CN113297640A - 缩率预测、服装订单处理方法、系统、设备及存储介质 - Google Patents

Abstract

本申请实施例提供一种缩率预测、服装订单处理方法、系统、设备及存储介质。在缩率预测方法中，获取到待加工的服装的部位对应的成衣尺寸以及订单采用的面料的缩率后，可基于预先训练的缩率预测模型，预测订单的部位对应的缩率。基于预测得到的服装的部位的缩率，可以快速确定裁片纸样的尺码，以用于生成服装裁片以及服装加工。基于这种方式，一方面，可降低服装制版过程中服装的部位的缩率计算操作对人工经验的依赖，有利于降低人工成本，另一方面，可提升服装的部位的缩率的计算结果的准确性，从而提升服装订单的制版效率。

Description

缩率预测、服装订单处理方法、系统、设备及存储介质

技术领域

本申请涉及数据处理技术领域，尤其涉及一种缩率预测、服装订单处理方法、系统、设备及存储介质。

背景技术

在服装行业中，制作服装的设计纸样的时候，需要根据服装对应的成衣尺寸以及不同的部位的缩率，确定设计纸样上的不同部位对应的尺码大小。不同的部位，具有不同的缩率。对于同一部位而言，在不同类目的服装上表现出的缩率也不相同。因此，准确地获取部位的缩率，是制作设计纸样的重要环节。

目前，多依赖制版师傅的经验对不同部位的缩率进行人工预测，但这种预测方式的效率和准确率存在一定的不足。因此，有待提出一种新的解决方案。

发明内容

本申请的多个方面提供一种缩率预测方法、系统、设备及存储介质，用以提升服装部位的缩率的预测准确性，并降低人工成本。

本申请实施例还提供一种缩率预测方法，包括：响应缩率预测操作，确定待加工的服装对应的多个部位的成衣尺寸以及所述服装采用的面料的缩率；将所述多个部位的成衣尺寸和所述面料的缩率输入缩率预测模型，得到所述多个部位各自对应的预测缩率。

本申请实施例还提供一种服装裁片纸样的生成方法，包括：响应生成服装对应的裁片纸样的请求，确定所述服装对应的多个部位的成衣尺寸以及所述服装采用的面料的缩率；将所述多个部位的成衣尺码和所述面料的缩率输入缩率预测模型，得到所述多个部位各自对应的预测缩率；根据所述多个部位各自对应的预测缩率以及所述多个部位的成衣尺码，确定所述多个部位各自对应的裁片尺码；在所述服装对应的设计纸样上标注所述多个部位各自对应的裁片尺码，得到所述服装对应的裁片纸样。

本申请实施例还提供一种服装订单的处理方法，包括：响应服装订单的加工请求，确定所述服装订单对应的多个部位的成衣尺寸以及所述服装订单采用的面料的缩率；将所述多个部位的成衣尺码和所述面料的缩率输入缩率预测模型，得到所述多个部位各自对应的预测缩率；基于所述多个部位各自对应的预测缩率，确定所述服装订单对应的裁片纸样；根据所述服装订单对应的裁片纸样，对所述服装订单采用的面料进行裁剪，得到用于加工所述服装订单的服装裁片。

本申请实施例还提供一种辅助纸样制作的方法，包括：确定待生成纸样的服装的属性信息；基于所述属性信息，预测得到所述服装的各部位对应的预测缩率；将所述预测缩率展示给纸样制作用户。

本申请实施例还提供一种服装变形量的预测方法，包括：获取弹性服装的属性信息；将所述属性信息输入预测模型，得到所述弹性服装的至少一个部位各自的变形量的预测值；将所述至少一个部位各自的变形量的预测值展示给用户。

本申请实施例还提供一种缩率预测方法，包括：响应针对服装订单的尺码设置操作，确定所述服装订单对应的多个部位的成衣尺寸；获取所述服装订单采用的面料的缩率；将所述多个部位对应的成衣尺寸以及所述面料的缩率发送至服务器，以使所述服务器基于缩率预测模型预测所述多个部位各自对应的预测缩率；接收服务器返回的所述多个部位各自对应的预测缩率，并展示所述多个部位各自对应的预测缩率。

本申请实施例还提供一种缩率预测方法，包括：获取终端设备发送的服装订单的多个部位对应的成衣尺寸以及对应的面料的缩率；将所述多个部位的成衣尺寸和所述面料的缩率输入缩率预测模型，得到所述多个部位各自对应的预测缩率；将所述多个部位各自对应的预测缩率发送至所述终端设备。

本申请实施例还提供一种终端设备，包括：存储器和处理器；所述存储器用于存储一条或多条计算机指令；所述处理器用于执行所述一条或多条计算机指令以用于：执行本申请实施例提供的缩率预测方法中的步骤。

本申请实施例还提供一种服务器，包括：存储器和处理器；所述存储器用于存储一条或多条计算机指令；所述处理器用于执行所述一条或多条计算机指令以用于：执行本申请实施例提供的缩率预测方法中的步骤。

本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，计算机程序被处理器执行时能够实现本申请实施例提供的缩率预测方法中的步骤。

本申请实施例中，提供了一种自动化制版辅助方法，适用于服装制版师使用。在获取到待加工的服装的部位对应的成衣尺寸以及订单采用的面料的缩率后，可基于预先训练的缩率预测模型，预测服装的部位对应的缩率。基于预测得到的服装的部位的缩率，可以快速确定裁片纸样的尺码，以用于生成服装裁片以及服装加工。基于这种方式，一方面，可降低服装制版过程中服装的部位的缩率计算操作对人工经验的依赖，有利于降低人工成本，另一方面，可提升服装的部位的缩率的计算结果的准确性，从而提升服装订单的制版效率。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请一示例性实施例提供的缩率预测系统的结构示意图；

图2为本申请一示例性实施例提供的未完成订单所在页面的示意图；

图3为本申请一示例性实施例提供的设置成衣尺寸的示意图；

图4为本申请一示例性实施例提供的设置面料的缩率的示意图；

图5为本申请一示例性实施例提供的缩率预测方法的流程示意图；

图6为本申请另一示例性实施例提供的缩率预测方法的流程示意图；

图7为本申请又一示例性实施例提供的缩率预测方法的流程示意图；

图8为本申请一示例性实施例提供的服装裁片纸样的生成方法的流程示意图；

图9a为本申请又一示例性实施例提供的服装订单的处理方法的流程示意图；

图9b为本申请又一示例性实施例提供的辅助纸样制作的方法的流程示意图；

图9c为本申请又一示例性实施例提供的服装变形量的预测方法的流程示意图；

图10为本申请一示例性实施例提供的终端设备的结构示意图；

图11为本申请一示例性实施例提供的服务器的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

目前，在服装制版的过程中，多依赖制版师傅的经验对不同部位的缩率进行人工预测，以获取部位的裁片尺码。但这种人工预测方式存在效率较低和准确率不足的技术问题。针对上述技术问题，在本申请一些实施例中，提供了一种解决方案，以下将结合附图，详细说明本申请各实施例提供的技术方案。

图1为本申请一示例性实施例提供的缩率预测系统的结构示意图，如图1所示，该缩率预测系统100包括：终端设备10以及服务器20。

缩率预测系统100，主要用于，向用户提供服装的部位的缩率的预测服务。

其中，服装的部位，可理解为服装加工时，需要进行尺寸测量的部位。通常，在服装制版领域中，服装的部位，又可称为量位。例如，上衣的前长、后长、胸围、肩宽、腰围、下摆围、袖长等部位，长裤的腰围、上臀围、下臀围、膝围、脚口围等部位。在制作服装裁片时，可根据部位对应的裁片尺码和设计纸样对面料进行裁剪，得到服装裁片(衣片)。对服装裁片进行加工，可得到成衣。将裁片加工为成衣后，在成衣上测量得到的各个部位的尺寸码数，可称为部位对应的成衣尺寸，即通常说的成衣在洗前的尺寸码数。在服装制版领域中，服装的部位对应的成衣尺寸，又可称为服装量位的成衣尺码。

在将裁片加工为成衣的过程中，受面料特性的影响以及加工方式的影响，部位的尺码会发生一定的变化，例如，在一些情形下，将裁片加工为成衣后，部位的尺码会出现缩小的现象。部位在成衣上对应的尺码相对于部位在裁片上对应的尺码缩小的比率，可被称为部位的缩率。准确地预测部位对应的缩率，可有效确保加工得到的成衣具有准确的部位尺码。

在本实施例中，用户，可包括存在服装制版需求的多种用户，例如服装加工厂中的服装制版师傅，或者，存在个性化服装定制需求的消费者等等。

在本实施例中，终端设备10是指能够与用户进行交互，并且具有通信功能的设备。在不同的应用场景下，终端设备10的实现形态也会有所不同。例如，在一些场景下，终端设备10可表现为用户侧的手机、平板电脑、计算机设备、智能穿戴设备等，用户可通过上述终端设备10提供的插件、应用程序或者浏览器等发起部位的缩率预测操作。

