一种鞋靴规模化定制方法及系统与流程

1.本发明涉及鞋靴制备技术领域，尤其涉及到一种鞋靴规模化定 制方法及系统。


背景技术：

2.随着人们生活质量的不断提高，消费和审美观念和再不断改变， 传统的鞋类销售模式已不能满足人们对鞋品的需求，因此，定制的 个性化需求将是鞋品行业流行的必然趋势。现阶段鞋靴定制店面的 定制方法一般如下，先用手工或机器的方法测量定制顾客足部数据， 然后让顾客试穿试穿鞋款的尺码，并记录试穿不舒适的部位，参照 顾客试穿尺码及试穿感受，结合顾客脚型制作对应定制鞋款的鞋楦， 以达到鞋靴定制的目的。这种定制方法主观因素影响较大，需依据 定制师傅的定制经验，结合每位顾客的脚型数据定制不同的鞋楦， 制作过程复杂、耗费时间；同时这种方法在定制过程中，没有系统 的记录数据，所以不能实现规模化的定制。
3.综上所述，提供一种可根据用户脚型数据进行规模化鞋靴制作， 且可通过客户定制信息进行推荐模型的自主优化的鞋靴规模化定制 方法及系统，是本领域技术人员急需解决的问题。


技术实现要素：

4.本方案针对上文提到的问题和需求，提出一种鞋靴规模化定制 方法及系统，其由于采取了如下技术方案而能够解决上述技术问题。
5.为实现上述目的，本发明提供如下技术方案：一种鞋靴规模化 定制方法，包括：获取用户的个人注册信息并标记存储，形成当前 用户列表；
6.利用三维脚型扫描设备得到所述当前用户列表中对应用户的三 维脚型数据；
7.将所述三维脚型数据输入当前最优智能码型推荐模型，得到最 优推荐码型；
8.根据用户选择的属性特征和所述最优推荐码型生成鞋靴制作订 单，由用户对鞋靴制作订单的交易完成情况得到定制列表，将所述 定制列表与所述当前用户列表相关联，并记录用户定制次数，工厂 根据所述定制列表进行鞋靴生产；
9.记录用户试穿后的穿着反馈信息，若用户试穿合适，则将用户 试穿合适的脚型数据及码型数据直接加入试穿样本中，若用户试穿 不合适，则修改定制鞋的码型，直至用户试穿合适后，将用户试穿 过程的数据加入试穿样本中，形成新的试穿样本，根据新的试穿样 本进行冗余参数以及智能码型推荐模型的优化，得到当前最优智能 码型推荐模型。
10.进一步地，所述获取用户的个人注册信息并存储，形成用户列 表的方法具体包括以下步骤：
11.根据用户输入的个人信息，判断用户是否已注册过；
12.当判断用户未注册过时，对用户的个人信息进行存储，形成新 的注册记录；
13.当判断用户注册过时，调用原注册信息及定制记录；
14.根据新的注册记录和调用的原注册信息及定制记录对对应用户 进行标签标记，
根据不同的标签标记匹配不同的优惠方案，形成当 前用户列表。
15.更进一步地，所述将所述三维脚型数据输入当前最优智能码型 推荐模型，得到最优推荐码型的方法具体包括以下步骤：
16.将所述三维脚型数据输入当前最优智能码型推荐模型，所述当 前最优智能码型推荐模型依据输入的用户脚型围度与脚长的关系确 定脚型型号n＝f
ti
{lj,gj}；
17.然后调用与所述脚型型号对应的冗余参数，根据所述对应的冗 余参数得到新脚型数据；
18.根据新脚型数据获取预测码数和根据新脚型数据获取预测型号， 并由所述预测码数和所述预测型号确定最终的最优推荐码型。
19.更进一步地，所述冗余参数的获取方法包括：
20.基于试穿样本ff{f
ij
，i＝1,2,
…
,m,j＝1,2,
…
,n}，将样本人员 的脚型数据按试穿型号分类，即试穿型号相同的脚型数据分为同一 类，其中m为样本数，n为参与预测的码型测量值的数量；
21.将各类中的脚型数据按试穿码数分类，并计算得到各码数对应 的脚型数据均值，用线性拟合各码数脚型数据均值，并保存拟合数 据，同理计算并保存各码型对应的拟合数据；
