据本发明的利用人工智能算法订购定制鞋垫的方法,其中,在所述步骤g)之后,还可以包括:h)将发色的压敏薄膜图像信息传输至供应者服务器,读取足型是否合适,若判断为不合适,则重新判断足型的步骤;以及i)基于所述重新判断的足型数据,利用人工智能算法重新学习足型的步骤。
发明效果
根据本发明的利用人工智能算法订购定制鞋垫的方法是提前批量生产的现成产品,因此,与传统的定制鞋垫相比,在费用和时间方面具有优势,并且,通过反映使用者的足部状态进行优化,不仅在其功能性方面具有可比性,另外,无需访问门店也可以在线购买,所以,具有符合网络时代的优点。
附图说明
图1示出根据本发明的一实施例的组件的网络关系。
图2示出根据本发明的一实施例的对客户优化的鞋垫订购系统的框图。
图3示出脚的“内旋(pronated)”、“中性(neutral)”和“外旋(supinated)”形态。
图4示出根据本发明的一实施例的从足部原始图像去除背景和噪声后得到的足部图像。
图5示出根据本发明的一实施例的小腿二等分线的计算过程。
图6是示出根据本发明的一实施例的模型结构中根据输入值(内踝、外踝、小腿二等分线的角度、及脚后跟的左右面积数据、足部图像)的输出值(足型)的AI模型结构的图。
图7示出根据本发明的一实施例的人工智能算法的学习结果。
图8是根据本发明的一实施例的‘GA-型’鞋垫的立体图(a)、主视图(b)、俯视图(c)、剖视图(d)、仰视图(e)及侧视图(f)。
图9是根据本发明的一实施例的‘NA-型’鞋垫的立体图(a)、主视图(b)、俯视图(c)、剖视图(d)及仰视图(e)。
图10是根据本发明的一实施例的‘DA-型’鞋垫的立体图(a)、主视图(b)、俯视图(c)、剖视图(d)及仰视图(e)。
图11是根据本发明的一实施例的‘LA-型’鞋垫的立体图(a)、主视图(b)、俯视图(c)、剖视图(d)及仰视图(e)。
图12是根据本发明的一实施例的‘MA-型’鞋垫的立体图(a)、主视图(b)、俯视图(c)、剖视图(d)及仰视图(e)。
图13是根据本发明的一实施例的‘BA-型’鞋垫的立体图(a)、主视图(b)、俯视图(c)、剖视图(d)及仰视图(e)。
图14是根据本发明的一实施例的贴有压敏薄膜的鞋垫,(a)表示贴有压敏薄膜,(b)表示正常,(c)为外旋(supinated)状态,表示不正常,(d)为内旋(pronated)状态,表示不正常。
具体实施方式
本发明中使用的以下术语基于与脚相关的矫形外科术语和机制。
在本发明中,“后足部内翻(rearfoot varus)”的表述是指从脚后跟(heel)部看时,跟骨二等分线(calcaneal bisection)和小腿二等分线(lower leg bisection)的延长线相交的点从身体的中心线向外侧(或远端)偏移的状态。
在本发明中,“后足部外翻(rearfoot valgus)”的表述是指从脚后跟(heel)部看时,跟骨二等分线(calcaneal bisection)和小腿二等分线(lower leg bisection)的延长线相交的点从身体的中心线向内侧(或近端)聚集的状态。
在本发明中,“前足内翻(forefoot varus)”的表述是指大脚趾(或第一跖骨)侧比小脚趾(或第五跖骨)侧相对翘高的状态。
在本发明中,“前足外翻(forefoot valgus)”的表述是指小脚趾(或第五跖骨)侧比大脚趾(或第一跖骨)侧相对翘高的状态。
在本发明中,“外旋(supinated)”的表述是指以身体的中心线为准脚向外(或远端)方向塌陷或塌陷的三维运动状态,通常会因内翻(inversion)而发生。
在本发明中,“内旋(pronated)”的表述是指脚以身体的中心线为准向内侧(或近端)方向塌陷或塌陷的三维运动状态,通常会因外翻(eversion)而发生。
在本发明中,“等级”表示脚的骨科症状的程度,在本发明中分为0、1、2、3级。3级表示其程度严重的状态,2级表示中等状态,1级表示较弱的状态,0级表示正常状态。
根据本发明的利用人工智能算法订购定制鞋垫的方法,包括:
a)为了利用人工智能算法建立学习模型,获取多个后足部原始图像的步骤;
b)检测从所述获得的后足部原始图像中去除背景及/或噪声的后足部图像的步骤;
c)根据所述检测的后足部图像数据、所述检测的后足部图像计算内踝的倾斜角、外踝的倾斜角及小腿二等分线的倾斜角,来生成学习模型的输入数据(输入层)的步骤;
d)利用人工智能算法学习所述输入数据(输入层)作为足型的输出数据(输出层)的足型学习步骤;
e)基于在所述足型学习步骤构建的人工智能算法,分析从客户终端传送而来的足部图像,对客户的足型进行分类的足型分类步骤;
f)向客户终端传送对所述分类的足型进行优化的鞋垫信息的步骤;以及
g)从所述客户终端向供应者终端输出订购信息的步骤。
在一实施方式中,所述步骤c)还可以包括被所述小腿二等分线左右划分的脚后跟的左右面积数据作为学习模型的输入数据。
参照附图详细说明根据本发明的优选示例性实施例的在线鞋垫订购系统。
