[0001] 本公开涉及一种预测被测定者的脚的形状的预测装置、预测系统、以及预测方法。

[0002] 以往，已知有基于低载荷状态下的脚的形状而制作鞋垫的方法(日本专利第5717894号公报)。在日本专利第5717894号公报所记载的方法中，基于对站在透明板上的被测定者的脚的形状进行测定而得的加压状态数据与对轻轻接触透明板的被测定者的脚的形状进行测定而得的无加压状态数据的差值来制作鞋垫。

[0017] 本公开的按照某一方面的预测装置为预测被测定者的脚的形状的预测装置。预测装置包括：输入部，接受第一载荷状态下的被测定者的脚的形状的测定数据的输入；运算部，使用通过机器学习而训练完毕的预测模型，根据由输入部接受的测定数据来对载荷与第一载荷状态不同的第二载荷状态下的被测定者的脚的形状进行预测；以及输出部，将由运算部预测的第二载荷状态下的被测定者的脚的形状的预测数据输出。此处，作为一实施例，对可根据载荷状态(第一载荷状态)下的被测定者的脚的形状来对载荷比载荷状态小的低载荷状态(第二载荷状态)下的被测定者的脚的形状进行预测的预测装置、预测系统、以及预测方法进行说明。特别是，在本实施例中，对使用通过机器学习而训练的预测模型，并根据对被测定者的脚的形状进行测定而得的测定数据来对几乎无载荷的无载荷状态下的脚的形状进行预测并输出预测数据的预测装置、预测系统、以及预测方法进行说明。为了生成通过机器学习而训练的预测模型，需要训练用数据，为了生成预测精度高的预测模型，优选为将对多个被测定者在相同的测定条件下进行测定而得的训练用测定数据与在相同的获取条件下获取的无载荷状态下的脚的形状的训练用形状数据设为一组的训练用数据。

[0018] 此处，对被测定者的脚的形状进行测定的测定条件包含立位姿势、坐位姿势等被测定者的姿势；静止状态、运动状态等被测定者的状态等。进而，所述测定条件还包含进行测定的测定装置的种类、使用由智能手机等拍摄的图像的测定方法等条件。

[0019] 另外，获取无载荷状态下的脚的形状的获取条件包含以下等条件：使被测定者成为俯卧在床的状态，在被测定者的脚上卷绕石膏绷带(石膏(Gips))，并使石膏流入至硬化后的石膏绷带，由此对脚的形状进行注模成型并测定，抑或是以坐位姿势在被测定者使脚从地面浮起的状态下进行测定。在这些获取条件下，可获取大致无载荷状态下的脚的形状，但也可对脚掌施加一些载荷。

[0020] 在以下的说明中，使用将立位姿势的被测定者在静止状态下测定而得的训练用测定数据与使用石膏绷带获取的无载荷状态下的脚的形状的训练用形状数据设为一组的训练用数据，通过机器学习进行训练，生成预测模型。但是，若可预测无载荷状态下的脚的形状，则也可将不同的测定条件的数据包含于训练用测定数据中，将不同的获取条件的数据包含于训练用形状数据中而作为训练用数据，并通过利用机器学习的训练生成预测模型。

[0021] 另外，由预测装置等预测的脚的形状不限于无载荷状态下的脚的形状，也可为载荷比载荷状态小的低载荷状态下的被测定者的脚的形状。例如，也可使用将坐位姿势的被测定者在静止状态下测定而得的训练用测定数据与轻轻接触透明板的被测定者的脚的形状的训练用形状数据设为一组的训练用数据，通过机器学习进行训练而生成预测模型。由此，可生成如下预测模型：根据坐位姿势的被测定者的测定数据来对载荷比坐位姿势的载荷状态小的低载荷状态下的被测定者的脚的形状进行预测。此外，在本公开中，设为低载荷状态也包含几乎无载荷的无载荷状态。

[0022] 以下，基于附图对实施方式的预测装置、预测系统、以及预测方法进行说明。在以下的说明中，对相同的结构标注相同的符号。它们的名称以及功能也相同。因此，不再重复关于它们的详细说明。

[0023] (实施方式)

[0024] [预测系统的结构]