22.根据拟合的数据得到各型号标准码对应的脚型数据，计算所述 各型号标准码对应的脚型数据与对应型号楦型数据的差值，所述差 值为该型号的冗余参数。
23.更进一步地，所述根据新脚型数据获取预测码数包括：
24.新脚型数据中的脚长与楦型数据中楦底样长，用插值法，得到 脚长对应的码数s1；
25.根据新脚型数据中各长度数据与楦型数据中的各长度数据形成 的两个长度矩阵，计算矩阵相似度f
si
{f
l
,l
l
}，得到各长度数据对应 的码数s2；
26.构建码数神经网络模型，将脚型数据输入训练好的码数神经网 络模型，得到码数s3；
27.将码数s1、码数s2、码数s3作为输入数据输入码数线性回归模 型中，得到最终预测码数s。
28.更进一步地，所述根据新脚型数据获取预测型号包括：
29.新脚型数据中，根据围度与脚长的关系确定脚型型号 n＝f
ti
{lj,gj}，得到型号t1；
30.根据新脚型数据中各宽度数据与楦型数据中的各宽度数据，计 算矩阵相似度f
tj
{fw,lw}，得到各宽度数据对应的型号t2；
31.根据新脚型数据中的各围度数据与楦型数据中的各围度数据， 计算矩阵相似度f
tk
{fg,lg}，得到各围度数据对应的型号t3；
32.构建型号神经网络模型，将脚型数据输入训练好的型号神经网 络模型，得到型号t4；
33.将型号t1、型号t2、型号t3、型号t4作为输入数据输入型号线 性回归模型中，得到最终预测型号t。
34.更进一步地，所述构建码数神经网络模型包括：
35.将试穿样本按一定的比例划分为训练集和测试集；
36.将脚型测量数据ff{fi}作为输入层，将试穿码数si作为输出层， 中间设置n个不同的隐藏层，建立一深度学习神经网络算法模型；
37.将训练集中的试穿脚型数据以及对应穿着舒适的码数，按设置 的样本数输入所述一深度学习神经网络算法模型，迭代ni次训练集， 在迭代nj(其中j《i)次后，利用测试集验证一次结果，根据反向 传播算法更新网络参数，直至测试集准确率达到相应阈值η，得到 最终训练好的码数神经网络模型。
38.更进一步地，所述构建型号神经网络模型包括：
39.将试穿样本按一定的比例划分为训练集和测试集；
40.将脚型测量数据ff{fi}作为输入层，将试穿型号ti作为输出层， 中间设置n个不同的隐藏层，建立另一深度学习神经网络算法模型；
41.将训练集中的试穿脚型数据以及对应合适的型号，按设置的样 本数输入所述另一深度学习神经网络算法模型，迭代ni次训练集， 在迭代nj(其中j《i)次后，利用测试集验证一次结果，根据反向 传播算法更新网络参数，直至测试集准确率达到相应阈值μ，得到 最终训练好的型号神经网络模型。
42.一种鞋靴规模化定制系统，其特征在于,包括：
43.用户注册单元，所述用户注册单元用于获取用户的个人注册信 息并标记存储，形成当前用户列表；
44.脚型数据获取单元，所述脚型数据获取单元用于利用三维脚型 扫描设备得到所述当前用户列表中对应用户的三维脚型数据；
45.码型推荐单元，所述码型推荐单元用于根据获取的所述三维脚 型数据，利用当前最优智能码型推荐模型，得到最优推荐码型；
46.定制管理单元，所述定制管理单元用于根据用户选择的属性特 征和所述最优推荐码型生成鞋靴制作订单，由用户对鞋靴制作订单 的交易完成情况得到定制列表，将所述定制列表与所述当前用户列 表相关联，并记录用户定制次数，工厂根据所述定制列表进行鞋靴 生产；
