一种童装纸样定制智能设计方法及系统技术方案

本发明专利技术提供一种童装纸样定制智能设计方法和系统，包括收集儿童净体尺寸数据与服装样板尺寸数据；将收集到的所述儿童净体尺寸数据和服装样板尺寸数据存储到数据库中；对所述数据库中的儿童净体尺寸数据和服装样板尺寸数据进行分析学习训练，建立预测模型；输入待定制儿童净体数据，根据预测模型得到用于童装纸样设计的细部规格数据；将所述细部规格数据输入用CAD制作好的纸样模型得到定制童装纸样。本发明专利技术打破传统的童装主要按固定身高标准体型打版的现状，满足不同身高体型的儿童对合体服装的定制需求，实现快速高效地批量化设计个性化的单体定制儿童服装。

An Intelligent Design Method and System for Children's Clothing Pattern Customization

The invention provides an intelligent design method and system for children's clothing pattern customization, which includes collecting children's net size data and clothing pattern size data, storing the collected children's net size data and clothing pattern size data into a database, analyzing and training children's net size data and clothing pattern size data in the database, and establishing a prediction model. Type A: Input the net body data of the children to be customized, and get the detailed specifications data for children's wear pattern design according to the prediction model; Input the detailed specifications data into the pattern model made by CAD to get the customized children's wear pattern. The invention breaks the current situation that the traditional children's clothes are typed according to the standard body type of fixed height, meets the customization requirements of children with different height and body type for suitable clothes, and realizes rapid and efficient mass design of individual customized children's clothes.

