CN111109736A - 一种基于深度学习的试衣设备及其试衣方法 - Google Patents
一种基于深度学习的试衣设备及其试衣方法 Download PDFInfo
- Publication number
- CN111109736A CN111109736A CN202010035789.XA CN202010035789A CN111109736A CN 111109736 A CN111109736 A CN 111109736A CN 202010035789 A CN202010035789 A CN 202010035789A CN 111109736 A CN111109736 A CN 111109736A
- Authority
- CN
- China
- Prior art keywords
- human body
- fitting
- deep learning
- garment
- circumference
- 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.)
- Pending
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000033001 locomotion Effects 0.000 claims abstract description 25
- 238000013507 mapping Methods 0.000 claims abstract description 17
- 238000013136 deep learning model Methods 0.000 claims description 22
- 210000000038 chest Anatomy 0.000 claims description 19
- 210000000707 wrist Anatomy 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 12
- 239000010410 layer Substances 0.000 claims description 11
- 230000008054 signal transmission Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 10
- 229910052751 metal Inorganic materials 0.000 claims description 8
- 239000002184 metal Substances 0.000 claims description 8
- 239000004020 conductor Substances 0.000 claims description 7
- 239000003575 carbonaceous material Substances 0.000 claims description 6
- 229920000767 polyaniline Polymers 0.000 claims description 6
- 239000002861 polymer material Substances 0.000 claims description 6
- 229920000128 polypyrrole Polymers 0.000 claims description 6
- 229920000123 polythiophene Polymers 0.000 claims description 6
- 210000000115 thoracic cavity Anatomy 0.000 claims description 6
- 210000000617 arm Anatomy 0.000 claims description 5
- 229920001940 conductive polymer Polymers 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 210000001624 hip Anatomy 0.000 claims description 5
- 239000012790 adhesive layer Substances 0.000 claims description 3
- 229910003481 amorphous carbon Inorganic materials 0.000 claims description 3
- 229910021393 carbon nanotube Inorganic materials 0.000 claims description 3
- 239000002041 carbon nanotube Substances 0.000 claims description 3
- 229910021389 graphene Inorganic materials 0.000 claims description 3
- 229910002804 graphite Inorganic materials 0.000 claims description 3
- 239000010439 graphite Substances 0.000 claims description 3
- 239000002082 metal nanoparticle Substances 0.000 claims description 3
- 239000002070 nanowire Substances 0.000 claims description 3