图1示出根据本发明的一实施例的组件的网络关系。
图2示出根据本发明的一实施例的对客户优化的鞋垫订购系统的框图。
如图1所示,本发明的鞋垫订购系统,包括:客户终端100,供客户使用;供应者终端300,供供应者使用;以及供应者服务器200,分析从客户提供的足部图像信息来判断客户的足型,并向客户终端传送针对足型优化的鞋垫信息。所述客户终端100、供应者服务器200及供应者终端300通过诸如互联网或无线通信的网络直接或间接地相互连接。
首先,客户终端100只要是如智能手机、平板电脑、PC电脑可以显示、存储数据及通信的设备皆可使用。
所述客户终端100可以通过安装供应者提供的一系列应用程序来与供应者服务器200连接,或者无需其他的应用程序,也可以访问供应者服务器200的网站。
在客户终端100的应用程序或网站上可以输入客户信息并传输至供应者服务器200。所述客户信息包括客户的姓名、地址和联系方式,根据需要,可以包括性别、年龄、体重、身高、脚的尺码或鞋码等。可以通过客户认证程序、会员注册程序等存储在供应者服务器200中。
当客户终端100为智能手机或平板电脑时,由于基本内置有摄像头模块(相机功能),因此,可以直接通过摄像头模块生成足部图像信息,还可以将事先在其他设备上拍摄的足部图像存储在客户终端(例如,PC电脑)。
在客户终端100拍摄或存储的足部图像信息被传输到供应者服务器200。
足部图像信息可以是拍摄客户的足部的照片(2D图像)或3D图像(以下,称为原始图像)。3D图像可以使用由供应者提供的3D生成程序(或应用程序)生成或者使用其他的3D生成应用或程序来生成3D图像。
所述足部图像信息基本上包括后足部图像,根据需要,还可以包括足部的侧面图像、足底图像。
后足部图像是从后方拍摄脚后跟的图像,包括小腿(lower leg)部分。
足部侧面图像可以是拍摄脚的内侧(medial),即脚的内弓(arch)和脚背的高度部分的图像。足弓和脚背的高度、宽度及倾斜形状等可用于判断后述的足型。
在足底图像中,例如,诸如老茧的特异信息可以用于判断后述的足型。
所述足部图像对拍摄条件敏感。例如,根据上下、左右拍摄角度和拍摄高度,足型显示非常多样,色度、对比度等也会根据光照条件而显示多样。因此,可以向客户的终端提示用于生成最佳图像的拍摄条件、拍摄方法等的指南(手册)。另一方面,在智能手机和平板电脑的情况下,在前面和后面分别具备摄像头模块。后面摄像头模块与被摄体相同,但在前面摄像头模块会有被摄体被设置成左右反转的情况。因此,还会提示关于原始图像的左右反转方法等的指南。
所述供应者服务器200以从客户终端100传输的足部图像为对象,使用一系列人工智能算法分析足部图像来判断足型,然后选择适合足型的鞋垫信息发送至客户终端100。
所述供应者服务器200包括用于存储客户信息的客户信息数据库210,并且,包括用于分析客户的足部图像并判断足型的足部分析处理器220。
所述足部分析处理器220包括人工智能算法,使得从后足部原始图像学习和判断足型。一实施方式中,所述人工智能算法可以为神经网络算法。所述神经网络算法可以为深度神经网络(DNN)或卷积神经网络(CNN),可以全部包括深度神经网络和卷积神经网络。所述人工智能算法可以是基于深度学习(Deep Learning)的监督学习(SupervisedLearning)模型。优选地,所述人工智能算法可以是通过预先给定输入数据(输入层)和输出数据(输出层)的方式进行学习的监督学习算法。
本发明的根据足部图像推导足型的学习方法为如下。
首先,足部专家根据矫形外科学临床资料预先在学习模型中建立要分类的足型。
在足部矫形外科学中,判断足型的标准之一是足部图像中小腿二等分线与跟骨二等分线(calcaneal bisection line)的关系。跟骨(calcaneus)是脚后跟的骨,跟骨二等分线是将跟骨垂直二等分的中心线。如图3所示,根据跟骨二等分线的倾斜方向和角度,客户的脚在矫形外科学上分为“内旋(pronated)”、“中性(neutral)”、“外旋(supinated)”的三种类型,是判断其程度为“轻度(mild)”、“一般(moderate)”、“严重(severe)”的主要标准之一,这对于选择合适的鞋垫非常重要。
在本发明的一实施方式中,根据6种类型来判断足型,但这种类型分类仅根据本发明人所获得的临床资料进行优化的,因此,并不局限于后述的6种类型,足型可根据需要增减。
在本发明中,按韩语顺序将6种足型分类为GA-型(S+++)、NA-型(P+)、DA-型(P)、LA-型(P++)、MA-型(S++)、BA-型(P+++)。
在本发明中,等级按照程度分为0级、1级、2级、3级。3级表示其程度最严重,2级表示比较严重,1级表示比较轻。
①GA-型:脚向外严重倒的内翻(Inversion)型,后足部(rearfoot)为未得到补偿的后足内翻(uncompensated rearfoot varus),前足部为最高3级前足外翻(forefootvalgus),足弓高度为3级,整体3级外旋(supinated)型(S+++);
