基于卷积神经网络的针织材质服装接触舒适性评估方法

侯 霞

(黎明职业大学 新材料与鞋服工程学院,福建 泉州 362000)

随着生活水平的提升与生活理念的转变,人们对服装舒适性提出了更高的要求。国内学者针对针织材质服装接触舒适性评估展开了一系列研究[1],如孙岑文捷等[2]在人工气候舱中进行人体着装试验,分析皮肤温度及衣下湿度等生理指标对舒适性的影响,袁围围等[3]选择多种不同材料展开性能测试,引入因子分析方法完成服装面料舒适性评估。上述两种方法在实际应用过程中会产生比较高昂的费用,同时还会受到环境等多方面因素的影响,所以评估结果的准确性会受到一定限制。鉴于此,本研究提出了一种基于卷积神经网络的针织材质服装接触舒适性评估方法。

1 研究方法

1.1 基于卷积神经网络的针织材质服装接触舒适性评估指标挖掘

与传统机器学习相比,深度学习的操作过程更加简单,用户只需要输入原始数据即可,故更加适用于分析深层次及结构复杂的数据,以下主要通过卷积神经网络获取接触舒适性评估指标的特征数据,同时组建拓扑结构和结构坚强性的关联。卷积神经网络以卷积运算为核心计算方法,其基本组成结构如图1所示。

图1 卷积神经网络的基本组成结构Fig.1 Basic composition and structure of convolutional neural network

在卷积神经网络的结构中,通过输入层输入全部针织材质服装的接触舒适性评估数据[4-5],通过卷积运算对输入数据的特征展开提取和过滤,计算公式如下:

(1)

在池化层中,为确保后续接触舒适性评估顺利进行[6-7],对挖掘到的全部数据特征展开降维处理,计算公式如下:

(2)

式中:Gxyz为数据特征降维处理结果;M为池化块总数;Nspp为池化窗尺寸;down表示向下取整。

全连接层需要将特征矩阵转换为向量,同时调整对应的维数,使其能够和样本标签之间展开对比分析。

1.2 针织材质服装接触舒适性评估方法

针织材质服装对人体的压力是影响人体舒适性的主要因素,主要表现在人体防护及运动效率等多个方面。采用文献[8]和文献[9]的方法对针织材质服装的压力舒适性展开研究,不同类型服装舒适压力参考值如表1所示。

表1 不同类型服装舒适压力参考值Tab.1 Pressure rence values of different types of clothing

服装类型不同,人们对服装舒适压力的要求也存在比较明显的不同。另外,由于所在环境及穿着者状态不同,人体所承受的压力也不同。针对不同类型着装的受力情况,假如超过设定范围,会对服装的运动机能产生影响,同时穿着者的活动范围也会受到一定程度的影响,甚至还会损害健康。所以,针织材质服装的舒适压力超过设定范围时,便无法满足人体生理需求。选择接触舒适性更好的服装[10-11],穿着者才能获取更好的体验。

分析针织材质服装接触舒适性的内涵及相关影响因素可知,穿着者的心理及身体感受来源于主观过程,受到服装自身属性及穿着者心理因素等多方面影响,而服装舒适压力值则是影响舒适性的客观因素,所以评估过程中需要将主、客观评价方法有效结合。

服装不仅会使人体产生触觉感知,还会产生感觉刺激,为人体各个系统提供对应的信号。人体各个系统接收到对应的刺激信号后,会形成神经生理脉冲,将其传输至大脑,大脑接收到信号后展开人体调节。图2给出了针织材质服装接触舒适感知形成过程[12-13]。

图2 针织材质服装接触舒适感知形成过程Fig.2 Formation process of contact comfort perception of knitted clothing by contact pressure method

结合上述分析,采用心理学中的数量估计法将变量转换为相关矩阵中的不同因子,对针织材质服装的性能指标展开降维处理,可以更加准确地反映针织材质服装的性能。对面料展开因子分析之前,需要优先考察不同指标之间的相关性,如指标之间不具有相关性,则无法完成相关因子的提取,同时也将失去因子分析的意义。因子分析主要运用降维相关理论,可以将多个存在关联的指标经过转换形成少数无关联的综合指标。

设定原始变量矩阵为X、因子分析矩阵为Z,对应的表达式如下:

(3)

(4)

式中:m为样本数;n为多因子中影响因素的总数。

各个因子和原始变量之间的关系如下:

X=BZ+E,

(5)

式中:B为负荷矩阵系数;E为残差向量。负荷矩阵系数B及残差向量E可以表示为以下形式:

(6)

在正交模型中,各个因子之间不存在任何关联。当残差产生的影响较小时,可以忽略不计,对应的数学模型可以表示为以下形式:

X=BZ。

(7)

假设Z中的各个分量不存在任何关联,则需要采用特殊的方式分析不同的因子,同时获取对应主因子分析的数学模型:

Z=AX。

(8)

式(8)中的A代表主因子变换矩阵,对应的表达形式如下:

(9)

通过上述分析,获取触压舒适性和穿着感觉之间的相关系数如下:

(10)

利用相关系数构建针织材质服装接触舒适性评估体系[14-15]:

Pxyz=R/a(XZ)mn,

(11)

式中:Pxyz为针织材质服装接触舒适性评估结果;a为相关程度。

2 仿真实验

实验采用问卷调查法,将针织材质服装作为研究对象,针织材质服装的使用情况作为调查内容,消费者的舒适性、消费行为及审美偏好等作为主要设计要素,具体如表2所示。

表2 问卷要素Tab.2 Questionnaire elements

为确保问卷调查数据的可靠性,需要对全部问卷数据展开详细的调查与分析,同时将无价值的数据删除,进而获取有效数据。问卷发放和回收情况如表3所示。

表3 问卷发放和回收情况Tab.3 Distribution and recovery of questionnaires

结合上述问卷调查的结果,选取如图3所示的材料试验机展开仿真实验。图4给出了3种不同方法的针织材质服装接触舒适性评估准确率对比。

图3 材料试验机Fig.3 Material testing machine

图4 针织材质服装接触舒适性评估准确率对比Fig.4 Comparison of the accuracy of the contact comfort evaluation results of different methods of contact pressure

分析图4可知,针对不同评估对象,采用不同方法获取的评估结果存在明显差异。与文献[2]和文献[3]的方法相比,采用本方法得到的评估结果准确率更高。

为进一步验证本方法的优越性,测试3种不同方法的评估时间,结果如表4所示。

表4 针织材质服装接触舒适性评估时间对比Tab.4 Comparison of contact comfort evaluation time of different methods for knitted fabrics

由表4可知,各方法的评估时间明显不同。用3种评估方法对不同编号的服装进行测试,本方法的评估时间明显较少,说明本方法可以更快地完成针织材质服装接触舒适性评估。

3 结语

针对传统评估方法评估时间较长及准确率较低等问题,提出了一种基于卷积神经网络的针织材质服装接触舒适性评估方法。在已有方法基础上,引入卷积神经网络提取评估数据的特征,可以有效获取更加准确的评估结果,同时还能减少评估时间。