[发明专利]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

权利要求书

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；

其中，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； 而针对特殊的其它应用：高鼻梁形态、大眼睛形态、厚嘴唇形态需要考虑的参照范围比面部还要小，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、合平面、下颌平面、面平面、Y轴；

（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；本领域算法只提供了常见的主特征点，而对具体的应用领域还需要领域专家添加更多的主特征点；常用主特征点如下：

颅部主特征点：蝶鞍点、鼻根点、耳点、颅底点、 颅底点；

上颌主特征点：眶点、颌裂点、前鼻棘；

下颌主特征点：髁顶点、下颌角点、颏前点、颏下点、颏顶点；

这些主特征点中，有些是在正中矢状面上，是单个的点；而有些则是双侧的点；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、软组织鼻根点、眼点、鼻下点、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；

其中，点云数据采用数据降低维度的过程如下：

PCA将数据投射到一个低维子空间实现降维，即：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维数据集通过映射降成kk维子空间，其中k≤n；

输入数据的主成分通过两种方法计算：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，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；

其中，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；

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。