一种机器学习增强的服装三维逆向设计方法技术

本发明专利技术涉及服装设计技术领域，具体涉及一种机器学习增强的服装三维逆向设计方法，为解决传统的服装设计和开发过程操作繁琐

【技术实现步骤摘要】
一种机器学习增强的服装三维逆向设计方法


[0001]本专利技术涉及服装设计
，尤其涉及一种机器学习增强的服装三维逆向设计方法
。

技术介绍

[0002]服装行业传统的模式是利用的真实的服装原型，通过执行“设计
‑
展示
‑
评估
‑
调节”的流程来设计和开发产品
。
很明显，传统的服装设计需要将服装真实制作出来，然后再进行修改，如此传统的服装设计和开发过程操作繁琐
、
效率低且浪费材料，不利于服装行业和企业的可持续发展
。

技术实现思路

[0003]有鉴于此，本专利技术的目的在于提出一种机器学习增强的服装三维逆向设计方法，以解决传统的服装设计和开发过程操作繁琐
、
效率低且浪费材料的技术问题
。
[0004]基于上述目的，本专利技术提供了一种机器学习增强的服装三维逆向设计方法，包括以下步骤：获取基础服装三维设计，通过三维扫描模型生成基础服装三维设计；获取基础二维样板设计，基于基础服装三维设计生成；基础服装三维设计输入第一模型内进行合体性评估，得到中间态服装三维设计，舒适度合适，将中间态服装三维设计输入第三模型；舒适度不合适，将中间态服装三维设计输入第二模型；第二模型对中间态服装三维设计对应的基础二维样板设计进行修改，得到修改后的二维样板设计，并将修改后的二维样板设计转化成修改后的服装三维设计，修改后的服装三维设计输入第一模型内进行合体性评估；第三模型对中间态服装三维设计的品质进行综合评估，评估结果不满意，将中间态服装三维设计输入第二模型，第二模型对中间态服装三维设计对应的基础二维样板设计进行修改，得到修改后的二维样板设计，并将修改后的二维样板设计转化成修改后的服装三维设计，修改后的服装三维设计输入第一模型内进行合体性评估；评估结果满意，将中间态服装三维设计输出到生产部门进行生产
。
[0005]作为本申请的进一步改进，所述基础服装三维设计输入第一模型内进行合体性评估，包括第一模型抓取所述基础服装三维设计中的面料的性能参数和服装放松量数据或服装压力数据两者之一，进而进行合体性评估
。
[0006]作为本申请的进一步改进，所述第一模型包括数据层
、
计算层和决策层；所述数据层内包含训练数据集，训练数据集有人体尺寸数据库
、
服装放松量数据库
、
服装压力数据库和面料性能数据库；所述计算层中包含采用概率神经网络构建的服装合体性预测模型，所述服装合体性预测模型调用所述训练数据集进行训练，训练好的服装合体性预测模型进行实际计算；所述决策层通过训练好的服装合体性预测模型的预测结果输出合体性评估结果
。
[0007]作为本申请的进一步改进，采用概率神经网络构建的所述服装合体性预测模型包括：输入层，模式层，求和层和输出层；对于某一具体的特征部位
i
，构建基于概率神经网络
的服装合体性预测模型的主要步骤为：将输入向量
input
i
传递到输出层，输入向量
input
i
表示为：
[0008][0009]其中，
indicator
garment fit
指的是服装合体性的指标，对于宽松服装，采用的是服装放松量，对于紧身服装，采用的是服装压力；参数
(fv1～
fv
15
)
指的是面料性能参数，由与
Style 3D
软件系统配套的面料性能测量工具采集；
[0010]在模式层中，根据公式
Ed
ij
＝
‖input
i
‑
fit
j
‖(1)
[0011]计算输入向量
input
i
与每一种服装合体性模式
fit
j
之间的欧式距离；而后，模式层的输出由公式
[0012]所示高斯方程激活；其中，
σ
指的是扩散参数；
[0013]在求和层中，一个神经元对应一种服装合体性特征
fit
j
。
对于每一个求和神经元，来自模式层属于服装合体性特征
fit
j
的输入根据公式
[0014]汇总；
[0015]其中，
l
指的是属于服装合体性特征
fit
j
样本的数量；
[0016]属于服装合体性特征
fit
j
的第
i
个样本的类条件概率按照公式计算
。
[0017]在输出层中，基于贝叶斯理论，第
i
个样本所属的服装合体性特征
fit
j
根据公式
[0018][0019]采用
10
折交叉法建立采用概率神经网络构建的所述服装合体性预测模型
。
[0020]作为本申请的进一步改进，所述二维样板设计被分为主要样板和关联样板两大类，不论上装还是下装，前片样板均被设定为主要样板，其余的样板则被定义为关联样板；所述第二模型对中间态服装三维设计对应的基础二维样板设计进行修改，得到修改后的二维样板设计，包括：
[0021]首先，将主要样板分解为若干结构线
sl
，接着，对于每一条具体的结构线
sl
i
及其两端对应的控制点
cp
v
和
cp
v+1
，采集在不同移动状态下，两端对应的控制点
cp
v
和
cp
v+1
分别水平和垂直方向上的移动数据，包括
dx_cp
v
，
dy_cp
v
，
dx_cp
v+1
和
dy_cp
v+1
，以及对应结构线
sl
i
长度的变化数据
dl_sl
i
；
[0022]所述第二模型采用支持向量回归
SVR
结合遗传算法
GA
创建
GASVR
模型；对于主要样板上的每一条结构线
sl
i
，分别创建五个基于
GASVR
的关系模型
。
[0023]作为本申请的进一步改进，所述第二模型先由初步创建的
GASVR
模型进行基础训练得到的，训练的数据由基础样板的所有结构线
sl
和控制点
cp
v
和
cp
v+1
的数据汇总形成
。
[0024]作为本申请的进一步改进，所述第三模型对中间态服装三维设计的品质进行综合评估，包括
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种机器学习增强的服装三维逆向设计方法，其特征在于，包括以下步骤：获取基础服装三维设计，通过三维扫描模型生成基础服装三维设计；获取基础二维样板设计，基于基础服装三维设计生成；基础服装三维设计输入第一模型进行合体性评估，得到中间态服装三维设计，舒适度合适，将中间态服装三维设计输入第三模型；舒适度不合适，将中间态服装三维设计输入第二模型；第二模型对中间态服装三维设计对应的基础二维样板设计进行修改，得到修改后的二维样板设计，并将修改后的二维样板设计转化成修改后的服装三维设计，修改后的服装三维设计输入第一模型内进行合体性评估；第三模型对中间态服装三维设计的品质进行综合评估，评估结果不满意，将中间态服装三维设计输入第二模型，第二模型对中间态服装三维设计对应的基础二维样板设计进行修改，得到修改后的二维样板设计，并将修改后的二维样板设计转化成修改后的服装三维设计，修改后的服装三维设计输入第一模型内进行合体性评估；评估结果满意，将中间态服装三维设计输出到生产部门进行生产
。2.
根据权利要求1所述的机器学习增强的服装三维逆向设计方法，其特征在于，所述基础服装三维设计输入第一模型内进行合体性评估，包括第一模型抓取所述基础服装三维设计中的面料的性能参数和服装放松量数据或服装压力数据两者之一，进而进行合体性评估
。3.
根据权利要求1所述的机器学习增强的服装三维逆向设计方法，其特征在于，所述第一模型包括数据层
、
计算层和决策层；所述数据层内包含训练数据集，训练数据集有人体尺寸数据库
、
服装放松量数据库
、
服装压力数据库和面料性能数据库；所述计算层中包含采用概率神经网络构建的服装合体性预测模型，所述服装合体性预测模型调用所述训练数据集进行训练，训练好的服装合体性预测模型进行实际计算；所述决策层通过训练好的服装合体性预测模型的预测结果输出合体性评估结果
。4.
根据权利要求3所述的机器学习增强的服装三维逆向设计方法，其特征在于，采用概率神经网络构建的所述服装合体性预测模型包括：输入层，模式层，求和层和输出层；对于某一具体的特征部位
i
，构建基于概率神经网络的服装合体性预测模型的主要步骤为：将输入向量
input
i
传递到输出层，输入向量
input
i
表示为：
input
i
＝
{indicator
garmentfit
,fv1,fv2,
…
,fv
15
,}
其中，
indicator
garmentfit
指的是服装合体性的指标，对于宽松服装，采用的是服装放松量，对于紧身服装，采用的是服装压力；参数
(fv1～
fv
15
)
指的是面料性能参数，由与
Style 3D
软件系统配套的面料性能测量工具采集；在模式层中，根据公式
Ed
ij
＝
‖input
i
‑
fit
j
‖(1)
计算输入向量
input
i
与每一种服装合体性模式
fit
j
之间的欧式距离；而后，模式层的输
出由公式所示高斯方程激活；其中，
σ
指的是扩散参数；在求和层中，一个神经元对应一种服装合体性特征
fit
j
；对于每一个求和神经元，来自模式层属于服装合体性特征
fit
j
的输入根据公式汇总；其中，
l
指的是属于服装合体性特征
fit
j
样本的数量；属于服装合体性特征
fit
j
的第
i
个样本的类条件概率按照公式计算；在输出层中，基于贝叶斯理论，第
i
个样本所属的服装合体性特征...

【专利技术属性】
技术研发人员：王竹君，邢英梅，徐珍珍，
申请(专利权)人：安徽工程大学，
类型：发明
国别省市：