②NA-型:后足部为外翻(rearfoot valgus),前足部为柔性外翻(forefootvalgus),足弓高度为1级,整体1级内旋型(pronated)(P+);
③DA-型:后足部为未得到补偿的内翻,前足部为中性(neutral),足弓高度为中间的2级,整体中性(neutral,normal(正常))型(P);
④LA-型:后足部为得到补偿的内翻,前足部为中性,足弓高度为1级,整体2级内旋型(P++);
⑤MA-型:后足部为未得到补偿的内翻,前足部为2级内翻,足弓高度为2级,整体2级外旋型(S++);
⑥BA-型:后足部为得到补偿的内翻(compensated rearfoot varus),前足部为内翻,足弓高度为0级,整体3级内旋型(P+++)。
当难以分类为上述6种足型时,可进一步增加分类Cnp型(Classification notpossible),当足型严重到难以应用本发明的鞋垫时,可进一步增加分类CwP型(Consultwith Doctor,请咨询医生)。
在本发明中,作为学习模型可以采用结合深度神经网络模型和卷积神经网络模型的模型。
为了本发明的建模学习,获取很多足部原始图像。
所述获取的每张图像都标有编号,专家对每张原始图像进行视觉分析,从所述8种足型中进行选择,并根据每张图像标注结果值。
本发明的足部分析处理器220机械地提取从原始图像中去除背景的足部图像和来自所述足部图像的输入数据(输入层)。所述输入数据包括内踝的倾斜角、外踝的倾斜角,根据需要,可以添加脚后跟的面积数据(左右面积比)作为输入数据(输入层)。标记的输入数据通过足部分析处理器220的神经网络算法计算,并利用该结果值推导出足型。学习初期,由足部分析处理器220输出的结果(足型)与由专家分类的结果(足型)相比,显示误差值较大(高损失),但经过反复学习逐渐收敛于通过专家分类的足型(与足型一致),从而,建立本发明的神经网络算法。
为了准确提取所述人工智能算法的输入数据,必须从足部原始图像中去除不必要的背景。
所述足部分析处理器220包括足部检测部221,所述足部检测部从足部原始图像中去除不必要的背景及/或噪声,使得仅检测出足部图像。
在本发明的一实施方式中,作为从原始图像中去除背景的方法,可以使用显著对象检测(Salient Object Detection)技术。SOD技术是一种用于检测在图像中认为重要的对象的技术,从背景(background)仅分割重要的前景(foreground)对象。SOD技术预测用强度(intensity)值表示重要对象(salient object)属于图像中的每个像素(pixel)的概率的显著图(saliency map)。显著图是对预测类logit的输入图像计算梯度(gradient)而生成的归因(attribution)手段,通过观察其,可以可视地确认卷积神经网络(ConvolutionNeural Network,CNN)的特定预测结果属于图像的哪一部分。具体地,可以通过回归分析(regression analysis)仅提取图像中足部的轮廓区域。
图4示出使用SOD技术从原始图像中去除背景的图像。如图4所示,在去除背景的足部图像中,在获得所需的输入数据时可能会发生错误或不必要的部分即噪声。在原始图像中,可以使用背景分离AI模型等去除这样的背景和噪声。
一实施方式中,可以使用灰度(Grayscale)方法将去除背景或噪声的图像变换为黑白图像。然后,在一实施方式中,所述灰度图像可以通过阈值(threshold),例如二值化阈值(binary threshold)过程,将灰度图像变换为白色图像,可以变换为只有黑色和白色的双色图像。然后,例如通过提取近似多边形,从黑色和白色之间的边界提取轮廓线及其坐标。所述提取轮廓线的方法是一个示例,提取轮廓线的方法不限于此,还可以使用其他的公知方法。
如上所述,去除背景、噪声的后足部图像、其的灰度图像或二值(binary)图像数据可用于从人工智能模型,优选卷积神经网络中提取输入数据(自变量)。
足部分析处理器220从所述已去除背景的足部图像中自动提取本发明的神经网络模型所需的输入数据。可以从所述后足部图像计算内踝的倾斜角、外踝的倾斜角、小腿二等分线的倾斜角、由所述小腿二等分线左右分割的脚后跟的左右面积数据,所述数据可在人工智能模型,优选在深度神经网络中用作输入数据(自变量)。
本发明的输入数据包括内踝的倾斜角、外踝的倾斜角及小腿二等分线的倾斜角。
内踝是脚内侧突出的部分,外踝是脚外侧突出的部分。
足部分析处理器220包括用于检测内踝和外踝的坐标的踝检测部222。
在本发明的足部图像中,可以综合反映所提取的轮廓线的坐标偏差、脚踝检测、ROI(region of interest,感兴趣区域)设置、脚倾斜等来获取内踝的坐标值和外踝的坐标值。内踝的倾斜角可以是先设置一系列连接内踝的末端坐标值和脚底内侧附近的轮廓线坐标值的虚线之后,将其中最大倾斜角的角度用作输入数据。外踝的倾斜角可以是先设置一系列连接外踝的末端坐标值和足底外侧附近的轮廓线坐标值的虚线之后,将其中最大倾角的角度用作输入数据。
