基于服裝結(jié)構(gòu)特征識別的相似樣板匹配技術(shù)

劉 蓉, 謝 紅

(上海工程技術(shù)大學(xué) 紡織服裝學(xué)院, 上海 201620)

服裝制版是服裝設(shè)計(jì)和生產(chǎn)過程中的重要一環(huán)。在服裝制版過程中,設(shè)計(jì)師通過服裝款式圖將服裝的結(jié)構(gòu)信息傳遞給制版師,制版師通過信息解讀,構(gòu)建款式圖與樣板結(jié)構(gòu)之間的相關(guān)關(guān)系,實(shí)現(xiàn)從款式圖到樣板的轉(zhuǎn)換。該過程中款式圖信息的傳遞和轉(zhuǎn)換主要依賴制版師個人,易出現(xiàn)信息轉(zhuǎn)換差異大和效率不高等問題。

針對上述問題,實(shí)現(xiàn)從服裝款式圖到樣板的自動轉(zhuǎn)換是減小信息轉(zhuǎn)換差異和提高轉(zhuǎn)換效率的有效途徑。有學(xué)者[1-2]從款式圖的特征參數(shù)出發(fā),通過建立相關(guān)模型,將款式特征轉(zhuǎn)換為樣板結(jié)構(gòu)參數(shù),解決了款式圖信息轉(zhuǎn)換的差異性問題,但該方法實(shí)施過程中首先需要對款式圖進(jìn)行大量的修正和標(biāo)準(zhǔn)化處理,信息的轉(zhuǎn)換效率依舊不高。另有學(xué)者基于款式圖識別的樣板轉(zhuǎn)化方法歸納出匹配轉(zhuǎn)換技術(shù),即利用圖像匹配技術(shù)完成款式圖與樣板的轉(zhuǎn)換[3]。匹配轉(zhuǎn)換可構(gòu)建模型將款式圖像與樣板進(jìn)行關(guān)聯(lián),通過款式圖像識別得到與之相對應(yīng)的樣板分類號,實(shí)現(xiàn)從款式信息到樣板信息的自動轉(zhuǎn)換。此外,相似樣板確定了款式圖的大體結(jié)構(gòu),在此基礎(chǔ)上進(jìn)行新樣板開發(fā)可減少大量重復(fù)勞動,提高樣板生成效率。

早期的服裝款式圖識別中,圖像的特征提取和模型分類大都分離,分類效率較低,且分類類別之間的差異較大,識別難度相對較小。徐增波等[4]采用復(fù)雜網(wǎng)絡(luò)對衣領(lǐng)輪廓進(jìn)行特征提取和描述,結(jié)合支持向量機(jī)(SVM)分類模型,實(shí)現(xiàn)了對服裝領(lǐng)型的識別。隨著大數(shù)據(jù)時代的到來,深度學(xué)習(xí)應(yīng)用廣泛,其中卷積神經(jīng)網(wǎng)絡(luò)(convolutional neuralnetworks,CNN)[5]在圖像的識別和分類上有很好的應(yīng)用。相較于傳統(tǒng)的圖像識別,卷積神經(jīng)網(wǎng)絡(luò)將圖像的特征提取和模型分類合二為一,分類效率進(jìn)一步提高。江慧等[6]通過構(gòu)建殘差網(wǎng)絡(luò)模型(ResNet50),并結(jié)合遷移學(xué)習(xí),得到了服裝款式風(fēng)格的相似度計(jì)算模型。相較于顏色、紋理等特征而言,實(shí)現(xiàn)從服裝款式圖到相似樣板的轉(zhuǎn)換所需的細(xì)粒度特征更精細(xì)。在建立服裝結(jié)構(gòu)特征與樣板之間的相關(guān)關(guān)系時既需要考慮全局特征[6]如褲子的輪廓造型,又需要考慮局部特征如褶裥、省道等。

AlexNet模型作為最早的深度卷積神經(jīng)網(wǎng)絡(luò),其模型的構(gòu)建與參數(shù)調(diào)整相對而言更易把握,也較適合平面款式圖片的識別研究,因此,本文將通過對AlexNet神經(jīng)網(wǎng)絡(luò)的應(yīng)用和改進(jìn)完成對女褲的廓形、褶裥、腰頭類型等18個細(xì)粒度特征的識別,并基于對這18個細(xì)粒度特征的識別實(shí)現(xiàn)相似樣板的匹配。

