封面文章

• 2023年第10期封面故事----相似样板匹配技术：人工智能背景下实现从服装款式图到服装样板转换的新途径

  封面文章：基于服装结构特征识别的相似样板匹配技术
  

  
  

  封面设计说明：封面主图展示的是从服装款式图识别到相似样板匹配的过程。图中间是一张正在穿过一层层网格的放大的裤子款式图，位于两边的机器人则在扫描款式图从而获取信息，机器人和网格象征着人工智能深度学习，体现了这一过程实现的核心技术。从前往后，一张张裤子款式图依次通过代表卷积、池化等深度学习的黄色框格生成不同的特征图像，然后特征图经过象征着全链接处理的白色放大镜后变为分类标签，并最终落到数据库方格中，方格旋转即能展示出隐藏在款式图背后的结构样板。款式图与结构样板一明一暗，它们之间既有区别又有联系，通过人工智能技术将这种联系具象化，最终实现从款式图识别到相似样板的匹配。

  主要内容介绍

  从服装智能制版的角度出发，基于对已有服装大数据的思考，将服装制版知识与计算机科学领域的人工智能技术相结合，通过平面款式图的识别，匹配样板库中结构最接近的样板，基于该样板进行新样板开发。这种制版方法可以最大限度地利用已有样板的结构信息，提高制版效率，为服装智能制版提供新的思路和方法。

  首先，为了解决款式图与样板的关联问题，即如何通过款式图识别得到相似度较高的样板，从分类标签的设计进行突破，根据女裤结构制图知识，对平面款式图中可作为样板相似性评价指标的服装结构特征进行定义，并根据定义设置多标签类别。然后采用问题转化法将多标签分类转化为单标签多分类，以建立平面款式图、结构特征和样板这三者之间的联系。通过数据可视化等方法对标签之间相关性进行研究，去除无效标签，最终确定了女裤的18个分类标签；其次，深度学习模型的构建。以女裤的平面款式图为样本，建立了包含2万多张样本的服装数据集。针对数据集的特点对经典AlexNet网络进行改进，包括简化网络结构，在每层卷积层后增加批归一化操作。模型测试结果表明，在卷积层后增加批归一化操作后模型的收敛速度更快，识别准确率也有所提高。改进后模型在验证集上的准确率为83.4%，召回率和F1值分别为0.834和 0.835，相比改进前的AlexNet模型，准确率提高了6.7%，相比Resnet18和 VGG11模型准确率分别高出6%和3.6%，实验模型可用于款式图的结构特征识别及相似样板匹配。

  

  表1 改进后的网络模型

  

  图 2 不同模型不同类别准确率

  
  

  研究团队介绍

  
  

       在国家重点研发计划、上海市科学技术委员会项目等的支持下，上海工程技术大学谢红教授及其团队长期致力于服装数字化和智能化的研究，并取得了较多的科研成果。在数字化服装设计与制造领域，针对服装产业发展及服装工业智能化共性关键问题，从智能量体、智能制版等多个方面进行技术攻关，开发构建了基于人体数据远程移动测量的智能化服装生成系统，包括人体数据移动智能采集系统和服装智能样板设计系统。该团队以先进的信息技术为基础，围绕国家纺织服装的战略发展目标，不断提高信息技术在生产、经营和管控中的作用。

  
  

发布日期： 2023-12-14    浏览： 433