在缩率预测系统100中，服务器20是能够提供数据支持、存储服务、计算服务以及一些管理服务的设备。在一些实施例中，服务器20可实现为常规服务器、云服务器、云主机、虚拟中心等服务器等设备，本实施例对此不做限制。其中，服务器设备的构成主要包括处理器、硬盘、内存、系统总线等，和通用的计算机架构类似，不再赘述。

在缩率预测系统100中，终端设备10主要用于：与用户进行交互，检测用户设置服装订单的裁片尺码的操作。响应针对服装订单的尺码设置操作，确定服装订单对应的多个部位的成衣尺寸，并获取服装订单采用的面料的缩率。接下来，将服装订单的多个部位对应的成衣尺寸以及服装订单采用的面料的缩率发送至服务器20。

其中，面料的缩率指的是面料在洗涤或浸水后收缩的百分数。面料的缩率，包含面料的经向缩率和纬向缩率。不同面料具有不同的缩率，例如，合成纤维及混纺织品的缩率较小，毛织品、麻织品、棉织品居中，丝织品的缩率较大，粘胶纤维、人造棉、人造毛类织物具有最大的缩率。面料的缩率不同时，对部位的缩率产生的影响也不相同。

服务器20接收到终端设备10发送的多个部位对应的成衣尺寸以及对应的面料的缩率后，基于预先训练的缩率预测模型，对该多个部位对应的成衣尺寸和该面料的缩率进行计算，得到该多个部位各自对应的预测缩率，并将计算得到的该多个部位各自对应的预测缩率发送至终端设备10。其中，服务器20基于缩率预测模型计算得到部位的预测缩率的可选实施方式将在后续实施例中进行示例性说明，此处不赘述。

终端设备10接收到服务器20返回的该多个部位各自对应的预测缩率后，可展示该多个部位各自对应的预测缩率，以供用户查看。用户可基于该多个部位对应的预测缩率进行服装制版。在缩率预测系统100中，为实现终端设备10和服务器20之间的上述数据交互过程，终端设备10和服务器20可建立通信连接，具体的通信连接方式可视实际的应用场景而定。

在一些示例性实施方式中，终端设备10和服务器20之间可采用有线通信方式无线通信方式进行通信。其中，无线通信方式包括蓝牙、ZigBee、红外线、WiFi(WIreless-Fidelity，无线保真技术)等短距离通信方式，也包括LORA等远距离无线通信方式，还可包括基于移动网络的无线通信方式。其中，当通过移动网络通信连接时，移动网络的网络制式可以为2G(GSM)、2.5G(GPRS)、3G(WCDMA、TD-SCDMA、CDMA2000、UTMS)、4G(LTE)、4G+(LTE+)、5G、WiMax等中的任意一种。

在一些示例性的实施例中，服务器20一侧的缩率预测功能，可部署为基于云平台的在线预测服务(Elastic Algorithm Service，EAS)。EAS可使用Docker(容器)进行资源管理和隔离，支持云上的多种CPU(central processing unit，中央处理器)和GPU(GraphicsProcessing Unit，图形处理器)型号，也支持弹内物理机接入，同时也支持用户本地调试和单机版本的预测服务，更加便于用户使用。

本实施例中，缩率预测系统在获取到服装订单的部位对应的成衣尺寸以及服装订单采用的面料的缩率后，可基于预先训练的缩率预测模型，预测订单的部位对应的缩率。基于预测得到的服装的部位的缩率，可以快速确定裁片纸样的尺码，以用于生成服装裁片以及服装加工。基于这种方式，一方面，可降低服装制版过程中服装的部位的缩率计算操作对人工经验的依赖，有利于降低人工成本，另一方面，可提升服装的部位的缩率的计算结果的准确性，从而提升服装订单的制版效率。

在本申请的上述以及下述各实施例中，在上述实施例中，终端设备10确定的服装订单对应的多个部位的成衣尺寸，可以是用户手动录入的成衣尺寸，也可以是根据历史订单查询到的成衣尺寸。以下将进行示例性说明。

可选地，在一种情况下，终端设备10响应针对服装订单的尺码设置操作，可根据服装订单所属的服装类目，展示多个待设置的部位，以供用户进行设置。其中，服装的类目，指的是服装所属的分类条目。例如，按照面料对服装进行类目划分时，服装的类目可包括牛仔裤、羽绒服、T恤、衬衫、针织衫等等。又例如，按照功能对服装的类目进行划分时，服装的类目可包括：运动服、休闲服、工作服、礼服等等。

不同服装类目对应的部位不同，每种服装类目可对应多个部位。例如，当服装订单所属的服装类目为衬衫时，终端设备10展示的多个待设置的部位可包括：肩宽、衣长、领围、摆围、腰围、袖长、领尖长、领间距等等。又例如，当服装订单所属的服装类目为牛仔裤时，终端设备10展示的多个待设置的部位可包括：上臀围、下臀围、横裆、腿围、膝围、腰头高等等。

针对用户而言，可对订单对应的样衣进行测量，得到多个部位的成衣尺寸。或者，可根据订单的需求，得到多个部位的成衣尺寸。接下来，可根据获取到的部位的成衣尺寸，对终端设备10展示的待设置的部位进行设置。

响应用户的设置操作，终端设备10可获取用户针对该多个待设置的部位输入的尺码数据，作为服装订单对应的多个部位的成衣尺寸。

以下将结合图2进行示例性说明。

如图2所示，用户可进入未完成的订单所在的页面，以查看未完成制版的订单。在该页面上，展示有多个未完成的订单，并且每个订单展示有对应的成衣尺寸、数量以及操作按钮。如图2所示，针对每个订单，展示“设定尺码”按钮。用户可点击“设定尺码”按钮进入图3所示的成衣尺寸设置页面。

如图3所示，成衣尺寸页面上，用户可设置服装类目为“短外套”，终端设备10可展示短外套对应的多个部位以及部位的量法。用户测量样衣后，可在对应的位置输入部位的成衣尺寸。图3所示的页面上还展示有“计算缩率”的按钮，用户可点击该按钮，进入如图4所示的页面。在图4所示的页面上，用户可输入短外套采用的面料的经向缩率和纬向缩率，并点击确认按钮。在用户输入面料的缩率后，在图3所示的页面上，可自动展示每个部位对应的面料缩率。例如，前衣长以及袖长是纵向测量得到的，因此其对应的面料的缩率为经向缩率；胸围、下摆、袖肥是横向测量得到的，因此其对应的面料缩率为纬向缩率。

可选地，在另一种情况下，终端设备10响应针对服装订单的尺码设置操作，可查询是否存在与服装订单对应的历史订单；若存在，则终端设备10可获取该历史订单对应的多个部位的成衣尺寸，作为服装订单对应的多个部位的成衣尺寸。在这种情况下，对于历史订单，用户无需进行手动输入，进一步提升了设置效率。

可选地，若服装订单相对于其对应的历史订单存在变化，例如某些部位的数值增大或者减小，则用户可对终端设备10展示的历史订单对应的多个部位的成衣尺寸进行修改，并将修改后的成衣尺寸作为服装订单对应的多个部位的成衣尺寸。

在上述实施例的基础上，进一步可选地，用户可对终端设备10展示的部位进行更新。该更新操作，可包括：删除终端设备展示的已有部位的操作、从服装类目提供的部位中选择新增部位的操作、添加自定义部位的操作中的至少一种。终端设备10获取到用户更新后的部位时，可展示更新后的部位，以供用户对更新后的部位的成衣尺寸进行设置，不再赘述。

在确定服装订单对应的部位的成衣尺寸和面料的缩率后，用户可点击图3所示的页面提供的“提交”按钮，此时，终端设备10可将表格中所示的部位的成衣尺寸以及面料的经向缩率和纬向缩率发送至服务器20。服务器20基于部位的成衣尺寸以及面料的经向缩率和纬向缩率计算得到部位的预测缩率后，可将部位的缩率返回至终端设备10。

在本申请的上述以及下述各实施例中，可选地，终端设备10获取到服装订单的多个部位各自对应的预测缩率后，可根据该多个部位各自对应的预测缩率以及该多个部位的成衣尺寸，计算该多个部位各自对应的裁片尺码。例如，将部位的成衣尺寸与部位的缩率相除，即可得到部位的裁片尺码。接下来，终端设备10可在服装订单对应的设计纸样上标注该多个部位各自对应的裁片尺码，得到服装订单对应的裁片纸样。进而，用户可基于裁片纸样，对面料进行裁剪，得到裁片。将裁片按照一定的规则缝制在一起，即可得到成衣。