[0025] 图1是表示包含实施方式的预测装置1的预测系统10的结构的概略图。预测系统10包括：测定装置2，对载荷状态(第一载荷状态)下的被测定者的脚的形状进行测定；以及预测装置1，根据由测定装置2测定出的测定数据来对无载荷状态(第二载荷状态)下的被测定者的脚的形状进行预测。预测装置1使用为了预测无载荷状态下的被测定者的脚的形状而通过机器学习而训练的预测模型134。因此，预测装置1在预测无载荷状态下的被测定者的脚的形状之前，需要通过利用使用了训练用数据132的机器学习的训练来生成预测模型134。此外，在本实施方式中，对使用训练用数据132并由预测装置1生成预测模型134的结构进行说明，但也可为预测装置1接受由其他装置生成的预测模型134的结构。

[0026] 以下，预测装置1作为如下装置进行说明：通过利用使用了训练用数据的机器学习的训练来生成预测模型134的装置，并且使用训练完毕的预测模型134根据测定数据来对无载荷状态下的被测定者的脚的形状进行预测。预测装置1将所预测的无载荷状态下的被测定者的脚的形状作为预测数据41而输出。通过使用预测数据41来制作定制的鞋或鞋垫，能够制作与以载荷状态下的脚的形状制作的鞋或鞋垫相比更适合被测定者的脚的鞋或鞋垫。

[0027] 图2是表示实施方式的预测装置1的结构的框图。如图2所示，预测装置1包括：处理器11、存储器(memory)12、储存器(storage)13、输入接口14、输出接口15、通信接口16、以及媒体读取装置17。这些各结构经由处理器总线19连接。

[0028] 处理器11是读出存储于储存器13中的程序(例如操作系统(Operating System，OS)130、训练程序131、预测程序133)，并将读出的程序在存储器12中展开并执行的计算机。处理器11为“运算部”的一例，例如包括中央处理器(Central Processing Unit，CPU)、现场可编程门阵列(Field Programmable Gate Array，FPGA)、图形处理器(Graphics Processing Unit，GPU)或多重处理器(Multi Processing Unit，MPU)等。此外，处理器11也可包括运算电路(处理电路(Processing Circuitry))。

[0029] 存储器12包括动态随机存取存储器(Dynamic Random Access Memory，DRAM)或静态随机存取存储器(Static Random Access Memory，SRAM)等易失性存储器、或者只读存储器(Read Only Memory，ROM)或快闪存储器等非易失性存储器等。

[0030] 储存器13例如包括硬盘驱动器(Hard Disk Drive，HDD)或固态驱动器(Solid State Drive，SSD)等非易失性存储装置等。储存器13除了存储OS130、训练程序131、预测程序133以外，还存储训练用数据132、预测模型134等。

[0031] 训练程序131是用于通过利用使用了训练用数据132的机器学习的训练来生成预测模型134的程序。预测程序133是用于使用预测模型134并根据被测定者的载荷状态下的脚的形状的测定数据来对无载荷状态下的脚的形状进行预测的程序。预测程序133是用于结合训练程序131以及预测模型134来执行预测方法的程序。

[0032] 输入接口14为输入部的一例，接受键盘、鼠标、以及触摸设备等的输入操作。输出接口15为输出部的一例，向显示器等输出由预测装置1预测的无载荷状态下的脚的形状的预测数据41。

[0033] 通信接口16为输入部以及输出部的一例，通过进行有线通信或无线通信，而从测定装置2接受测定数据的输入，或者与其他装置之间收发数据。通信接口16通过与其他装置之间收发数据，而可接受测定数据的输入，或者输出所预测的预测数据41。另外，通信接口16也可从其他装置接受训练用数据132的输入，或者接受由智能手机等拍摄的载荷状态下的被测定者的脚的形状的图像。此外，预测装置1在接受所述图像的情况下，可基于规定的算法从所述图像中求出载荷状态下的被测定者的脚的形状的数据(相当于测定数据)。

[0034] 媒体读取装置17接受可移动磁盘18、存储器芯片、通用串行总线(universal serial bus，USB)存储器等存储介质，获取保存于可移动磁盘18、存储器芯片、USB存储器等中的数据。此外，媒体读取装置17也可读出存储于可移动磁盘18中的训练用数据132，或者将所预测的预测数据41保存并输出至可移动磁盘18等。

[0035] 此外，虽然说明了预测装置1通过利用使用了训练用数据132的机器学习的训练来生成预测模型134，但若事先准备了由其他装置生成的预测模型134，则也可经由通信接口16而从服务器等接受。另外，预测装置1也可通过媒体读取装置17读取可移动磁盘18等中所存储的预测模型134。

[0036] 测定装置2例如是基于激光测定的三维脚型扫描仪，包括顶板21以及以夹入顶板21的方式设置的激光测定部22。当被测定者以立位姿势将脚放置于顶板21时，因被测定者的体重而从脚对顶板21施加载荷。即，成为对被测定者的脚施加了载荷的状态。测定装置2在对被测定者的脚施加了载荷的状态下，利用激光测定部22一边从脚的脚尖移动至脚后跟，一边测定脚的形状。测定装置2将由激光测定部22获取的被测定者的脚的形状的测定数据(三维数据)输出至预测装置1。此外，测定数据只要至少包含由测定装置2获取的脚的形状的数据即可，也可包含其他数据(例如，被测定者的性别或年龄等属性信息)。

[0037] [训练用数据]

[0038] 作为用于生成通过机器学习而训练的预测模型134的训练用数据132，使用将立位姿势的被测定者在静止状态(以下，未特别记载为静止状态，但设为测定时被测定者为静止状态)下进行测定而得的训练用测定数据与使用石膏绷带获取的无载荷状态下的脚的形状的训练用形状数据设为一组的训练用数据。图3是用于说明训练用数据的获取方法的概略图。

[0039] 为了获得训练用数据，准备多个训练用被测定者。此外，训练用被测定者也可包含预测无载荷状态下的脚的形状的被测定者。首先，如图3所示，通过测定装置2对多个训练用被测定者进行立位脚的测定。即，由测定装置2对立位姿势的训练用被测定者的脚进行测定，获取载荷状态下的训练用被测定者的脚的形状。当训练用被测定者以立位姿势将脚放置于顶板21时，测定装置2在因训练用被测定者的体重而从脚对顶板21施加了载荷的状态下，利用激光测定部22一边从脚的脚尖移动至脚后跟，一边测定脚的形状。由测定装置2测定出的脚的形状的数据是三维数据。可将所述三维数据直接作为训练用测定数据，但在本实施例中，将所述三维数据转换为包含脚的形状的高度方向的信息的二维数据，将转换后的二维数据作为训练用测定数据31。

[0040] 对于相同的多个训练用被测定者，如图3所示，使用石膏绷带进行无载荷脚的测定，获取无载荷下的训练用被测定者的脚的形状的数据。具体而言，由测定装置2对使用石膏绷带而注模成型的石膏的脚形进行测定，由此获取无载荷状态下的训练用被测定者的脚的形状的数据。因此，使用石膏绷带获取的脚的形状的数据是三维数据。也可将所述三维数据直接作为训练用形状数据，但在本实施例中，将所述三维数据转换为包含脚的形状的高度方向的信息的二维数据，将转换后的二维数据作为训练用形状数据32。

[0041] 采用从多个训练用被测定者的各者中获得的训练用测定数据31以及训练用形状数据32的成对数据作为训练用数据132。此外，转换为包含脚的形状的高度方向的信息的二维数据的训练用数据132也称为二维训练用数据。训练用数据132可将三维数据的训练用测定数据31以及训练用形状数据32单纯地转换为二维数据的训练用测定数据31以及训练用形状数据32，也可为在对无载荷状态下的被测定者的脚的形状进行预测的方面所需的仅脚掌附近的数据。因此，脚的形状的高度方向的信息例如如图3所示，设为从基准面S至脚掌为止的高度h的信息。基准面S例如设为立位姿势下的与地面平行的面，且为从训练用被测定者的脚踝或脚背沿脚掌方向而处于规定高度的面或具有最大外形的面等。此外，在如图3那样将基准面S设定于训练用被测定者的脚的内侧的情况下，从基准面S至脚掌为止的高度h也可视为距基准面S的深度，因此转换为二维数据的训练用测定数据31以及训练用形状数据32也称为脚掌深度图像。