- 210000003739 neck Anatomy 0.000 claims description 2
- 230000035945 sensitivity Effects 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 20
- 238000005457 optimization Methods 0.000 description 13
- 239000004677 Nylon Substances 0.000 description 7
- 229920001778 nylon Polymers 0.000 description 7
- 239000000853 adhesive Substances 0.000 description 6
- 230000001070 adhesive effect Effects 0.000 description 6
- 229920002334 Spandex Polymers 0.000 description 5
- 239000004759 spandex Substances 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000004744 fabric Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 229910052709 silver Inorganic materials 0.000 description 3
- 239000004332 silver Substances 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 229920000297 Rayon Polymers 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 229920006052 Chinlon® Polymers 0.000 description 1
- 108010022355 Fibroins Proteins 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 229920004933 Terylene® Polymers 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007598 dipping method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000002310 elbow joint Anatomy 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 210000004247 hand Anatomy 0.000 description 1
- 238000007731 hot pressing Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000005020 polyethylene terephthalate Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000009958 sewing Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 229920002994 synthetic fiber Polymers 0.000 description 1
- 229920001169 thermoplastic Polymers 0.000 description 1
- 239000004416 thermosoftening plastic Substances 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A41—WEARING APPAREL
- A41H—APPLIANCES OR METHODS FOR MAKING CLOTHES, e.g. FOR DRESS-MAKING OR FOR TAILORING, NOT OTHERWISE PROVIDED FOR
- A41H1/00—Measuring aids or methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0621—Item configuration or customization
Landscapes
- Business, Economics & Management (AREA)
- Finance (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Textile Engineering (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Professional, Industrial, Or Sporting Protective Garments (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种基于深度学习的试衣设备及其试衣方法,涉及智能穿戴设备及虚拟试衣系统领域。该试衣设备包括贴身服装本体;柔性纱线传感器包括纬向纱线传感器和经向纱线传感器,用于测量人体围度信息及人体运动信息;信号处理器用于将柔性纱线传感器输出的信号转换成电阻值;深度学习模块用于通过储存在深度学习模块的电阻值与实际人体参数的映射关系获取预测人体参数;信号显示器用于基于预测人体参数构建人体三维模型并进行显示。此试衣设备与人体贴合度高,结构简单且灵敏度高,可为后续的智能试衣提供基础。