1 實(shí)驗(yàn)設(shè)計(jì)

1.1 服裝結(jié)構(gòu)特征的定義及分類

本文將服裝款式圖中能表征結(jié)構(gòu)制圖規(guī)則的圖像信息定義為服裝結(jié)構(gòu)特征。在款式圖所能反映的結(jié)構(gòu)特征中,中廓形、長短、褶裥、省道等相對直觀,易辨別;松量等則需要借助其它圖像信息進(jìn)行判定,如根據(jù)臀部褶皺量來判定臀圍松量。實(shí)現(xiàn)對服裝結(jié)構(gòu)特征的準(zhǔn)確判定是進(jìn)行平面款式圖分類,構(gòu)建實(shí)驗(yàn)數(shù)據(jù)集的基礎(chǔ)。

實(shí)驗(yàn)中以平面款式圖為輸入,相較于其它類型的款式圖而言,平面款式圖不包含人體、背景等圖像信息,對服裝結(jié)構(gòu)特征的反映更加清楚、直觀,有利于神經(jīng)網(wǎng)絡(luò)的特征提取。實(shí)驗(yàn)設(shè)計(jì)中服裝款式圖、結(jié)構(gòu)特征以及服裝樣板三者之間的轉(zhuǎn)化關(guān)系如圖1所示。當(dāng)款式圖X與樣板Y中的結(jié)構(gòu)特征元素相同時,即xi={ai,bj,…,wk}=yi時,款式圖與樣板可進(jìn)行匹配。

圖1 款式圖與結(jié)構(gòu)特征以及樣板之間的關(guān)系圖示Fig.1 Diagrammatic representation of relationship between style drawings,structural features and samples

根據(jù)服裝制版知識,從平面款式圖中選擇部分服裝結(jié)構(gòu)特征作為樣板相似性表征。然后將選定的這部分服裝結(jié)構(gòu)特征設(shè)置為實(shí)驗(yàn)中的多標(biāo)簽分類[7]類別,其中以廓形作為第1類標(biāo)簽,標(biāo)簽中的元素包括緊身褲、喇叭褲、直筒褲、錐形褲、闊腿褲和蘿卜褲。參考GB/T 15557—2008《服裝術(shù)語標(biāo)準(zhǔn)》中對褲子的定義,將女褲的主要結(jié)構(gòu)分為褲長、腰部結(jié)構(gòu)、臀部結(jié)構(gòu)、襠部結(jié)構(gòu)、膝圍、褲口6個部分。由于實(shí)驗(yàn)中將研究對象統(tǒng)一為長褲,因此未將褲長作為結(jié)構(gòu)特征標(biāo)簽;腰部結(jié)構(gòu)可設(shè)定腰位、腰部工藝和腰下造型3類標(biāo)簽,每類標(biāo)簽又包含了不同的類別,其中腰位可進(jìn)一步分為高腰、中腰、低腰,腰部工藝分為拉鏈和松緊,腰下造型分為有省道、有褶裥、較多褶裥和無;臀部結(jié)構(gòu)以臀圍為標(biāo)簽,根據(jù)臀圍松量大小可將標(biāo)簽的具體類別定義為合體臀、較寬松臀和寬松臀;襠部結(jié)構(gòu)受到腰部結(jié)構(gòu)、臀圍結(jié)構(gòu)和廓形這3類結(jié)構(gòu)的共同影響,對該結(jié)構(gòu)的分類可轉(zhuǎn)化為對這3類結(jié)構(gòu)的分類;膝圍和褲口主要受廓形的影響[8],可等同于廓形分類。具體分類流程和標(biāo)簽所包含的類如圖2所示。

圖2 女褲結(jié)構(gòu)特征分類流程圖Fig.2 Flowchart for categorizing stuctural characteristic of women′s pants

