基于三维足部测量的运动鞋楦数字化模型

周 捷,李 健,马秋瑞

(西安工程大学 服装与艺术设计学院,陕西 西安 710048)

0 引 言

长期穿着不合脚的鞋子从事高强度的体育训练,容易导致疲劳、疼痛及畸形等诸多足部疾病[1-2]。由于非竞技运动员脚型的特殊性,批量生产的鞋类无法满足训练穿着时的合体要求[3-4]。因此,如何针对我国非竞技运动员的脚型特征,研发出更加舒适的运动鞋是科研机构和鞋类企业亟待解决的问题。

脚型是鞋楦设计的基础,而鞋楦是鞋的三维实体模具,对鞋类的美观性与舒适性起着关键作用[5]。目前,国内外学者对鞋楦研究主要分为3类:一是脚型与楦型间的匹配性评价[6-7];二是参数驱动的鞋楦数字化设计[8-9];三是针对特殊群体(如糖尿病足,定制等)的鞋楦研究[10-11]。这些研究为设计合脚的鞋类产品提供了有益的参考,但针对非竞技运动员脚型的鞋楦研究尚未见报道。基于此,本研究采用三维足部测量技术,撷取非竞技运动员足部相关重要尺寸,开发出符合脚型特征的专业运动鞋楦模型,为运动鞋类设计及个性化定制提供参考。

1 实 验

1.1 数据采集

实验对象为230名18～35岁定期参加中等至高强度训练的非竞技运动员,参照相关研究[12-13],样本量符合实验要求。受试者均为汉族,籍贯主要在福建、江西、河南和湖北等地区，占比为52.6%。采用LSF三维足部扫描仪(深圳市精易迅科技有限公司,扫描精度≤1.0 mm,扫描单只足约10 s)[12]采集数据。经数据预处理,共有24个样本因数据丢失或明显的足部畸形而被剔除,最终确定84名男性(年龄22～32岁,身高168～179 cm,体重59.8～80.4 kg)和122名女性(年龄22～28岁,身高157～168 cm,体重44.2～62.0 kg)。所有程序经受试者签订书面知情同意书。

1.2 测量指标

依据人体足部测量的数据要求[12-13],结合本项目的实际需要,分别从长度:足长(L1)、第一跖趾关节长(L2)、第五跖趾关节长(L3)、第五足趾端点长(L4)和踵心位置长(L5);宽度:基本宽度(W1)、第一跖趾里宽(W2)、踵心宽度(W3)和跖趾斜宽(W4);围度:跖围(G1)、前跗骨围(G2)和兜根围(G3)；高度:拇指高(H1)、第一跖趾高(H2)、前跗骨高(H3)、外踝下缘高(H4)和足弓高(H5)等4个方面提取17项指标，如图1所示。

1.3 数字化处理

应用三维足部测量技术,撷取非竞技运动员足部相关重要尺寸,开发符合消费者脚型的专用运动鞋楦,研究流程分为3个步骤:

1) 鞋楦和脚型数据的获取。通过三维足部扫描仪采集鞋楦和脚型点云数据,在Geomagic Studio软件中依次经过点云、多边形及曲面阶段获取数字化模型。

2) 脚型向鞋楦数据的转化。根据脚型与楦型在长度、宽度和围度指标的匹配关系,考虑脚在跖围、放余量、后容差等穿着需要构建数字化鞋楦。

3) 鞋楦的设计与修改。基于脚型规律及逆向工程技术得到标准化鞋楦模型,在Lastmaker软件中进行参数修改,生成定制的个性化鞋楦,并进行鞋楦模型的合体性评价。研究流程图见图2。

2 结果与分析

2.1 鞋码分布

鞋码是衡量人体脚型以便选配鞋尺寸的标准系统。表1是受试者鞋码在欧制鞋码类别中的分布情况。由表1可知,青年男性非竞技运动员鞋码分布范围是40～45码,以41、42和43码居多(占比66.6%);而青年女性非竞技运动员鞋码分布范围是33～39码,尤以36和37码居多(占比66.4%)。

表 1 青年非竞技运动员鞋码分布Tab.1 Shoe size distribution of young non-competitive athletes

2.2 脚型规律

为便于比较找出脚型规律,以足长为参考将足部各个指标数据标准化,即标准化数据=(足部指标/足长)×100%。经数据标准化后,青年非竞技运动员脚型指标数据的平均值及标准差见图3。

图3结果显示:①男性17个脚型指标的平均值及标准差均明显大于女性,即男性骨骼发育程度及差异性大于女性。②在右足中,青年男女非竞技运动员在第一跖趾里宽、前跗骨围和前跗骨高等指标上,性别差异具有统计学意义(P<0.05);在左足中,青年男女非竞技运动员在前跗骨围和前跗骨高指标上,性别差异具有统计学意义(P<0.05)。③女性在第一跖趾关节长、第五跖趾关节长、第五足趾端点长、第一跖趾里宽、拇指高和外踝下缘高等指标上,左右足的差异具有统计学意义(P<0.05),即女性在以上指标的双脚发育情况差异较大;而男性仅在第五跖趾关节长指标上,左右足的差异具有统计学意义(P<0.05),即男性在成长过程中双脚发育情况比较一致。

