服裝智能制板中的結構特征參數模型設計

姚 好，謝 紅

(上海工程技術大學 紡織服裝學院，上海 201620)

隨著人工智能技術的發展，智能制板技術逐漸成為近些年的研究熱點。智能制板技術是人工智能技術與服裝制板技術的結合，服裝制板技術是智能制板技術智能化的基礎，人工智能技術是一種用于延伸、拓展人的能力的技術，服裝制板技術和人工智能技術的合理運用，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包括專家系統、機器學習等。其中專家系統是一個利用計算機建立的包含大量專家知識和經驗的程序系統，可用來建立服裝制板技術的專家知識庫；機器學習是指通過計算機對專家知識和經驗進行模擬學習的技術，該技術可用來建立人體特征參數或款式特征參數與結構特征參數的非線性關系。近20年來，智能制版技術主要圍繞專家系統與機器學習展開，同時穿插三維轉二維的方法，具體包括以下幾種方法：①知識驅動的智能化設計方法，即通過建立專家知識庫和數學邏輯推理等方法實現樣板的自動生成[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樣板的參數化繪制[4-5]；③神經網絡的智能化設計方法，即通過神經網絡實現某款式服裝，凈體與樣板間的映射關系[6-7]；④三維轉二維的方法，即通過力學、幾何或力學-幾何結合的展平技術將三維服裝模型轉換為二維樣板[8]。在三維轉二維的方法中很多學者采用三維人體掃描技術建立參數化人體模型，并在此基礎上建立了可展平的三維服裝模型的方法實現服裝樣板繪制[9-10]，其中知識驅動、幾何推理和神經網絡的智能化設計方法屬于二維樣板轉三維成衣的范疇，知識驅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化繪制模型，存在拓展功能較差的問題；神經網絡的智能化設計方法，因訓練數據的獲取困難多用于個別款式服裝，其拓展性差；三維轉二維的方法，類似于立裁，是目前一種較好的方法，但人體數據和服裝數據的獲得需要專業設備，不便實施，并且現在的展平技術誤差較大，誤差會隨款式復雜程度的增加而增加，很難實現產業化。

綜合以上各種方法的優缺點，本文從服裝款式零部件入手建立零部件結構特征參數模型。以西裝領為例，從二維服裝款式圖入手，獲取服裝款式特征參數作為BP神經網絡算法的輸入參數，將讀取到的相應的結構特征參數作為BP神經網絡算法的輸出參數，建立款式特征參數與結構特征參數的映射關系。利用這種方法可以擴展更多的零部件模型，既將款式圖與結構圖直接建立聯系，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系，省去中間的人工環節。

1 特征參數的確定

1.1 款式特征參數的確定

服裝制板師常依據經驗根據款式圖繪制服裝樣板。目前，服裝行業并沒有款式圖的繪制標準，現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，常被用于生產工藝單中；三維款式圖是體現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神經網絡算法建立款式特征參數與結構特征參數的非線性關系，需要準確獲取大量的款式特征參數，而二維款式圖可以讀取更多確切的款式特征參數，因此本文選用二維款式圖獲取款式特征參數。

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

圖1 西裝領款式圖

在研究平駁領的款式特征參數時，由圖1可以看出，戧駁領、青果領和平駁領有部分相同的參數，可以用這3種駁領相同的參數及差異參數組成西裝領的款式特征參數，即利用一組款式特征參數作為BP神經網絡算法的輸入參數，通過不同的輸出參數獲取不同領型的結構特征參數。由圖1(b)可以看出，戧駁領與平駁領的不同之處主要表現在駁領部分，即在駁領領角部分多了戧駁領角線直線g以及領角曲線，同時刪除了翻駁領領角長度d。由圖1(c)可以看出，青果領較平駁領在翻領和駁領部分都有變化，青果領沒有平駁領中的領嘴部分，繪制起來更加簡單。

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

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

1.2 結構特征參數的確定

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

表1 西裝領款式特征參數(部分)

圖2 西裝領結構特征參數示意圖

如圖2所示，本文對西裝領的結構輪廓各點進行標注，便于結構圖繪制以及參數的獲得。為了獲得上述相關參數，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。因為西裝領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。

西裝領結構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 西裝領結構圖輪廓點位置的確定過程

如表2所示，結構特征參數具體的確定過程(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為后領弧線長度，這里為了考慮更少變量，所以只考慮后領弧線長度為8.85 cm的西裝領；③以A1為原點，量出∠A1′與A1A14的長度，確定A14位置；④A4A5為(n+1)cm，由款式特征參數可知A3A4為ncm，A4A5為翻領高，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 西裝領結構圖坐標角度