足部分析处理器220包括用于检测小腿二等分线的小腿二等分线检测部223。
小腿二等分线(lower leg bisection)是指在足部矫形学中左右对称地分割小腿(lower leg),即脚腕上部的小腿部分的中心线。
在本发明中,所述小腿二等分线可以基本上没有错误地计算。
图5是计算小腿二等分线(小腿中心线)的优选一实施方式。
如图5所示,在小腿足部图像中,从将对应于小腿的部分以预定高度分为多个后生成的多个水平线(横线)和小腿的轮廓线相交的两侧坐标设置一系列中心点,以所述中心点为对象,利用线性回归法及最小二乘近似法检测直线型的小腿二等分线。所述检测到的小腿二等分线在足部图像上接近垂直的形式,小腿二等分线的角度在本发明的算法模型中用作输入数据中的一个。
另一方面,作为可用于本发明的另一种小腿二等分线的计算方法,将对内踝的坐标值和外踝的坐标值的距离二等分的点设置为脚踝中心点,以所述脚踝的中心点为中心设置多个预定距离的半径,以将所述半径和小腿轮廓线相交的两点二等分的中心点为对象,利用线性回归法及最小二乘近似法检测的接近垂直线(竖线)的直线形式。
上述的内踝的倾斜角、外踝的倾斜角及小腿二等分线的倾斜角用作本发明的神经网络模型的输入数据。
此外,作为本发明的神经网络模型的输入数据还可以包括脚后跟的左右面积数据。所述脚后跟的左右面积数据是指脚后跟部分被所述小腿二等分线左右分割的面积的比率。
足部分析处理器220包括足型判断部224,其使用一系列神经网络从输入数据导出足型。
深度神经网络(Deep Neural Network,DNN)是在输入层(input layer)和输出层(output layer)之间由多个隐藏层(hidden network)组成的人工神经网络。隐藏层的数量越多,人工神经网络越深(deep),可有效地用于对输入数据进行分类、解释集群以及识别数据中的特定模式。在所述输入数据中,数值信息,即踝骨的倾斜角、小腿二等分线的倾斜角、脚后跟的左右面积比可以通过深度神经网络进行。
卷积神经网络(Convolutional Neural Network;CNN)是一种通过将滤波技术应用于人工神经网络,更有效地处理二维数据(例如图像)的方法。与使用固定的滤波技术处理图像的情况不同,卷积神经网络自动学习使得由矩阵表示的滤波器的每个元素适合数据处理。卷积神经网络的结构是通过在全连接层(Fully-connected)之前添加称为卷积层(Convolutional layer)和池化层(Pooling layer)的新层,对原始图像应用滤波技术,然后对经滤波后的图像进行分类运算。所述输入数据中去除背景后的足部图像通过卷积神经网络进行分类运算,并通过归一化指数(softmax)函数等的概率计算函数进行数值化后,结合所述踝骨的倾斜角、小腿二等分线的倾斜角、脚后跟的左右面积比的深度神经网络的隐藏层形成深度神经网络。刚开始学习时,足部分析处理器220输出的结果(足型)与通过专家分类的结果(足型)相比,误差值较大(高损失),但经过反复学习,逐渐收敛于由专家分类的足型(足型一致),从而,建立本发明的神经网络算法。
足部分析处理器220包括鞋垫选择部225,其使用一系列神经网络从足型输入数据导出足型。
根据本发明的学习模型,在上述8种类型中导出GA-型(S+++)、NA-型(P+)、DA-型(P)、LA-型(P++)、MA-型(S++)、BA-型(P+++)时,选择针对每种足型优化的定制鞋垫信息并传输给客户。
根据本发明的定制鞋垫,可以按照足型,以前足部(Forefoot,FF)、中足部(Midfoot,MF)、后足部(Rearfoot,RF)的内侧(inside)和外侧(outside)的高度、倾斜等最适合客户的脚的形式提供。根据本发明的鞋垫的材料可以使用已知为鞋垫材料的材料。本发明鞋垫的整体可以使用合成树脂,例如可以使用乙烯-醋酸乙烯酯共聚物(EVA)、聚氨酯(Polyurethane)、乳胶,也可以使用它们的发泡成形体,但不仅限于此。
首先,GA-型整体为3级外旋(supinated)型,相当于严重的弓形足(cavus)。图8示出应用于本发明GA-型的优选鞋垫(GA-型鞋垫)的一实施例。参考图8,GA-型鞋垫10中,为了控制严重的后足内翻,鞋垫的后足部(RF)形成为外侧(lateral)高于内侧(medial),并具有倾斜的形状。在一实施方式中,倾斜角可以为5至15度。由于3级外旋型脚整体呈往外倒的形状,因此,GA-型鞋垫10的中足部(midfoot)也形成为外侧(lateral)比内侧(medial)相对更高。另外,为了减少足部向外倒的移动(Inversion),在后足部(RF)的跟骨(calcaneus)和中足部(MF)的骰骨(cuboid)相结合的部位即对应于跟骨和骰骨弓(Cacaneual cuboid arch,以下“CCA”)部位的鞋垫10部分还可以形成用于容纳CCA的CCA支撑部11。