[0042] 另外，训练用形状数据32与训练用测定数据31相比，脚掌的凹凸变大。因此，关于训练用测定数据31，三维数据的训练用测定数据中的从基准面S至高度h1(第一高度)为止的数据转换为二维数据，关于训练用形状数据32，训练用形状数据中的从基准面S至比高度h1高的高度h2(第二高度(h1＜h2))为止的数据转换为二维数据。

[0043] 在将训练用测定数据31以及训练用形状数据32分别转换为脚掌深度图像的情况下，将从基准面S至脚掌为止的高度h的信息转换为二维数据例如作为灰度等级的信息(从白至黑的256灰阶的信息)。因此，脚掌深度图像成为在二维的脚的形状中附加了与高度h相应的灰色的浓淡的图像。例如，脚掌深度图像在二维的脚的形状中将高度h高的部分表现为黑色，将高度h低的部分表现为白色，将中间的高度h表现为灰色。对于在脚掌深度图像中如何表现高度h的信息并无限制，不仅如上所述表现为灰阶信息，也可表现为色相信息或等高线。例如，在将高度h的信息表现为色相信息的情况下，脚掌深度图像在二维的脚的形状中以红色表现高度h高的部分，以蓝色表现高度h低的部分，以黄色表现中间的高度h。无论如何，训练用测定数据31以及训练用形状数据32只要是在二维的脚的形状的各点将高度h的信息作为标量值保存的二维排列数据即可。

[0044] 具体而言，训练用测定数据31将400mm×400mm的XY面表示为256像素×256像素的二维图像，对于保存于各像素中的高度h的信息，以256灰阶的灰度等级表示从基准面S至0mm～20mm的高度。此外，将立位姿势下的与地面平行的面设为XY面，将与XY面垂直的方向作为Z方向而设为高度h的方向。训练用形状数据32将400mm×400mm的XY面表示为256像素×256像素的二维图像，对于保存于各像素中的高度h的信息，以256灰阶的灰度等级表示从基准面S至0mm～40mm的高度。此外，训练用测定数据31与训练用形状数据32相比，作为高度h的信息而保存的范围从基准面S窄而为0mm～20mm。但是，训练用测定数据31与训练用形状数据32相同地将高度h的信息表示为256灰阶的灰度等级。因此，转换为二维数据的训练用测定数据31的信息量与转换为二维数据的训练用形状数据32的信息量相同。由此，训练用测定数据31的每1mm单位的数据量比训练用形状数据32多。当然，也可使训练用测定数据31的每1mm单位的数据量与训练用形状数据32的每1mm单位的数据量相同。另外，作为训练用测定数据31以及训练用形状数据32中的高度h的信息而保存的距基准面S的范围并无特别限定，例如也可根据作为对象的脚的数据(例如形状或大小)而变更。

[0045] 如此，训练用数据132将训练用测定数据31以及训练用形状数据32分别转换为脚掌深度图像，由此可抑制由预测装置1处理的数据量，同时生成预测精度高的预测模型。当然，训练用数据132也可不将训练用测定数据31以及训练用形状数据32分别转换为脚掌深度图像，而为以体素(voxel)、点群、网格、边界面等表现的三维数据。此外，将脚掌深度图像作为训练用数据132来生成预测模型，因此在预测装置1使用所述预测模型来预测无载荷状态下的脚的形状的情况下，需要将输入至预测装置1的测定数据转换为脚掌深度图像。另外，由预测装置1预测的无载荷状态下的脚的形状作为脚掌深度图像输出，因此需要从所输出的脚掌深度图像复原三维数据的无载荷状态下的脚的形状。

[0046] [预测方法]

[0047] 接着，参照流程图说明利用预测系统10执行的预测方法的处理。图4是用于说明实施方式的预测装置1所执行的预测方法的处理的流程图。此外，图4所示的各步骤通过预测装置1的处理器11执行训练程序131以及预测程序133来实现。