綜上所述,根據(jù)女褲的制版相關(guān)知識,本文共設(shè)置了5類服裝結(jié)構(gòu)特征分類標(biāo)簽,根據(jù)結(jié)構(gòu)差異為每類標(biāo)簽定義了不同的標(biāo)簽類別,如表1所示。女褲結(jié)構(gòu)特征的多標(biāo)簽集合表示形式為D={Kn,Wm,Mp,Dq,Hk},變量n、m、p、q、k分別表示每類標(biāo)簽包含的類別數(shù)。其中Kn={緊身褲,直筒褲,喇叭褲,錐形褲,蘿卜褲,闊腿褲},Wm={高腰,中腰,低腰},Mp={拉鏈,松緊},Dq={有省道,有褶裥,較多褶裥,無},Hk={合體臀,較寬松臀,寬松臀}。

表1 女褲結(jié)構(gòu)特征分類Tab.1 Classification of structural characteristics of women′s pants

1.2 標(biāo)簽設(shè)計(jì)

分類標(biāo)簽決定了實(shí)驗(yàn)數(shù)據(jù)集的構(gòu)建。在實(shí)驗(yàn)的設(shè)計(jì)中款式圖輸入與樣板類別輸出之間一一對應(yīng)。根據(jù)表1中女褲結(jié)構(gòu)特征的多標(biāo)簽類別,本文采用問題轉(zhuǎn)化法[9]將多標(biāo)簽轉(zhuǎn)化為單標(biāo)簽,通過單標(biāo)簽分類器進(jìn)行模型訓(xùn)練。具體操作相當(dāng)于將多標(biāo)簽中的類別進(jìn)行排列組合,將組合后的結(jié)果看作一個單標(biāo)簽,如單標(biāo)簽類別 “緊身褲 高腰 拉鏈 有省道 合體臀”是由“緊身褲”“高腰”“拉鏈”“有省道”“合體臀”多標(biāo)簽中的5個標(biāo)簽類別組合而成。

由于大多數(shù)多標(biāo)簽數(shù)據(jù)集都存在嚴(yán)重的類不平衡問題[10],為減少類不平衡對分類性能造成的影響,實(shí)驗(yàn)中對通過多標(biāo)簽組合產(chǎn)生的單標(biāo)簽類別進(jìn)行分析,研究類別中數(shù)據(jù)的分布情況。實(shí)驗(yàn)中隨機(jī)抽取600個樣本,樣本以廓形標(biāo)簽為中心均勻分布,圖3示出廓形標(biāo)簽中抽樣數(shù)據(jù)分布。圖中X軸為廓形標(biāo)簽,Y軸為其它結(jié)構(gòu)標(biāo)簽。通過數(shù)據(jù)可視化的方式對單標(biāo)簽類別中的數(shù)據(jù)分布情況進(jìn)行研究。圖中方塊顏色越深,說明標(biāo)簽中數(shù)據(jù)分布越多,淺色色塊表示無數(shù)據(jù)分布或數(shù)據(jù)分布極少的類別。在標(biāo)簽集上選擇相關(guān)度高且不包含冗余特征的特征子集可減少類別數(shù)據(jù)不平衡[11],因此結(jié)合抽樣統(tǒng)計(jì)結(jié)果和結(jié)構(gòu)制圖知識對部分單標(biāo)簽類別進(jìn)行選擇,以提高數(shù)據(jù)利用率和模型的分類性能。

圖3 其它結(jié)構(gòu)標(biāo)簽在廓形標(biāo)簽中的分布Fig.3 Distribution of other structural labels in silhouette labels

實(shí)驗(yàn)中又進(jìn)一步對單標(biāo)簽類別間的相關(guān)關(guān)系進(jìn)行了探究。根據(jù)上述抽樣樣本數(shù)據(jù)分布,采用歐氏距離對廓形標(biāo)簽的結(jié)構(gòu)相似性進(jìn)行計(jì)算。K1(緊身褲)、K2(直筒褲)、K3(喇叭褲)、K4(錐形褲)、K5(蘿卜褲)、K6(闊腿褲)間的歐氏距離計(jì)算結(jié)果如表2所示,其中K1與K3、K2與K4之間的歐氏距離計(jì)算值較小,分別為20.4和36.2,即相較于其它廓形而言,緊身褲與喇叭褲,直筒褲與錐形褲之間的結(jié)構(gòu)相似性最大。不同廓形間的結(jié)構(gòu)相似性計(jì)算結(jié)果可作為單標(biāo)簽選擇的依據(jù),減少相似性較大的標(biāo)簽,用較少的單標(biāo)簽類別覆蓋盡可能多的多標(biāo)簽子集,提高數(shù)據(jù)利用率和模型的分類性能。

