服裝智能制板中的結(jié)構(gòu)特征參數(shù)模型設計

姚 好，謝 紅

(上海工程技術(shù)大學 紡織服裝學院，上海 201620)

隨著人工智能技術(shù)的發(fā)展，智能制板技術(shù)逐漸成為近些年的研究熱點。智能制板技術(shù)是人工智能技術(shù)與服裝制板技術(shù)的結(jié)合，服裝制板技術(shù)是智能制板技術(shù)智能化的基礎，人工智能技術(shù)是一種用于延伸、拓展人的能力的技術(shù)，服裝制板技術(shù)和人工智能技術(shù)的合理運用，可部分取代制板師在制板過程中的腦力和體力勞動[1]。常見的人工智能技術(shù)包括專家系統(tǒng)、機器學習等。其中專家系統(tǒng)是一個利用計算機建立的包含大量專家知識和經(jīng)驗的程序系統(tǒng)，可用來建立服裝制板技術(shù)的專家知識庫；機器學習是指通過計算機對專家知識和經(jīng)驗進行模擬學習的技術(shù)，該技術(shù)可用來建立人體特征參數(shù)或款式特征參數(shù)與結(jié)構(gòu)特征參數(shù)的非線性關(guān)系。近20年來，智能制版技術(shù)主要圍繞專家系統(tǒng)與機器學習展開，同時穿插三維轉(zhuǎn)二維的方法，具體包括以下幾種方法：①知識驅(qū)動的智能化設計方法，即通過建立專家知識庫和數(shù)學邏輯推理等方法實現(xiàn)樣板的自動生成[2-3]；②幾何推理的智能化設計方法，即通過幾何約束推理的方法實現(xiàn)樣板的參數(shù)化繪制[4-5]；③神經(jīng)網(wǎng)絡的智能化設計方法，即通過神經(jīng)網(wǎng)絡實現(xiàn)某款式服裝，凈體與樣板間的映射關(guān)系[6-7]；④三維轉(zhuǎn)二維的方法，即通過力學、幾何或力學-幾何結(jié)合的展平技術(shù)將三維服裝模型轉(zhuǎn)換為二維樣板[8]。在三維轉(zhuǎn)二維的方法中很多學者采用三維人體掃描技術(shù)建立參數(shù)化人體模型，并在此基礎上建立了可展平的三維服裝模型的方法實現(xiàn)服裝樣板繪制[9-10]，其中知識驅(qū)動、幾何推理和神經(jīng)網(wǎng)絡的智能化設計方法屬于二維樣板轉(zhuǎn)三維成衣的范疇，知識驅(qū)動和幾何推理的智能化設計方法多針對個別款式建立參數(shù)化繪制模型，存在拓展功能較差的問題；神經(jīng)網(wǎng)絡的智能化設計方法，因訓練數(shù)據(jù)的獲取困難多用于個別款式服裝，其拓展性差；三維轉(zhuǎn)二維的方法，類似于立裁，是目前一種較好的方法，但人體數(shù)據(jù)和服裝數(shù)據(jù)的獲得需要專業(yè)設備，不便實施，并且現(xiàn)在的展平技術(shù)誤差較大，誤差會隨款式復雜程度的增加而增加，很難實現(xiàn)產(chǎn)業(yè)化。

綜合以上各種方法的優(yōu)缺點，本文從服裝款式零部件入手建立零部件結(jié)構(gòu)特征參數(shù)模型。以西裝領(lǐng)為例，從二維服裝款式圖入手，獲取服裝款式特征參數(shù)作為BP神經(jīng)網(wǎng)絡算法的輸入?yún)?shù)，將讀取到的相應的結(jié)構(gòu)特征參數(shù)作為BP神經(jīng)網(wǎng)絡算法的輸出參數(shù)，建立款式特征參數(shù)與結(jié)構(gòu)特征參數(shù)的映射關(guān)系。利用這種方法可以擴展更多的零部件模型，既將款式圖與結(jié)構(gòu)圖直接建立聯(lián)系，減輕了服裝定制中樣板師的工作量，又將消費者意愿與樣板的制作間接建立了聯(lián)系，省去中間的人工環(huán)節(jié)。

