申 宇, 楊妍雯, 陳佳珍, 郭子翊, 鄒奉元

(浙江理工大學(xué) a.絲綢文化傳承與產(chǎn)品設(shè)計(jì)數(shù)字化技術(shù)文化和旅游部重點(diǎn)實(shí)驗(yàn)室; b.浙江省服裝工程技術(shù)中心;c.服裝數(shù)字化技術(shù)浙江省工程實(shí)驗(yàn)室,杭州 310018)

COVID-19新冠病毒的暴發(fā)使口罩成為醫(yī)護(hù)人員和普通人群的重要防護(hù)設(shè)備,如何提高口罩的貼合性與舒適性成為人們關(guān)注的社會(huì)熱點(diǎn)問(wèn)題,并且隨著生活水平的提高人們的頭面部形態(tài)發(fā)生變化,20年前的國(guó)家標(biāo)準(zhǔn)已不再適應(yīng)如今頭面部產(chǎn)品的適配設(shè)計(jì)[1]。因此,人體頭面部數(shù)據(jù)特征提取及形態(tài)有效細(xì)分來(lái)滿(mǎn)足口罩、頭盔、面具等頭面部服飾產(chǎn)品在人體適配設(shè)計(jì)過(guò)程中的需求成為迫切需要。

人體頭面部特征及分類(lèi)研究是口罩、面具與頭盔等頭面部產(chǎn)品結(jié)構(gòu)設(shè)計(jì)、號(hào)型制定、舒適合體性研究及版型優(yōu)化的重要基礎(chǔ)[2]。李詠蘭[3]以來(lái)自36個(gè)不同區(qū)域的8 174名成年男性為研究對(duì)象,并提取其12項(xiàng)頭面部形態(tài)學(xué)指標(biāo),對(duì)漢族男性的頭面部特征進(jìn)行研究與分類(lèi)。宇克莉等[4]以182名夏爾巴成人為研究對(duì)象,統(tǒng)計(jì)分析了西藏地區(qū)成人的頭面部及體部指標(biāo),豐富了民族體質(zhì)數(shù)據(jù)資料庫(kù)。杜抱樸等[5]以134名成年人為實(shí)驗(yàn)對(duì)象,通過(guò)其14項(xiàng)頭面部測(cè)量指標(biāo)分析它們與8項(xiàng)地理環(huán)境因素間的線(xiàn)性關(guān)系。李欣等[6]對(duì)新疆不同地區(qū)柯?tīng)柨俗巫宄扇说纳涎鄄€皺褶、顴部突出度、蒙古褶等20項(xiàng)頭面部指標(biāo)進(jìn)行觀察記錄,并比較他們的頭面部特征差異,為體質(zhì)人類(lèi)學(xué)的研究積累資料。綜上可以看出,近年來(lái)的研究主要集中在民族與地區(qū)對(duì)頭面部形態(tài)造成的影響及各細(xì)部特征之間的差異,對(duì)數(shù)據(jù)庫(kù)中包含大量樣本的頭型數(shù)據(jù)缺少有效分析,使得在進(jìn)行頭面部產(chǎn)品設(shè)計(jì)時(shí)沒(méi)有反映群體的有效特征,并且在進(jìn)行形態(tài)分類(lèi)時(shí)缺乏準(zhǔn)確有效的模型。多層感知器(Multilayer Perceptron,MLP)神經(jīng)網(wǎng)絡(luò)是一種人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)算法,隨著神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展逐漸被應(yīng)用于預(yù)測(cè)分類(lèi)等方面[7],該模型具有很強(qiáng)的非線(xiàn)性逼近功能,結(jié)構(gòu)簡(jiǎn)單,輸入變量數(shù)目可控,操作性強(qiáng),可以很好地應(yīng)用在人體號(hào)型分類(lèi)與預(yù)測(cè)研究中[8]。

本文為提高頭面部產(chǎn)品適配性,以189名18～26歲在校女大學(xué)生為研究對(duì)象,通過(guò)主成分分析(Principal Component Analysis,PCA)提取影響頭面部形態(tài)的特征因子;采用K-means方法對(duì)頭面部形態(tài)進(jìn)行分類(lèi),利用指數(shù)分型法把頭面部形態(tài)進(jìn)行量化分型,并提出基于MLP神經(jīng)網(wǎng)絡(luò)的頭面部號(hào)型預(yù)測(cè)模型;可大幅提高由于頭面部尺寸過(guò)于繁雜,在進(jìn)行號(hào)型分類(lèi)或選擇時(shí)參考依據(jù)過(guò)多而產(chǎn)生的生產(chǎn)工作效率低等問(wèn)題,為研究當(dāng)代中國(guó)人的頭面部尺寸和面向中國(guó)市場(chǎng)的口罩、面具等頭面部產(chǎn)品設(shè)計(jì)積累形態(tài)學(xué)資料。