表2 不同廓形特征的結(jié)構(gòu)相似性計(jì)算Tab.2 Structural similarity calculation for different profile features

綜上,實(shí)驗(yàn)中通過數(shù)據(jù)可視化分析對單標(biāo)簽類別進(jìn)行了選擇,改善了多標(biāo)簽數(shù)據(jù)集中存在的類不平衡問題;通過對標(biāo)簽間相關(guān)關(guān)系的研究,減少了標(biāo)簽分類類別,緩解了數(shù)據(jù)集壓力。最終實(shí)驗(yàn)將進(jìn)行女褲識別的分類類別設(shè)定為18個,如圖4所示。其中標(biāo)簽類別和結(jié)構(gòu)特征可作為實(shí)驗(yàn)的識別結(jié)果輸出,圖中所列舉的平面款式圖為符合每個類別分類標(biāo)準(zhǔn)的款式圖實(shí)例,標(biāo)簽類別所對應(yīng)的結(jié)構(gòu)樣板為匹配的相似樣板。這些單標(biāo)簽類別將作為服裝結(jié)構(gòu)特征識別實(shí)驗(yàn)中分類和數(shù)據(jù)集構(gòu)建的依據(jù)。

圖4 實(shí)驗(yàn)標(biāo)簽設(shè)計(jì)結(jié)果Fig.4 Results of experimental label design

1.3 模型設(shè)計(jì)

模型的結(jié)構(gòu)設(shè)計(jì)基于經(jīng)典AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型。AlexNet網(wǎng)絡(luò)作為最早的深度卷積神經(jīng)網(wǎng)絡(luò),相對于早期的LeNet[5]系列網(wǎng)絡(luò)、后來出現(xiàn)的VGGNet (visual geometry group network)[12]網(wǎng)絡(luò)和ResNet(residual network)[13]等網(wǎng)絡(luò)而言更適合圖像并不復(fù)雜的黑白平面款式圖的深度學(xué)習(xí),網(wǎng)絡(luò)參數(shù)在訓(xùn)練過程中也更易把握。

本文模型以512像素×512像素的女褲平面款式圖為輸入;根據(jù)數(shù)據(jù)集的特點(diǎn),實(shí)驗(yàn)?zāi)Ｐ驮谠心Ｐ偷慕Y(jié)構(gòu)設(shè)計(jì)上做減法,將卷積層由原來的5層減少到4層,以防止過擬合;在第3層和第4層卷積中增加了最大池化層,以控制參數(shù)量;在每層卷積層后增加批歸一化[14]操作(batch normalization,BN)來加快模型的收斂速度,提升對淺層網(wǎng)絡(luò)的泛化性能[15]。該操作的主要計(jì)算公式為

(1)

式中:yi和xi分別為批歸一化操作的第i個輸出和輸入值;γ、β為神經(jīng)網(wǎng)絡(luò)待訓(xùn)練參數(shù);ε為一小正數(shù)。

本文模型仍以ReLu作為激活函數(shù),相較于Sigmoid、tanh等激活函數(shù),ReLu函數(shù)的優(yōu)勢在于能有效地避免梯度消失和梯度爆炸,加快模型的收斂速度,其函數(shù)的表達(dá)式如式(2)所示,該函數(shù)為函數(shù)值為非負(fù)的分段函數(shù)。

f(x)=max(0,x)

(2)

本文模型在第1層全連接層后仍采用Dropout操作,該操作可有效防止過擬合現(xiàn)象發(fā)生,提高模型的泛化性能,模型中輸出概率Dropout rate參數(shù)值為0.5。改進(jìn)模型的相關(guān)參數(shù)如表3所示,其結(jié)構(gòu)設(shè)計(jì)如圖5所示。

表3 改進(jìn)后的模型參數(shù)Tab.3 Parameters of improved model

圖5 改進(jìn)后的網(wǎng)絡(luò)模型Fig.5 Improved network model

模型中各層網(wǎng)絡(luò)的圖片輸出尺寸Y與卷積核大小(F)、步長(S)、邊界填充(P)之間的關(guān)系如式(3) 所示。

Y=(X-F+2P)/S+1

(3)

