中圖分類號(hào)：TS941.26 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1673-3851（2025）07-0488-10

引用格式：，等?；诜b點(diǎn)云的高精度袖窿分割線自動(dòng)識(shí)別方法[J].學(xué)報(bào)（自然科學(xué)），2025，53（4）：488-497.

Abstract：To solve the problems that it is dificult to identify the armhole segmentation lines and that the sleeve template does not meet the requirements of plate making，an automatic high-precision recognition method for armhole segmentation lines based on garment point clouds was proposed by taking tops with the shoulder line at the shoulder position as an example. First，a dynamic graph convolutional neural network （DGCNN） was used to coarsely segment the garment point cloud to obtain the armhole point cloud area，and the armhole key point cloud was obtained by denoising. Then，the weighted least squares method was used to fit the key point cloud of the armhole，and the front and rear armhole dividing lines were obtained，and the split lines were optimized by combining the arc interpolation method and cubic spline interpolation to solve the problems of missing and dislocated connections. Finally，the surface deployment algorithm based on angle protection generated the sleeve template，and the sleeve cap arc correction scheme was added to compare the generated template with the real one and that generated by the NeuralTailor model to verify the accuracy of the templates. The experimental results show that the armhole segmentation line generated by this method is highly similar to the real armhole segmentation line，and the RMSE and MAE are both less than 0.200cm . The sleeve template generated by surface deployment algorithm based on angle protection has high precision，with the average deviation of the key dimensions of the sleeve being 0.238cm ，and the average absolute error value of sleeve template being 0.296cm ，which further verifies the accuracy of the armhole dividing line. This provides an effective technological path for the automated generation of garment sleeve templates，and can enhance the efficiency of clothing design and development.

Key words： garment point clouds； armhole segmentation line recognition； dynamic graphconvolutional network;curve fitting; surface deployment； sleeve body template generation

0引言

隨著服裝產(chǎn)業(yè)數(shù)字化和智能化的快速發(fā)展，服裝行業(yè)的生產(chǎn)與銷售模式正在經(jīng)歷深刻的變革。消費(fèi)者對(duì)服裝個(gè)性化定制的需求日益增長(zhǎng)，傳統(tǒng)的成衣生產(chǎn)模式已越來越難以滿足市場(chǎng)的多樣化要求[1-3]。當(dāng)前服裝制版主要依賴人工操作，不僅效率低，而且難以應(yīng)對(duì)快速迭代和個(gè)性化定制的需求，導(dǎo)致生產(chǎn)周期延長(zhǎng)和成本增加。同時(shí)，電子商務(wù)的崛起縮短了產(chǎn)品迭代周期，傳統(tǒng)制版模式面臨前所未有的挑戰(zhàn)，對(duì)制版效率提出了更高的要求。為此，三維服裝模型向二維樣板轉(zhuǎn)換的技術(shù)[4-6逐漸成為研究熱點(diǎn)，該技術(shù)不僅能顯著提高服裝制版效率，更為個(gè)性化樣板的生成提供了切實(shí)可行的路徑。然而，三維到二維轉(zhuǎn)換過程中的分割線識(shí)別仍面臨挑戰(zhàn)，尤其是復(fù)雜的袖窿分割線，它直接影響成衣的合身性和舒適度。因此，精確識(shí)別和定位服裝分割線，特別是袖窿分割線，成為自動(dòng)化樣板生成中的關(guān)鍵問題。

針對(duì)三維服裝模型向二維樣板轉(zhuǎn)換技術(shù)，國內(nèi)外學(xué)者開展了大量研究，研究方向主要可以分為兩類：一是基于深度學(xué)習(xí)算法直接生成二維樣板；二是基于三維模型進(jìn)行曲面展開來獲得二維樣板。Korosteleva等提出了一種從三維服裝點(diǎn)云中恢復(fù)服裝樣板結(jié)構(gòu)的深度學(xué)習(xí)網(wǎng)絡(luò)—NeuralTailor，用于決策拓?fù)浜皖A(yù)測(cè)樣板細(xì)節(jié)，該網(wǎng)絡(luò)結(jié)合了三維點(diǎn)級(jí)注意力機(jī)制與循環(huán)神經(jīng)網(wǎng)格（Recurrentneuralnetwork，RNN），顯著提升了制版速度。然而，該網(wǎng)絡(luò)未能結(jié)合服裝制版的專業(yè)知識(shí)，生成的袖身樣板為兩片，拼接后的袖山弧線呈現(xiàn)中間凹陷、兩側(cè)凸起的形狀，不符合制版要求；此外，它忽略了服裝板片分割方式的多樣性，對(duì)于分割線位置不同但點(diǎn)云形狀相似的服裝，生成的樣板并無差異，這限制了服裝個(gè)性化的實(shí)現(xiàn)。相比之下，基于三維模型的曲面展開技術(shù)可以通過識(shí)別分割線，保留模型的形狀特征，滿足一型一版的個(gè)性化定制需求，逐漸成為當(dāng)前研究的熱點(diǎn)。