可选地，服装订单的设计纸样可由用户提供，或者，可由用户预先通过终端设备10上运行的绘图工具进行绘制，并保存在终端设备10本地或者服务器20处。该绘图工具可以是CAD(Computer Aided Design,计算机辅助设计)工具，或者可以是PhotoShop(一种计算机制图软件)、CorelDraw(一种矢量绘图软件)、Painter(一种数码素描与绘画工具)等其他绘图工具，本实施例不做限制。以下将结合图2进行示例性说明。

如图2所示，针对未完成页面中的每个未完成制版的订单，终端设备10展示有“修改纸样”按钮。在计算得到部位的缩率后，用户可点击“修改纸样”按钮。此时，终端设备10可调用绘图工具打开该订单对应的设计纸样，并且根据部位的缩率，计算部位对应的裁片尺码，并在设计纸样上标注裁片尺码，不再进行图示。

在一些示例性的实施例中，终端设备10基于缩率预测模型，对终端设备10发送的多个部位对应的成衣尺寸和面料的缩率进行计算时，可将该多个部位对应的成衣尺寸和该面料的缩率输入该缩率预测模型；在缩率预测模型中，可按照预先训练的决策树，计算该面料的缩率与该多个部位对应的成衣尺寸的之间的关系，得到该多个部位各自对应的预测缩率。

在本申请的上述以及下述各实施例中，在预先训练缩率预测模型时，可从服装工厂的加工数据中，获取训练样本。其中，针对不同的类目，例如针织和牛仔，针对部分部位，服装工厂通常会定义一套行业标准和规则信息。例如，不同类目下的服装的部位的成衣尺寸、裁片尺码以及采用的布料的缩率等数据。基于上述数据，可初步训练缩率预测模型。在初步训练缩率预测模型后，可进一步基于历史工厂生产的成衣尺寸数据和互联网尺码大数据的挖掘清洗，训练出一套自学习的部位预测模型。以下将进行示例性说明。

可选地，基于多种不同类目的服装的历史制版数据，获取多组训练样本，其中，每组训练样本包含服装的部位的成衣尺寸、部位的缩率以及所述服装采用的面料的缩率。

接下来，将该训练样本输入基于GBDT(Gradient Boosting Decision Tree，梯度提升迭代决策树)的回归模型。GBDT在普通决策树的基础上添加了梯度提升方法，从1颗决策树演变为多颗决策树，可逐步提高学习精度，提升缩率预测值的准确性。在GBDT中，可基于该多组训练样本，计算初始学习器；根据初始学习器，计算多组训练样本各自的预测残差。GBDT的目标是拟合样本的预测残差，并将预测残差作为标签值来构造决策树。因此，可对该多组训练样本各自的预测残差进行拟合，得到多个决策树；其中，每个决策树的分支条件为所述多组训练样本包含的部位的成衣尺寸和部位的缩率中的至少一种；得到多个决策树后，可输出包含初始学习器以及该多个决策树的缩率预测模型。以下将进行进一步说明。

一种可选的训练决策树的实施方式，可包含如下的步骤：

S1、确定多组训练样本各自对应的第j个学习器。

S2、根据第j个学习器以及多组训练样本各自包含的标签值，计算多组训练样本各自对应的预测残差。

S3、根据多组训练样本各自对应的预测残差，从多组训练样本中确定第j个决策树的分支条件。

S4、根据第j个决策树的决策分支条件对多组训练样本进行分割，并基于分割结果和预测残差，计算第j个决策树的左右分支对应的预测值。

S5、保存第j个决策树。

S6、j＝j+1，j为正整数。

以下将结合具体的例子进行实例说明。

首先，确定多组训练样本，每组训练样本的构成为：[xi、pi、yi]，其中，xi表示部位的成衣尺寸、pi表示面料的缩率、yi表示部位的缩率,i＝1,2,3…n,n为训练样本的总的组数。部位的成衣尺寸xi以及面料的缩率pi，可作为特征，部位的缩率yi作为标签值。多组训练样本可表示为：[x1、p1、y1]、[x2、p2、y2]…[xn、pn、yn]。

以下将以j＝1,详细描述第1个决策树的训练过程。

在步骤S1中，可确定多组训练样本各自对应的第1个学习器f_1。可选地，j＝1时，可取多组训练样本中的标签值的均值作为f_1，即f_1＝(y1+y2+…+yn)/n。在这一步骤中，多组训练样本的第1个学习器f_1均相同，具有较大的误差。其中，学习器，相当于一个预测结果。在训练阶段，学习器可认为是一种学习目标。

在步骤S2中，可计算每组训练样本对应的预测残差(residual)。其中，一组训练样本对应的预测残差＝训练样本的标签值-样本的预测结果，即：第i组训练样本的预测残差Ri＝yi-f_1。

决策树包含一个或者多个分支条件。接下来，在步骤S3中，可基于样本的预测残差，确定决策树中的分支条件。

在本实施例提供的n组训练样本中，每组训练样本包含两个特征，即：部位的成衣尺寸xi、面料的缩率pi。其中，每个特征各有n个唯一的特征值。因而，n组训练样本对应2n个可用于作为决策树的分支条件的特征值。

接下来，可分别以2n个特征值，作为分支条件，计算2n个特征值各自对应的损失，以根据2n个特征值各自对应的损失，从2n个特征值中选择可作为分支条件的较优的特征值。

以x1作为分支条件为例，对n组样本进行分支判断时，可将xi＜x1的样本放入左分支，将xi≥x1的放入右分支。

针对左、右分支中的任一组样本，可将样本对应的预测残差，作为该样本的新的标签值。即，针对n组训练样本中的第i组训练样本而言，可将第i组训练样本对应的预测残差Ri，作为第i组训练样本的新的标签值。

接下来，可分别计算左分支以及右分支包含的样本对应的新的标签值的均值；以及，针对左、右分支而言，可计算每个分支内的样本的新的标签值与新的标签值的均值的差值，并计算该差值的平方和作为该分支的损失。将左分支与右分支对应的损失相加，可得到以x1为判断条件时的总损失。

例如，假设以x1为判断条件时，第1组训练样本和第2组训练样本被划分到了左分支。那么，在计算左分支的损失时，可计算第1组训练样本和第2组训练样本对应的新的标签值的均值，即：R`(x1)＝(R1+R2)/2；接下来，计算以x1为判断条件时左分支的损失L<sub>left</sub>(x1)＝(R1-R`)^2+(R2-R`)^2。同理，可计算得到以x1为判断条件时右分支的损失L_right(x1)；那么，以x1为判断条件时的总损失L(x1)＝L_left(x1)+L_right(x1)。

同理，可以分别计算得到左分支损失L_left(xi)、右分支损失L_right(xi)以及总损失L(xi)，i＝2，3,…n；以pi为判断条件时，可分别计算得到左分支损失L_left(pi)、右分支损失L_right(pi)以及总损失L(pi)，i＝1,2,3…n。

基于上述步骤，针对训练样本中的2n个特征值，可计算得到2n个总损失。接下来，可从2n个总损失中，选择最小损失对应的特征值，作为第1个决策树的分支条件。例如，假设L(x1)、L(x2)、L(x3)…L(xn)、L(p1)、L(p2)、L(p3)…以及L(pn)中的最小值为L(x3)，则可将x3作为第1个决策树的分支条件。

接下来，在步骤S4中，基于第1个决策树的分支条件,可将n组训练样本划分到左叶子节点以及右叶子节点。在一些实施例中，可进一步可基于二叉树的递归特征，对第j个决策树的左、右叶子节点继续添加分支条件，不再赘述。以下实施例将以决策树的最大层数为2进行示例性说明。

基于第1个决策树，将n组训练样本划分到左叶子节点和右叶子节点这两个分支后，接下来，可基于这两个分支内的样本的预测残差的均值，计算左、右叶子节点各自对应的预测值。

假设，n＝4，左叶子节点包含第1组训练样本以及第2组训练样本，右叶子节点包含第3组训练样本以及第4组训练样本。那么，左叶子节点对应的预测值m1＝(R1+R2)/2，右叶子节点对应的预测值为m2＝(R3+R4)/2。

