摘要：采用空间向量角来表征乳房形态,提出了一种青年女性乳房三维形态分类方法。首先获取209名18~25岁青年女性的乳房三维点云数据,并构建了6个乳房形态空间向量角作为聚类指标,采用k-means聚类,以手肘法确定最佳聚类数,运用学习向量量化神经网络(Learning vector quantization, LVQ)构建乳房形态判别模型,实现女性乳房形态的细分与判别。对细分后的乳房类型制作相应的文胸样板,通过虚拟试衣和实物试穿进行合体性评估,结果表明:青年女性乳房占比最多的为70B文胸号型,乳房细分为适中内敛型、平坦低胸位型、丰满外扩型。构建的LVQ神经网络青年女性乳房形态判别模型,准确率达93.33%。数字化服装压力和真实试穿实验表明,细分后的文胸合体性得到了有效提高,为不同类型乳房的文胸合体性结构设计提供参考。

摘要：为探究不同胸型胸围截面的压力—位移变化,文章采用三维扫描仪获取136名女体躯干数据,提取重建坐标系下的乳房深与乳房宽比值,从而将胸型分为6类。建立相对应的有限元接触模型,模拟不同受压状态下6类胸型对应截面的受压与位移变化,构建了“(压力/位移)—角度”曲线及其函数关系。研究表明,外力作用下胸围截面BP点应力最大,其次是后侧位置,曲率较大且位置突出处应力较大。随着乳房形态逐渐变大,胸部及人体侧面软组织层变厚,体表形变增大且呈现外扩趋势,结果可为紧身服装压力舒适性研究提供参考。

摘要：为实现青年女性乳房形态的有效判别,提出了以横、纵截面角度指标细分青年女性乳房形态的方法。使用三维人体扫描仪获取209名青年女性胸部点云数据,提取表征乳房挺拔度、丰满度及外扩度的3个角度参数及其他相关参数;采用主成分分析降维,得到影响乳房形态的4个特征因子,用混合F统计量确定乳房形态聚类的最佳分类为5类。根据分类结果构建乳房形态的Fisher判别模型,整体判别精度为96.23%;在青年女性乳房中,占比较大的依次为饱满挺拔型(34.9%)和适中型(22.5%),平坦外扩型占比最小,为6.7%。该研究结果可为青年女性内衣等产品设计提供参考。