1 實(shí) 驗(yàn)

1.1 測(cè)量樣本

不同地區(qū)、不同年齡的人體頭面部形態(tài)、尺寸具有較大差異。為保證樣本的代表性與獨(dú)立性,本文以18～26歲女大學(xué)生作為測(cè)量樣本,該年齡段女性的頭面部已基本發(fā)育完全,能充分體現(xiàn)頭面部形態(tài)特征。根據(jù)國(guó)際標(biāo)準(zhǔn)ISO 15535—2012《Standard of International Organization for Standardization》中規(guī)定建立人體測(cè)量數(shù)據(jù)樣本量的計(jì)算方法來(lái)確定測(cè)量樣本,如下式所示:

(1)

式中:n為估計(jì)樣本量;σ為標(biāo)準(zhǔn)差;Δ為允許誤差。

以頭全高指標(biāo)的σ=1.406 5為計(jì)算值,由式(1)計(jì)算得到估計(jì)樣本量n=135,同時(shí)考慮到異常值和無(wú)效樣本,確定本實(shí)驗(yàn)樣本量為189人。并通過(guò)分組隨機(jī)抽樣法,將18～26歲女大學(xué)生分為三組,即18～20歲、21～23歲、24～26歲,在每組中抽取63名女大學(xué)生作為測(cè)量樣本。

1.2 測(cè)量項(xiàng)目

根據(jù)GB/T 2428—1998《成年人頭面部尺寸》中女子頭面部項(xiàng)目尺寸規(guī)定的41個(gè)測(cè)量項(xiàng)目及實(shí)驗(yàn)對(duì)象的身高、體重,對(duì)女大學(xué)生的頭面部尺寸進(jìn)行測(cè)量和特征提取。頭面部測(cè)點(diǎn)如圖1所示,頭面部測(cè)量項(xiàng)目如圖2所示。

al:鼻翼點(diǎn);ch:口角點(diǎn);en:眼內(nèi)角點(diǎn);eu:頭側(cè)點(diǎn);tr:發(fā)緣點(diǎn);ft:顳嵴點(diǎn);g:眉間點(diǎn);gn:頦下點(diǎn);go:下頜角點(diǎn);li:下唇中點(diǎn);ls:上唇中點(diǎn);n:鼻根點(diǎn);obi:耳下附著點(diǎn);obs:耳上附著點(diǎn);pu:瞳孔;pra:耳前點(diǎn);se:鼻梁點(diǎn);sa:耳上點(diǎn);sba:耳下點(diǎn);sto:口裂點(diǎn);v:頭頂點(diǎn);zy:顴點(diǎn);ex:眼外角點(diǎn);l:枕外隆突點(diǎn);sn:鼻下點(diǎn);op:枕后點(diǎn);pa:耳后點(diǎn);prn:鼻尖點(diǎn);t:耳屏點(diǎn)

1:頭圍;2:形態(tài)面長(zhǎng);3:頭最大長(zhǎng);4:頭最大寬;5:頭矢狀弧;6:頭冠狀弧;7:頭全高;8:鼻尖點(diǎn)至枕后點(diǎn)距;9:耳屏至枕后點(diǎn)距;10:頭斜長(zhǎng);11:兩耳外寬;12:兩耳屏間寬;13:額最小寬;14:面寬;15:兩下頜角間寬;16:容貌面長(zhǎng)I;17:容貌上面長(zhǎng);18:鼻高;19:鼻寬;20:鼻深;21:鼻下頦下點(diǎn)距;22:兩眼外寬;23:瞳孔間距;24:兩眼內(nèi)寬;25:口寬;26:唇全高;27:耳基部長(zhǎng);28:容貌耳寬;29:耳屏顴點(diǎn)長(zhǎng);30:耳屏鼻根長(zhǎng);31:耳屏頦下長(zhǎng);32:耳屏下頜角長(zhǎng);33:耳屏點(diǎn)間額弧長(zhǎng);34:耳屏點(diǎn)間頦下弧長(zhǎng);35:耳屏點(diǎn)間頜下弧長(zhǎng);36:頭頂:枕后點(diǎn)間頦下圍長(zhǎng);37:頭耳高;38:容貌耳長(zhǎng);39:頭頂點(diǎn)至眉間點(diǎn)距;40:頭頂點(diǎn)至鼻尖點(diǎn)距;41:耳屏耳上點(diǎn)高

