多因素耦合翻立領樣板生成模型構建

郭子翊，黃振華，龍穎，鄒奉元*，2，3

(1.浙江理工大學 服裝學院，浙江 杭州 310018；2.浙江理工大學 絲綢文化傳承與產品設計數字化技術文化和旅游部重點實驗室，浙江 杭州 310018；3.浙江理工大學 浙江省服裝工程技術研究中心，浙江 杭州 310018)

隨著信息技術的快速發(fā)展，服裝業(yè)逐步走向數字化、自動化和智能化，服裝樣板自動生成是服裝CAD技術的重要研究方向之一，在服裝遠程定制、服裝智能制造等領域有著巨大的應用潛力[1]。

大量研究圍繞樣板自動生成展開。HAN H S等[2]為解決服裝定制中樣板需要逐個手動創(chuàng)建的問題，制定依據身體測量值的預測樣板放碼規(guī)則，并通過分級法調整樣板。劉肖等[3]為消除款式圖和樣板圖信息表達之間的誤差，建立兩者的參數化關系，實現(xiàn)領、袖部款式圖到樣板圖的轉化。GU B等[4]為滿足消費者對個性化服裝的需求，利用Imageware軟件測量女性身體點云數據，運用SPSS軟件制定高度計算規(guī)則，再通過回歸分析建立人體數據預測模型，最后利用CAD系統(tǒng)實現(xiàn)女式西服參數化樣板的自動生成。LIU K X等[5]運用三維掃描技術，對120名女性身體數據進行測量，將身高、臀圍和腰圍作為關鍵尺寸輸入BP-ANN模型訓練，預測人體下體其他尺寸并生成樣板，運用虛擬試穿系統(tǒng)對樣板進行驗證與調整。劉為敏等[6]為快速得出適合顧客體型的樣板，運用BP神經網絡算法構建基于人體腰圍、臀圍尺寸的神經網絡模型，實現(xiàn)樣板的自動生成，減少服裝制版對樣板師的依賴。LEE W等[7]為解決參數化樣板不合體的問題，提出二次參數化模型修正方法，提高了參數化樣板的合體度。LIU K X等[8]提出了一種基于人體尺寸的服裝樣板參數化設計方法，以牛仔褲為例，通過牛仔褲廓型、長度和腰高以及人體身高、腰圍和臀圍得到牛仔褲樣板，并運用三維虛擬試穿調整樣板參數。LIU K X等[9]就款式圖與樣板圖獨立生成造成生產效率低的問題，利用款式圖、人體與樣板的關系構建數學模型，將款式圖數據加入樣板生成的規(guī)則中，實現(xiàn)款式圖與樣板圖的轉化。

相同樣板在不同面料下制作的成衣會有不同造型[10-11]。張莎莎等[12]為研究面料性能對A字裙的影響，提取了A字裙多個方向圖像面積、裙寬、裙厚、波浪個數等造型參數指標,最后用相關分析和回歸分析得到了具有顯著影響的面料性能指標。針對面料性能與翻領間隙量影響關系不明確的問題，吳志明等[10]研究了面料性能對連翻領間隙量的影響，以及當翻領寬與領座高的差值變化時,面料性能對翻領間隙量變化規(guī)律的影響。楊曉敏等[11]針對翻駁領倒伏量難以設計的問題，運用KES-FB織物風格測試儀測量面料力學性能，通過主成分分析得到拉伸回彈性、壓縮回彈性和單位面積質量為顯著影響因子，基于回歸分析得出面料力學性能參數與翻駁領倒伏量的定量關系。但以上研究僅考慮了面料因素或款式圖參數對樣板的影響，均未將樣板生成視為面料與款式圖共同作用的結果。

綜上，目前樣板生成的研究均未從面料和款式圖的耦合作用展開，影響了樣板生成中尺寸的預測精度。因此，文中采用Lasso回歸算法，將面料性能和款式圖參數耦合到PSO-RBF神經網絡中，以翻立領為例，確定款式圖與面料中的影響因子，構建面料參數與款式圖參數多因素耦合的樣板生成模型。

1 實驗部分

文中數據源于浙江某制衣公司，通過分析生產工藝單，篩選出69張翻領款式圖及每張款式圖對應的樣板圖。翻立領款式圖及其對應的樣板圖示例如圖1所示。

圖1 翻立領款式圖及其對應的樣板圖Fig.1 Lapel collar style chart corresponding to the sample chart

1.1 領型數據獲取

1.1.1樣板數據獲取 翻立領生成過程中使用底領下口線、起翹量、底領上口線、底領高、間隙量，翻領高、翻領寬、翻領下口線和翻領外口線等9個樣板參數，如圖2所示。在實際翻立領樣板生成過程中，只需要得到翻領下口線、起翹量、底領高、間隙量、翻領高和翻領寬6個變量，就可確定領子整體造型[13]。因此，文中實驗在對樣板圖測量時僅對這6個變量進行測量。

