服装智能生产方法及其系统技术方案

一种服装智能生产方法及其系统，其获取待配片布匹的第一检测图像和备选布匹的第二检测图像；利用基于深度学习的图像处理技术，对待配片布匹和备选布匹进行智能化匹配，以实现自动化配片，提高生产效率和质量。提高生产效率和质量。提高生产效率和质量。

【技术实现步骤摘要】
服装智能生产方法及其系统


[0001]本申请涉及智能化生产
，并且更具体地，涉及一种服装智能生产方法及其系统。

技术介绍

[0002]服装加工生产线的出现，彻底改变了传统的生产模式，实现了加工过程从捆包流向单件流的转变，提高了生产效率，方便了生产管理。
[0003]通常，服装加工制作流程包括：来料、验布、面料预缩、拉布、剪裁、封样与检测、烫朴、半成品工艺(车花、订珠等)、缝制、钉扣、组检、修剪、大烫、挂吊牌和包装。其中，当布匹裁剪完毕后，由人工负责配片并检查裁好的布，这一过程耗时长且繁琐，若配片产生失误还会引起后续服装加工的不良影响。
[0004]因此，期待一种优化的服装生产方案。

技术实现思路

[0005]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种服装智能生产方法及其系统，其获取待配片布匹的第一检测图像和备选布匹的第二检测图像；利用基于深度学习的图像处理技术，对待配片布匹和备选布匹进行智能化匹配，以实现自动化配片，提高生产效率和质量。
[0006]第一方面，提供了一种服装智能生产方法，其包括：
[0007]获取待配片布匹的第一检测图像和备选布匹的第二检测图像；
[0008]将所述第一检测图像通过使用空间注意力机制的第一卷积神经网络模型以得到第一空间关注特征图；
[0009]将所述第二检测图像通过使用空间注意力机制的第二卷积神经网络模型以得到第二空间关注特征图；
[0010]计算所述第一空间关注特征图和所述第二空间关注特征图之间的差分特征图；
[0011]将所述差分特征图通过基于卷积神经网络模型的差异性提取器以得到差异特征矩阵；
[0012]对所述差异特征矩阵进行流形曲面优化以得到优化差异特征矩阵；以及
[0013]将所述优化差异特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述待配片布匹与备选布匹之间的匹配度是否达到预定值。
[0014]在上述服装智能生产方法中，将所述第一检测图像通过使用空间注意力机制的第一卷积神经网络模型以得到第一空间关注特征图，包括：使用所述使用空间注意力机制的第一卷积神经网络模型的卷积编码部分对所述第一检测图像进行卷积编码以得到第一差分卷积特征图；将所述第一差分卷积特征图输入所述使用空间注意力机制的第一卷积神经网络模型的空间注意力部分以得到第一空间注意力图；将所述第一空间注意力图通过Softmax激活函数以得到第一空间注意力特征图；以及，计算所述第一空间注意力特征图和
所述第一差分卷积特征图的按位置点乘以得到所述第一空间关注特征图。
[0015]在上述服装智能生产方法中，将所述第二检测图像通过使用空间注意力机制的第二卷积神经网络模型以得到第二空间关注特征图，包括：使用所述使用空间注意力机制的第二卷积神经网络模型的卷积编码部分对所述第二检测图像进行卷积编码以得到第二差分卷积特征图；将所述第二差分卷积特征图输入所述使用空间注意力机制的第二卷积神经网络模型的空间注意力部分以得到第二空间注意力图；将所述第二空间注意力图通过Softmax激活函数以得到第二空间注意力特征图；以及，计算所述第二空间注意力特征图和所述第二差分卷积特征图的按位置点乘以得到所述第二空间关注特征图。
[0016]在上述服装智能生产方法中，计算所述第一空间关注特征图和所述第二空间关注特征图之间的差分特征图，包括：使用以下差分公式计算所述第一空间关注特征图和所述第二空间关注特征图之间的差分特征图；其中，所述差分公式为：
[0017][0018]其中，F
d
表示所述差分特征图，F1表示所述第一空间关注特征图，F2表示所述第二空间关注特征图，表示按位置减法。
[0019]在上述服装智能生产方法中，将所述差分特征图通过基于卷积神经网络模型的差异性提取器以得到差异特征矩阵，包括：使用所述基于卷积神经网络模型的差异性提取器的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述基于卷积神经网络模型的差异性提取器的最后一层的输出为所述差异特征矩阵，其中，所述基于卷积神经网络模型的差异性提取器的第一层的输入为所述差分特征图。
[0020]在上述服装智能生产方法中，对所述差异特征矩阵进行流形曲面优化以得到优化差异特征矩阵，包括：以如下优化公式对所述差异特征矩阵进行流形曲面优化以得到优化差异特征矩阵；其中，所述优化公式为：
[0021][0022]其中，μ和σ是所述差异特征矩阵中各个位置的特征值集合的均值和标准差，m
i,j
是所述差异特征矩阵的第(i,j)位置的特征值，且是所述优化差异特征矩阵的第(i,j)位置的特征值。
[0023]在上述服装智能生产方法中，将所述优化差异特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述待配片布匹与备选布匹之间的匹配度是否达到预定值，包括：将所述优化差异特征矩阵按照行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
[0024]第二方面，提供了一种服装智能生产系统，其包括：
[0025]图像获取模块，用于获取待配片布匹的第一检测图像和备选布匹的第二检测图像；
[0026]第一空间注意力模块，用于将所述第一检测图像通过使用空间注意力机制的第一卷积神经网络模型以得到第一空间关注特征图；
[0027]第二空间注意力模块，用于将所述第二检测图像通过使用空间注意力机制的第二
卷积神经网络模型以得到第二空间关注特征图；
[0028]差分计算模块，用于计算所述第一空间关注特征图和所述第二空间关注特征图之间的差分特征图；
[0029]差异特征提取模块，用于将所述差分特征图通过基于卷积神经网络模型的差异性提取器以得到差异特征矩阵；
[0030]优化模块，用于对所述差异特征矩阵进行流形曲面优化以得到优化差异特征矩阵；以及
[0031]匹配度结果生成模块，用于将所述优化差异特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述待配片布匹与备选布匹之间的匹配度是否达到预定值。
[0032]在上述服装智能生产系统中，所述第一空间注意力模块，包括：第一卷积编码单元，用于使用所述使用空间注意力机制的第一卷积神经网络模型的卷积编码部分对所述第一检测图像进行卷积编码以得到第一差分卷积特征图；第一注意力单元，用于将所述第一差分卷积特征图输入所述使用空间注意力机制的第一卷积神经网络模型的空间注意力部分以得到第一空间注意力图；第一激活单元，用于将所述第一空间注意力图通过Softmax激活函数以得到第一空间注意力特征图；以及，第一特征图计算单元，用于计算所述第一空间注意力特征图和所述第一差分卷积特征图的按位置点乘以得到所述第一空间关注特征图。
[0033]在上述服装智能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种服装智能生产方法，其特征在于，包括：获取待配片布匹的第一检测图像和备选布匹的第二检测图像；将所述第一检测图像通过使用空间注意力机制的第一卷积神经网络模型以得到第一空间关注特征图；将所述第二检测图像通过使用空间注意力机制的第二卷积神经网络模型以得到第二空间关注特征图；计算所述第一空间关注特征图和所述第二空间关注特征图之间的差分特征图；将所述差分特征图通过基于卷积神经网络模型的差异性提取器以得到差异特征矩阵；对所述差异特征矩阵进行流形曲面优化以得到优化差异特征矩阵；以及将所述优化差异特征矩阵通过分类器以得到分类结果，所述分类结果用于表示所述待配片布匹与备选布匹之间的匹配度是否达到预定值。2.根据权利要求1所述的服装智能生产方法，其特征在于，将所述第一检测图像通过使用空间注意力机制的第一卷积神经网络模型以得到第一空间关注特征图，包括：使用所述使用空间注意力机制的第一卷积神经网络模型的卷积编码部分对所述第一检测图像进行卷积编码以得到第一差分卷积特征图；将所述第一差分卷积特征图输入所述使用空间注意力机制的第一卷积神经网络模型的空间注意力部分以得到第一空间注意力图；将所述第一空间注意力图通过Softmax激活函数以得到第一空间注意力特征图；以及计算所述第一空间注意力特征图和所述第一差分卷积特征图的按位置点乘以得到所述第一空间关注特征图。3.根据权利要求2所述的服装智能生产方法，其特征在于，将所述第二检测图像通过使用空间注意力机制的第二卷积神经网络模型以得到第二空间关注特征图，包括：使用所述使用空间注意力机制的第二卷积神经网络模型的卷积编码部分对所述第二检测图像进行卷积编码以得到第二差分卷积特征图；将所述第二差分卷积特征图输入所述使用空间注意力机制的第二卷积神经网络模型的空间注意力部分以得到第二空间注意力图；将所述第二空间注意力图通过Softmax激活函数以得到第二空间注意力特征图；以及计算所述第二空间注意力特征图和所述第二差分卷积特征图的按位置点乘以得到所述第二空间关注特征图。4.根据权利要求3所述的服装智能生产方法，其特征在于，计算所述第一空间关注特征图和所述第二空间关注特征图之间的差分特征图，包括：使用以下差分公式计算所述第一空间关注特征图和所述第二空间关注特征图之间的差分特征图；其中，所述差分公式为：其中，F
d
表示所述差分特征图，F1表示所述第一空间关注特征图，F2表示所述第二空间关注特征图，表示按位置减法。5.根据权利要求4所述的服装智能生产方法，其特征在于，将所述差分特征图通过基于卷积神经网络模型的差异性提取器以得到差异特征矩阵，包括：使用所述基于卷积神经网
络模型的差异性提取器的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述基于卷积神经网络模型的差异性提取器的最后一层的输出为所述差异特征矩阵，其中，所述基于卷积神经网络模型的差异性提取器的第一层的输入为所述差分特征图。6.根据权利要求5所述的服装智能生产方法，其特征在于，对所述差异特征矩阵进行流形曲面优化以得到优化差异特征矩阵，包括...

【专利技术属性】
技术研发人员：濮鸿峰，洪祖柏，张新章，
申请(专利权)人：浙江开酷服饰科技有限公司，
类型：发明
国别省市：