2.3 脚型向鞋楦数据的转换

2.3.1 脚型与鞋楦的差异 鞋楦是制鞋的核心。鞋楦以脚型为依据,是脚型规律的反映,但又不等同于脚型[10,14]。若完全以脚型轮廓及其尺寸为鞋楦尺寸,则鞋楦会肥大而不合脚。因此,脚型数据向鞋楦尺寸的转换是鞋楦设计的首要步骤。脚型与鞋楦的差异见文献[10]。

2.3.2 鞋楦底样 脚长是设计鞋楦底样长的依据。为保证脚在鞋腔内的活动余量,使鞋不至于顶脚,鞋楦底样长需在足长的基础上增加放余量。在行走过程中,足部受到体重的压力,脚掌和脚跟受力时足弓带被拉长(约5 mm);同时,足后跟是一个弧状结构,为使在行走时鞋不脱跟,鞋楦后跟应有适当的凸度(即后容差)。通常,鞋楦底样长=足长+放余量-后容差[15]。其中,放余量会依据鞋款式、季节和动静态的变化而有所差异。在本研究中,采用保持后容差和放余量不变的计算方法,放余量取16.8 mm,后容差取5 mm。

在鞋楦的宽度系数中,若直接使用基本宽度尺寸,会造成鞋楦底样空旷等不合脚的问题；相反,若以足印轮廓宽为鞋楦底样宽,由于足部肌肉的存在,可能会引起挤脚、磨脚等情况发生。从生理特点考虑,鞋楦宽度须在足印与足轮廓之间。通常,鞋跖围小于脚跖围6 mm时,主观舒适性最佳[15]。

2.3.3 鞋楦造型 人在行走或负重时,脚部血液流动加速,足弓相比坐姿时会下塌,使得脚的围度尺寸增加[16]。为确保鞋穿着舒适,大多数鞋楦的围度尺寸应大于脚尺寸,以适应脚在鞋腔内因脚的运动而变形。其中,跖围是脚肥瘦的标志,在运动时弯曲并承受足部压力。通常,鞋楦跖围=脚跖围-跖围感差值[15,17]。在鞋楦造型设计中,几个横截面的设计至关重要,如图4所示。

2.4 数字化鞋楦模型的构建

逆向工程是从目标实物产品中获取数字模型并将产品设计再现的相关技术,在大规模定制环境下应用广泛[18-19]。采用Geomagic Studio软件构建数字化鞋楦模型,主要分为点云阶段、多边形阶段和曲面阶段等3个阶段。重建的数字化鞋楦模型见图5。

经逆向工程获得的鞋楦模型(图5),为便于鞋楦参数的修改,需对鞋楦模型的方位进行标准化处理。按照文献[20]的处理方法,完成鞋楦模型的方位标准化, 如图6所示。

在图6中,HL为楦跟点;B1L为第一跖趾部位点;B2L为第五跖趾部位点;CL为B1L与B2L连线的中点;SPL为前掌凸点;D1为B1L的Z坐标值;D2为B2L的Z坐标值。

为了更好地体现运动鞋楦特征, 采用 K-means聚类方法对脚型指标进行聚类分析。 参照相关文献[21-23], 将脚型聚类数定为3时, 从实用性和逻辑内容上的聚类效果最好。 因此, 以17项脚型指标为脚型分类的聚类变量, 将84名男性和122名女性脚型细分为3类。 脚型分类的聚类分析结果如表2所示。

表 2 基于鞋楦细分的聚类分析Tab.2 Clustering analysis based on last subdivision

依据表2中脚型分类结果,发现男性的聚类1为瘦脚型(n=28,33.3%),聚类2为胖脚型(n=20,23.8%),聚类3为中间脚型(n=36,42.9%);同理,女性聚类1为胖脚型(n=49,40.2%),聚类2为瘦脚型(n=18,14.7%),聚类3为中间脚型(n=55,45.1%)。由于跖围、基本宽度和足弓高是鞋类设计的关键尺寸,选择以这3个尺寸表征鞋楦形态。由表2中3类脚型在17项指标上的尺寸数值,在Lastmaker软件中修改鞋楦尺寸的。基于脚型分类的楦型设计如图7所示。

2.5 模型评价

为了评价鞋楦三维重建效果,在Geomagic Studio软件中进行模型精度评价,重建的鞋楦数字化模型误差见图8。图8所示的颜色显示鞋楦数字化模型不仅能够清晰地反映出脚趾、脚底和足弓等重要信息,而且模型的误差较小,验证了结合逆向工程的数字化鞋楦的精度是可接受的[24]。

3 结 论

1) 通过采集非竞技运动员脚型数据,在分析脚型规律及其与鞋楦匹配关系的基础上,提出了一套完整的鞋楦设计方法。

2) 青年男性非竞技运动员鞋码分布范围是40～45码,以41、42和43码居多(占比66.6%);而青年女性非竞技运动员鞋码分布范围是33～39码,尤以36和37码居多(占比66.4%)。

3) 青年非竞技运动员脚型存在较大的性别差异及左右足差异。在鞋楦设计时,应考虑在第一跖趾里宽、前跗骨围、前跗骨高等指标的性别差异,同时应考虑男性在第五跖趾关节长以及女性在第一跖趾关节长、第五跖趾关节长、第五足趾端点长、第一跖趾里宽、拇指高和外踝下缘高等指标的左右足差异。

4) 逆向工程技术应用到鞋楦设计中是可行的。基于个体脚型的数字化鞋楦设计,为制鞋企业改进运动鞋产品的功能性与舒适性奠定了理论基础。