彭會(huì)齊, 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(guó)際教育學(xué)院,浙江 杭州 310018)

隨著生活水平的提高,越來越多的消費(fèi)者選擇量體定制服裝,國(guó)內(nèi)也有部分服裝企業(yè)在原有銷售模式的基礎(chǔ)上開設(shè)了連鎖定制業(yè)務(wù)。由于人體體型的多樣性,顧客在成衣試穿時(shí),服裝往往會(huì)出現(xiàn)緊繃、褶皺等板型弊病[1]。為提供良好的定制體驗(yàn),改衣師需要現(xiàn)場(chǎng)找出問題并進(jìn)行修正。但多數(shù)改衣師沒有系統(tǒng)學(xué)過服裝結(jié)構(gòu)知識(shí),僅憑個(gè)人經(jīng)驗(yàn)主觀判斷,因此經(jīng)常出現(xiàn)弊病修正不當(dāng)甚至多次修改的現(xiàn)象。隨著服裝智能制造的發(fā)展,國(guó)內(nèi)外不少學(xué)者對(duì)面料疵點(diǎn)自動(dòng)檢測(cè)開展研究[2-4]。在服裝外觀質(zhì)量檢測(cè)方面的研究,國(guó)內(nèi)近些年也有所進(jìn)展,如利用圖像處理技術(shù)對(duì)男西裝袖子著裝效果進(jìn)行弊病判別及分類[5];利用數(shù)字圖像處理和模式識(shí)別技術(shù)對(duì)服裝縫紉工藝疵點(diǎn)進(jìn)行識(shí)別分類[6];利用深度學(xué)習(xí)對(duì)服裝裁片缺陷進(jìn)行自動(dòng)檢測(cè)[7],但國(guó)內(nèi)外對(duì)服裝板型弊病智能檢測(cè)的研究尚少。

為協(xié)助改衣師在客戶服裝試穿現(xiàn)場(chǎng)快速準(zhǔn)確找到其板型弊病,文中采用深度學(xué)習(xí)算法中的YOLOv8網(wǎng)絡(luò)模型,收集4類常見女西褲板型弊病圖像為數(shù)據(jù)樣本進(jìn)行實(shí)驗(yàn),最終構(gòu)建一套智能檢測(cè)系統(tǒng),可以對(duì)4種女西褲板型弊病進(jìn)行位置和類別識(shí)別,并且提供合理修改方案。

1 女西褲常見板型弊病與修正方法

1.1 女西褲常見板型弊病特征與原因分析

女西褲是定制頻率較高的服裝品類之一,也是較易出現(xiàn)板型弊病的品類。如西褲襠部的合體度易受到腹臀厚、后落襠量、后襠彎形狀、后起翹、臀圍松量、前襠寬、前襠彎形狀、歸拔工藝等多個(gè)因素影響,使西褲襠部及周圍出現(xiàn)板型弊病,且弊病原因難以識(shí)別。觀察發(fā)現(xiàn),不同類別女西褲弊病外觀紋路各不相同,而同種女西褲弊病外觀紋路的分布位置、指定方向相同或相近,且紋路長(zhǎng)短、大小均呈現(xiàn)一定規(guī)律性,因此,選出4種常見的女西褲板型弊病,命名為HA,HB,HC,HD,并假設(shè)產(chǎn)生的原因:

HA：弊病是由前襠彎形狀偏彎或前襠拔開量偏少引起;

HB：弊病是由腹臀圍偏小引起;

HC：弊病是由腹臀寬偏小引起;