1 特征參數(shù)的確定

1.1 款式特征參數(shù)的確定

服裝制板師常依據(jù)經(jīng)驗根據(jù)款式圖繪制服裝樣板。目前，服裝行業(yè)并沒有款式圖的繪制標準，現(xiàn)有的款式圖繪制種類包括二維款式圖和三維款式圖[11]。二維款式圖指將服裝平鋪后的垂直投影，是與服裝樣板輪廓存在一定比例的沒有透視且完全平面的服裝款式圖，二維款式圖更加注重服裝款式的細節(jié)及尺寸比例的展示而忽視人體厚度的服裝款式圖，因此，二維款式圖可以讀取到更多確切的參數(shù)，常被用于生產(chǎn)工藝單中；三維款式圖是體現(xiàn)人體厚度的具有立體效果的圖，這類圖可以更加直觀的展示服裝的著裝效果，因此，三維款式圖常被用于展示給客戶或消費者[12-13]。本文目的是通過BP神經(jīng)網(wǎng)絡算法建立款式特征參數(shù)與結(jié)構(gòu)特征參數(shù)的非線性關(guān)系，需要準確獲取大量的款式特征參數(shù)，而二維款式圖可以讀取更多確切的款式特征參數(shù)，因此本文選用二維款式圖獲取款式特征參數(shù)。

二維款式圖在投影過程中，部分線條會發(fā)生變形，有一部分線條輪廓會保留下來，本文需要的款式特征參數(shù)就是這部分保留下來的輪廓參數(shù)。西裝領(lǐng)款式圖見圖1，由圖1(a)可以看出，平駁領(lǐng)的款式特征參數(shù)為底領(lǐng)高n、直開領(lǐng)a、領(lǐng)缺口線角度θ、領(lǐng)前造型線角度α、串口線長度b、翻駁領(lǐng)領(lǐng)角長度d、翻領(lǐng)領(lǐng)角線長度c。這些參數(shù)都是在投影過程中不會發(fā)生變形的線條和角度。

圖1 西裝領(lǐng)款式圖

在研究平駁領(lǐng)的款式特征參數(shù)時，由圖1可以看出，戧駁領(lǐng)、青果領(lǐng)和平駁領(lǐng)有部分相同的參數(shù)，可以用這3種駁領(lǐng)相同的參數(shù)及差異參數(shù)組成西裝領(lǐng)的款式特征參數(shù)，即利用一組款式特征參數(shù)作為BP神經(jīng)網(wǎng)絡算法的輸入?yún)?shù)，通過不同的輸出參數(shù)獲取不同領(lǐng)型的結(jié)構(gòu)特征參數(shù)。由圖1(b)可以看出，戧駁領(lǐng)與平駁領(lǐng)的不同之處主要表現(xiàn)在駁領(lǐng)部分，即在駁領(lǐng)領(lǐng)角部分多了戧駁領(lǐng)角線直線g以及領(lǐng)角曲線，同時刪除了翻駁領(lǐng)領(lǐng)角長度d。由圖1(c)可以看出，青果領(lǐng)較平駁領(lǐng)在翻領(lǐng)和駁領(lǐng)部分都有變化，青果領(lǐng)沒有平駁領(lǐng)中的領(lǐng)嘴部分，繪制起來更加簡單。

