BP神經網絡下的智能化合體服裝樣板生成

劉為敏， 謝 紅

(上海工程技術大學 服裝學院， 上海 201620)

服裝的合體度取決于服裝樣板的合體度，如何快速準確地生成符合目標客戶的服裝樣板一直以來都是研究的熱點，也是服裝制版中的關鍵技術和難點。量身定制中服裝合體樣板的生成是通過三維掃描儀把人體關鍵部位尺寸輸入服裝量身定制(MTM)系統，系統按照尺寸在板型庫中自動進行搜尋找到與之最接近的版型或自動生成個性化樣板，提高了服裝企業的效率[1]。

目前服裝合體樣板的生成主要有以下幾種方法：第一，利用款式部件庫里的款式部件間的快速組合得到個性化樣板；第二，基于大量的人體數據，在其基礎上修正原型，通過放碼生成合體樣板，或者基于大量人體數據，細分人體體型，不同體型設置不同的基板，通過放碼生成合體樣板；第三，參數化設計樣板，將點、線之間的關系式通過編程語言實現給定一個客戶尺寸即可生成個性化樣板。前2種方法都離不開放碼，企業用的最多的是放碼技術，放碼是對樣板整體比例的變化；而人體體型各異，有時并不是成比例的增加，因此得到的樣板還需要修正。服裝的智能生成目前用的大都是參數化設計方法。

隨著互聯網+時代的到來，服裝合體樣板的智能生成，儼然已經成了服裝行業未來的發展趨勢。美國格柏公司即是基于參數化設計方法開發了變更功能，通過一個基準樣板，調用既定的變更規則和尺碼代號自動生成個性化樣板。其中，變更規則的設計是服裝合體樣板快速生成的關鍵技術。變更規則的制定參照放縮規則又不同于放縮規則，放縮規則是樣板整體規格的放大或縮小，而變更規則可控制單個部位的放大或縮小，提高服裝的合體度。目前存在的問題是變更規則及樣板各部位的參數約束式是固定的。客戶樣板的生成是以服裝版型庫里與客戶尺寸近似的樣板為基準樣板，根據個體尺寸與此基準樣板尺寸的二維差異，調用既定變更規則進行樣板變更，以求得符合客戶尺寸的服裝樣板[2]。這就需要龐大的板型數據庫，但由于人體細部形態各異，板型庫不足，有時很難找到與之相適應的板型，生成的服裝樣板合體度欠佳，往往需要借助樣板師憑借其技術和經驗重新修改樣板；另外由于變更規則是固定的，隨著尺寸的增大，生成的樣板必然會造成結構不平衡，使得服裝不合體。

本文基于上述缺陷，以格柏CAD為技術開發平臺，提出對于變更規則的參數化研究，可根據人體的尺寸自動生成相應的變更規則，并采用BP神經網絡算法建立人體尺寸變化量與變更規則之間的參數化變更規則神經網絡模型，從而實現一人一板。以往的研究也有將神經網絡用到服裝上，但大多數建立的是人體凈尺寸與成衣尺寸之間的關系，只是實現了繪制樣板時的尺寸依據，并不能實現樣板的自動生成。本文將神經網絡應用于變更規則的參數化設計，直接實現數據與數據的匹配對檔。目的是使不同的人體尺寸采用不同的變更規則，從而自動生成樣板，解決了從板型庫中查找近似板型困難這一缺陷，提高了服裝的合體度，減少了對樣板師的依賴。

1 樣板變更數據的獲取

1.1 研究對象

本文選擇合體男西褲作為基準樣板進行研究，號型為170/82A，即以身高為170 cm、凈腰圍為82 cm的男西褲作為研究對象，首先根據男西褲制圖公式確立各個控制部位腰圍、臀圍、腳口、立襠長、褲長等部位變更點的基準變更規則(基準變更規則是該控制部位各個變更點的移動量與該部位檔差的百分比)。控制部位當中影響西褲合體性的部位主要是腰腹部和臀部，因此本文主要以腰圍、臀圍規則為例進行說明，建立人體腰圍、臀圍的尺寸變化量和腰圍、臀圍變更規則之間的參數化模型。基準樣板的規格尺寸如表1所示，結構圖如圖1所示(前片單褶、后片雙省)，男西褲基準變更規則如圖2所示。