HD：弊病是由于后襠寬偏大和大腿圍內(nèi)側(cè)縫明顯偏長(zhǎng)引起。

4種女西褲板型弊病問題如圖1所示。由圖1(a)可知,HA有圍繞前襠彎與大腿根周圍的發(fā)散型褶皺,人體穿著時(shí)前襠彎長(zhǎng)度、臀圍松度合適,無緊繃感,排除前襠彎過長(zhǎng)或臀圍偏小原因。由于HA弊病圍繞前襠彎產(chǎn)生,并未受到四周其他量的牽扯,因此假設(shè)HA弊病是前襠彎形狀偏彎或前襠拔開量偏小導(dǎo)致前襠容量不足引起的。圖1(b)中,HB弊病為前襠貓須明顯,貓須形態(tài)較細(xì)較長(zhǎng),人體穿著時(shí)前襠彎長(zhǎng)度合適,但臀腹部有緊繃感且貓須紋路指向臀腹部位的側(cè)縫位置,因此假設(shè)HB弊病是由腹臀圍偏小引起。圖1(c)中,HC為夾襠問題,在人體的臀凸下方形成幾條斜向紋路,紋路上端指向坐骨,下端指向大腿內(nèi)側(cè),臀圍松量合適,但后襠部緊繃,坐蹲時(shí)緊繃感更加強(qiáng)烈,推測(cè)其產(chǎn)生原因是腹臀寬偏小導(dǎo)致襠部拉力過大[8],因此假設(shè)HC弊病是腹臀寬偏小導(dǎo)致。圖1(d)中,HD弊病為襠下大腿內(nèi)側(cè)有堆量,人體穿著時(shí),臀圍松量、后襠彎長(zhǎng)度、膝圍處西褲與人體的間隙度均是合體狀態(tài),但襠下大腿圍內(nèi)側(cè)與人體的間隙偏大且褲子大腿圍內(nèi)側(cè)有堆量,褲內(nèi)側(cè)縫明顯偏長(zhǎng),因此假設(shè)HD弊病是后襠寬偏大和大腿圍內(nèi)側(cè)縫明顯偏長(zhǎng)引起的。

圖1 4種女西褲板型弊病問題

展平后的原始褲片如圖2所示。圖2是基于人體剝離法獲取展平后的原始褲片,雖然原始褲片與常規(guī)褲片形態(tài)具有一定差異,卻反映了縫制合體褲裝的客觀要求[9],前后襠彎處的重疊量需要進(jìn)行拔開以提高襠部容量[10],因此針對(duì)HA弊病,可在前襠彎處適度拔開進(jìn)行改善。

注:“+”為該部位展平后重疊程度,即拔開量;“-”為該部位展平后的豁開程度,即歸攏量。

1.2 弊病原因與修正方法驗(yàn)證

1.2.1HA驗(yàn)證實(shí)驗(yàn) 利用白坯布經(jīng)平面與立裁相結(jié)合方式制作出具有HA板型弊病的褲子,具體如圖3所示。

圖3 假設(shè)HA驗(yàn)證過程

按照假設(shè)HA的猜想,先檢查紙樣的前襠彎,發(fā)現(xiàn)前襠彎形狀偏彎,經(jīng)多次調(diào)試減小前襠彎弧度,前襠堆量現(xiàn)象得到改善;再使用熨斗將前襠彎適量拔開,增加前襠部容量,最終消除前襠處的堆量,因此,HA假設(shè)成立。HA堆量是由前襠彎形狀偏彎或前襠拔開量偏少引起,可以通過改小前襠彎弧度以及拔開前襠彎來緩解或消除該弊病。

1.2.2HB驗(yàn)證實(shí)驗(yàn) 利用白坯布經(jīng)平面與立裁相結(jié)合方式制作出具有HB板型弊病的褲子,具體如圖4所示。按照假設(shè)HB的猜想,將前后片臀腹圍進(jìn)行不同程度的加大,經(jīng)多次調(diào)試最終消除前襠處貓須,因此,假設(shè)HB成立。HB女西褲弊病是由臀腹圍偏小引起,可以通過加大臀腹圍來緩解或消除。

