CN110399656B - 基于模糊逻辑与神经网络的下装腰省参数设计方法 - Google Patents
基于模糊逻辑与神经网络的下装腰省参数设计方法 Download PDFInfo
- Publication number
- CN110399656B CN110399656B CN201910610763.0A CN201910610763A CN110399656B CN 110399656 B CN110399656 B CN 110399656B CN 201910610763 A CN201910610763 A CN 201910610763A CN 110399656 B CN110399656 B CN 110399656B
- Authority
- CN
- China
- Prior art keywords
- model
- waist
- province
- hybrid intelligent
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 21
- 238000013461 design Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 27
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于模糊逻辑与神经网络的下装腰省参数设计方法,包括以下步骤:在采集人体下半身净体数据的基础上,得到下装腰省参数数据集,进而创建训练数据集和测试数据集;再基于模糊逻辑和神经网络构建一个混合智能模型;利用训练数据集对所述混合智能模型进行训练,得到训练完成的混合智能模型;分析影响所述混合智能模型性能的主要因素,确定出最优的混合智能模型结构参数;将待设计下装的用户的腰围和臀围作为混合智能模型的输入,得到前中省、后中省和后侧省3个样板数据,根据得到的样板数据设计下装。本发明提高了下装制板的效率、智能性和准确性。
Description
技术领域
本发明涉及服装结构设计技术领域,特别是涉及一种基于模糊逻辑与神经网络的下装腰省参数设计方法。
背景技术
下装(包括裙装和裤装)的腰省(或褶裥),源于人体腰臀部位的围度差,是下装结构设计的重要内容之一,其设置的位置、大小和形态等是影响人体腰臀部位合体性和舒适性的关键因素。经验丰富的服装制板师会根据其多年的实践经验及其对人体腰臀部位形态的判断,针对性地设置腰省或褶裥参数,从而得到满足消费者体型个性化需求的下装样板。而这对经验不足的新手而言是难以准确把握的。在服装网购蓬勃发展的当前,如何快速、准确地满足消费对下装合体性的个性化需求,是服装企业亟待解决关键问题之一。近年来,模糊逻辑、人工神经网络等软计算技术以其良好的非线性映射、自适应学习和推理等性能,成为机器学习、人工智能领域中备受关注的一个研究方向。在服装结构设计领域,已有学者将BP神经网络、RBF神经网络等应用于服装样板尺寸的推算,但尚未有学者将模糊逻辑和人工神经网络技术相结合来设计下装样板的参数。
发明内容
本发明所要解决的技术问题是提供一种基于模糊逻辑与神经网络的下装腰省参数设计方法,提高下装制板的效率、智能性和准确性。
本发明解决其技术问题所采用的技术方案是:提供一种基于模糊逻辑与神经网络的下装腰省参数设计方法,包括以下步骤:
(1)采集人体下半身的净体数据,提取腰围和臀围数据,依据提取的净体数据绘制下装样板,并提取腰省参数,基于腰围、臀围数据和腰省参数创建数据集,所述数据集中包括训练数据集和测试数据集;
(2)构建一个基于模糊逻辑与神经网络的混合智能模型,所述混合智能模型包括三个子模型构成,每个子模型的输入节点为人体的腰围和臀围,输出节点分别为下装的前中省、后中省和后侧省;
(3)利用训练数据集对所述混合智能模型进行训练,得到训练完成的混合智能模型;
(4)分析影响所述混合智能模型性能的主要因素,确定出最优的混合智能模型结构参数;
(5)将待设计下装的用户的腰围和臀围作为混合智能模型的输入,得到前中省、后中省和后侧省3个样板数据,根据得到的样板数据设计下装。
所述步骤(1)中采用三维人体扫描的方式采集人体下半身的净体数据。
所述步骤(2)中的三个子模型的结构均包括5层,即1个输入层,3个中间层和1个输出层,其中,输入层的输出为其中,μAi和μB(i-m)分别为KBd1和KBd2的隶属度函数,KBd1和KBd2分别表示腰围和臀围,第一个中间层的输出为:O2,i=wi=μAiμBi,i=1,2,...,m;第二个中间层的输出为/>第三个中间层的输出为/>其中,fi为第i条规则,pi、qi和ri为第i条规则的结论参数;输出层的输出为/>
所述步骤(4)具体为,对每个子模型采用n个测试数据样本对不同的模型结构参数进行测试,并采用平均三值相对误差及其平均值对每个子模型进行评价,并根据评价结果确定最优的子模型的模型结构参数;其中,MTREi为第i个测试样本的平均三值相对误差,/>和/>分别表示三个子模型的计算值,和/>分别表示三个子模型的目标值;/>为所有测试数据样本的平均三值相对误差的均值。
所述模型结构参数包括隶属度函数类型和各输入节点隶属度函数的数量。
有益效果
