申 宇, 楊妍雯, 陳佳珍, 郭子翊, 鄒奉元

(浙江理工大學 a.絲綢文化傳承與產品設計數(shù)字化技術文化和旅游部重點實驗室; b.浙江省服裝工程技術中心;c.服裝數(shù)字化技術浙江省工程實驗室,杭州 310018)

COVID-19新冠病毒的暴發(fā)使口罩成為醫(yī)護人員和普通人群的重要防護設備,如何提高口罩的貼合性與舒適性成為人們關注的社會熱點問題,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年前的國家標準已不再適應如今頭面部產品的適配設計[1]。因此,人體頭面部數(shù)據(jù)特征提取及形態(tài)有效細分來滿足口罩、頭盔、面具等頭面部服飾產品在人體適配設計過程中的需求成為迫切需要。

人體頭面部特征及分類研究是口罩、面具與頭盔等頭面部產品結構設計、號型制定、舒適合體性研究及版型優(yōu)化的重要基礎[2]。李詠蘭[3]以來自36個不同區(qū)域的8 174名成年男性為研究對象,并提取其12項頭面部形態(tài)學指標,對漢族男性的頭面部特征進行研究與分類。宇克莉等[4]以182名夏爾巴成人為研究對象,統(tǒng)計分析了西藏地區(qū)成人的頭面部及體部指標,豐富了民族體質數(shù)據(jù)資料庫。杜抱樸等[5]以134名成年人為實驗對象,通過其14項頭面部測量指標分析它們與8項地理環(huán)境因素間的線性關系。李欣等[6]對新疆不同地區(qū)柯爾克孜族成人的上眼瞼皺褶、顴部突出度、蒙古褶等20項頭面部指標進行觀察記錄,并比較他們的頭面部特征差異,為體質人類學的研究積累資料。綜上可以看出,近年來的研究主要集中在民族與地區(qū)對頭面部形態(tài)造成的影響及各細部特征之間的差異,對數(shù)據(jù)庫中包含大量樣本的頭型數(shù)據(jù)缺少有效分析,使得在進行頭面部產品設計時沒有反映群體的有效特征,并且在進行形態(tài)分類時缺乏準確有效的模型。多層感知器(Multilayer Perceptron,MLP)神經網(wǎng)絡是一種人工神經網(wǎng)絡(Artificial Neural Network,ANN)算法,隨著神經網(wǎng)絡技術的發(fā)展逐漸被應用于預測分類等方面[7],該模型具有很強的非線性逼近功能,結構簡單,輸入變量數(shù)目可控,操作性強,可以很好地應用在人體號型分類與預測研究中[8]。

本文為提高頭面部產品適配性,以189名18～26歲在校女大學生為研究對象,通過主成分分析(Principal Component Analysis,PCA)提取影響頭面部形態(tài)的特征因子;采用K-means方法對頭面部形態(tài)進行分類,利用指數(shù)分型法把頭面部形態(tài)進行量化分型,并提出基于MLP神經網(wǎng)絡的頭面部號型預測模型;可大幅提高由于頭面部尺寸過于繁雜,在進行號型分類或選擇時參考依據(jù)過多而產生的生產工作效率低等問題,為研究當代中國人的頭面部尺寸和面向中國市場的口罩、面具等頭面部產品設計積累形態(tài)學資料。

1 實 驗

1.1 測量樣本

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立性,本文以18～26歲女大學生作為測量樣本,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)國際標準ISO 15535—2012《Standard of International Organization for Standardization》中規(guī)定建立人體測量數(shù)據(jù)樣本量的計算方法來確定測量樣本,如下式所示:

(1)

式中:n為估計樣本量;σ為標準差;Δ為允許誤差。

以頭全高指標的σ=1.406 5為計算值,由式(1)計算得到估計樣本量n=135,同時考慮到異常值和無效樣本,確定本實驗樣本量為189人。并通過分組隨機抽樣法,將18～26歲女大學生分為三組,即18～20歲、21～23歲、24～26歲,在每組中抽取63名女大學生作為測量樣本。

1.2 測量項目

根據(jù)GB/T 2428—1998《成年人頭面部尺寸》中女子頭面部項目尺寸規(guī)定的41個測量項目及實驗對象的身高、體重,對女大學生的頭面部尺寸進行測量和特征提取。頭面部測點如圖1所示,頭面部測量項目如圖2所示。