在步骤S5中，可保存训练完成的第1个决策树。其中，训练好的决策树可包含分支条件、叶子节点的预测值、预测值的计算逻辑以及关联的样本的索引信息。

在训练好第1个决策树之后，可重复执行上述步骤S1-S6，以训练第2个决策树。

j≥时，可基于以下公式1，在第j-1个学习器的基础上，计算得到第j个学习器：

f_j＝f_j-1+学习率*t_j-1 公式1

其中，t_j-1为第j-1个决策树的叶子节点预测值。其中，学习率用于减缓学习速度，可根据需求进行设置，例如可设为0.1、0.2等等。

那么，j＝2时，根据第1个学习器，得到的第2个学习器f_2＝f_1+学习率*第1个决策树的叶子节点预测值。继续以j＝2为例。

接下来，针对每组训练样本，可遍历第1个决策树，获取第1个决策树的左、右叶子节点的预测值以各叶子节点关联的训练样本。例如，假设第1个决策树的左叶子节点输出的预测值为m1，关联的样本为第1组样本以及第2组样本，右叶子的预测值为m2，关联的样本为第3组和第4组训练样本。则可认为，第1个决策树对第1组样本以及第2组样本输出的预测值为m1,第1个决策树对第3组样本以及第4组样本输出的预测值为m2。

那么，根据上述学习器更新公式1可知，第1组样本和第2组样本的第2个学习器f_2＝f_1+0.1*m1，第3组和第4组训练样本的第2个学习器f_2＝f_1+0.1*m2。

确定多组样本各自对应的第2个学习器后，可重复执行步骤S2，计算每组训练样本新的预测残差Ri`＝yi-f_2，并基于计算得到的新的预测残差，从多组训练样本中确定第2个决策树的分支条件。

相应地，训练得到的第2个决策树后，可在f_2的基础上继续更新得到学习器f_3，并构造新的决策树。在本实施例中，可训练5个决策树、10个决策树，或者任意数量的多个决策树，直至决策树的预测精度不再提升。

基于上述操作完成多个决策树的训练后，可保存初始的学习器f_1以及训练得到的多个决策树的相关信息。那么，当存在一组待预测的数据时，可基于多个决策树，得到得到待预测的数据对应的多个预测值，并结合初始的学习器f_1和前述公式1，计算得到新的学习器，即：最终的缩率预测结果。

在一些可选的实施例中，进一步地，可基于互联网尺码大数据对缩率预测模型进行测试，以进一步优化缩率预测模型。

可选地，可从成衣商品对应的商品详情中，获取成衣商品的多个部位的成衣尺寸。接下来，根据成衣商品所属的类目，在预先建立的尺码对照库中，查询成衣商品的多个部位的裁片尺码。其中，成衣尺寸对照库又称版型库，保存有不同类目、不同版型的成衣商品的部位尺码和裁片尺码的对应关系。

基于成衣商品的多个部位成衣尺寸和裁片尺码，可计算成衣商品的多个部位的缩率，作为第一缩率。同时，可将成衣商品的多个部位对应的成衣尺寸和该成衣商品采用的面料的缩率输入缩率预测模型，以预测得到成衣商品的多个部位的缩率，作为第二缩率。接下来，将第一缩率和第二缩率的之间的差作为缩率预测模型的预测损失，并根据预测损失，优化缩率预测模型的模型参数。以下将结合一个具体的例子进行示例性说明。

假设，存在一组测试数据[x0、p0，y0]。在测试时，可将[x0、p0]输入缩率预测模型。假设缩率预测模型包含10个决策树，10个决策树根据对应的分支条件以及预测值的计算逻辑，计算测试数据预测值。假设，10个决策树输出的预测值分别为y1`、y2`…y10`。那么，缩率预测模型对该测试数据计算得到的第一缩率可以为：y0`＝f_1+0.1(y1`+y2`…+y10`)。

接下来，将第一缩率y0`和测试数据对应的第二缩率y0进行对比，若y0`和y0的差值小于设定的阈值，则可认为模型的精度较高；反之，若y0`和y0的差值大于或者等于设定的阈值，则可认为模型的精度较低，此时可继续增加训练决策树，以提升最终学习器的准确率。

上述缩率预测模型的训练操作，可通过基于参数服务器(Parameter server，PS)的SMART(Scalable Multiple Additive Regression Tree的缩写，是Gradient boostingdecesion tree，可伸缩多元可加回归树)实现。其中，PS致力于解决大规模模型的离线、在线训练任务。SMART是(GBDT)在PS上的一个实现。基于PS的SMART实现可以支持百亿样本、几十万特征的训练任务，可以在上千个节点上运行，且有故障转译功能，稳定性好。同时，PS-SMART支持多种数据格式、训练目标和评估目标，以及输出特征重要性，并包含直方图近似等加速训练的优化，有利于快速准确地训练得到本申请提供的缩率预测模型。

需要说明的是，在本申请实施例中，可针对不同的服装类目分别训练缩率预测模型。例如，针对牛仔裤类目，可训练适用于预测牛仔裤的各部位的缩率的模型；例如，针对羽绒服类目，可训练适用于预测羽绒服的各部位的缩率的模型；又例如，针对运动服类目，可训练适用于预测运动服的各类目的缩率的模型。在用户请求为订单进行缩率预测时，可根据订单对所属的类目，将终端设备10发送的数据输入至对应的缩率预测模型进行预测，不再赘述。

在上述记载的训练缩率预测模型的实施例中，可选地，每组训练样本中，可进一步包含从服装消费者一侧获取到的服装的使用缩率。其中，在服装的日常穿着以及保养中，服装各部位受外力影响通常会产生尺寸变化。基于该尺寸变化以及各部位的成衣尺寸，可计算得到服装的使用缩率。进而，缩率预测模型，可基于新的训练样本，学习如何根据服装各部位的成衣尺寸和面料的缩率，预测服装的使用缩率，以便于为制版师提供更丰富的制版参考信息。

除前述实施例记载的缩率预测系统之外，本申请实施例还提供一种缩率预测方法，以下将结合附图进行示例性说明。

图5是本申请一示例性实施例提供的缩率预测方法的流程示意图，该方法在终端设备侧执行时，可包括如图5所示的步骤：

步骤501、响应缩率预测操作，确定待加工的服装对应的多个部位的成衣尺寸以及所述服装采用的面料的缩率。

步骤502、将所述多个部位的成衣尺寸和所述面料的缩率输入缩率预测模型，得到所述多个部位各自对应的预测缩率。

其中，缩率预测操作，可以是用户发起的，或者，可以是由其他上游设备发起的，本实施例不做限制。

在一些示例性的实施例中，还包括：根据所述多个部位各自对应的预测缩率以及所述多个部位的成衣尺寸，确定所述多个部位各自对应的裁片尺码；在所述服装对应的设计纸样上标注所述多个部位各自对应的裁片尺码，得到所述服装对应的裁片纸样。

在一些示例性的实施例中，确定待加工的服装对应的多个部位的成衣尺寸的一种方式，包括：响应针对所述服装的尺码设置操作，根据所述服装所属的服装类目，展示多个待设置的部位；获取用户针对所述多个待设置的部位输入的尺码数据，作为所述服装对应的多个部位的成衣尺寸。

在一些示例性的实施例中，还包括：响应部位更新操作，获取更新后的部位，作为所述待设置的部位；其中，所述部位更新操作，包括以下至少一种：删除所述多个待设置的部位中的已有部位的操作、从所述服装类目提供的部位中选择新增部位的操作、添加自定义部位的操作。

在一些示例性的实施例中，确定待加工的服装对应的多个部位的成衣尺寸的一种方式，包括：响应针对所述服装的尺码设置操作，查询是否存在与所述服装对应的历史订单；若存在，则获取所述历史订单对应的多个部位的成衣尺寸，作为所述服装对应的多个部位的成衣尺寸。

在一些示例性的实施例中，所述缩率预测模型为：基于GBDT的回归模型；将所述多个部位的成衣尺寸和所述面料的缩率输入缩率预测模型，得到所述多个部位各自对应的预测缩率的一种方式，包括：在所述缩率预测模型中，针对所述多个部位中的任一部位，基于预先训练的多个决策树，分别计算所述面料的缩率和所述部位对应的成衣尺寸对应的叶子节点的预测值，得到多个预测值；基于预先训练的初始学习器和预设的学习率，对所述多个预测值进行计算，得到所述部位的预测缩率。

在一些示例性的实施例中，还包括：基于多种不同类目的服装的历史制版数据，获取多组训练样本，每组训练样本包含服装的部位的成衣尺寸、部位的缩率以及所述服装采用的面料的缩率；基于所述多组训练样本，确定初始学习器；根据所述初始学习器，计算所述多组训练样本各自的预测残差；对所述多组训练样本各自的预测残差进行拟合，得到多个决策树；其中，每个决策树的分支条件为所述多组训练样本包含的部位的成衣尺寸和部位的缩率中的至少一种；输出包含所述初始学习器以及所述多个决策树的所述缩率预测模型。