Description
技术领域
本发明涉及智能穿戴设备领域,且特别涉及一种基于深度学习的试衣设备及其试衣方法。
背景技术
目前,智能虚拟试衣系统所需要测试的人体围度信息主要是根据软尺量得,所量得的身体围度数据只能反应测量时刻的人体围度信息,且虚拟试衣系统往往需要借助光学的方法进行真实人体的扫描,以重构人体的三维模型。该种获得人体围度数据及三位模型重构的方法让消费者存在不舒适性及个人信息安全隐患的担忧。也存在其他的方法,如CN110135078A通过让用户回答一系列设定好的概括性身材描述问题,以此推测用户人体的围度值。但该方法中所引入的主观因素太大,所获得的围度值与真实人体的围度值之间存在较大的误差。且上述方法获得的人体围度信息均测量的是静态围度。
因此,如果能发明一种能实时检测人体形态信息以及运动信息的智能服装,可为智能试衣系统提供更全面的指导。
发明内容
本发明的目的在于提供一种基于深度学习的试衣设备及其试衣方法,此试衣设备通过利用柔性纱线传感器实时测量人体各部位的围度、袖长,并能记录穿戴者的运动习惯和动态形态信息,且其可通过深度学习模块建立柔性纱线传感所测得的电阻值与实际人体参数之间的映射关系,能快速获得试衣人员的预测人体参数,将该预测人体用于人体三维模型的建立,方法快速有效,且能弥补服装高定中不能考虑其运动习惯来调整服装放松量的不足。
本发明解决其技术问题是采用以下技术方案来实现的。
本发明提供了一种基于深度学习的试衣设备,包括:
贴身服装本体,包括服装正面与服装背面,分别对应人体的胸腔一面与背部一面;
柔性纱线传感器,包括纬向纱线传感器和经向纱线传感器;所述纬向纱线传感器固定于所述服装本体对应人体胸腔、腰部、颈部、手臂以及手腕部位,按人体的周向布置,用于测量人体围度信息;所述经向纱线传感器固定在所述服装本体对应人体手臂、肩部以及肘部部位,按人体的轴向布置,用于测量人体运动信息;所述纬向纱线传感器和所述经向纱线传感器均包括弹性内芯、按“S”型螺旋缠绕在所述弹性内芯表面的导电纱线及固定连接在所述导电纱线两端的电极线;
信号处理器,固定在所述服装本体,包括依次连接的信号采集模块、信号处理模块、无线信号传输模块和电源模块,用于将所述柔性纱线传感器输出的信号转换成电阻值;其中,所述信号采集模块通过电极线与所述柔性纱线传感器连接;
深度学习模块,与所述无线信号传输模块连接,用于通过储存在所述深度学习模块的电阻值与实际人体参数的映射关系获取预测人体参数;
信号显示器,与所述深度学习模块连接,用于基于所述预测人体参数构建人体三维模型并进行显示。
作为进一步优化,所述柔性纱线传感器的直径为0.1mm~20mm。
作为进一步优化,所述电极线为金属导电丝或者由基底纱线和包裹在所述基底纱线表面的导电材料层形成;其中,所述导电材料层的材料选自金属纳米粒子、金属纳米线、碳材料或导电高分子材料中的一种,所述碳材料选自无定型碳、石墨、碳纳米管和石墨烯中的一种;所述导电高分子材料选自聚苯胺、聚噻吩、聚吡咯、聚苯胺衍生物、聚噻吩衍生物和聚吡咯衍生物的中的一种。
作为进一步优化,固定在对应人体胸腔、腰部、手臂以及手腕部位的所述纬向纱线传感器位于在所述服装正面;固定在对应人体颈部部位的所述纬向纱线传感器位于所述服装背面。
作为进一步优化,固定在对应人体手臂、肩部的所述经向纱线传感器位于所述服装正面;固定在对应人体肘部部位的所述经向纱线传感器位于所述服装背面。
作为进一步优化,还包括夹持件,所述夹持件包括夹片和设置在所述夹片周缘的黏胶层,所述黏胶层与所述服装本体粘接以将所述信号处理器固定在夹片和所述服装本体之间。
本发明还提供了一种基于深度学习的试衣方法,使用上述的基于深度学习的试衣设备,包括以下步骤:
基于所述试衣设备,获取试衣人员各个身体部位的电阻值;其中,所述身体部位包括胸腔、腰部、颈部、手臂、手腕、肩部以及肘部;
基于所述电阻值以及预先建立的深度学习模型,获取预测人体参数;其中,所述深度学习模型通过对所述柔性纱线传感器设置在各个身体部位所获得的电阻值与实际人体参数之间的映射关系进行训练获得;所述预测人体参数和所述实际人体参数均包括人体胸围、腰围、颈围、臂围、腕围、肩围、肘围以及手臂长度;
基于所述预测人体参数,构建人体三维模型,用以在所述人体三维模型上进行虚拟试衣。
作为进一步优化,所述深度学习模型的构建步骤包括:
获取测试人员的所述实际人体参数;
基于所述柔性纱线传感器,获取所述测试人员各个身体部位的电阻值;
基于深度学习技术,对所述实际人体参数以及所述电阻值进行初始化训练,获得深度学习模型,以获得所述述柔性纱线传感器的所述电阻值与所述实际人体参数之间的映射关系。
作为进一步优化,基于所述预测人体参数,构建人体三维模型之后还包括:
根据所述试衣人员的运动信息,确定所述试衣人员的衣片放松量;
基于所述衣片放松量,获取符合所述试衣人员的服装型号,以筛选适合所述试衣人员的服装,用以在所述人体三维模型上进行虚拟试衣。
本发明提供的基于深度学习的试衣设备及其试衣方法的有益效果是:
与传统的虚拟试衣系相比,本发明所提供的基于深度学习的试衣设备及其试衣方法无需试衣人员通过光学扫描来获取个人准备的信息,降低了试衣人员在被测量过程中的不适和紧张感。本发明中采用配置有柔性纱线电阻式传感器的服装作为人体腰围、胸围、肩围、臂围、肘围、袖长的检测工具,采用深度学习的方法建立人体围度与各个部位纱线传感器电阻之间的对应关系,待测者只需身着本发明中的试衣设备的服装便人体各个身体部位的电阻值,再通过深度学习模块中的电阻值与实际人体参数的映射关系求得预测人体参数,并依预测人体参数建立人体三维模型。该方法不仅可以得到人体的静态围度信息,还可以实时记录人体的动态围度信息及运动信息,测试方法简易、高效。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1是本发明第一实施例提供的基于深度学习的试衣设备的贴身服装本体的服装正面结构示意图;
