產品生命周期視域下人工智能技術在服裝產業中的應用進展

摘要： 傳統服裝產業面臨諸多問題，如勞動力成本增加、設計創新不足和供應鏈管理不善。這些問題在很大程度上源于服裝產業的勞動密集型特性，以及對人力資源的高度依賴。人工智能作為一種模擬人類智能行為的技術，能夠在很大程度上替代人工操作，已在服裝行業中得到廣泛應用，特別是在提升服裝設計、生產和銷售環節的效率及控制制造成本方面。然而，目前關于人工智能在服裝領域的應用現狀尚未得到系統梳理。服裝產品生命周期管理（PLM）是一種集成設計、制造和銷售業務流程的管理方案，旨在幫助企業跟蹤和管理其服裝產品生命周期。因此，本文將深入探討人工智能在服裝產品生命周期各環節中的具體應用，從應用場景和算法兩方面進行綜述，分析現有研究的現狀和不足，希望為相關領域的研究者提供啟示和參考價值，以推動服裝產業的轉型升級，增強其競爭力。

關鍵詞： 產品生命周期管理;服裝行業;人工智能;供應鏈;深度學習;市場營銷

中圖分類號： TS941.1

文獻標志碼： A

文章編號： 10017003（2024）12期數0001起始頁碼22篇頁數

DOI： 10.3969/j.issn.1001-7003.2024.12期數.001（篇序）

現如今，傳統服裝產業面臨著諸多問題，勞動力成本和供應鏈管理難度都在增加，還存在著設計創新不足等問題。現存的問題很大程度上來源于傳統服裝產業的勞動密集型特征，對人力資源的高度依賴。傳統的技術手段依賴專家和勞動力，這就意味著需要從業人員有足夠的知識儲備和過往經驗，即產生大量的人工成本，其中包括不熟練導致的生產資料和時間的浪費，從業人員的綜合素質參差不齊，生產的效率也會受到影響。為了解決傳統服裝產業的問題，學術界和工業界都投入了巨大的努力來開發新的信息技術。

人工智能包括各種理論、方法、技術和工具，旨在通過人工手段理解、模擬和擴展人類智能^［1］。因此，人工智能技術能夠很大程度地代替人工操作來完成一些復雜任務，這些任務對可靠性、準確性和效率的要求顯著提高。實際應用中一些其他的信息技術會配合人工智能技術使用，如云計算、物聯網（IoT）和大數據技術^［2］等。人工智能可以作為有效的手段來幫助服裝產業進行優化和發展^［3］，目前已經有了廣泛的應用，尤其在提升服裝設計、生產和銷售環節的效率及控制制造成本方面。雖然人工智能技術已經在服裝產業中的一些部分領域發揮它們的優勢，但是目前關于人工智能技術在服裝領域的應用現狀尚未得到系統梳理。

產品生命周期管理最開始的基礎模型是由韋伯等^［4］提出，之后經過不斷地補充更多新技術而完善。隨后，d’Avolio等^［5］提出了時尚公司產品生命周期管理（PLM）的戰略作用，該系統能夠快速響應客戶的請求，并協助提供價值主張，從而使企業具有競爭優勢。服裝產品生命周期管理（PLM）是一種先進的管理理念，是一個將時尚企業從概念、開發到采購、制造，再到零售的各個流程聯系起來的方案，使用“單一事實來源”管理產品數據，以驅動增長、加速產品上市并釋放創造力。

本文通過總結前人的研究，闡述了服裝產品生命周期的各環節內容，即消費洞察與流行趨勢分析、產品研發、上會與組貨、供應鏈管理、市場營銷、銷售、消費洞察與流行趨勢分析，如圖1所示。旨在探討人工智能技術如何應用于服裝產品生命周期各環節及其主要使用的人工智能技術，分析了這些應用的具體場景和相關算法，討論其給服裝行業帶來了怎樣的變化，總結了在未來該領域所面對的機遇和挑戰。本研究希望能為服裝企業提供有價值的參考和啟示，幫助他們更好應對未來的挑戰和把握發展機遇。

1 文獻收集與分析

本文使用目前最流行的商業參考文獻管理軟件之一的End Note軟件連接并搜索Web of Science數據庫和Scoups數據庫，這兩個數據庫是世界領先的引文數據庫之一，用于搜索相關文獻，以期找到全球范圍內該方向上的所有文章。搜索過程涉及使用專門為文獻選擇而定制的關鍵詞和布爾運算符（“和”“OR”）的預定義組合。關鍵詞的選擇是基于主題，包括服裝產品生命周期管理和人工智能等概念，以及該領域內研究文章中常用的術語，如“artificial intelligence AND clothing OR apparel product lifecycle management （PLM）”。初步收集300篇文章，但是其中包涵一些其他產業的產品生命周期管理相關文章，因此需進行人工篩選，將主題相關性弱、2015年之前缺乏時效性及不屬于Web of Science核心合集的文章剔除，最后收集了Web of Science核心合集中的248篇文章。

由圖2可知，20世紀初就有研究者關注該領域，至2022年，發表的文章突破了70篇，但是下一年，研究者在該領域的關注度又開始下降?？傮w來看，對于該領域的研究處于上升趨勢，2021—2022年文獻數量的激增原因可能是人工智能技術的快速發展，同時也表明這一新興研究領域的重要性。

圖3為相關文章作者的可視化分析，表明在該領域中做出的貢獻比較大的作者為zeng、bruniaux和hong教授。同時，這些作者之間及與其他作者之間的聯系比較緊密，表明該領域中的學術交流氛圍良好，學科的學術交叉性明顯，未來有較好的勢頭。

本文還利用VOSviewer對所收集的文獻進行了可視化分析，如圖4所示。由圖4了解到，“machine learning（機器學習）”“deep learning（深度學習）”“artificial intelligence（人工智能）”“system（系統）”“design（設計）”“model（模型）”等關鍵詞的研究熱度非常高。這表明了該領域是近年來研究的熱點，相關理論和模型在不斷地發展進步，但是同時也反映出研究者多數從人工智能在設計方面的應用入手，而對于其他角度的討論略少，如針對營銷、生產制造等方面。

本文還使用了中文參考文獻數據庫知網進行文獻檢索，以期補充國內相關研究的文章，如圖5所示。搜索過程涉及使用專門為文獻選擇而定制的關鍵詞和運算符（“*”“+”）的預定義組合，為“（深度學習+人工智能+機器學習+計算機技術+信息技術）*服裝”。經過人工篩選，剔除主題相關性不高、報紙類等文章，收集文獻為知網可選上限500篇，年份為2020年1月到2024年7月。

中文文獻的關鍵詞研究熱點與英文文獻的相似，由圖5可以看出，針對卷積神經網絡、注意力機制、虛擬試衣、生成式對抗網絡、虛擬試穿、目標檢測等機器學習和深度學習技術模型的研究較多，并且集中在服裝設計、個性化推薦、服裝搭配等領域。

中文文獻作者獨立性較高，相互之間的關聯度不強，因此沒有進行可視化分析。與英文文獻相似，2022年發表和收錄的文章最多，整體趨勢相似，推測可能由于2022年前后人工智能發展迅速，但是近幾年在服裝行業的研究難度增加，因此該領域需要投入更多的精力研究，并且要加強研究者之間的合作交流，或許有助于推動該領域的進一步發展。

因此，本文重點梳理目前服裝PLM中各環節中人工智能應用的研究現狀，以期找到研究熱度略低的方向存在怎樣的空白去填補。

2 服裝PLM中使用的人工智能方法

本文總結了服裝產品生命周期管理（PLM）中使用的人工智能方法，如圖6所示。以技術目的為指向，將服裝產品生命周期管理（PLM）中使用的人工智能方法分為數據挖掘、自然語言處理、計算機視覺、情感計算、知識圖譜、機器學習和深度學習，以及生成式AI。注重介紹各種技術的簡要原理及常用的算法模型，并指出這些技術在服裝行業中可以具體完成的任務。

2.1 計算機視覺

計算機視覺是一種模擬人類視覺系統的功能和工作原理，賦予計算機對視覺信息的感知和認知能力的技術。計算機視覺側重于從圖像/視頻中提取目標特征，如邊緣檢測、形狀檢測、拐角檢測和基于顏色的分割。圖像處理技術則主要是對圖像進行各種操作，如增強、降噪、分割等，以改善圖像的視覺效果或提取出有用的信息。這些操作常可以改善圖像的清晰度、色彩平衡、對比度等，也可以應用于提取圖像中的特定特征和模式。在圖像處理中常用的人工智能算法有遺傳算法（GA）、蟻群算法（ACO）、模擬退火算法（SA）、粒子群算法（PSO）。為了更好地處理和理解圖像，計算機視覺和圖像處理技術在很多情況下會一起使用。

計算機視覺通常使用不同的深度卷積神經網絡（CNN），如區域CNN（R-CNN）、更快的RCNN、全卷積網絡（FCN）等^［6］，其主要領域有圖像分類、對象檢測^［7］、目標跟蹤^［8］、圖像分割^［9］，而這些應用領域也多出現在服裝產品生命周期管理（PLM）各環節中，因此計算機視覺技術在服裝的諸多環節中能展現其廣泛的應用潛力。如在趨勢分析環節及上會與組貨環節中經常需要進行服裝圖像分類，但常面臨圖像遮擋、圖像變形、視點變化、尺度變化、背景雜亂等挑戰，為應對這些挑戰，計算機視覺研究人員提出了一種基于數據驅動的方法。該方法并不是直接在代碼中指定每個感興趣的圖像分類，而是為計算機每個圖像類別都提供許多示例，然后設計一個學習算法，查看這些示例并學習每個類別的視覺外觀。目前較為流行的圖像分類架構是卷積神經網絡（CNN），即將圖像送入該網絡，然后網絡對圖像數據進行分類。又如在產品研發的產品設計環節、供應鏈管理的質量控制環節、銷售環節的虛擬試衣中，需要通過對象檢測識別和定位具體的服裝對象，其有助于自動化處理和分析包含多個對象的復雜圖像。如Li等^［10］提出了一種基于多源特征和極限學習機神經網絡的識別框架，用于提高圖像識別性能和縮短圖像識別時間。又如Kaur等^［11］將卷積神經網絡與加速魯棒特征相結合，提出了一種高效服裝識別框架。張怡等^［12］提出了一種循環結構的Faster R-CNN網絡模型，采用一級識別和二級分類的框架，更好地識別襯衫領部，以提高分類精度。

目前主要的對象檢測算法已轉向更快、更高效的檢測系統，這種趨勢在You Only Look Once （YOLO），Single Shot Multi Box Detector （SSD）和基于區域的全卷積網絡（R-FCN）算法中尤為明顯，這三種算法轉向在整個圖像上共享計算。在虛擬試衣中也會使用目標跟蹤，通過追蹤用戶的身體動作，以增強現實中實時更新服裝的展示效果。在目標跟蹤中，有兩種基本網絡模型可使用：堆疊自動編碼器（SAE）和卷積神經網絡（CNN），其中主要使用SAE進行目標跟蹤的網絡為深度學習跟蹤（DLT），而具有代表性的基于CNN的跟蹤算法有全卷積網絡跟蹤器（FCNT）和多域卷積神經網絡（MDNet）。計算機視覺的核心是分割，而分割在產品研發、圖案趨勢分析中均有應用，將整個服裝圖像分成多個像素組，然后對其進行標記和分類。圖像分割大體可分為基于圖論的方法、基于像素聚類的方法和基于深度語義的方法三大類，其中基于圖論的代表有歸一化切割、圖割和GrabCut等方法;基于像素聚類的代表方法有K均值、譜聚類、平均值偏移和SLIC等;而基于語義的代表性網絡有全卷積網絡（FCN）、Deep Lab系列、金字塔場景解析網絡（PSPNet）、SegNet等。Su等^［13］采用了一個條件遞進網絡來分析不同尺度的服裝，還防止了標簽之間的相互干擾，條件解析網絡（CPN）、姿態估計網絡（PEN）和標簽變換網絡（LTN）這三個子網絡，展示了所提出的服裝解析模型在ATR和fashion數據集上分析時尚服裝的案例，表明該方法可以有效地解析出較小對象，抑制解析映射中的冗余標簽，從而超越了最先進的方法。

2.2 自然語言處理

自然語言處理（NLP）將計算語言學（基于規則的人類語言建模）與統計、機器學習和深度學習模型相結合，這些技術共同使計算機能夠解釋自然語言的完整含義，感知書寫者或者說話者的情緒并滿足他們的意圖，包括自然語言理解（NLU）和自然語言生成（NLG）^［14］。