所述CCA支撑部11优选为比较高的3级支撑部,但也可以为2级、1级的CCA支撑部。GA-型足部中,由于小脚趾抬得比大脚趾高或大脚趾被下压,因此,在鞋垫的前足部(FF)可以形成为第一跖骨(1stMetatarsal)容纳部位12低于第二、第三、第四及第五跖骨容纳部位13(Reverse MortionsExtension)。另一方面,GA-型鞋垫,根据需要,在鞋垫的下部中心处可以具备鞋柄(shank)14,以稳固地支撑足弓的中心。鞋柄的材料为硬质材料,可以为聚丙烯、聚乙烯等高分子树脂,但不限于此。
NA-型是外翻型足,足背低、足弓低、脚向内到,临床上属于轻度(mild)足。图9示出应用于本发明的NA-型的优选鞋垫(NA-型鞋垫)的一实施例。参考图9,所述NA-型20的鞋垫的后足部形成为内侧以平缓的倾斜高于外侧,以防止脚向内倒(Eversion)。前足部形成为内侧22比外侧23略高,大脚趾部位从第一跖骨延伸(Mortons Extension)形成得较高,外侧CCA(Caclneual cuboid arch)部位可以形成1级的低支撑部。另一方面,根据需要,NA-型鞋垫在鞋垫的下部中心处可以具备鞋柄24以稳固地支撑足弓中心。根据需要,在中足部还可以形成用于容纳内侧足底筋膜的凹槽(Plantar Fascia Groove)25,以防止足底内侧筋膜过度紧张。
DA-型对应于足背低、足弓低、但脚几乎未向左右任何方向倾的形态的脚。图10示出应用于本发明的DA-型的优选鞋垫(DA-型鞋垫)的一实施例。参考图10,所述DA-型鞋垫30的后足部形成为内侧没有倾斜而平坦或者以平缓的倾斜略高于外侧,中足部形成有突出的支撑部32,以控制横向足弓,在前足部的中心形成有用于容纳第三跖骨的突出支撑部33,CCA部位可以形成1级的低CCA支撑部31。另一方面,根据需要,DA-型鞋垫在鞋垫的下部中心处可以具备鞋柄34以稳固地支撑足弓的中心。
LA-型是外翻(Eversion)型足,足背低、足弓低、脚向内倒,临床上相当于普通(moderate)的脚。图11示出应用于本发明LA-型的优选鞋垫(LA-型鞋垫)的一实施例。参考图11,所述LA-型鞋垫40的后足部形成为内侧以平缓的倾斜更高于外侧,以防止脚向内倒(Eversion),前足部形成为内侧42略高于外侧43,大脚趾部位从第一跖骨延伸(MortonsExtension)而形成得更高。另一方面,根据需要,LA-型鞋垫在鞋垫的下部中心处可以具备鞋柄44以稳固地支撑足弓的中心。根据需要,在中足部还可以形成用于容纳内侧足底筋膜的凹槽(Plantar Fascia Groove)41,以防止内侧足底筋膜过度紧张。
MA-型是足背高、足弓高、足向外倒的内翻(Inversion)型足,临床上属于不比上述的GA-型严重的形态的脚。图12示出应用于本发明的MA-型鞋垫的优选鞋垫(MA-型鞋垫)的一实施例。参考图12,所述MA-型鞋垫50的后足部形成为外侧倾斜角大于内侧倾斜角2至10度,前足部形成为内侧42略高于外侧43,CCA部位可以形成2级的CCA支撑部51。另一方面,根据需要,所述MA-型鞋垫在鞋垫的下部中心处可以具备鞋柄以稳固地支撑足弓的中心。根据需要,在中足部还可以形成用于容纳内侧足底筋膜的凹槽(Plantar Fascia Groove)52,以防止内侧足底筋膜过度紧张。
BA-型是足背低、足弓低、足向内侧倒的外翻(Eversion)型足,临床上比较严重(severe),属于扁平足(平足)。图13示出应用于本发明的BA-型鞋垫的优选鞋垫(BA-型鞋垫)的一实施例。参考图13,BA-型鞋垫60的后足部形成为内侧比外侧斜度更高以防止脚向内倒(Eversion),中足部形成为内侧(medial)比外侧(literal)充分高以增加足弓。另一方面,根据需要,所述BA-型鞋垫在鞋垫的下部中心处可以具备鞋柄34以稳固地支撑足弓的中心。
另外,在一实施方式中,本发明的上述鞋垫可以为在其下表面或上表面附着压敏薄膜(pressure sensitive film)的形态。压敏薄膜是通过施加于薄膜表面的压力在相应部分发生发色的薄膜,并且可以视觉地确认是否发色及根据发色强度的压力分布。压敏薄膜是在PET等的薄膜基材上形成有填充有发色剂的微胶囊层和显色剂层的结构,具有发色剂和显色剂在临界压力以下下被微胶囊膜分离,而在微胶囊被临界压力以上的压力下破裂,发色剂与显色剂发生化学反应时显色的结构。所述微胶囊膜,例如可以由聚脲树脂或聚氨酯树脂等的高分子树脂而构成,可以通过调整微胶囊膜的厚度等来增减临界压力。
所述压敏薄膜还可以附着在鞋垫的状态或者未附着的状态交付给客户之后,由客户附着在鞋垫上。所述压敏薄膜,例如可以由一张膜正好附着在整个鞋垫上,或者如图14所示,可以分离鞋垫的前足部和后足部,即附着2张膜。