47.模型优化单元，所述模型优化单元用于记录用户试穿后的穿着 反馈信息，若用户试穿合适，则将用户试穿合适的脚型数据及码型 数据直接加入试穿样本中，若用户试穿不合适，则修改定制鞋的码 型，直至用户试穿合适后，将用户试穿过程的数据加入试穿样本中， 形成新的试穿样本，根据新的试穿样本进行冗余参数以及智能码型 推荐模型的优化，得到当前最优智能码型推荐模型。
48.从上述的技术方案可以看出，本发明的有益效果是：
49.1.对于定制订单可进行规模化生产制作；
50.2.顾客的定制订单可同时定制不同的码数和型号，使得规模化 定制覆盖的脚型数据范围更广；
51.3.可结合前期试穿数据以及后期定制订单的反馈，不断自学习、 自优化定制推荐算法。
52.除了上面所描述的目的、特征和优点之外，下文中将结合附图 对实施本发明的最优实施例进行更详尽的描述，以便能容易地理解 本发明的特征和优点。
附图说明
53.为了更清楚地说明本发明实施例或现有技术中的技术方案，下 文将对本发明实施例或现有技术描述中所需要使用的附图作简单地 介绍，其中，附图仅仅用于展示本发明的一些实施例，而非将本发 明的全部实施例限制于此。
54.图1为本发明一种鞋靴规模化定制方法的具体步骤示意图。
55.图2为本发明中形成当前用户列表的具体步骤示意图。
56.图3为本实施例中，码型划分的组成结构示意图。
57.图4为本实施例中获取冗余参数的具体过程示意图。
58.图5为本实施例中获取预测码数的具体过程示意图。
59.图6为本实施例中获取预测型号的具体过程示意图。
60.图7为本发明一种鞋靴规模化定制系统的组成结构示意图。
具体实施方式
61.为了使得本发明的技术方案的目的、技术方案和优点更加清楚， 下文中将结合本发明具体实施例的附图，对本发明实施例的技术方 案进行清楚、完整地描述。附图中相同的附图标记代表相同的部件。 需要说明的是，所描述的实施例是本发明的一部分实施例，而不是 全部的实施例。基于所描述的本发明的实施例，本领域普通技术人 员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本 发明保护的范围。
62.本技术通过学习样本试穿人员的脚型数据与穿着不同码型的数 据之间的关系，得到脚型数据与对应楦型数据之间的冗余参数，并 建立脚型数据与试穿鞋款码型间的算法推荐模型。当有顾客定制鞋 款时，可依据定制顾客脚型数据与定制楦型数据之间的关系，调用 对应冗余参数，得到新脚型数据，并将新脚型数据代入码型推荐算 法模型，为定制顾客推荐定制鞋款定制时需制作的码型。
63.鞋款按码型定制比现阶段规模生产的单一码数可覆盖更多、更 广泛的人群，又比现阶段一对一高端定制更适合规模化生产，即可 实现前端顾客的定制需求，又同时兼容后端工厂批量化生产，使得 规模定制更加高效、快捷。因此，本发明提供了一种可根据用户脚 型数据进行规模化鞋靴制作，且可通过客户定制信息进行推荐模型 的自主优化的鞋靴规模化定制方法及系统。如图1至图6所示，该 方法包括：步骤s10：获取用户的个人注册信息并标记存储，形成 当前用户列表，而形成当前用户列表的具体步骤如下：
64.步骤s11：根据用户输入的个人信息，判断用户是否已注册过；
65.步骤s12：当判断用户未注册过时，对用户的个人信息进行存 储，形成新的注册记录；
66.步骤s13：当判断用户注册过时，调用原注册信息及定制记录；
67.步骤s14：根据新的注册记录和调用的原注册信息及定制记录 对对应用户进行标签标记，根据不同的标签标记匹配不同的优惠方 案，形成当前用户列表。当前用户列表可根据用户数量的增加不断 自动更新，且根据当前用户列表可为用户提供不同的特定服务，方 便增加客户粘性，也可帮助顾客进行偏好推荐。
68.步骤s20:利用三维脚型扫描设备得到所述当前用户列表中对 应用户的三维脚型数据。