1.4 實(shí)驗(yàn)流程設(shè)計(jì)

女褲結(jié)構(gòu)特征識別流程主要包括實(shí)驗(yàn)數(shù)據(jù)集構(gòu)建、實(shí)驗(yàn)?zāi)Ｐ蜆?gòu)建、模型訓(xùn)練及驗(yàn)證、對比實(shí)驗(yàn)、模型應(yīng)用,其具體流程圖如圖6所示。

圖6 女褲結(jié)構(gòu)特征識別流程圖Fig.6 Flowchart for structural feature identification of women′s trousers

1)數(shù)據(jù)集構(gòu)建:主要分為數(shù)據(jù)收集、數(shù)據(jù)增強(qiáng)、數(shù)據(jù)的標(biāo)準(zhǔn)化、歸一化處理以及數(shù)據(jù)集的劃分。

2)實(shí)驗(yàn)?zāi)Ｐ蜆?gòu)建:以經(jīng)典AlexNet模型為基礎(chǔ),通過對原網(wǎng)絡(luò)模型進(jìn)行改進(jìn)來構(gòu)建實(shí)驗(yàn)?zāi)Ｐ汀?/p>

3)模型訓(xùn)練及驗(yàn)證:采用訓(xùn)練集和測試集來進(jìn)行模型的訓(xùn)練,采用驗(yàn)證集對訓(xùn)練后的模型進(jìn)行測試,根據(jù)測試結(jié)果對模型進(jìn)行評價。

4)對比實(shí)驗(yàn):對比實(shí)驗(yàn)包括參數(shù)對比實(shí)驗(yàn)和模型對比實(shí)驗(yàn)。參數(shù)對比實(shí)驗(yàn)主要設(shè)置了針對BN操作的對比實(shí)驗(yàn)。模型對比實(shí)驗(yàn)設(shè)置了AlexNet網(wǎng)絡(luò)、VGG11網(wǎng)絡(luò)以及ResNet18網(wǎng)絡(luò)的對比實(shí)驗(yàn),根據(jù)2種對比實(shí)驗(yàn)對模型的改進(jìn)效果進(jìn)行評估。

5)模型應(yīng)用:以任意女褲平面款式圖為輸入,通過模型識別輸出類別號以及其對應(yīng)的結(jié)構(gòu)特征,根據(jù)結(jié)構(gòu)特征匹配得到相似樣板。

2 實(shí)驗(yàn)驗(yàn)證

2.1 實(shí)驗(yàn)數(shù)據(jù)集構(gòu)建

數(shù)據(jù)集以女褲平面款式圖為數(shù)據(jù),通過服裝企業(yè)和相關(guān)網(wǎng)站進(jìn)行實(shí)驗(yàn)數(shù)據(jù)收集。實(shí)驗(yàn)首先通過數(shù)據(jù)增強(qiáng)的方式對收集的數(shù)據(jù)進(jìn)行處理,如圖7所示,其中包括圖像水平翻轉(zhuǎn)、圖像對比度增強(qiáng)、圖像變暗、圖像亮度增強(qiáng)和圖像椒鹽噪聲。增強(qiáng)后的樣本總量為20 414,然后統(tǒng)一圖片大小為256像素×512像素,并按本文設(shè)計(jì)的標(biāo)簽類別對數(shù)據(jù)進(jìn)行分類,類別最少數(shù)據(jù)量為1 057,最大為1 317,其余類別樣本數(shù)據(jù)量分布居中。采用Pytorch庫建立數(shù)據(jù)集,數(shù)據(jù)集的標(biāo)準(zhǔn)差(standard deviation)計(jì)算值為[0.170,0.171,0.171], 平均值(mean)計(jì)算值為 [0.901,0.901,0.899], 通過標(biāo)準(zhǔn)差和平均值進(jìn)行圖片的標(biāo)準(zhǔn)化和歸一化處理。

圖7 數(shù)據(jù)增強(qiáng)Fig.7 Data augmentation.(a) Original image; (b) Horizontal flip;(c) Contrast enhancement;(d) Darker;(e) Brighter enhancement; (f) Salt and pepper noise