1.3 儀器與要求

采用DP-LI馬丁測(cè)量?jī)x(北京亞歐德鵬公司),主要包括滑動(dòng)計(jì)(測(cè)量范圍0～200 mm/mm,精度±0.1 cm)、直尺(測(cè)量范圍0～150 mm/mm,精度±0.1 cm)、鋼卷尺(測(cè)量范圍0～2 000 mm/mm,精度±0.1 cm)、觸角計(jì)(測(cè)量范圍0～450 mm/mm,精度±0.1 cm),以及軟卷尺進(jìn)行接觸式測(cè)量,測(cè)量實(shí)驗(yàn)對(duì)象的頭面部尺寸。使用SH200G身高體重計(jì)(杭州上禾科技公司),身高測(cè)量范圍5～200 cm,測(cè)量精度±0.1 cm,體重測(cè)量范圍5～165 kg,測(cè)量精度±0.1 kg,測(cè)量實(shí)驗(yàn)對(duì)象的身高與體重。

手工接觸式測(cè)量要點(diǎn):要求實(shí)驗(yàn)對(duì)象在測(cè)量之前平靜3 min,并保持直立平視前方,按GB/T 2428—1998中女子頭面部項(xiàng)目尺寸規(guī)定的41個(gè)測(cè)量項(xiàng)目在實(shí)驗(yàn)對(duì)象頭面部標(biāo)出測(cè)量點(diǎn)位置,進(jìn)行3次測(cè)量計(jì)算并記錄平均值,且要求3次測(cè)量結(jié)果誤差在±0.1%之內(nèi),若超過(guò)則重新測(cè)量。

2 結(jié)果與分析

2.1 頭面部形態(tài)分類(lèi)

2.1.1 聚類(lèi)變量選取

為綜合41個(gè)頭面部測(cè)量參數(shù)對(duì)頭部進(jìn)行分類(lèi),本文采用線(xiàn)性主成分分析(PCA)的方法對(duì)需要分析的頭面部尺寸進(jìn)行降維。PCA的降維處理是通過(guò)將數(shù)據(jù)嵌入到原始空間的低維子空間中來(lái)實(shí)現(xiàn)的,通過(guò)PCA提取了7個(gè)頭面部特征主成分,前7個(gè)主成分的特征根均大于1且累計(jì)方差貢獻(xiàn)率為82.459%。因此選擇前7個(gè)主成分分析頭面部特征,分析效果較為理想,因子分析如圖3所示。

圖3 因子分析結(jié)果

因子載荷矩陣旋轉(zhuǎn)后的結(jié)果如表1所示。由表1可知,主成分因子1在頭圍、頭最大長(zhǎng)等表征頭部輪廓變量上有較大載荷,定義為頭部輪廓因子;主成分因子2在耳部變量上載荷系數(shù)較大,定義為耳部因子;主成分因子3在形態(tài)面長(zhǎng)等表征上面部形態(tài)的變量上載荷系數(shù)較大,定義為形態(tài)上面部因子;主成分因子4在兩下頜角間寬等表征下面部形態(tài)的變量上載荷系數(shù)較大,定義為形態(tài)下面部因子;主成分因子5在兩眼內(nèi)寬、兩眼外寬變量上載荷較大,定義為眼部因子;主成分因子6在鼻高、鼻深、鼻寬等變量上有一定載荷,定義為鼻部因子;主成分因子7在大口寬和唇全高變量上載荷較大,定義為口唇部因子。因此,確定頭面部形態(tài)的因子為頭部輪廓因子、耳部因子、形態(tài)上面部因子、形態(tài)下面部因子、眼部因子、鼻部因子和口唇部因子。

表1 因子載荷矩陣

采用相關(guān)指數(shù)最大值法從提取的7個(gè)因子中選取相關(guān)指數(shù)最高的指標(biāo)作為進(jìn)行聚類(lèi)分析時(shí)所需要的代表性指標(biāo),如下式所示[9]。