隨著深度學習的引入，NLP取得了重大突破，深度學習架構為模型注入了對自然語言更多的理解，使得機器可以理解和利用詞語之間的相似性及差異性，這為NLP技術在服裝的流行趨勢預測和產品研發等環節的應用提供了強大的幫助。其中循環神經網絡（RNN）和長短期記憶網絡（LSTM）特別適用于處理序列數據，如文本，它們可以記住并利用過去的輸入信息來更好地預測未來的輸出。故常在服裝流行趨勢中使用NLP技術，利用RNN和LSTM等網絡進行文本數據分析，包括社交媒體評論、新聞文章和市場報告，以獲取對市場情緒和趨勢的深入了解。如Li等^［15］開發了一個用于服裝圖像字幕的聯合屬性檢測和視覺注意框架，生成一個準確概括服裝圖像內容的自然語言句子。這種方法結合了計算機視覺和自然語言處理技術，有望在檢索任務中發揮更大的作用，從而實現后續的流行趨勢等任務。而在產品設計中，NLP分析大量的時尚數據和消費者喜好，有助于理解和生成與設計相關的內容，可以輔助設計師擴大創意來源邊界，更專注于創意本身的產出，更有靈感地完成服裝的創作。

NLP能夠自動處理大量文本數據，節省人力資源;并通過分析大量非結構化數據，為企業提供有價值的洞察和決策支持;而且可以通過智能客服和個性化推薦，提供更個性化的服務，以增加客戶滿意度。自然語言處理通過提供數據驅動的見解和個性化服務，促進了時尚產業的發展，同時，NLP技術的局限性也提示了在實際應用中需要綜合考慮數據質量、模型更新和倫理問題。自然語言的多樣性和歧義性給NLP帶來挑戰，需要不斷優化算法來提高準確性;開發和維護NLP系統需要專業的技術團隊和持續的投資;在處理大量用戶數據時，需要嚴格遵守數據保護法規，防止數據泄露和濫用。盡管存在挑戰，但隨著技術的進步，NLP在服裝行業的應用前景廣闊，有望進一步推動行業的數字化轉型。

2.3 機器學習和深度學習

機器學習（ML）是一門多領域交叉學科，深度學習是機器學習的一個分支，它基于人工神經網絡算法，通過構建多層次的神經網絡結構，實現對數據的高級抽象理解。其學習過程之所以是具有深度的，是因為人工神經網絡的結構由多個輸入、輸出和隱藏層構成，每個層包含的單元可將輸入數據轉換為信息，供下一層用于特定的預測任務。得益于這種結構，機器可以通過自身的數據處理以進行學習。使用機器學習和深度學習技術可以構建所需的計算機系統和應用程序來執行與人類智能有關的任務，如圖片識別、語音識別、語言翻譯。

因此在服裝行業中，深度學習和機器學習的應用非常廣泛，常被用于消費洞察、流行趨勢及產品研發的環節中。機器學習的算法通?？煞譃榉诸愊嚓P算法、回歸相關算法和聚類相關算法三種^［16］，申宇等^［17］即利用機器學習中的K-means聚類、MLP神經網絡、ANN算法等模型和算法進行關于女大學生頭面部號型歸檔與預測的研究。深度學習模型能夠從大量數據中學習復雜的模式，提供比傳統方法更精確的識別和預測結果，故在流行趨勢環節中，通常利用卷積神經網絡（CNN）對服裝圖像進行分類，識別服裝的款式、風格、顏色等屬性，以提高后續預測的準確度。如Chen等^［18］探索了使用卷積神經網絡進行深度學習來解決服裝風格分類和檢索任務，并結合遷移學習來降低訓練復雜性。An等^［19］的研究旨在使用定量方法和深度學習技術來報告運動時尚趨勢，利用多標簽圖卷積網絡（ML-GCN）模型來檢測和探索混合風格。在產品設計環節，AI輔助設計工具如Adobe的Sensei AI平臺，能夠自動調整顏色、生成圖案，甚至模擬不同面料效果，創造出新穎的服裝設計，從而推動時尚創新。

深度學習在服裝中的應用具有顯著的潛力，但其數據質量、模型泛化能力和可解釋性等方面存在的問題也不容忽視。深度學習模型的性能高度依賴于訓練數據的質量和數量，數據不足或偏差可能導致模型性能下降;訓練深度學習模型通常需要大量的計算資源和時間，這可能限制了其在某些環境中的應用;雖然深度學習模型在特定任務上表現優異，但在面對新的、未見過的數據時可能泛化能力不足;深度學習模型往往被視為“黑箱”，其內部決策過程難以解釋。

2.4 情感計算

情感計算是賦予機器以感知、識別、理解情感并具有擬人化情感表達的能力。情感計算的相關算法和模型依賴于機器學習和深度學習來進行訓練和優化。如有LSTM、GRU和CNN三種深度學習定制模型，CNN、VGG-19模型遷移學習和ResNet-18模型可以遷移學習三種深度學習模型進行面部情感識別^［20］。

在服裝行業中，情感計算對于增加設計效率、提升顧客體驗、優化營銷策略有著改革性的作用，常見的可應用形式有決策支持系統、推薦系統及人機交互。

決策支持系統是將數據整合后對團隊的決策進行分析建議的系統，傳統的決策支持系統大多是數學模型，因情感計算可以幫助識別用戶的情感傾向，從而可以幫助優化決策支持系統，以提供更加個性化和符合用戶期望的建議或服務。因此在服裝領域中，情感計算可以通過分析社交媒體、用戶反饋和在線評論等來了解消費者的情感反應，進而進行服裝產品開發、市場策略和客戶服務的相關決策支持。推薦系統在人機交互中，情感計算可以使機器更好地理解和響應人類情感。這對于服裝行業的銷售等環節至關重要，可以理解客戶的推薦系統及與客戶情感相匹配的人機交互界面是如今虛擬和實體商店進行進一步優化的重要抓手。如通過情感語音表達和表情生成，讓交互界面更加類似人之間真實的互動，以提供更加舒適自然的用戶體驗。

情感計算作為一種新興技術，在服裝領域具有廣泛的應用前景，但人類的情感錯綜復雜，不同文化背景下的情感表達和理解也存在差異，情感計算模型需要適應不同文化環境，這導致其很難準確識別所有情感狀態;同時在用戶數據處理時，需要確保用戶隱私和數據安全，避免數據泄露和濫用。技術的不斷完善和數據的合理使用，才能讓情感計算在服裝中發揮更大作用。

2.5 知識圖譜

知識圖譜是一種用圖模型來描述知識和建模世界萬物之間的關聯關系的技術方法，其旨在從數據中識別、發現和推斷事物與概念之間的復雜關系，是事物關系的可計算模型。知識圖譜的構建涉及知識建模、關系抽取、圖存儲、關系推理、實體融合等多方面的技術，而知識圖譜的應用則涉及語義搜索、智能問答、語言理解、決策分析等多個領域。

知識圖譜在服裝中主要體現其輔助搜索、輔助問答及大數據分析等能力，因此知識圖譜多應用于服裝行業的流行趨勢分析和銷售環節中，尤其是個性化推薦任務。如Zhan等^［21］通過一種新穎的關注屬性感知時尚知識圖譜，構建具有服裝和物品級別屬性的不同服裝之間的關聯，兩個關注機制的建立，可以捕捉用戶的偏好。Ling等^［22］開發一個服裝設計知識庫（DDKB），并期望將其進一步應用于個性化的服裝推薦系統。通過人工智能在電商平臺進行服裝識別和分類，可以有效地提高接下來趨勢分析與預測的效率，為精簡高效的服裝產品生命周期管理打下基礎。

知識圖譜作為一種強大的數據分析工具，不僅可以幫助企業優化供應鏈管理、提高決策效率，還能滿足消費者的需求，以提供更定制化的產品和服務。但構建和維護知識圖譜系統需要顯著的技術和資金投入，還需要高質量的數據訓練知識圖譜，且不同來源的數據整合可能存在難度;如今時尚趨勢變化迅速，知識圖譜需要不斷更新以保持其準確性和相關性，上述問題也需要服裝行業持續探索和優化。

2.6 數據挖掘

數據挖掘是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應用數據中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識，尋找其規律的技術。數據挖掘自動在大型數據庫中尋找預測性信息，以往需要進行大量手工分析的問題如今可以迅速直接由數據本身得出結論。如服裝市場預測問題，數據挖掘使用過去有關促銷的數據來尋找未來投資中回報最大的用戶。

數據挖掘在服裝行業的應用是多方面的，從設計、供應鏈管理到客戶服務和市場分析等各個環節都發揮著重要作用。在消費洞察階段，利用數據挖掘揭示當代消費者群體的消費偏好和行為模式，對服裝企業的市場定位和產品開發具有指導意義。如Giri等^［23］對社交媒體數據進行挖掘，收集了Twitter上的數據，采用Lexicon方法和樸素貝葉斯模型，應用增強版的Lexicon詞典對推文進行句子分類，以此來更好地了解當下消費者的偏好。Yuan等^［24］基于淘寶網提供的穿衣商品圖像數據，以及時尚專家生成的顧客歷史行為和穿衣服裝的文本數據，通過數據挖掘和深度學習的相關技術實現服裝搭配和推薦。

數據挖掘在服裝行業的應用為各個環節提供了數據驅動的決策支持，提高了效率和市場響應能力。然而，數據質量、算法精度、隱私保護和市場適應性等挑戰需要行業持續關注和優化。通過建立有效的數據管理和分析能力，服裝行業可以更好地利用數據挖掘技術，實現可持續發展。

2.7 生成式AI

生成式AI是一類特定的人工智能，它專注于生成新內容，如圖像、文本、視頻和音頻，而不是簡單地對信息進行識別和分類。相對于輔助性的AI，它更具有高效性和泛用性，如今針對生成式AI的一大突破是運用多種學習方法，可以使用無監督或半監督學習進行訓練。生成式AI可以進行文本生成、3D模型生成、圖像轉換和圖像生成。

市面上現有的生成式AI大模型種類繁多，如OpenAI開發的ChatGPT、Sora等，這些模型的出現將會影響到各行各業，影響創作者的創作方式，其具有的獨特創造力和執行力，可能還會影響到企業的策劃方式和人員架構。生成式AI的自動化模式可以為各行各業帶來效率的提升。

對于服裝行業來說，生成式AI進行的是輔助設計甚至自主設計，能夠減輕設計人員的負擔，顛覆傳統的產業鏈流程，大力推進交互設計的發展，降低服裝產品生命周期管理（PLM）中各環節的制造成本和生產成本。但目前在服裝行業中，生成式AI的應用主要集中于產品開發的階段，該環節主要使用生成式AI中圖像生成的功能。生成式AI能夠分析非結構化數據，如社交媒體視頻和消費者數據，從而預測流行趨勢。設計師可以輸入草圖和設計細節，由AI自動生成多種設計方案，加速設計流程并創造獨特產品，這提高了設計效率、降低了成本，使設計師能夠快速迭代設計方案。

生成式AI也有望在處理客戶關系和增強客戶體驗中發揮作用，增強消費者的個性化體驗，制定更加精準簡潔的營銷策略，壓縮產品生命周期管理實踐，提高產品生命周期質量;線上銷售可以運用生成式AI中文本圖像相互轉換的相關模型，方便消費者檢索，提高檢索準確度。

如今生成式AI的技術成熟度有待提高。雖然生成式AI能夠快速生成設計，但精細的修改可能仍需大量手工調整，且生成效果很大程度上依賴于用戶提供的提示詞，有時可能需要多次迭代才能達到理想效果;目前的生成式AI主要能夠生成二維圖像，而不是完整的三維服裝（包括版型和工藝）;生成式AI生成的內容可能存在數據偏見，影響內容的多樣性和包容性。

不可否認的是，生成式AI發展勢頭迅猛，相關的大模型也在不斷發展，生成式AI的應用有利于助推服裝行業進一步地數字化轉型升級，使服裝產品生命周期管理（PLM）進入新的發展階段。

3 人工智能在服裝PLM中的應用

3.1 消費洞察

消費洞察是服裝產品生命周期管理（PLM）的開端環節，在此環節需要獲得大量的數據以支持未來季度的產品開發。傳統的消費洞察一般是通過人工查閱相關文獻和資料，或者利用專家訪談、問卷調查進行調研，這些方法受到時間成本和主觀誤判的影響。而人工智能技術很好地打破了數據壁壘，可減少人工時間成本和主觀判斷的影響，為產品的開發及營銷銷售等環節打下基礎。該環節的相關內容如圖7^［25-36］所示，具體應用主要可以從以下幾個方面闡述。

3.1.1 市場需求調查

人工智能技術可以增加企業或品牌對于社交平臺和電商平臺數據的收集及把控。社交媒體數據有助于提高服裝銷售的預測，而數據挖掘技術則可以有效地在社交平臺上進行數據抓取與分析，得到的數據包括商品評價、社交關系等。這些數據通常雜亂而龐大，通過機器學習和深度學習等方法處理后，即可進行需求預測或是消費形象建立。