【技术实现步骤摘要】
一种童装纸样定制智能设计方法及系统
本专利技术涉及计算机辅助服装设计领域，尤其涉及一种童装纸样定制智能设计方法及系统。
技术介绍
服装业是传统工业大分工、大流水、大批量生产的典型代表。传统的服装纸样打版流程，是根据中间码设计纸样，再用放码的手段对中间码纸样按一定差值进行放大或缩小，得到其它的号码的纸样。成人服装打版除了按高矮分类(比如S、M、L、XL、XXL)之外，通常会考虑到成人的体型分为Y(偏瘦)、A(正常)、B(偏胖)、C(肥胖)四类，有的服装厂还会针对大码体型专门打版，以满足不同体型成年人的合体着装需求。在实际服装生产过程中，大多数中小企业因资金、人力等资源有限，无法建立科学专业的技术数据储备体系，其服装纸样的设计打版主要依赖纸样设计师个人经验技术积累，一旦人员流动，原有经验技术随之流失。另外，传统的童装的打版主要沿用按固定身高标准体型打版的原则，没有对不同体型进行区分打版，因此会出现同样身高的儿童穿同一码服装，“胖宝宝穿不上，瘦宝宝穿着透风”的情况。而如果采用传统人工方式为儿童个体单独打版，从量体、设计到画出纸样，需要有经验的裁缝耗费大量时间才能完成。
技术实现思路
本专利技术要解决的技术问题之一，在于提供一种童装纸样定制智能设计方法，满足不同身高体型的儿童对合体服装的定制需求，实现快速高效地批量化设计个性化的单体定制儿童服装。本专利技术要解决的技术问题之一是这样实现的：一种童装纸样定制智能设计方法，包括如下步骤：步骤10、收集儿童净体尺寸数据与服装样板尺寸数据；步骤20、将收集到的所述儿童净体尺寸数据和服装样板尺寸数据存储到数据库中；步骤30、对所述数据库中的儿童净体尺寸数据和服装样板尺寸数据进行分析学习训练，建立预测模型；步骤40、输入待定制儿童净体数据，根据预测模型得到用于童装纸样设计的细部规格数据；步骤50、将所述细部规格数据输入用CAD制作好的纸样模型得到定制童装纸样。优选的，所述数据库按三种服装风格类型分别建立：紧身型、标准型、运动型，所述预测模型与所述数据库一一对应建立。优选的，所述步骤30进一步包括：步骤31、针对样本数量小于设定值的情况，采用K-近邻算法建立预测模型，对其最优参数K进行分析学习训练，包括如下步骤：步骤311、将样本数据进行归一化处理；步骤312、将步骤311的数据随机拆分为80％的训练集与20％的测试集；步骤313、设定K-近邻算法模型的初始参数K为一整数值，取值范围为1～20；步骤314、采用shuffleSplit函数对80％训练集进行交叉验证，得到K-近邻算法模型的最优参数K1；步骤315、采用K-fold函数对80％训练集进行交叉验证，得到K-近邻算法模型的最优参数K2；步骤316、采用均方根误差作为衡量标准对20％的测试集进行计算，验证K1和K2误差值，取其中误差值较小对应的K值作为K-近邻算法模型的最优参数。步骤32、针对样本数量大于等于设定值的情况，采用深度置信网络DBN建立预测模型，所述深度置信网络包括复数层无监督的受限玻尔兹曼机RBM和一层有监督的反向传播网络BP，DBN模型的最优参数分析学习训练步骤如下：步骤321、将测试数据作为输入数据赋值给RBM0输入层，采用对比散度算法对输入层与第一个隐藏层构成的模型RBM0进行训练，训练结束后得到RBM0网络的最优参数；步骤322、将训练好的RBM0中取得隐藏层的值作为RBM1输入层的数据，与第二个隐藏层构成RBM1，使用与步骤321一样的训练方法进行RBM1的训练，训练结束后得到RBM1网络的最优参数；步骤323、根据步骤321和步骤322的训练方法，进行所有RBM模型的分别训练；步骤324、采用反向传播网络BP回归分析最后一层RBM提取的特征向量，将训练得到的输出值与预期输出值之间的误差进行反向传播不断调整模型参数，得到整个深度置信网络模型的最优参数。优选的，所述待定制儿童净体数据包括身高、胸围、背宽、上臂围、臀围、净坐围和净腰围。优选的，所述细部规格数据包括背长、大肩宽、胸宽、小肩宽、短袖、长袖、腕围、袖口、上衣长、腰围、颈围、裤长、脚口、前浪、后浪、前小裆宽和后小裆宽。本专利技术要解决的技术问题之二，在于提供一种童装纸样定制智能设计系统，满足不同身高体型的儿童对合体服装的定制需求，实现快速高效地批量化设计个性化的单体定制儿童服装。本专利技术要解决的技术问题之二是这样实现的：一种童装纸样定制智能设计系统，包括数据收集模块、数据存储模块、数据分析学习模块、数据处理模块以及纸样生成模块。所述数据收集模块，用于收集儿童净体尺寸数据与服装样板尺寸数据；所述数据存储模块，用于存储所述数据收集模块收集到的儿童净体尺寸数据和服装样板尺寸数据；所述数据分析学习模块，用于对所述数据存储模块中的儿童净体尺寸数据和服装样板尺寸数据进行分析学习训练，建立预测模型；所述数据处理模块，用于输入待定制儿童净体数据，通过数据分析学习模块的预测模型得到用于童装纸样设计的细部规格数据；所述纸样生成模块，用于将所述细部规格数据输入用CAD制作好的纸样模型得到定制童装纸样。优选的，所述数据存储模块按三种风格类型独立存储：紧身型、标准型、运动型，所述数据分析学习模块与数据存储模块一一对应。优选的，所述数据分析学习模块进一步包括：小数据分析学习模块，用于样本数量小于设定值的情况，包括将样本数据进行归一化处理，随机拆分为80％的训练集与20％的测试集，设定K-近邻算法模型的初始参数K为一整数值，取值范围为1～20，采用shuffleSplit函数对80％训练集进行交叉验证，得到K-近邻算法模型的最优参数K1，采用K-fold函数对80％训练集进行交叉验证，得到K-近邻算法模型的最优参数K2，采用均方根误差作为衡量标准对20％的测试集进行计算，验证K1和K2误差值，取其中误差值较小对应的K值作为K-近邻算法模型的最优参数。大数据分析学习模块，用于样本数量大于等于设定值的情况，采用深度置信网络DBN进行分析学习训练，所述深度置信网络包括复数层无监督的受限玻尔兹曼机RBM和一层有监督的反向传播网络BP，DBN模型的最优参数分析学习训练步骤包括将测试数据当输入数据赋值给RBM0输出层，采用对比散度算法对输入层与第一个隐藏层构成的模型RBM0进行训练，训练结束后得到RBM0网络的最优参数；将训练好的RBM0中取得隐藏层的值作为RBM1输入层的数据，与第二个隐藏层构成RBM1，与之前一样进行RBM1的训练，训练结束后得到RBM1网络的最优参数，最终完成所有RBM模型的分别训练；反向传播网络BP回归分析最后一层RBM提取的特征向量，将训练得到的输出值与预期输出值之间的误差进行反向传播不断调整模型参数，得到整个深度置信网络模型的最优参数。优选的，所述待定制儿童净体数据包括身高、胸围、背宽、上臂围、臀围、净坐围和净腰围。优选的，所述细部规格数据包括背长、大肩宽、胸宽、小肩宽、短袖、长袖、腕围、袖口、上衣长、腰围、颈围、裤长、脚口、前浪、后浪、前小裆宽和后小裆宽。本专利技术具有如下优点：通过对数据的分析学习训练建立预测模型，联合有经验的打版师傅进行CAD服装模型制板，实现输入待定制儿童净体数据即可得到指定类型款式的合体童装纸样，智能地取代有经验的打板师傅的打版工作。打破本文档来自技高网...

【技术保护点】
1.一种童装纸样定制智能设计方法，其特征在于，包括如下步骤：步骤10、收集儿童净体尺寸数据与服装样板尺寸数据；步骤20、将收集到的所述儿童净体尺寸数据和服装样板尺寸数据存储到数据库中；步骤30、对所述数据库中的儿童净体尺寸数据和服装样板尺寸数据进行分析学习训练，建立预测模型；步骤40、输入待定制儿童净体数据，根据预测模型得到用于童装纸样设计的细部规格数据；步骤50、将所述细部规格数据输入用CAD制作好的纸样模型得到定制童装纸样。

【技术特征摘要】
1.一种童装纸样定制智能设计方法，其特征在于，包括如下步骤：步骤10、收集儿童净体尺寸数据与服装样板尺寸数据；步骤20、将收集到的所述儿童净体尺寸数据和服装样板尺寸数据存储到数据库中；步骤30、对所述数据库中的儿童净体尺寸数据和服装样板尺寸数据进行分析学习训练，建立预测模型；步骤40、输入待定制儿童净体数据，根据预测模型得到用于童装纸样设计的细部规格数据；步骤50、将所述细部规格数据输入用CAD制作好的纸样模型得到定制童装纸样。2.根据权利要求1所述的一种童装纸样定制智能设计方法，其特征在于，所述数据库按三种服装风格类型分别建立：紧身型、标准型、运动型，所述预测模型与所述数据库一一对应建立。3.根据权利要求1所述的一种童装纸样定制智能设计方法，其特征在于，所述步骤30进一步包括：步骤31、针对样本数量小于设定值的情况，采用K-近邻算法建立预测模型，对其最优参数K进行分析学习训练，包括如下步骤：步骤311、将样本数据进行归一化处理；步骤312、将步骤311的数据随机拆分为80％的训练集与20％的测试集；步骤313、设定K-近邻算法预测模型的初始参数K为一整数值，取值范围为1～20；步骤314、采用shuffleSplit函数对80％训练集进行交叉验证，得到K-近邻算法预测模型的最优参数K1；步骤315、采用K-fold函数对80％训练集进行交叉验证，得到K-近邻算法预测模型的最优参数K2；步骤316、采用均方根误差作为衡量标准对20％的测试集进行计算，验证K1和K2误差值，取其中误差值较小对应的K值作为K-近邻算法预测模型的最优参数。步骤32、针对样本数量大于等于设定值的情况，采用深度置信网络DBN建立预测模型，所述深度置信网络DBN包括复数层无监督的受限玻尔兹曼机RBM和一层有监督的反向传播网络BP，DBN模型的最优参数分析学习训练步骤如下：步骤321、将测试数据作为输入数据赋值给RMB0输入层，采用对比散度算法对输入层与第一个隐藏层构成的模型RBM0进行训练，训练结束后得到RBM0网络的最优参数；步骤322、将训练好的RBM0中取得隐藏层的值作为RMB1输入层的数据，与第二个隐藏层构成RBM1，使用与步骤321一样的训练方法进行RBM1的训练，训练结束后得到RBM1网络的最优参数；步骤323、根据步骤321和步骤322的训练方法，进行所有RBM模型的分别训练；步骤324、采用反向传播网络BP回归分析最后一层RBM提取的特征向量，将训练得到的输出值与预期输出值之间的误差进行反向传播不断调整模型参数，得到整个深度置信网络模型的最优参数。4.根据权利要求1所述的一种童装纸样定制智能设计方法，其特征在于，所述待定制儿童净体数据包括身高、胸围、背宽、上臂围、臀围、净坐围和净腰围。5.根据权利要求1所述的一种童装纸样定制智能设计方法，其特征在于，所述细部规格数据包括背长、大肩宽、胸宽、小肩宽、短袖、长袖、腕围、袖口、上衣长、腰围、颈围、裤长、脚口、前浪、后浪、前...

【专利技术属性】
技术研发人员：郑力新，邱德府，谢炜芳，
申请(专利权)人：华侨大学，
类型：发明
国别省市：福建,35