(2)

式中:Rj為變量j的相關(guān)指數(shù);rij為相關(guān)系數(shù);j=1,2,…,m;i=1,2,…,m;m為所在因子的指標(biāo)數(shù)量。

根據(jù)式(2)可以計(jì)算得出同類(lèi)主成分中每個(gè)指標(biāo)的相關(guān)指數(shù),結(jié)果如表2所示,代表性聚類(lèi)指標(biāo)即為各主成分中相關(guān)指數(shù)最高的指標(biāo)。根據(jù)表2所示,同時(shí)結(jié)合頭面部產(chǎn)品的實(shí)際開(kāi)發(fā)生產(chǎn)需求選取各主成分中相關(guān)指數(shù)最大的頭圍、容貌耳長(zhǎng)、形態(tài)面長(zhǎng)、容貌面長(zhǎng)Ⅰ、兩眼外寬、鼻高及口寬作為代表性指標(biāo)進(jìn)行頭面部形態(tài)聚類(lèi)分析。

表2 各類(lèi)因子的相關(guān)指數(shù)

2.1.2 最佳分類(lèi)數(shù)的確定

通過(guò)混合F統(tǒng)計(jì)量(FMixed)來(lái)確定聚類(lèi)的最佳分類(lèi)數(shù)[10],計(jì)算方法如下式所示。FMixed越大表示類(lèi)內(nèi)聯(lián)系越緊密且類(lèi)間聯(lián)系越分散,因此FMixed最大時(shí)其c值就是最佳分類(lèi)數(shù)。

(3)

式中:P為聚類(lèi)的變量數(shù);F(k)為第k個(gè)聚類(lèi)變量的F值,可由下式得到。

(4)

式中:c為聚類(lèi)數(shù);n為總樣本數(shù);ni為第i類(lèi)樣本數(shù);vik為第i類(lèi)樣本第k個(gè)變量的聚類(lèi)中心,k=1,2,…,p;vk為第k個(gè)變量聚類(lèi)中心的平均值;xijk為第i類(lèi)的第j個(gè)樣本的第k個(gè)變量值。

由圖4可知,當(dāng)FMixed值最大時(shí)c=5,類(lèi)內(nèi)聯(lián)系最緊密,即189名女大學(xué)生頭面部最佳分類(lèi)為5類(lèi)。基于K-means聚類(lèi)方法對(duì)頭面部進(jìn)行分類(lèi)獲得初始分類(lèi)結(jié)果,然后經(jīng)過(guò)9次迭代使聚類(lèi)中心收斂獲得最終聚類(lèi)結(jié)果。

圖4 不同分類(lèi)數(shù)對(duì)應(yīng)的Fmixed值

2.1.3 頭面部號(hào)型歸檔

根據(jù)K-means結(jié)果將頭面部形態(tài)進(jìn)行號(hào)型分檔,方便為后續(xù)使用MPL神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)通過(guò)少量頭面部特征尺寸精準(zhǔn)預(yù)測(cè)其號(hào)型分類(lèi),本文依據(jù)各類(lèi)別聚類(lèi)中心值采用指數(shù)分型法把頭面部進(jìn)行量化分型。其中,形態(tài)指數(shù)=形態(tài)面高/面寬×100[11],將頭面部分為5個(gè)號(hào)型(表3):第一類(lèi)橫向維度最小,形態(tài)指數(shù)>93,為XS型;第二類(lèi)橫向維度最寬,形態(tài)指數(shù)≤79,為XL型;第三類(lèi)橫向維度處于中等水平,形態(tài)指數(shù)∈(84,88],為M型;第四類(lèi)橫向維度較小,形態(tài)指數(shù)∈(88,93],為S型;第五類(lèi)橫向維度較寬,形態(tài)指數(shù)∈(79,84],為L(zhǎng)型。

表3 頭面部號(hào)型分檔

覆蓋率是不同被測(cè)人員的頭面部號(hào)型占據(jù)的比例,本文按照覆蓋率≥5%設(shè)置,若<5%則不設(shè)置號(hào)型。如表3所示,將頭面部號(hào)型劃分成5個(gè)號(hào)型:XS型覆蓋率為12%、S型覆蓋率為19%、M型覆蓋率為37%、L型/覆蓋率為26%、XL型覆蓋率為6%,其中形態(tài)指數(shù)均值為85.6,M號(hào)型分布最廣,可作為中間號(hào)型。

