CN107194772A - 一种服装定制方法 - Google Patents

Abstract

本发明提供了一种服装定制方法，通过量体师直接与客户面对面进行量体，将所获取的定制数据上传至数据存储终端，交由柔性定制工厂进行生产，节省了用户到工厂之间多层渠道的时间成本与经济成本，提高了生产效率；针对特殊体型的用户，进一步获取其特体数据，保证所定制出的服装能满足各种用户的需求。

Description

一种服装定制方法

技术领域

本发明涉及服装定制领域，特别涉及一种服装定制方法。

背景技术

为了提高服装的生产效率并节省成本，一般服装厂均会按照标准号型进行生产，然后向服装店进行供货，购买服装的人去服装店直接购买成品服装即可。但每个人体型以及喜好均各有不同，按此方式生产的服装难以满足所有购买者的需求。另外，在经销过程中，可能产生较大的库存。

部分用户会选择量身定制服装，但量身定制一般均是需要专门购买布匹用来制衣，无法批量生产，因此成本会相对较高。并且定制服装一般为裁缝手工定制，制衣时间较长，对裁缝个人的经验要求也较高，难以实现大量的供应。因此，整体上，量身定制的服装相比传统批量生产的服装，其经济成本与时间成本更高，难以满足大量用户的需求。

发明内容

本发明要解决的技术问题是如何降低定制服装的成本，加快定制服装的制衣时间。

为了解决上述技术问题，本发明中披露了一种服装定制方法，本发明的技术方案是这样实施的：

一种服装定制方法，包括依次执行以下步骤：S1：用户通过第二数据端预约定制服务，量体师通过第二数据端接收到预约后上门为用户量体；S2：量体师获取用户的定制数据，所述定制数据包括形体数据、款式数据及个人信息，所述个人信息包括年龄、身高、体重及行为偏好；S3：量体师通过所述第一移动数据端将所述定制数据上传至数据存储终端；S4：通过所述个人信息中的身高、体重对所述形体数据进行校验；若校验结果为不合理则重新依次执行步骤S2、S3，并再次校验，直至校验结果合理，则执行步骤S5；S5：所述数据存储终端与数据库进行交互，并生成打版文件；S6：根据所述打版文件进行裁剪；S7：对裁剪完成的物料进行缝制，形成服装；S8：对所述服装进行熨烫定型，并进行包装；S9：发货寄送给用户；S10：用户验货后通过所述第二移动数据端上传反馈意见；S11：根据所述反馈意见对所述打版文件进行修正，并将修正后的所述打版文件作为新样本上传至所述数据库。

优选地，执行步骤S5时，若所述数据库中无可匹配的样本，则人工进行服装打版，生成打版文件；若所述定制数据与所述数据库中样本可匹配，则选择相匹配的版式，自动生成打版文件。

优选地，步骤S6中的裁剪方式为激光裁剪。

优选地，所述形体数据包括领围、胸围、中腰围、臀围、肩宽、袖长、衣长、臂围及腕围。

优选地，若用户为特殊体型，则所述形体数据还包括特体数据。

优选地，所述特殊体型包括有胸肌、驼背、将军肚、溜肩、长短手中的一个或一个以上。

优选地，若所述特殊体型包括有胸肌或驼背，则所述特体数据包括前胸尺寸及后背尺寸；若所述特殊体型包括将军肚，则所述特体数据包括腹围最大处尺寸；若所述特殊体型包括溜肩，则所述肩宽为特体数据，所述肩宽通过寻找肩点的方式测得；若所述特殊体型包括长短手，则所述特体数据包括左手袖长与右手袖长。

优选地，所述款式数据包括下列中的一个或一个以上：版型、面料、领型、袖型、门襟、下摆、领撑及是否需要刺绣。

优选地，若用户选择需要刺绣，则所述款式数据还包括刺绣内容及刺绣位置。

优选地，步骤S4中通过人工智能模块校验所述形体数据；步骤S11中通过所述人工智能模块进行修正；执行步骤S11后执行以下步骤：S12：所述人工智能模块根据所述定制数据及所述新样本进行学习；所述人工智能模块采用深度神经网络学习的方式进行机器学习。