Kharfan等^［37］側重于從數據驅動的角度進行需求預測，利用機器學習識別重要的預測變量來幫助時尚零售商實現更好的預測準確性。這種方法已經被一家引領潮流的時尚零售公司采納，用在沒有歷史數據支撐的情況下預測新推出的季節性產品的市場需求。Zhang等^［38］的研究建立了一種基于模糊技術和模糊層次分析法的消費者形象定義新方法。

在電商平臺，人工智能技術主要目的是研究購物者的瀏覽趨勢，以吸引新客戶和擴大業務，服裝行業更不例外。電商平臺中所獲取的數據包括消費記錄、產品風格屬性等，購物者的瀏覽內容主要是圖片類，因此計算機視覺相關技術基礎下的服裝解析對電商平臺的調研非常重要。Donati等^［39］利用深度學習和圖像處理技術，分析處理服裝產品特征進行視覺分類，進而總結和分析相關數據，所得的數據對于改進物流庫存及推薦和檢索方式有重要意義。

3.1.2 競品調研和行業動態

除了對消費者相關平臺進行調研，消費洞察還需關注整個行業的動態，以及相關競品的研發趨勢，以提高企業或品牌的核心競爭力，提高其在市場中的分量。該部分的研究主要集中在對行業數據的收集及銷售預測上。數據挖掘技術依然可以幫助收集各種數據，Peroni等^［40］利用語義網技術對一家快時尚公司進行數據收集與管理。Jain等^［41］致力于數據挖掘在行業產品數據上的應用，旨在產品數據上利用數據挖掘和基于對稱的學習技術創建一個分類模型。其由兩個子系統組成：1） 用于預測服裝類別;2） 用于預測服裝子類別。Loureiro等^［42］發現深度學習模型在預測時尚零售市場銷售方面表現良好。Zhou等^［43］針對快時尚服裝需求預測中缺乏歷史數據和未充分考慮需求影響因素的問題，提出了一種改進的Bass模型，用于預測快時尚服裝需求和新服裝產品的需求。此外，針對上述問題，不僅可以從模型入手改進，也可以通過優化數據來增加零售預測的準確性。多模態的服裝數據因其冗余性和異構性可以很好地作為銷售數據的補充。石聞達等^［44］提出一種包括三個主要元素的層次化多8oBdXZxVKLGcW+yr8rUoxfjKMaJLSZurW3Vjk4qzZ1s=模態注意力循環神經網絡，可以進行預測的有效提升。Chen等^［45］通過循環結構的設計，針對傳統神經網絡銷售預測算法學習效率低、收斂速度慢、容易陷入局部極小值等缺點，提出了改進措施，克服了預測對象的不確定性、滯后性和時變因素的不利影響，從理論上規范了預測過程。

智能服裝因其結構和功能的特殊性，與傳統的服裝產品所需要的前期數據略有不同，雖然作為服裝行業內不可缺少的研究對象，但是運用的技術和手段也有所區別。Hong等^［46］研究了一個兼顧舒適和健康的可穿戴監測系統框架，總結了相關的生理指標，分析了舒適性和健康狀態監測的要求，以選擇合適的電子元件。

3.2 流行趨勢

如今的時尚潮流變化速度比以往任何時候都快，因此，及時可靠的趨勢預測在服裝行業至關重要。流行趨勢預測可以分為兩個部分，一是進行大量的搜集調研工作，二是對相關圖片和視頻進行信息提取、分析和總結，最終得到未來季度的流行趨勢。傳統的時尚預測需要專業人員從世界各地的設計系列和時間間隔中提取基于圖像的信息，非常消耗時間和人工成本。人工智能可以很大程度地降低調研分析時間和成本。對于流行趨勢的研究，可以從顏色、面輔料和圖案入手，如圖8^［47-53］所示。

3.2.1 色彩趨勢

色彩作為服裝的三要素之一，是非常重要且復雜的，傳統的人工進行色彩趨勢調研考驗相關人員的經驗知識，而且人眼辨別色彩存在誤差。利用人工智能技術進行色彩趨勢的調研和預測可以更加全面地分析，更加精確地預測。Hong等^［54］提出了一種基于實例的顏色推薦系統（CBCRS），用于在線推薦顏色范圍。Zeng等^［55］提出了一種新的多階段、類別監督的基于注意力的條件生成對抗網絡，該網絡從特定的模型圖像中生成清晰、詳細的平鋪服裝圖像，其生成的圖片可以更好地展示服裝的外觀信息，以便幫助相關人員進行信息的提取，增加調研的效率。Tao等^［56］采用卷積神經網絡對色彩純、圖案少、圖案多、背景復雜的服裝工藝品進行環境因素提取實驗。

3.2.2 圖案和面輔料趨勢

也有一些研究著重于服裝風格的識別和分類，以其為導向總結分析圖案和面輔料趨勢，能為產品研發打下基礎。計算機視覺技術可以輔助專業人員進行調研，YOLO模型可以從時尚服裝數據集和在線商店的網頁抓取中，選擇進行風格或屬性的識別，進而進行分類。Thwe等^［57］提出了FC-YOLOv4模型，用于檢測多類時尚產品。該模型使用半監督學習方法來減少圖像標注時間，然后通過圖像增強來增加結果圖像的數量，可以有效地對正確捕獲的圖像和雜波圖像進行準確的時尚類別檢測。Chen等^［58］在現有服裝風格分類的條件下，提出了一種細粒度與粗粒度相結合的服裝風格分類方法，能夠有效區分服裝的款式和類型。Zhai等^［59］使用深度學習算法對傳統服飾文化進行整合，結合古今服裝文化，為未來的設計和服裝發展貢獻更多的力量及研究材料。

在大量的調研之后即可進行總結和預測流行趨勢，相關系統可以利用計算機視覺和機器學習為時尚研究的相關者提供有關潛在時尚趨勢的建議。一些深度學習模型的泛化能力強，可以自適應環境變化，能夠處理大規模的時間序列數據，大大增加趨勢預測的準確性及效率。Shi等^［60］使用了數據驅動定量抽象方法，首先在不同場景下的數據集進行訓練，使其熟悉時尚圖像，可以在T臺照片或視頻中提取服裝特征，進而進行時尚趨勢的總結和預測。Papadopoulos等^［61］提出了MuQAR，一種多模態準自回歸深度學習架構，來預測時尚產品的視覺流行度。該模型使用產品的目標屬性時間序列作為時間流行模式的代理，彌補了歷史數據的缺乏，而外生時間序列有助于捕獲相關屬性之間的趨勢。

人工智能給出的大部分流行趨勢建議通常以文本形式傳達給設計師，是基于統計學思維所進行的趨勢預測工作，生成式AI的發展為流行趨勢預測提供了新的生機。Nezhad等^［62］

使用生成對抗網絡（GAN）、深度學習和用戶意見的組合來創建流行圖像，將流行趨勢可視化，更加符合設計師的從業習慣。

人工智能相關技術可以減少該環節的人工成本，提高趨勢分析與預測的準確性，時尚品牌或公司可以更精準地把控潮流，引領市場作出更快的流行響應。同時，相關技術為服裝行業的可持續發展作出貢獻，通過材料/結構參數或使用條件預測視覺退化的軌跡，從而指導從業者進行最佳設計，增加產品使用壽命，減少資源浪費。

3.3 產品研發

產品是服裝行業的核心，產品研發則是服裝全生命周期管理的核心。由圖9^［63-69］可見，服裝產品的設計可以分為款式設計和版型設計。該環節需要設計師和版師大量的腦力和勞力，且須經歷多輪的修訂與完善，這不僅會造成時間成本流失，大量資材浪費還會影響行業的可持續發展。

隨著計算機技術的發展，設計師可以利用軟件進行輔助開發，但是仍然存在效率和準確性的問題，而人工智能技術則進一步地便利了設計師。3D和CAD技術對版型設計具有很大提升作用，人工智能技術提升了人體尺寸測量和匹配的效率。人工智能背景下，虛擬的樣品展示代替了傳統的樣衣，提高了相關人員的溝通效率，促進了協同設計的發展，可為優化產業鏈打下堅實基礎。

3.3.1 產品設計

人工智能可以為設計師提供更好的建議，因此開發了針對設計師的推薦系統。在這種推薦系統中，機器學習、深度學習和情感計算等技術可以在相關數據集中進行面料、款式、風格等特征提取和學習，從設計師的角度推薦合適的設計元素。在這種系統的發展中，也考慮到了消費者的消費偏好，從而促進了協同交互設計。Hong等^［70］提出了一種基于感知的面料推薦系統，幫助服裝設計師在設計過程中選擇最合適的面料，滿足目標消費者的感知。該系統包括協同設計過程、常用的感官評價過程和使用模糊層次分析法與模糊TOPSIS算法的計算模型。Kotouza等^［71］提出了Science4Fashion，這是一個人工智能端到端系統，通過收集和分析不同來源的數據，并根據消費者的需求建議產品，為時裝設計師提供便利。

推薦系統通常作為設計師的工具出現，這意味著設計師仍需重復使用現有設計，將其作為創建新服裝的起點，重新思考款式的靈感。隨著人工智能的發展，逐漸出現了自動生成產品的設計系統。Li等^［72］提出了一種機器學習系統來自動組成時尚服裝。隨著機器學習向著深度學習方法過渡，越來越多的生成式AI驅動著款式設計，其中以生成對抗網絡（GAN）為代表。

基于GAN所提出的模型系統，可以把最新的時尚趨勢和用戶購買的衣服作為輸入，生成新衣服。Zeng等^［55］提出了一種新的多階段、類別監督的基于注意力的條件生成對抗網絡，該網絡從特定的模型圖像中生成清晰、詳細的平鋪服裝圖像。還有很多的研究者將多種算法結合應用，以彌補單獨生成算法帶來的精度問題。Chen等^［73］將參數化數態算法、生成式對抗網絡、風格轉移等多種智能算法，引入服裝造型、印花圖案、紋理工藝、產品視覺等環節，構建了一種基于智能算法與人體各種功能角色協同作用的創新服裝設計方法。

Deng等^［74］研究了服裝款式自動生成的方法，并為此設計了參數化編碼，總結了戶外運動智能服裝的一般設計方法，以穿著者為中心深入探討戶外運動智能服裝設計方法的合理性。次年，Deng又將視野轉到豐富民族服裝獨特性上，創新運用人工智能工具“多模態無監督圖像到圖像翻譯”（Multi-modal Unsupervised Image-to-Image Translation，MUNIT）算法，生成了多種時尚設計。

圖案設計是款式設計很重要的一部分，機器學習可以幫助現有的經典圖案和傳統服飾中的圖案元素進行數字化，便于未來進行更加創新的設計。機器學習中的八叉樹可以對色彩和圖案進行量化，K-means可以提取主色彩圖，Hu等^［75］就利用這兩種技術設計模型，該模型能夠設計出復雜的圖案，并能模擬出土家織錦的精美面料。沈雷等^［76］提取了明清織物云紋代表性圖案的形態因子與聚類色彩組譜，針對現代服飾產品特征進行創新圖案推衍與設計應用。

生成式AI可以極大地提高工作效率，減少設計師的干預，甚至在產品受市場驗證成功后成為未來零售商品牌發展的重點。Wu等^［77］提出了ClothGAN，這是一個基于生成對抗網絡（GAN）和風格轉移算法的創新框架，用于“設計”新的服裝圖案和風格。Wang等^［78］提出了一種基于模糊邏輯和人工神經網絡的知識支持的服裝圖案設計方法，通過學習經驗豐富制版師的知識，根據版型和面料生成合適的圖案。

版型設計最需要的數據是人體尺寸，最直接的獲得方式是手工測量。人工智能背景下，虛擬場景和自動化測量手段逐漸走入研究視野，利用傳感器和計算機視覺技術作為虛擬和現實的橋梁，如微軟Kinect傳感器、Leap運動設備和OculusRift等。虛擬場景下的測量可以像傳統方法一樣，通過用手與虛擬場景下的客戶互動來獲取測量數據。顧冰菲等^［79］針對基于人體照片的尺寸提取技術對照片拍攝場景限制的問題，提出利用整體嵌套邊緣檢測深度學習模型實現復雜背景下人體輪廓的提取并進行參數提取分析。

自動化的測量工具可以減少時間和人工成本，隨著深度學習算法的發展，自動測量的精度也在增加。Kim等^［80］提出了一種使用計算機視覺深度學習模型和點云數據自動測量服裝尺寸的方法。Song等^［81］提出了一種基于深度學習的服裝設計立體視覺圖像分割測量系統，通過深度學習訓練，優化了基于金字塔場景解析網絡的周長語義分割模型，實現了多角度人體圖像中更多周長區域的自動分割，該系統可以智能、準確地測量服裝尺寸。

在得到尺寸數據后，通常需要有經驗的版師進行打版，對于企業來說，培養一個從初學者到專家的制版師需要很長時間，人工智能的方法讓缺少經驗的人也可以快速上手。Liu等^［82］提出了一種反向傳播人工神經網絡模型，通過輸入幾個關鍵的人體尺寸來預測制版相關的人體尺寸。合體舒適度的檢驗是版型設計中必須考慮的一方面，服裝合身度評價也是當前服裝設計與制造的最大瓶頸之一。模糊建模技術可以將服裝設計參數、穿著者形態、姿勢、面料性能和舒適度余值之間的關系進行建模，以排除諸多人為因素。確定三維舒適度的概念可以進一步集成到三維服裝CAD中，在特定的虛擬人體模型環境中獲得合適的服裝表面，以定制任何服裝。Wang等^［83］提出了一種基于概率神經網絡的模型，可在三維虛擬環境中根據服裝寬松度、數字壓力和織物機械性能來預測和控制服裝合身程度。

以上很多應用針對的是大貨生產所需，在定制服裝開發的領域，也有一些集成度比較高的系統。Ji等^［84］提出一種在個人設計和som/wJ7xOJSdp8WTXOYKzA==產品開發的早期階段定制服裝的方法，該方法是建立在服裝定制的基礎上，使用無監督的方法從服裝數據集中學習視覺兼容性。Li等^［85］提出的MIAS是基于所提出的參數化模型方法和拉普拉斯網格變形技術所得，從而允許重建符合MIAS測量的模型。團體定制存在區域性大規模人體尺寸數據收集難的問題，聶梓萌等^［86］采用蒙特卡羅方法仿真區域性團體尺寸測量數據，建立區域性團體號型規格表（RGS），并提出基于比例方法歸號流程，優化歸號結構鏈。這幾項研究也為后續的服裝設計、定制和虛擬試衣等處理提供了極大的便利。

協同設計系統強調消費者和設計師之間信息共享，可以包含多個環節的內容，人工智能技術可以很好托承這種系統^［87］，計算機視覺技術推動虛擬服裝和人體建模的發展，模糊技術可以很好地將消費者的感知描述與虛擬服裝參數進行關系建立，通過這些技術，消費者可以在所設計的系統中進行及時反饋，與設計師交互設計。Hong等^［88］提出基于使用3D身體掃描儀創建虛擬人體模型的方法，允許模擬消費者的非典型物理變形的形態、形狀。結合使用定制的2D和3D虛擬服裝原型工具，通過消費者、設計師和制版師之間的互動來創建產品。又結合了3D虛擬試戴技術，反復運行設計—展示—評估—調整的流程，可以在很短的時間內驗證設計師精心設計個性化服裝產品的模式和原則。Sharma等^［89］通過系統整合服裝設計推薦、3D虛擬服裝試衣可視化、設計知識庫、設計參數調整等多項數據驅動服務，開發了一個交互式服裝設計系統。相關計算通過使用許多智能算法（自適應隨機森林算法和關聯挖掘，BIRCH）并與形式化的設計知識庫進行匹配來執行。

3.3.2 樣品展示

傳統的樣品展示需要實際制作樣衣，不利于服裝行業的可持續發展，虛擬服裝的出現不僅提高了生產效率，還大大減少了資源的浪費。隨著個性化需求劇增，服裝款式的復雜性也在增加，以配合消費者的要求和流行趨勢的變幻莫測。周潔等^［90］采用服裝CAD數字化設計與三維可視化設計相結合的方法，基于數字技術驗證復雜結構女裝制版方式的可行性，同時，因此方法設計流程可視化程度高，打版的同時兼顧樣品展示，能很大程度地提升設計流程效率。

但是3D服裝通常存在兩個主要問題：計算運行時間成本高，阻礙了其部署;仿真與真實之間存在差距，阻礙了特定真實世界布料樣本的合成。為了避免這兩個問題，Casado-Elvira等^［91］提出了一種數據驅動的方法“PERGAMO”，可以從單目圖像中學習3D服裝的可變形模型。服裝CAD中3D服裝的精度仍然存在不足，Dai等^［92］選擇優化織物模擬中的機械參數，建立了基于FOM參數綜合數據庫的織物分類系統。Korosteleva等^［93］建議使用一種逼真而緊湊的服裝描述符——服裝縫紉圖案，以方便對服裝的內在形狀進行估計。該領域的服裝形狀和設計存在高度多樣性，深度學習的應用可以改良建模精度，最常見的方法是為單個服裝或服裝類型建立專門的模型。

3.4 上會與組貨

在服裝行業中，“上會”與“組貨”是兩個重要的概念，它們涉及商品組合、陳列和銷售的各個環節?！吧蠒蓖ǔＶ傅氖菍⒎b商品上架展示的過程。在此過程中，需要對服裝進行分類、整理和陳列，以吸引顧客的注意力并促進銷售?！敖M貨”則是指根據市場需求、流行趨勢和庫存情況等因素，將合適的服裝商品組合在一起，形成一個完整的商品系列。這個環節中要求企業結合各種因素做出生產決策，對產品的質量進行把控，使呈現在顧客面前的產品品質優秀，如圖10^{［54，94-95］}所示。

3.4.1 生產決策

人工智能的分析和預測能力可以應用到生產決策中，機器學習和深度學習可以助力決策支持系統優化，以實現智能化和半自主化，增強抗干擾能力?；谥R的大數據環境下開放式績效評估系統，可以支持新產品開發過程中復雜的工業決策。He等^［94］提出了一種基于隨機森林智能數據模型和基于人類知識的層次分析法多準則結構相結合的紡織制造過程決策支持系統，并使用深度強化學習方案deep Q networks （DQN）對其進行優化。

除了整體的架構，研究者還關注了質量把控的問題。生產之前的原料或樣品需要通過質量測驗，其數據和結果可以更好地指導生產決策。神經網絡和回歸方法可以評估物料消耗量，也可以進行產品分類，再結合計算機視覺等技術，對產品進行缺陷檢測或者性能預測，基于人工智能技術的質量控制系統提高了生產質量，解決人工帶來的主觀影響。但缺陷檢測模型通常需要大量的樣本來學習缺陷的特征，在實際場景中，很難收集到重要缺陷的樣本。Wang等^［95］為了促進少樣本缺陷檢測的研究，構建了一個新的皮革表面缺陷數據集，包括缺陷樣本和無缺陷樣本。

3.4.2 組織調配

上會和組會都要對貨品進行組合搭配，傳統的商品搭配依靠的是從業人員的經驗，服裝的智能搭配主張利用感性工學和人工智能，構建服裝風格、元素等量化模型，以減少主觀經驗影響，向消費者展示最高效適合的搭配。杜婷婷等^［96］以Y2K服裝為例，構建服裝風格量化模型，以感性工學的方法研究相關搭配規則。機器學習等人工智能方法則進一步推進智能搭配。分區嵌入網絡可以從服裝單品中學習可解釋的嵌入，利用可解釋和可分割的嵌入，構造了一個裝備組合圖和一個屬性匹配圖，實現可解釋和智能的多單品時尚服裝組合?，F有的服裝匹配技術主要依賴于視覺特征，忽略了文本元數據，不足以對時尚單品進行全面編碼，因此Liu等^［97］提出了一個基于貝葉斯個性化排名的多自編碼器神經網絡。該框架無縫探索時尚單品的多模態，既能全面建模時尚單品之間的兼容性，又能實現多個時尚單品之間互補的時尚單品匹配。

GAN算法因其生成對抗特性，在服裝匹配領域仍有所建樹。Zhou等^［98］提出了OutfitGAN（d），目的是在給定一個現有的時尚單品和目標合成單品的參考面具的情況下，合成一組互補的單品來組成一套完整的服裝。

傳統的服裝商品展示需要真實的產品，但隨著計算機技術的發展，虛擬走秀等數字化的展示方式越來越多地呈現在大家眼前。數字化展示不僅可以給消費者帶來眼前一亮的體驗，也促進了協同設計的發展，提升了開發效率，為可持續發展作出貢獻。虛擬展示最核心的手段是3D建模。Dai等^［99］使用Clo3D軟件進行虛擬模塊化設計，使用“英思達童裝虛擬設計與展示”進行虛擬試穿與展示。服裝因其柔性特質，在真實的3D呈現中表達難度高，Kulinska等^［100］基于模型制作者使用的二維模式制作方法進行分析，所提出的方法與手動3D懸垂技術一樣可以直接在3D佩戴者的形態上執行，從而避免

了形態解釋錯誤的問題，集成了3D分區技術，以改進3D建模，并確保服裝與穿著者身體之間的最佳褶皺和分析。

虛擬走秀的展示方式不僅要真實地展現靜態的服裝，更要搭建趨于真實的場景和人體運動，服裝動態的表現是研究的難點。Zhang等^［101］給定虛擬角色的目標關節運動序列，提出了動態神經服裝，從期望的角度合成可信的動態服裝外觀。從技術上講，該解決方案生成一個粗糙的服裝代理序列，學習附加到該模板上的深度動態特征，并渲染這些特征以產生褶皺、皺紋和輪廓等外觀變化。Hong等^［102］在AI背景下基于Unity3D游戲引擎構建了一個VR服裝T臺。通過分析AI環境下的VR技術，結合Unity3D游戲引擎，設計了VR服裝秀的場景和模特服裝。

3.5 供應鏈管理

紡織與服裝供應鏈涉及到多個環節，本身就是一個復雜的系統，如圖11所示。本文所總結的供應鏈管理聚焦于工廠生產、物流配送和庫存管理。服裝行業是勞動密集型行業，傳統生產中，不僅需要大量勞動力，而且在動線設計不合理或人員操作不熟練等情況下，生產效率會受到影響，很多的生產環節也不符合可持續發展的要求;物流配送是產生巨大成本的部分，包括人工和交通運輸成本;庫存管理直接影響零售商的銷售環節。

近年來，云計算、物聯網、射頻識別技術在生產工廠中應用廣泛，為精簡供應鏈和實現可持續發展帶來了里程碑式的影響。將射頻識別（RFID）和云計算技術相結合，可實時捕獲生產記錄并進行遠程生產訂單跟蹤，新的云計算平臺可以收集、存儲和處理來自車間的數據。人工智能技術則進一步促進了供應鏈管理的發展，研究者將工業4.0、云制造、物聯網、大數據和數字孿生等先進技術結合，設計整體供應鏈，降低生產成本。Zhang等^［103］提出了一種由深度強化學習輔助的聯邦學習算法，該算法可以兼顧物聯網設備數據訓練的私密性和效率。

3.5.1 生產和品質控制

生產計劃中，裁剪訂單計劃（COP）是一個關系著成衣質量的環節，也影響著織物成本管理和整體生產效率。高效的COP解決方案可以顯著降低服裝行業的總制造成本，遺傳算法的靈活性、全局搜索能力等優勢可以幫助企業完成高效的COP，也可以分析浪費率、層數及每個執行訂單的標記數，能夠尋找高投資原材料的最優分配方案。隨著研究的深入，研究者通常引入另外的優化算法來更新遺傳算法，以求更加高效地解決方案。Tsao等^［104］使用基于模擬退火的遺傳算法和基于禁忌搜索的遺傳算法來解決COP問題。柔性作業車間調度問題是經典作業調度問題的擴展，它是現代制造系統中的一個重要問題，也是最難的組合優化問題之一。Yan等^［105］提出了一種基于遺傳算法的方法來優化定義了在輸送機約束下以最大完工時間為目標的目標函數。生產動線的設計是否高效，也是影響整體供應鏈效率和成本的關鍵因素。盛玥曦等^［106］的研究基于先驗算法，提出一種服裝生產工序組合關聯規則挖掘方法，以優化流水線設計。

實際生產中的一些操作也可以用人工智能方法來優化，計算機視覺、機器學習和深度學習技術可以在生產操作中幫助人機交互的優化，進一步促進生產機器對人工的替代?；诜b圖像和深度學習，機器可以執行類別分類和地標檢測，以實現拉伸任務，其目標是將碎布帶到拉伸位置。由于織物的復雜動力學和構型空間，Wang等^［107］采用基于深度模仿學習的方法來估計拾取點和操作過程的階段。Liu等^［108］利用優化后的遺傳算法求解模型的目標函數，建立了具有多約束條件和最大成本節約的柔性生產調度模型。Ku等^［109］介紹了一種為智能服裝制造設計的自動縫制系統，將機器視覺功能集成到定制的縫紉機中，促進了服裝生產的自動化，為實現智能服裝制造打下基礎。

盡管在生產決策中，已經利用機器學習等方法制定了質量控制的相關預案，但是實際生產中依舊需要進行嚴密的品質控制。計算機視覺、機器學習、深度學習等人工智能方法已經被利用，致力于精確捕捉瑕疵。劉正等^［110］結合緯斜特征改進卷積神經網絡，提出具有循環訓練策略的目標識別網絡——緯斜檢測網絡，并在網絡中加入正樣本回歸和多尺度輸入，結合數據增強方法，提升訓練效果和模型檢測效果。該模型與YOLO網絡相比，緯斜檢測網絡在真實緯斜樣本檢測中性能優異。

精益生產是提高組織服務水平的關鍵因素，精益生產和工業4.0技術配合使用，可以更有效地幫助生產實現精益目標。精益生產和六西格瑪方法的實施使公司能夠提高競爭力和效率，但是仍有很多工廠難以運用這個方法。Elboq等^［111］基于智能模型，為服裝利益相關者制定了一個支持工具，或者旨在使用深度學習成功整合精益生產和六西格瑪方法。

協同設計產品的生產更加需要精準和高效。Lee等^［112］利用信息通信技術、人工智能和虛擬環境，為3D服裝生產系統中的企業、設計師和消費者之間的創新永續實時時裝系統（RTFS）提出供應鏈框架。RTFS供應鏈中的3D時尚產品完全數字化，通過采樣和跟蹤功能節省了時間和金錢，并通過個性化的服務交付獲得了安全性和可靠性。

可持續發展是供應鏈管理的最終目的?？沙掷m的生產和消費可以通過建立具有彈性的創新基礎設施來實現，而這些設施是通過物聯網、人工智能、區塊鏈、增強現實、虛擬現實等數字技術的融合實現的。Noh等^［113］提出了一種基于物聯網和人工智能的回收服裝分類系統，使用的方法是遷移學習^［114］的AlexNet，利用物體識別技術來解決問題，利用人工智能預測回收服裝的種類，以代替工作人員的經驗和專業知識進行準確的分類工作。Noh還使用了云和邊緣計算的深度學習服裝分類系統，通過卷積神經網絡的深度學習，將安裝在各個地區各個服裝分類站點的攝像機終端輸入的服裝圖像數據分類，結果通過邊緣計算存儲在云端，可以有效地提高各地回收衣物分類處理的流程化和自動化程度^［115］。通過機器學習優化供應鏈也是實現可持續發展的一種方法，Wang等^［116］使用P-中位數模型和遺傳算法優化供應鏈，又采用了一種混合仿真模型，用于分析和收集可持續指標的數據，以期提供給相關人員新的方法和建議，提高個性化定制供應鏈的可持續性和效率。

3.5.2 物流配送和庫存管理

物流運輸和庫存管理需要優化的方面，一是減少成本和精簡調度，二是實現數據和產品的可追溯性。通?？梢詫C器學習或深度學習的算法與射頻識別技術相結合，以追求最優的物流或庫存方案，以及產品的可追溯性。現有的服裝可追溯系統仍存在覆蓋不全、產權難以保護等問題，數據隱私和真實性也需合適的技術手段來保障。金鵬等^［117］借用區塊鏈技術，結合權威證明機制、哈希算法、時間戳技術、智能合約，從數據層、網絡層、共識層、激勵層、合約層、應用層六部分進行研究，利用去中心化網絡結構，實現對服裝產品全生命周期的數據錄入。

Kim等^［118］研究采用隨機控制和優化的方法，通過對韓國一家領先時裝公司的真實數據進行實證研究，解決了時裝產品初始分布的數學問題。這種方法將消費洞察產生的數據用于解決庫存問題，從源頭處理，科學合理地減少庫存浪費。

Luu等^［119］為了將工業4.0的理論和模型應用到一家服裝公司中，不同批次的產品都包含RFID標簽，這樣面料和配件中的RFID可以實時更新庫存。Nasr等^［120］提出了一種新的兩階段模糊供應商選擇與訂單分配模型。利用模糊最佳最差方法和多目標混合整數線性規劃模型，選擇最合適的供應商和庫存。

3.6 市場營銷

服裝營銷是指服裝企業為了實現銷售目標，通過一系列營銷策略和手段，將服裝產品推廣給目標消費者，并促進其購買和使用的整個過程，具體可分為銷售策略和客戶關系管理兩部分內容，如圖12^{［125-126］}所示。

3.6.1 客戶關系管理

如果說此前的環節方便于企業和設計師，那么營銷環節則是方便消費者，經過訓練，人工智能已經具備一定量的知識儲備，結合大數據算法，一系列針對消費者的推薦系統出現。Wang等^［121］整合了情感時尚主題、人類對個性化體型的感知及專業設計師的知識，開發了一種智能服裝推薦系統，利用模糊集和模糊關系將消費者與設計師的感知數據形式化，人體測量數據與設計師提供的基本感官描述符之間的復雜關系使用模糊決策樹進行建模。

推薦系統以消費者為中心進行精準推薦，因了解消費者心中所想，推銷成功的概率大大提高，達到了營銷的目的。但推薦系統存在兩個主要缺陷：1）現有的購物數據和/或基于人體數據的推薦不能有效地處理時尚趨勢;2）這些系統很少考慮購物者的經驗和知識^［122］。針對這兩個問題，Zhang等^［122］提出了一種基于馬爾可夫鏈和復雜網絡相結合的服裝推薦機制，馬爾可夫鏈能從消費者較少量的購物數據中提取時尚趨勢。復雜網絡方法對購物專家提供的人體形狀、服裝試穿效果和服裝特征之間的不確定關系進行形式化處理。

3.6.2 銷售策略

在服裝營銷中，需要考慮市場調研、品牌定位、產品策略、價格策略、渠道策略、促銷策略等多個方面，以確保營銷的效果和銷售目標的實現。Chen等^［123］基于消費者購買習慣和奢侈品特征數據，采用機器學習算法構建個性化營銷策略模型。

虛擬試穿技術（VTO）也是近幾年體驗營銷的熱點，Zhang等^［124］發現消費者對VTO技術的態度會影響其在線購買服裝的意愿，這種意愿受到感知有用性、感知享受性和感知隱私風險的影響，而感知易用性影響感知有用性和感知幫助性。研究結果還顯示，VTO技術體現在在線購買意愿的整個決策過程中的作用，而在年齡和性別之間沒有顯著差異。

VTO技術還涉及時尚風格轉移，即將一張時尚圖片中的服裝轉移到目標人體圖片上。Liu等^［125］提出了一種名為SwapGAN（d）的多階段深度生成方法，該方法利用統一框架中的三個生成器和一個鑒別器來完成端到端的任務，在保持人體身形的同時，可以傳輸姿勢風格和服裝風格。解決時尚風格轉移中人與人之間的服裝交換問題，其目的是將目標服裝穿在另一個人身上而不是穿在他們身上的樣子可視化。Shi等^［126］提出了一種數據驅動的方法，在保留原始設計的同時，在兩個不同的身體之間有效地轉移服裝，同時還提出了一種編碼器—解碼器網絡，以學習與服裝款式不相關但與人體變形有關的共享空間。這種方法可以為虛擬服裝品牌帶來啟示，但是歸根結底其仍然展示的是2D，未來如何結合虛擬現實和建模技術來制作真正的3D，讓消費者有更深的體驗，是值得討論的研究點。

3.7 銷 售

銷售是面向消費者的終端環節，也是服裝企業的最終目的。互聯網時代的銷售可以分為線上銷售和線下銷售。線上銷售近些年來更受歡迎，線下銷售也在傳統方式中脫胎換骨。

線上的銷售方式雖然帶來了很大的便利，但是虛擬體驗逐漸不易刺激顧客的消費行為，不能親身試穿產品給消費者帶來了型號選擇的困難，虛擬試衣技術成了一些線上銷售的一部分。虛擬試穿技術之所以備受關注，是因為它有望提高服裝行業在線購物的用戶體驗。基于圖像的虛擬試戴方法以其高效、低成本的特點受到了越來越多的關注，該環節具體內容如圖13^{［127-130］}所示。

3.7.1 顧客體驗

Daneshmand等^［131］提出一種全自動解決方案，克服了在線試穿過程中涉及的大多數模塊仍需要人工計算、操作和調整的不足，減少了時間消耗，并顯著提高了服務的效率和可靠性。Hashmi等^［132］提出了一種新穎的結構FashionFit，可以便利地將零售商提供的服裝組合在一起，并使用神經體適能將其可視化。這項工作為使用GAN解鎖定制服裝的生成創建了一個基準，并可在用戶身上進行虛擬試穿，以確保栩栩如生的外觀和效果，從而通過使用人工智能創造良好的客戶體驗。

目前的三維虛擬試衣方法主要基于薄板樣條法和基于深度信息的三維重建，這加大了實現三維虛擬試衣的成本，并且缺少服裝褶皺、圖案等細節。Ghodhbani等^［133］提出的Dress-up虛擬試穿界面旨在處理跨圖像的人類外觀轉移任務，同時保留生成服裝的紋理細節和結構一致性。為了增強顧客的體驗感，虛擬試衣領域出現了圖片生成視頻的技術，以全方位給顧客展示著裝效果，但是該技術存在掉幀、生成視頻質量差、人物服裝細節丟失等問題，為此陸寅雯等^［134］提出一種基于姿態嵌入機制及多尺度注意鏈接的生成對抗網絡模型，提高了生成視頻的質量與幀間動作穩定性。

虛擬現實技術因其可使消費者有親臨環境的體驗，近些年備受行業青睞，但是其帶來的舒適感體驗并不佳，張曉婷等^［135］聚焦于VR交互體驗中，沉浸感與舒適感的平衡設計，這為線下門戶的顧客體驗帶來新的契機。

3.7.2 銷售渠道

電商平臺會面臨顧客的主動檢索，人工智能方法可以使搜索更加智能和精準，從而優化顧客的體驗。一般情況下，顧客會使用文本關鍵詞進行搜索，這些文本包含了所需服裝產品的屬性。為了使文本搜索更加準確，Chun等^［136］提出了一種新的網絡結構SAC，它結合了CNN和Self-attention機制，可以更細粒度地表示服裝屬性。

但是基于文本的搜索方法仍存在局限性，有些時候難以選出合適的文本進行描述，而直接利用可視化的圖片進行檢索更加方便。Jo等^［137］開發了一種基于深度學習的智能時尚技術，建立了草圖產品時尚檢索模型，用于高效的時尚產品搜索。

新的問題隨之產生，由于服裝的種類或款式較多，加之不同的拍攝角度、拍攝條件、雜亂的背景環境或穿著的人體姿勢等因素導致的服裝外觀的不同，傳統的消費者到商店的方案檢索精度往往較低?；谏疃染矸e神經網絡和特征融合，以及四重損失函數可以進行跨域服裝檢索?？焖贉蚀_的目標檢測是當前該領域的重要目標，YOLO類算法在圖像檢測方面具有優勢，在其基礎上進行的優化可以精確進行復雜背景下的服裝識別，提高對微小目標的檢測能力，在短時間間隔內準確定位目標。在YOLOv4算法的基礎上，Lee等^［138］提出了一種名為YOLOv4-tpd（e）的兩階段時尚服裝檢測方法來解決這一難題。實例級圖像檢索是一個具有挑戰性的問題，Bao等^［139］提出了一種新的多尺度、多粒度特征學習網絡（MMFL-net），該網絡可以在統一的框架內共同學習服裝圖像的全局局部聚合特征表示，旨在訓練C2S時尚視覺相似度的跨域模型。Jing等^［140］提出了一種用于時尚兼容性預測的潛在低階表示的三部分圖正則化TGRLLR。

Alzu’bi等^［141］提出了一種將時尚圖像檢索和推薦與三維虛擬試穿網絡相結合的新方法。采用了幾種深度學習架構來提取和學習服裝圖像的關鍵屬性，通過這些架構，每個制定的圖像都經過有效的人體分割和姿態估計程序。使用3D VTON網絡生成用戶穿著特定服裝的3D圖像，然后時尚檢索系統推薦更多相關物品。

除了消費者的主動檢索，人工智能技術可以提供智能自動化且高效實時的時尚推薦^［142］，以科學的方式將合適的產品展示給顧客，免去了傳統方式的揣測顧客心理來推銷產品，使得虛擬購物助手更加地受歡迎。如果時尚推薦被拒絕，可以根據所建議的著裝風格添加額外的語義層，來進行額外的補充推薦。Vuruskan等^［143］開發了一種針對非標準女性體形的時裝款式選擇智能系統，所提出的智能系統結合了遺傳算法和神經網絡分類器，后者使用了粒子群優化進行訓練，以評估每種演化出的新時尚風格的適配性。Zhang等^［144］建立了一個服裝知識庫，以幫助一般消費者識別最符合其特定需求的相關產品。

線下購物在電商崛起的時代也在思索自己的出路，結合人工智能技術來提高核心競爭力，一些智能門店以現實和虛擬結合的方式呈現在消費者面前。Yuan等^［145］開發了一個由客戶參與設計工作的服裝購物商城，尤其適用于設計較為復雜的服裝。該購物商城從顧客使用的角度出發，強調功能性，與此同時還實現了適合智慧城市的服裝服務在線環境。

