王竹君,邢英梅
(安徽工程大學(xué) 紡織服裝學(xué)院,安徽 蕪湖 241000)
為服裝制板人員特別是缺乏服裝制板經(jīng)驗(yàn)的工作人員提供操作簡(jiǎn)易、直觀化的以人工智能、智能控制等理論為指導(dǎo)的制板系統(tǒng),是目前研究服裝制板系統(tǒng)的熱點(diǎn)[1-2].在服裝智能化制板系統(tǒng)的研發(fā)方面,國(guó)內(nèi)外公司均取得了一定的進(jìn)展,如Gerber公司的AG-CUMARK系統(tǒng)、GC-CUMARK系統(tǒng)和法國(guó)Lectra公司的MODARIS FITNET量身打版系統(tǒng)均能在某種程度上實(shí)現(xiàn)服裝樣板的自動(dòng)生成.但是,這些系統(tǒng)均依賴操作者的手工輸入和參數(shù)設(shè)定[3],對(duì)制板人員經(jīng)驗(yàn)的要求較高,容易影響服裝樣板的質(zhì)量.近年來(lái),隨著三維人體掃描技術(shù)的出現(xiàn),很多科研人員開(kāi)始探索直接由三維人體數(shù)據(jù)自動(dòng)生成二維服裝樣板的技術(shù),但尚未取得理想的進(jìn)展.
以男西服兩片袖樣板設(shè)計(jì)為例,首先利用三維人體掃描儀采集與之相關(guān)的人體數(shù)據(jù),構(gòu)建男西服兩片袖結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)模型,通過(guò)訓(xùn)練與仿真預(yù)測(cè)實(shí)現(xiàn)兩片袖樣板設(shè)計(jì)所需制圖尺寸的計(jì)算機(jī)自動(dòng)生成.
BP神經(jīng)網(wǎng)絡(luò)是利用非線性可微分函數(shù)進(jìn)行權(quán)值訓(xùn)練的多層網(wǎng)絡(luò),包含了神經(jīng)網(wǎng)絡(luò)理論中最為精華的部分,它結(jié)構(gòu)簡(jiǎn)單、可塑性強(qiáng),故成為紡織服裝領(lǐng)域應(yīng)用最廣泛的一種模型[4-5].BP神經(jīng)網(wǎng)絡(luò)具有3層或3層以上神經(jīng)元的前向型網(wǎng)絡(luò)結(jié)構(gòu),除了有輸入層和輸出層之外,還有一個(gè)或多個(gè)隱層,同層神經(jīng)元之間無(wú)任何連接,而層與層之間的神經(jīng)元實(shí)現(xiàn)全連接,如圖1所示.
圖1 BP神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)
BP神經(jīng)網(wǎng)絡(luò)采用的是一種典型的有監(jiān)督式的誤差修正學(xué)習(xí)算法,其主要思想是輸入學(xué)習(xí)樣本、使用反向傳播算法對(duì)網(wǎng)絡(luò)的權(quán)值和偏差反復(fù)進(jìn)行調(diào)整訓(xùn)練,使輸出向量與期望向量盡可能接近.當(dāng)網(wǎng)絡(luò)輸出層的誤差平方和小于指定的誤差時(shí)訓(xùn)練完成,保存網(wǎng)絡(luò)的權(quán)值和偏差.
若BP神經(jīng)網(wǎng)絡(luò)每一層有N個(gè)處理單元,激勵(lì)函數(shù)選用非線性的連續(xù)Sigmoid型函數(shù),即f(x)=1/(1+e-x),訓(xùn)練樣本集包含M個(gè)訓(xùn)練樣本(xk,yk),對(duì)第p個(gè)訓(xùn)練樣本(p=1,2,3,…,M),第j個(gè)處理單元輸入總和為netpj,輸出為opj,則
(1)
如果網(wǎng)絡(luò)的初始權(quán)值設(shè)置為隨機(jī)值,那么對(duì)每個(gè)訓(xùn)練樣本P,網(wǎng)絡(luò)輸出與期望輸出(dpj)的誤差為
(2)
在BP神經(jīng)網(wǎng)絡(luò)中,輸出層單元與隱層單元的誤差計(jì)算是不同的,最終權(quán)值的修正公式可表示為
wji(t+1)=wji(t)+ηδpjopj,
(3)
式中,η指的是學(xué)習(xí)速率,引入它是為了加快網(wǎng)絡(luò)的收斂速度.
對(duì)于輸出層單元,
δpj=f′(netpj)(dpj-opj).
(4)
對(duì)于隱層單元,
(5)
BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程,通常首先要初始化網(wǎng)絡(luò),設(shè)置初始權(quán)值、學(xué)習(xí)速率等;而后,輸入樣本訓(xùn)練網(wǎng)絡(luò),直到滿足學(xué)習(xí)要求.學(xué)習(xí)過(guò)程包含著前向傳播和反向傳播兩個(gè)過(guò)程:在前向傳播過(guò)程中,對(duì)每個(gè)輸入的樣本計(jì)算網(wǎng)絡(luò)輸出與期望輸出的誤差,若不符學(xué)習(xí)要求,則執(zhí)行反向傳播過(guò)程;在反向傳播過(guò)程中,根據(jù)式(3)、式(4)和(5)修正權(quán)值后回到前向傳播的過(guò)程中繼續(xù)訓(xùn)練,如此反復(fù),直到網(wǎng)絡(luò)達(dá)到穩(wěn)定狀態(tài),學(xué)習(xí)過(guò)程結(jié)束.
由于Matlab語(yǔ)言與其他編程語(yǔ)言相比,具有語(yǔ)法語(yǔ)句簡(jiǎn)單、編程效率高、擴(kuò)充能力強(qiáng)、矩陣和數(shù)組運(yùn)算方便、便于繪圖和用戶使用等優(yōu)點(diǎn),本研究采用Matlab軟件中的神經(jīng)網(wǎng)絡(luò)工具箱構(gòu)建西服袖的BP神經(jīng)網(wǎng)絡(luò)模型.
根據(jù)本研究及西服袖服裝樣板設(shè)計(jì)的實(shí)際,將成年男性三維人體數(shù)據(jù)采集所得的身高、胸圍、胸寬、背寬、臂根圍、上臂圍這6個(gè)指標(biāo)作為輸入神經(jīng)元.同樣,取窿門寬、前袖窿深、后袖窿深、前窿結(jié)、后窿結(jié)、袖山高、袖寬、袖長(zhǎng)、袖肘長(zhǎng)、袖口大這10個(gè)指標(biāo)作為輸出神經(jīng)元.
選取少量的樣本,在輸入與輸出神經(jīng)元數(shù)、精度、最大迭代步數(shù)等條件相同的條件下,設(shè)定隱層神經(jīng)元數(shù)分別為11,12,13,14時(shí),對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,訓(xùn)練的誤差曲線如圖2所示.
圖2 網(wǎng)絡(luò)訓(xùn)練誤差曲線圖
從訓(xùn)練精度的角度觀察圖2可知,4種結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)最終訓(xùn)練的誤差均未達(dá)到10-6,14個(gè)隱層神經(jīng)元的網(wǎng)絡(luò)誤差最大,12個(gè)隱層神經(jīng)元的網(wǎng)絡(luò)誤差最小,約為1.37×10-6.而從訓(xùn)練的步數(shù)來(lái)看,11個(gè)隱層神經(jīng)元的訓(xùn)練步數(shù)為12 131步,是4個(gè)網(wǎng)絡(luò)中最小的,14個(gè)隱層神經(jīng)元的訓(xùn)練步數(shù)最大,達(dá)到了21 283步.從訓(xùn)練精度和訓(xùn)練步數(shù)兩個(gè)方面綜合分析,14個(gè)隱層神經(jīng)元的神經(jīng)網(wǎng)絡(luò)性能是4個(gè)中最差的,13個(gè)隱層神經(jīng)元性能一般,而11個(gè)隱層神經(jīng)元的網(wǎng)絡(luò)盡管訓(xùn)練步數(shù)最小,但精度卻不及12個(gè)隱層神經(jīng)元的網(wǎng)絡(luò).在訓(xùn)練步數(shù)相差不大的情況下,將所要構(gòu)建的西服袖樣板BP神經(jīng)網(wǎng)絡(luò)模型的輸入層、隱層與輸出層的神經(jīng)元數(shù)定為6個(gè)、12個(gè)與10個(gè).