[0048] 首先，预测装置1判断是否进行基于训练程序131的训练阶段的处理(步骤S101)。在预测装置1还未具有预测模型134的情况，或者在对预测模型134未进行充分的训练的情况下，预测装置1进行训练阶段的处理。在未进行训练阶段的处理的情况下(在步骤S101中为否(NO)的情况下)，预测装置1使处理进入步骤S104。另一方面，在进行训练阶段的处理的情况下(在步骤S101中为是(YES)的情况下)，预测装置1执行生成预测模型134的训练阶段处理，所述预测模型134用于根据载荷状态下的被测定者的脚的形状的测定数据来对无载荷状态下的被测定者的脚的形状进行预测。

[0049] 在训练阶段处理中，为了生成预测模型134，接受N名训练用数据132的输入(步骤S102)。此外，在步骤S102中接受的训练用数据132包含训练用测定数据31、以及训练用形状数据32。

[0050] 接着，预测装置1通过利用使用了训练用数据132的机器学习的训练，生成对无载荷状态下的被测定者的脚的形状进行预测的预测模型134(步骤S103)。此处，预测模型134例如包含公知的神经网络或支持向量机(Support Vector Machine：SVM)、或者贝叶斯网络(Bayesian Network)等网络结构、以及由所述网络结构使用的内部参数，基于从训练用测定数据31预测的无载荷状态下的脚的形状的预测数据、以及训练用形状数据32来对内部参数进行优化(调整)。

[0051] 特别是，训练用数据132是训练用测定数据31与训练用形状数据32的成对数据，在利用基于所述成对数据的机器学习的训练中，使用将训练用形状数据32作为教师数据进行图像间转换(Image‑to‑Image Translation)的算法。具体而言，关于作为有教师学习(有指导学习(Supervised Learning))的用于成对数据(成对图像)间的转换的算法，可使用作为编码器‑解码器(Encoder‑Decoder)模型的卷积自动编码器(Convolutional Auto‑Encoder，CAE)、变分自动编码器(Variational Autoencoder，VAE)、U‑Net等。此处，变分自动编码器(VAE)是以卷积自动编码器(CAE)的潜在变量成为正态分布的方式施加制约的模型，U‑Net是卷积自动编码器(CAE)的编码器(Encoder)与解码器(Decoder)经跳跃连接的模型。此外，编码器(Encoder)使用卷积(Convolution)、视觉转换器(Vision Transformer)等，解码器(Decoder)使用转置卷积(Transposed Convolution)等。

[0052] 另外，作为用于成对数据(成对图像)间的转换的算法，也可使用生成对抗网络(Generative Adversarial Network，GAN)模型。作为GAN模型，例如使用pix2pix等。此外，用于成对数据(成对图像)间的转换的算法并不限定于所述算法，可适当使用基于流的模型(Flow‑Based Model)、扩散模型、自回归模型(例如，pixelRNN(像素RNN)、pixelCNN(像素CNN)、ImageGPT(图像GPT)等)、基于能量的模型(Energy‑Based Model)等用于图像生成的算法。

[0053] 接着，预测装置1判断是否进行基于预测程序133的运用阶段的处理(步骤S104)。在通过训练阶段的处理而生成了充分训练的预测模型134的情况下，预测装置1进行运用阶段的处理。在未进行运用阶段的处理的情况下(在步骤S104中为否的情况下)，预测装置1使处理进入步骤S110。另一方面，在进行运用阶段的处理的情况下(在步骤S104中为是的情况下)，预测装置1执行如下运用阶段处理：使用预测模型134，仅根据载荷状态下的被测定者的脚的形状的测定数据来对无载荷状态下的被测定者的脚的形状进行预测。

[0054] 在运用阶段处理中，为了预测无载荷状态下的被测定者的脚的形状，接受载荷状态下的被测定者的脚的形状的测定数据的输入(步骤S105)。此外，在步骤S105中，仅需要由测定装置2对被测定者的脚的形状进行测定而得的测定数据，不需要使用石膏绷带获取的无载荷状态下的脚的形状。

[0055] 接着，预测装置1将所接受的三维数据的测定数据转换为包含脚的形状的高度方向的信息的二维数据，以便可用于预测模型134(步骤S106)。具体而言，预测装置1将测定数据的从基准面S至脚掌为止的高度h的信息转换为作为灰度等级的信息的脚掌深度图像。