4 結 語

本文探討了人工智能在服裝產品生命周期管理（PLM）中各環節中的應用及常用的人工智能技術。分析表明，人工智能主要應用在服裝產品生命周期管理（PLM）中的產品研發環節，且不同環節所采用的人工智能技術也不同，計算機視覺和圖像處理技術主要應用于產品研發、上會與組貨及市場營銷環節中;自然語言處理技術主要應用于流行趨勢和產品研發環節;機器學習主要應用于消費洞察、流行趨勢及產品研發的環節中。

盡管人工智能為服裝產品生命周期管理（PLM）帶來了巨大的潛力，極大提升了服裝行業的效率，但由于其發展在初級階段，還面臨許多問題和挑戰。包括高質量數據的收集、傳輸和集成問題：人工智能需要大量數據進行訓練，而在服裝產品生命周期管理（PLM）系統中，可能會存在數據不完整或不一致的問題，這會影響人工智能的決策效果;技術成熟度問題：目前的人工智能技術可能還無法完全理解和應對復雜的服裝設計和制造過程;以及網絡安全和隱私問題等。

目前服裝行業使用的人工智能算法偏舊，尤其是以Transformer為代表的最新AI模型已為其他行業帶來革命性變化，但服裝行業中卻很少使用。如Generative Pre-trained Transformer （GPT）系列是Transformer架構的一種應用，它在無監督學習中表現出色，可以生成高質量的文本。在推薦系統中，大型語言模型（LLM）能夠結合用戶的歷史行為和偏好，提供個性化的推薦服務;多行為推薦大模型能夠分析用戶的多種交互行為，以更準確地捕捉用戶的需求和意圖。它們在實時推薦場景中尤為重要，但分析多種行為序列的關聯性或轉換關系也帶來了新的挑戰。最新人工智能模型在服裝行業的應用展現出巨大潛力，但同時也面臨著技術挑戰和實施難度。隨著技術的不斷發展，這些模型有望在服裝行業中發揮更大的作用，推動行業的數字化轉型。

人工智能在服裝產品生命周期管理（PLM）中的應用雖然存在一些問題和挑戰，但AI與服裝產品生命周期管理（PLM）的融合是不可避免的，機會與挑戰共存。未來的研究可以從服裝產品生命周期管理（PLM）中各環節數據和設計協同的方向入手，使用更加先進的人工智能技術，以實現企業對服裝產品更集中、可持續、高效地管理。因此，服裝企業與AI研究人員需要緊密合作，這些問題和挑戰才能得以解決，人工智能將為服裝行業帶來更大的發展機遇。

參考文獻：

［1］ANDRESEN S L. John McCarthy： Father of AI［J］. IEEE Intelligent Systems， 2002， 17（5）： 84-85.

［2］TAO F， QI Q L. New IT driven service-oriented smart manufacturing： Framework and characteristics［J］. IEEE Transactions on Systems， Man， and Cybernetics： Systems， 2019， 49（1）： 81-91.

［3］TAO F， ZHANG L， LIU Y K， et al. Manufacturing service management in cloud manufacturing： Overview and future research directions［J］. Journal of Manufacturing Science and Engineering， 2015， 137（4）： 40912.

［4］WEBER C， WERNER H， DEUBEL T. A different view on product data management/product life-cycle management and its future potentials［J］. Journal of Engineering Design， 2003， 14（4）： 447-464.

［5］D’AVOLIO E， PINNA C， BANDINELLI R， et al. Analysing product development process and PLM features in the food and fashion industries［C］//14^th IFIP WG 5.1 International Conference. Seville： PLM 2017， 2017： 509-521.

［6］MCCANN M T， JIN K H， UNSER M. Convolutional neural networks for inverse problems in imaging： A review［J］. IEEE Signal Process Magazine， 2017， 34（6）： 85-95.

［7］AHMED A， JALAL A， RAFIQUE A A. Salient segmentation based object detection and recognition using hybrid genetic transform［C］//2019 International Conference on Applied and Engineering Mathematics （ICAEM）. Taxila： IEEE， 2019： 203-208.

［8］GARCA-FERNNDEZ A F， SVENSSON L， MORELANDE M R. Multiple target tracking based on sets of trajectories［J］. IEEE Transactions on Aerospace and Electronic Systems， 2020， 56（3）： 1685-1707.

［9］LIU X L， DENG Z D， YANG Y H. Recent progress in semantic image segmentation［J］. Artificial Intelligence Review， 2019（52）： 1089-1106.

［10］LI R F， LU W C， LIANG H Y， et al. Multiple features with extreme learning machines for clothing image recognition［J］. IEEE Access， 2018（6）： 36283-36294.

［11］KAUR N， PANDEY S. Predicting clothing attributes with CNN and SURF based classification model［J］. Multimedia Tools and Applications， 2023， 82（7）： 10681-10701.

［12］張怡， 侯玨， 劉正. 基于循環Faster R-CNN的襯衫領型精確識別［J］. 西安工程大學學報， 2022， 36（4）： 10-18.

ZHANG Y， HOU J， LIU Z， et al. Accurate recognition of shirt collar type based on recurrent Faster R-CNN［J］. Journal of Xi’an Polytechnic University， 2022， 36（4）： 10-18.

［13］SU Z， GUO J M， ZHANG G W， et al. Conditional progressive network for clothing parsing［J］. IET Image Processing， 2019， 13（4）： 556-565.

［14］SAINATH T N， WEISS R J， WILSON K W， et al. Multichannel signal processing with deep neural networks for automatic speech recognition［J］. Ieee/Acm Transactions on Audio， Speech， and Language Processing， 2017， 25（5）： 965-979.

［15］LI X R， YE Z L， ZHANG Z， et al. Clothes image caption generation with attribute detection and visual attention model［J］. Pattern Recognit Letters， 2021（141）： 68-74.

［16］聞力生. 人工智能在服裝智能制造中的應用［J］. 紡織高校基礎科學學報， 2020， 33（2）： 30-36.

WEN L S. Application of artificial intelligence in garment intelligent manufacturing［J］. Basic Sciences Journal of Textile Universities， 2020， 33（2）： 30-36.

［17］申宇， 楊妍雯， 陳佳珍， 等. 基于MLP神經網絡的女大學生頭面部號型歸檔與預測［J］. 絲綢， 2022， 59（7）： 56-63.

SHEN Y， YANG Y W， CHEN J Z， et al. Head and face shape classification and type prediction of female college students based on MLP neural network［J］. Journal of Silk， 2022， 59（7）： 56-63.

［18］CHEN J C， LIU C F. Deep net architectures for visual-based clothing image recognition on large database［J］. Soft Computing， 2017， 21（11）： 2923-2939.

［19］AN H， KIM S， CHOI Y. Sportive fashion trend reports： A hybrid style anY/V67tcK2xIQjfCspjFQQRtGfwO9cxBlpxLntQqQGmw=alysis based on deep learning techniques［J］. Sustainability， 2021， 13（17）： 9530.

［20］KUMAR S. Deep learning based affective computing［J］. Journal of Enterprise Information Management， 2021， 34（5）： 1551-1575.

［21］ZHAN H J， LIN J， AK K E， et al. A3-FKG： Attentive attribute-aware fashion knowledge graph for outfit preference prediction［J］. IEEE Trans Multimedia， 2022（24）： 819-831.

［22］LING X， HONG Y， PAN Z J. Development of a dress design knowledge base （DDKB） based on sensory evaluation and fuzzy logic［J］. International Journal of Clothing Science and Technology， 2021， 33（1）： 137-149.

［23］GIRI C， THOMASSEY S， ZENG X Y. Exploitation of social network data for forecasting garment sales［J］. International Journal of Computational Intelligence Systems， 2019， 12（2）： 1423-1435.

［24］YUAN S Q， ZHONG L， LI L. WhatFits-Deep learning for clothing collocation［C］//2020 7^th International Conference on Behavioural and Social Computing （BESC）. Bournemouth： IEEE， 2020： 1-4.

［25］TAKEHARA D， HARAKAWA R， OGAWA T， et al. Extracting hierarchical structure of content groups from different social media platforms using multiple social metadata［J］. Multimedia Tools and Applications， 2017， 76（19）： 20249-20272.

［26］NOUINOU H， ASADOLLAHI Y E， BARET I， et al. Decision-making in the context of Industry 4.0： Evidence from the textile and clothing industry［J］. Journal of Cleaner Production， 2023（391）： 136184.

［27］LIN H， NI L S， PHUONG C， et al. Natural language processing for radiation oncology： Personalizing treatment pathways［J］. Pharmacogenomics and Personalized Medicine， 2024（17）： 65-76.

［28］ALSAADAWI H F T， DAS B， DAS R. TAC-Trimodal affective computing： Principles， integration process， affective detection， challenges， and solutions［J］. Displays， 2024（83）： 102731.

［29］CHANG Y H， ZHANG Y Y. Deep learning for clothing style recognition using YOLOv5［J］. Micromachines， 2022， 13（10）： 1678.

［30］BADILLO S， BANFAI B， BIRZELE F， et al. An introduction to machine learning［J］. Clinical Pharmacology & Therapeutics， 2020， 107（4）： 871-885.

［31］FLORIO P， LEDUC T， SUTTER Y， et al. Visual complexity of urban streetscapes： Human vs computer vision［J］. Machine Vision and Applications， 2024， 35（1）： 7.

［32］BARTSCHAT A， REISCHL M， MIKUT R. Data mining tools［J］. WIREs Data Mining and Knowledge Discovery， 2019， 9（4）： 1309.

［33］SIDDIQUI Z A， PARK U. Progressive convolutional neural network for incremental learning［J］. Electronics， 2021， 10（16）： 1879.

［34］SHARMA P S， YADAV D， THAKUR R N. Web page ranking using web mining techniques： A comprehensive survey［J］. Mobile Information Systems， 2022， 2022： 7519573.

［35］MUNUSWAMY S， SARANYA M S， GANAPATHY S， et al. Sentiment analysis techniques for social media-based recommendation systems［J］. National Academy Science Letters， 2021， 44（3）： 281-287.

［36］AL AHMADI S， MUHAMMAD F， AL DAWSARI H. Enhancing arabic sign language interpretation： Leveraging convolutional neural networks and transfer learning［J］. Mathematics， 2024， 12（6）： 823.

［37］KHARFAN M， CHAN V W K， EFENDIGIL T F. A data-driven forecasting approach for newly launched seasonal products by leveraging machine-learning approaches［J］. Annals of Operations Research， 2021， 303（1/2）： 159-174.

［38］ZHANG J J， ZENG X Y， DONG M， et al. A new consumer profile definition method based on fuzzy technology and fuzzy AHP［J］. Autex Research Journal， 2022， 22（2）： 208-216.

［39］DONATI L， IOTTI E， MORDONINI G， et al. Fashion product classification through deep learning and computer vision［J］. Applied Sciences， 2019， 9（7）： 1385.

［40］PERONI S， VITALI F. Interfacing fast-fashion design industries with Semantic Web technologies the case of imperial fashion［J］. Web Semantics： Science， Services and Agents on the World Wide Web， 2017（44）： 37-53.

［41］JAIN S， KUMAR V. Garment categorization using data mining techniques［J］. Symmetry， 2020， 12（6）： 984.

［42］LOUREIRO A L D， MIGUIS V L， DA SILVA L F M. Exploring the use of deep neural networks for sales forecasting in fashion retail［J］. Decision Support Systems， 2018（114）： 81-93.

［43］ZHOU X X， MENG J F， WANG G S， et al. A demand forecasting model based on the improved bass model for fast fashion clothing［J］. International Journal of Clothing Science and Technology， 2021， 33（1）： 106-121.

［44］石聞達， 杜勁松， 李笛出乘. 基于層次化多模態注意力機制循環神經網絡的服裝新品銷售預測（英文）［J］. 東華大學學報（英文版）， 2024， 41（1）： 21-27.

SHI W D， DU J S， LI D C C. Sales forecasting of new clothing products based on hierarchical multi-modal attention recurrent neural network［J］. Journal of Donghua University （English Edition）， 2024， 41（1）： 21-27.

［45］CHEN X， WANG D Y， GAO Y T， et al. Analysis of marketing forecasting model based on genetic neural networks： Taking clothing marketing as an example［J］. Wireless Communications and Mobile Computing， 2022， 2022： 10.

［46］HONG Y， CAO X C， CHEN Y， et al. A conceptual wearable monitoring system for physiological indices and clothing microclimate measurement［J］. International Journal of Clothing Science and Technology， 2019， 31（3）bb38843692227addcc50ddd6286cd1f7： 318-325.

［47］DAI Y Q， CHEN Y Y， GU W， et al. Color identification method for fashion runway images： An experimental study［J］. Color Research & Application， 2022， 47（5）： 1163-1176.