图2是本发明第一实施例提供的基于深度学习的试衣设备的贴身服装本体的服装背面结构示意图;
图3是人体身着本发明第一实施例提供的基于深度学习的试衣设备的示意图;
图4是本发明第一实施例提供的基于深度学习的试衣设备的模块图;
图5是八位消费者身着本发明第一实施例提供的基于深度学习的试衣设备后,重构的人体三维模型正面图和侧面图;
图6是八位消费者身着本发明第一实施例提供的基于深度学习的试衣设备测得的腰围、胸围、肩围、臂围、肘围及袖长数据;
图7是本发明第二实施例提供的基于深度学习的试衣方法为消费者推荐的衬衫上身实物图。
图标:1-服装本体;11-服装正面;12-服装背面;2-柔性纱线传感器;21-纬向纱线传感器;22-经向纱线传感器;23-电极线;3-信号处理器;31-信号采集模块;32-信号处理模块;321-信号放大单元;322-滤波单元;323-信号分析单元;33-无线信号传输模块;4-深度学习模块;5-信号显示器。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将对本发明实施例中的技术方案进行清楚、完整地描述。实施例中未注明具体条件者,按照常规条件或制造商建议的条件进行。所用试剂或仪器未注明生产厂商者,均为可以通过市售购买获得的常规产品。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
如图1~图2所示,本发明的第一实施例提供了一种基于深度学习的试衣设备,包括贴身服装本体1、柔性纱线传感器2、信号处理器3、深度学习模块4以及信号显示器5。
贴身服装本体1包括服装正面11与服装背面12,分别对应人体的胸腔一面与背部一面。该服装本体1可以为女士、男士紧身服装,只要服装本体1具有弹性,可紧贴覆在人体即可。本实施例的服装本体1具有不同的尺码,包括从XXS-XXL七个型号,可根据被测量者身高、体重选择合适的服装本体1进行测试。
柔性纱线传感器2包括纬向纱线传感器21和经向纱线传感器22,纬向纱线传感器21固定于服装本体1对应人体胸腔、腰部、颈部、手臂以及手腕部位,按人体的周向布置,用于测量人体围度信息。经向纱线传感器22固定在服装本体1对应人体手臂、肩部以及肘部部位,按人体的轴向布置,用于测量人体运动信息。纬向纱线传感器21和经向纱线传感器22均包括弹性内芯、按“S”型螺旋缠绕在弹性内芯表面的导电纱线及固定连接在导电纱线两端的电极线23。
具体地,在本实施例中,如图1和2所示,柔性纱线传感器2分布在服装正面11与服装背面12,分别固定于在服装本体1对应人体所需测量的部位。其中,所需测量的部位分别为人体的人体胸腔、腰部、颈部、手臂、手腕、肩部以及肘部部位。本实施例不仅可通过纬向纱线传感器21测试这些身体部位对应的电学信息,而后在后续的步骤中转换成人体围度信息以及臂长信息,例如:人体腰围、胸围、肩围、臂围、肘围以及手臂长度等,利于人体三维模型的构建;还可以通过经向纱线传感器22测试人体肘部、肩部运动信息,可有效分析人体的运动习惯,为测试人员挑选更为合适的衣服。
柔性纱线传感器2可根据试衣人员穿着服装本体1时柔性纱线传感器2受到牵伸,从而导致其电阻发生的变化来获得人体的围度及运动信息。纬向纱线传感器21处于未拉伸状态时,具备一定的电阻。而当对其进行拉伸时,缠绕在弹性内芯的导电纱线因为弹性内芯的拉伸,使得导电纱线在弹性内芯表面形成的环绕间隙增大,导致电阻增大。因此当人体胸腔、腰部、颈部、手臂、手腕、肩部以及肘部部位越大时电阻越大,依据电阻的不同,就可对应获得不同的长度信息,而后再可通过信号处理器3采集和处理纬向纱线传感器21电阻信号的变化就获得人体各部位的围度信息。而经向纱线传感器22设置在人体需要运动的地方,在这些部位运动时,弹性内芯弯曲,缠绕在其表面的导电纱线因为受到牵引弯曲,从而使导电纱线远离关节的外侧环绕间隙增大,导致电阻增大,因此这些部位运动角度越大时电阻越大,可以用来挑选符合试衣人员活动范围的衣服。而后可通过信号处理器3采集和处理经向纱线传感器22的电阻信号的变化获得人体肘部、肩部运动信息。且此经向纱线传感器22能精准测量的角度范围为0~180°,灵敏度高,柔韧性好。
作为进一步优化,在本发明的较佳实施例中,如图1和图2所示,固定在对应人体胸腔、腰部、手臂以及手腕部位的纬向纱线传感器21位于在服装正面11,固定在对应人体颈部部位的纬向纱线传感器21位于服装背面12。人体胸腔、腰部特征较为明显,固定在服装正面11有利于精准地测量人体围度数据,而人体颈部的特征在背部较为明显,则需固定在背部。只将纬向纱线传感器21固定在服装本体1的任意一面的原因是当服装本体1被穿上后,就可通过半面的拉伸的电阻变化率推测整个人体围度的大小,此方法更为节省材料。而固定在对应人体手臂、肩部的经向纱线传感器22位于服装正面11;固定在对应人体肘部部位的经向纱线传感器22位于服装背面12。人体手臂、肩部活动范围主要是在正面,而肘关节位于人体背面,因此针对各个部位设置经向纱线传感器22更利于获取人体的运动信息。
作为进一步优化,柔性纱线传感器2的直径为0.1mm~20mm。更为优选地,柔性纱线传感器2的直径为0.7mm~10mm,此规格的柔性纱线传感器2的直径小,柔韧性好,可以与人体贴合,可测到更为精准的人体信息。上述所说的柔性纱线传感器2的直径指的是不包括电极线23的主体部分的直径。
