基于深度学习的服装丝缕平衡性评价系统

许 倩， 陈敏之,2

(1. 浙江理工大学 服装学院， 浙江 杭州 310018； 2. 浙江理工大学 国际教育学院， 浙江 杭州 310018)

丝缕平衡是体现服装最终效果与构成服装版型的关键[1]。依靠丝缕平衡来控制服装结构的平衡是立体裁剪的基础。只有将面料纵横丝缕与人体模型上的纵横基准线对应，才能使制作的服装在穿着时保持挺括与不变型。

在服装产品试样的过程中，丝缕平衡是评价服装整体合体度和平整度的重要考量因素。由于服装穿着在人体上处于立体的状态，需要通过试样师或样版师的经验来对多部位进行综合的观察和审视，判断服装是否平整合体。这种评价方式的主观性强，并且费时费力。在数字化服装量身定制发展的今天，个性化、智能化的设计和制造成为发展趋势，虚拟服装样板制作和试装已成为可能，虽然国内外人们在虚拟服装试样[2-3]上已做了一定的研究，但主要集中在对虚拟服装设计、搭配、动静态的展示和松量[4-5]的检验上，而对虚拟制造成衣综合的平衡效果还未实现自动评价，这一定程度上制约了数字化服装设计在产业中的应用。

在智能化生活的大环境下，利用深度学习在图像识别上可对图像自动提取特征，利用权值共享提高训练效率，进一步提高识别率的优越性[6-8]。本文引入深度学习的方法，提出一种基于丝缕状态的虚拟试装的评价模型，从而建立可实现对服装各关键部位丝缕平衡性自动评价系统,为服装的智能设计与制造提供理论和技术参考。

1 深度学习模型构建

1.1 卷积神经网络模型构造原理

深度学习的概念源于人工神经网络的研究，其中卷积神经网络[9-10]是目前研究和应用都比较广泛的一种深度学习结构，是一种特殊的图像识别方式，属于带有前向反馈的网络。卷积神经网络含有特征学习部分，可模仿人脑对图像信号的提取、处理和识别，从而进行智能分类。

本文所设计的卷积神经网络模型，期望模拟试样师对服装成衣特征部位的丝缕平衡效果观察与评价，通过输入服装关键部位的丝缕效果图片，系统实现对图片特征的自动提取、对丝缕线的自动识别，并完成对丝缕顺直效果的智能评判，其过程为：输入服装关键部位丝缕效果图片→对服装丝缕效果图进行特征提取→丝缕顺直效果的智能评判→输出丝缕平衡等级。

1.2 卷积神经网络模型搭建

本文设计的丝缕平衡性评价卷积神经网络模型参照了Alexnet[11]模型构造，主要包括输入层、卷积层、池化层、全连接层和输出层，网络的每一层都由1个或多个二维平面构成，每个平面由多个独立的神经元构成。网络模型训练的结构如图1所示。

图1 服装丝缕平衡性评价的卷积神经网络结构

1.2.1 输入层

输入层直接接收输入数据，通过处理图像信息，使神经元的值与图像相应像素点上的灰度值对应。卷积神经网络输入的是一个多通道图像。图像的原始输入是像素，像素组成线条，多个线条组成纹理，最后形成图案，局部图案集合成物体。

本文中输入层采用的是Alexnet 227*227*3的图片输入格式来采集特征部位的服装丝缕效果。

1.2.2 卷积层与池化层

卷积层也称为特征提取层，是卷积神经网络的核心。卷积是图像处理中常用的线性滤波方法，以实现图像降噪、图像锐化等，这种运算是通过卷积核实现的。卷积核是指使用一个权值矩阵表示单个像素与其邻域像素之间的关系。每一个卷积核都是一个特征提取器，对应生成一副新的特征图，卷积层的运算直接影响到神经网络的分类结果。

卷积运算是让卷积核沿着输入图片的坐标横向或纵向滑动，与相对应的数据进行卷积运算，随着卷积核的滑动，可以得到一个新的二维特征激活图，激活图的值为卷积核在输入图片不同空间位置的响应。输出图片尺寸可以通过下式[12]得出。

式中：y为输出图片尺寸；x为输入图片尺寸；k为卷积核尺寸；s为步长；其中y、x、k、s的单位均为像素。

池化层也称为特征映射层，通过减少卷积层之间神经元的数量来提高计算效率。池化的目的是通过空间变换来减少特征映射输入数据的大小，通常是在2个卷积层之间增加1个池化层。池化操作[13]的计算过程为：

池化层的特征映射与相连接的特征映射保持一致，因此，他们有相同的特征映射数量。

本文采用Alexnet模型，有5层卷积层，其中穿插了3层池化层，池化层采用最大池化法来进行神经元压缩，提高运算效率。各层网络参数如表1所示。

表1 各层网络参数

1.2.3 输出层

卷积神经网络输出层包含3层全连接层，最终通过Softmax分类器分类输出结果。

全连接层是指神经网络一层中的所有神经元和前一层的每个神经元都有连接，在卷积神经网络上一般位于分类器的前端，其作用是将学习到的“分布式特征表示”映射到样本标记空间，实现分类的显式表达。本文采用全连接层的具体参数如表2所示。

表2 全连接层网络参数

Softmax分类器用于输出归一化的分类概率。本文将丝缕平衡的分类结果分为4类，即丝缕平衡的4个等级，定义如表3所示。Softmax分类器得出1个长度为4的向量。每一行的数值代表属于一个丝缕平衡等级的概率值，且4类概率值总和为1，最后输出最大概率值所代表的等级值。

表3 服装丝缕平衡等级参考表

1.3 卷积神经网络模型训练与测试

网络训练样本的输入样本来源于服装4类丝缕平衡效果的拍摄实验。在实验中，具有明显丝缕标识线的服装被穿于人台上，呈现出不同的丝缕平衡效果。在设置水平基准线的参照下，对各局部拍摄照片(尺寸为256像素×256像素)，然后对输入图像进行裁剪，得到卷积神经网络的输入尺寸为227像素×227像素。

网络训练样本的输出样本来源于专家主观评价实验。通过5位专业人士对拍摄实验的样本进行等级评定(平衡等级见表3)，将评价结果统计后，每份样本的最终等级取5个评价结果的众数。经过筛选最终得到360组输入样本，每个等级的样本均为90组。

本文通过在Ubuntu系统上搭建快速机器学习环境的Torch7来完成对卷积神经网络模型的训练，得到服装丝缕平衡性评价模型，训练结果总体准确率为93.589%，具体数据如表4所示。

表4 服装丝缕平衡性评价的卷积神经网络模型学习训练结果

作为对服装丝缕平衡评价卷积神经网络模型的测试，本文模拟实际的拍摄实验，通过虚拟试装，获得在虚拟环境下服装各特征部位的丝缕图片样本，并结合专家主观评价实验，共得到100组测试样本，每个等级的样本均为25组。对服装丝缕平衡性评价的卷积神经网络测试结果如表5所示。

表5 服装丝缕平衡性评价的卷积神经网络模型测试结果

从表5可以看出，虚拟试验样本平均测试准确度达到80%，且对不平衡的识别准确度较高，适合于对服装平衡问题发现与提醒。

2 服装丝缕平衡性评价系统的构建

为了使服装丝缕平衡性评价的卷积神经网络模型适合应用于实际，构建服装丝缕平衡性评价系统。系统可对基于Vidya软件缝制的虚拟样衣进行各部位丝缕平衡效果的评价。

实验随机选取了一名男性青年，高172 cm，体重68 kg。通过三维扫描仪对其扫描，获得的人体数据如表6所示。在虚拟试衣Vidya软件内制版假缝1件合体男西服。系统自动呈现丝缕线的走向，运用服装丝缕平衡性评价模型对服装10个关键部位进行评价，系统可对各部位平衡度设定阈值，如前中部位基本上无特殊设计，对丝缕顺直要求高，需达到平衡结果才显示“ok”，反之如腋下受胸省等因素的影响，丝缕顺直度达到较不平衡以上即可显示“ok”。服装丝缕平衡性评价系统对验证用虚拟服装的评价结果如图2所示。

表6 三维扫描得到的人体净尺寸

图2 判别服装丝缕平衡性的10个关键部位和服装丝缕平衡性评价结果示意图

3 结束语

本文针对服装丝缕平衡性的自动评价，利用深度学习在图像识别上的优越性，基于Alexnet模型，构建了服装丝缕平衡性评价的卷积神经网络模型。设定了输入层、卷积层、池化层、全连接层、输出层的网络结构。实现了基于服装局部丝缕效果图平衡等级仿真评价，网络模型训练准确率达到93.589%。针对服装丝缕平衡评价卷积神经网络模型的测试，虚拟试验样本平均测试准确度达到80.00%。进而设计开发了服装丝缕平衡评价系统，用于虚拟环境下服装各部位的丝缕平衡等级的自动评价。

在虚拟全球与现实全球相融合的工业4.0时代，智能服装更适应时代的快节奏发展，提供更加舒适便利的生活服务，并且具有良好的市场发展前景。服装丝缕平衡评价系统的使用提高了虚拟环境下服装丝缕平衡性的检测效率、缩短检测时间，为虚拟试装的综合效果评价奠定基础，从而简化个性化服装试装的流程，提高虚拟试装的运用成效和服装的生产效率，使个性化定制服装的批量化生产成为可能。