69.步骤s30:将所述三维脚型数据输入当前最优智能码型推荐模 型，得到最优推荐码型，其中，如图3所示，鞋或鞋楦，按固定的 脚长分段被划分为不同的码；其中每个码按固定的跖趾围或跗围分 段被划分为不同的型。按上述规则划分的一个分类称为一个码型， 例如，码型36(1.5)，则表示36码1.5型。
70.而本技术中，得到最优推荐码型具体包括以下步骤：
71.步骤s31:将所述三维脚型数据输入当前最优智能码型推荐模 型，所述当前最优智能码型推荐模型依据输入的用户脚型围度与脚 长的关系确定脚型型号n＝f
ti
{lj,gj}，lj表示用户脚型围度，gj表示 用户脚型的脚长。
72.步骤s32:然后调用与所述脚型型号对应的冗余参数，根据所 述对应的冗余参数得到新脚型数据；
73.步骤s33:根据新脚型数据获取预测码数和根据新脚型数据获 取预测型号，并由所述预测码数和所述预测型号确定最终的最优推 荐码型。
74.如图4所示，在本方法中，所述冗余参数的获取方法包括：
75.基于试穿样本ff{f
ij
，i＝1,2,
…
,m,j＝1,2,
…
,n}，将样本人员 的脚型数据按试穿型号分类，即试穿型号相同的脚型数据分为同一 类，其中m为样本数，n为参与预测的码型测量值的数量；
76.将各类中的脚型数据按试穿码数分类，并计算得到各码数对应 的脚型数据均值，用线性拟合各码数脚型数据均值，并保存拟合数 据，同理计算并保存各码型对应的拟合数据；
77.根据拟合的数据得到各型号标准码对应的脚型数据，计算所述 各型号标准码对应的脚型数据与对应型号楦型数据的差值，所述差 值为该型号的冗余参数。
78.如图5所示，所述根据新脚型数据获取预测码数包括：新脚型 数据中的脚长与楦型数据中楦底样长，用插值法，得到脚长对应的 码数s1；
79.根据新脚型数据中各长度数据与楦型数据中的各长度数据形成 的两个长度矩阵，计算矩阵相似度f
si
{f
l
,l
l
}，得到各长度数据对应 的码数s2；
80.构建码数神经网络模型，将脚型数据输入训练好的码数神经网 络模型，得到码数s3；
81.将码数s1、码数s2、码数s3作为输入数据输入码数线性回归模 型中，得到最终预测码数s，其中，所述构建码数神经网络模型包 括：
82.将试穿样本按一定的比例划分为训练集和测试集；
83.将脚型测量数据ff{fi}作为输入层，将试穿码数si作为输出层， 中间设置n个不同的隐藏层，建立一深度学习神经网络算法模型；
84.将训练集中的试穿脚型数据以及对应穿着舒适的码数，按设置 的样本数输入所述一深度学习神经网络算法模型，迭代ni次训练集， 在迭代nj(其中j《i)次后，利用测试集验证一次结果，根据反向 传播算法更新网络参数，直至测试集准确率达到相应阈值η，得到 最终训练好的码数神经网络模型。
85.如图6所示，所述根据新脚型数据获取预测型号包括：新脚型 数据中，根据围度与脚长的关系确定脚型型号n＝f
ti
{lj,gj}，得到 型号t1；
86.根据新脚型数据中各宽度数据与楦型数据中的各宽度数据，计 算矩阵相似度f
tj
{fw,lw}，得到各宽度数据对应的型号t2；
87.根据新脚型数据中的各围度数据与楦型数据中的各围度数据， 计算矩阵相似度f
tk
{fg,lg}，得到各围度数据对应的型号t3；
88.构建型号神经网络模型，将脚型数据输入训练好的型号神经网 络模型，得到型号t4；
89.将型号t1、型号t2、型号t3、型号t4作为输入数据输入型号线 性回归模型中，得到最终预测型号t，其中，所述构建型号神经网 络模型包括：
90.将试穿样本按一定的比例划分为训练集和测试集；
91.将脚型测量数据ff{fi}作为输入层，将试穿型号ti作为输出层， 中间设置n个不同的隐藏层，建立另一深度学习神经网络算法模型；