购买本发明的鞋垫的客户,将附着有所述压敏薄膜的鞋垫放入鞋内,行走一定时间后得到显色的压敏薄膜或鞋垫图像(照片),然后通过客户终端发送至供应者服务器200。
所述供应者服务器200通过分析压敏薄膜上显示的颜色来评价压力分布,从而,判断订购的鞋垫是否符合客户的足型。
图14为根据本发明的一实施例的附着有压敏薄膜的鞋垫,(a)表示附着有压敏薄膜,(b)表示正常,(c)表示外旋(supinated)状态,不正常,(d)表示内旋(pronay)状态,不正常。
例如,当压力分布形成在鞋垫的前足部和后足部的中心时(图14(b)),则判断订购的鞋垫为正常范围,符合客户的足型,如图14(c)、(d),当压力分布偏向鞋垫的一侧时,则可以判断订购的鞋垫不正常,不符合客户的足型。一实施方式中,所述压敏薄膜的符合性判断可以通过供应者服务器中具备的压敏薄膜分析部或分析算法来进行。另一实施方式中,压敏薄膜的符合性判断可由足科医生的视觉观察来判断。
工业利用可能性
本发明涉及一种利用人工智能(AI)算法订购定制鞋垫的方法,更具体地,涉及一种利用人工智能算法从人的各种足部图像建立分类足型的学习模型,并基于所述学习的模型读取客户的后足部的图像,并向客户提供对应于足型的定制鞋垫信息,从而,客户可以订购优化的鞋垫的方法。
Claims (14)
1.一种利用人工智能算法订购定制鞋垫的方法,其特征在于,包括:
a)为了利用人工智能算法建立学习模型,获取多个后足部原始图像的步骤;
b)检测从所述获得的后足部原始图像中去除背景及/或噪声的后足部图像的步骤;
c)根据所述检测的后足部图像数据、所述检测的后足部图像计算内踝的倾斜角、外踝的倾斜角及小腿二等分线的倾斜角,来生成学习模型的输入数据(输入层)的步骤;
d)利用人工智能算法学习所述输入数据(输入层)作为足型的输出数据(输出层)的足型学习步骤;
e)基于在所述足型学习步骤构建的人工智能算法,分析从客户终端传送而来的足部图像,对客户的足型进行分类的足型分类步骤;
f)向客户终端传送对所述分类的足型进行优化的鞋垫信息的步骤;以及
g)从所述客户终端向供应者终端输出订购信息的步骤。
2.根据权利要求1所述的利用人工智能算法订购定制鞋垫的方法,其特征在于,所述步骤c)中还包括被所述小腿二等分线左右划分的脚后跟的左右面积数据作为学习模型的输入数据。
3.根据权利要求1所述的利用人工智能算法订购定制鞋垫的方法,其特征在于,所述人工智能算法包括深度神经网络及卷积神经网络,
利用深度神经网络学习所述内踝的倾斜角、外踝的倾斜角、小腿二等分线的倾斜角,
利用卷积神经网络学习所述后足部图像。
4.根据权利要求1所述的利用人工智能算法订购定制鞋垫的方法,其特征在于,所述内踝的角度是连接从后足部图像计算的内踝与足底部位的内侧面所成的直线的角度,
所述外踝的角度是连接从后足部图像计算的外踝与足底部位的外侧面所成的直线的角度。
5.根据权利要求1所述的利用人工智能算法订购定制鞋垫的方法,其特征在于,所述小腿二等分线的倾斜角是在小腿足部图像中,将对应于小腿的部分以预定高度分为多个后生成的多个水平线(横线)和小腿的轮廓线相交的两侧坐标设置一系列中心点,以所述中心点为对象,采用线性回归法及最小二乘近似法检测的垂直线的角度。
6.根据权利要求1所述的利用人工智能算法订购定制鞋垫的方法,其特征在于,所述足型选自以下6种类型:
①GA-型:后足部为未得到补偿的后足内翻(uncompensated rearfoot varus),前足部为最高3级前足外翻(forefoot valgus),足弓高度为3级,整体3级外旋(supinated)型;
②NA-型:后足部为外翻(rearfoot valgus),前足部为柔性外翻(forefoot valgus),足弓高度为1级,整体1级内旋(pronated)型;
③DA-型:后足部为未得到补偿的内翻,前足部为中性(neutral),足弓高度为中间的2级,整体中性(neutral,normal(正常))型;
④LA-型:后足部为得到补偿的内翻,前足部为中性,足弓高度为1级,整体2级内旋型;
⑤MA-型:后足部为未得到补偿的内翻,前足部为2级内翻,足弓高度为2级,整体2级外旋型;
⑥BA-型:后足部为得到补偿的内翻(compensated rearfoot varus),前足部为内翻,足弓高度为0级,整体3级内旋型。
7.根据权利要求6所述的利用人工智能算法订购定制鞋垫的方法,其特征在于,应用于所述GA-型的鞋垫的后足部形成为外侧比内侧高5至15度的倾斜角,
前足部形成为第二、第三、第四、第五跖骨容纳部位高于第一跖骨容纳部位,
中足部形成为外侧高于内侧,
跟骨与骰骨相结合的跟骨-骰骨弓部位形成3级的高支撑部。
8.根据权利要求6所述的利用人工智能算法订购定制鞋垫的方法,其特征在于,应用于所述NA-型的鞋垫的后足部形成为内侧以平缓的倾斜更高于外侧,以防止脚向内倒,
前足部形成为内侧略高于外侧,
大脚趾部位从第一跖骨延伸,形成为较高,
外侧CCA部位形成1级的低支撑部。