西裝領結構圖坐標角度見圖3。由上述過程確定結構特征參數為：∠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字表示上述參數，即∠A1、∠A1′、A1A14、A6A7、A6A8、A14(∠A14)、A14A13，西裝領結構特征參數(部分)見表3。最終確定了420組款式、結構特征參數，并隨機選出55組參數作為測試數據，剩余365組參數作為訓練數據。

表3 西裝領結構特征參數(部分)

2 結構特征參數模型的建立

本文以Python編程語言開發的PyTorch深度學習框架為基礎構建BP神經網絡算法，該算法是反向傳播算法，其能夠學習和存儲大量的輸入-輸出模式的映射關系，而無需事前揭示描述這種映射關系的數學方程。其學習規則是最速下降法，即通過反向傳播來不斷調整網絡的權重值和閾值，使網絡的誤差平方和最小[16]。

2.1 BP神經網絡算法

BP神經網絡算法包括輸入層、隱藏層、輸出層，輸入層與輸出層的節點根據實際需要設定；隱藏層的節點設定是不確定的，需要通過固定公式[17]，如式(1)～(4)和神經網絡訓練專家的經驗共同確定，隱藏層節點的設定關乎整個網絡的預測精度，同時隱藏層的層數也對BP神經網絡算法的預測精度有影響。通常優先考慮增加隱藏層節點而非層數，因為層數的過度增加會使網絡結構更加復雜，訓練時間增加。同時，BP神經網絡算法中的一些參數：權重值、偏置、學習率也會對網絡的學習能力產生影響，初始權重值、偏置一般設為隨機數[18]。學習率根據網絡精度和訓練時間調整，范圍一般在[0.001, 0.010]之間。另外，激活函數也會對網絡的預測精度產生影響，該函數為BP神經網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。常用的激活函數包括:sigmoid、tanh、relu等，需根據具體問題確定。

(1)

y=log2i

(2)

(3)

y=2i+1

(4)

式中：i為輸入層節點；o為輸出層節點；γ為1～10的常數。

2.2 BP神經網絡算法結構的設計

由第1節特征參數的確定可知，輸入層節點為7個，輸出層節點為7個。經多次測驗確定隱藏層數為3，其節點分別為77、30、60。因此，神經網絡結構為7×77×30×60×7。初始權重值為標準正態分布的隨機數，初始偏置為0，隱藏層激活函數選擇sigmoid函數，因為sigmoid函數在-2～2范圍內收斂更快，輸出值變化較大，因此權重值和偏置變化更大，并且在這個范圍內，函數變化比較平穩，所以訓練輸出值會更加準確。依據神經網絡訓練專家的經驗以及47次測驗，最終確定迭代步數為10 000次，學習率為0.001。經過10 000次訓練后，均方差誤差達到0.000 019，網絡訓練(誤差-迭代次數)見圖4。

圖4 網絡訓練(誤差-迭代次數)

2.3 網絡模型的驗證

用55組測試數據對訓練好的網絡模型進行驗證，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據，縱軸代表相對誤差值，橫軸代表不同的結構特征參數。由圖5可以看出，55組參數的相對誤差都在-0.04%～0.04%之間，本文構建的BP神經網絡預測模型精確度較高，將款式特征參數和預測結構特征參數輸入到自動制板系統中，就可以快速準確地生成相應的西裝領樣板。

圖5 預測值與期望值誤差對比

3 結構特征參數模型的應用

智能制板是通過人工智能技術結合計算機圖形學實現服裝樣板的自動繪制，而樣板的繪制要基于結構特征參數，可以將該模型應用到智能制板系統的參數獲取模塊中，節省樣板繪制時間。也可以將該模型應用到款式識別系統中，通過款式特征參數的識別獲取款式特征參數，然后利用該模型獲得結構特征參數并將參數傳入樣板的自動繪制系統中，實現完整的智能制板過程。

4 結束語

本文通過BP神經網絡算法建立了西裝領款式圖與結構圖之間的聯系，實現了西裝領的參數化設計，即根據款式特征參數獲得與其映射的結構特征參數，然后根據款式特征參數與結構特征參數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。但由于原始參數獲取的復雜性，本文只研究了西裝領，這種方法可以擴展到其他領型、衣身、衣袖、褲子、裙子等，進而實現多種服裝款式的快速制板。