92.将训练集中的试穿脚型数据以及对应合适的型号，按设置的样 本数输入所述另一深度学习神经网络算法模型，迭代ni次训练集， 在迭代nj(其中j《i)次后，利用测试集验证一次结果，根据反向 传播算法更新网络参数，直至测试集准确率达到相应阈值μ，得到 最终训练好的型号神经网络模型。
93.在本实施例中，最优智能码型推荐模型的学习过程如下：(1) 对于每款鞋靴，预先采集各项属性并录入数据库保存，各项属性包 括但不限于图案、使用季节、内里材质、类别、鞋底材质、鞋面材 质、名称、型号、品牌、适穿性别等。对于该鞋款对应鞋楦，需要 预先采集各项属性其标准型号中间码各部位的测量值，以及各部位 对应的码差及型差，鞋楦各项属性包括楦跟高、款型、适用性别、 生产工厂和编号等，各部位包括第一跖趾长、楦身宽、楦身趾宽、 第五跖趾长、底趾长、楦身跟宽、底趾宽、跖围、腰围、跗围等脚 型数据。样本试穿人员使用三维脚型扫描设备获取用户的三维脚型 信息，并得到脚型测量数据。样本试穿人员在测量脚型数据后，试 穿对应鞋款(包括不同的码型组合)，并记录试穿过程中，穿着舒 适的码型。(2)将样本试穿人员的脚型数据按照试穿的型号分类， 统计各型号中各码数对应样本试穿人员各脚型数据的均值。用线性 拟合该型号中各码数对应的均值，并得到中间码对应的脚型数据， 并求得与对应码型的楦型数据的差值，即为该型号脚楦数据的冗余 参数。同理得到各个型号对应的脚楦数据冗余参数。(3)按照上述 方法构建并学习码数神经网络模型和型号神经网络模型，然后保存 冗余参数以及训练好的码型推荐模型，以备后续调用。而最终预测 码数和最终预测型号即为推荐给定制顾客的定制码型。
94.步骤s40:根据用户选择的属性特征和所述最优推荐码型生成 鞋靴制作订单，由用户对鞋靴制作订单的交易完成情况得到定制列 表，将所述定制列表与所述当前用户列表相关联，并记录用户定制 次数，工厂根据所述定制列表进行鞋靴生产。
95.步骤s50:记录用户试穿后的穿着反馈信息，若用户试穿合适， 则将用户试穿合适的脚型数据及码型数据直接加入试穿样本中，若 用户试穿不合适，则修改定制鞋的码型，直至用户试穿合适后，将 用户试穿过程的数据加入试穿样本中，形成新的试穿样本，根据新 的试穿样本进行冗余参数以及智能码型推荐模型的优化，得到当前 最优智能码型推荐模型。智能码型推荐模型可根据用户数量的增加 不断自动更新优化。
96.如图7所示，基于上述鞋靴规模化定制方法，本技术还公开了 一种鞋靴规模化定制系统，其特征在于,包括：
97.用户注册单元，所述用户注册单元用于获取用户的个人注册信 息并标记存储，形
成当前用户列表；
98.脚型数据获取单元，所述脚型数据获取单元用于利用三维脚型 扫描设备得到所述当前用户列表中对应用户的三维脚型数据；
99.码型推荐单元，所述码型推荐单元用于根据获取的所述三维脚 型数据，利用当前最优智能码型推荐模型，得到最优推荐码型；
100.定制管理单元，所述定制管理单元用于根据用户选择的属性特 征和所述最优推荐码型生成鞋靴制作订单，由用户对鞋靴制作订单 的交易完成情况得到定制列表，将所述定制列表与所述当前用户列 表相关联，并记录用户定制次数，工厂根据所述定制列表进行鞋靴 生产；
101.模型优化单元，所述模型优化单元用于记录用户试穿后的穿着 反馈信息，若用户试穿合适，则将用户试穿合适的脚型数据及码型 数据直接加入试穿样本中，若用户试穿不合适，则修改定制鞋的码 型，直至用户试穿合适后，将用户试穿过程的数据加入试穿样本中， 形成新的试穿样本，根据新的试穿样本进行冗余参数以及智能码型 推荐模型的优化，得到当前最优智能码型推荐模型。
