基于深度学习的服装版型栅格图重建.pdf

纺织科学与工程学报 第 卷第 期(总第 期)年 月 ()收稿日期:基金项目:上海自然科学基金项目()第一作者简介:伍柳柳()女硕士研究生研究方向:纺织图形与图像技术通信作者简介:钟跃崎()男博士教授博士生导师:/基于深度学习的服装版型栅格图重建伍柳柳王 鑫马颜雪钟跃崎(.东华大学 纺织学院上海.东华大学 纺织面料技术教育部重点实验室上海)摘 要:为了将服装版型栅格图自动转换为数字化服装版型以深度学习为技术手段以服装参数为驱动自建服装版型数据集实现输入服装版型栅格图自动输出与之对应的服装版型的关键点坐标继而利用预测结果进一步绘制数字化服装版型 实验结果表明模型针对本数据集的预测效果较好其中(.)、(.)、(.)、(.)由此可见、数值较低接近于 关键词:服装版型 数字化 栅格图 曲线 神经网络 深度学习中图分类号:.文献标志码:文章编号:()服装版型制图在服装设计与生产过程中至关重要 对于计算机辅助设计软件而言存在软件之间输出格式未必完全兼容或者无法通过版型纸样图获取矢量化版型输出的可能因此需要一种自动化的方式将非矢量化的版型图(通常为位图格式的栅格图)转换为可由参数控制的数字化版型蒋秀英等人基于 调用 的对话框输入相关制版参数例如关键点坐标或是数学函数绘制数字化服装纸样 等人在身体参数(腰围、臀围、裆深、裤长等)和服装规格参数的驱动下生成服装版型 虽然上述方法提高了数字化服装纸样的生成效率但且依赖于手动的输入例如服装规格或是人体参数有鉴于此本文以服装版型栅格图作为输入通过深度学习的方式输出用于绘制版型的参数坐标实现数字化服装版型(格式或 格式)的自动生成 为自动参数化服装版型的生成提供新的思路 数据集的搭建以深度学习为技术手段将服装版型栅格图转为数字化服装版型图的技术构成需要有大量的数据集作为输入以及相应的标签作为真值 鉴于从传统企业中收集此类数据存在一定的困难因此本文采取自动合成服装版型的方式搭建数据集.服装版型的设计根据影响服装版型轮廓因素的结构参数将尺寸参数例如“前片肩斜角度 肩宽 领宽 腰围 臀围 膝围”等称作“服装参数”在此基础上设定服装参数的尺寸范围最终在该尺寸范围内随机取值驱动生成样式不同的服装版型 受篇幅限制本文以上衣前片为例其设定的服装参数包括:前片肩斜角度 肩宽 领宽 袖笼宽 下摆宽 领高 袖笼深 衣长 如下页图 所示第 期基于深度学习的服装版型栅格图重建图 上衣前片服装参数标注图最终上衣前片的服装参数设计变化范围如表 所示其数值范围参照了王静静所阐述的女衬衫样板与人体行态的尺寸范围最终实际服装尺寸与图像像素比例为.服装版型的自动绘制本文自动绘制服装版型的关键是将构成版型的线段拆分成可用参数表达的直线段和 曲线段 因此上述服装参数可进一步转为像素坐标例如版型图中各顶点坐标、曲线的控制点坐标此坐标既是绘制服装版型的关键参数也是自搭建数据集的真值 上衣前片的部分关键点坐标如表 所示可结合图 中的标注观察其中 代表 段曲线的控制点坐标是按照经验取点的 坐标根据服装版型的关键点坐标进一步使用如下伪代码(如表 所示)自动绘制上衣版型表 上衣前片服装参数范围设计尺寸范围肩斜角度肩宽领宽袖笼宽下摆宽领高袖笼高衣长上衣前片 表 上衣版型部分关键点坐标图样线段服装参数相关参数坐标(像素单位)线段 肩宽()肩斜角()()(/)(/)曲线 领宽()领高()(.)()()()()表 上衣版型自动生成伪代码绘制流程:():输入:()()()()()()()()()()()()()()输出:()()()()()()()()()()()()()()()()()()()()()()网络模型在本文预研阶段首先在同样的数据集上训练了 之后 结果发现 的测试效果最好因此本文最终选用作为基干网络 以对应服装版型图纺织科学与工程学报 年 月(即五种版型)的关键点坐标参数为损失函数优化的目标将 在自建数据集上继续训练使其学习服装版型栅格图到关键点坐标参数之间的映射关系.模型预处理本文首先将输入的图像缩放为 大小并将其原有像素范围 归一化成 范围可加快训练网络的收敛本文选择 标准化对实际对应服装版型图的关键点坐标进行预处理防止训练过程中出现过拟合具体公式为:其中 表示输入的样本 表示一批样本数据的均值 为一批样本数据的标准差 本文取 为 为 使最终数据分布满足()实验与分析.数据集的搭建结果本文通过改变相关服装的参数自动生成样式多变的参数化纸样最终数据集中包含上衣前片、上衣后片、裤子前片、裤子后片、袖子 个服装种类各 张图像以及对应的关键参数部分服装版型如图 所示()上衣前片()上衣后片()裤子前片()裤子后片()袖子图 服装版型示意图.神经网络的训练.实验设定对于不同的服装部件的版型图使用同样的神经网络结构但需要修改最后分类层的输出参数量为服装版型图对应的参数量例如上衣、裤子和袖子的参数量分别为:实验采用 优化器让训练更快收敛其中学习率为.动量为.权重衰减为.实验所使用的操作系统为.显卡型号为 显存使用 深度学习框架.损失函数设计均方差()是深度学习回归任务中常用的一种损失函数 然而单纯将 作为损失函数时其预测结果在裤脚、上衣衣角和袖子底脚部分可能存在偏差如果在这些参数上加上特定的权重可加大对其的惩罚 因此我们在原有的 函数上乘以权重 见公式():()()其中 是模型的预测值是真值对于上衣前片而言除衣角的关键点损失函数权重 设置为 衣角的关键点损失函数权重 设置为.评价指标本文选择回归算法常用的评价指标例如均方误差()平均绝对误差()方()和均方根误差()来表征该神经网络模型对服装版型的预测效果.实验结果表 神经网络预测结果评价指标上衣前片上衣后片裤子前片裤子后片袖子.利用 的 库根据最终该模型的预测结果可绘制相应的数字化版型图如图 所示(格式)与真值图像(黑线)相比预测效果(蓝线)几乎无差 同时得到的参数可利用 的 库可以绘制得到 文件格式的数字化版型图图 预测结果与真值结果的对比图第 期基于深度学习的服装版型栅格图重建 结语本文旨在以 神经网络作为骨架以自搭建的数据集作为训练集在原来 损失函数上加了权重从平均结果上看该模型针对本数据集的预测效果较好其中 (.)(.)(.)(.)由此可见 数值较低接近于 实现了服装版型栅格图到数字化版型的有效转化参考文献 蒋秀英林德静.基于 的服装纸样参数化智能生成.北京服装学院学报:自然科学版():.():.姚竹青.服装结构参数对基本 形女上装廓形的影响研究.上海:东华大学.王静静.青年合体女衬衫个性化样板自动生成研究.杭州:浙江理工大学.:.(.):.(.)(.)(.)(.).:(上接第 页)():().()(/)(/).: