基于深度學習的服裝絲縷平衡性評價系統(tǒng)

許 倩， 陳敏之,2

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

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

在服裝產品試樣的過程中，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驗來對多部位進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，并且費時費力。在數字化服裝量身定制發(fā)展的今天，個性化、智能化的設計和制造成為發(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自動評價，這一定程度上制約了數字化服裝設計在產業(yè)中的應用。

在智能化生活的大環(huán)境下，利用深度學習在圖像識別上可對圖像自動提取特征，利用權值共享提高訓練效率，進一步提高識別率的優(yōu)越性[6-8]。本文引入深度學習的方法，提出一種基于絲縷狀態(tài)的虛擬試裝的評價模型，從而建立可實現對服裝各關鍵部位絲縷平衡性自動評價系統(tǒng),為服裝的智能設計與制造提供理論和技術參考。

1 深度學習模型構建

1.1 卷積神經網絡模型構造原理

深度學習的概念源于人工神經網絡的研究，其中卷積神經網絡[9-10]是目前研究和應用都比較廣泛的一種深度學習結構，是一種特殊的圖像識別方式，屬于帶有前向反饋的網絡。卷積神經網絡含有特征學習部分，可模仿人腦對圖像信號的提取、處理和識別，從而進行智能分類。

本文所設計的卷積神經網絡模型，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，通過輸入服裝關鍵部位的絲縷效果圖片，系統(tǒng)實現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：輸入服裝關鍵部位絲縷效果圖片→對服裝絲縷效果圖進行特征提取→絲縷順直效果的智能評判→輸出絲縷平衡等級。

1.2 卷積神經網絡模型搭建

本文設計的絲縷平衡性評價卷積神經網絡模型參照了Alexnet[11]模型構造，主要包括輸入層、卷積層、池化層、全連接層和輸出層，網絡的每一層都由1個或多個二維平面構成，每個平面由多個獨立的神經元構成。網絡模型訓練的結構如圖1所示。

圖1 服裝絲縷平衡性評價的卷積神經網絡結構

1.2.1 輸入層

輸入層直接接收輸入數據，通過處理圖像信息，使神經元的值與圖像相應像素點上的灰度值對應。卷積神經網絡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，是卷積神經網絡的核心。卷積是圖像處理中常用的線性濾波方法，以實現圖像降噪、圖像銳化等，這種運算是通過卷積核實現的。卷積核是指使用一個權值矩陣表示單個像素與其鄰域像素之間的關系。每一個卷積核都是一個特征提取器，對應生成一副新的特征圖，卷積層的運算直接影響到神經網絡的分類結果。

卷積運算是讓卷積核沿著輸入圖片的坐標橫向或縱向滑動，與相對應的數據進行卷積運算，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。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元的數量來提高計算效率。池化的目的是通過空間變換來減少特征映射輸入數據的大小，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行神經元壓縮，提高運算效率。各層網絡參數如表1所示。

表1 各層網絡參數

1.2.3 輸出層

卷積神經網絡輸出層包含3層全連接層，最終通過Softmax分類器分類輸出結果。

全連接層是指神經網絡一層中的所有神經元和前一層的每個神經元都有連接，在卷積神經網絡上一般位于分類器的前端，其作用是將學習到的“分布式特征表示”映射到樣本標記空間，實現分類的顯式表達。本文采用全連接層的具體參數如表2所示。

表2 全連接層網絡參數

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 卷積神經網絡模型訓練與測試

網絡訓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，具有明顯絲縷標識線的服裝被穿于人臺上，呈現出不同的絲縷平衡效果。在設置水平基準線的參照下，對各局部拍攝照片(尺寸為256像素×256像素)，然后對輸入圖像進行裁剪，得到卷積神經網絡的輸入尺寸為227像素×227像素。

網絡訓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行等級評定(平衡等級見表3)，將評價結果統(tǒng)計后，每份樣本的最終等級取5個評價結果的眾數。經過篩選最終得到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)上搭建快速機器學習環(huán)境的Torch7來完成對卷積神經網絡模型的訓練，得到服裝絲縷平衡性評價模型，訓練結果總體準確率為93.589%，具體數據如表4所示。

表4 服裝絲縷平衡性評價的卷積神經網絡模型學習訓練結果

作為對服裝絲縷平衡評價卷積神經網絡模型的測試，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網絡測試結果如表5所示。

表5 服裝絲縷平衡性評價的卷積神經網絡模型測試結果

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

2 服裝絲縷平衡性評價系統(tǒng)的構建

為了使服裝絲縷平衡性評價的卷積神經網絡模型適合應用于實際，構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行各部位絲縷平衡效果的評價。

實驗隨機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，獲得的人體數據如表6所示。在虛擬試衣Vidya軟件內制版假縫1件合體男西服。系統(tǒng)自動呈現絲縷線的走向，運用服裝絲縷平衡性評價模型對服裝10個關鍵部位進行評價，系統(tǒng)可對各部位平衡度設定閾值，如前中部位基本上無特殊設計，對絲縷順直要求高，需達到平衡結果才顯示“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個關鍵部位和服裝絲縷平衡性評價結果示意圖

3 結束語

本文針對服裝絲縷平衡性的自動評價，利用深度學習在圖像識別上的優(yōu)越性，基于Alexnet模型，構建了服裝絲縷平衡性評價的卷積神經網絡模型。設定了輸入層、卷積層、池化層、全連接層、輸出層的網絡結構。實現了基于服裝局部絲縷效果圖平衡等級仿真評價，網絡模型訓練準確率達到93.589%。針對服裝絲縷平衡評價卷積神經網絡模型的測試，虛擬試驗樣本平均測試準確度達到80.00%。進而設計開發(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。

在虛擬全球與現實全球相融合的工業(yè)4.0時代，智能服裝更適應時代的快節(jié)奏發(fā)展，提供更加舒適便利的生活服務，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，從而簡化個性化服裝試裝的流程，提高虛擬試裝的運用成效和服裝的生產效率，使個性化定制服裝的批量化生產成為可能。