由圖1可以看出，參數(shù)位置與參數(shù)大小的變化都集中在領(lǐng)角、駁角處，因此，本文著重研究領(lǐng)嘴的參數(shù)比例關(guān)系。基于多年經(jīng)驗與審美習慣，有專家總結(jié)了領(lǐng)嘴處各特征值的尺寸配比：平駁領(lǐng)尺寸的配比關(guān)系為b>d>c≈n+1；戧駁領(lǐng)的尺寸的配比關(guān)系與平駁領(lǐng)在b、d、c、n處的關(guān)系相同，不同的部分是翻領(lǐng)領(lǐng)角長度c與戧駁領(lǐng)角線長度g的尺寸配比關(guān)系為n+1≈c：g=2∶1[14]。這里的尺寸的配比關(guān)系只是依據(jù)傳統(tǒng)設計的審美做出的總結(jié)，在大眾接受能力內(nèi)，不考慮一些夸張、獨特的造型。

基于服裝工程專家對傳統(tǒng)西裝領(lǐng)的設計經(jīng)驗以及比例關(guān)系，本文確定了西裝領(lǐng)款式特征參數(shù)(部分)見表1，平駁領(lǐng)的款式特征參數(shù)為n、a、b、c、d、α、θ、g(g=0 cm)；戧駁領(lǐng)款式特征參數(shù)為n、a、b、c、g、α、θ；青果領(lǐng)款式特征參數(shù)為n、a、b、d。這些參數(shù)隨機排列組合生成BP神經(jīng)網(wǎng)絡算法的輸入值。

1.2 結(jié)構(gòu)特征參數(shù)的確定

為了獲得準確的結(jié)構(gòu)特征參數(shù)，本文以日本第7代衣身文化式原型為基礎，根據(jù)相關(guān)參考資料[14-15]并結(jié)合款式特征參數(shù)，繪制了420款西裝領(lǐng)結(jié)構(gòu)圖，用于獲取結(jié)構(gòu)特征參數(shù)。傳統(tǒng)西裝原型中西裝領(lǐng)結(jié)構(gòu)的繪制需借助許多輔助線，其會增加BP神經(jīng)網(wǎng)絡算法的輸出參數(shù)，從而增加網(wǎng)絡訓練的負擔。故本文僅選取西裝領(lǐng)輪廓主要參數(shù)作為輸出參數(shù)。西裝領(lǐng)結(jié)構(gòu)特征參數(shù)示意圖見圖2，已知部分款式特征參數(shù)n(A3A4)、c(A9A15)、a、b(A13A15)、d(A11A15)、θ、α、g(A9A10)，在平駁領(lǐng)、戧駁領(lǐng)中，如圖2(a)所示，需要獲得的結(jié)構(gòu)特征參數(shù)有A3A2A14、A4A5、A5A7A8A9、A4A6A13、A14A13、A11A16A12(A10A11A12)。在青果領(lǐng)中，如圖2(b)所示，需要獲得的結(jié)構(gòu)特征參數(shù)為A3A2A14、A4A5、A5A17、A17A11A12、A14A13、A4A6A13。

表1 西裝領(lǐng)款式特征參數(shù)(部分)

圖2 西裝領(lǐng)結(jié)構(gòu)特征參數(shù)示意圖

如圖2所示，本文對西裝領(lǐng)的結(jié)構(gòu)輪廓各點進行標注，便于結(jié)構(gòu)圖繪制以及參數(shù)的獲得。為了獲得上述相關(guān)參數(shù)，本文選擇用建立直角坐標系的方法確定各點位置，獲取各點參數(shù)。因為西裝領(lǐng)中沒有水平線或垂直線，因此采用相對坐標更容易確定各點位置。相對坐標是坐標原點隨各個目標點的變化而變化的坐標表示方式。

西裝領(lǐng)結(jié)構(gòu)輪廓點位置的確定過程見表2，因為相對坐標原點在不斷變化，為了方便確定其他點的位置，本文采用極坐標，即只需要確定2點之間的距離以及2點連線與水平線的夾角。為后續(xù)作圖方便，本文角度均為對應2點連線與水平x軸的夾角。