圖4 假設(shè)HB驗(yàn)證過程

1.2.3HC驗(yàn)證實(shí)驗(yàn) 利用白坯布經(jīng)平面與立裁相結(jié)合方式制作出具有HC板型弊病的褲子,具體如圖5所示。

圖5 假設(shè)HC驗(yàn)證過程

模擬出具有HC弊病的女褲,并按照假設(shè)HC的猜想,將臀腹寬進(jìn)行不同程度的加大,經(jīng)多次調(diào)試最終消除褲后襠與大腿根處產(chǎn)生的斜向紋路,因此,假設(shè)HC成立。HC弊病是由褲子臀腹寬偏小引起,可以通過加大臀腹寬來消除。

1.2.4HD驗(yàn)證實(shí)驗(yàn) 利用白坯布經(jīng)平面與立裁相結(jié)合方式制作出具有HD板型弊病的褲子,具體如圖6所示。按照假設(shè)HD的猜想,減小后襠寬后,線段ac短于線段bc,經(jīng)多次調(diào)試最終消除后大腿根的斜向紋路,因此,假設(shè)HD成立。HD弊病是由于女褲后襠寬偏寬和內(nèi)側(cè)縫明顯偏長(zhǎng)引起,可以通過減小后襠寬和褲內(nèi)側(cè)縫長(zhǎng)來緩解或消除。

圖6 假設(shè)HD驗(yàn)證過程

2 弊病檢測(cè)模型與評(píng)估指標(biāo)

2.1 YOLOv8弊病模型網(wǎng)絡(luò)結(jié)構(gòu)

YOLO模型將物體檢測(cè)統(tǒng)一作為回歸問題求解,檢測(cè)網(wǎng)絡(luò)相較簡(jiǎn)單,因其檢測(cè)速率可達(dá)45 Hz,被廣泛應(yīng)用在實(shí)時(shí)檢測(cè)領(lǐng)域。YOLOv8算法是Ultralytics公司推出的YOLO最新系列,其提供了一個(gè)全新的SOTA模型,并基于縮放系數(shù)提供了N/S/M/L/X不同尺度的模型,滿足了不同部署平臺(tái)和應(yīng)用場(chǎng)景的需求[11-12]。YOLOv8網(wǎng)絡(luò)由輸入端、Backbone、Neck、Head 4部分組成,具體模型結(jié)構(gòu)如圖7所示。

圖7 YOLOv8 網(wǎng)絡(luò)模型結(jié)構(gòu)

Backbone部分借鑒了CSP模塊思想,并將YOLOv5中的C3模塊替換成了C2f模塊,進(jìn)一步實(shí)現(xiàn)了輕量化,同時(shí)沿用YOLOv5中的SPPF模塊,對(duì)不同尺度的模型進(jìn)行精心微調(diào),大幅提升了模型性能。Neck負(fù)責(zé)對(duì)特征圖進(jìn)行多尺度特征融合,并把這些特征傳遞給預(yù)測(cè)層。Neck中也采用C2f結(jié)構(gòu),由于C2f結(jié)構(gòu)有很多殘差連接,所以YOLOv8的梯度流比較豐富。YOLOv8網(wǎng)絡(luò)通過設(shè)置推理參數(shù)Resize,將輸入端的板型弊病圖片統(tǒng)一調(diào)整成640×640像素,通過Backbone網(wǎng)絡(luò)提取圖像特征后,將網(wǎng)絡(luò)的第4,6以及第9層的輸出特征圖作為Neck網(wǎng)絡(luò)的輸入特征圖。YOLOv8的Neck采用了PANet結(jié)構(gòu),Layer4、Layer6、Layer9作為PANnet結(jié)構(gòu)的輸入端,經(jīng)過上采樣,通道融合,最終將PANet的3個(gè)輸出分支送入Detect head進(jìn)行損失函數(shù)計(jì)算或結(jié)果解算。Head網(wǎng)絡(luò)是YOLO模型中的最后一部分,負(fù)責(zé)根據(jù)Neck網(wǎng)絡(luò)提供的特征進(jìn)行最終的回歸預(yù)測(cè),YOLOv8選擇了目前主流的解耦頭結(jié)構(gòu)(Decoupled-Head),將分類和檢測(cè)頭分離,同時(shí)也從Anchor-Based變換為Anchor-Free[13-14]。