9.根据权利要求6所述的利用人工智能算法订购定制鞋垫的方法,其特征在于,应用于所述DA-型的鞋垫的后足部形成为内侧没有倾斜而平坦或者以平缓的倾斜略高于外侧,
中足部形成有支撑部,以控制横向足弓,
前足部的第二、第三、第四跖骨容纳部分略高于左右周边部,
外侧CCA部位形成1级的低支撑部。
10.根据权利要求6所述的利用人工智能算法订购定制鞋垫的方法,其特征在于,应用于所述LA-型的鞋垫的后足部形成为内侧以平缓的倾斜更高于外侧,以防止脚向内倒,
前足部形成为内侧略高于外侧,
大脚趾部位从第一跖骨延伸,形成为较高。
11.根据权利要求6所述的利用人工智能算法订购定制鞋垫的方法,其特征在于,应用于所述MA-型鞋垫的后足部形成为外侧比内侧高2至10°的倾斜角,
前足部形成为内侧略高于外侧,
跟骨和骰骨弓结合的CCA部位形成2级的支撑部。
12.根据权利要求6所述的利用人工智能算法订购定制鞋垫的方法,其特征在于,应用于所述BA-型的鞋垫的后足部形成为内侧倾斜更高于外侧,以防止脚向内倒,
前足部形成为内侧略高于外侧,
大脚趾部位从第一跖骨延伸而形成为较高,
外侧CCA部位形成1级的低支撑部。
13.根据权利要求1所述的利用人工智能算法订购定制鞋垫的方法,其特征在于,通过在所述鞋垫的下表面或上表面附着通过压力发色的压敏薄膜,从而,在客户使用鞋垫时,可以确认施加于鞋垫的压力分布。
14.根据权利要求1所述的利用人工智能算法订购定制鞋垫的方法,其特征在于,
在所述步骤g)之后,还包括:
h)将发色的压敏薄膜图像信息传输至供应者服务器,读取足型是否合适,若判断为不合适,则重新判断足型的步骤;以及
i)基于所述重新判断的足型数据,利用人工智能算法重新学习足型的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220064552A KR102662046B1 (ko) | 2022-05-26 | 2022-05-26 | 인공지능 알고리즘을 이용한 맞춤형 인솔의 주문 방법 |
KR10-2022-0064552 | 2022-05-26 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117132342A true CN117132342A (zh) | 2023-11-28 |
Family
ID=85382550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310144631.XA Pending CN117132342A (zh) | 2022-05-26 | 2023-02-21 | 利用人工智能算法订购定制鞋垫的方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230385894A1 (zh) |
JP (1) | JP2023174502A (zh) |
KR (2) | KR102662046B1 (zh) |
CN (1) | CN117132342A (zh) |
WO (1) | WO2023229143A1 (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100661097B1 (ko) * | 2006-03-13 | 2006-12-27 | (주)한신코리아 | 맞춤형 인솔 |
KR101263216B1 (ko) * | 2009-12-21 | 2013-05-10 | 한국전자통신연구원 | 스마트 신발 및 그 동작 방법 |
KR101899064B1 (ko) | 2017-05-17 | 2018-09-17 | 문광섭 | 스마트 기기의 발 치수 측정을 이용한 개인 맞춤형 조립인솔 제작 시스템과 방법 |
KR102101945B1 (ko) * | 2018-09-05 | 2020-04-17 | 주식회사 알푸스 | 반-맞춤형 인솔 및 반-맞춤형 인솔 선정 방법 |
KR20220040967A (ko) * | 2020-09-24 | 2022-03-31 | 주식회사 나인투식스 | 기록매체 |
KR102322873B1 (ko) * | 2021-03-17 | 2021-11-05 | 주식회사 엑스바디 | 발 형상에 따른 기능성 발 보조기 판정 방법 |
-
2022
- 2022-05-26 KR KR1020220064552A patent/KR102662046B1/ko active IP Right Grant
-
2023
- 2023-01-18 WO PCT/KR2023/000875 patent/WO2023229143A1/ko unknown
- 2023-02-21 CN CN202310144631.XA patent/CN117132342A/zh active Pending