在一些示例性的实施例中，还包括：从成衣商品对应的商品详情中，获取成衣商品的多个部位的成衣尺寸；根据所述成衣商品所属的类目，在预先建立的尺码对照库中，查询所述成衣商品的多个部位的裁片尺码；根据所述成衣商品的多个部位成衣尺寸和裁片尺码，计算所述成衣商品的多个部位的第一缩率；将所述成衣商品的多个部位对应的成衣尺寸和所述成衣商品采用的面料的缩率输入所述缩率预测模型，得到所述成衣商品的多个部位的第二缩率；将所述第一缩率和所述第二缩率的之间的差作为所述缩率预测模型的预测损失，并根据所述预测损失，优化所述缩率预测模型的模型参数。

在本实施例中，提供了一种自动化制版辅助方法，适用于服装制版师使用。在获取到服装的部位对应的成衣尺寸以及服装采用的面料的缩率后，可基于预先训练的缩率预测模型，预测的部位对应的缩率。基于预测得到的服装的部位的缩率，可以快速确定裁片纸样的尺码，以用于生成服装裁片以及服装加工。基于这种方式，一方面，可降低服装制版过程中服装的部位的缩率计算操作对人工经验的依赖，有利于降低人工成本，另一方面，可提升服装的部位的缩率的计算结果的准确性，从而提升服装的制版效率。

图6是本申请另一示例性实施例提供的缩率预测方法的流程示意图，该方法在终端设备侧执行时，可包括如图6所示的步骤：

步骤601、响应针对服装订单的尺码设置操作，确定所述服装订单对应的多个部位的成衣尺寸。

步骤602、获取所述服装订单采用的面料的缩率。

步骤603、将所述多个部位对应的成衣尺寸以及所述面料的缩率发送至服务器，以使所述服务器基于缩率预测模型预测所述多个部位各自对应的预测缩率。

步骤604、接收服务器返回的所述多个部位各自对应的预测缩率，并展示所述多个部位各自对应的预测缩率。

其中，服装订单对应的多个部位，指的是服装订单对应的服装的多个部位。

在一些示例性的实施例中，还包括：根据所述多个部位各自对应的预测缩率以及所述多个部位的成衣尺寸，计算所述多个部位各自对应的裁片尺码；在所述服装对应的设计纸样上标注所述多个部位各自对应的裁片尺码，得到所述服装对应的裁片纸样。

在一些示例性的实施例中，确定待加工的服装对应的多个部位的成衣尺寸的一种方式，包括：响应针对所述服装的尺码设置操作，根据所述服装所属的服装类目，展示多个待设置的部位；获取用户针对所述多个待设置的部位输入的尺码数据，作为所述服装对应的多个部位的成衣尺寸。

在一些示例性的实施例中，还包括：响应部位更新操作，获取更新后的部位，作为所述待设置的部位；其中，所述部位更新操作，包括以下至少一种：删除所述多个待设置的部位中的已有部位的操作、从所述服装类目提供的部位中选择新增部位的操作、添加自定义部位的操作。

在一些示例性的实施例中，确定待加工的服装对应的多个部位的成衣尺寸的一种方式，包括：响应针对所述服装的尺码设置操作，查询是否存在与所述服装对应的历史订单；若存在，则获取所述历史订单对应的多个部位的成衣尺寸，作为所述服装对应的多个部位的成衣尺寸。

在本实施例中，在获取到服装订单的部位对应的成衣尺寸以及订单采用的面料的缩率后，可通过服务器端预先训练的缩率预测模型，预测订单的部位对应的缩率。基于这种方式，一方面，可降低服装制版过程中的部位的缩率计算操作对人工经验的依赖，有利于降低人工成本，另一方面，可提升部位的缩率的计算结果的准确性，从而提升服装订单的制版效率。

图7是本申请又一示例性实施例提供的缩率预测方法的流程示意图，该方法在服务器侧执行时，可包括如图7所示的步骤：

步骤701、获取终端设备发送的服装订单的多个部位对应的成衣尺寸以及对应的面料的缩率。

步骤702、将所述多个部位的成衣尺寸和所述面料的缩率输入缩率预测模型，得到所述多个部位各自对应的预测缩率。

步骤703、将所述多个部位各自对应的预测缩率发送至所述终端设备。

在一些示例性的实施例中，所述缩率预测模型为：基于GBDT的回归模型；将所述多个部位的成衣尺寸和所述面料的缩率输入缩率预测模型，得到所述多个部位各自对应的预测缩率的一种方式，包括：在所述缩率预测模型中，针对所述多个部位中的任一部位，基于预先训练的多个决策树，分别计算所述面料的缩率和所述部位对应的成衣尺寸对应的叶子节点的预测值，得到多个预测值；基于预先训练的初始学习器和预设的学习率，对所述多个预测值进行计算，得到所述部位的预测缩率。

在一些示例性的实施例中，还包括：基于多种不同类目的服装的历史制版数据，获取多组训练样本，每组训练样本包含服装的部位的成衣尺寸、部位的缩率以及所述服装采用的面料的缩率；基于所述多组训练样本，计算所述初始学习器；根据所述初始学习器，计算所述多组训练样本各自的预测残差；对所述多组训练样本各自的预测残差进行拟合，得到多个决策树；其中，每个决策树的分支条件为所述多组训练样本包含的部位的成衣尺寸和部位的缩率中的至少一种；输出包含所述初始学习器以及所述多个决策树的所述缩率预测模型。

在一些示例性的实施例中，还包括：从成衣商品对应的商品详情中，获取成衣商品的多个部位的成衣尺寸；根据所述成衣商品所属的类目，在预先建立的尺码对照库中，查询所述成衣商品的多个部位的裁片尺码；根据所述成衣商品的多个部位成衣尺寸和裁片尺码，计算所述成衣商品的多个部位的第一缩率；将所述成衣商品的多个部位对应的成衣尺寸和所述成衣商品采用的面料的缩率输入所述缩率预测模型，得到所述成衣商品的多个部位的第二缩率；将所述第一缩率和所述第二缩率的之间的差作为所述缩率预测模型的预测损失，并根据所述预测损失，优化所述缩率预测模型的模型参数。

本实施例中，接收到订单的部位对应的成衣尺寸以及订单采用的面料的缩率后，可基于预先训练的缩率预测模型，预测订单的部位对应的缩率。一方面，可降低服装制版过程中的部位的缩率计算操作对人工经验的依赖，有利于降低人工成本，另一方面，可提升部位的缩率的计算结果的准确性，从而提升服装订单的制版效率。

除前述实施例记载的缩率预测方法之外，本申请实施例还提供一种服装裁片纸样的生成方法，以下将结合附图进行示例性说明。

图8为本申请一示例性实施例提供的服装裁片纸样的生成方法的流程示意图，如图8所示，该方法可包括：

步骤801、响应生成服装对应的裁片纸样的请求，确定所述服装对应的多个部位的成衣尺寸以及所述服装采用的面料的缩率。

步骤802、将所述多个部位的成衣尺码和所述面料的缩率输入缩率预测模型，得到所述多个部位各自对应的预测缩率。

步骤803、根据所述多个部位各自对应的预测缩率以及所述多个部位的成衣尺码，确定所述多个部位各自对应的裁片尺码。

步骤804、在所述服装对应的设计纸样上标注所述多个部位各自对应的裁片尺码，得到所述服装对应的裁片纸样。

其中，基于服装的多个部位的成衣尺码和服装采用的面料的缩率，得到服装的多个部位各自对应的预测缩率，以及基于预测缩率得到服装对应的裁片纸样的可选实施方式，可参考前述实施例的记载，此处不赘述。

本实施例可由终端设备执行，该终端设备可包括但不限于手机、平板电脑、计算机等设备。通常，该终端设备可由服装工厂中的服装制版师傅持有。基于本实施例提供的实施方式，制版师傅可基于终端设备，快速生成服装对应的裁片纸样。

除前述实施例记载的缩率预测方法之外，本申请实施例还提供一种服装订单的处理方法，以下将结合附图进行示例性说明。

图9a为本申请一示例性实施例提供的服装订单的处理方法的流程示意图，如图9a所示，该方法可包括：

步骤901a、响应服装订单的加工请求，确定所述服装订单对应的多个部位的成衣尺寸以及所述服装订单采用的面料的缩率。

步骤902a、将所述多个部位的成衣尺码和所述面料的缩率输入缩率预测模型，得到所述多个部位各自对应的预测缩率。

步骤903a、基于所述多个部位各自对应的预测缩率，确定所述服装订单对应的裁片纸样。

步骤904a、根据所述服装订单对应的裁片纸样，对所述服装订单采用的面料进行裁剪，得到用于加工所述服装订单的服装裁片。

其中，基于服装的多个部位的成衣尺码和服装采用的面料的缩率，得到服装的多个部位各自对应的预测缩率，以及基于预测缩率得到服装对应的裁片纸样的可选实施方式，可参考前述实施例的记载，此处不赘述。