[0056] 接着，预测装置1使用预测模型134对无载荷状态下的被测定者的脚的形状进行预测(步骤S107)。预测装置1将在步骤S107中预测的预测数据转换为三维数据，并输出至设计鞋或鞋垫的装置等(步骤S108)。或者，预测装置1也可将预测数据作为图像显示于与预测装置1连接的显示器，以进行确认。

[0057] 预测装置1判断是否从测定装置2接受新的测定数据的输入(步骤S109)。预测装置1在接受新的测定数据的输入的情况下，基于新的测定数据来预测无载荷状态下的被测定者的脚的形状。因此，在接受新的测定数据的输入的情况下(步骤S109中为是)，预测装置1将处理返回至步骤S106。

[0058] 另一方面，在未接受新的测定数据的输入的情况下(步骤S109中为否)，预测装置1判断是否结束预测方法的处理(步骤S110)。在预测装置1未接受结束预测方法的处理的输入的情况下(步骤S110中为否)，预测装置1使处理返回至步骤S101。另一方面，在预测装置1接受结束预测方法的处理的输入的情况下(在步骤S110中为是的情况下)，预测装置1结束预测方法的处理。

[0059] 接着，基于在至少包括预测装置1以及测定装置2的预测系统10中预测的无载荷状态下的被测定者的脚的形状，使用示意图说明制作鞋垫的例子。图5表示用于说明利用实施方式的预测系统10制作鞋垫的处理的示意图。首先，在图5所示的训练用数据收集阶段P1中，为了收集训练用数据132，对N名训练用被测定者进行基于测定装置2的立位脚的测定以及使用石膏绷带的无载荷脚的测定。由此，可收集N组如下成对数据：是使从相同的训练用被测定者中获得的、由测定装置2测定出的脚的形状的三维数据以及无载荷状态下的脚的形状的三维数据组合而成。

[0060] 在训练用数据预处理阶段P2中，将在训练用数据收集阶段P1收集到的、由测定装置2测定出的脚的形状的三维数据31a以及无载荷状态下的脚的形状的三维数据32a分别转换为包含脚的形状的高度方向的信息的二维数据。具体而言，由测定装置2测定出的脚的形状的三维数据31a转换为脚掌深度图像的训练用测定数据31，无载荷状态下的脚的形状的三维数据32a转换为脚掌深度图像的训练用形状数据32。

[0061] 在预测模型训练阶段P3中，使用N组组合了训练用测定数据31与训练用形状数据32而成的成对数据，生成通过机器学习而训练的预测模型134。训练用数据收集阶段P1至预测模型训练阶段P3为止的处理对应于图4所示的训练阶段的处理。

[0062] 接着，在测定数据收集阶段P4中，对预测无载荷状态下的脚的形状的被测定者(可为与训练用被测定者不同的人，也可为相同的人)的测定数据33a进行收集。利用测定装置2获取立位姿势的载荷状态下的被测定者的脚的形状作为测定数据33a。测定数据33a是三维数据。

[0063] 在测定数据预处理阶段P5中，将在测定数据收集阶段P4中收集到的三维数据的测定数据33a转换为包含脚的形状的高度方向的信息的二维数据。具体而言，所测定的脚的形状的三维数据转换为脚掌深度图像的测定数据33。

[0064] 在预测阶段P6中，使用预测模型134，根据脚掌深度图像的测定数据33来对无载荷状态下的被测定者的脚的形状进行预测。在预测阶段P6中预测的预测数据41是脚掌深度图像的形状数据，且是包含脚的形状的高度方向的信息的二维数据。测定数据收集阶段P4至预测阶段P6为止的处理对应于图4所示的运用阶段的处理。

[0065] 在脚掌表面复原阶段P7中，为了容易用于鞋垫的设计，从作为包含脚的形状的高度方向的信息的二维数据的预测数据41中复原三维数据的脚掌形状数据42。此外，脚掌形状数据42是从基准面S至脚掌为止的三维数据的形状数据。在脚掌表面复原阶段P7中，也可从三维数据的测定数据33a中从基准面S切出脚踝侧的形状数据并与脚掌形状数据42组合，复原整个脚的脚掌形状数据。

[0066] 在鞋垫设计阶段P8中，基于在脚掌表面复原阶段P7中复原的脚掌形状数据42来设计鞋垫的设计数据51。在图5中，以鞋垫的设计为一例进行了说明，也可基于脚掌形状数据42或整个脚的脚掌形状数据来设计鞋的设计数据。

