服装智能制板中的结构特征参数模型设计

姚 好，谢 红

(上海工程技术大学 纺织服装学院，上海 201620)

随着人工智能技术的发展，智能制板技术逐渐成为近些年的研究热点。智能制板技术是人工智能技术与服装制板技术的结合，服装制板技术是智能制板技术智能化的基础，人工智能技术是一种用于延伸、拓展人的能力的技术，服装制板技术和人工智能技术的合理运用，可部分取代制板师在制板过程中的脑力和体力劳动[1]。常见的人工智能技术包括专家系统、机器学习等。其中专家系统是一个利用计算机建立的包含大量专家知识和经验的程序系统，可用来建立服装制板技术的专家知识库；机器学习是指通过计算机对专家知识和经验进行模拟学习的技术，该技术可用来建立人体特征参数或款式特征参数与结构特征参数的非线性关系。近20年来，智能制版技术主要围绕专家系统与机器学习展开，同时穿插三维转二维的方法，具体包括以下几种方法：①知识驱动的智能化设计方法，即通过建立专家知识库和数学逻辑推理等方法实现样板的自动生成[2-3]；②几何推理的智能化设计方法，即通过几何约束推理的方法实现样板的参数化绘制[4-5]；③神经网络的智能化设计方法，即通过神经网络实现某款式服装，净体与样板间的映射关系[6-7]；④三维转二维的方法，即通过力学、几何或力学-几何结合的展平技术将三维服装模型转换为二维样板[8]。在三维转二维的方法中很多学者采用三维人体扫描技术建立参数化人体模型，并在此基础上建立了可展平的三维服装模型的方法实现服装样板绘制[9-10]，其中知识驱动、几何推理和神经网络的智能化设计方法属于二维样板转三维成衣的范畴，知识驱动和几何推理的智能化设计方法多针对个别款式建立参数化绘制模型，存在拓展功能较差的问题；神经网络的智能化设计方法，因训练数据的获取困难多用于个别款式服装，其拓展性差；三维转二维的方法，类似于立裁，是目前一种较好的方法，但人体数据和服装数据的获得需要专业设备，不便实施，并且现在的展平技术误差较大，误差会随款式复杂程度的增加而增加，很难实现产业化。

综合以上各种方法的优缺点，本文从服装款式零部件入手建立零部件结构特征参数模型。以西装领为例，从二维服装款式图入手，获取服装款式特征参数作为BP神经网络算法的输入参数，将读取到的相应的结构特征参数作为BP神经网络算法的输出参数，建立款式特征参数与结构特征参数的映射关系。利用这种方法可以扩展更多的零部件模型，既将款式图与结构图直接建立联系，减轻了服装定制中样板师的工作量，又将消费者意愿与样板的制作间接建立了联系，省去中间的人工环节。

1 特征参数的确定

1.1 款式特征参数的确定

服装制板师常依据经验根据款式图绘制服装样板。目前，服装行业并没有款式图的绘制标准，现有的款式图绘制种类包括二维款式图和三维款式图[11]。二维款式图指将服装平铺后的垂直投影，是与服装样板轮廓存在一定比例的没有透视且完全平面的服装款式图，二维款式图更加注重服装款式的细节及尺寸比例的展示而忽视人体厚度的服装款式图，因此，二维款式图可以读取到更多确切的参数，常被用于生产工艺单中；三维款式图是体现人体厚度的具有立体效果的图，这类图可以更加直观的展示服装的着装效果，因此，三维款式图常被用于展示给客户或消费者[12-13]。本文目的是通过BP神经网络算法建立款式特征参数与结构特征参数的非线性关系，需要准确获取大量的款式特征参数，而二维款式图可以读取更多确切的款式特征参数，因此本文选用二维款式图获取款式特征参数。

二维款式图在投影过程中，部分线条会发生变形，有一部分线条轮廓会保留下来，本文需要的款式特征参数就是这部分保留下来的轮廓参数。西装领款式图见图1，由图1(a)可以看出，平驳领的款式特征参数为底领高n、直开领a、领缺口线角度θ、领前造型线角度α、串口线长度b、翻驳领领角长度d、翻领领角线长度c。这些参数都是在投影过程中不会发生变形的线条和角度。