作为进一步优化,在本实施例中,弹性内芯位氨纶纱线,导电纱线为镀银锦纶纱。
具体地,在本实施例中,弹性内芯选用氨纶纱线。当将柔性纱线传感器2传固定在衣服上并穿在试衣人员身上时,其会因为试衣人员体型不同从而产生不同程度的拉伸,使导电纱线的环绕间隙分离。因此,用氨纶材料制备成的弹性内芯具有较高的拉伸性能,更适用于作为支撑内芯。导电纱线可选用市售的镀银锦纶纱,例如选用青岛志远翔宇功能性面料有限公司所售的镀银锦纶纱。镀银锦纶纱为具有导电功能的纱线材料,且具有拉伸与弯曲性能,其电阻能随着接触面积的变化而产生变化,可作为导电纱线用于柔性纱线传感器2。
优选地,弹性内芯为10D~1800D的氨纶纱线,导电纱线为30D~300D镀银锦纶纱。更为优选地,弹性内芯为450D~700D的氨纶纱线,导电纱线为65D~245D镀银锦纶纱。选用合适的直径的弹性内芯与导电纱线,可进一步提高柔性纱线传感器2与皮肤的贴合程度,有助于数据的精确测量。
进一步地,如图3所示,柔性纱线传感器2均通过缝纫线固定在服装本体1上,保证在穿衣以及运动过程中柔性纱线传感器2不会从服装本体1上脱落。
作为进一步优化,电极线23为金属导电丝或者由基底纱线和包裹在所述基底纱线表面的导电材料层形成;其中,导电材料层的材料选自金属纳米粒子、金属纳米线、碳材料或导电高分子材料中的一种,碳材料选自无定型碳、石墨、碳纳米管和石墨烯中的一种;导电高分子材料选自聚苯胺、聚噻吩、聚吡咯、聚苯胺衍生物、聚噻吩衍生物和聚吡咯衍生物的中的一种。
具体地,基底纱线为人造纤维或天然纤维,例如涤纶、锦纶、丝素蛋白纤维等。可以理解的是,所述金属导电丝的材质可以为金、银或铜等具有导电性的金属,导电材料层可通过浸渍或者涂覆等方式包裹在基底纱线表面。此外,电极线23还可选用镀银锦纶纱,质地更为柔软、更无异物感且更衣编入服装本体1中。电极线23可通过导电胶分别固定连接在导电纱线的两端。导电胶可选用银系导电胶、金系导电胶、铜系导电胶和炭系导电胶其中一种。在本发明的较佳实施例中,选用银系导电胶中的导电银浆作为导电胶。
如图3所示,信号处理器3固定在服装本体1,包括依次连接的信号采集模块31、信号处理模块32、无线信号传输模块33和电源模块,用于将柔性纱线传感器2输出的信号转换成电阻值;其中,信号采集模块31通过电极线23与柔性纱线传感器2连接。
具体地,柔性纱线传感器2的电极线23、信号采集模块31、信号处理模块32、无线信号传输模块33、电源模块与电路板上的连接线焊接,形成一个具有人体信息检测功能的贴身服装本体1。而深度学习模块4则与无线信号传输模块33进行无线连接。如图4所示,电源模块为整个电路提供电源,当试衣人员穿上服装本体1后,柔性纱线传感器2的电阻发生变化,而与柔性纱线传感器2连接的信号采集模块31采集到传感器的电阻变化信号后传输给信号处理模块32。信号处理模块32包括信号放大单元321、滤波单元322以及信号分析单元323。由于电阻信号小,需先通过信号放大单元321放大后才能进入滤波单元322。滤波单元322可将电阻变化信号当中的干扰信号除去,而后通过信号分析单元323对电阻变化信号进行分析处理,得到各个身体部位的电阻值。然后电阻值通过无线信号传输模块33无线传输到深度学习模块4上。
可以理解的是,电源模块可以采用的是2000mAh锂电池,无线信号传输模块33可以采用CC2541主控蓝牙芯片,其兼具信号处理模块32当中的信号分析单元323的功能,还可通过蓝牙连接将测试到的人体信息的电阻值传输深度学习模块4。而信号采集模块31、信号处理模块32为现有技术,这里就不在赘述。
作为进一步优化,在本发明的较佳实施例中,试衣设备还包括夹持件,夹持件包括夹片和设置在夹片周缘的黏胶层,黏胶层与服装本体1粘接以将信号处理器3固定在夹片和服装本体1之间。夹持件为布质材料,周缘的黏胶层为热塑性粘合衬,通过热压法将夹持件周缘与服装本体1粘合,夹持件与服装形成的容置空间就可放置电路板,当电路板或传感器损坏时,也可通过拆卸夹持件对电路板维修或重新在电路板上重新焊接新的传感器。
深度学习模块4,与无线信号传输模块33连接,用于通过储存在深度学习模块4的电阻值与实际人体参数的映射关系获取预测人体参数。其中,深度学习模块4可通过FPGA芯片实现,借助深度学习技术将所柔性纱线传感器2测量到且经信号处理器3处理过后得到的电阻值以及相对应的实际人体参数输进FPGA芯片进行训练,获得电阻值与实际人体参数的映射关系并进行储存,便于后续测试到的电阻值输入后就可获得预测的人体参数。除上述方法之外,还可通过构建深度学习模型,例如LSTM模型来实现深度学习模块4构建。
信号显示器5与深度学习模块4连接,用于基于预测人体参数构建人体三维模型并进行显示。信号显示器5接收到深度学习模块4发送的预测人体参数,通过这些人体参数构建人体三维模型而后进行显示,信号显示器5可以是个人电脑或平板等。需要说明的是,人体三维模型的方法为现有技术,在此就不进行赘述。信号显示器5存有大量的服装信息,用于在构建的人体三维模型上试衣。其中,深度学习模块4可以安装在信号显示器5中,便于进行连接与处理。
与传统的虚拟试衣系相比,本发明所提供的基于深度学习的试衣设备及其试衣方法无需试衣人员通过光学扫描来获取个人准备的信息,降低了试衣人员在被测量过程中的不适和紧张感。本发明中采用配置有柔性纱线电阻式传感器的服装作为人体腰围、胸围、肩围、臂围、肘围、袖长的检测工具,采用深度学习的方法建立人体围度与各个部位纱线传感器电阻之间的对应关系,待测者只需身着本发明中的试衣设备的服装便人体各个身体部位的电阻值,再通过深度学习模块4中的电阻值与实际人体参数的映射关系求得预测人体参数,并依预测人体参数建立人体三维模型。该方法不仅可以得到人体的静态围度信息,还可以实时记录人体的动态围度信息及运动信息,测试方法简易、高效。