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:本发明采用模糊逻辑和神经网络相结合的方法,通过对输入层神经元数、输出层神经元数、隶属度函数的类型和隶属度函数数量的组合等网络参数的设计,再对模型进行训练和仿真测试,可智能、准确、便捷地对下装(包括裙装和裤装)的腰省参数进行设计。因此,本发明可以较准确地设计出下装结构设计所需的腰部省道参数,提高下装制板的效率和下装的适体性,满足网络化背景下消费者对下装产品开发效率和个性化的需求。
附图说明
图1是本发明的流程图;
图2是本发明实施例的裤装款式图;
图3是所构建的混合智能模型总结构图;
图4是所构建的混合智能模型的子模型结构图;
图5是试穿效果比较图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种基于模糊逻辑与神经网络的下装腰省参数设计方法,如图1所示,包括以下步骤:在采集人体下半身净体数据的基础上,得到下装腰省参数数据集,进而创建训练数据集和测试数据集;再基于模糊逻辑和神经网络构建一个混合智能模型,该模型由3个子模型构成,每个子模型均具有5层结构,其输入层均为人体下半身关键部位尺寸,而输出层分别为前中省、后中省和后侧省参数。
本发明利用模糊逻辑和神经网络相结合的方法,通过对输入层神经元数、输出层神经元数、隶属度函数类别,以及各输入神经元隶属度函数数量等模型参数的设计,再对混合智能模型进行训练和仿真测试,从而智能、准确而便捷地对下装结构设计所需的腰省(或褶裥)参数进行设计。
下面以合体裤装腰省估算的实施例对本发明进行详细的说明。
(1)训练数据集和测试数据集的创建
采用VITUS三维人体扫描仪对200名年龄在20-48岁之间的成年男性人体数据采集,对每个人体提取与合体裤装腰臀部位结构设计密切相关的2个人体部位尺寸,即腰围和臀围,并在净体数据基础上,逐一绘制如图2所示男式合体长裤的样板,并采集其裤片前中省、后中省和后侧省大小的数据。进而,基于200个样本的净体腰围、臀围、裤片前中省、后中省和后侧省数据创建数据集,随机抽取其中的96个样本作为训练数据集,其余的104个样本作为测试数据集。所创建的数据集部分数据用如表1所示的形式来表示。
表1所创建数据集中的部分数据表(单位:cm)
(2)基于模糊逻辑和神经网络的下装腰省(或褶裥)参数估算
本实施例所构建的基于模糊逻辑和神经网络的混合智能模型总结构图如图3所示。图4所示的是其包含的子模型的结构图。本实施例中,所构建的智能模型计算出下装腰省(或褶裥)参数的过程包括了以下步骤:
1)计算第1层的输出
先将腰围KBd1和臀围KBd2导入所构建的智能混合模型的第1层(即输入层)中。在第1层中,根据式(1)和(2)计算第i个节点的输出。
O1,i=μAi(KBd1),i=1,2,...,m (1)
O1,i=μB(i-m)(KBd2),i=m+1,m+2,...,2m (2)
其中,O1,i指的是第1层中第i个节点的输出,μAi和μB(i-m)分别为KBd1和KBd2的隶属度函数。
2)计算第2层的输出
在第2层(即第一个中间层)中,根据式(3)计算第i个节点的输出。
O2,i=wi=μAiμBi,i=1,2,...,m (3)
3)计算第3层的输出
第3层(即第二个中间层)第i个节点的输出根据式(4)计算。
4)计算第4层的输出
第4层(即第三个中间层)的第i个节点的输出根据式(5)计算。
其中,fi为第i条规则,pi、qi和ri为第i条规则的结论参数。
5)计算第5层的输出
在第5层(即输出层)中,根据式(6)计算第i个节点的输出。
6)计算模型输出的误差
模型输出的误差根据式(7)得到。
其中,E指的是模型的输出误差;D5,i指的是模型的目标输出数据。当模型的输出误差E达到设定的初始目标时,模型的训练终止;否则,返回步骤2)重新训练,直至达到设定目标的。
(3)影响混合智能模型性能的主要因素分析
为了发现最优的模型结构参数,如隶属度函数类型,各输入节点隶属度函数的数量等,三种典型的隶属度函数(即:三角型隶属度函数、高斯型隶属度函数和钟型隶属度函数)被用于模型性能的评价。对于每一个子模型,分别采用104个测试数据样本对48种模型结构进行测试。并采用平均三值相对误差(mean ternary relative error,MTRE)及其平均值AVRMTRE对模型进行评价。MTRE和AVRMTRE根据式(8)和(9)计算。
其中,MTREi指的是第i个测试样本的平均三值相对误差,AVRMTRE指的是所有测试样本平均三值相对误差的均值。
表2所示为不同输入节点的隶属度函数类型和数量条件下,各种不同模型性能的比较。从表2中不难发现,钟型隶属度函数的AVRMTRE值要比其余两种隶属度函数更为稳定,意味着钟型隶属度的估算函数性能相对最好。同时,在钟型隶属度函数中,输入节点1采用3个隶属度函数,输入节点2采用2个隶属度函数的结构的AVRMTRE值是最小的,综合以上两点可知,最优的智能模型结构参数为:钟型隶属度函数,输入节点1采用3个隶属度函数,输入节点2采用2个隶属度函数。
表2不同结构参数的模型性能比较
(4)混合智能模型性能的评价