2.2 MLP神經(jīng)網(wǎng)絡(luò)模型

2.2.1 MLP神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)

多層感知器(MLP)每層的神經(jīng)元均相互連接,包含輸入層、輸出層及隱藏層,隱藏層既可為1層也可為多層[12]。本文使用的MLP模型只含一個(gè)隱層,其結(jié)構(gòu)如下式所示。

f(x)=G(b(2)+W(2)(s(b(1)+W(1)x)))

(5)

式中:函數(shù)G是softmax,W表示偏重,b為偏置。

該模型主要是通過(guò)頭圍、容貌耳長(zhǎng)、形態(tài)面長(zhǎng)、容貌面長(zhǎng)Ⅰ、兩眼外寬、鼻高、口寬對(duì)頭面部號(hào)型進(jìn)行預(yù)測(cè),使用R語(yǔ)言中的Sample()函數(shù)對(duì)樣本進(jìn)行編碼;并從數(shù)據(jù)集中使用train <- sample(nrow(df),0.7*nrow(df))抽取各個(gè)號(hào)型的70%作為訓(xùn)練樣本,即133個(gè)樣本數(shù)據(jù),用于對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練,直到訓(xùn)練出較好的模型;再用剩余的56個(gè)樣本數(shù)據(jù)對(duì)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的性能進(jìn)行測(cè)試。輸入層有7個(gè)神經(jīng)元分別為頭圍、容貌耳長(zhǎng)、形態(tài)面長(zhǎng)、容貌面長(zhǎng)Ⅰ、兩眼外寬、鼻高、口寬。MLP神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)步驟如下:

1) 導(dǎo)入必要的python模塊,主要包含numpy、theano及其自帶的os、sy等模塊。

2) 定義MLP模型,基本“構(gòu)件”包括HiddenLayer和Logistic Regression兩個(gè)主體部分。除此之外,還需要定義隱含層的連接系數(shù)W、偏置b及輸入和輸出,并使用梯度下降法確定求解最佳的參數(shù)解決最優(yōu)化問(wèn)題。完成后將它們“組裝”在一起,如圖5所示是MLP的基本結(jié)構(gòu)。

圖5 MLP模型結(jié)構(gòu)

3) 將MLP應(yīng)用于MNIST,即定義MLP模型后將其應(yīng)用于MNIST數(shù)據(jù)集。需要定義mnist.pkl.gz的函數(shù)load_data()等數(shù)據(jù),加載數(shù)據(jù)完成后可以進(jìn)行訓(xùn)練,并設(shè)置batch_size為10,即每訓(xùn)練完10個(gè)樣本后重新計(jì)算梯度與參數(shù),完成更新,并使用梯度下降法來(lái)優(yōu)化MLP模型。

2.2.2 預(yù)測(cè)結(jié)果分析

在實(shí)驗(yàn)MLP時(shí),網(wǎng)絡(luò)信息參數(shù)如表4所示,使用神經(jīng)網(wǎng)絡(luò)函式庫(kù)Keras進(jìn)行訓(xùn)練。輸入層有7個(gè)因子分別為頭圍、容貌耳長(zhǎng)、形態(tài)面長(zhǎng)、容貌面長(zhǎng)Ⅰ、鼻高、口寬、兩眼外寬,協(xié)變量為身高與體重,隱藏層單位數(shù)為11,采用tanh激勵(lì)函數(shù),同時(shí)為了防止過(guò)擬合還需要在每個(gè)隱藏層后輸入dropout的值。輸出層為1個(gè)神經(jīng)元的全連接層,采用Softmax激勵(lì)函數(shù),單位數(shù)5分別為五種號(hào)型歸檔XSSMLXL,并且在訓(xùn)練過(guò)程中使用具有自適應(yīng)學(xué)習(xí)速率的梯度下降算法進(jìn)行優(yōu)化,模型結(jié)構(gòu)如圖5所示。

表4 網(wǎng)絡(luò)信息參數(shù)