2.2 弊病檢測(cè)評(píng)價(jià)指標(biāo)

(1)

式中:P為模型預(yù)測(cè)為正樣本中真正為正樣本的比例;TP為算法預(yù)測(cè)正確的個(gè)數(shù)(預(yù)測(cè)為正例,實(shí)際為正例);FP為算法預(yù)測(cè)錯(cuò)誤的個(gè)數(shù)(預(yù)測(cè)為正例,實(shí)際為負(fù)例)。

(2)

式中:R值用來評(píng)估模型正確檢測(cè)出的正樣本占所有正樣本的比例;FN為算法預(yù)測(cè)錯(cuò)誤的個(gè)數(shù)(預(yù)測(cè)為負(fù)例,實(shí)際為正例)。

(3)

3 實(shí)驗(yàn)過程

3.1 數(shù)據(jù)收集

文中4種常見女西褲板型弊病的紋路形狀、分布位置均呈現(xiàn)一定規(guī)律,其密集程度、長(zhǎng)度等特征形態(tài)會(huì)隨弊病的嚴(yán)重程度而不同。因此,每種弊病收集10張經(jīng)典圖像作為實(shí)驗(yàn)數(shù)據(jù),并代表不同程度的弊病。數(shù)據(jù)增強(qiáng)是一種通過有限數(shù)據(jù)產(chǎn)生更多等價(jià)數(shù)據(jù),用于擴(kuò)展數(shù)據(jù)集的技術(shù)。常用的數(shù)據(jù)擴(kuò)增方法有灰度處理、比例放縮、翻轉(zhuǎn)、平移、鏡像等。針對(duì)女西褲圖像上有面料顏色、紋理、光線明暗的變化,使用數(shù)據(jù)增強(qiáng)技術(shù)對(duì)收集到的40張圖像進(jìn)行灰度處理,以真實(shí)反映出目標(biāo)形態(tài)特征,提高算法的泛化能力和檢測(cè)準(zhǔn)確率[17]。由于無法從收集到的弊病圖像中辨別出穿著者的體型特征,因此,文中利用CLO3D軟件虛擬建模,依據(jù)國(guó)家號(hào)型標(biāo)準(zhǔn)中Y,A,B,C 4類體型人體凈尺寸[18],編輯原始虛擬模特各關(guān)鍵部位尺寸,獲取16種體型的虛擬模特,具體如圖8所示。每種等級(jí)的西褲板型弊病都會(huì)依據(jù)這16種體型對(duì)弊病區(qū)域進(jìn)行橫向或縱向放縮,從而得到不同體型人群穿著這4種板型弊病女西褲的圖像,實(shí)現(xiàn)圖像在尺寸方面的擴(kuò)增。人體因生活習(xí)慣、站姿的不同會(huì)導(dǎo)致西褲產(chǎn)生的弊病形態(tài)不對(duì)稱,因此最后再對(duì)每張圖像進(jìn)行鏡像對(duì)稱,以消除此類問題。數(shù)據(jù)擴(kuò)增過程如圖9所示。將40張形態(tài)各異的女西褲版型弊病圖像經(jīng)過灰度處理、比例放縮、鏡像對(duì)稱處理后,總樣本集被擴(kuò)增至2 560張。弊病圖像均為正視角度,且圖像中的試穿者保持自然站姿。