本发明的第二实施例提供一种基于深度学习的试衣方法,使用第一实施例提供基于深度学习的试衣设备来实现试衣,其可由信号显示器5来执行,,其中,深度学习模块4为在信号显示器5构建的深度学习模型,包括以下步骤:
S10,基于试衣设备,获取试衣人员各个身体部位的电阻值;其中,身体部位包括胸腔、腰部、颈部、手臂、手腕、肩部以及肘部。
其中,在本实施例中,在测试之前,试衣人员提供自身身高与体重,根据身高体重的比值确定贴身服装本体1的尺码。当穿上服装本体1后,固定在服装本体1的各个部位的柔性纱线传感器2因拉伸而电阻发生变化,被信号处理器3采集并进行信号处理,从而获得各个身体部位的电阻值。
S20,基于电阻值以及预先建立的深度学习模型,获取预测人体参数;其中,深度学习模型通过对柔性纱线传感器2设置在各个身体部位所获得的电阻值与实际人体参数之间的映射关系进行训练获得;预测人体参数和实际人体参数均包括人体胸围、腰围、颈围、臂围、腕围、肩围、肘围以及手臂长度。
其中,在本实施例中,深度学习模型通过对柔性纱线传感器2的电阻值与实际人体参数之间的映射关系进行训练获得。因此,当深度学习模型接收到电阻值之后,会通过电阻值与实际人体参数之间的映射关系求得预测人体参数信息,该信息包括人体胸围、腰围、颈围、臂围、腕围、肩围、肘围以及手臂长度信息,便于后续人体三维模型的构建。图5为八位试衣人员试穿服装本体1后,再通过深度学习模型获得的预测人体参数。
S30,基于预测人体参数,构建人体三维模型,用以在人体三维模型上进行虚拟试衣。
其中,在本实施例中,信号处理器3上具备有构建人体三维模型的软件,当接收到深度学习模型传输过来的预测人体参数,就可进行人体三维模型构建,而且信号处理器3储存有大量的服装信息,就可以直接在人体三维模型直接进行试衣,简单快速。图6为八位试衣人员的人体三维模型,从图上的三维模型上可以发现每个体型的试衣人员的三维模型均能被很好的构建,证明了本发明提供的试衣设备的可行性。
作为进一步优化,在上述实施例的基础上,深度学习模型的构建步骤包括:
获取测试人员的实际人体参数;
基于柔性纱线传感器2,获取测试人员各个身体部位的电阻值;
基于深度学习技术,对实际人体参数以及电阻值进行初始化训练,获得深度学习模型,以获得述柔性纱线传感器2的电阻值与实际人体参数之间的映射关系。
具体地,在本实施例中,可以通过软尺多次测量测试人员的实际围度及袖长,从而获得实际人体参数。而后,在同一测试人员的人体各个部位均设置上柔性纱线传感器2,实时记录各部位传感器的电阻值;而后通过信号处理器3处理后,获得测试人员各个身体部位的电阻值。将人体各个部位的电阻值与实际人体参数进行对应后,基于深度学习技术对实际人体参数以及电阻值进行初始化训练获得深度学习模型,从而可以获得柔性纱线传感器2的电阻值与实际人体参数之间的映射关系。其中,深度学习模型可以为LSTM(Long Short-Term Memory,LSTM)模型,也可以为深度神经网络模型,在此不做限制。每个不同型号的服装本体1至少采集20个测试者的穿衣电阻数据,并与软尺测量得到的人体腰围、胸围、肩围、臂围、肘围、袖长数据相互关联,进行深度学习并建立柔性纱线传感器2电阻与人体腰围、胸围、肩围、臂围、肘围、袖长的数值关系,以确保训练数据的准确性。
作为进一步优化,在本发明的较佳实施例中,基于预测人体参数,构建人体三维模型之后还包括:
根据试衣人员的运动信息,确定试衣人员的衣片放松量;
基于衣片放松量,获取符合试衣人员的服装型号,以筛选适合试衣人员的服装,用以在人体三维模型上进行虚拟试衣。
具体地,在本实施例中,经向纱线传感器22可以测试试衣人员的肘部,手臂以及肩部的运动弧度,这些运动弧度为该试衣人员的运动信息。通过运动信息,确定衣服的衣片放松量,则有利于帮助试衣人员在筛选衣服,保证筛选出来的衣服有足够的空间供试衣人员活动,而不会出现束手束脚的情况,且衣服的型号以及所对应服装店仅剩的库存也可以一目了然。还可以通过该运动信息,定制衣服,进一步扩大试衣设备的使用范围。图7则是两位男士消费者根据本试衣设备所筛选的服装效果实物图,可见本发明提供的试衣方法所筛选出来的衣物符合试衣人员,再次证明了本方法的可靠有效。
更为优选地,在本发明的另一实施中,试衣方法还包括:
构建电阻值与预测人体参数对应关系;
基于对应关系,对深度学习模型进行训练并更新。
确保每次测试到的数据都能作为训练数据进行训练,扩大深度学习模型的样品数据,提高输出的预测人体参数的精确度。
以上所描述的实施例是本发明一部分实施例,而不是全部的实施例。本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
Claims (9)
1.一种基于深度学习的试衣设备,其特征在于,包括:
贴身服装本体,包括服装正面与服装背面,分别对应人体的胸腔一面与背部一面;
柔性纱线传感器,包括纬向纱线传感器和经向纱线传感器;所述纬向纱线传感器固定于所述服装本体对应人体胸腔、腰部、颈部、手臂以及手腕部位,按人体的周向布置,用于测量人体围度信息;所述经向纱线传感器固定在所述服装本体对应人体手臂、肩部以及肘部部位,按人体的轴向布置,用于测量人体运动信息;所述纬向纱线传感器和所述经向纱线传感器均包括弹性内芯、按“S”型螺旋缠绕在所述弹性内芯表面的导电纱线及固定连接在所述导电纱线两端的电极线;
信号处理器,固定在所述服装本体,包括依次连接的信号采集模块、信号处理模块、无线信号传输模块和电源模块,用于将所述柔性纱线传感器输出的信号转换成电阻值;其中,所述信号采集模块通过电极线与所述柔性纱线传感器连接;
深度学习模块,与所述无线信号传输模块连接,用于通过储存在所述深度学习模块的电阻值与实际人体参数的映射关系获取预测人体参数;