图1 西装领款式图

在研究平驳领的款式特征参数时，由图1可以看出，戗驳领、青果领和平驳领有部分相同的参数，可以用这3种驳领相同的参数及差异参数组成西装领的款式特征参数，即利用一组款式特征参数作为BP神经网络算法的输入参数，通过不同的输出参数获取不同领型的结构特征参数。由图1(b)可以看出，戗驳领与平驳领的不同之处主要表现在驳领部分，即在驳领领角部分多了戗驳领角线直线g以及领角曲线，同时删除了翻驳领领角长度d。由图1(c)可以看出，青果领较平驳领在翻领和驳领部分都有变化，青果领没有平驳领中的领嘴部分，绘制起来更加简单。

由图1可以看出，参数位置与参数大小的变化都集中在领角、驳角处，因此，本文着重研究领嘴的参数比例关系。基于多年经验与审美习惯，有专家总结了领嘴处各特征值的尺寸配比：平驳领尺寸的配比关系为b>d>c≈n+1；戗驳领的尺寸的配比关系与平驳领在b、d、c、n处的关系相同，不同的部分是翻领领角长度c与戗驳领角线长度g的尺寸配比关系为n+1≈c：g=2∶1[14]。这里的尺寸的配比关系只是依据传统设计的审美做出的总结，在大众接受能力内，不考虑一些夸张、独特的造型。

基于服装工程专家对传统西装领的设计经验以及比例关系，本文确定了西装领款式特征参数(部分)见表1，平驳领的款式特征参数为n、a、b、c、d、α、θ、g(g=0 cm)；戗驳领款式特征参数为n、a、b、c、g、α、θ；青果领款式特征参数为n、a、b、d。这些参数随机排列组合生成BP神经网络算法的输入值。

1.2 结构特征参数的确定

为了获得准确的结构特征参数，本文以日本第7代衣身文化式原型为基础，根据相关参考资料[14-15]并结合款式特征参数，绘制了420款西装领结构图，用于获取结构特征参数。传统西装原型中西装领结构的绘制需借助许多辅助线，其会增加BP神经网络算法的输出参数，从而增加网络训练的负担。故本文仅选取西装领轮廓主要参数作为输出参数。西装领结构特征参数示意图见图2，已知部分款式特征参数n(A3A4)、c(A9A15)、a、b(A13A15)、d(A11A15)、θ、α、g(A9A10)，在平驳领、戗驳领中，如图2(a)所示，需要获得的结构特征参数有A3A2A14、A4A5、A5A7A8A9、A4A6A13、A14A13、A11A16A12(A10A11A12)。在青果领中，如图2(b)所示，需要获得的结构特征参数为A3A2A14、A4A5、A5A17、A17A11A12、A14A13、A4A6A13。

表1 西装领款式特征参数(部分)

图2 西装领结构特征参数示意图

如图2所示，本文对西装领的结构轮廓各点进行标注，便于结构图绘制以及参数的获得。为了获得上述相关参数，本文选择用建立直角坐标系的方法确定各点位置，获取各点参数。因为西装领中没有水平线或垂直线，因此采用相对坐标更容易确定各点位置。相对坐标是坐标原点随各个目标点的变化而变化的坐标表示方式。

西装领结构轮廓点位置的确定过程见表2，因为相对坐标原点在不断变化，为了方便确定其他点的位置，本文采用极坐标，即只需要确定2点之间的距离以及2点连线与水平线的夹角。为后续作图方便，本文角度均为对应2点连线与水平x轴的夹角。

表2 西装领结构图轮廓点位置的确定过程

如表2所示，结构特征参数具体的确定过程(部分)如下：①∠A1″与∠A1‴相等，均为22°，因为肩斜角度为22°；②A1A3为8.85 cm，8.85 cm为后领弧线长度，这里为了考虑更少变量，所以只考虑后领弧线长度为8.85 cm的西装领；③以A1为原点，量出∠A1′与A1A14的长度，确定A14位置；④A4A5为(n+1)cm，由款式特征参数可知A3A4为ncm，A4A5为翻领高，一般大于A3A4，这里为减少变量，默认A3A4为(n+1)cm，因此可以确定A5位置。⑤∠A6为60°，点A7、A8并不是西装领的轮廓点，是2个绘图的辅助点。因为在绘制过程中A5、A9并不能确定一条曲线，所以以A6为原点，沿x轴方向量取A6A8获取A8位置；以A6为原点，逆时针量取60°，并沿此方向量取A6A7获取A7位置。

图3 西装领结构图坐标角度

西装领结构图坐标角度见图3。由上述过程确定结构特征参数为：∠A1、∠A1′、A1A14、A6A7、A6A8、∠A14、A14A13，因为在编译软件中无法识别特殊符号，因此本文只用字母数字表示上述参数，即∠A1、∠A1′、A1A14、A6A7、A6A8、A14(∠A14)、A14A13，西装领结构特征参数(部分)见表3。最终确定了420组款式、结构特征参数，并随机选出55组参数作为测试数据，剩余365组参数作为训练数据。

表3 西装领结构特征参数(部分)

2 结构特征参数模型的建立

本文以Python编程语言开发的PyTorch深度学习框架为基础构建BP神经网络算法，该算法是反向传播算法，其能够学习和存储大量的输入-输出模式的映射关系，而无需事前揭示描述这种映射关系的数学方程。其学习规则是最速下降法，即通过反向传播来不断调整网络的权重值和阈值，使网络的误差平方和最小[16]。

2.1 BP神经网络算法

BP神经网络算法包括输入层、隐藏层、输出层，输入层与输出层的节点根据实际需要设定；隐藏层的节点设定是不确定的，需要通过固定公式[17]，如式(1)～(4)和神经网络训练专家的经验共同确定，隐藏层节点的设定关乎整个网络的预测精度，同时隐藏层的层数也对BP神经网络算法的预测精度有影响。通常优先考虑增加隐藏层节点而非层数，因为层数的过度增加会使网络结构更加复杂，训练时间增加。同时，BP神经网络算法中的一些参数：权重值、偏置、学习率也会对网络的学习能力产生影响，初始权重值、偏置一般设为随机数[18]。学习率根据网络精度和训练时间调整，范围一般在[0.001, 0.010]之间。另外，激活函数也会对网络的预测精度产生影响，该函数为BP神经网络算法引入非线性因素，并且把各层输出值控制在一定范围内。常用的激活函数包括:sigmoid、tanh、relu等，需根据具体问题确定。

(1)

y=log2i

(2)

(3)

y=2i+1

(4)

式中：i为输入层节点；o为输出层节点；γ为1～10的常数。

2.2 BP神经网络算法结构的设计

由第1节特征参数的确定可知，输入层节点为7个，输出层节点为7个。经多次测验确定隐藏层数为3，其节点分别为77、30、60。因此，神经网络结构为7×77×30×60×7。初始权重值为标准正态分布的随机数，初始偏置为0，隐藏层激活函数选择sigmoid函数，因为sigmoid函数在-2～2范围内收敛更快，输出值变化较大，因此权重值和偏置变化更大，并且在这个范围内，函数变化比较平稳，所以训练输出值会更加准确。依据神经网络训练专家的经验以及47次测验，最终确定迭代步数为10 000次，学习率为0.001。经过10 000次训练后，均方差误差达到0.000 019，网络训练(误差-迭代次数)见图4。

图4 网络训练(误差-迭代次数)

2.3 网络模型的验证

用55组测试数据对训练好的网络模型进行验证，将预测值与实际值作对比，预测值与期望值误差对比见图5。每一条线代表一组误差数据，纵轴代表相对误差值，横轴代表不同的结构特征参数。由图5可以看出，55组参数的相对误差都在-0.04%～0.04%之间，本文构建的BP神经网络预测模型精确度较高，将款式特征参数和预测结构特征参数输入到自动制板系统中，就可以快速准确地生成相应的西装领样板。

图5 预测值与期望值误差对比

3 结构特征参数模型的应用

智能制板是通过人工智能技术结合计算机图形学实现服装样板的自动绘制，而样板的绘制要基于结构特征参数，可以将该模型应用到智能制板系统的参数获取模块中，节省样板绘制时间。也可以将该模型应用到款式识别系统中，通过款式特征参数的识别获取款式特征参数，然后利用该模型获得结构特征参数并将参数传入样板的自动绘制系统中，实现完整的智能制板过程。

4 结束语

本文通过BP神经网络算法建立了西装领款式图与结构图之间的联系，实现了西装领的参数化设计，即根据款式特征参数获得与其映射的结构特征参数，然后根据款式特征参数与结构特征参数就可以得到相应的样板。这种方法既兼顾了消费者的意愿又实现了样板的快速生成，为智能制板提供一种新的研究思路，为快速的个性化定制提供了新的研究方向。但由于原始参数获取的复杂性，本文只研究了西装领，这种方法可以扩展到其他领型、衣身、衣袖、裤子、裙子等，进而实现多种服装款式的快速制板。