預(yù)測(cè)擬概率如圖6所示,五種號(hào)型預(yù)測(cè)正確率分別為90.0%、92.2%、93.7%、96.2%、94.8%。模型號(hào)型預(yù)測(cè)ROC如圖7所示,曲線(xiàn)下范圍越接近于1說(shuō)明驗(yàn)證的準(zhǔn)確性越高。由圖7可知,號(hào)型XS的曲線(xiàn)范圍為0.998,號(hào)型S的曲線(xiàn)范圍為0.992,號(hào)型M的曲線(xiàn)范圍為0.998,號(hào)型L的曲線(xiàn)范圍為0.997,號(hào)型XL的曲線(xiàn)范圍為0.999,說(shuō)明該模型的預(yù)測(cè)效益良好。

圖6 預(yù)測(cè)擬概率

圖7 ROC曲線(xiàn)

模型累計(jì)增益效果如圖8所示,表5為模型的預(yù)測(cè)結(jié)果。由表5可知,MLP以各號(hào)型樣本量的70.00%進(jìn)行訓(xùn)練,在訓(xùn)練時(shí)的各號(hào)型平均正確百分比為98.62%,在測(cè)試時(shí)的各號(hào)型平均正確百分比為93.42%。

圖8 累計(jì)增益效果

表5 模型預(yù)測(cè)結(jié)果

綜上所述,MLP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型預(yù)測(cè)精度達(dá)到93.42%,預(yù)測(cè)效果較好,可以滿(mǎn)足頭面部產(chǎn)品的設(shè)計(jì)、生產(chǎn)的需要。該模型結(jié)構(gòu)簡(jiǎn)單,且當(dāng)訓(xùn)練樣本數(shù)據(jù)足夠多時(shí)該模型則具有更強(qiáng)的非線(xiàn)性逼近功能,可應(yīng)用于頭面部號(hào)型更廣泛的預(yù)測(cè)與分類(lèi),操作性強(qiáng)。

3 結(jié) 論

本文為提高頭面部產(chǎn)品的適配性,運(yùn)用馬丁測(cè)量?jī)x等對(duì)189名18～26歲在校女大學(xué)生進(jìn)行頭面部測(cè)量,通過(guò)因子分析提取了影響頭面部形態(tài)的特征因子,采用K-means聚類(lèi)對(duì)頭面部形態(tài)分類(lèi),利用指數(shù)分型法把頭面部進(jìn)行量化分型,并提出基于MLP神經(jīng)網(wǎng)絡(luò)頭面部號(hào)型預(yù)測(cè)模型。

1) 通過(guò)對(duì)189名實(shí)驗(yàn)對(duì)象的頭面部特征進(jìn)行分析,提取影響頭面部形態(tài)的7個(gè)重要特征因子:頭部輪廓因子、耳部因子,形態(tài)上面部因子、形態(tài)下面部因子、眼部因子、鼻部因子和口唇部因子。

2) 通過(guò)形態(tài)指數(shù)并且依據(jù)各類(lèi)別聚類(lèi)中心值把頭面部進(jìn)行量化分型,將頭面部分為5個(gè)號(hào)型:XS型/形態(tài)指數(shù)>93、S型/形態(tài)指數(shù)∈(88,93]、M型/形態(tài)指數(shù)∈(84,88]、L型/形態(tài)指數(shù)∈(79,84]、XL型/形態(tài)指數(shù)≤79,并且將M型作為中間號(hào)型。

3) 通過(guò)MLP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)通過(guò)少量頭面部特征尺寸精準(zhǔn)預(yù)測(cè)其號(hào)型分類(lèi),生成的模型預(yù)測(cè)結(jié)果正確率達(dá)到93.42%,大幅提高了由于頭面部尺寸過(guò)于繁雜、在進(jìn)行號(hào)型分類(lèi)或選擇時(shí)參考依據(jù)過(guò)多而產(chǎn)生的生產(chǎn)工作效率低等問(wèn)題。

本文為頭面部特征研究提供了一種客觀方法,但仍存在一定的局限性,可通過(guò)擴(kuò)大實(shí)驗(yàn)對(duì)象的地域、年齡等進(jìn)行比較研究,不斷完善頭面部形態(tài)分類(lèi)并將其應(yīng)用于頭面部產(chǎn)品規(guī)格體系,可為研究當(dāng)代中國(guó)人的頭面部特征和面向中國(guó)市場(chǎng)的口罩、面具等頭面部產(chǎn)品設(shè)計(jì)積累形態(tài)學(xué)資料。

《絲綢》官網(wǎng)下載

中國(guó)知網(wǎng)下載