从所创建的测试数据集中,随机选取一个样本,其腰围和臀围分别为88.13cm和89.83cm,则下装样板腰部省道(或褶裥)的目标输出,即前中省(或褶裥)、后中省和后侧省分别为3.23、1.68和2.05cm。
将腰围和臀围导入到训练好的混合智能模型中,得到三个腰省(或褶裥)的模型输出分别为:3.07、1.63和1.91cm。
在三维虚拟现实环境中,分别采用原始的目标值和模型的输出值进行合体裤装平面结构设计,再通过三维虚拟缝合技术缝合为两条三维立体合体裤,最后在三维虚拟模特身上进行试穿验证。随机选取距离地面相同高度的两个水平面,分别截取两款裤装腰臀部位的人体和下装的特征曲线进行比较,如图5所示。
在图5(a)中,裤装A和裤装B的腰省(或褶裥)结构分别是根据原始的目标值和模型的输出值进行设计的,从图5(b)的特征曲线比较可知,两款裤装在合体度和着装效果上相差无异。由此可见,本发明可以较准确地设计出下装结构设计所需的腰省(或褶裥)参数,可提高下装制板效率和下装的适体性,促进数字化、网络化、智能化下装量身定制的发展。
Claims (2)
1.一种基于模糊逻辑与神经网络的下装腰省参数设计方法,其特征在于,包括以下步骤:
(1)采集人体下半身的净体数据,提取腰围和臀围数据,依据提取的净体数据绘制下装样板,并提取腰省参数,基于腰围、臀围数据和腰省参数创建数据集,所述数据集中包括训练数据集和测试数据集;
(2)构建一个基于模糊逻辑与神经网络的混合智能模型,所述混合智能模型包括三个子模型构成,每个子模型的输入节点为人体的腰围和臀围,输出节点分别为下装的前中省、后中省和后侧省;其中,三个子模型的结构均包括5层,即1个输入层,3个中间层和1个输出层,其中,输入层的输出为其中,μAi和μB(i-m)分别为KBd1和KBd2的隶属度函数,KBd1和KBd2分别表示腰围和臀围,第一个中间层的输出为:O2,i=wi=μAiμBi,i=1,2,...,m;第二个中间层的输出为/>第三个中间层的输出为/>其中,fi为第i条规则,pi、qi和ri为第i条规则的结论参数;输出层的输出为/>
(3)利用训练数据集对所述混合智能模型进行训练,得到训练完成的混合智能模型;
(4)分析影响所述混合智能模型性能的主要因素,确定出最优的混合智能模型结构参数;具体为:对每个子模型采用n个测试数据样本对不同的模型结构参数进行测试,并采用平均三值相对误差及其平均值对每个子模型进行评价,并根据评价结果确定最优的子模型的模型结构参数;其中,MTREi为第i个测试样本的平均三值相对误差,/>和/>分别表示三个子模型的计算值,/>和/>分别表示三个子模型的目标值;/>为所有测试数据样本的平均三值相对误差的均值;所述模型结构参数包括隶属度函数类型和各输入节点隶属度函数的数量;
(5)将待设计下装的用户的腰围和臀围作为混合智能模型的输入,得到前中省、后中省和后侧省3个样板数据,根据得到的样板数据设计下装。
2.根据权利要求1所述的基于模糊逻辑与神经网络的下装腰省参数设计方法,其特征在于,所述步骤(1)中采用三维人体扫描的方式采集人体下半身的净体数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910610763.0A CN110399656B (zh) | 2019-07-08 | 2019-07-08 | 基于模糊逻辑与神经网络的下装腰省参数设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910610763.0A CN110399656B (zh) | 2019-07-08 | 2019-07-08 | 基于模糊逻辑与神经网络的下装腰省参数设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110399656A CN110399656A (zh) | 2019-11-01 |
CN110399656B true CN110399656B (zh) | 2023-08-25 |
Family
ID=68323960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910610763.0A Active CN110399656B (zh) | 2019-07-08 | 2019-07-08 | 基于模糊逻辑与神经网络的下装腰省参数设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110399656B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112131711B (zh) * | 2020-08-27 | 2023-04-07 | 东华大学 | 一种基于概率神经网络的运动紧身服合体性水平预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1952962A (zh) * | 2006-02-23 | 2007-04-25 | 大连海事大学 | 职业服装号型智能归类的模糊神经网络方法 |
CN102122134A (zh) * | 2011-02-14 | 2011-07-13 | 华南理工大学 | 基于模糊神经网络的溶解氧控制的废水处理方法及系统 |