表1 男西褲規格尺寸Tab.1 Male trousers size cm

圖1 男西褲結構圖Fig.1 Men′s trousers structure

圖2 男西褲變更規則Fig.2 Establishment of alteration rule for men′s trousers

1.2 樣板變更點編號設置

格柏系統是以變更點編號來識別樣板需要變化的部位，因此需要首先對樣板變化的部位設置變更點編號，每個變更點又分為X方向上的變化量、Y方向上的變化量。同一樣板中，點的編號必須是唯一的，由于變更點的數量比較多，為防重復，點編號的設置一般以3～4位數字為宜，如101，1010，102等。本文樣板變更點集中在樣板腰圍、腹圍和臀圍部位，編號如下：前片側縫線與腰圍線、腹圍線交點編號分別為y105、y1011，前片中線(即前襠線)與腰圍線交點編號為y101，前片褶裥編號為y104、y1040、y1041，后片側縫線與腰圍線和腹圍線交點編號分別為y201、y216，后片中線(即后襠線)與腰圍線交點編號為y208，后片省道編號為y202、y204、y205、y207。

1.3 人體尺寸的獲取

從上海工程技術大學人體數據庫里采集本次研究對象基準樣板下凈腰圍82 cm所對應的臀圍最大值和最小值分別為102、86 cm；凈臀圍96 cm所對應的腰圍最大值和最小值分別為101、72 cm。求出該最大值和最小值與基準樣板中腰圍、臀圍的差值，得到腰圍和臀圍尺寸變化范圍，分別為-10～19 cm和-10～6 cm。獲得腰圍、臀圍的最大值、最小值是為了盡可能多地包含人體尺寸的變化范圍，為建立人體的尺寸表做準備。

1.4 合體樣板變更數據的獲取

將1.3節中得到的腰圍、臀圍變化范圍，分別以1 cm為單位在基準樣板腰圍和臀圍的尺寸上逐步增加或減少，即腰圍不變，臀圍在-10～6 cm之間變化，共17個尺寸；臀圍不變，腰圍在-10～19 cm變化，共30個尺寸，交叉組合建立尺寸表，共建立17×30=510組變化尺寸。基準樣板通過調用圖2所示的基準變更規則和510組變化尺寸，共得到510組變化樣板。結合專家經驗和人體體型對其中不合體樣板部位的各變更點進行修改，記錄各點的修改量。由于格柏檔案中變更規則是以百分比的形式呈現的，因此要將修改的量利用公式(變更百分比=點的移動量/整體部位變化量)轉換得到各變更點的變化百分比。將原始基準變更規則中的點變更數據加上修改樣板不合體部位得到的對應點的變化數據，即可得到最終的合體樣板變更數據，共得到510組合體樣板變更數據，即合體的樣板變更規則，為后期使用BP神經網絡建立參數化合體樣板變更規則提供數據支撐。

1.5 判定不合體樣板及修改樣板的依據

所謂不合體樣板即結構方面達不到保量保型，如圖3所示。當腰圍增加或臀圍減小，腰部側縫出現外凸臀部內凹，導致側縫線不圓順而出現拐點，前片側縫線的外凸量超過1 cm或后片側縫線的外凸量超過2 cm時，即可判定為不合理；當腰圍減小或臀圍增加，臀部外凸腰部內凹導致前后側縫過于彎曲，側縫線曲線峰度超過2 cm或前后中縫臀部出現拐點，即可判定不合理[3]；將得到的樣板前片側縫與后片側縫拼合、前片前中線拼合、后片后中線拼合，若腰線處出現凹角或凸角現象均可判定為不合理。

圖3 不合體樣板Fig.3 Abnormal trousers pattern. (a) Increase in waistline or decrease in hip circumference;(b) Decrease in waistline or increase in hip circumference