102.应当说明的是，本发明所述的实施方式仅仅是实现本发明的优 选方式，对属于本发明整体构思，而仅仅是显而易见的改动，均应 属于本发明的保护范围之内。

技术特征：
1.一种鞋靴规模化定制方法，其特征在于，具体步骤包括：获取用户的个人注册信息并标记存储，形成当前用户列表；利用三维脚型扫描设备得到所述当前用户列表中对应用户的三维脚型数据；将所述三维脚型数据输入当前最优智能码型推荐模型，得到最优推荐码型；根据用户选择的属性特征和所述最优推荐码型生成鞋靴制作订单，由用户对鞋靴制作订单的交易完成情况得到定制列表，将所述定制列表与所述当前用户列表相关联，并记录用户定制次数，工厂根据所述定制列表进行鞋靴生产；记录用户试穿后的穿着反馈信息，若用户试穿合适，则将用户试穿合适的脚型数据及码型数据直接加入试穿样本中，若用户试穿不合适，则修改定制鞋的码型，直至用户试穿合适后，将用户试穿过程的数据加入试穿样本中，形成新的试穿样本，根据新的试穿样本进行冗余参数以及智能码型推荐模型的优化，得到当前最优智能码型推荐模型。2.如权利要求1所述的鞋靴规模化定制方法，其特征在于，所述获取用户的个人注册信息并存储，形成用户列表的方法具体包括以下步骤：根据用户输入的个人信息，判断用户是否已注册过；当判断用户未注册过时，对用户的个人信息进行存储，形成新的注册记录；当判断用户注册过时，调用原注册信息及定制记录；根据新的注册记录和调用的原注册信息及定制记录对对应用户进行标签标记，根据不同的标签标记匹配不同的优惠方案，形成当前用户列表。3.如权利要求2所述的鞋靴规模化定制方法，其特征在于，所述将所述三维脚型数据输入当前最优智能码型推荐模型，得到最优推荐码型的方法具体包括以下步骤：将所述三维脚型数据输入当前最优智能码型推荐模型，所述当前最优智能码型推荐模型依据输入的用户脚型围度与脚长的关系确定脚型型号n＝f
ti
{l
j
,g
j
}；然后调用与所述脚型型号对应的冗余参数，根据所述对应的冗余参数得到新脚型数据；根据新脚型数据获取预测码数和根据新脚型数据获取预测型号，并由所述预测码数和所述预测型号确定最终的最优推荐码型。4.如权利要求3所述的鞋靴规模化定制方法，其特征在于，所述冗余参数的获取方法包括：基于试穿样本f
f
{f
ij
，i＝1,2,
…
,m,j＝1,2,
…
,n}，将样本人员的脚型数据按试穿型号分类，即试穿型号相同的脚型数据分为同一类，其中m为样本数，n为参与预测的码型测量值的数量；将各类中的脚型数据按试穿码数分类，并计算得到各码数对应的脚型数据均值，用线性拟合各码数脚型数据均值，并保存拟合数据，同理计算并保存各码型对应的拟合数据；根据拟合的数据得到各型号标准码对应的脚型数据，计算所述各型号标准码对应的脚型数据与对应型号楦型数据的差值，所述差值为该型号的冗余参数。5.如权利要求4所述的鞋靴规模化定制方法，其特征在于，所述根据新脚型数据获取预测码数包括：新脚型数据中的脚长与楦型数据中楦底样长，用插值法，得到脚长对应的码数s1；根据新脚型数据中各长度数据与楦型数据中的各长度数据形成的两个长度矩阵，计算
矩阵相似度f
si
{f
l
,l
l
}，得到各长度数据对应的码数s2；构建码数神经网络模型，将脚型数据输入训练好的码数神经网络模型，得到码数s3；将码数s1、码数s2、码数s3作为输入数据输入码数线性回归模型中，得到最终预测码数s。6.如权利要求5所述的鞋靴规模化定制方法，其特征在于，所述根据新脚型数据获取预测型号包括：新脚型数据中，根据围度与脚长的关系确定脚型型号n＝f
ti
{l
j
,g
j
}，得到型号t1；根据新脚型数据中各宽度数据与楦型数据中的各宽度数据，计算矩阵相似度f
tj