信号显示器,与所述深度学习模块连接,用于基于所述预测人体参数构建人体三维模型并进行显示。
2.根据权利要求1所述的基于深度学习的试衣设备,其特征在于,所述柔性纱线传感器的直径为0.1mm~20mm。
3.根据权利要求1所述的基于深度学习的试衣设备,其特征在于,所述电极线为金属导电丝或者由基底纱线和包裹在所述基底纱线表面的导电材料层形成;其中,所述导电材料层的材料选自金属纳米粒子、金属纳米线、碳材料或导电高分子材料中的一种,所述碳材料选自无定型碳、石墨、碳纳米管和石墨烯中的一种;所述导电高分子材料选自聚苯胺、聚噻吩、聚吡咯、聚苯胺衍生物、聚噻吩衍生物和聚吡咯衍生物的中的一种。
4.根据权利要求1所述的基于深度学习的试衣设备,其特征在于,固定在对应人体胸腔、腰部、手臂以及手腕部位的所述纬向纱线传感器位于在所述服装正面;固定在对应人体颈部部位的所述纬向纱线传感器位于所述服装背面。
5.根据权利要求1所述的基于深度学习的试衣设备,其特征在于,固定在对应人体手臂、肩部的所述经向纱线传感器位于所述服装正面;固定在对应人体肘部部位的所述经向纱线传感器位于所述服装背面。
6.根据权利要求1所述的基于深度学习的试衣设备,其特征在于,还包括夹持件,所述夹持件包括夹片和设置在所述夹片周缘的黏胶层,所述黏胶层与所述服装本体粘接以将所述信号处理器固定在夹片和所述服装本体之间。
7.一种基于深度学习的试衣方法,其特征在于,使用如权利要求1-6任意一项所述的基于深度学习的试衣设备,包括以下步骤:
基于所述试衣设备,获取试衣人员各个身体部位的电阻值;其中,所述身体部位包括胸腔、腰部、颈部、手臂、手腕、肩部以及肘部;
基于所述电阻值以及预先建立的深度学习模型,获取预测人体参数;其中,所述深度学习模型通过对所述柔性纱线传感器设置在各个身体部位所获得的电阻值与实际人体参数之间的映射关系进行训练获得;所述预测人体参数和所述实际人体参数均包括人体胸围、腰围、颈围、臂围、腕围、肩围、肘围以及手臂长度;
基于所述预测人体参数,构建人体三维模型,用以在所述人体三维模型上进行虚拟试衣。
8.根据权利要求7所述的基于深度学习的试衣方法,其特征在于,所述深度学习模型的构建步骤包括:
获取测试人员的所述实际人体参数;
基于所述柔性纱线传感器,获取所述测试人员各个身体部位的电阻值;
基于深度学习技术,对所述实际人体参数以及所述电阻值进行初始化训练,获得深度学习模型,以获得所述述柔性纱线传感器的所述电阻值与所述实际人体参数之间的映射关系。
9.根据权利要求7所述的基于深度学习的试衣方法,其特征在于,基于所述预测人体参数,构建人体三维模型之后还包括:
根据所述试衣人员的运动信息,确定所述试衣人员的衣片放松量;
基于所述衣片放松量,获取符合所述试衣人员的服装型号,以筛选适合所述试衣人员的服装,用以在所述人体三维模型上进行虚拟试衣。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010035789.XA CN111109736A (zh) | 2020-01-14 | 2020-01-14 | 一种基于深度学习的试衣设备及其试衣方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010035789.XA CN111109736A (zh) | 2020-01-14 | 2020-01-14 | 一种基于深度学习的试衣设备及其试衣方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111109736A true CN111109736A (zh) | 2020-05-08 |
Family
ID=70489097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010035789.XA Pending CN111109736A (zh) | 2020-01-14 | 2020-01-14 | 一种基于深度学习的试衣设备及其试衣方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111109736A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113532263A (zh) * | 2021-06-09 | 2021-10-22 | 厦门大学 | 一种面向柔性传感器时序性能变化的关节角度预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005067796A1 (en) * | 2003-12-19 | 2005-07-28 | Michael Rufer | Elastic textile structures for sensing body movements |
CN108618243A (zh) * | 2017-03-21 | 2018-10-09 | 上海衣佳网络科技有限公司 | 一种自动测量人体尺寸的智能衣 |
KR20190140131A (ko) * | 2018-06-08 | 2019-12-19 | 주식회사 블랙야크 | 신체 치수 계측 장치 |
US20200008745A1 (en) * | 2018-07-09 | 2020-01-09 | V Reuben F. Burch | Wearable Flexible Sensor Motion Capture System |
CN212345491U (zh) * | 2020-01-14 | 2021-01-15 | 厦门大学 | 一种基于深度学习的试衣设备 |
-
2020