实施本发明的有益效果是：

1、本发明通过量体师直接与客户面对面进行量体，将所获取的定制数据上传至数据存储终端，交由柔性定制工厂进行生产，节省了用户到工厂之间多层渠道的时间成本与经济成本，提高了生产效率；

2、本发明中，针对衬衫这一特殊产品，总结出了能够适应各种不同身材的一系列量体数据；特别地，针对特殊体型的用户，进一步获取其特体数据，保证所定制出的服装能满足各种用户的需求；

3、本发明基于传统定制中积累的数据，采用人工智能算法，完成基于用户特别需求的服装打版过程；

4、在该商业模式中，量体师同时承担了销售、客服等多种工作，有利于节省该商业模式的人力成本。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一种实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为一个实施例中，服装定制方法流程图；

图2为一个实施例中，各模块之间的交互关系。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在一个具体的实施例中，一种服装定制方法，包括依次执行以下步骤：S1：用户通过第二数据端预约定制服务，量体师通过第二数据端接收到预约后上门为用户量体；S2：量体师获取用户的定制数据，所述定制数据包括形体数据、款式数据及个人信息，所述个人信息包括年龄、身高、体重及行为偏好；S3：量体师通过所述第一移动数据端1将所述定制数据上传至数据存储终端3；S4：通过所述个人信息中的身高、体重对所述形体数据进行校验；若校验结果为不合理则重新依次执行步骤S2、S3，并再次校验，直至校验结果合理，则执行步骤S5；S5：所述数据存储终端3与数据库4进行交互并生成打版文件；S6：根据所述打版文件进行裁剪；S7：对裁剪完成的物料进行缝制，形成服装；S8：对所述服装进行熨烫定型，并进行包装；S9：发货寄送给用户；S10：用户验货后通过所述第一移动数据端2上传反馈意见；S11：根据所述反馈意见对所述打版文件进行修正，并将修正后的所述打版文件作为新样本上传至所述数据库4。

目前常见的服装定制方式一般为两种：手工量体并且手工制作，此种定制方式制作出的服装较为精细，但制作成本高，花费时间长；利用图像识别或三维扫描等技术获取用户形体数据，然后由工厂进行流水线生产，此种定制方式虽能降低制作成本，但所测量出的形体数据不够精准，自然生产出的服装也就不够精细。本发明所述的服装定制方式综合考虑了以上两种方式的优缺点，既具有手工量体的精细，又能通过柔性流水线生产降低成本。用户通过第一移动数据端2预约定制服务，量体师在第一移动数据端1上接收到定制服务需求后，与用户约定时间上门进行量体，获取用户的定制数据，通过测量获取形体数据，由用户选择所需要定制服装的款式，获取款式数据，并获取用户的身高、体重及行为偏好，行为偏好是指量体师在为用户量体时进行沟通所获得的用户对所要定制服装的要求，量体师根据具体要求以数据形式将要求记录于第一移动数据端1上。例如，测量胸围时，量体师会告知用户合体的胸围是活动时胸口的纽扣不会崩开，但胸前又不会有太多余量，询问用户偏好于宽松或是合体修身的服装，根据用户的选择，量体师为用户设定相应数据；测量臂围时，量体师会告知用户臂围合体的服装会较为修身，但活动手臂时会不如宽松的服装舒服，按照用户选择的合体或宽松的要求，为用户设定臂围偏好数据；测量袖围时，询问用户是否有佩戴手表的习惯，若用户有戴表习惯则建议将袖围适当放大，若用户无戴表习惯则建议服装袖围选择合体修身的，根据用户选择，量体师为用户设定袖围的偏好数据。若用户有特殊需要，量体师可根据具体需要为用户设定相应偏好数据。获取完毕后，量体师通过第一移动数据端2将所获取到的定制数据上传至数据存储终端3。S4即版型筛选模块5通过用户的身高和体重判断步骤中所测量的形体数据是否有误。数据存储终端3用于暂存量体师所获取的定制数据，与数据库4进行交互。所述版型筛选模块5，可以是有经验的版型师，采用人工筛选；也可以是采用神经网络算法的版型筛选模块5；也可以是采用简单数据逻辑计算的版型筛选模块5。所述采用神经网络算法的版型筛选模块5，以大量形体数据为学习样本的输入，以是否有误为学习样本的输出。所述采用简单数据逻辑计算的版型筛选模块5，指的是由有经验的版型师所给出的，特定身高体重数值的人，应具有的形体数据范围，当超出所述形体数据范围时，判定该形体数据有误。直至校验结果合理，数据存储终端3与数据库4进行交互，暂存于数据存储终端3的定制数据与数据库4中的样本进行匹配，若数据库4中有与定制数据匹配的样本，则自动选择该样本的打版文件，根据定制数据自动生成打版文件。柔性流水线按照所生成的打版文件进行物料裁剪，并将裁剪完成的物料缝制成服装，然后对缝制完成的服装进行熨烫定型，完成该服装的定制，打包并发货寄送给用户。用户试穿定制好的服装后，若反馈意见为满意，则将该打版文件作为新样本上传至数据库4；若反馈意见指出了服装需要修改之处，则根据该意见对打版文件进行修正，并将修正后的打版文件作为新样本上传至数据库4。