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

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

1.3 儀器與要求

采用DP-LI馬丁測量儀(北京亞歐德鵬公司),主要包括滑動計(測量范圍0～200 mm/mm,精度±0.1 cm)、直尺(測量范圍0～150 mm/mm,精度±0.1 cm)、鋼卷尺(測量范圍0～2 000 mm/mm,精度±0.1 cm)、觸角計(測量范圍0～450 mm/mm,精度±0.1 cm),以及軟卷尺進行接觸式測量,測量實驗對象的頭面部尺寸。使用SH200G身高體重計(杭州上禾科技公司),身高測量范圍5～200 cm,測量精度±0.1 cm,體重測量范圍5～165 kg,測量精度±0.1 kg,測量實驗對象的身高與體重。

手工接觸式測量要點:要求實驗對象在測量之前平靜3 min,并保持直立平視前方,按GB/T 2428—1998中女子頭面部項目尺寸規(guī)定的41個測量項目在實驗對象頭面部標出測量點位置,進行3次測量計算并記錄平均值,且要求3次測量結果誤差在±0.1%之內,若超過則重新測量。

2 結果與分析

2.1 頭面部形態(tài)分類

2.1.1 聚類變量選取

為綜合41個頭面部測量參數(shù)對頭部進行分類,本文采用線性主成分分析(PCA)的方法對需要分析的頭面部尺寸進行降維。PCA的降維處理是通過將數(shù)據(jù)嵌入到原始空間的低維子空間中來實現(xiàn)的,通過PCA提取了7個頭面部特征主成分,前7個主成分的特征根均大于1且累計方差貢獻率為82.459%。因此選擇前7個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 因子分析結果

因子載荷矩陣旋轉后的結果如表1所示。由表1可知,主成分因子1在頭圍、頭最大長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

采用相關指數(shù)最大值法從提取的7個因子中選取相關指數(shù)最高的指標作為進行聚類分析時所需要的代表性指標,如下式所示[9]。

(2)

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

根據(jù)式(2)可以計算得出同類主成分中每個指標的相關指數(shù),結果如表2所示,代表性聚類指標即為各主成分中相關指數(shù)最高的指標。根據(jù)表2所示,同時結合頭面部產品的實際開發(fā)生產需求選取各主成分中相關指數(shù)最大的頭圍、容貌耳長、形態(tài)面長、容貌面長Ⅰ、兩眼外寬、鼻高及口寬作為代表性指標進行頭面部形態(tài)聚類分析。

表2 各類因子的相關指數(shù)

2.1.2 最佳分類數(shù)的確定

通過混合F統(tǒng)計量(FMixed)來確定聚類的最佳分類數(shù)[10],計算方法如下式所示。FMixed越大表示類內聯(lián)系越緊密且類間聯(lián)系越分散,因此FMixed最大時其c值就是最佳分類數(shù)。

(3)

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

(4)

式中:c為聚類數(shù);n為總樣本數(shù);ni為第i類樣本數(shù);vik為第i類樣本第k個變量的聚類中心,k=1,2,…,p;vk為第k個變量聚類中心的平均值;xijk為第i類的第j個樣本的第k個變量值。

由圖4可知,當FMixed值最大時c=5,類內聯(lián)系最緊密,即189名女大學生頭面部最佳分類為5類?；贙-means聚類方法對頭面部進行分類獲得初始分類結果,然后經過9次迭代使聚類中心收斂獲得最終聚類結果。

圖4 不同分類數(shù)對應的Fmixed值

2.1.3 頭面部號型歸檔

根據(jù)K-means結果將頭面部形態(tài)進行號型分檔,方便為后續(xù)使用MPL神經網(wǎng)絡實現(xiàn)通過少量頭面部特征尺寸精準預測其號型分類,本文依據(jù)各類別聚類中心值采用指數(shù)分型法把頭面部進行量化分型。其中,形態(tài)指數(shù)=形態(tài)面高/面寬×100[11],將頭面部分為5個號型(表3):第一類橫向維度最小,形態(tài)指數(shù)>93,為XS型;第二類橫向維度最寬,形態(tài)指數(shù)≤79,為XL型;第三類橫向維度處于中等水平,形態(tài)指數(shù)∈(84,88],為M型;第四類橫向維度較小,形態(tài)指數(shù)∈(88,93],為S型;第五類橫向維度較寬,形態(tài)指數(shù)∈(79,84],為L型。

表3 頭面部號型分檔

覆蓋率是不同被測人員的頭面部號型占據(jù)的比例,本文按照覆蓋率≥5%設置,若<5%則不設置號型。如表3所示,將頭面部號型劃分成5個號型: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號型分布最廣,可作為中間號型。

2.2 MLP神經網(wǎng)絡模型

2.2.1 MLP神經網(wǎng)絡模型設計

多層感知器(MLP)每層的神經元均相互連接,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模型只含一個隱層,其結構如下式所示。