本研究從三維人體測(cè)量得到的人體數(shù)據(jù)中選擇150個(gè)人體,依據(jù)經(jīng)典男西服兩片袖結(jié)構(gòu)設(shè)計(jì)法繪制了150個(gè)紙樣.把這150個(gè)人體的凈體數(shù)據(jù)作為輸入,其所對(duì)應(yīng)的成衣尺寸作為輸出,組成樣本集.其中,100個(gè)作為訓(xùn)練樣本,50個(gè)作為測(cè)試樣本.
由于輸入和輸出的各項(xiàng)數(shù)據(jù)的單位不同,數(shù)量級(jí)別差異也大,會(huì)影響神經(jīng)網(wǎng)絡(luò)的訓(xùn)練,故有必要消除由于數(shù)量的差別對(duì)結(jié)果的影響.同時(shí),BP神經(jīng)網(wǎng)絡(luò)一般采用Sigmoid函數(shù)作為激勵(lì)函數(shù),而Sigmoid函數(shù)的值域在(0,1)之間.基于上述兩點(diǎn),在進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練前,需要對(duì)訓(xùn)練樣本集的數(shù)據(jù)進(jìn)行歸一化處理,歸一化的公式為
(6)
其中,yi為標(biāo)準(zhǔn)化的數(shù)據(jù),xi為原始數(shù)據(jù).
為了彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)所采用的基本梯度下降法在實(shí)際應(yīng)用中的不足,如收斂速度慢、訓(xùn)練時(shí)間長(zhǎng)、學(xué)習(xí)步長(zhǎng)不易確定、易陷入局部最小、存在一些誤差改變很小的平坦區(qū)等,本研究采用在式(3)中引入動(dòng)量因子α的改進(jìn)算法.引入動(dòng)量因子α后,權(quán)值的修正公式為
wji(t+1)=αwji(t)+ηδpjopj.
(7)
由于加入了動(dòng)量因子α,當(dāng)系統(tǒng)落入誤差函數(shù)面的平坦區(qū)時(shí),可盡快脫離平坦區(qū),加快網(wǎng)絡(luò)的收斂速度.在Matlab中可以通過(guò)調(diào)用learngdm函數(shù)來(lái)實(shí)現(xiàn)梯度下降動(dòng)量學(xué)習(xí)法,動(dòng)量因子通過(guò)學(xué)習(xí)參數(shù)lp設(shè)置lp.mc=0.7,學(xué)習(xí)速率lp.lr=0.1,訓(xùn)練函數(shù)為traingdx函數(shù).
人工神經(jīng)網(wǎng)絡(luò)是非線性的,故初始權(quán)值與學(xué)習(xí)是否會(huì)陷入局部最小和能否收斂的關(guān)系很大.一般要求初始權(quán)值在輸入累加時(shí)使每個(gè)神經(jīng)元的狀態(tài)值接近0,權(quán)值一般取比較小的隨機(jī)數(shù),在Matlab中初始化函數(shù)的調(diào)用格式為
Net=init(net),
其中,Net為初始化后的神經(jīng)網(wǎng)絡(luò),net為待初始化的神經(jīng)網(wǎng)絡(luò).
對(duì)于訓(xùn)練好的神經(jīng)網(wǎng)絡(luò),可以利用仿真函數(shù)進(jìn)行實(shí)際的應(yīng)用,調(diào)用格式為
Y=sim(net,P),
其中,Y為網(wǎng)絡(luò)輸出,net為訓(xùn)練好的神經(jīng)網(wǎng)絡(luò),P為輸入矩陣.由于網(wǎng)絡(luò)的輸入均為歸一化后的數(shù)據(jù),相應(yīng)的網(wǎng)絡(luò)輸出Y也是歸一化的數(shù)據(jù),故將仿真后的網(wǎng)絡(luò)輸出利用式(6)的變換還原為實(shí)際值.
主要制圖尺寸的預(yù)測(cè)值與實(shí)際值比較如圖3至圖7所示.
圖3 袖長(zhǎng)預(yù)測(cè)值與實(shí)際值的對(duì)比
圖4 袖肘長(zhǎng)預(yù)測(cè)值與實(shí)際值的對(duì)比
圖5 袖山高預(yù)測(cè)值與實(shí)際值的對(duì)比
圖6 袖寬預(yù)測(cè)值與實(shí)際值的對(duì)比
圖7 袖口大預(yù)測(cè)值與實(shí)際值的對(duì)比
由圖3至圖7可以清晰地看到各部位的預(yù)測(cè)效果不盡相同.袖山高、袖寬等關(guān)鍵部位的預(yù)測(cè)效果較好,預(yù)測(cè)值與實(shí)際值的偏差基本在3 mm左右,這樣的誤差對(duì)于服裝結(jié)構(gòu)設(shè)計(jì)而言是可以接受的.袖口大、袖長(zhǎng)、袖肘長(zhǎng)等部位的預(yù)測(cè)值與實(shí)際值的偏差略大,袖口大比實(shí)際值略小,袖長(zhǎng)、袖肘長(zhǎng)比實(shí)際值略大,偏差在5 mm左右.略窄的袖口和略大的袖長(zhǎng)并不會(huì)對(duì)成品服裝產(chǎn)生致命的影響,反而會(huì)突出衣袖的修長(zhǎng),使衣袖整體顯得更合體.除此之外還發(fā)現(xiàn),對(duì)于50個(gè)不同的測(cè)試樣本,通過(guò)神經(jīng)網(wǎng)絡(luò)模型仿真所預(yù)測(cè)的效果也并不一致,有的精度比較高,有的精度則略低.出現(xiàn)這一狀況的主要原因,一是輸入層與輸出層的數(shù)據(jù)來(lái)源不同,輸入層的數(shù)據(jù)為人體數(shù)據(jù),輸出層的數(shù)據(jù)為服裝樣板尺寸,二是由于訓(xùn)練樣本集的容量不夠大,如果有更多的科學(xué)訓(xùn)練數(shù)據(jù),將會(huì)進(jìn)一步提高本模型的精確度.
綜合對(duì)比分析50個(gè)測(cè)試樣本的預(yù)測(cè)效果,從中任選一個(gè)測(cè)試樣本進(jìn)行樣衣試制,穿著效果見(jiàn)圖8.
圖8 樣衣穿著效果
從圖8可以看出,所設(shè)計(jì)的男西服兩片袖袖山飽滿、圓潤(rùn),袖身肥瘦適中,前傾合理,既符合人體上肢的結(jié)構(gòu)特征,又賦予人體足夠的運(yùn)動(dòng)量,實(shí)現(xiàn)了衣袖的造型美與穿著舒適性的和諧統(tǒng)一.從服裝整體來(lái)看,與男西服衣身結(jié)構(gòu)的風(fēng)格比較統(tǒng)一,與衣身前后片的比例關(guān)系恰當(dāng),無(wú)論從正面、背面還是側(cè)面看,均能體現(xiàn)男西服所特有的美感,使穿著者的形象和氣質(zhì)得到充分的體現(xiàn)與提升.
針對(duì)西服袖樣板,本研究提出了構(gòu)建西服袖的BP神經(jīng)網(wǎng)絡(luò)模型來(lái)實(shí)現(xiàn)由人體數(shù)據(jù)直接、自動(dòng)生成兩片袖結(jié)構(gòu)設(shè)計(jì)所需制圖數(shù)據(jù)的計(jì)算機(jī)方法.經(jīng)過(guò)預(yù)測(cè)值與實(shí)際值的比較以及樣衣試制和試穿效果的分析,證明本方法是正確可行的.依據(jù)此思路,可進(jìn)一步設(shè)計(jì)研發(fā)從三維人體數(shù)據(jù)直接生成服裝樣板的智能化服裝制板系統(tǒng).
參考文獻(xiàn):
[1] 朱江暉,閻玉秀.女套裝上衣尺寸自動(dòng)生成系統(tǒng)的建立與實(shí)現(xiàn)[J].紡織學(xué)報(bào),2011,32(9):142-146.
[2] 夏明,張文斌.定制服裝樣板快速生成技術(shù)研究[J].紡織科技進(jìn)展,2006(1):83-85.
[3] 黃海嶠,莫碧賢,郭綺蓮,等.從三維人體掃描生成服裝樣板[J].紡織學(xué)報(bào),2010,31(9):132-136,142.
[4] 胡覺(jué)亮,董建明,何瑛,等.基于人工神經(jīng)網(wǎng)絡(luò)的服裝結(jié)構(gòu)設(shè)計(jì)[J].紡織學(xué)報(bào),2006(2):49-52.
[5] 吳俊,王東云,溫盛軍.基于神經(jīng)網(wǎng)絡(luò)的褲裝樣板設(shè)計(jì)[J].紡織學(xué)報(bào),2004(8):102-104.