- 2020-01-14 CN CN202010035789.XA patent/CN111109736A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005067796A1 (en) * | 2003-12-19 | 2005-07-28 | Michael Rufer | Elastic textile structures for sensing body movements |
CN108618243A (zh) * | 2017-03-21 | 2018-10-09 | 上海衣佳网络科技有限公司 | 一种自动测量人体尺寸的智能衣 |
KR20190140131A (ko) * | 2018-06-08 | 2019-12-19 | 주식회사 블랙야크 | 신체 치수 계측 장치 |
US20200008745A1 (en) * | 2018-07-09 | 2020-01-09 | V Reuben F. Burch | Wearable Flexible Sensor Motion Capture System |
CN212345491U (zh) * | 2020-01-14 | 2021-01-15 | 厦门大学 | 一种基于深度学习的试衣设备 |
Non-Patent Citations (1)
Title |
---|
梁楚滢;蒋高明;彭佳佳;: "互联网虚拟试衣系统的研究现状与发展趋势", 纺织导报, no. 11, 8 November 2018 (2018-11-08), pages 97 - 100 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113532263A (zh) * | 2021-06-09 | 2021-10-22 | 厦门大学 | 一种面向柔性传感器时序性能变化的关节角度预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Farringdon et al. | Wearable sensor badge and sensor jacket for context awareness | |
US11013275B2 (en) | Flexible fabric ribbon connectors for garments with sensors and electronics | |
CN105266817B (zh) | 一种基于织物传感器的上肢功能运动监测系统及方法 | |
US7750790B2 (en) | Fabric-based strain gauge | |
JP5434356B2 (ja) | 生体用電極 | |
EP2783725A1 (en) | Object, method, and system for detecting heartbeat or whether or not electrodes are in proper contact | |
CN104582517A (zh) | 传感器 | |
CN103324288A (zh) | 一种组合传感器识别人体动作的系统及方法 | |
KR20160103852A (ko) | 스트레쳐블 스트레인 센서 및 이를 이용한 생체 신호의 감지 방법 | |
CN105982380A (zh) | 一种通过拉力传感器实现测量身体数据的智能服装 | |
CN212345491U (zh) | 一种基于深度学习的试衣设备 | |
Mahmood et al. | Soft nanomembrane sensors and flexible hybrid bioelectronics for wireless quantification of blepharospasm | |
CN111109736A (zh) | 一种基于深度学习的试衣设备及其试衣方法 | |
KR20100063595A (ko) | 전기전도성 섬유를 이용한 무구속 움직임 측정 장치 및 방법 | |
CN210019350U (zh) | 一种人体运动监测系统 | |
CN209916006U (zh) | 一种运动姿态监测器 | |
Metcalf et al. | Fabric-based strain sensors for measuring movement in wearable telemonitoring applications | |
CN101017114A (zh) | 以布料为基底的应变规 | |
CN107468254A (zh) | 智能康复装置、智能康复手套及其信号处理方法 | |
Shimasaki et al. | Laugh log: E-textile bellyband interface for laugh logging | |
CN110403589B (zh) | 一种一次性心率贴 | |
CN112535473A (zh) | 一种用于测量衣的可穿戴纳米传感器及其测量系统 | |
CN214804699U (zh) | 一种智能监测呼吸的可穿戴设备 | |
CN109820516B (zh) | 一种人体运动监测系统 | |
Hossain et al. | An IoT-enabled electronic textile-based flexible body sensor network for real-time health monitoring in assisted living during pandemic |
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 |