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。

該模型主要是通過頭圍、容貌耳長、形態(tài)面長、容貌面長Ⅰ、兩眼外寬、鼻高、口寬對頭面部號型進行預測,使用R語言中的Sample()函數(shù)對樣本進行編碼;并從數(shù)據(jù)集中使用train <- sample(nrow(df),0.7*nrow(df))抽取各個號型的70%作為訓練樣本,即133個樣本數(shù)據(jù),用于對神經網(wǎng)絡的訓練,直到訓練出較好的模型;再用剩余的56個樣本數(shù)據(jù)對訓練好的神經網(wǎng)絡的性能進行測試。輸入層有7個神經元分別為頭圍、容貌耳長、形態(tài)面長、容貌面長Ⅰ、兩眼外寬、鼻高、口寬。MLP神經網(wǎng)絡模型設計步驟如下:

1) 導入必要的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“構件”包括HiddenLayer和Logistic Regression兩個主體部分。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)化問題。完成后將它們“組裝”在一起,如圖5所示是MLP的基本結構。

圖5 MLP模型結構

3) 將MLP應用于MNIST,即定義MLP模型后將其應用于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)完成后可以進行訓練,并設置batch_size為10,即每訓練完10個樣本后重新計算梯度與參數(shù),完成更新,并使用梯度下降法來優(yōu)化MLP模型。

2.2.2 預測結果分析

在實驗MLP時,網(wǎng)絡信息參數(shù)如表4所示,使用神經網(wǎng)絡函式庫Keras進行訓練。輸入層有7個因子分別為頭圍、容貌耳長、形態(tài)面長、容貌面長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激勵函數(shù),同時為了防止過擬合還需要在每個隱藏層后輸入dropout的值。輸出層為1個神經元的全連接層,采用Softmax激勵函數(shù),單位數(shù)5分別為五種號型歸檔XSSMLXL,并且在訓練過程中使用具有自適應學習速率的梯度下降算法進行優(yōu)化,模型結構如圖5所示。

表4 網(wǎng)絡信息參數(shù)

預測擬概率如圖6所示,五種號型預測正確率分別為90.0%、92.2%、93.7%、96.2%、94.8%。模型號型預測ROC如圖7所示,曲線下范圍越接近于1說明驗證的準確性越高。由圖7可知,號型XS的曲線范圍為0.998,號型S的曲線范圍為0.992,號型M的曲線范圍為0.998,號型L的曲線范圍為0.997,號型XL的曲線范圍為0.999,說明該模型的預測效益良好。

圖6 預測擬概率

圖7 ROC曲線

模型累計增益效果如圖8所示,表5為模型的預測結果。由表5可知,MLP以各號型樣本量的70.00%進行訓練,在訓練時的各號型平均正確百分比為98.62%,在測試時的各號型平均正確百分比為93.42%。

圖8 累計增益效果

表5 模型預測結果

綜上所述,MLP神經網(wǎng)絡的預測模型預測精度達到93.42%,預測效果較好,可以滿足頭面部產品的設計、生產的需要。該模型結構簡單,且當訓練樣本數(shù)據(jù)足夠多時該模型則具有更強的非線性逼近功能,可應用于頭面部號型更廣泛的預測與分類,操作性強。

3 結 論

本文為提高頭面部產品的適配性,運用馬丁測量儀等對189名18～26歲在校女大學生進行頭面部測量,通過因子分析提取了影響頭面部形態(tài)的特征因子,采用K-means聚類對頭面部形態(tài)分類,利用指數(shù)分型法把頭面部進行量化分型,并提出基于MLP神經網(wǎng)絡頭面部號型預測模型。

1) 通過對189名實驗對象的頭面部特征進行分析,提取影響頭面部形態(tài)的7個重要特征因子: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) 通過形態(tài)指數(shù)并且依據(jù)各類別聚類中心值把頭面部進行量化分型,將頭面部分為5個號型: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型作為中間號型。

3) 通過MLP神經網(wǎng)絡實現(xiàn)通過少量頭面部特征尺寸精準預測其號型分類,生成的模型預測結果正確率達到93.42%,大幅提高了由于頭面部尺寸過于繁雜、在進行號型分類或選擇時參考依據(jù)過多而產生的生產工作效率低等問題。

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,可通過擴大實驗對象的地域、年齡等進行比較研究,不斷完善頭面部形態(tài)分類并將其應用于頭面部產品規(guī)格體系,可為研究當代中國人的頭面部特征和面向中國市場的口罩、面具等頭面部產品設計積累形態(tài)學資料。

《絲綢》官網(wǎng)下載

中國知網(wǎng)下載