本实施例可由终端设备执行，或者由服装工厂中的服装加工环节中的特定设备或则系统执行，其中，该终端设备可包括但不限于手机、平板电脑、计算机等设备。

其中，当本实施例由服装加工环节中的特定设备执行时，该设备可集成有数据计算、纸样绘制以及布料裁剪等多项功能。进而，可基于本实施例提供的各步骤，预测服装订单对应的服装的各部位的缩率，基于预测得到的缩率自动生成服装订单对应的裁片纸样，并基于裁片纸样对服装订单采用的面料进裁剪。

其中，当本实施由服装加工环节中的特定系统执行时，该系统可实现为具有中控功能系统，以控制其他设备进行工作。例如，该系统可控制用于缩率预测的设备预测服装订单对应的服装的各部位的缩率，控制纸样绘制设备根据预测得到的缩率自动生成服装订单对应的裁片纸样，并控制自动裁剪设备根据绘制得到的裁片纸样对服装订单采用的基于裁片纸样对服装订单采用的面料进行裁剪，不再赘述。

基于这种实施方式，可实现服装订单的自动加工，形成流水化自动作业，进一步降低人力成本、提升服装加工的效率。

除前述实施例记载的各方法之外，本申请实施例还提供一种辅助纸样制作的方法，以下将结合附图进行示例性说明。

图9b为本申请一示例性实施例提供的辅助纸样制作的方法的流程示意图，如图9b所示，该方法可包括：

步骤901b、确定待生成纸样的服装的属性信息。

步骤902b、基于所述属性信息，预测得到所述服装的各部位对应的预测缩率。

步骤903b、将所述预测缩率展示给纸样制作用户。

在本实施例中，服装的属性信息，包括服装的至少一个部位的成衣尺寸，以及服装采用的面料的缩率。

其中，根据服装的属性信息，预测服装各部位对应的预测缩率的可选实施方式可参考前述实施例的记载。例如，可将服装的属性信息输入前述各实施例记载的缩率预测模型，由缩率预测模型输出服装各部位的预测缩率。

基于服装的各部位对应的预测缩率，可确定服装各部位的裁片尺寸。例如，在一种确定裁片尺寸的方式中，裁片尺寸可等于成衣尺寸与预测缩率的除运算的计算结果。其中，成衣尺寸是已知的。

其中，将预测缩率展示给纸样制作用户时，可直接将裁片尺寸展示给纸样制作用户，以便于纸样制作用户根据裁片尺寸进行裁片绘制。或者，可将该裁片尺码作为纸样制作的尺码自动生成纸样，并将自动生成的纸样展示给纸样制作用户。

基于这种实施方式，可向纸样制作用户提供一种用于纸样制作的辅助工具，可快速、准确地生成纸样制作所需的裁片尺寸，或者自动为纸样制作用户生成纸样，极大提升了服装制版的效率。

除前述实施例记载的各方法之外，本申请实施例还提供一种服装变形量的预测方法，以下将结合附图进行示例性说明。

图9c为本申请一示例性实施例提供的服装变形量的预测方法的流程示意图，如图9c所示，该方法可包括：

步骤901c、获取弹性服装的属性信息。

步骤902c、将所述属性信息输入预测模型，得到所述弹性服装的至少一个部位各自的变形量的预测值。

步骤903c、将所述至少一个部位各自的变形量的预测值展示给用户。

在本实施例中，弹性服装，指的是由弹性面料加工成的服装。例如，由人造弹性纤维面料、锦纶面料以及涤纶面料加工成的具有一定弹性的服装。通常，在用户的穿着或者清洗过程中，弹性服装会受到一定的外力作用，这种外力作用可能导致弹性服装出现变形。例如，某一种弹性服装在穿着一段时间后出现袖口松垮、领口放大的效果。

为预测弹性服装在穿着后的变形量，本申请实施例提供了一种预测模型。该预测模型，可基于大量弹性服装的实际属性信息以及梯度提升迭代决策树的回归模型训练得到。

其中，弹性服装的属性信息，可包括弹性服装的各部位的成衣尺寸、弹性服装的面料的缩率以及面料的初始弹力。

在训练预测模型时，可收集弹性服装的实际穿着数据，得到弹性服装各部位的变形量。例如，根据服装未穿着时的袖口宽度以及穿着一段时间之后的袖口宽度，得到服装的袖口的变形量。又例如，可根据服装未穿着时的肩宽的值以及穿着一段时间之后的肩宽的值，得到服装的肩宽的变形量。

基于弹性服装的实际属性信息以及实际穿着数据，可得到多组训练样本。其中，每组训练样本可包括：弹性服装的部位的成衣尺寸、部位的变形量、弹性服装采用的面料的缩率以及面料的处理弹力。其中，基于训练样本训练梯度提升迭代决策树的回归模型的可选实施方式，可参考前述实施例的记载，此处不再赘述。

基于此，当用户存在预测弹性服装的变形率的需求时，可根据弹性服装的属性以及预测模型，快速预测得到弹性服装的变形量。在一些场景下，服装制版师在进行服装制版时，可将弹性服装的变形量作为一种设计服装裁片尺码的参考依据，以避免服装在后续穿着的过程中出现较严重的不合体问题。在另一些场景下，服装消费者在购买弹性服装时，可预测弹性服装的变形量，并可将该变形量作为购买参考依据。

需要说明的是，上述实施例所提供方法的各步骤的执行主体均可以是同一设备，或者，该方法也由不同设备作为执行主体。比如，步骤601至步骤604的执行主体可以为设备A；又比如，步骤601和602的执行主体可以为设备A，步骤603的执行主体可以为设备B；等等。

另外，在上述实施例及附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如601、602等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。

需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。

图10是本申请一示例性实施例提供的终端设备的结构示意图，该终端设备适用于前述实施例提供的缩率预测系统。如图10所示，该终端设备包括：存储器1001、处理器1002以及通信组件1003。

存储器1001，用于存储计算机程序，并可被配置为存储其它各种数据以支持在终端设备上的操作。这些数据的示例包括用于在终端设备上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。

处理器1002，与存储器1001耦合，用于执行存储器1001中的计算机程序，以用于：响应缩率预测操作，确定待加工的服装对应的多个部位的成衣尺寸以及所述服装采用的面料的缩率；将所述多个部位的成衣尺寸和所述面料的缩率输入缩率预测模型，得到所述多个部位各自对应的预测缩率。

进一步可选地，处理器1002还用于：根据所述多个部位各自对应的预测缩率以及所述多个部位的成衣尺寸，计算所述多个部位各自对应的裁片尺码；在所述服装对应的设计纸样上标注所述多个部位各自对应的裁片尺码，得到所述服装对应的裁片纸样。

进一步可选地，处理器1002在确定服装对应的多个部位的成衣尺寸时，具体用于：响应针对所述服装的尺码设置操作，根据所述服装所属的服装类目，展示多个待设置的部位；获取用户针对所述多个待设置的部位输入的尺码数据，作为所述服装对应的多个部位的成衣尺寸。

进一步可选地，处理器1002还用于：响应部位更新操作，获取更新后的部位，作为所述待设置的部位；其中，所述部位更新操作，包括以下至少一种：删除所述多个待设置的部位中的已有部位的操作、从所述服装类目提供的部位中选择新增部位的操作、添加自定义部位的操作。

进一步可选地，处理器1002在确定服装对应的多个部位的成衣尺寸时，具体用于：响应针对所述服装的尺码设置操作，查询是否存在与所述服装对应的历史订单；若存在，则获取所述历史订单对应的多个部位的成衣尺寸，作为所述服装对应的多个部位的成衣尺寸。

在一些示例性的实施例中，所述缩率预测模型为：基于GBDT的回归模型；处理器1002在将所述多个部位的成衣尺寸和所述面料的缩率输入预先训练的缩率预测模型，得到所述多个部位各自对应的预测缩率时，具体用于：在所述缩率预测模型中，针对所述多个部位中的任一部位，基于预先训练的多个决策树，分别计算所述面料的缩率和所述部位对应的成衣尺寸对应的叶子节点的预测值，得到多个预测值；基于预先训练的初始学习器和预设的学习率，对所述多个预测值进行计算，得到所述部位的预测缩率。

进一步可选地，处理器1002还用于：基于多种不同类目的服装的历史制版数据，获取多组训练样本，每组训练样本包含服装的部位的成衣尺寸、部位的缩率以及所述服装采用的面料的缩率；基于所述多组训练样本，计算所述初始学习器；根据所述初始学习器，计算所述多组训练样本各自的预测残差；对所述多组训练样本各自的预测残差进行拟合，得到多个决策树；其中，每个决策树的分支条件为所述多组训练样本包含的部位的成衣尺寸和部位的缩率中的至少一种；输出包含所述初始学习器以及所述多个决策树的所述缩率预测模型。