[0067] [预测模型]

[0068] 接着，使用示意图对预测模型134进行说明。图6是将实施方式的预测装置1中使用的预测模型的运算示意化的图。预测模型134使用卷积自动编码器(CAE：Convolutional Auto‑Encoder)，将训练用测定数据31的脚掌深度图像作为输入图像，将无载荷状态下的被测定者的脚的形状的预测数据41作为输出图像。此处，卷积自动编码器是包括利用一个以上的卷积层或池化层进行编码的结构以及利用一个以上的逆卷积层进行解码的结构的多层神经网络。

[0069] 说明了预测模型134使用作为编码器‑解码器模型的卷积自动编码器(CAE)，但编码器(Encoder)可使用例如视觉转换器(Vision Transformer)而非卷积(Convolution)。在编码器(Encoder)使用了视觉转换器(Vision Transformer)的情况下，由于是不像卷积(Convolution)那样具有池化层的结构，因此对于无载荷状态下的被测定者的脚的形状的预测数据41，在输出图像中，所预测的被测定者的脚的形状与背景的对比度变得比较清晰，所预测的脚的轮廓形状难以混乱，背景的一部分也难以产生干扰。

[0070] 另外，预测模型134也可使用GAN(Generative Adversarial Network)模型而非编码器‑解码器模型，例如可使用pix2pix。在预测模型134使用pix2pix的情况下，由于是不像卷积(Convolution)那样具有池化层的结构，因此与编码器(Encoder)使用了卷积(Convolution)的卷积自动编码器(CAE)相比，所预测的被测定者的脚的形状与背景的对比度变得比较清晰。

[0071] 将训练用形状数据32的脚掌深度图像作为正解数据，比较所预测的预测数据41的输出图像与正解数据，以使输出图像与正解数据之间的损失函数最小化的方式进行调整预测模型134的训练。因此，预测装置1通过使用训练完毕的预测模型134，可根据由测定装置2测定出的载荷状态下的被测定者的脚的形状来对无载荷状态下的被测定者的脚的形状进行预测。由此，预测装置1通过使用训练完毕的预测模型134而即使不使用石膏绷带也可获得无载荷下的被测定者的脚的形状。

[0072] [变形例]

[0073] (1)在所述实施方式中，从与属性(例如，性别、年代、人种等)无关地选择的多个被测定者中收集训练用数据132，通过利用使用了收集到的训练用数据132的机器学习的训练来生成预测模型134。不限于此，也可针对每个属性划分地从多个被测定者中收集训练用数据，并通过利用了使用针对每个属性划分的训练用数据的机器学习的训练来生成预测模型。预测装置1针对每个属性具有预测模型，通过接受被测定者的属性信息，而选择与所述属性对应的预测模型。然后，预测装置1使用所选择的预测模型，并根据测定数据来预测无载荷状态下的被测定者的脚的形状。由此，预测装置1通过基于被测定者的属性信息来选择预测精度高的预测模型，而可精度良好地预测无载荷状态下的被测定者的脚的形状。

[0074] (2)在所述实施方式中，对使用训练完毕的预测模型，根据载荷状态下的被测定者的脚的形状的测定数据来对无载荷状态下的被测定者的脚的形状进行预测进行了说明。但是，预测脚的形状的状态不限于无载荷状态。例如，也可通过利用使用了载荷比载荷状态小的低载荷状态下的训练用被测定者的脚的形状的训练用形状数据的机器学习的训练所生成的预测模型，对载荷不为零的低载荷状态下的被测定者的脚的形状进行预测。进而，也可通过利用使用了载荷比载荷状态大的高载荷状态下的训练用被测定者的脚的形状的训练用形状数据的机器学习的训练所生成的预测模型，对高载荷状态下的被测定者的脚的形状进行预测。即，预测装置1基于第一载荷状态下的训练用被测定者的脚的形状的训练用测定数据、以及载荷与第一载荷状态不同的第二载荷状态下的训练用被测定者的脚的形状的训练用形状数据，通过利用机器学习的训练来生成预测模型，由此可预测不同载荷状态下的被测定者的脚的形状。