［48］BURNS A. Rethinking fabric： The application of fabric manipulation techniques in fashion design education［J］. International Journal of Art & Design Education， 2022， 41（1）： 66-80.

［49］YUM M. Digital image color analysis method to extract fashion color semantics from artworks［J］. Multimedia Tools and Applications， 2023， 82（11）： 17115-17133.

［50］BASOLE R C， MAJOR T. Generative AI for visualization： Opportunities and challenges［J］. IEEE Computer Graphics and Applications， 2024， 44（2）： 55-64.

［51］EGRIOGLU E， BAS E. A new deep neural network for forecasting： Deep dendritic artificial neural network［J］. Artificial Intelligence Review， 2024， 57（7）： 171.

［52］SAMANTARAY S， SAHOO A. Prediction of flow discharge in mahanadi River Basin， India， based on novel hybrid SVM approaches［J］. Environment Development and Sustainability， 2024， 26（7）： 18699-18723.

［53］BHATT D， PATEL C， TALSANIA H， et al. CNN variants for computer vision： History， architecture， application， challenges and future scope［J］. Electronics， 2021， 10（20）： 2470.

［54］HONG Y， ZENG X Y， WANG Y Y， et al. CBCRS： An open case-based color recommendation system［J］. Knowledge-Based Systems， 2018（141）： 113-128.

［55］ZENG W， ZHAO M B， GAO Y， et al. TileGAN： category-oriented attention-based high-quality tiled clothes generation from dressed person［J］. Neural Computing and Applications， 2020， 32（23）： 17587-17600.

［56］TAO R， GUO Q. Artificial intelligence technology driven environmental factors extraction and analysis method in traditional clothing handicraft［J］. Journal of Environmental and Public Health， 2022， 2023： 9.

［57］THWE Y， JONGSAWAT N， TUNGKASTHAN A. A semi-supervised learning approach for automatic detection and fashion product category prediction with small training dataset using FC-YOLOv4［J］. Applied Sciences， 2022， 12（16）： 8068.

［58］CHEN X L， DENG Y， DI C， et al. High-accuracy clothing and style classification via multi-feature fusion［J］. Applied Sciences， 2022， 12（19）： 10062.

［59］ZHAI Y， XUAN N J， SHI H L， et al. Research on the i0ee8a448c1fe5b4a918539e69ce7a048023c32665234952185ec52389eb743e4ntegration method of character costume culture in Dunhuang Murals based on deep learning algorithm［J］. International Journal of Antennas and Propagation， 2022， 2023： 7.

［60］SHI M Y， CHUSSID C， YANG P Y， et al. The exploration of artificial intelligence application in fashion trend forecasting［J］. Textile Research Journal， 2021， 91（19/20）： 2357-2386.

［61］PAPADOPOULOS S I， KOUTLIS C， PAPADOPOULOS S， et al. Multimodal quasi-autoRegression： Forecasting the visual popularity of new fashion products［J］. International Journal of Multimedia Information Retrieval， 2022， 11（4）： 717-729.

［62］NEZHAD N M， MIRTAHERI S L， SHAHBAZIAN R. Popular image generation based on popularity measures by generative adversarial networks［J］. Multimedia Tools and Applications， 2023， 82（14）： 20873-20897.

［63］ZHU X J， LI X F， CHEN Y F， et al. Interactive genetic algorithm based on typical style for clothing customization［J］. Journal of Engineered Fibers and Fabrics， 2020（15）： 155892502092003.

［64］AVADANEI M， ROSCA M， VATRA A D， et al. Geometric developments in functional clothing［J］. Industria Textila Journal， 2024， 75（1）： 111-117.

［65］LASHIN M M A， KHAN M I， BEN KHEDHER N， et al. Optimization of display window design for females’ clothes for fashion stores through artificial intelligence and fuzzy system［J］. Applied Sciences， 2022， 12（22）： 11594.

［66］LI Y. Application and development of computer-aided design methods in clothing design under the environment of internet of things［J］. Mobile Information Systems， 2022， 2022： 1-9.

［67］LIU F Q， XU M K， LI G Q， et al. Adversarial symmetric GANs： Bridging adversarial samples and adversarial networks［J］. Neural Networks， 2021（133）： 148-156.

［68］MUN H， YOON G J， SONG J， et al. Texture preserving photo style transfer network［J］. IEEE Transactions on Multimedia， 2022（24）： 3823-3834.

［69］CAPO M， PEREZ A， ANTONIO J A. An efficient split-merge re-start for the K-means algorithm［J］. IEEE Transactions on Knowledge and Data Engineering， 2022， 34（4）： 1618-1627.

［70］HONG Y， ZENG X Y， BRUNIAUX P， et al. Development of a new knowledge-based fabric recommendation system by integrating the collaborative design process and multi-criteria decision support［J］. Textile Research Journal， 2018， 88（23）： 2682-2698.

［71］KOTOUZA M T， KYPRIANIDIS A C， TSAROUCHIS S F， et al. Science4Fashion： An end-to-end decision support system for fashion designers［J］. Evolving Systems， 2021， 12（3）： 605-624.

［72］LI Y C， CAO L L， ZHU J， et al. Mining fashion outfit composition using an end-to-end deep learning approach on set data［J］. IEEE Transactions on Multimedia， 2017， 19（8）： 1946-1955.

［73］CHEN H， LEI S， ZHANG S G， et al. Man-algorithm cooperation intelligent design of clothing products in multi links［J］. Fibres and Textiles in Eastern Europe， 2022， 30（1）： 59-66.

［74］DENG H J， LIU M L. Personalized smart clothing design based on multimodal visual data detection［J］. Computational Intelligence and Neuroscience， 2022， 2022： 12.

［75］HU T， XIAO C X. Data-driven main color map feature learning， design and simulation for smart ethnic cloth［J］. Future Generation Computer Systems， 2019（97）： 153-164.

［76］沈雷， 陳涵. 基于形狀文法的傳統云紋服飾圖案創新設計［J］. 針織工業， 2024（3）： 66-71.

SHEN L， CHEN H. Innovative design of traditional cloud pattern dress pattern based on shape grammar［J］. Knitting Industries， 2024（3）： 66-71.

［77］WU Q， ZHU B X， YONG B B， et al. ClothGAN： generation of fashionable Dunhuang clothes using generative adversarial networks［J］. Connection Science， 2021， 33（2）： 341-358.

［78］WANG Z J， XING Y M， WANG J P， et al. A knowledge-supported approach for garment pattern design using fuzzy logic and artificial neural networks［J］. Multimedia Tools and Applications， 2022， 81（14）： 19013-19033.

［79］顧冰菲， 張健， 徐凱憶， 等. 復雜背景下人體輪廓及其參數提?。跩］. 紡織學報， 2023， 44（3）： 168-175.

GU B F， ZHANG J， XU K Y， et al. Human contour and parameter extraction from complex background［J］. Journal of Textile Research， 2023， 44（3）： 168-175.

［80］KIM S， MOON H， OH J， et al. Automatic measurements of garment sizes using computer vision deep learning models and point cloud data［J］. Applied Sciences， 2022， 12（10）： 5286.

［81］SONG X W， SONG X L， YANG L， et al. Body size measurement based on deep learning for image segmentation by binocular stereovision system［J］. Multimedia Tools and Applications， 2022， 81（29）： 42547-42572.

［82］LIU K X， WANG J P， KAMALHA E， et al. Construction of a prediction model for body dimensions used in garment pattern making based on anthropometric data learning［J］. Journal of The Textile Institute， 2017， 108（12）： 2107-2114.

［83］WANG Z J， WANG J P， ZENG X Y， et al. Prediction of garment fit level in 3D virtual environment based on artificial neural networks［J］. Textile Research Journal， 2021， 91（15/16）： 1713-1731.

［84］JI Y， JIANG G M. Garment customization big data-processing and analysis in optimization design［J］. Journal of Engineered Fibers and Fabrics， 2020（15）： 9250.

［85］LI X H， LI G Q， LI T C， et al. Design of a multi-sensor information acquisition system for mannequin reconstruction and human body size measurement under clothes［J］. Textile Research Journal， 2022， 92（19/20）： 3750-3765.

［86］聶梓萌， 杜勁松， 朱建龍， 等. 基于仿真區域性數據的服裝團體定制歸號機制［J］. 紡織學報， 2023， 44（5）： 191-197.

NIE Z M， DU J S， ZHU J L， et al. Garment group customization sizing mechanism based on simulated size data［J］. Journal of Textile Research， 2023， 44（5）： 191-197.

［87］HONG Y， JIANG Z H， GUO S， et al. Modeling of the human cognition for the metaverse-oriented design system development［C］//First International Symposium， SAIDD 2023. Sogndal： Springer Nature Switzerland AG， 2023： 65-79.

［88］HONG Y， BRUNIAUX P， ZENG X Y， et al. Virtual reality-based collaborative design method for designing customized garment for disabled people with scoliosis［J］. Internatinal Journal of Clothing Science and Technology， 2017， 29（2）： 226-237.

［89］SHARMA S， KOEHL L， BRUNIAUX P， et al. Development of an intelligent data-driven system to recommend personalized fashion design solutions［J］. Sensors， 2021， 21（12）： 4239.

［90］周潔， 沈雷， 任祥放， 等. 基于數字技術工具比較的復雜結構女裝設計［J］. 毛紡科技， 2024， 52（1）： 76-84.

ZHOU J， SHEN L， REN X F， et al. Design of wome’s wear with complex structure based on digital technology tool comparison［J］. Wool Textile Journal， 2024， 52（1）： 76-84.

［91］CASADO-ELVIRA A， TRINIDAD M C， CASAS D. PERGAMO： Personalized 3D garments from monocular video［J］. Computer Graphics Forum， 2022， 41（8）： 293-304.

［92］DAI X Q， HONG Y. Fabric mechanical parameters for 3D cloth simulation in apparel CAD： A systematic review［J］. Computer-Aided Design， 2024（167）： 103638.

［93］BIAU G， SCORNET E. A random forest guided tour［J］. Test， 2016， 25（2）： 197-227.

［94］BAGHDADI R， ALIBI H， FAYALA F， et al. Investigation on stiffness of finished stretch plain knitted fabrics using fuzzy decision trees and artificial neural networks［J］. Fibers and Polymers， 2021， 22（2）： 550-558.

［95］HONG Y， WU T Y， ZENG X Y， et al. Knowledge-based open performance measurement system （KBO-PMS） for a garment product development process in big data environment［J］. IEEE Access， 2019， 7： 129910-129929.

［96］HE Z L， TRAN K P， THOMASSEY S， et al. A deep reinforcement learning based multi-criteria decision support system for optimizing textile chemical process［J］. Computers in Industry， 2021（125）： 103373.

［97］WANG F， KYOUNG K J. Leather defect detection method in clothing design based on TDENet［J］. IEEE Access， 2023（11）： 104890-10904.

［98］杜婷婷， 趙健， 楊斐斐， 等. 基于風格意象的服裝搭配規則挖掘［J］. 現代絲綢科學與技術， 2024， 39（2）： 25-30.

DU T T， ZHAO J， YANG F F， et al. Mining outfit matching rules based on stylistic imagery［J］. Modern Silk Science & Technology， 2024， 39（2）： 25-30.

［99］LIU J H， SONG X M， CHEN Z M， et al. Neural fashion experts： I know how to make the complementary clothing matching［J］. Neurocomputing， 2019（359）： 249-263.

［100］ZHOU D L， ZHANG H J， YANG K， et al. Learning to synthesize compatible fashion items using semantic alignment and collocation classification： An outfit generation framework［J］. IEEE Transactions on Neural Networks and Learning Systems， 2022， 35（4）： 5226-5240.

［101］DAI J Y， DAI H Y， WANG J X， et al. Children’s clothing virtual simulation immersive design and show based on machine learning［J］. Mobile Information Systems， 2021， 2021： 9.

［102］KULINSKA M， ABTEW M A， BRUNIAUX P， et al. Block pattern design system using 3D zoning method on digital environment for fitted garment［J］. Textile Research Journal， 2022， 92（23/24）： 4978-4993.

［103］ZHANG M， WANG T F Y， CEYLAN D， et al. Dynamic neural garments［J］. ACM Transactions on Graphics， 2021， 40（6）： 235.

［104］HONG Y， GE Y M. Design and analysis of clothing catwalks taking into account unity’s immersive virtual reality in an artificial intelligence environment［J］. Comput Intell Neurosci， 2022， 2022： 12.

［105］ZHANG P Y， WANG C， JIANG C X， et al. Deep reinforcement learning assisted federated learning algorithm for data management of IIoT［J］. IEEE Transactions on Industrial Informatics， 2021， 17（12）： 8475-8484.