进一步可选地，处理器1002还用于：从成衣商品对应的商品详情中，获取成衣商品的多个部位的成衣尺寸；根据所述成衣商品所属的类目，在预先建立的尺码对照库中，查询所述成衣商品的多个部位的裁片尺码；根据所述成衣商品的多个部位成衣尺寸和裁片尺码，计算所述成衣商品的多个部位的第一缩率；将所述成衣商品的多个部位对应的成衣尺寸和所述成衣商品采用的面料的缩率输入所述缩率预测模型，得到所述成衣商品的多个部位的第二缩率；将所述第一缩率和所述第二缩率的之间的差作为所述缩率预测模型的预测损失，并根据所述预测损失，优化所述缩率预测模型的模型参数。

进一步，如图10所示，该终端设备还包括：显示组件1004、电源组件1005、音频组件1006等其它组件。图10中仅示意性给出部分组件，并不意味着终端设备只包括图10所示组件。

本实施例，提供了一种自动化制版辅助方法，适用于服装制版师使用。在获取到待加工的服装的部位对应的成衣尺寸以及订单采用的面料的缩率后，可基于预先训练的缩率预测模型，预测服装的部位对应的缩率。基于预测得到的服装的部位的缩率，可以快速确定裁片纸样的尺码，以用于生成服装裁片以及服装加工。基于这种方式，一方面，可降低服装制版过程中服装的部位的缩率计算操作对人工经验的依赖，有利于降低人工成本，另一方面，可提升服装的部位的缩率的计算结果的准确性，从而提升服装订单的制版效率。

除上述执行逻辑之外，图10所示的终端设备还可执行如下的逻辑：处理器1002响应针对服装订单的尺码设置操作，确定所述服装订单对应的多个部位的成衣尺寸；获取所述服装订单采用的面料的缩率；通过通信组件1003将所述多个部位对应的成衣尺寸以及所述面料的缩率发送至服务器，以使所述服务器基于预先训练的缩率预测模型预测所述多个部位各自对应的预测缩率；通过通信组件1003接收服务器返回的所述多个部位各自对应的预测缩率，并展示所述多个部位各自对应的预测缩率。

除上述执行逻辑之外，图10所示的终端设备还可执行如下的逻辑：处理器1002响应生成服装对应的裁片纸样的请求，确定所述服装对应的多个部位的成衣尺寸以及所述服装采用的面料的缩率；将所述多个部位的成衣尺码和所述面料的缩率输入缩率预测模型，得到所述多个部位各自对应的预测缩率；根据所述多个部位各自对应的预测缩率以及所述多个部位的成衣尺码，确定所述多个部位各自对应的裁片尺码；在所述服装对应的设计纸样上标注所述多个部位各自对应的裁片尺码，得到所述服装对应的裁片纸样。

除上述执行逻辑之外，图10所示的终端设备还可执行如下的逻辑：处理器1002响应服装订单的加工请求，确定所述服装订单对应的多个部位的成衣尺寸以及所述服装订单采用的面料的缩率；将所述多个部位的成衣尺码和所述面料的缩率输入缩率预测模型，得到所述多个部位各自对应的预测缩率；基于所述多个部位各自对应的预测缩率，确定所述服装订单对应的裁片纸样；根据所述服装订单对应的裁片纸样，对所述服装订单采用的面料进行裁剪，得到用于加工所述服装订单的服装裁片。

除上述执行逻辑之外，图10所示的终端设备还可执行如下的逻辑：处理器1002确定待生成纸样的服装的属性信息；基于所述属性信息，预测得到所述服装的各部位对应的预测缩率；将所述预测缩率展示给纸样制作用户。

进一步可选地，所述将所述预测缩率展示给纸样制作用户，包括：处理器1002基于所述服装的各部位对应的预测缩率，确定所述服装各部位的裁片尺寸；将所述裁片尺寸展示给纸样制作用户，或者，将所述裁片尺寸作为纸样制作的尺寸生成纸样展示给纸样制作用户。

除上述执行逻辑之外，图10所示的终端设备还可执行如下的逻辑：获取弹性服装的属性信息；将所述属性信息输入预测模型，得到所述弹性服装的至少一个部位各自的变形量的预测值；将所述至少一个部位各自的变形量的预测值展示给用户。

相应地，本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，计算机程序被处理器执行时能够实现上述方法实施例中可由终端设备执行的各步骤。

图11示意了本申请一示例性实施例提供的服务器的结构示意图，该服务器适用于前述实施例提供的缩率预测系统。如图11所示，该服务器包括：存储器1101、处理器1102以及通信组件1103。

存储器1101，用于存储计算机程序，并可被配置为存储其它各种数据以支持在服务器上的操作。这些数据的示例包括用于在服务器上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。

处理器1102，与存储器1101耦合，用于执行存储器1101中的计算机程序，以用于：通过通信组件1103获取终端设备发送的服装订单的多个部位对应的成衣尺寸以及对应的面料的缩率；将所述多个部位的成衣尺寸和所述面料的缩率输入预先训练的缩率预测模型，得到所述多个部位各自对应的预测缩率；通过通信组件1103将所述多个部位各自对应的预测缩率发送至所述终端设备。

进一步可选地，所述缩率预测模型为：基于GBDT的回归模型；处理器1102在将所述多个部位的成衣尺寸和所述面料的缩率输入预先训练的缩率预测模型，得到所述多个部位各自对应的预测缩率时，具体用于：在所述缩率预测模型中，针对所述多个部位中的任一部位，基于预先训练的多个决策树，分别计算所述面料的缩率和所述部位对应的成衣尺寸对应的叶子节点的预测值，得到多个预测值；基于预先训练的初始学习器和预设的学习率，对所述多个预测值进行计算，得到所述部位的预测缩率。

进一步可选地，处理器1102还用于：基于多种不同类目的服装的历史制版数据，获取多组训练样本，每组训练样本包含服装的部位的成衣尺寸、部位的缩率以及所述服装采用的面料的缩率；基于所述多组训练样本，计算所述初始学习器；根据所述初始学习器，计算所述多组训练样本各自的预测残差；对所述多组训练样本各自的预测残差进行拟合，得到多个决策树；其中，每个决策树的分支条件为所述多组训练样本包含的部位的成衣尺寸和部位的缩率中的至少一种；输出包含所述初始学习器以及所述多个决策树的所述缩率预测模型。

进一步可选地，处理器1102还用于：从成衣商品对应的商品详情中，获取成衣商品的多个部位的成衣尺寸；根据所述成衣商品所属的类目，在预先建立的尺码对照库中，查询所述成衣商品的多个部位的裁片尺码；根据所述成衣商品的多个部位成衣尺寸和裁片尺码，计算所述成衣商品的多个部位的第一缩率；将所述成衣商品的多个部位对应的成衣尺寸和所述成衣商品采用的面料的缩率输入所述缩率预测模型，得到所述成衣商品的多个部位的第二缩率；将所述第一缩率和所述第二缩率的之间的差作为所述缩率预测模型的预测损失，并根据所述预测损失，优化所述缩率预测模型的模型参数。

进一步，如图11所示，该服务器还包括：电源组件1104等其它组件。图11中仅示意性给出部分组件，并不意味着服务器只包括图11所示组件。

本实施例中，接收到订单的部位对应的成衣尺寸以及订单采用的面料的缩率后，可基于预先训练的缩率预测模型，预测订单的部位对应的缩率。一方面，可降低服装制版过程中的部位的缩率计算操作对人工经验的依赖，有利于降低人工成本，另一方面，可提升部位的缩率的计算结果的准确性，从而提升服装订单的制版效率。

相应地，本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，计算机程序被处理器执行时能够实现上述方法实施例中可由服务器执行的各步骤。

上述图10和图11中的存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

上述图10和图11中的通信组件被配置为便于通信组件所在设备和其他设备之间有线或无线方式的通信。通信组件所在设备可以接入基于通信标准的无线网络，如WiFi，2G、3G、4G或5G，或它们的组合。在一个示例性实施例中，通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，通信组件可基于近场通信(NFC)技术、射频识别(RFID)技术、红外数据协会(IrDA)技术、超宽带(UWB)技术、蓝牙(BT)技术和其他技术来实现。

上述图8中的显示组件包括屏幕，其屏幕可以包括液晶显示组件(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。

上述图10和图11中的电源组件，为电源组件所在设备的各种组件提供电力。电源组件可以包括电源管理系统，一个或多个电源，及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (21)

