基于YOLOv8的女西裤板型弊病检测与修正

彭会齐, 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)

随着生活水平的提高,越来越多的消费者选择量体定制服装,国内也有部分服装企业在原有销售模式的基础上开设了连锁定制业务。由于人体体型的多样性,顾客在成衣试穿时,服装往往会出现紧绷、褶皱等板型弊病[1]。为提供良好的定制体验,改衣师需要现场找出问题并进行修正。但多数改衣师没有系统学过服装结构知识,仅凭个人经验主观判断,因此经常出现弊病修正不当甚至多次修改的现象。随着服装智能制造的发展,国内外不少学者对面料疵点自动检测开展研究[2-4]。在服装外观质量检测方面的研究,国内近些年也有所进展,如利用图像处理技术对男西装袖子着装效果进行弊病判别及分类[5];利用数字图像处理和模式识别技术对服装缝纫工艺疵点进行识别分类[6];利用深度学习对服装裁片缺陷进行自动检测[7],但国内外对服装板型弊病智能检测的研究尚少。

为协助改衣师在客户服装试穿现场快速准确找到其板型弊病,文中采用深度学习算法中的YOLOv8网络模型,收集4类常见女西裤板型弊病图像为数据样本进行实验,最终构建一套智能检测系统,可以对4种女西裤板型弊病进行位置和类别识别,并且提供合理修改方案。

1 女西裤常见板型弊病与修正方法

1.1 女西裤常见板型弊病特征与原因分析

女西裤是定制频率较高的服装品类之一,也是较易出现板型弊病的品类。如西裤裆部的合体度易受到腹臀厚、后落裆量、后裆弯形状、后起翘、臀围松量、前裆宽、前裆弯形状、归拔工艺等多个因素影响,使西裤裆部及周围出现板型弊病,且弊病原因难以识别。观察发现,不同类别女西裤弊病外观纹路各不相同,而同种女西裤弊病外观纹路的分布位置、指定方向相同或相近,且纹路长短、大小均呈现一定规律性,因此,选出4种常见的女西裤板型弊病,命名为HA,HB,HC,HD,并假设产生的原因:

HA：弊病是由前裆弯形状偏弯或前裆拔开量偏少引起;

HB：弊病是由腹臀围偏小引起;

HC：弊病是由腹臀宽偏小引起;

HD：弊病是由于后裆宽偏大和大腿围内侧缝明显偏长引起。

4种女西裤板型弊病问题如图1所示。由图1(a)可知,HA有围绕前裆弯与大腿根周围的发散型褶皱,人体穿着时前裆弯长度、臀围松度合适,无紧绷感,排除前裆弯过长或臀围偏小原因。由于HA弊病围绕前裆弯产生,并未受到四周其他量的牵扯,因此假设HA弊病是前裆弯形状偏弯或前裆拔开量偏小导致前裆容量不足引起的。图1(b)中,HB弊病为前裆猫须明显,猫须形态较细较长,人体穿着时前裆弯长度合适,但臀腹部有紧绷感且猫须纹路指向臀腹部位的侧缝位置,因此假设HB弊病是由腹臀围偏小引起。图1(c)中,HC为夹裆问题,在人体的臀凸下方形成几条斜向纹路,纹路上端指向坐骨,下端指向大腿内侧,臀围松量合适,但后裆部紧绷,坐蹲时紧绷感更加强烈,推测其产生原因是腹臀宽偏小导致裆部拉力过大[8],因此假设HC弊病是腹臀宽偏小导致。图1(d)中,HD弊病为裆下大腿内侧有堆量,人体穿着时,臀围松量、后裆弯长度、膝围处西裤与人体的间隙度均是合体状态,但裆下大腿围内侧与人体的间隙偏大且裤子大腿围内侧有堆量,裤内侧缝明显偏长,因此假设HD弊病是后裆宽偏大和大腿围内侧缝明显偏长引起的。

图1 4种女西裤板型弊病问题

展平后的原始裤片如图2所示。图2是基于人体剥离法获取展平后的原始裤片,虽然原始裤片与常规裤片形态具有一定差异,却反映了缝制合体裤装的客观要求[9],前后裆弯处的重叠量需要进行拔开以提高裆部容量[10],因此针对HA弊病,可在前裆弯处适度拔开进行改善。

注:“+”为该部位展平后重叠程度,即拔开量;“-”为该部位展平后的豁开程度,即归拢量。

1.2 弊病原因与修正方法验证

1.2.1HA验证实验 利用白坯布经平面与立裁相结合方式制作出具有HA板型弊病的裤子,具体如图3所示。

图3 假设HA验证过程

按照假设HA的猜想,先检查纸样的前裆弯,发现前裆弯形状偏弯,经多次调试减小前裆弯弧度,前裆堆量现象得到改善;再使用熨斗将前裆弯适量拔开,增加前裆部容量,最终消除前裆处的堆量,因此,HA假设成立。HA堆量是由前裆弯形状偏弯或前裆拔开量偏少引起,可以通过改小前裆弯弧度以及拔开前裆弯来缓解或消除该弊病。

1.2.2HB验证实验 利用白坯布经平面与立裁相结合方式制作出具有HB板型弊病的裤子,具体如图4所示。按照假设HB的猜想,将前后片臀腹围进行不同程度的加大,经多次调试最终消除前裆处猫须,因此,假设HB成立。HB女西裤弊病是由臀腹围偏小引起,可以通过加大臀腹围来缓解或消除。

图4 假设HB验证过程

1.2.3HC验证实验 利用白坯布经平面与立裁相结合方式制作出具有HC板型弊病的裤子,具体如图5所示。

图5 假设HC验证过程

模拟出具有HC弊病的女裤,并按照假设HC的猜想,将臀腹宽进行不同程度的加大,经多次调试最终消除裤后裆与大腿根处产生的斜向纹路,因此,假设HC成立。HC弊病是由裤子臀腹宽偏小引起,可以通过加大臀腹宽来消除。

1.2.4HD验证实验 利用白坯布经平面与立裁相结合方式制作出具有HD板型弊病的裤子,具体如图6所示。按照假设HD的猜想,减小后裆宽后,线段ac短于线段bc,经多次调试最终消除后大腿根的斜向纹路,因此,假设HD成立。HD弊病是由于女裤后裆宽偏宽和内侧缝明显偏长引起,可以通过减小后裆宽和裤内侧缝长来缓解或消除。

图6 假设HD验证过程

2 弊病检测模型与评估指标

2.1 YOLOv8弊病模型网络结构

YOLO模型将物体检测统一作为回归问题求解,检测网络相较简单,因其检测速率可达45 Hz,被广泛应用在实时检测领域。YOLOv8算法是Ultralytics公司推出的YOLO最新系列,其提供了一个全新的SOTA模型,并基于缩放系数提供了N/S/M/L/X不同尺度的模型,满足了不同部署平台和应用场景的需求[11-12]。YOLOv8网络由输入端、Backbone、Neck、Head 4部分组成,具体模型结构如图7所示。

图7 YOLOv8 网络模型结构

Backbone部分借鉴了CSP模块思想,并将YOLOv5中的C3模块替换成了C2f模块,进一步实现了轻量化,同时沿用YOLOv5中的SPPF模块,对不同尺度的模型进行精心微调,大幅提升了模型性能。Neck负责对特征图进行多尺度特征融合,并把这些特征传递给预测层。Neck中也采用C2f结构,由于C2f结构有很多残差连接,所以YOLOv8的梯度流比较丰富。YOLOv8网络通过设置推理参数Resize,将输入端的板型弊病图片统一调整成640×640像素,通过Backbone网络提取图像特征后,将网络的第4,6以及第9层的输出特征图作为Neck网络的输入特征图。YOLOv8的Neck采用了PANet结构,Layer4、Layer6、Layer9作为PANnet结构的输入端,经过上采样,通道融合,最终将PANet的3个输出分支送入Detect head进行损失函数计算或结果解算。Head网络是YOLO模型中的最后一部分,负责根据Neck网络提供的特征进行最终的回归预测,YOLOv8选择了目前主流的解耦头结构(Decoupled-Head),将分类和检测头分离,同时也从Anchor-Based变换为Anchor-Free[13-14]。

2.2 弊病检测评价指标

(1)

式中:P为模型预测为正样本中真正为正样本的比例;TP为算法预测正确的个数(预测为正例,实际为正例);FP为算法预测错误的个数(预测为正例,实际为负例)。

(2)

式中:R值用来评估模型正确检测出的正样本占所有正样本的比例;FN为算法预测错误的个数(预测为负例,实际为正例)。

(3)

3 实验过程

3.1 数据收集

文中4种常见女西裤板型弊病的纹路形状、分布位置均呈现一定规律,其密集程度、长度等特征形态会随弊病的严重程度而不同。因此,每种弊病收集10张经典图像作为实验数据,并代表不同程度的弊病。数据增强是一种通过有限数据产生更多等价数据,用于扩展数据集的技术。常用的数据扩增方法有灰度处理、比例放缩、翻转、平移、镜像等。针对女西裤图像上有面料颜色、纹理、光线明暗的变化,使用数据增强技术对收集到的40张图像进行灰度处理,以真实反映出目标形态特征,提高算法的泛化能力和检测准确率[17]。由于无法从收集到的弊病图像中辨别出穿着者的体型特征,因此,文中利用CLO3D软件虚拟建模,依据国家号型标准中Y,A,B,C 4类体型人体净尺寸[18],编辑原始虚拟模特各关键部位尺寸,获取16种体型的虚拟模特,具体如图8所示。每种等级的西裤板型弊病都会依据这16种体型对弊病区域进行横向或纵向放缩,从而得到不同体型人群穿着这4种板型弊病女西裤的图像,实现图像在尺寸方面的扩增。人体因生活习惯、站姿的不同会导致西裤产生的弊病形态不对称,因此最后再对每张图像进行镜像对称,以消除此类问题。数据扩增过程如图9所示。将40张形态各异的女西裤版型弊病图像经过灰度处理、比例放缩、镜像对称处理后,总样本集被扩增至2 560张。弊病图像均为正视角度,且图像中的试穿者保持自然站姿。

注:我国成年女子以人体净胸围与净腰围的差数为依据划分体型,分为Y,A,B,C 4类。

图9 数据扩增过程演示

3.2 数据集预处理

4种板型弊病图像采集后,裁剪掉与目标图像不相关的干扰因素,以提高识别效果,并保留图像背景多样性,从而增加模型在多场景识别中的适用性。YOLOv8模型训练是一个监督学习的过程,因此模型训练前,需要对训练集图像进行标注。本次文中使用LabelImg标注工具,用LabelImg打开训练集图像文件夹,使用界面中的Creat RecBox按钮将弊病所在区域进行框选,然后弹出类别选择框,如果是当前已有类别则直接选择,若需要新加类别则在输入框中输入类别标签。

3.3 模型训练

3.3.1模型训练参数 使用YOLOv8深度学习模型,选择PyTorch作为深度学习框架,实验数据集包含4种女西裤板型弊病的2 560张图像,按9∶1比例划分实验训练集和测试集,具体见表1。实验所用计算机操作系统为Windows11 64位,处理器型号为i7-11800H,显卡型号为NVIDIA GeForce RTX 3060 Laptop。数据集图像分辨率均为640×640。训练过程中每批次图像数量为16张,模型在数据集中循环训练200次。

表1 各类板型弊病样本数量

图10 可视化训练结果

4 模型测试与结果分析

表2 部分测试结果

图11 P-R图

5 结语

文中以女西裤常见的4种板型弊病为例,通过数据集选取与扩增、数据集训练和测试,证明了YOLOv8算法在服装板型弊病检测方面具有较高的可行性。并结合弊病修正实验,检验了系统在检测女西裤弊病时产生的原因及提出修正方案方面的准确性。最后在图形用户界面成功展示检测目标的弊病类别、弊病位置和修正方案,实现了女西裤板型弊病检测与修正系统的构建。数据集扩增中的尺寸扩增,是依据国家号型标准中的16种体型比例对弊病区域进行放缩,有效扩充了样本数量。虽然进行放缩后的弊病图像与真实弊病形态有所差异,会导致该系统在识别真实弊病形态图像中检测准确率有所下降,但拥有完善数据资源库的服装企业,会提供大量的图像作为数据样本,重新训练后,不会影响检测效果。

该研究只是对女西裤板型弊病提出了定向的修改方案,不能根据弊病的严重程度给出定量修正方案,且实验数据集中板型弊病均由单一原因引起的,对于多种问题引起的弊病并未涉及,因此后续研究重点是弊病修正的定量研究与多原因(板型、材料、工艺)女裤弊病的检测识别。