在一个优选的实施例中，执行步骤S5时，若所述数据库4中无可匹配的样本，则人工进行服装打版，生成打版文件；若所述定制数据与所述数据库4中样本可匹配，则选择相匹配的版式，自动生成打版文件。

由于数据库4中数据无法涵盖所有人类的体型及偏好，若执行步骤S5时，数据库4中未找到可匹配的样本，则由版型师根据定制数据进行打版。数据库4中的原始数据可以是采集大量的制衣行业内打版数据。

在一个优选的实施例中，步骤S6中的裁剪方式为激光裁剪。

数据库4中存在可匹配的样本时，能够自动生成打版文件，无需人工进行服装打版，为了提高效率，使用激光裁剪的方式裁剪物料。

在一个优选的实施例中，所述形体数据包括领围、胸围、中腰围、臀围、肩宽、袖长、衣长、臂围及腕围。

领围是指衣领跟衣身整个接缝的围长，测量方式(本文中的所有测量方法均以制作衬衫的测量方法为例)是量体师站在用户的正前方，用皮尺在喉结下方处环绕测量一周，并留有两指的余量，保证用食指在皮尺与头颈中间能够自然滑一圈。

胸围是指人体胸部外圈的周长，测量方式是量体师站在用户的右前方，用皮尺在腋下胸部处水平测量一周，并在用户的右胸处留有两指的余量，皮尺应不松不紧，同时要兼顾背后的皮尺不要下滑。

中腰围是指腰部最细处的水平围长，测量方式是量体师站在用户的右前方，用皮尺在腰部最细处水平测量一周，并留有两指的余量，皮尺应不松不紧转动自如。

臀围是指臀部向后最突出部位的水平围长，测量方式是量体师站在用户侧面，用皮尺在臀部最丰满处水平测量一周，放两指紧量，皮尺应不松不紧。

肩宽是指左、右肩点之间的直线距离，测量方式是量体师站在用户后面，用皮尺沿着背部轮廓，测量两侧肩端点之间的距离。

袖长是指肩线到袖口的距离，测量方式是量体师站在用户左侧或右侧任一侧，用皮尺从量体师所在用户相应一侧手臂的肩端点开始测量，沿着手臂外侧轮廓测量至虎口与手腕中心线上。测量袖长、肩宽时，肩端点位置应一致。