CN106526710A (zh) * | 2016-10-19 | 2017-03-22 | 陈文飞 | 一种雾霾预测方法及装置 |
CN106529818A (zh) * | 2016-11-16 | 2017-03-22 | 河南工程学院 | 基于模糊小波神经网络的水质评价预测方法 |
CN109801328A (zh) * | 2019-01-18 | 2019-05-24 | 东华大学 | 一种基于径向基神经网络的人体尺寸估算方法 |
-
2019
- 2019-07-08 CN CN201910610763.0A patent/CN110399656B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1952962A (zh) * | 2006-02-23 | 2007-04-25 | 大连海事大学 | 职业服装号型智能归类的模糊神经网络方法 |
CN102122134A (zh) * | 2011-02-14 | 2011-07-13 | 华南理工大学 | 基于模糊神经网络的溶解氧控制的废水处理方法及系统 |
CN106526710A (zh) * | 2016-10-19 | 2017-03-22 | 陈文飞 | 一种雾霾预测方法及装置 |
CN106529818A (zh) * | 2016-11-16 | 2017-03-22 | 河南工程学院 | 基于模糊小波神经网络的水质评价预测方法 |
CN109801328A (zh) * | 2019-01-18 | 2019-05-24 | 东华大学 | 一种基于径向基神经网络的人体尺寸估算方法 |
Non-Patent Citations (1)
Title |
---|
基于图像的服装号型推荐模型研究;毛连忠;《中国优秀硕士学位论文全文数据库信息科技辑》;20160415;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110399656A (zh) | 2019-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | Bcnet: Learning body and cloth shape from a single image | |
CN105741355B (zh) | 一种三角网格模型的块分割方法 | |
CN108109160A (zh) | 一种基于深度学习的免交互式GrabCut舌体分割方法 | |
CN103473801B (zh) | 一种基于单摄像头与运动捕捉数据的人脸表情编辑方法 | |
CN106650687A (zh) | 一种基于深度信息和骨骼信息的姿势矫正方法 | |
CN107506722A (zh) | 一种基于深度稀疏卷积神经网络人脸情感识别方法 | |
CN108961245A (zh) | 基于双通道深度并行卷积网络的图像质量分类方法 | |
CN106991408A (zh) | 一种候选框生成网络的生成方法及人脸检测方法 | |
CN107180375B (zh) | 一种基于多层神经网络的服装号型推荐系统 | |
CN105320944A (zh) | 一种基于人体骨架运动信息的人体行为预测方法 | |
CN107092894A (zh) | 一种基于lstm模型的运动行为识别方法 | |
CN107239514A (zh) | 一种基于卷积神经网络的植物识别方法及系统 | |
CN104103093B (zh) | 一种基于深度卷积神经网络的三维网格语义标记方法 | |
CN105184767B (zh) | 一种运动人体姿态相似性度量方法 | |
CN110362715A (zh) | 一种基于图卷积网络的未剪辑视频动作时序定位方法 | |
CN108416397A (zh) | 一种基于ResNet-GCN网络的图像情感分类方法 | |
CN116797699B (zh) | 基于三维立体技术的智能动画建模方法及系统 | |
CN108235003A (zh) | 基于3d卷积神经网络的立体视频质量评价方法 | |
CN107451594A (zh) | 一种基于多元回归的多视角步态分类方法 | |
CN105069239A (zh) | 一种个体化服装样板的实现方法及系统 | |
CN110264407A (zh) | 图像超分辨模型训练及重建方法、装置、设备及存储介质 | |
CN107194929A (zh) | 一种基于深度信念网络的肺结节良恶性分类方法 | |
CN110399656B (zh) | 基于模糊逻辑与神经网络的下装腰省参数设计方法 | |
CN109740529A (zh) | 一种基于神经网络绘图的虚拟试衣方法 | |
Hu et al. | A hybrid neural network and immune algorithm approach for fit garment design |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |