基于深度学习的服装丝缕平衡性评价系统

doi:10.13475/j.fzxb.20181006705

纺织学报 ›› 2019, Vol. 40 ›› Issue (10): 191-195.doi: 10.13475/j.fzxb.20181006705

• 管理与信息化 • 上一篇

基于深度学习的服装丝缕平衡性评价系统

许倩¹, 陈敏之¹^,²()

1.浙江理工大学服装学院, 浙江杭州 310018
2.浙江理工大学国际教育学院, 浙江杭州 310018

收稿日期:2018-10-31 修回日期:2019-06-28 出版日期:2019-10-15 发布日期:2019-10-23
通讯作者: 陈敏之
作者简介:许倩(1991—),女,硕士生。主要研究方向为服装技术与理论。
基金资助:
浙江省自然科学基金项目一般项目(LY17E060007)

Garment grain balance evaluation system based on deep learning

XU Qian¹, CHEN Minzhi¹^,²()

1. School of Fashion Design & Engineering, Zhejiang Sci-Tech University, Hangzhou, Zhejiang 310018, China;
2. School of International Education, Zhejiang Sci-Tech University, Hangzhou, Zhejiang 310018, China

Received:2018-10-31 Revised:2019-06-28 Online:2019-10-15 Published:2019-10-23
Contact: CHEN Minzhi

摘要/Abstract

摘要：

为解决虚拟试装中难以自动评价服装丝缕平衡性的问题,充分应用了深度学习在图像自动识别中的优越性,针对服装丝缕平衡的特点,设计了卷积神经网络的拓扑结构,通过对各个特征部位上不同平衡状态的服装丝缕图片进行等级分类和学习训练,得到的网络模型的识别准确率达到93.589%,从而建立了可实现对服装各个关键部位丝缕平衡性自动评价系统。结果表明:应用基于深度学习的服装丝缕平衡性评价系统,对虚拟环境下的服装各个关键部位上的丝缕图片进行识别和分类,可以缩短服装平衡性检测的时间,提高检测的效率,快速获取服装丝缕不平衡的位置,以便对服装进行修改。

关键词: 虚拟试衣, 深度学习, 服装丝缕, 图像识别, Alexnet模型

Abstract:

In order to solve the problem on automatic evaluation of the garment grain balance in virtual fitting, the paper proposed a method based on the superiority of deep learning in automatic image recognition, created the topological structure of convolutional neural network according to the characteristics of garment grain balance, and by the grade classification training and learning training of the garment grain plaques with different balance states, the recognition accuracy of the neural network model of the training reached 93.589%, thus an automatic evaluation system was established for the grain worm balance of all key parts of the garment. The results show that the application of the garment grain balance evaluation system based on deep learning can identify and classify the garment grain plaques in each key part of the garment in the virtual environment, which can shorten the time of balance detection and improve the detection efficiency. The unbalanced position of the garment grain can be quickly acquired to facilitate the modification of the garment.

Key words: virtual fitting, deep learning, garment grain, image recognition, Alexnet model

中图分类号:

TS941.2

许倩, 陈敏之. 基于深度学习的服装丝缕平衡性评价系统[J]. 纺织学报, 2019, 40(10): 191-195.

XU Qian, CHEN Minzhi. Garment grain balance evaluation system based on deep learning[J]. Journal of Textile Research, 2019, 40(10): 191-195.

图/表 8

图1

表1

表2

表3

表4

表5

表6

图2

参考文献 13

[1]	魏静, 金晨怡, 韩阳. 裁剪适用性解析[J]. 纺织学报, 2010,31(12):108-111.
	WEI Jing, JIN Chenyi, HAN Yang. Analysis onapplicability of draping[J]. Journal of Textile Research, 2010,31(12):108-111.
[2]	STEPHEN Gray. IT reaches clothing production[J]. Textile Asia, 1995,26(8):103-108.
[3]	陆永良, 李汝勤, 胡金莲. 虚拟服装的发展历史和现状[J]. 纺织学报, 2005,26(1):132-134.
	LU Yongliang, LI Ruqin, HU Jinlian. History and current situation for virtual[J]. Journal of Textile Research, 2005,26(1):132-134.
[4]	XU B, HUANG Y, YU W. Scanning and modeling for custom fit garments[J]. Journal of Textile & Apparel Technology & Management, 2002,2(2):1-9.
[5]	张瑞云, 李汝勤. 服装CAD中三维数据的拾取与服装造型点的生成[J]. 中国纺织大学学报, 2000,26(3):48-50.
	ZHANG Ruiyun, LI Ruqin. 3D data's picking up and garment key points getting in garment CAD[J]. Journal of Donghua University, 2000,26(3):48-50.
[6]	周飞燕, 金林鹏, 董军. 卷积神经网络研究综述[J]. 计算机学报, 2017,40(6):1229-1251.
	ZHOU Feiyan, JIN Linpeng, DONG Jun. Review of convolutional neural network[J]. Chinese Journal of Computers, 2017,40(6):1229-1251
[7]	胡正平, 陈俊岭, 王蒙, 等. 卷积神经网络分类模型在模式识别中的新进展[J]. 燕山大学学报, 2015,39(4):283-291.
	HU Zhengping, CHEN Junling, WANG Meng, et al. Recent progress on convolutional neural network in pattern recognition[J]. Journal of Yanshang University, 2015,39(4):283-291.
[8]	景军峰, 范晓婷, 李鹏飞, 等. 应用深度卷积神经网络的色织物缺陷检测[J]. 纺织学报, 2017,38(2):68-74.
	JING Junfeng, FAN Xiaoting, LI Pengfei, et al. Yarn-dyed fabric defect detection based on deep-convolutional neural network.[J]. Journal of Textile Research, 2017,38(2):68-74.
[9]	YANN Lecun. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998,86(11):2278-2324. doi: 10.1109/5.726791
[10]	尹宝才, 王文通, 王立春. 深度学习研究综述[J]. 北京工业大学学报, 2015,41(1):48-59.
	YIN Baocai, WANG Wentong, WANG Lichun. Overview of deep learning[J]. Journal of Beijing University of Technology, 2015,41(1):48-59.
[11]	孙炜晨. 基于深度学习的图像分类[D]. 北京:北京邮电大学, 2016: 4-6.
	SUN Weichen. Deep learning in image classification[D]. Beijing: Beijing University of Posts and Telecommunications, 2016: 4-6.
[12]	高震宇. 基于卷积神经网络的图像分类方法及应用[D]. 合肥:中国科技技术大学, 2018: 9-13.
	GAO Zhenyu. Research and application of image classification method based on deep convolutional neural network[D]. Hefei:University of Science and Technology of China, 2018: 9-13.
[13]	陈雯柏. 人工神经网络与实践[M]. 西安: 西安电子科技大学出版社, 2016: 179-180.
	CHEN Wenbai. Artificial Neural Network and Practice [M]. Xi'an: Xi'an University of Electronic Science and Technology Press, 2016: 179-180.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed

层数	每层类型	核数	核的大小/像素	特征图的数量	特征图的大小/像素	步长/像素
1	卷积层1	96	11×11	96	55×55	4
2	池化层1	1	3×3	96	27×27	2
3	卷积层2	256	5×5	256	27×27	1
4	池化层2	1	3×3	256	13×13	2
5	卷积层3	384	3×3	384	13×13	1
6	卷积层4	384	3×3	384	13×13	1
7	卷积层5	256	3×3	256	13×13	1
8	池化层5	1	3×3	256	6×6	2

序号	层数	核的大小/ 像素	维向量的大小	步长/ 像素
1	全连接层6	1×1	4 096	1
2	全连接层7	1×1	4 096	1
3	全连接层8	1×1	4	1

服装丝缕平衡等级	服装丝缕平衡程度
1	平衡,白色样布条贴合合体西服表面,标识线与水平基准线保持平衡
2	较平衡,白色样布条基本贴合合体西服表面,标识线与水平基准线基本保持平衡
3	较不平衡,白色样布条不太贴合合体西服表面,标识线与水平基准线不太保持平衡
4	不平衡,白色样布条不贴合合体西服表面,标识线与水平基准线未保持平衡

各等级训练样本状态	训练结果/组
各等级训练样本状态	平衡状态	较平衡	较不平衡	不平衡
平衡	89	3	2	1
较平衡	0	79	3	2
较不平衡	1	5	82	1
不平衡	0	3	2	86
准确率/%	98.89	87.78	92.14	95.56

各等级训练样本状态	训练结果/组
各等级训练样本状态	平衡状态	较平衡	较不平衡	不平衡
平衡	15	0	0	1
较平衡	3	20	0	4
较不平衡	2	5	25	0
不平衡	5	0	0	20
准确率/%	60.00	80.00	100.00	80.00

基于深度学习的服装丝缕平衡性评价系统

Garment grain balance evaluation system based on deep learning

RichHTML

PDF (PC)

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 13

相关文章 9

Metrics

本文评价

推荐阅读 0

名称	净尺寸	名称	净尺寸
颈围	37.0	胸围	91.7
肩宽	43.0	肚围	83.5
背宽	38.5	臀围	92.7
前胸	38.5	袖头	30.7
侧颈到胸围	23.5	袖管	28.5
后背高	22.0	袖口	18.5

[1]	李涛, 杜磊, 黄振华, 蒋玉萍, 邹奉元. 服装款式图识别与样板转换技术研究进展[J]. 纺织学报, 2020, 41(08): 145-151.
[2]	陈咪, 叶勤文, 张皋鹏. 斜裁裙参数化结构模型的构建[J]. 纺织学报, 2020, 41(07): 135-140.
[3]	夏海浜, 黄鸿云, 丁佐华. 基于迁移学习与支持向量机的服装舒适度评估[J]. 纺织学报, 2020, 41(06): 125-131.
[4]	刘正东, 刘以涵, 王首人. 西装识别的深度学习方法[J]. 纺织学报, 2019, 40(04): 158-164.
[5]	汪珊娜张华熊康锋. 基于卷积神经网络的领带花型情感分类[J]. 纺织学报, 2018, 39(08): 117-123.
[6]	何晓昀韦平张林邓斌攸潘云峰苏真伟. 基于深度学习的籽棉中异性纤维检测方法[J]. 纺织学报, 2018, 39(06): 131-135.
[7]	黎聪闫学娜曾祥忠梁猛张莹. 应用一维傅里叶变换的剖幅区自动识别与定位[J]. 纺织学报, 2016, 37(01): 147-151.
[8]	夏帆刘翔. 基于服装设计要素和法则的智能配搭设计[J]. 纺织学报, 2015, 36(07): 94-99.
[9]	张海波黄铁军修毅赵野军章江华. 基于神经网络的男西装图像情感语义识别[J]. 纺织学报, 2013, 34(12): 138-0.