基于三維模型的曲面展開技術(shù)主要有兩個(gè)步驟：a）部件分割，利用分割線對(duì)三維服裝模型進(jìn)行區(qū)域劃分，獲得各部位模塊。b）曲面展開，利用曲面展平算法將三維模塊展開，得到二維樣板。在部件分割這一步，分割線的定位直接影響生成樣板的質(zhì)量，是該技術(shù)的重點(diǎn)。為了實(shí)現(xiàn)該技術(shù)，Huang等[8]提出了一種可展曲面邊界的三角化算法，將三維模型劃分若干個(gè)規(guī)整的模塊，以減少三維服裝模塊展開到二維平面時(shí)的幾何失真。Meng等9提出了一種網(wǎng)格交叉參數(shù)化的優(yōu)化算法，通過幾何重構(gòu)，對(duì)參數(shù)化設(shè)計(jì)的三維服裝直接進(jìn)行建模展平。Bang等[10]通過服裝網(wǎng)格的幾何結(jié)構(gòu)和曲面變化來估計(jì)接縫線，使用邊界優(yōu)化方法平滑處理，再使用曲面展開獲得二維樣板。肖伯祥等[11根據(jù)人體模型截面曲線的幾何特征來提取個(gè)性化體型的特征點(diǎn)，并以此為約束，使用基于質(zhì)點(diǎn)-彈簧系統(tǒng)的展平算法得到個(gè)性化襯衣樣板。上述方法依賴人體模型預(yù)定義的特征點(diǎn)以及模型的邊界條件生成分割線，特征點(diǎn)位置固定，生成的分割線單一，更適用于常規(guī)貼身服裝。對(duì)于較寬松、易產(chǎn)生褶皺的服裝，分割線識(shí)別的準(zhǔn)確度仍面臨挑戰(zhàn)。特別是袖窿分割線的識(shí)別，受到袖子空間結(jié)構(gòu)復(fù)雜和形狀易扭曲的影響，基于預(yù)定義特征點(diǎn)的方法難以準(zhǔn)確捕捉袖窿線的位置，導(dǎo)致生成的袖身樣板與預(yù)期存在較大偏差。

綜上可知，目前的智能化樣板生成方法在袖窿分割線識(shí)別上存在不足，導(dǎo)致生成的袖身樣板無法滿足制版要求。因此，如何精準(zhǔn)識(shí)別袖窿分割線并生成高質(zhì)量的二維樣板，成為三維服裝模型轉(zhuǎn)換為二維樣板的關(guān)鍵問題，也是本文的研究重點(diǎn)。針對(duì)這一問題，本文以正肩上衣為例，提出了一種基于服裝點(diǎn)云的高精度袖窿分割線自動(dòng)識(shí)別方法，旨在通過精準(zhǔn)識(shí)別復(fù)雜區(qū)域的分割線，提高服裝樣板生成的精度和效率。首先，通過動(dòng)態(tài)圖卷積網(wǎng)絡(luò)（Dynamic graph convolutional neural network，DGCNN）[12]進(jìn)行點(diǎn)云粗分割以定位袖窿區(qū)域點(diǎn)云，再對(duì)其去噪處理以獲取袖窿關(guān)鍵點(diǎn)云，確保袖窿區(qū)域分割的準(zhǔn)確性與穩(wěn)定性。然后，采用加權(quán)最小二乘法擬合袖窿關(guān)鍵點(diǎn)云，再結(jié)合圓弧插補(bǔ)與三次樣條插值的方法優(yōu)化袖窿分割線，通過擬合優(yōu)化過程，生成的分割線能夠真實(shí)反映服裝袖窿的幾何特征，提升了袖窿分割線自動(dòng)識(shí)別的精度。最后，本文基于角度保護(hù)的曲面展開算法對(duì)袖身模型進(jìn)行展平，并通過袖山弧線修正方案進(jìn)一步優(yōu)化，確保生成的袖身樣板符合制版要求，同時(shí)為袖窿分割線的精度檢驗(yàn)提供了支持。通過上述方法，本文實(shí)現(xiàn)了基于服裝點(diǎn)云的高精度袖窿分割線識(shí)別，有助于提升袖身樣板的生成精度與效率。

針對(duì)袖窿分割線識(shí)別的關(guān)鍵問題，本文提出了一種自動(dòng)化識(shí)別方法，其流程如圖1所示。該流程整合了點(diǎn)云分割、點(diǎn)云去噪、曲線擬合、模型切割與樣板生成等多個(gè)步驟，旨在從輸入的三維服裝點(diǎn)云模型出發(fā)，最終識(shí)別出高精度的袖窿分割線，為袖身樣板的快速生成提供可靠的實(shí)現(xiàn)路徑。通過這一框架，能夠有效提升袖窿分割線識(shí)別的精度，并為三維服裝模型到二維樣板的轉(zhuǎn)化提供技術(shù)支撐。

1. 1 服裝點(diǎn)云分割

1. 1. 1 DGCNN介紹

本文基于DGCNN進(jìn)行服裝點(diǎn)云的部件分割。DGCNN主要由空間變換模塊和邊緣卷積模塊組成。其中，空間變換模塊的主要作用是對(duì)輸人的點(diǎn)云數(shù)據(jù)進(jìn)行對(duì)齊和標(biāo)準(zhǔn)化，以減輕由于點(diǎn)云旋轉(zhuǎn)、平移和尺度變化帶來的不利影響。邊緣卷積模塊通過計(jì)算每個(gè)點(diǎn)與其鄰居點(diǎn)之間的特征差異，捕捉局部結(jié)構(gòu)信息，并通過動(dòng)態(tài)更新鄰域圖進(jìn)一步增強(qiáng)對(duì)復(fù)雜幾何結(jié)構(gòu)的適應(yīng)能力，使得DGCNN在處理服裝點(diǎn)云數(shù)據(jù)時(shí)具備更高的靈活性和魯棒性[13]

1. 1. 2 數(shù)據(jù)預(yù)處理

本文采用DeepFashion3D數(shù)據(jù)集[14]。該數(shù)據(jù)集包含2078個(gè)從真實(shí)服裝重建的模型，涵蓋10個(gè)不同類別和563個(gè)服裝實(shí)例，同時(shí)標(biāo)注了各個(gè)部位的3D特征線。由于數(shù)據(jù)集來源于真實(shí)服裝，標(biāo)注完整且數(shù)據(jù)多樣，能夠更真實(shí)地反映實(shí)際服裝的幾何特性和結(jié)構(gòu)特點(diǎn)，為研究提供了可靠的數(shù)據(jù)支持。選取數(shù)據(jù)集中正肩的長(zhǎng)袖和短袖上衣，其中長(zhǎng)袖上衣140件，短袖上衣85件，共計(jì)225件。通過姿勢(shì)變化擴(kuò)展，每款服裝生成多個(gè)姿勢(shì)，最終得到1127個(gè)服裝點(diǎn)云數(shù)據(jù)作為本文的數(shù)據(jù)集。從標(biāo)注的3D特征線中提取袖窿區(qū)域的點(diǎn)云，使用最近鄰匹配方法將袖窿區(qū)域點(diǎn)云與服裝點(diǎn)云進(jìn)行匹配，以實(shí)現(xiàn)服裝點(diǎn)云的標(biāo)注（見圖2）。

DeepFashion3D數(shù)據(jù)集中的點(diǎn)云數(shù)據(jù)由三維掃描儀生成，屬于稠密點(diǎn)云。為了提高數(shù)據(jù)處理的效率和速度，對(duì)數(shù)據(jù)進(jìn)行稀疏化處理。采用隨機(jī)采樣法將服裝點(diǎn)云稀疏至12800個(gè)點(diǎn)，可有效保留服裝點(diǎn)云的結(jié)構(gòu)特征，點(diǎn)云預(yù)處理結(jié)果如圖3所示。本文在Clo3D中設(shè)計(jì)并制作了4款合體長(zhǎng)袖與4款合體短袖上衣。這些服裝均采用一片合體袖設(shè)計(jì)，袖山無褶皺，選用純棉布作為面料，以確保袖身結(jié)構(gòu)的平整性和研究的統(tǒng)一性，各效果圖如圖4所示。制作完成后，將服裝模型轉(zhuǎn)化為點(diǎn)云進(jìn)行預(yù)處理

1. 2 關(guān)鍵點(diǎn)云擬合曲線

1.2.1 基于曲率閾值的關(guān)鍵點(diǎn)云定位

針對(duì)分割得到的袖窿區(qū)域點(diǎn)云，使用閾值控制方法進(jìn)行處理。通過可視化點(diǎn)云獲取腋下噪點(diǎn)的坐標(biāo)值，以設(shè)置閾值進(jìn)行去噪。采用PCL（Pointcloudlibrary）中的法線估計(jì)算法，構(gòu)建KD樹加速最近鄰搜索，為每個(gè)點(diǎn)及其鄰域點(diǎn)計(jì)算協(xié)方差矩陣，并利用特征值求得曲率，再根據(jù)曲率設(shè)置閾值與邊界條件，標(biāo)記腋下特征點(diǎn)，最后根據(jù)這些特征點(diǎn)的坐標(biāo)信息設(shè)置動(dòng)態(tài)閾值以過濾兩側(cè)噪點(diǎn)，以得到最終的袖窿關(guān)鍵點(diǎn)云，操作流程如圖5所示。協(xié)方差矩陣 c 與曲率 κ 的計(jì)算公式為：

其中： i=1， 2， 3，…， 12800，j=1， 2， 3，…， 12800，為點(diǎn)云索引； q_i 為第 i 個(gè)點(diǎn)云的坐標(biāo)向量； 為鄰近點(diǎn)的均值向量； m 為鄰近點(diǎn)的數(shù)量； λ_j 為協(xié)方差矩陣的特征值， λ_min 為最小特征值。

1. 2.2 基于加權(quán)最小二乘法的曲線擬合

加權(quán)最小二乘法（Weighted least squares，WLS）通過為不同觀測(cè)數(shù)據(jù)點(diǎn)賦予權(quán)重，能夠有效處理噪聲或可靠性不同的觀測(cè)數(shù)據(jù)。袖窿關(guān)鍵點(diǎn)云離散且分布不均勻，為了提高擬合精度，針對(duì)腋下特征點(diǎn)設(shè)置權(quán)重，采用加權(quán)最小二乘法進(jìn)行曲線擬合，并引入正則化項(xiàng)以確保曲線擬合更加平滑。該方法顯著提高了擬合質(zhì)量，增強(qiáng)了擬合曲線的魯棒性和準(zhǔn)確性。

對(duì)于一組給定的 n 個(gè)數(shù)據(jù)點(diǎn) （x_i，y_i，z_i） ，分別對(duì) x 和 z 進(jìn)行擬合，以找到系數(shù)向量 A 和 B 。目標(biāo)是使擬合的 d 階多項(xiàng)式曲線 f_x（y） 和 f_z（y） 盡可能接近觀測(cè)值 x_i 和 z_i ，多項(xiàng)式的公式如下：

為了擬合上述曲線，需將多項(xiàng)式擬合問題轉(zhuǎn)換為線性代數(shù)問題來求解多項(xiàng)式的系數(shù)。為此，需要把上述方程中 y 的各階次冪組合成矩陣形式，構(gòu)建設(shè)計(jì)矩陣 P .

其中：設(shè)計(jì)矩陣 P 的每一行表示對(duì)應(yīng)點(diǎn) y_i 的多項(xiàng)式值； y_i 是觀測(cè)點(diǎn)的自變量。

為了反映數(shù)據(jù)點(diǎn)的重要性和可信度，對(duì)關(guān)鍵數(shù)據(jù)點(diǎn)設(shè)置權(quán)重 ω_i ，構(gòu)建對(duì)角權(quán)重矩陣 W .

在多項(xiàng)式曲線擬合過程中，通過加權(quán)殘差平方和衡量誤差，同時(shí)加入正則化項(xiàng)防止過擬合，正則化參數(shù)γ控制其權(quán)重。最終的目標(biāo)是最小化加權(quán)殘差平方和與正則化項(xiàng)的和，公式如下：

其中： X 和 z 分別是觀測(cè)值 x 與 z 的向量； ξ_x 和 ξ_z 分別表示與變量相關(guān)的加權(quán)殘差平方和。

1. 2.3 基于圓弧插補(bǔ)和三次樣條插值的袖窿曲線 優(yōu)化

在完成前后袖窿點(diǎn)云曲線擬合后，將兩條曲線合并。合并后的曲線在連接處并未完全閉合，存在線條缺失和錯(cuò)位的問題。為解決此問題，本文采用圓弧插補(bǔ)算法，將兩條曲線的端點(diǎn)作為插補(bǔ)的起點(diǎn)和終點(diǎn)，計(jì)算切線方向，以圓弧在端點(diǎn)處與切線相切為插補(bǔ)條件，分別在曲線的端點(diǎn)處進(jìn)行圓弧插補(bǔ)。

給定兩個(gè)端點(diǎn)坐標(biāo) o₁=（x₁ ， y₁ ， z₁） 和 o₂= （204號(hào) （x₂，y₂，z₂） ，其對(duì)應(yīng)的切線方向向量為 ρ₁=（ρ_1，x ，ρ_1y，ρ_1z） 和 ρ₂=（ρ_2x，ρ_2y，ρ_2z） ，選擇 y-z 平面進(jìn)行圓弧插補(bǔ)，僅考慮 y 和 z 坐標(biāo)。為了找到最佳圓心（y_o，z_o） 和半徑 r ，定義優(yōu)化目標(biāo)函數(shù)，確保圓弧起點(diǎn)和終點(diǎn)處與切線方向相切。限制條件與優(yōu)化目標(biāo)如下：

a）確保終點(diǎn)在圓弧上：

b）確保圓心到切點(diǎn)的向量與切線方向垂直：

優(yōu)化目標(biāo)是最小化以下函數(shù)：

F（y_o，z_o）=f₁²（y_o，z_o）+f₂²（y_o，z_o）+f₃²（y_o，z_o）

為消除微小的錯(cuò)位并優(yōu)化曲線的平滑性，采用三次樣條插值，結(jié)合高斯濾波處理，生成的袖窿曲線更為光滑圓順，顯著提升了曲線的整體平滑性。從擬合好的曲線中提取 k 個(gè)數(shù)據(jù)點(diǎn) （x_i ，可以分成 k-1 個(gè)區(qū)間，在每個(gè)區(qū)間構(gòu)造一個(gè)三次函數(shù)，共 k-1 段三次函數(shù)。對(duì)于每一段區(qū)間 [t_i ， t_i+1] ，定義一個(gè)三次函數(shù) φ_i（t） 。這 k-1 段函數(shù)是連續(xù)的，前一段方程在節(jié)點(diǎn)處的函數(shù)值和后一段方程在節(jié)點(diǎn)處的函數(shù)值要相等，在節(jié)點(diǎn)處有相同的曲率，且要首尾相連，函數(shù)與約束條件的公式如下：

φ_i（t）=a_i+b_i（t-t_i）+r_i（t-t_i）²+d_i（t-t_i）³

其中：k 是從擬合曲線里提取的點(diǎn)的個(gè)數(shù);a，、b、i、d_i 是第 i 段樣條的系數(shù)； t_i 代表第 i 個(gè)數(shù)據(jù)點(diǎn)的參數(shù)值; φ_i（t_i+1） 表示第 i 段函數(shù)尾部的函數(shù)值；φi+1（i+1）代表第i+1段函數(shù)頭部的值。

2 袖身樣板的展開與修正方法

基于角度保護(hù)的曲面展開算法是一種將三維模型展開為二維平面的技術(shù)，該算法的關(guān)鍵在于通過在模型表面選擇合適的切割路徑，將其劃分為多個(gè)區(qū)域，并將這些區(qū)域映射到二維UV坐標(biāo)系中。在映射過程中，算法旨在保持展開后形狀和面積比例的相對(duì)一致性，通過適當(dāng)?shù)臄?shù)學(xué)模型和插值方法，盡量減少角度和距離的失真，其原理示意圖如圖6所示，圖中 S_iΩ_?S_j 分別表示第 i 與 j 個(gè)三角形的面積，α_i…β_j 分別表示第 i 與 j 個(gè)三角形的角度。在展開過程中，算法通過實(shí)時(shí)監(jiān)測(cè)展開后形狀的幾何特征（包括角度和面積比）來評(píng)估展開效果，并依據(jù)監(jiān)測(cè)結(jié)果進(jìn)行必要的調(diào)整。借助于動(dòng)態(tài)反饋機(jī)制，算法能夠迅速識(shí)別并修正因切割路徑選擇或區(qū)域劃分不當(dāng)而導(dǎo)致的失真問題，確保最終展開形狀與原始三維模型的幾何特性盡可能保持一致。這種實(shí)時(shí)調(diào)整的策略不僅增強(qiáng)了展開算法的靈活性與魯棒性，還為實(shí)現(xiàn)高保真度的三維到二維的映射提供了理論支持。

袖身樣板展開過程如圖7所示。將生成的袖窿分割線作為邊界條件構(gòu)建切割面，通過布爾運(yùn)算進(jìn)行切割得到袖身模型。由于本文的主要研究對(duì)象是袖窿分割線的自動(dòng)識(shí)別，在樣板展開時(shí)，袖底縫和袖開衩均采用原始分割線，以便進(jìn)行樣板對(duì)齊驗(yàn)證，提高驗(yàn)證結(jié)果的準(zhǔn)確性。袖山縮縫量是二維袖身樣板中的關(guān)鍵參數(shù)，在服裝縫合成三維模型后，袖山縮縫量會(huì)在縫合過程中平攤至袖窿區(qū)域，導(dǎo)致在展開的二維樣板中無法直接觀察到縮縫量。為解決這一問題，本文添加了袖山弧線修正規(guī)則[15]，依據(jù)不同袖型的特點(diǎn)設(shè)置袖山的縮縫量并合理分配，最終得到符合實(shí)際需求的樣板。具體的縮縫量設(shè)置規(guī)則詳見表1。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 服裝點(diǎn)云分割結(jié)果分析

3.1.1 環(huán)境與評(píng)價(jià)指標(biāo)

本實(shí)驗(yàn)共計(jì)1127個(gè)服裝點(diǎn)云數(shù)據(jù)，隨機(jī)選取其中1014個(gè)數(shù)據(jù)作為訓(xùn)練集，113個(gè)數(shù)據(jù)作為測(cè)試集。通過深度學(xué)習(xí)框架PyTorch2.1實(shí)現(xiàn)，處理器為i9-12900K，顯卡為NVIDIAGeForceRTX4090，編程語言為Python3.10.9，CUDA版本為12.1。網(wǎng)絡(luò)采用Adam優(yōu)化器，初始學(xué)習(xí)率設(shè)定為0.0001，批量大小設(shè)置為4，動(dòng)量設(shè)定為0.9，訓(xùn)練輪數(shù)為400。

本文采用準(zhǔn)確率（Accuracy，ACC）和交并比（Intersectionoverunion，IOU）作為定量評(píng)價(jià)指標(biāo)[16]。準(zhǔn)確率用于計(jì)算正確預(yù)測(cè)的結(jié)果占總樣本的百分率，交并比用于評(píng)估預(yù)測(cè)結(jié)果與實(shí)際標(biāo)簽的重疊程度，其數(shù)值越大說明點(diǎn)云分割結(jié)果越好。準(zhǔn)確率和交并比的計(jì)算公式如下：

其中： ψ 表示準(zhǔn)確率； 5 表示交并比； g 表示被正確預(yù)測(cè)的點(diǎn)數(shù)； h 表示總點(diǎn)數(shù)； T_P 表示被正確預(yù)測(cè)為目標(biāo)類的數(shù)量； F_P 表示錯(cuò)誤預(yù)測(cè)為目標(biāo)類的數(shù)量；F_N 表示是目標(biāo)類但未被正確預(yù)測(cè)為目標(biāo)類的點(diǎn)的數(shù)量。

3.1.2 結(jié)果分析

通過計(jì)算準(zhǔn)確率和交并比來評(píng)估DGCNN的分割性能，結(jié)果如表2所示。該網(wǎng)絡(luò)在訓(xùn)練和測(cè)試過程中均能夠較好地?cái)M合數(shù)據(jù)，達(dá)到了較高的準(zhǔn)確率和交并比，表明DGCNN具有良好的泛化能力。本文從測(cè)試集里選取了幾款服裝的分割結(jié)果進(jìn)行可視化以作定性分析，通過觀察原始數(shù)據(jù)集與預(yù)測(cè)結(jié)果的點(diǎn)云標(biāo)注，可以發(fā)現(xiàn)分割出來的袖區(qū)域與原始數(shù)據(jù)高度相似（見圖8），進(jìn)一步驗(yàn)證了該網(wǎng)絡(luò)的分割性能。對(duì)8款在CLO3D中制作的服裝進(jìn)行測(cè)試，其分割結(jié)果如圖9所示，可以看出即使輸入空白測(cè)試集，網(wǎng)絡(luò)仍能準(zhǔn)確分割袖窿部位，說明該網(wǎng)絡(luò)具有較強(qiáng)的泛化能力，能夠在未見過的數(shù)據(jù)上也表現(xiàn)良好。

3.2 袖窿關(guān)鍵點(diǎn)云擬合結(jié)果分析

袖窿關(guān)鍵點(diǎn)云擬合曲線的質(zhì)量直接影響樣板展開的準(zhǔn)確度，本文選用均方根誤差（Rootmeansquareerror，RMSE）和平均絕對(duì)誤差（Meanabsoluteerror，MAE）作為評(píng)估擬合曲線優(yōu)劣的指標(biāo)，這兩個(gè)指標(biāo)的數(shù)值越小，表明擬合曲線與真實(shí)曲線之間的偏差越小，擬合質(zhì)量越高。關(guān)鍵點(diǎn)云擬合曲線與真實(shí)曲線的定量結(jié)果如表3所示，RMSE與MAE均小于 0.200cm ，表明擬合曲線能夠較好地反映真實(shí)袖窿曲線的形態(tài)。為了更直觀地展示擬合效果，將這8款服裝擬合出的曲線與真實(shí)曲線進(jìn)行了可視化（見圖10），可以發(fā)現(xiàn)擬合曲線與真實(shí)曲線高度相似，這進(jìn)一步驗(yàn)證了本文提出的曲線擬合方法的有效性和準(zhǔn)確性。