圖2 翻立領樣板Fig.2 Pattern of the collar flat

1.1.2款式圖數據獲取 運用dizimizer軟件對浙江某制衣企業(yè)提供的生產工藝單中的服裝款式圖進行測量。該軟件將兩點之間像素作為測量數值，并將其保存為Excel文件，作為預測模型的樣本庫。由于每張款式圖的格式大小不同，導致在統(tǒng)一標尺下測量數據誤差較大。因此記錄工藝單中的衣長，并測量款式圖中的衣長，對款式圖進行修正?？钍綀D比例標尺如圖3所示。

圖3 款式圖比例標尺Fig.3 Style drawing scale

款式圖和樣板圖測量值對比如圖4所示。文中將數據分為固定值、預測值和設計值。首先，在獲取樣板領型變量時，采用領圍為40 cm的樣板進行測量，把領子樣板生成過程中底領下口線定為常量，減少需要預測的變量；其次，樣板翻領高、翻領寬和底領高在款式圖上都有對應的部位，因此視其為預測值，將款式圖與樣板圖的差作為輸出值；最后，將間隙量和起翹量作為設計值。

圖4 款式圖和樣板圖測量值對比Fig.4 Comparison of measurements between style and sample drawings

1.2 面料性能測定

1.2.1儀器 XY精密電子天平，常州幸運電子設備有限公司制造；YG(B)141D數字式織物厚度儀，YG026PC-250電子強力機，YG(B)022D自動織物硬挺度試驗儀，均由溫州際高檢測儀器有限公司制造；YG541E全自動織物折皺彈性儀，寧波紡織儀器廠制造；YG800織物懸垂性測定儀，閩測儀器設備(廈門)有限公司制造；Escan三維掃描儀，先臨三維科技股份有限公司制造。

1.2.2面料 文中所選面料為浙江藍天制衣有限公司的工裝制服面料，面料成分主要為棉和滌綸，面料的基本規(guī)格參數見表1。

表1 面料基本規(guī)格參數Tab.1 Basic fabric specifications

1.2.3方法 實驗要測定的面料性能指標有面密度、厚度、拉伸性能、彎曲性能、壓縮特性和懸垂性[10-11]，嚴格按照面料性能測試要求，每個項目均測量3次取平均值。

1.2.4結果 9種面料的性能測試結果見表2。

表2 面料性能指標Tab.2 Fabric mechanical properties

1.3 輸入數據優(yōu)化

針對不同領型樣板數據采用不同的輸入方式。首先針對預測值，以面料參數作為輸入，以款式圖與樣板圖差值作為輸出，對測量數據進行偏移校準。而對于設計值，則選用款式圖底領高、翻領高、翻領寬以及面料參數作為輸入，間隙量和起翹量作為輸出。

由于設計值輸入數據為款式圖數據和面料數據，輸入數據過多且為離散數據，因此選擇Lasso回歸算法實現(xiàn)變量的篩選，在變量篩選同時對復雜度進行調整。構建Lasso模型主要分為3步。

1)讀取款式圖、面料和樣板數據，構建Lasso模型的輸入與輸出，將數據集的80%作為訓練集，20%的數據作為測試集。

2)定義Lasso回歸算法分析函數，對數據集進行回歸分析，并輸出回歸效果和對應變量的回歸系數，通過此方法確定懲罰范數L1的取值。L1正則化公式如下：

式中，X，y為訓練樣本和相應標簽;w為權重系數向量；f為目標函數;Ω即為懲罰項;參數α控制正則化強弱。

3)采用步驟2)所得的Alpha參數對款式圖和面料參數進行降維。

1.4 Lasso參數降維

面料數據與款式圖數據共有26個變量，將26個變量輸入PSO-RBF神經網絡會形成噪聲，從而干擾網絡的性能，因此運用Lasso回歸算法對數據進行降維。Lasso回歸算法分析結果見表3。在Alpha=1時，訓練得分與運用的特征數均為0，表明在該懲罰值下將所有變量特征均剔除了。隨著Alpha值的下降，訓練得分和測試得分在逐漸上升，當Alpha<0.01時，訓練得分繼續(xù)上升，而測試得分不斷下降并出現(xiàn)負值，說明網絡出現(xiàn)過擬合現(xiàn)象。因此本實驗確定Alpha的值為0.01。

表3 Lasso回歸算法分析結果Tab.3 Results of Lasso regression algorithm analysis

將款式圖數據和面料數據輸入構建好的Lasso模型進行參數化降維，Lasso模型其他參數見表4。數據輸入時將數據進行歸一化(normalize)并加入常數項(fit_intercept)有利于模型回歸。

表4 Lasso模型參數Tab.4 Parameters of lasso model

預測量結果見表5，可見厚度影響最大，因此預測量僅考慮厚度的影響。各差值與厚度的關系如圖5所示。

表5 預測量Lasso模型結果Tab.5 Results of Lasso regression algorithm analysis

圖5 預測量預測結果Fig.5 Predicted volume forecast results

設計量Lasso降維結果見表6。在23個變量中，影響起翹量回歸的面料因素為面料厚度、經向抗彎剛度、緯向抗彎剛度、經向斷裂強力、經向壓縮回復率；影響間隙量的僅有厚度和緯向抗彎剛度。