修改樣板主要是以保量保型為原則并結合專家經驗進行修改，通過合理分配省和褶的量以及前后側縫的困勢、前中劈腰量來達到樣板的結構平衡和規定尺寸[4-5]。反映到樣板上即是對前片側縫y105、y1011，前中y101，前褶y104、y1040、y1041，后片側縫y201、y216，后中y208，后省y202、y204、y205、y207共13個變更點進行修改，點的移動有正負值之分，向上移動量為正值，向下移動量為負值。修樣過程中，當臀腰差減小時，隨之省和褶也要減小。省和褶的變化規則是：后省每個省的量在減小的過程中不能小于1 cm，小于1 cm則換成后片單省的款式，后片換成單省時，就要在原來的基準樣板上減少1個省的2個變更點y205、y207；前褶的褶量在減小的過程中不能小于2 cm，小于2 cm即可去掉褶。當臀腰差增大時，省和褶也要增大，省和褶的變化規則是：后省每個省的量在增大過程中不能大于2.5 cm，前褶的量在增大過程中不能大于4.5 cm，大于4.5 cm就要換成前片單褶、單省的款式，前片換成單省單褶時就要在原來的基準樣板上增加前片1個省的3個變更點y122、y123、y124，并且保證修改后的樣板前后側縫形狀相似，長度近似。隨著省的變化，共得到3種基本款式：前片單褶，后片雙省；前片單褶，后片單省；前片單省單褶，后片雙省。將3種款式分別命名為y0、y1、y2。

將修好的樣板前后側縫拼合、前中縫拼合、后中縫拼合時，側縫、前中縫、后中縫與腰線的角度要略大于180°，不能出現凹角或凸角，以保證腰線的平展，否則繼續修正樣板。

2 BP神經網絡的設計

BP神經網絡是前饋神經網絡，一般結構為輸入層、隱含層和輸出層，隱含層的層數和節點的設計、各層之間激活函數的選取以及訓練函數的選取對于網絡的性能影響很大，其中隱含層的層數和節點的設計是神經網絡中最重要的，在很大程度上決定了網絡的訓練速度和泛化能力[6]。

2.1 網絡層數和各層節點的確定

BP神經網絡根據需要一般已經確定輸入層和輸出層，重點是確定隱含層層數和隱含層節點，在很大程度上影響著網絡的質量。數據擬合的精度會隨著隱含層數的增加而提高，但同時也會增加訓練時間，因此在設計神經網絡時一般要綜合考慮訓練精度和擬合時間來設計隱含層和節點數[7]。在設計BP神經網絡時，一般先考慮設計一個隱含層，當一個隱含層的隱神經元數很多但仍不能改善網絡的性能時，才考慮增加隱含層[8]。隱含層節點的設置對網絡的影響也較大，隱含層的節點數設置過少將無法達到學習與逼近的性能，過多又可能使網絡出現過擬合等不良現象，一般隱含層節點的設置參考以下公式確定：

式中：m為輸入層節點數；n為輸出層節點數；a為1～10之間的常數[9]。在實際應用中通常將公式法與經驗法相結合來確定隱含層的節點數。

2.2 傳遞函數與訓練函數的選取

2.2.1傳遞函數

常用的傳遞函數即激活函數有3種：tansig、logsig、purelin。隱含層一般采用S型激活函數，輸出層一般選用線性函數purelin作為激活函數。logsig 傳遞函數輸出范圍是(0，1)，tansig傳遞函數輸出范圍是(-1，-1)。tansig函數比logsig函數的輸出范圍大，且含正負區間。purelin函數的輸出可以是任意值[10]，使用過程中可根據需要選取。