[0075] [形态]

[0076] (1)本公开的预测装置包括：输入部，接受第一载荷状态下的被测定者的脚的形状的测定数据的输入；

[0077] 运算部，使用通过机器学习而训练完毕的预测模型，根据由输入部接受的测定数据来对载荷与第一载荷状态不同的第二载荷状态下的被测定者的脚的形状进行预测；以及[0078] 输出部，将由运算部预测的第二载荷状态下的被测定者的脚的形状的预测数据输出，

[0079] 预测模型是

[0080] 基于第一载荷状态下的训练用被测定者的脚的形状的训练用测定数据、以及第二载荷状态下的训练用被测定者的脚的形状的训练用形状数据，并通过利用机器学习的训练来预先生成。

[0081] 由此，本公开的预测装置使用通过机器学习而训练完毕的预测模型，因此可根据第一载荷状态下的测定数据来对第二载荷状态下的被测定者的脚的形状进行预测。

[0082] (2)根据(1)所述的预测装置，其中，训练用测定数据以及训练用形状数据可为三维数据，

[0083] 预测模型可基于将训练用测定数据以及训练用形状数据分别转换为包含训练用被测定者的脚的形状的高度方向的信息的二维数据而得的二维训练用数据，并通过利用机器学习的训练来预先生成。

[0084] (3)根据(2)所述的预测装置，其中，二维训练用数据可包含训练用被测定者的脚的形状的高度方向的信息作为灰阶信息。

[0085] (4)根据(2)或(3)所述的预测装置，其中，脚的形状的高度方向的信息可设为从基准面至脚掌为止的高度处的信息。

[0086] (5)根据(4)所述的预测装置，其中，关于二维训练用数据，训练用测定数据中的从基准面向脚掌方向至第一高度为止的数据可转换为二维数据，训练用形状数据中的从基准面向脚掌方向至比第一高度高的第二高度为止的数据可转换为二维数据。

[0087] (6)根据(5)所述的预测装置，其中，转换为二维数据的训练用测定数据的信息量与转换为二维数据的训练用形状数据的信息量可相同。

[0088] (7)根据(2)所述的预测装置，其中，运算部可使用预测模型，根据转换为二维数据的测定数据来对第二载荷状态下的被测定者的脚的形状进行预测。

[0089] (8)根据(7)所述的预测装置，其中，可将所预测的二维数据的预测数据复原为三维数据。

[0090] (9)根据(1)至(8)中任一项所述的预测装置，其中，预测模型可针对训练用被测定者的每个属性信息，并通过利用机器学习的训练来预先生成，

[0091] 可由输入部接受被测定者的属性信息，使用与所述属性对应的预测模型，并根据由输入部接受的测定数据来对第二载荷状态下的被测定者的脚的形状进行预测。

[0092] (10)本公开的预测系统，包括：

[0093] 测定装置，对第一载荷状态下的被测定者的脚的形状进行测定；以及[0094] 根据(1)至(9)中任一项所述的预测装置。

[0095] (11)本公开的预测方法为预测被测定者的脚的形状的预测方法，包括：接受第一载荷状态下的被测定者的脚的形状的测定数据的输入的步骤；使用通过机器学习而训练完毕的预测模型，根据接受的测定数据来对载荷比第一载荷状态小的第二载荷状态下的被测定者的脚的形状进行预测的步骤；以及将所预测的第二载荷状态下的被测定者的脚的形状的预测数据输出的步骤，

[0096] 预测模型是

[0097] 基于第一载荷状态下的训练用被测定者的脚的形状的训练用测定数据、以及第二载荷状态下的训练用被测定者的脚的形状的训练用形状数据，并通过利用机器学习的训练来预先生成。

[0098] (12)根据(1)至(9)中任一项所述的预测装置，其中，脚的形状为脚掌形状。

[0099] (13)根据(1)至(9)中任一项所述的预测装置，其中，训练用测定数据以及训练用形状数据是成对图像数据。

[0100] 已对本发明的实施方式进行了说明，但应认为本次公开的实施方式在所有方面均为例示而非限制性者。本发明的范围由权利要求所示，旨在包括与权利要求均等的含义以及范围内的所有变更。