鞋靴消费者足型扫描点云数据的尺码适配推理训练数据

面向鞋靴智能尺码适配推理任务，构建用于训练足型三维特征识别与尺码推荐模型的数据集。数据基于消费者足部三维点云坐标、脚长、前掌宽、脚背高、跟围和试穿舒适度评分，学习足型特征与最佳适配楦型、推荐码数之间的对应关系，用于门店智能推荐、线上尺码自助选择和退货率控制，解决人工测量效率低、楦型判断依赖经验的问题。一、加工前的数据说明：原始数据来源于企业自主采集的消费者足型扫描记录和试穿反馈，原始字段包括扫描记录、足部侧别、三维点云坐标、试穿楦型、试穿码数和舒适度反馈。 二、处理规则：1.清洗：按扫描记录唯一编码去重，剔除点云缺失、坐标异常、足部侧别缺失或试穿反馈缺失的样本。2.尺寸提取：基于三维点云坐标集自动计算脚长、前掌宽、脚背高、跟围；脚长为足跟最后点至最长趾尖点纵向距离，前掌宽为第一至第五跖骨头横向距离，脚背高为足背最高点至足底平面距离，跟围为足跟与脚背围度。3.模型训练：采用点云编码分支和尺寸特征分支的双分支网络，点云分支提取三维形态特征，尺寸分支输入脚长、前掌宽、脚背高、跟围，融合权重为点云特征0.60、尺寸特征0.40，融合后输出最佳适配楦型和最佳适配推荐码数。4.训练参数：楦型任务使用多分类交叉熵，码数任务使用多分类交叉熵，联合损失为0.55×楦型损失+0.45×码数损失；Adam优化，学习率0.001，批量64，迭代150轮，以验证集Top-2码数命中率早停。5.验证：使用楦型准确率、码数准确率、码数Top-2命中率和码数平均绝对误差评估，并按数据集划分标识训练、验证、测试。 三、数据内容描述：最终形成鞋靴消费者足型扫描点云尺码适配推理训练数据集合，包含以下字段：1）扫描记录唯一编码：经无规则编码化处理的足部扫描记录唯一标识；2）足部侧别：当前扫描记录对应的足部（左/右）；3）三维点云坐标集：由3D扫描设备采集的22个足部三维坐标点（每点含x/y/z三维坐标，单位毫米），作为模型的原始输入特征；4）脚长（毫米）：从点云自动提取的足部纵向长度；5）前掌宽（毫米）：从点云自动提取的前掌横向宽度；6）脚背高（毫米）：从点云自动提取的足背垂直高度；7）跟围（毫米）：从点云自动提取的足跟周长；8）最佳适配楦型标签（训练标签）：经试穿验证的最佳楦型类别（标准楦/高背标准楦/宽楦/窄楦/高背宽楦），作为楦型推理模型的监督标签；9）最佳适配推荐码数（训练标签）：经试穿验证的最佳码数（34–46码），作为码数推荐模型的监督标签；10）试穿舒适度评分：消费者试穿最佳适配鞋靴时的主观舒适度评分，用于辅助验证标注质量；11）数据集划分标识：样本所属子集类型（train/val/test）。

搜集汇总

背景与挑战

背景概述

该数据集包含2420条消费者足部三维扫描点云数据，记录脚长、前掌宽、脚背高、跟围等关键尺寸，并标注最佳适配楦型与推荐码数（34-46码），用于训练鞋靴智能尺码适配模型。数据通过双分支网络融合点云形态特征与尺寸特征，输出最优楦型和码数推荐，旨在解决人工测量效率低、楦型判断依赖经验等问题，可应用于门店智能推荐、线上尺码自助选择及退货率控制。