- 2023-02-22 US US18/112,515 patent/US20230385894A1/en active Pending
- 2023-02-27 JP JP2023028132A patent/JP2023174502A/ja active Pending
-
2024
- 2024-04-19 KR KR1020240052830A patent/KR20240055710A/ko active Application Filing
Also Published As
Publication number | Publication date |
---|---|
US20230385894A1 (en) | 2023-11-30 |
KR20230165932A (ko) | 2023-12-06 |
WO2023229143A1 (ko) | 2023-11-30 |
JP2023174502A (ja) | 2023-12-07 |
KR102662046B1 (ko) | 2024-05-02 |
KR20240055710A (ko) | 2024-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4137942B2 (ja) | 靴選択支援システムおよび靴選択支援方法 | |
CN106942837B (zh) | 一种基于图像识别及三维建模技术的矫形鞋制作方法及系统 | |
CN106901445B (zh) | 一种基于压力成像及三维建模技术的矫形鞋制作方法及系统 | |
CN112449576B (zh) | 获得脚部分析数据的方法和系统 | |
WO2008070537A2 (en) | System and methods of making custom footwear | |
Law et al. | Effects of footwear midsole thickness on running biomechanics | |
US20170360148A1 (en) | Methods of making an orthotic footbed assembly | |
KR102535524B1 (ko) | 신발 추천 장치 및 방법 | |
CN108348045A (zh) | 用于确定矫正装置的尺寸的方法和系统 | |
JP2022550301A (ja) | カスタムソールの設計のためのパーソナライズされたソールパラメータ値を計算するための方法及びシステム | |
KR20220040964A (ko) | 사진 촬영을 이용한 발 건강 맞춤형 인솔 정보 제공 장치의 동작 방법 | |
Wang et al. | Artificial neural networks in the selection of shoe lasts for people with mild diabetes | |
KR20220040337A (ko) | 발 건강 관리 서비스 제공 시스템 | |
TWI700051B (zh) | 智能選鞋系統及其方法 | |
CN117132342A (zh) | 利用人工智能算法订购定制鞋垫的方法 | |
KR102662047B1 (ko) | 인공지능 알고리즘을 이용한 맞춤형 인솔 주문 시스템 | |
KR102531528B1 (ko) | 온라인 네트워크를 이용한 맞춤형 인솔의 주문 시스템 | |
US20240138523A1 (en) | Systems and methods for providing personalized footwear | |
WO2023172595A1 (en) | Systems, methods and apparatus for providing personalized footwear | |
KR102641919B1 (ko) | 스마트 인솔을 활용한 실시간 피드백 기반의 가상현실 보행 시스템 | |
WO2023276868A1 (ja) | データ提供装置、フットケア製品提供方法及びフットケア製品 | |
US20190174874A1 (en) | Method and Device for Automatic Fitting tools of Athletic Foot Wear | |
Ma | A mathematical fit model of footwear | |
CN111986218A (zh) | 一种图像识别的方法及系统 | |
KR20220051527A (ko) | 형상 및 상태 진단에 기초하는 교정 기능을 가진 스마트 인솔 제조 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |