許 倩， 陳敏之,2

(1. 浙江理工大學(xué) 服裝學(xué)院， 浙江 杭州 310018； 2. 浙江理工大學(xué) 國際教育學(xué)院， 浙江 杭州 310018)

絲縷平衡是體現(xiàn)服裝最終效果與構(gòu)成服裝版型的關(guān)鍵[1]。依靠絲縷平衡來控制服裝結(jié)構(gòu)的平衡是立體裁剪的基礎(chǔ)。只有將面料縱橫絲縷與人體模型上的縱橫基準(zhǔn)線對應(yīng)，才能使制作的服裝在穿著時保持挺括與不變型。

在服裝產(chǎn)品試樣的過程中，絲縷平衡是評價服裝整體合體度和平整度的重要考量因素。由于服裝穿著在人體上處于立體的狀態(tài)，需要通過試樣師或樣版師的經(jīng)驗來對多部位進(jìn)行綜合的觀察和審視，判斷服裝是否平整合體。這種評價方式的主觀性強(qiáng)，并且費(fèi)時費(fèi)力。在數(shù)字化服裝量身定制發(fā)展的今天，個性化、智能化的設(shè)計和制造成為發(fā)展趨勢，虛擬服裝樣板制作和試裝已成為可能，雖然國內(nèi)外人們在虛擬服裝試樣[2-3]上已做了一定的研究，但主要集中在對虛擬服裝設(shè)計、搭配、動靜態(tài)的展示和松量[4-5]的檢驗上，而對虛擬制造成衣綜合的平衡效果還未實現(xiàn)自動評價，這一定程度上制約了數(shù)字化服裝設(shè)計在產(chǎn)業(yè)中的應(yīng)用。

在智能化生活的大環(huán)境下，利用深度學(xué)習(xí)在圖像識別上可對圖像自動提取特征，利用權(quán)值共享提高訓(xùn)練效率，進(jìn)一步提高識別率的優(yōu)越性[6-8]。本文引入深度學(xué)習(xí)的方法，提出一種基于絲縷狀態(tài)的虛擬試裝的評價模型，從而建立可實現(xiàn)對服裝各關(guān)鍵部位絲縷平衡性自動評價系統(tǒng),為服裝的智能設(shè)計與制造提供理論和技術(shù)參考。

1 深度學(xué)習(xí)模型構(gòu)建

1.1 卷積神經(jīng)網(wǎng)絡(luò)模型構(gòu)造原理

深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)的研究，其中卷積神經(jīng)網(wǎng)絡(luò)[9-10]是目前研究和應(yīng)用都比較廣泛的一種深度學(xué)習(xí)結(jié)構(gòu)，是一種特殊的圖像識別方式，屬于帶有前向反饋的網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)含有特征學(xué)習(xí)部分，可模仿人腦對圖像信號的提取、處理和識別，從而進(jìn)行智能分類。

本文所設(shè)計的卷積神經(jīng)網(wǎng)絡(luò)模型，期望模擬試樣師對服裝成衣特征部位的絲縷平衡效果觀察與評價，通過輸入服裝關(guān)鍵部位的絲縷效果圖片，系統(tǒng)實現(xiàn)對圖片特征的自動提取、對絲縷線的自動識別，并完成對絲縷順直效果的智能評判，其過程為：輸入服裝關(guān)鍵部位絲縷效果圖片→對服裝絲縷效果圖進(jìn)行特征提取→絲縷順直效果的智能評判→輸出絲縷平衡等級。

1.2 卷積神經(jīng)網(wǎng)絡(luò)模型搭建

本文設(shè)計的絲縷平衡性評價卷積神經(jīng)網(wǎng)絡(luò)模型參照了Alexnet[11]模型構(gòu)造，主要包括輸入層、卷積層、池化層、全連接層和輸出層，網(wǎng)絡(luò)的每一層都由1個或多個二維平面構(gòu)成，每個平面由多個獨(dú)立的神經(jīng)元構(gòu)成。網(wǎng)絡(luò)模型訓(xùn)練的結(jié)構(gòu)如圖1所示。

圖1 服裝絲縷平衡性評價的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

1.2.1 輸入層

輸入層直接接收輸入數(shù)據(jù)，通過處理圖像信息，使神經(jīng)元的值與圖像相應(yīng)像素點(diǎn)上的灰度值對應(yīng)。卷積神經(jīng)網(wǎng)絡(luò)輸入的是一個多通道圖像。圖像的原始輸入是像素，像素組成線條，多個線條組成紋理，最后形成圖案，局部圖案集合成物體。

本文中輸入層采用的是Alexnet 227*227*3的圖片輸入格式來采集特征部位的服裝絲縷效果。

1.2.2 卷積層與池化層

卷積層也稱為特征提取層，是卷積神經(jīng)網(wǎng)絡(luò)的核心。卷積是圖像處理中常用的線性濾波方法，以實現(xiàn)圖像降噪、圖像銳化等，這種運(yùn)算是通過卷積核實現(xiàn)的。卷積核是指使用一個權(quán)值矩陣表示單個像素與其鄰域像素之間的關(guān)系。每一個卷積核都是一個特征提取器，對應(yīng)生成一副新的特征圖，卷積層的運(yùn)算直接影響到神經(jīng)網(wǎng)絡(luò)的分類結(jié)果。

卷積運(yùn)算是讓卷積核沿著輸入圖片的坐標(biāo)橫向或縱向滑動，與相對應(yīng)的數(shù)據(jù)進(jìn)行卷積運(yùn)算，隨著卷積核的滑動，可以得到一個新的二維特征激活圖，激活圖的值為卷積核在輸入圖片不同空間位置的響應(yīng)。輸出圖片尺寸可以通過下式[12]得出。

式中：y為輸出圖片尺寸；x為輸入圖片尺寸；k為卷積核尺寸；s為步長；其中y、x、k、s的單位均為像素。

池化層也稱為特征映射層，通過減少卷積層之間神經(jīng)元的數(shù)量來提高計算效率。池化的目的是通過空間變換來減少特征映射輸入數(shù)據(jù)的大小，通常是在2個卷積層之間增加1個池化層。池化操作[13]的計算過程為：

池化層的特征映射與相連接的特征映射保持一致，因此，他們有相同的特征映射數(shù)量。

本文采用Alexnet模型，有5層卷積層，其中穿插了3層池化層，池化層采用最大池化法來進(jìn)行神經(jīng)元壓縮，提高運(yùn)算效率。各層網(wǎng)絡(luò)參數(shù)如表1所示。

表1 各層網(wǎng)絡(luò)參數(shù)

1.2.3 輸出層

卷積神經(jīng)網(wǎng)絡(luò)輸出層包含3層全連接層，最終通過Softmax分類器分類輸出結(jié)果。

全連接層是指神經(jīng)網(wǎng)絡(luò)一層中的所有神經(jīng)元和前一層的每個神經(jīng)元都有連接，在卷積神經(jīng)網(wǎng)絡(luò)上一般位于分類器的前端，其作用是將學(xué)習(xí)到的“分布式特征表示”映射到樣本標(biāo)記空間，實現(xiàn)分類的顯式表達(dá)。本文采用全連接層的具體參數(shù)如表2所示。

表2 全連接層網(wǎng)絡(luò)參數(shù)

Softmax分類器用于輸出歸一化的分類概率。本文將絲縷平衡的分類結(jié)果分為4類，即絲縷平衡的4個等級，定義如表3所示。Softmax分類器得出1個長度為4的向量。每一行的數(shù)值代表屬于一個絲縷平衡等級的概率值，且4類概率值總和為1，最后輸出最大概率值所代表的等級值。

表3 服裝絲縷平衡等級參考表

1.3 卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練與測試

網(wǎng)絡(luò)訓(xùn)練樣本的輸入樣本來源于服裝4類絲縷平衡效果的拍攝實驗。在實驗中，具有明顯絲縷標(biāo)識線的服裝被穿于人臺上，呈現(xiàn)出不同的絲縷平衡效果。在設(shè)置水平基準(zhǔn)線的參照下，對各局部拍攝照片(尺寸為256像素×256像素)，然后對輸入圖像進(jìn)行裁剪，得到卷積神經(jīng)網(wǎng)絡(luò)的輸入尺寸為227像素×227像素。

網(wǎng)絡(luò)訓(xùn)練樣本的輸出樣本來源于專家主觀評價實驗。通過5位專業(yè)人士對拍攝實驗的樣本進(jìn)行等級評定(平衡等級見表3)，將評價結(jié)果統(tǒng)計后，每份樣本的最終等級取5個評價結(jié)果的眾數(shù)。經(jīng)過篩選最終得到360組輸入樣本，每個等級的樣本均為90組。

本文通過在Ubuntu系統(tǒng)上搭建快速機(jī)器學(xué)習(xí)環(huán)境的Torch7來完成對卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，得到服裝絲縷平衡性評價模型，訓(xùn)練結(jié)果總體準(zhǔn)確率為93.589%，具體數(shù)據(jù)如表4所示。

表4 服裝絲縷平衡性評價的卷積神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)訓(xùn)練結(jié)果

作為對服裝絲縷平衡評價卷積神經(jīng)網(wǎng)絡(luò)模型的測試，本文模擬實際的拍攝實驗，通過虛擬試裝，獲得在虛擬環(huán)境下服裝各特征部位的絲縷圖片樣本，并結(jié)合專家主觀評價實驗，共得到100組測試樣本，每個等級的樣本均為25組。對服裝絲縷平衡性評價的卷積神經(jīng)網(wǎng)絡(luò)測試結(jié)果如表5所示。

表5 服裝絲縷平衡性評價的卷積神經(jīng)網(wǎng)絡(luò)模型測試結(jié)果

從表5可以看出，虛擬試驗樣本平均測試準(zhǔn)確度達(dá)到80%，且對不平衡的識別準(zhǔn)確度較高，適合于對服裝平衡問題發(fā)現(xiàn)與提醒。

2 服裝絲縷平衡性評價系統(tǒng)的構(gòu)建

為了使服裝絲縷平衡性評價的卷積神經(jīng)網(wǎng)絡(luò)模型適合應(yīng)用于實際，構(gòu)建服裝絲縷平衡性評價系統(tǒng)。系統(tǒng)可對基于Vidya軟件縫制的虛擬樣衣進(jìn)行各部位絲縷平衡效果的評價。

實驗隨機(jī)選取了一名男性青年，高172 cm，體重68 kg。通過三維掃描儀對其掃描，獲得的人體數(shù)據(jù)如表6所示。在虛擬試衣Vidya軟件內(nèi)制版假縫1件合體男西服。系統(tǒng)自動呈現(xiàn)絲縷線的走向，運(yùn)用服裝絲縷平衡性評價模型對服裝10個關(guān)鍵部位進(jìn)行評價，系統(tǒng)可對各部位平衡度設(shè)定閾值，如前中部位基本上無特殊設(shè)計，對絲縷順直要求高，需達(dá)到平衡結(jié)果才顯示“ok”，反之如腋下受胸省等因素的影響，絲縷順直度達(dá)到較不平衡以上即可顯示“ok”。服裝絲縷平衡性評價系統(tǒng)對驗證用虛擬服裝的評價結(jié)果如圖2所示。

表6 三維掃描得到的人體凈尺寸

圖2 判別服裝絲縷平衡性的10個關(guān)鍵部位和服裝絲縷平衡性評價結(jié)果示意圖

3 結(jié)束語

本文針對服裝絲縷平衡性的自動評價，利用深度學(xué)習(xí)在圖像識別上的優(yōu)越性，基于Alexnet模型，構(gòu)建了服裝絲縷平衡性評價的卷積神經(jīng)網(wǎng)絡(luò)模型。設(shè)定了輸入層、卷積層、池化層、全連接層、輸出層的網(wǎng)絡(luò)結(jié)構(gòu)。實現(xiàn)了基于服裝局部絲縷效果圖平衡等級仿真評價，網(wǎng)絡(luò)模型訓(xùn)練準(zhǔn)確率達(dá)到93.589%。針對服裝絲縷平衡評價卷積神經(jīng)網(wǎng)絡(luò)模型的測試，虛擬試驗樣本平均測試準(zhǔn)確度達(dá)到80.00%。進(jìn)而設(shè)計開發(fā)了服裝絲縷平衡評價系統(tǒng)，用于虛擬環(huán)境下服裝各部位的絲縷平衡等級的自動評價。

在虛擬全球與現(xiàn)實全球相融合的工業(yè)4.0時代，智能服裝更適應(yīng)時代的快節(jié)奏發(fā)展，提供更加舒適便利的生活服務(wù)，并且具有良好的市場發(fā)展前景。服裝絲縷平衡評價系統(tǒng)的使用提高了虛擬環(huán)境下服裝絲縷平衡性的檢測效率、縮短檢測時間，為虛擬試裝的綜合效果評價奠定基礎(chǔ)，從而簡化個性化服裝試裝的流程，提高虛擬試裝的運(yùn)用成效和服裝的生產(chǎn)效率，使個性化定制服裝的批量化生產(chǎn)成為可能。