2.2 模型驗(yàn)證

本文的實(shí)驗(yàn)環(huán)境為Window10系統(tǒng),i7-9750H處理器,16.0 GB內(nèi)存,NVIDIA GeForce RTX 2070顯卡,Python語言編程,Pytorch框架,cuda訓(xùn)練環(huán)境。

實(shí)驗(yàn)首先對數(shù)據(jù)集樣本進(jìn)行劃分,其中訓(xùn)練集樣本量為12 874,測試集樣本量為4 300,驗(yàn)證集樣本量為3 240。訓(xùn)練集主要用于模型訓(xùn)練,測試集用于訓(xùn)練過程中準(zhǔn)確率的計(jì)算,驗(yàn)證集主要用于模型的準(zhǔn)確率、召回率、F1值的計(jì)算,并作為對模型性能的評價指標(biāo)。

模型訓(xùn)練過程中的參數(shù)設(shè)置包括:學(xué)習(xí)率(Learning rate)參數(shù)0.000 1;優(yōu)化器采用Adam(adaptive moment estimation)自適應(yīng)學(xué)習(xí)率算法;批處理(Batch_size)參數(shù)設(shè)置為64;損失函數(shù)采用交叉熵?fù)p失函數(shù),如式(4)所示。

(4)

式中:p(xi)表示模型真實(shí)概率分布;q(xi)表示預(yù)測概率分布。

模型訓(xùn)練遍歷次數(shù)(epoch)為100時打印損失函數(shù)圖、訓(xùn)練精度圖。圖8為改進(jìn)模型在實(shí)驗(yàn)數(shù)據(jù)集上的訓(xùn)練驗(yàn)證精度曲線圖,模型最終訓(xùn)練準(zhǔn)確率在99%附近趨于穩(wěn)定,模型訓(xùn)練過程中未發(fā)生過擬合和欠擬合現(xiàn)象。

圖8 改進(jìn)模型訓(xùn)練驗(yàn)證精度曲線圖Fig.8 Training validation accuracy graph of improved model

調(diào)用訓(xùn)練模型對驗(yàn)證集進(jìn)行測試,采用準(zhǔn)確率、召回率和F1值對模型進(jìn)行評估,各指標(biāo)數(shù)值越接近1說明模型的效果越好。模型測試結(jié)果為:準(zhǔn)確率83.4%,召回率為83.4%,F1值0.835。不同類別的準(zhǔn)確率如圖9所示,其中最高準(zhǔn)確率為100%,最低為66%。

圖9 不同類別準(zhǔn)確率Fig.9 Accuracy of different categories

2.3 對比實(shí)驗(yàn)

對比實(shí)驗(yàn)主要包括參數(shù)對比實(shí)驗(yàn)和模型對比實(shí)驗(yàn)。參數(shù)對比主要探究了BN操作對模型性能的影響。圖5中,由于改進(jìn)模型在4層卷積層后分別增加了批歸一化操作,因此設(shè)置對比實(shí)驗(yàn),分別在模型中增加0層BN,1層BN,2層BN和3層BN,保持其它參數(shù)不變。遍歷次數(shù)為30后各模型的損失函數(shù)圖如圖10所示。其中采用BN操作的4組損失函數(shù)下降的速度均快于0層BN組。表4示出不同BN操作后模型的準(zhǔn)確率,其中采用BN操作的4組實(shí)驗(yàn)的準(zhǔn)確率均高于0層BN組。根據(jù)上述結(jié)果可知,模型中增加BN操作可加快模型的收斂速度,提高準(zhǔn)確率。

表4 不同BN操作后模型的準(zhǔn)確率Tab.4 Accuracy of model after different BN operations

圖10 不同層數(shù)批歸一化的損失函數(shù)圖Fig.10 Loss function diagram for different layers of BN

模型對比實(shí)驗(yàn)主要與原AlexNet網(wǎng)絡(luò)模型、ResNet18以及VGG11模型進(jìn)行對比。不同模型在不同類別上的準(zhǔn)確率結(jié)果如圖11所示。