［106］TSAO Y C， VU T L， LIAO L W. Hybrid heuristics for the cut ordering planning problem in apparel industry［J］. Computers & Industrial Engineering， 2020（144）： 106478.

［107］YAN H， DU X M， XU L， et al. Toward intelligent clothes manufacturing： a systematic method for static and dynamic task allocation by genetic optimization［J］. Neural Computing and Applications， 2022， 34（10）： 7881-7897.

［108］盛玥曦， 侯玨， 楊陽， 等. 基于先驗算法的服裝生產流水線設計優化［J］. 浙江理工大學學報（自然科學）， 2024， 51（3）： 337-346.

SHENG Y X， HOU J， YANG Y， et al. Optimization of garment production line design based on the apriori algorithm［J］. Journal of Zhejiang Sci-Tech University （Natural Sciences）， 2024， 51（3）： 337-346.

［109］WANG X M， ZHAO J， JIANG X， et al. Learning-Based fabric folding and box wrapping［J］. IEEE Robotics and Automation Letters， 2022， 7（2）： 5703-5710.

［110］LIU Q， LI J Y. The progress of business analytics and knowledge management for enterprise performance using artificial intelligence and man-machine coordination［J］. Journal of Global Information Management， 2022， 30（11）： 1-21.

［111］KU S B Y， CHOI H， KIM H Y， et al. Automated sewing system enabled by machine vision for smart garment manufacturing［J］. IEEE Robotics and Automation Letters， 2023， 8（9）： 5680-5687.

［112］劉正， 吳詩豪， 侯玨， 等. 基于數據增強和改進卷積神經網絡的織物緯斜檢測［J］. 服裝學報， 2023， 8（5）： 391-399.

LIU Z， WU S H， HOU J， et al. Fabric skewing detection based on data augmentation and improved convolutional neural network［J］. Journal of Clothing Research， 2023， 8（5）： 391-399.

［113］ELBOQ R， FRI M， HLYAL M， et al. Modeling lean and six sigma integration using deep learning： Applied to a clothing company［J］. Autex Research Journal， 2021， 23（1）： 1-10.

［114］LEE Y K. Transformation of the innovative and sustainable supply chain with upcoming real-time fashion systems［J］. Sustainability， 2021， 13（3）： 1081.

［115］NOH S K. Recycled clothing classification system using intelligent IoT and deep learning with AlexNet［J］. Comput Intell Neurosci， 2021， 2021： 8.

［116］GU X L， HUANG J， WONG Y K， et al. PAINT： Photo-realistic fashion design synthesis［J］. ACM Transactions on Multimedia Computing， Communications， and Applications， 2024， 20（2）： 48.

［117］NOH S K. Deep learning system for recycled clothing classification linked to cloud and edge computing［J］. Comput Intell Neurosci， 2022， 2022： 9.

［118］WANG X Y， XUE Y F， ZHANG J， et al. A sustainable supply chain design for personalized customization in industry 5.0 Era［J］. IEEE Transactions on Industrial Informatics， 2024， 20（6）： 8786-8797.

［119］金鵬， 薛哲彬， 江潤恬， 等. 基于區塊鏈技術的服裝可追溯系統設計與實現［J］. 絲綢， 2021， 58（5）： 62-69.

JIN P， XUE Z B， JIANG R T， et al. Design and implementation of blockchain technology-based clothing traceability system［J］. Journal of Silk， 2021， 58（5）： 62-69.

［120］KIM J， HWANGBO H. Stochastic control and optimization in retail distribution： An empirical study of a Korean fashion company［J］. Journal of The Textile Institute， 2019， 110（2）： 223-233.

［121］LUU H， FERREIRA F， MARQUES A. Digitisation and Industry 4.0 in the Portuguese T&C sector［J］. Industria Textila， 2019， 70（4）： 342-345.

［122］KHALILI N A， TAVANA M， ALAVI B， et al. A novel fuzzy multi-objective circular supplier selection and order allocation model for sustainable closed-loop supply chains［J］. Journal of Cleaner Production， 2021（287）： 124994.

［123］EL-AWADY A， PONNAMBALAM K. Integration of simulation and Markov chains to support Bayesian networks for probabilistic failure analysis of complex systems［J］. Reliability Engineering & System Safety， 2021（211）： 107511.

［124］DU C H， YU F， JIANG M H， et al. VTON-SCFA： A virtual try-on network based on the semantic constraints and flow alignment［J］. IEEE TMDCoH7/Zn6X+vCm7i70cDDB5K7x/v7FSsBjljCYaEEo=ransactions on Multimedia， 2023（25）： 777-791.

［125］WANG L C， ZENG X Y， KOEHL L， et al. Intelligent fashion recommender system： Fuzzy logic in personalized garment design［J］. IEEE Transactions on Human-Machine Systems， 2015， 45（1）： 95-109.

［126］ZHANG J J， ZENG X Y， DONG M， et al. Garment recommendation in an e-shopping environment by using a Markov Chain and Complex Network integrated method［J］. Textile Research Journal， 2021， 91（23/24）： 2950-2961.

［127］CHEN Q S， CAI S S， GU X M. Construction of the luxury marketing model based on machine learning classification algorithm［J］. Scientific Programming， 2021， 2023（1）： 1-11.

［128］ZHANG T T， WANG W Y C， CAO L， et al. The role of virtual try-on technology in online purchase decision from consumers’ aspect［J］. Internet Research， 2019， 29（3）： 529-551.

［129］LIU Y， CHEN W， LIU L， et al. SwapGAN： A multistage generative approach for person-to-person fashion style transfer［J］. IEEE Transactions on Multimedia， 2019， 21（9）： 2209-2222.

［130］SHI M， WEI Y K， CHEN L， et al. Learning a shared deformation space for efficient design-preserving garment transfer［J］. Graphical Models， 2021（115）： 101106.

［131］HEINONEN K， LIPKIN M. Ordinary customer experience： Conceptualization， characterization， and implications［J］. Psychology & Marketing， 2023， 40（9）： 1720-1736.

［132］葉倩琳， 王萬良， 王錚. 多目標粒子群優化算法及其應用研究綜述［J］. 浙江大學學報（工學版）， 2024， 58（6）： 1107-1120.

YE Q L， WANG W L， WANG Z. Survey of multi-objective particle swarm optimization algorithms and their applications［J］. Journal of Zhejiang University （Engineering Science）， 2024， 58（6）： 1107-1120.

［133］MIAO Y W， LI G Y， BAO C， et al. ClothingNet： Cross-domain clothing retrieval with feature fusion and quadruplet loss［J］. IEEE Access， 2020（8）： 142669-142679.

［134］李祥宇， 隋璘， 熊偉麗. 基于自注意力機制與卷積ONLSTM網絡的軟測量算法［J］. 智能系統學報， 2023， 18（5）： 957-965.

LI X Y， SUI L， XIONG W L. Soft sensor algorithm based on self-attention mechanism andconvolutional ONLSTM network［J］. CAAI Transactions on Intelligent Systems， 2023， 18（5）： 957-965.

［135］DANESHMAND M， ABELS A， ANBARJAFARI G. Real-time， automatic digi-tailor mannequin robot adjustment based on human body classification through supervised learning［J］. International Journal of Advanced Robotic Systems， 2017， 14（3）： 643-650.

［136］HASHMI M F， ASHISH B K K， KESKAR A G， et al. FashionFit： Analysis of mapping 3D pose and neural body fit for custom virtual try-on［J］. IEEE Access， 2020（8）： 91603-91615.

［137］GHODHBANI H， NEJI M， QAHTANI A M， et al. Dress-up： Deep neural framework for image-based human appearance transfer［J］. Multimedia Tools and Applications， 2022， 82（15）： 21-28.

［138］陸寅雯， 侯玨， 楊陽， 等. 基于姿態嵌入機制和多尺度注意力的單張著裝圖像視頻合成［J］. 紡織學報， 2024， 45（7）： 165-172.

LU Y W， HOU J， YANG Y， et al. Single dress image video synthesis based on pose embedding and multi-scale attention［J］. Journal of Textile Research， 2024， 45（7）： 165-172.

［139］張曉婷， 陸菁， 劉淵， 等. VR交互體驗中沉浸感與舒適度的平衡設計［J］. 包裝工程， 2021， 42（12）： 91-97.

ZHANG X T， LU J， LIU Y， et al. Balance design of immersion and comfort in virtual reality technology［J］. Packaging Engineering， 2021， 42（12）： 91-97.

［140］CHUN Y T， WANG C S， HE M K. A novel clothing attribute representation network-based self-attention mechanism［J］. IEEE Access， 2020（8）： 201762-201769.

［141］JO J， LEE S， LEE C， et al. Development of fashion product retrieval and recommendations model based on deep learning［J］. Electronics， 2020， 9（3）： 508.

［142］LEE C H， LIN C W. A two-phase fashion apparel detection method based on YOLOv4［J］. Applied Sciences， 2021， 11（9）： 3782.

［143］BAO C， ZHANG X D， CHEN J Z， et al. MMFL-net： Multi-scale and multi-granularity feature learning for cross-domain fashion retrieval［J］. Multimedia Tools and Applications， 2022， 82（24）： 37905-37937.

［144］JING P G， ZHANG J， NIE L Q， et al. Tripartite graph regularized latent low-rank representation for fashion compatibility prediction［J］. IEEE Transactions Multimedia， 2022（24）： 1277-1287.

［145］ALZU’BI A， YOUNIS L B， MADAIN A. An interactive attribute-preserving fashion recommendation with 3D image-based virtual try-on［J］. International Journal of Multimedia Information Retrieval， 2023， 12（2）： 1-15.

［146］WEI L， WANG X T， WANG T， et al. Recommendation systems for the metaverse［J］. Blockchains， 2023， 1（1）： 19-33.

［147］VURUSKAN A， INCE T， BULGUN E， et al. Intelligent fashion styling using genetic search and neural classification［J］. International Journal of Clothing Science and Technology， 2015， 27（2）： 283-301.

［148］ZHANG J J， ZENG X Y， DONG M， et al. Garment knowledge base development based on fuzzy technology for recommendation system［J］. Industria Textila， 2020， 71（5）： 421-426.

［149］YUAN Y， HUH J H. A case sudy analysis of clothing shopping mall for customer design participation service and development of customer editing user interface［J］. Mobile Information Systems， 2018， 2018： 19.

Progress in the application of artificial intelligence technology in the garment industryfrom the perspective of product life cycle

ZHANG Chi， WANG Xiangrong

HONG Yan^1，2， YUAN Lin1， LI Mengxue1， ZHANG Yawen1

（1.School of Textile and Garment Engineering， Soochow University， Suzhou 215021， China; 2.Department of Computer Science，The Hong Kong Polytechnic University， Hong Kong 9990771， China）

Abstract： The traditional garment industry is confronted with numerous challenges， including escalating labor costs， inadequate design innovation， and suboptimal supply chain management. These issues primarily arise from the labor-intensive characteristics of the garment sector and its significant reliance on human resources. As globalization continues to influence market dynamics， companies are increasingly pressured to maintain competitive pricing while ensuring high-quality products that meet consumer demands for sustainability and ethical production practices.

Artificial intelligence （AI）， a technology that emulates human cognitive functions and can substantially replace manual operations， has been extensively adopted in the apparel industry—particularly in enhancing efficiency across clothing design， production processes， sales strategies， and managing manufacturing costs. AI applications range from predictive analytics that forecast fashion trends based on consumer behavior data to automated cutting machines that optimize fabric usage during production. Furthermore， machine learning algorithms can analyze vast datasets to identify patterns in customer preferences or inventory levels， enabling businesses to make informed decisions regarding stock management.

Nevertheless， a comprehensive examination of AI’s application within the clothing domain remains lacking. While some studies have explored specific use cases of AI technologies such as computer vision for quality control or chatbots for customer service enhancement， there is still a gap in understanding how these innovations interconnect throughout various stages of product development.

Apparel product lifecycle management （PLM） serves as an integrated management solution that encompasses design， manufacturing processes， distribution channels， and sales strategies to assist companies in tracking and overseeing their apparel product lifecycle effectively. By integrating PLM systems with AI capabilities like real-time data analysis and automation tools， organizations can streamline workflows significantly—from initial concept development through final retail delivery.

Consequently， this paper aims to thoroughly investigate the specific applications of artificial intelligence at each stage of apparel product lifecycles through two lenses： application scenarios and algorithms; it will analyze both the current state and liqX1Lw2m/JCucPcTlLH6HeA==mitations of existing research with the intention of providing insights for scholars in related fields while fostering transformation and advancement within the garment industry to enhance its competitiveness. This exploration will not only highlight successful case studies but also address potential barriers such as technological adoption rates among small enterprises or concerns regarding data privacy when utilizing consumer information for algorithm training purposes.

Key words： product lifecycle management; clothing industry; artificial intelligence; supply chain; deep learning; marketing