一、基于此高质量的3D耳道左右耳标注数据，训练深度学习模型，实现根据3D耳道扫描结果自动识别左耳还是右耳。该能力广泛应用于扫描后端处理、助听器设计等环节，有效避免因用户标识不清或操作失误导致的“左右戴反”问题；同时，还可作为设计流程中的智能校验模块，提升验配安全性与准确性。 二、基于此3D耳道左右耳标注数据中的耳别与解剖结构的空间分布规律，构建正常耳道形态的参考模型。通过比对新扫描数据的结构对称性、关键区域完整性，自动识别采集过程中的异常（如部分缺失、形变、错位），实现扫描质量的智能质检与失真预警，确保后续设计数据可靠可用。
1. 数据来源 采用专业耳道3D扫描设备对用户耳道进行精准扫描，采集用户原始3D耳道影像数据。 2. 数据标注 用户的3D耳道影像数据采集完成后，由专业验配师基于临床经验与用户确认（如“左耳”、“右耳”），对扫描所得的3D模型进行人工耳别标注。标注过程中，还采用特定RGB色彩参数对耳道关键解剖结构进行可视化区分，并明确标识该模型对应的左右耳身份。 3. 数据处理 在此数据标注基础上，将标注结果与3D空间信息深度融合，以顶点坐标（包括顶点x坐标、顶点y坐标、顶点z坐标）和面片属性（由顶点构成的三角网格，包括面片顶点数量、面片顶点索引0、面片顶点索引1、面片顶点索引2）表达左右耳几何形态，每条数据只能存在顶点坐标（vertex）和面片属性（face）的其中之一，同时嵌入颜色标签与业务属性信息，构建包含“3D空间坐标+颜色语义标注+验配业务关联数据”的结构化训练数据集。 4. 数据应用 由此形成一条从“设备端原始影像采集”到“专家级语义标注”，再到“全链路业务数据融合”的标准化数据生产流程，为后续的3D耳道左右耳识别模型训练提供高质量、可追溯、可应用的标注数据支撑。
| 字段名 | 类型 | 描述 |
|---|---|---|
编号 |
-- | -- |
耳别 |
-- | -- |
标注类型 |
-- | -- |
顶点x坐标 |
-- | -- |
顶点y坐标 |
-- | -- |
| fieldName | exampleValue |
|---|---|
| 编号 | 1000 |
| 耳别 | R |
| 标注类型 | vertex |
curl -H "Authorization: Bearer YOUR_API_KEY" \
http://localhost:3001/api/v1/datasets/8396051