表6 設計量Lasso模型結果Tab.6 Results of Lasso regression algorithm analysis

1.5 翻立領預測模型的構建

為提高模型精度，針對設計量構建了PSO-RBF網絡模型[14]，其分為兩個部分：徑向基神經網絡 (RBF) 和粒子群算法 (PSO)。其中，RBF是一種具有單隱層的3層前饋型神經網絡，其包括輸入層、隱含層、輸出層。RBF激活函數為

式中，X-XP為歐式范數；XP為高斯函數的中心；δ為方差。

RBF神經網絡的輸出為

式中，Yj是第j個輸出單元的輸出值,j=1,2,…,n；Wij是第i個隱含層節(jié)點到第j個輸出層節(jié)點的連接權值。

粒子群算法流程主要分為3步。①對粒子群基本參數進行設定。確定粒子群算法的迭代次數，根據實驗任務設置粒子群規(guī)模，確定函數的自變量個數與粒子的最大速度與位置信息，及隨機初始化速度和位置。②定義適應度函數，與歷史全局最優(yōu)解比較進行迭代更新。③迭代次數達到設定值或全局最優(yōu)解差值滿足設定的界限后停止。其中，更新速度和位置為

1.6 評價指標

為了分析預測效果，文中采用平均絕對誤差作為評價指標對預測效果進行評估。平均絕對誤差綜合評價了網絡的預測性能，得到的值越小，證明預測的精度越好。其中平均絕對誤差(E)為

2 實驗結果

2.1 網絡訓練結果

將優(yōu)化后的數據放入PSO-RBF網絡，每個預測參數的均方誤差結果如圖6所示。

圖6 優(yōu)化PSO-RBF網絡訓練結果Fig.6 Optimization of PSO-RBF network training results

2.2 對比實驗結果

使用常用的BP神經網絡和PSO-PBF網絡作為對照組，4個樣板參數絕對誤差如圖7所示。由圖7可知引入面料參數后的網絡更加穩(wěn)定，且誤差普遍較低。

加入面料參數的PSO-RBF和未加入面料參數的PSO-RBF的間隙量和起翹量對比實驗如圖7所示。其中，加入面料參數的PSO-RBF起翹量平均絕對誤差為0.37 cm，而未加入面料參數的PSO-RBF的起翹量平均絕對誤差為0.58 cm。加入面料參數的PSO-RBF間隙量平均絕對誤差為0.15 cm，而未加入面料參數的PSO-RBF的間隙量值平均絕對誤差為0.61 cm。

圖7 對比實驗結果Fig.7 Comparison of the experimental results

由實驗可得，面料性能對樣板自動生成的影響因子主要有厚度、懸垂性；款式圖參數對領子樣板自動生成的影響因子主要有底領高、翻領高、翻領寬。融入面料參數的PSO-PBF起翹量平均絕對誤差較BP神經網絡降低了0.23 cm，較未融入面料參數的PSO-PBF降低了0.21 cm。融入面料參數的PSO-PBF間隙量平均絕對誤差較BP神經網絡降低了0.41 cm，較未融入面料參數的PSO-PBF降低了0.46 cm。

2.3 實物制作與比較

文中選取了最后一個樣本的未加入面料因素與加入面料因素的PSO-RBF模型實物進行比較。為增加對比的可信度，選用Escan三維掃描儀分別掃描未加入面料因素與加入面料因素的PSO-RBF模型的實物以及標準樣本實物，具體如圖8所示。在Geomagic design X軟件中將兩個模型進行了對齊，結果顯示，加入面料因素的領子與原樣版的領子更為貼近。

圖8 實物驗證Fig.8 Physical patterns verification

3 結語

文中引入Lasso回歸算法，將面料性能耦合到PSO-RBF神經網絡中，確定款式圖與面料參數中的影響因子，構建了面料參數與款式圖參數共同耦合的樣板生成模型。經對比實驗，驗證了加入面料性能參數能夠減少樣板數據的預測誤差。主要結論如下：

1)未加入面料參數的PSO-RBF的間隙量平均絕對誤差為0.61 cm，而加入面料參數的PSO-RBF間隙量平均絕對誤差為0.15 cm，降低了0.46 cm。未加入面料參數的PSO-RBF的起翹量0.58 cm，加入面料參數的PSO-RBF起翹量平均絕對誤差為0.37 cm，降低了0.21 cm

2)影響起翹量回歸的面料因素為面料厚度、經向抗彎剛度、緯向抗彎剛度、經向斷裂強力、經向折皺；影響間隙量的面料因素僅有厚度和緯向抗彎剛度。面料厚度和抗彎剛度對領子起翹量起正向作用，厚度較厚時，需要更多的起翹量和間隙量來滿足領子下彎的曲度；剛度越高，領子身骨越剛硬，同樣需要更多的起翹量和間隙量。

3)面料厚度影響款式圖與樣板圖的底領高，面料厚度越厚，翻領高與翻領寬兩者差值越大，這與常識相同。

同時，文中只針對款式圖參數和面料參數實現(xiàn)樣板自動生成，今后將聚焦于自動提取款式圖參數，實現(xiàn)樣板生成的完整性。