表2 西裝領(lǐng)結(jié)構(gòu)圖輪廓點位置的確定過程

如表2所示，結(jié)構(gòu)特征參數(shù)具體的確定過程(部分)如下：①∠A1″與∠A1?相等，均為22°，因為肩斜角度為22°；②A1A3為8.85 cm，8.85 cm為后領(lǐng)弧線長度，這里為了考慮更少變量，所以只考慮后領(lǐng)弧線長度為8.85 cm的西裝領(lǐng)；③以A1為原點，量出∠A1′與A1A14的長度，確定A14位置；④A4A5為(n+1)cm，由款式特征參數(shù)可知A3A4為ncm，A4A5為翻領(lǐng)高，一般大于A3A4，這里為減少變量，默認A3A4為(n+1)cm，因此可以確定A5位置。⑤∠A6為60°，點A7、A8并不是西裝領(lǐng)的輪廓點，是2個繪圖的輔助點。因為在繪制過程中A5、A9并不能確定一條曲線，所以以A6為原點，沿x軸方向量取A6A8獲取A8位置；以A6為原點，逆時針量取60°，并沿此方向量取A6A7獲取A7位置。

圖3 西裝領(lǐng)結(jié)構(gòu)圖坐標角度

西裝領(lǐng)結(jié)構(gòu)圖坐標角度見圖3。由上述過程確定結(jié)構(gòu)特征參數(shù)為：∠A1、∠A1′、A1A14、A6A7、A6A8、∠A14、A14A13，因為在編譯軟件中無法識別特殊符號，因此本文只用字母數(shù)字表示上述參數(shù)，即∠A1、∠A1′、A1A14、A6A7、A6A8、A14(∠A14)、A14A13，西裝領(lǐng)結(jié)構(gòu)特征參數(shù)(部分)見表3。最終確定了420組款式、結(jié)構(gòu)特征參數(shù)，并隨機選出55組參數(shù)作為測試數(shù)據(jù)，剩余365組參數(shù)作為訓練數(shù)據(jù)。

表3 西裝領(lǐng)結(jié)構(gòu)特征參數(shù)(部分)

2 結(jié)構(gòu)特征參數(shù)模型的建立

本文以Python編程語言開發(fā)的PyTorch深度學習框架為基礎構(gòu)建BP神經(jīng)網(wǎng)絡算法，該算法是反向傳播算法，其能夠?qū)W習和存儲大量的輸入-輸出模式的映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學方程。其學習規(guī)則是最速下降法，即通過反向傳播來不斷調(diào)整網(wǎng)絡的權(quán)重值和閾值，使網(wǎng)絡的誤差平方和最小[16]。

2.1 BP神經(jīng)網(wǎng)絡算法

BP神經(jīng)網(wǎng)絡算法包括輸入層、隱藏層、輸出層，輸入層與輸出層的節(jié)點根據(jù)實際需要設定；隱藏層的節(jié)點設定是不確定的，需要通過固定公式[17]，如式(1)～(4)和神經(jīng)網(wǎng)絡訓練專家的經(jīng)驗共同確定，隱藏層節(jié)點的設定關(guān)乎整個網(wǎng)絡的預測精度，同時隱藏層的層數(shù)也對BP神經(jīng)網(wǎng)絡算法的預測精度有影響。通常優(yōu)先考慮增加隱藏層節(jié)點而非層數(shù)，因為層數(shù)的過度增加會使網(wǎng)絡結(jié)構(gòu)更加復雜，訓練時間增加。同時，BP神經(jīng)網(wǎng)絡算法中的一些參數(shù)：權(quán)重值、偏置、學習率也會對網(wǎng)絡的學習能力產(chǎn)生影響，初始權(quán)重值、偏置一般設為隨機數(shù)[18]。學習率根據(jù)網(wǎng)絡精度和訓練時間調(diào)整，范圍一般在[0.001, 0.010]之間。另外，激活函數(shù)也會對網(wǎng)絡的預測精度產(chǎn)生影響，該函數(shù)為BP神經(jīng)網(wǎng)絡算法引入非線性因素，并且把各層輸出值控制在一定范圍內(nèi)。常用的激活函數(shù)包括:sigmoid、tanh、relu等，需根據(jù)具體問題確定。