衣长是指衣服的长度，测量方式是量体师站在用户右侧，经过胸部垂直测量颈根部最高点至皮带以下13厘米处。

臂围是指上肢自然下垂时，在上臂肱二头肌最粗处的水平围长，一般是测量右臂，若用户为左撇子则测量其左臂，测量方式是量体师站在用户右侧(用户为左撇子则站在用户左侧)，用皮尺在腋下手臂最丰满处水平测量一周，并留有两指尖的余量。

腕围是指手腕活动处一周的围长，测量方式是一般是测量右手，若用户为左撇子则测量其左手，测量方式是量体师站在用户右侧(用户为左撇子则站在用户左侧)，用皮尺环绕手腕活动处一周，并留有两手指尖的余量。

测量完以上形体数据后，将形体数据通过第一移动数据端1上传至数据存储终端3。

在一个优选的实施例中，若用户为特殊体型，则所述形体数据还包括特体数据。

特殊体型的用户若按照普通测量方式进行测量，所定制出的服装会出现不合适的情况，因此需要采集特体数据。

在一个优选的实施例中，所述特殊体型包括有胸肌、驼背、将军肚、溜肩、长短手中的一个或一个以上。

量体师在进行测量时，判断用户是否属于特殊体型、属于何种特殊体型，用户可能是具有一种或一种以上的特殊体型，根据具体情况进行测量。

在一个优选的实施例中，若所述特殊体型包括有胸肌或驼背，则所述特体数据包括前胸尺寸及后背尺寸；若所述特殊体型包括将军肚，则所述特体数据包括腹围最大处尺寸；若所述特殊体型包括溜肩，则所述肩宽为特体数据，所述肩宽通过寻找肩点的方式测得；若所述特殊体型包括长短手，则所述特体数据包括左手袖长与右手袖长。

特殊体型的用户需要按照特殊的测量方法采集形体数据，有胸肌者和驼背者的从普通胸围数据均无法看出，因此按照普通胸围数据定制的服装对于有胸肌者而言前胸部分会较小，对于驼背者而言后背部分会较小，因此均需分别测量前胸尺寸及后背尺寸；有将军肚的用户若按照普通测量方式测量中腰围，则服装的肚子部分会较小，所以需要测量腹围最大处的水平围长；溜肩者的肩点较低，若按照平肩者的方式平量肩宽，定制出的服装肩部会显得较宽，需要通过寻找肩点的方式测量肩宽；若用户两条手臂长短不一致，如果按照普通测量方式仅测量一条手臂，则定制出的服装有一只袖子是不合身的，所以需要测量两条手臂的袖长。

在一个优选的实施例中，所述款式数据包括下列中的一个或一个以上：版型、面料、领型、袖型、门襟、下摆、领撑及是否需要刺绣。

获取款式数据，为用户定制符合其喜好的服装，提高用户对于所定制服装的满意度。

在一个优选的实施例中，若用户选择需要刺绣，则所述款式数据还包括刺绣内容及刺绣位置。

在定制的服装上增加刺绣，更加具体独特性，刺绣内容可以根据用户的喜好或需要进行自定义，刺绣位置可以是服装上的任意位置，但量体师会为用户推荐最优的位置，用户可以进行选择。

在一个优选的实施例中，步骤S4中通过人工智能模块6校验所述形体数据；步骤S11中通过所述人工智能模块6进行修正；执行步骤S11后执行以下步骤：S12：所述人工智能模块6根据所述定制数据及所述新样本进行学习；所述人工智能模块6采用深度神经网络学习的方式进行机器学习。

构建BP神经网络，实现对形体数据的校验、对打版文件进行修正，并定期学习新样本优化模型。BP神经网络的模型构建方法已在公开号为CN103886115A、CN101458733A、CN102402756A的文献中公开，由于模型构建方法非本发明的创新点所在，因此在此不作展开，本领域技术人员可以在现有技术中选择合适的模型构建方法。