3.3 生成的袖身樣板結(jié)果分析

在生成樣板的準(zhǔn)確度驗(yàn)證中，采用了袖長(zhǎng)、袖肥、袖山高和袖山弧長(zhǎng)等關(guān)鍵尺寸作為評(píng)價(jià)指標(biāo)。為了定量評(píng)估生成樣板與真實(shí)樣板之間的差異，計(jì)算了關(guān)鍵部位的尺寸偏差以及整體的平均絕對(duì)誤差，測(cè)量結(jié)果見表4。表4顯示：其中關(guān)鍵尺寸的最大偏差為 0.423cm ，其余偏差在 0.100～ 0.500cm 之間，整體的平均偏差為 0.238cm ，所有樣板的平均絕對(duì)誤差較低，平均值為 0.296cm 表明生成樣板與真實(shí)樣板之間具有較高的一致性。

根據(jù)標(biāo)準(zhǔn)女裝基本紙樣[17里的袖子制作方法，袖山弧線的彎曲程度是影響袖子樣板的重要因素。本文將每款袖子樣板的前后斜線四等分，計(jì)算靠近頂點(diǎn)的等分點(diǎn)與袖山弧線之間的垂直距離，并比較生成樣板與真實(shí)樣板之間的差值，結(jié)果如表5所示。

由表5可知：各服裝在4個(gè)等分點(diǎn)的垂直距離差值在 0.400cm 之內(nèi)，均處于較低的范圍。圖11為生成樣板與真實(shí)樣板的對(duì)比效果圖，說明生成樣板與真實(shí)樣板的袖山弧線整體保持較高的一致性，這進(jìn)一步驗(yàn)證了本文方法的可行性。

3.4 對(duì)比試驗(yàn)與結(jié)果分析

為了驗(yàn)證本方法的可行性，設(shè)置了對(duì)比試驗(yàn)。NeuralTailor是一種基于深度神經(jīng)網(wǎng)絡(luò)的框架，能夠從三維點(diǎn)云中恢復(fù)服裝二維樣板和縫合信息。該網(wǎng)絡(luò)通常要求輸入基于T造型的服裝模型，在Clo3D中改變這8款服裝模型的造型，將其輸入到NeuralTailor網(wǎng)絡(luò)中進(jìn)行測(cè)試，生成的樣板與本文方法得到的樣板如圖12所示。從圖12可以看出：NeuralTailor網(wǎng)絡(luò)處理的服裝模型表面存在大量褶皺，并因造型而產(chǎn)生嚴(yán)重的幾何失真，生成的袖身樣板與真實(shí)樣板嚴(yán)重脫節(jié)，其袖山弧線呈現(xiàn)出中間凹陷、兩側(cè)凸起的不規(guī)則形狀，這不僅難以實(shí)現(xiàn)縫合時(shí)的平順銜接，且可能顯著影響成衣的穿著舒適性和整體外觀效果；相比之下，本文方法輸入的服裝模型表面平整，無明顯拉伸或幾何變形，能夠準(zhǔn)確表達(dá)服裝的款式特征。在樣板生成過程中，通過精準(zhǔn)的袖窿曲線擬合技術(shù)，生成的袖山弧線形狀更加平滑自然，符合袖身制版規(guī)則，顯著提升了樣板的合理性和適用性。

4結(jié)語

本文針對(duì)袖窿分割線識(shí)別困難、生成的袖身樣板不符合制版要求的問題，提出了一種可自動(dòng)識(shí)別出高精度袖窿分割線的方法，并通過實(shí)驗(yàn)驗(yàn)證了其有效性和實(shí)用性。首先，利用DGCNN對(duì)服裝點(diǎn)云進(jìn)行粗分割，在訓(xùn)練集和測(cè)試集上的準(zhǔn)確率分別達(dá)到 96.8% 與 96.2% ，表明該網(wǎng)絡(luò)可以準(zhǔn)確定位袖窿區(qū)域點(diǎn)云。又引入閾值控制方法對(duì)點(diǎn)云進(jìn)行去噪，獲得袖窿關(guān)鍵點(diǎn)云，有效解決了袖窿分割線定位困難的問題。然后，采用加權(quán)最小二乘法與圓弧插補(bǔ)方法獲得袖窿曲線，并使用三次樣條插值對(duì)曲線進(jìn)一步優(yōu)化，計(jì)算真實(shí)袖窿曲線與擬合曲線的RMSE和MAE，結(jié)果表明兩條曲線高度相似。此外，使用基于角度保護(hù)的曲面展開算法生成袖身樣板，并與真實(shí)樣板進(jìn)行對(duì)比分析，結(jié)果表明兩者在袖山弧線形態(tài)及整體尺寸上保持較高的一致性，進(jìn)一步驗(yàn)證了袖窿分割線的準(zhǔn)確性。最后，將實(shí)驗(yàn)對(duì)象應(yīng)用于