(1)

y=log2i

(2)

(3)

y=2i+1

(4)

式中：i為輸入層節(jié)點；o為輸出層節(jié)點；γ為1～10的常數(shù)。

2.2 BP神經(jīng)網(wǎng)絡算法結(jié)構(gòu)的設計

由第1節(jié)特征參數(shù)的確定可知，輸入層節(jié)點為7個，輸出層節(jié)點為7個。經(jīng)多次測驗確定隱藏層數(shù)為3，其節(jié)點分別為77、30、60。因此，神經(jīng)網(wǎng)絡結(jié)構(gòu)為7×77×30×60×7。初始權(quán)重值為標準正態(tài)分布的隨機數(shù)，初始偏置為0，隱藏層激活函數(shù)選擇sigmoid函數(shù)，因為sigmoid函數(shù)在-2～2范圍內(nèi)收斂更快，輸出值變化較大，因此權(quán)重值和偏置變化更大，并且在這個范圍內(nèi)，函數(shù)變化比較平穩(wěn)，所以訓練輸出值會更加準確。依據(jù)神經(jīng)網(wǎng)絡訓練專家的經(jīng)驗以及47次測驗，最終確定迭代步數(shù)為10 000次，學習率為0.001。經(jīng)過10 000次訓練后，均方差誤差達到0.000 019，網(wǎng)絡訓練(誤差-迭代次數(shù))見圖4。

圖4 網(wǎng)絡訓練(誤差-迭代次數(shù))

2.3 網(wǎng)絡模型的驗證

用55組測試數(shù)據(jù)對訓練好的網(wǎng)絡模型進行驗證，將預測值與實際值作對比，預測值與期望值誤差對比見圖5。每一條線代表一組誤差數(shù)據(jù)，縱軸代表相對誤差值，橫軸代表不同的結(jié)構(gòu)特征參數(shù)。由圖5可以看出，55組參數(shù)的相對誤差都在-0.04%～0.04%之間，本文構(gòu)建的BP神經(jīng)網(wǎng)絡預測模型精確度較高，將款式特征參數(shù)和預測結(jié)構(gòu)特征參數(shù)輸入到自動制板系統(tǒng)中，就可以快速準確地生成相應的西裝領(lǐng)樣板。

圖5 預測值與期望值誤差對比

3 結(jié)構(gòu)特征參數(shù)模型的應用

智能制板是通過人工智能技術(shù)結(jié)合計算機圖形學實現(xiàn)服裝樣板的自動繪制，而樣板的繪制要基于結(jié)構(gòu)特征參數(shù)，可以將該模型應用到智能制板系統(tǒng)的參數(shù)獲取模塊中，節(jié)省樣板繪制時間。也可以將該模型應用到款式識別系統(tǒng)中，通過款式特征參數(shù)的識別獲取款式特征參數(shù)，然后利用該模型獲得結(jié)構(gòu)特征參數(shù)并將參數(shù)傳入樣板的自動繪制系統(tǒng)中，實現(xiàn)完整的智能制板過程。

4 結(jié)束語

本文通過BP神經(jīng)網(wǎng)絡算法建立了西裝領(lǐng)款式圖與結(jié)構(gòu)圖之間的聯(lián)系，實現(xiàn)了西裝領(lǐng)的參數(shù)化設計，即根據(jù)款式特征參數(shù)獲得與其映射的結(jié)構(gòu)特征參數(shù)，然后根據(jù)款式特征參數(shù)與結(jié)構(gòu)特征參數(shù)就可以得到相應的樣板。這種方法既兼顧了消費者的意愿又實現(xiàn)了樣板的快速生成，為智能制板提供一種新的研究思路，為快速的個性化定制提供了新的研究方向。但由于原始參數(shù)獲取的復雜性，本文只研究了西裝領(lǐng)，這種方法可以擴展到其他領(lǐng)型、衣身、衣袖、褲子、裙子等，進而實現(xiàn)多種服裝款式的快速制板。