注:我國(guó)成年女子以人體凈胸圍與凈腰圍的差數(shù)為依據(jù)劃分體型,分為Y,A,B,C 4類。

圖9 數(shù)據(jù)擴(kuò)增過程演示

3.2 數(shù)據(jù)集預(yù)處理

4種板型弊病圖像采集后,裁剪掉與目標(biāo)圖像不相關(guān)的干擾因素,以提高識(shí)別效果,并保留圖像背景多樣性,從而增加模型在多場(chǎng)景識(shí)別中的適用性。YOLOv8模型訓(xùn)練是一個(gè)監(jiān)督學(xué)習(xí)的過程,因此模型訓(xùn)練前,需要對(duì)訓(xùn)練集圖像進(jìn)行標(biāo)注。本次文中使用LabelImg標(biāo)注工具,用LabelImg打開訓(xùn)練集圖像文件夾,使用界面中的Creat RecBox按鈕將弊病所在區(qū)域進(jìn)行框選,然后彈出類別選擇框,如果是當(dāng)前已有類別則直接選擇,若需要新加類別則在輸入框中輸入類別標(biāo)簽。

3.3 模型訓(xùn)練

3.3.1模型訓(xùn)練參數(shù) 使用YOLOv8深度學(xué)習(xí)模型,選擇PyTorch作為深度學(xué)習(xí)框架,實(shí)驗(yàn)數(shù)據(jù)集包含4種女西褲板型弊病的2 560張圖像,按9∶1比例劃分實(shí)驗(yàn)訓(xùn)練集和測(cè)試集,具體見表1。實(shí)驗(yàn)所用計(jì)算機(jī)操作系統(tǒng)為Windows11 64位,處理器型號(hào)為i7-11800H,顯卡型號(hào)為NVIDIA GeForce RTX 3060 Laptop。數(shù)據(jù)集圖像分辨率均為640×640。訓(xùn)練過程中每批次圖像數(shù)量為16張,模型在數(shù)據(jù)集中循環(huán)訓(xùn)練200次。

表1 各類板型弊病樣本數(shù)量

圖10 可視化訓(xùn)練結(jié)果

4 模型測(cè)試與結(jié)果分析

表2 部分測(cè)試結(jié)果

圖11 P-R圖

5 結(jié)語

文中以女西褲常見的4種板型弊病為例,通過數(shù)據(jù)集選取與擴(kuò)增、數(shù)據(jù)集訓(xùn)練和測(cè)試,證明了YOLOv8算法在服裝板型弊病檢測(cè)方面具有較高的可行性。并結(jié)合弊病修正實(shí)驗(yàn),檢驗(yàn)了系統(tǒng)在檢測(cè)女西褲弊病時(shí)產(chǎn)生的原因及提出修正方案方面的準(zhǔn)確性。最后在圖形用戶界面成功展示檢測(cè)目標(biāo)的弊病類別、弊病位置和修正方案,實(shí)現(xiàn)了女西褲板型弊病檢測(cè)與修正系統(tǒng)的構(gòu)建。數(shù)據(jù)集擴(kuò)增中的尺寸擴(kuò)增,是依據(jù)國(guó)家號(hào)型標(biāo)準(zhǔn)中的16種體型比例對(duì)弊病區(qū)域進(jìn)行放縮,有效擴(kuò)充了樣本數(shù)量。雖然進(jìn)行放縮后的弊病圖像與真實(shí)弊病形態(tài)有所差異,會(huì)導(dǎo)致該系統(tǒng)在識(shí)別真實(shí)弊病形態(tài)圖像中檢測(cè)準(zhǔn)確率有所下降,但擁有完善數(shù)據(jù)資源庫的服裝企業(yè),會(huì)提供大量的圖像作為數(shù)據(jù)樣本,重新訓(xùn)練后,不會(huì)影響檢測(cè)效果。

該研究只是對(duì)女西褲板型弊病提出了定向的修改方案,不能根據(jù)弊病的嚴(yán)重程度給出定量修正方案,且實(shí)驗(yàn)數(shù)據(jù)集中板型弊病均由單一原因引起的,對(duì)于多種問題引起的弊病并未涉及,因此后續(xù)研究重點(diǎn)是弊病修正的定量研究與多原因(板型、材料、工藝)女褲弊病的檢測(cè)識(shí)別。