2.2.2訓練函數

訓練函數也是影響神經網絡模型性能好壞的一個重要參數，不同的訓練函數代表不同的BP算法，MatLab中提供的BP訓練函數大致有以下幾種。共軛梯度法進行的訓練函數：traincgf(采用Fletcher-Reeves搜索技術)、traincgp(采用Polak-Ribiers搜索技術)、traincgb(采用Powell-Beale搜索技術)；基于擬牛頓法的訓練函數trainbfg；用Levenberg-Marquardt數值優化法來實現誤差反向傳播算法的trainlm，收斂速度最快；最基本的BP算法traingd和附加動量的梯度下降法traingdm，收斂速度較慢；自適應學習步長法traingda和traingdx，它們的學習步長會根據誤差性能函數進行調節，能夠解決標準BP算法中學習步長選擇不當的問題。總的來說，啟發式算法的traingd、traingdm、traingdx訓練函數效率要低于共軛梯度法、擬牛頓算法和Levenberg-Marquardt法等數值優化算法的訓練函數[11]。

2.3 BP神經網絡的設計

將1.3節得到的510組合體的變更數據應用MatLab2014a來建立BP神經網絡模型，選用樣本中的490組數據作為訓練樣本，20組數據作為測試數據。輸入層為腰圍、臀圍的變化量；輸出層為前片側縫y105、y1011，前中y101，前褶y104、y1040、y1041，前省y122、y123、y124，后片側縫y201、y216，后中y208，后省y202、y204、y205、y207各變更點的變更數據，以及款式y0、y1、y2。因此，神經網絡具有2個輸入，17個輸出，根據BP神經網絡的特點和本次樣本數據的特點，經過多次訓練測試比較，本文采用5層神經網絡，即3個隱含層，各層間的傳遞函數選取tansig函數，經過反復測試確定各隱含層的節點數分別為20、65、50，構成了一個2×20×65×50×17的BP神經網絡模型。

參數設置如下：首先運用MatLab中的mapminmax函數對數據進行歸一化，消除數據之間的差異性，然后建立前饋BP神經網絡，訓練函數選擇trainrp彈性BP算法，自適應學習函數選取MSE(均方差)函數。最大迭代次數為5萬步，顯示輪回的數為100，均方差為0.000 01。在BP網絡中，學習速率的選取范圍在 0.01～0.8 之間[12]。本次學習速率選為0.01。

然后開始訓練，經過5萬步，均方差達到0.000 234，如圖4所示。

圖4 網絡訓練曲線Fig.4 Curve of network training

2.4 網絡測試與分析

對訓練好的模型用20組數據進行測試，仿真輸出，將預測輸出和期望輸出(期望輸出即是用來進行測試的20組數據，是由前面對不合體樣板在格柏CAD中結合專家經驗和人體體型進行修改后得到的合體樣板變更數據)進行對比，誤差如圖5所示。圖中每條曲線代表1組數據各變更點預測輸出和期望輸出的誤差，1組數據由17個變更點組成。

由圖5可知，20組測試數據中，每組數據各變更點的誤差大多數都在-1%～1%之間，少數幾個在-2.5%～2%之間，說明本文建立的BP神經網絡模型合理有效。將預測輸出的數據導入到格柏系統的腰圍和臀圍的變更規則里，即可自動生成變更樣片，相當于一人一板，減小了對樣板師的依賴。實驗驗證結果表明，采用BP神經網絡輸出的樣板變更數據，可達到理想的男西褲合體效果。

3 結束語

本文將人工神經網絡算法應用于男西褲樣板變更規則的設計當中，實現了樣板變更規則的參數化設計，即給定一個腰圍、臀圍的變化量就得到一個相應的變更規則，通過此變更規則就會得出符合這個尺寸的樣板。相當于一人一板，改變了傳統的從服裝板型庫里提取出與客戶近似的樣板，通過固定變更規則進行樣板變更生成客戶樣板，但由于人體細部形態各異，樣板庫不足，有時很難找到與之相適應的樣板，并且減少了對樣板師的依賴性，為智能化服裝生產提供一條新的思路。本文只針對腰圍和臀圍的變更規則進行了參數化設計，并且款式較單一，今后將對不同款式、不同部位的變更規則進行研究，進一步完善變更規則庫。

FZXB