圖11 不同模型不同類別準(zhǔn)確率Fig.11 Accuracy of different models in different categories

表5示出不同模型的準(zhǔn)確率測試結(jié)果。其中本文模型準(zhǔn)確率為83.4%,相較于原AlexNet模型提高了6.7%,相較于網(wǎng)絡(luò)層數(shù)更高、模型深度更深的ResNet18和VGG11網(wǎng)絡(luò)模型也分別提高了6%和3.6%。在參數(shù)量大小的比較中,本文模型大于ResNet18,小于原AlexNet和VGG11。總體而言,改進(jìn)模型的綜合性能相對較好。

表5 不同模型的準(zhǔn)確率Tab.5 Accuracy of different models

2.4 實(shí)驗(yàn)分析

實(shí)驗(yàn)基于改進(jìn)的AlexNet模型,通過數(shù)據(jù)集的訓(xùn)練和驗(yàn)證,改進(jìn)模型在驗(yàn)證集上的準(zhǔn)確率為83.4%,高于改進(jìn)前的AlexNet模型以及當(dāng)前應(yīng)用較為廣泛的ResNet系列模型和VGG系列模型;通過參數(shù)對比實(shí)驗(yàn)結(jié)果可知,本文通過在網(wǎng)絡(luò)層數(shù)增加批歸一化操作,加快了模型的收斂速度。對比實(shí)驗(yàn)證明了本文對模型的改進(jìn)提高了識別準(zhǔn)確率,且具有較好的應(yīng)用性。

當(dāng)然,本文實(shí)驗(yàn)也具有一定的局限性,部分類別的準(zhǔn)確率不夠高。對模型中普遍準(zhǔn)確率較低的類別進(jìn)行分析,探究影響這些類別識別準(zhǔn)確率低的原因。例如:類別“HMZP 錐型褲 高腰 較寬松臀 拉鏈 有褶裥”在各模型中最高準(zhǔn)確率僅有66%。根據(jù)結(jié)果顯示,在該標(biāo)簽被錯分的所有類別中被分為“MMZP 錐型褲 中腰 較寬松臀 拉鏈 有褶裥”的概率最高,占比為45%。從結(jié)構(gòu)特征上看,2個類別最大的區(qū)別在于腰部位置,即高腰和中腰的區(qū)別,如圖12所示。

圖12 易錯類別分析Fig.12 Analysis of error-prone categories

3 結(jié) 論

本文以女褲為例,基于深度學(xué)習(xí)實(shí)現(xiàn)了從平面款式圖到樣板的轉(zhuǎn)化,從實(shí)驗(yàn)的驗(yàn)證過程中得出如下結(jié)論。

1)通過定義結(jié)構(gòu)特征,設(shè)計(jì)分類標(biāo)簽,可將對樣板的識別轉(zhuǎn)化為對平面款式圖的識別;通過數(shù)據(jù)可視化分析對單標(biāo)簽類別進(jìn)行選擇,改善了多標(biāo)簽數(shù)據(jù)集中存在的類不平衡問題;通過對標(biāo)簽間相關(guān)關(guān)系的研究,減少了標(biāo)簽分類類別,緩解了數(shù)據(jù)集壓力,提高了數(shù)據(jù)的利用率和模型的分類性能。

2)以平面款式圖為數(shù)據(jù)構(gòu)建數(shù)據(jù)集,作為模型的訓(xùn)練輸入,有利于模型進(jìn)行特征提取;通過在網(wǎng)絡(luò)模型的卷積層中引入批歸一化操作,可加快模型的收斂速度,提高對新樣本的泛化能力。

3)在解決多標(biāo)簽分類問題時將多標(biāo)簽轉(zhuǎn)化為單標(biāo)簽,該方法對數(shù)據(jù)量的要求較高,也可考慮從模型結(jié)構(gòu)設(shè)計(jì)上進(jìn)行相關(guān)問題的研究;本文通過廓形、腰位、腰部造型、腰部工藝、臀圍中的18個結(jié)構(gòu)特征對樣板的相似性進(jìn)行表征,后續(xù)研究可考慮增加口袋、分割線等表征,以進(jìn)一步提高匹配樣板的相似度。根據(jù)本文實(shí)驗(yàn)思路,數(shù)據(jù)量越大,標(biāo)簽設(shè)置越全面,可匹配到的樣板相似性越高。