特别地，本发明中所述的量体师在实际服装定制过程中兼任量体师、销售人员、客服的工作，本发明中所述的C2M(Customer-to-Manufactory)服装定制方法已在商业上获得成功，这种成功是由于本发明的技术特征既能提高服装生产效率、降低生产及运营成本，又能为用户定制出精细合身的服装，反映了本发明具有有益效果，同时也说明了本发明是非显而易见的，因此本发明具有突出的实质性特点和显著的进步，具备创造性。

上述列举的各种实施例，在不矛盾的前提下，可以相互组合实施，本领域技术人员可结合附图和上文对实施例的解释，作为对不同实施例中的技术特征进行组合的依据。

本发明中描述量体师测量时所在位置时使用的“上”“下”“前”“后”“左”“右”等字词，仅出于便于理解的目的，并非指定本发明中量体师测量时所在的绝对位置或者绝对方向。

需要指出的是，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种服装定制方法，其特征在于：

包括依次执行以下步骤：

S1：用户通过第二数据端预约定制服务，量体师通过第一数据端接收到预约后上门为用户量体；

S2：量体师获取用户的定制数据，所述定制数据包括形体数据、款式数据及个人信息，所述个人信息包括年龄、身高、体重及行为偏好；

S3：量体师通过所述第一移动数据端将所述定制数据上传至数据存储终端；

S4：通过所述个人信息中的身高、体重对所述形体数据进行校验；若校验结果为不合理则重新依次执行步骤S2、S3，并再次校验，直至校验结果合理，则执行步骤S5；

S5：所述数据存储终端与数据库进行交互，并生成打版文件；

S6：根据所述打版文件进行裁剪；

S7：对裁剪完成的物料进行缝制，形成服装；

S8：对所述服装进行熨烫定型，并进行包装；

S9：发货寄送给用户；

S10：用户验货后通过所述第二移动数据端上传反馈意见；

S11：根据所述反馈意见对所述打版文件进行修正，并将修正后的所述打版文件作为新样本上传至所述数据库。

2.根据权利要求1所述的服装定制方法，其特征在于：执行步骤S5时，若所述数据库中无可匹配的样本，则人工进行服装打版，生成打版文件；若所述定制数据与所述数据库中样本可匹配，则选择相匹配的版式，自动生成打版文件。

3.根据权利要求2所述的服装定制方法，其特征在于：步骤S6中的裁剪方式为激光裁剪。

4.根据权利要求3所述的服装定制方法，其特征在于：

所述形体数据包括领围、胸围、中腰围、臀围、肩宽、袖长、衣长、臂围及腕围。

5.根据权利要求4所述的服装定制方法，其特征在于：

若用户为特殊体型，则所述形体数据还包括特体数据。

6.根据权利要求5所述的服装定制方法，其特征在于：

所述特殊体型包括有胸肌、驼背、将军肚、溜肩、长短手中的一个或一个以上。

7.根据权利要求6所述的服装定制方法，其特征在于：

若所述特殊体型包括有胸肌或驼背，则所述特体数据包括前胸尺寸及后背尺寸；

若所述特殊体型包括将军肚，则所述特体数据包括腹围最大处尺寸；

若所述特殊体型包括溜肩，则所述肩宽为特体数据，所述肩宽通过寻找肩点的方式测得；

若所述特殊体型包括长短手，则所述特体数据包括左手袖长与右手袖长。

8.根据权利要求1～7中任一所述的服装定制方法，其特征在于：

所述款式数据包括下列中的一个或一个以上：版型、面料、领型、袖型、门襟、下摆、领撑及是否需要刺绣。

9.根据权利要求8所述的服装定制方法，其特征在于：

若用户选择需要刺绣，则所述款式数据还包括刺绣内容及刺绣位置。

10.根据权利要求9所述的服装定制方法，其特征在于：

步骤S4中通过人工智能模块校验所述形体数据；

步骤S11中通过所述人工智能模块进行修正；

执行步骤S11后执行以下步骤：

S12：所述人工智能模块根据所述定制数据及所述新样本进行学习；

所述人工智能模块采用深度神经网络学习的方式进行机器学习。