{f
w
,l
w
}，得到各宽度数据对应的型号t2；根据新脚型数据中的各围度数据与楦型数据中的各围度数据，计算矩阵相似度f
tk
{f
g
,l
g
}，得到各围度数据对应的型号t3；构建型号神经网络模型，将脚型数据输入训练好的型号神经网络模型，得到型号t4；将型号t1、型号t2、型号t3、型号t4作为输入数据输入型号线性回归模型中，得到最终预测型号t。7.如权利要求5所述的鞋靴规模化定制方法，其特征在于，所述构建码数神经网络模型包括：将试穿样本按一定的比例划分为训练集和测试集；将脚型测量数据f
f
{f
i
}作为输入层，将试穿码数s
i
作为输出层，中间设置n个不同的隐藏层，建立一深度学习神经网络算法模型；将训练集中的试穿脚型数据以及对应穿着舒适的码数，按设置的样本数输入所述一深度学习神经网络算法模型，迭代n
i
次训练集，在迭代n
j
(其中j<i)次后，利用测试集验证一次结果，根据反向传播算法更新网络参数，直至测试集准确率达到相应阈值η，得到最终训练好的码数神经网络模型。8.如权利要求5所述的鞋靴规模化定制方法，其特征在于，所述构建型号神经网络模型包括：将试穿样本按一定的比例划分为训练集和测试集；将脚型测量数据f
f
{f
i
}作为输入层，将试穿型号t
i
作为输出层，中间设置n个不同的隐藏层，建立另一深度学习神经网络算法模型；将训练集中的试穿脚型数据以及对应合适的型号，按设置的样本数输入所述另一深度学习神经网络算法模型，迭代n
i
次训练集，在迭代n
j
(其中j<i)次后，利用测试集验证一次结果，根据反向传播算法更新网络参数，直至测试集准确率达到相应阈值μ，得到最终训练好的型号神经网络模型。9.一种鞋靴规模化定制系统，其特征在于,包括：用户注册单元，所述用户注册单元用于获取用户的个人注册信息并标记存储，形成当前用户列表；脚型数据获取单元，所述脚型数据获取单元用于利用三维脚型扫描设备得到所述当前用户列表中对应用户的三维脚型数据；码型推荐单元，所述码型推荐单元用于根据获取的所述三维脚型数据，利用当前最优智能码型推荐模型，得到最优推荐码型；
定制管理单元，所述定制管理单元用于根据用户选择的属性特征和所述最优推荐码型生成鞋靴制作订单，由用户对鞋靴制作订单的交易完成情况得到定制列表，将所述定制列表与所述当前用户列表相关联，并记录用户定制次数，工厂根据所述定制列表进行鞋靴生产；模型优化单元，所述模型优化单元用于记录用户试穿后的穿着反馈信息，若用户试穿合适，则将用户试穿合适的脚型数据及码型数据直接加入试穿样本中，若用户试穿不合适，则修改定制鞋的码型，直至用户试穿合适后，将用户试穿过程的数据加入试穿样本中，形成新的试穿样本，根据新的试穿样本进行冗余参数以及智能码型推荐模型的优化，得到当前最优智能码型推荐模型。

技术总结
本发明提供了一种鞋靴规模化定制方法，包括：获取用户的个人注册信息并标记存储，形成当前用户列表；利用三维脚型扫描设备得到所述当前用户列表中对应用户的三维脚型数据；将所述三维脚型数据输入当前最优智能码型推荐模型，得到最优推荐码型；根据用户选择的属性特征和所述最优推荐码型生成鞋靴制作订单，并进行鞋靴生产；记录用户试穿后的穿着反馈信息，将其加入试穿样本中形成新的试穿样本，根据新的试穿样本进行冗余参数以及智能码型推荐模型的优化，得到当前最优智能码型推荐模型，相应地，本发明还公开了一种鞋靴规模化定制系统，本发明可根据用户脚型数据进行规模化鞋靴制作，且可通过客户定制信息进行推荐模型的自主优化。主优化。主优化。


技术研发人员：顾枫 柴丽琳 梁真贤 李姝
受保护的技术使用者：浙江星链数据科技有限公司
技术研发日：2021.11.22
技术公布日：2022/3/7