1.一种缩率预测方法，其特征在于，包括：

响应缩率预测操作，确定待加工的服装对应的多个部位的成衣尺寸以及所述服装订单采用的面料的缩率；

将所述多个部位的成衣尺寸和所述面料的缩率输入缩率预测模型，得到所述多个部位各自对应的预测缩率。

2.根据权利要求1所述的方法，其特征在于，还包括：

根据所述多个部位各自对应的预测缩率以及所述多个部位的成衣尺寸，确定所述多个部位各自对应的裁片尺码；

在所述服装对应的设计纸样上标注所述多个部位各自对应的裁片尺码，得到所述服装对应的裁片纸样。

3.根据权利要求1所述的方法，其特征在于，确定待加工的服装对应的多个部位的成衣尺寸，包括：

响应针对所述服装的尺码设置操作，根据所述服装所属的服装类目，展示多个待设置的部位；

获取用户针对所述多个待设置的部位输入的尺码数据，作为所述服装对应的多个部位的成衣尺寸。

4.根据权利要求3所述的方法，其特征在于，还包括：响应部位更新操作，获取更新后的部位，作为所述待设置的部位；

其中，所述部位更新操作，包括以下至少一种：删除所述多个待设置的部位中的已有部位的操作、从所述服装类目提供的部位中选择新增部位的操作、添加自定义部位的操作。

5.根据权利要求1所述的方法，其特征在于，确定待加工的服装对应的多个部位的成衣尺寸，包括：

响应针对所述服装的尺码设置操作，查询是否存在与所述服装对应的历史订单；

若存在，则获取所述历史订单对应的多个部位的成衣尺寸，作为所述服装对应的多个部位的成衣尺寸。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述缩率预测模型包括：基于梯度提升迭代决策树的回归模型；

将所述多个部位的成衣尺寸和所述面料的缩率输入缩率预测模型，得到所述多个部位各自对应的预测缩率，包括：

在所述缩率预测模型中，针对所述多个部位中的任一部位，基于预先训练的多个决策树，分别计算所述面料的缩率和所述部位对应的成衣尺寸对应的叶子节点的预测值，得到多个预测值；

基于预先训练的初始学习器和预设的学习率，对所述多个预测值进行计算，得到所述部位的预测缩率。

7.根据权利要求1-5任一项所述的方法，其特征在于，还包括：

基于多种不同类目的服装的历史制版数据，获取多组训练样本，每组训练样本包含服装的部位的成衣尺寸、部位的缩率以及所述服装采用的面料的缩率；

基于所述多组训练样本，确定初始学习器；

根据所述初始学习器，计算所述多组训练样本各自的预测残差；

对所述多组训练样本各自的预测残差进行拟合，得到多个决策树；其中，所述决策树的分支条件为所述多组训练样本包含的部位的成衣尺寸和部位的缩率中的至少一种；

输出包含所述初始学习器以及所述多个决策树的所述缩率预测模型。

8.根据权利要求7所述的方法，其特征在于，还包括：

从成衣商品对应的商品详情中，获取成衣商品的多个部位的成衣尺寸；

根据所述成衣商品所属的类目，在预先建立的尺码对照库中，查询所述成衣商品的多个部位的裁片尺码；

根据所述成衣商品的多个部位成衣尺寸和裁片尺码，计算所述成衣商品的多个部位的第一缩率；

将所述成衣商品的多个部位对应的成衣尺寸和所述成衣商品采用的面料的缩率输入所述缩率预测模型，得到所述成衣商品的多个部位的第二缩率；

将所述第一缩率和所述第二缩率的之间的差作为所述缩率预测模型的预测损失，并根据所述预测损失，优化所述缩率预测模型的模型参数。

9.一种服装裁片纸样的生成方法，其特征在于，包括：

响应生成服装对应的裁片纸样的请求，确定所述服装对应的多个部位的成衣尺寸以及所述服装采用的面料的缩率；

将所述多个部位的成衣尺码和所述面料的缩率输入缩率预测模型，得到所述多个部位各自对应的预测缩率；

根据所述多个部位各自对应的预测缩率以及所述多个部位的成衣尺码，确定所述多个部位各自对应的裁片尺码；

在所述服装对应的设计纸样上标注所述多个部位各自对应的裁片尺码，得到所述服装对应的裁片纸样。

10.一种服装订单的处理方法，其特征在于，包括：

响应服装订单的加工请求，确定所述服装订单对应的多个部位的成衣尺寸以及所述服装订单采用的面料的缩率；

将所述多个部位的成衣尺码和所述面料的缩率输入缩率预测模型，得到所述多个部位各自对应的预测缩率；

基于所述多个部位各自对应的预测缩率，确定所述服装订单对应的裁片纸样；

根据所述服装订单对应的裁片纸样，对所述服装订单采用的面料进行裁剪，得到用于加工所述服装订单的服装裁片。

11.一种缩率预测方法，其特征在于，包括：

响应针对服装订单的尺码设置操作，确定所述服装订单对应的多个部位的成衣尺寸；

获取所述服装订单采用的面料的缩率；

将所述多个部位对应的成衣尺寸以及所述面料的缩率发送至服务器，以使所述服务器基于缩率预测模型预测所述多个部位各自对应的预测缩率；

接收服务器返回的所述多个部位各自对应的预测缩率，并展示所述多个部位各自对应的预测缩率。

12.一种辅助纸样制作的方法，其特征在于，包括：

确定待生成纸样的服装的属性信息；

基于所述属性信息，预测得到所述服装的各部位对应的预测缩率；

将所述预测缩率展示给纸样制作用户。

13.根据权利要求12所述的方法，其特征在于，所述将所述预测缩率展示给纸样制作用户，包括：

基于所述服装的各部位对应的预测缩率，确定所述服装各部位的裁片尺寸；

将所述裁片尺寸展示给纸样制作用户，或者，将所述裁片尺寸作为纸样制作的尺寸生成纸样展示给纸样制作用户。

14.一种服装变形量的预测方法，其特征在于，包括：

获取弹性服装的属性信息；

将所述属性信息输入预测模型，得到所述弹性服装的至少一个部位各自的变形量的预测值；

将所述至少一个部位各自的变形量的预测值展示给用户。

15.一种缩率预测方法，其特征在于，包括：

获取终端设备发送的服装订单的多个部位对应的成衣尺寸以及对应的面料的缩率；

将所述多个部位的成衣尺寸和所述面料的缩率输入缩率预测模型，得到所述多个部位各自对应的预测缩率；

将所述多个部位各自对应的预测缩率发送至所述终端设备。

16.根据权利要求15所述的方法，其特征在于，所述缩率预测模型为：基于梯度提升迭代决策树的回归模型；

将所述多个部位的成衣尺寸和所述面料的缩率输入缩率预测模型，得到所述多个部位各自对应的预测缩率，包括：

在所述缩率预测模型中，针对所述多个部位中的任一部位，基于预先训练的多个决策树，分别计算所述面料的缩率和所述部位对应的成衣尺寸对应的叶子节点的预测值，得到多个预测值；

基于预先训练的初始学习器和预设的学习率，对所述多个预测值进行计算，得到所述部位的预测缩率。

17.根据权利要求16所述的方法，其特征在于，还包括：

基于多种不同类目的服装的历史制版数据，获取多组训练样本，每组训练样本包含服装的部位的成衣尺寸、部位的缩率以及所述服装采用的面料的缩率；

基于所述多组训练样本，计算所述初始学习器；

根据所述初始学习器，计算所述多组训练样本各自的预测残差；

对所述多组训练样本各自的预测残差进行拟合，得到多个决策树；其中，每个决策树的分支条件为所述多组训练样本包含的部位的成衣尺寸和部位的缩率中的至少一种；

输出包含所述初始学习器以及所述多个决策树的所述缩率预测模型。

18.根据权利要求17所述的方法，其特征在于，还包括：

从成衣商品对应的商品详情中，获取成衣商品的多个部位的成衣尺寸；

根据所述成衣商品所属的类目，在预先建立的尺码对照库中，查询所述成衣商品的多个部位的裁片尺码；

根据所述成衣商品的多个部位成衣尺寸和裁片尺码，计算所述成衣商品的多个部位的第一缩率；

将所述成衣商品的多个部位对应的成衣尺寸和所述成衣商品采用的面料的缩率输入所述缩率预测模型，得到所述成衣商品的多个部位的第二缩率；

将所述第一缩率和所述第二缩率的之间的差作为所述缩率预测模型的预测损失，并根据所述预测损失，优化所述缩率预测模型的模型参数。

19.一种终端设备，其特征在于，包括：存储器和处理器；

所述存储器用于存储一条或多条计算机指令；

所述处理器用于执行所述一条或多条计算机指令以用于：执行权利要求1-14任一项所述的方法中的步骤。

20.一种服务器，其特征在于，包括：存储器和处理器；

所述存储器用于存储一条或多条计算机指令；

所述处理器用于执行所述一条或多条计算机指令以用于：执行权利要求15-18任一项所述的方法中的步骤。

21.一种存储有计算机程序的计算机可读存储介质，其特征在于，计算机程序被处理器执行时能够实现权利要求1-14任一项所述的方法中的步骤或者权利要求15-18任一项所述的方法中的步骤。

Images