NeuralTailor網(wǎng)絡(luò)進(jìn)行對(duì)比分析，結(jié)果表明本文方法生成的袖山弧線與袖身樣板更加接近真實(shí)樣板，且符合工業(yè)制版要求。

與現(xiàn)有方法相比，本方法在精度和效率上均具有顯著優(yōu)勢(shì)，為服裝工業(yè)中的自動(dòng)化制版提供了可靠的技術(shù)支持。但本研究仍存在一些不足之處：在點(diǎn)云分割數(shù)據(jù)集中，僅標(biāo)注了正肩袖窿區(qū)域點(diǎn)云，對(duì)于插肩袖、落肩袖及其他特殊袖型（如燈籠袖、泡泡袖等），尚無法直接使用。另外，實(shí)驗(yàn)中僅考慮了純棉面料，未涉及不同面料的三維形狀差異對(duì)樣板生成的潛在影響。為此，后續(xù)研究需擴(kuò)展數(shù)據(jù)集，涵蓋更多樣化的袖型和面料類型，并進(jìn)一步探索側(cè)縫和肩線等其他服裝造型線的分割方法，以生成更加全面和精確的服裝樣板。

參考文獻(xiàn)：

[1]葉勤文，王朝暉，黃榮，等．虛擬服裝遷移在個(gè)性化服裝定制中的應(yīng)用[J].紡織學(xué)報(bào)，2023，44（6）：183-190.

[2]段欣瑜，吳巧英.基于Matlab的女褲參數(shù)化制版方法[J].學(xué)報(bào)（自然科學(xué)），2024，51（2）：220-228.

[3]莊冬冬，任若安，孫捷．人工智能生成內(nèi)容賦能服裝品牌數(shù)智化轉(zhuǎn)型路徑研究[J].絲綢，2024，61（9）：12-19.

[4]路麗莎，蔣高明．全成形針織服裝三維款式向二維樣板轉(zhuǎn)化方法[J].紡織學(xué)報(bào)，2022，43（10）：133-140.

[5]王朝暉，吳雨曦，楊敏．基于三維測(cè)量數(shù)據(jù)的個(gè)性化女裝原型樣板生成[J].紡織學(xué)報(bào)，2019，40（9）：143-149.

[6]LiuKX，ZengXY，BruniauxP，et al.3D interactive garmentpattern-making technology[J].Computer-Aided Design，2018，104：113-124.

[7]Korosteleva M，Lee S H. NeuralTailor：Reconstructing sewingpattern structures from 3D point clouds of garments[J]. ACMTransactions on Graphics，2022，41（4）：1-16.

[8]HuangH Q，Mok PY，Kwok YL，etal.Block patterngeneration：from parameterizing human bodies to fit featurealigned and flattenable 3D garments[J]. Computers in Industry，2012，63（7）：680-691.

[9]Meng Y M，Mok P Y，Jin X G. Computer aided clothingpattern design with 3D editing and pattern alteration[J].Computer-Aided Design，2012，44（8）：721-734.

[10]Bang S，Korosteleva M，Lee S H. Estimating garmentpatterns from static scan data[J].Computer Graphics Forum，2021，40（6）：273-287.

[11]肖伯祥，劉正東，郭昱成，等．基于三維人體掃描模型的襯衣版型生成方法[J].紡織學(xué)報(bào)，2022，43（12）：151-159.

[12]WangY，Sun YB，Liu ZWet.al.Dynamic graph CNN forlearning on point clouds[J]. ACM Transaction on Graphics，2019，1（1）：1-12.

[13]陳西江，鄧輝，趙不釩，等．綜合動(dòng)態(tài)圖卷積和局部關(guān)系卷積的點(diǎn)云分類與分割[J].測(cè)繪科學(xué)，2023，48（8）：182-192.

[14]ZhuHM，CaoY，JinH，etal.DeepFashion3D：Adatasetandbenchmark for 3D garment reconstruction from singleimages[C]//European Conference on Computer Vision. Cham：Springer，2020：512-530.

[15]張文斌.服裝結(jié)構(gòu)設(shè)計(jì)[M].北京：中國紡織出版社，2006：216-218.

[16]陳思帆，楊家志，黃琳，等．融合可變形核和自注意力的點(diǎn)云分類分割邊卷積網(wǎng)絡(luò)[J/OL].計(jì)算機(jī)工程.（2024-06-18）[2024-10-17].https：//doi.org/10.19678/j.issn.1000-3428. 0069284.

[17]劉瑞璞.服裝紙樣設(shè)計(jì)原理與應(yīng)用：女裝編[M].北京：中國紡織出版社，2008：62-65.

（責(zé)任編輯：張會(huì)?。?/p>