CN116934276B - 一种服装快速生产管理方法及管理系统 - Google Patents

一种服装快速生产管理方法及管理系统 Download PDF

Info

Publication number
CN116934276B
CN116934276B CN202311192227.6A CN202311192227A CN116934276B CN 116934276 B CN116934276 B CN 116934276B CN 202311192227 A CN202311192227 A CN 202311192227A CN 116934276 B CN116934276 B CN 116934276B
Authority
CN
China
Prior art keywords
production
clothing
data
supply chain
picture
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
Application number
CN202311192227.6A
Other languages
English (en)
Other versions
CN116934276A (zh
Inventor
张涛
李上文
武右苗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Shanglong Technology Co ltd
Original Assignee
Shenzhen Shanglong Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Shanglong Technology Co ltd filed Critical Shenzhen Shanglong Technology Co ltd
Priority to CN202311192227.6A priority Critical patent/CN116934276B/zh
Publication of CN116934276A publication Critical patent/CN116934276A/zh
Application granted granted Critical
Publication of CN116934276B publication Critical patent/CN116934276B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及供应链技术领域，公开了一种服装快速生产管理方法及管理系统，用于提高一种服装快速生产管理的准确率。包括：通过目标服装设计图纸进行数字化样板构建，得到与服装生产方案对应的数字化样板集合；对数字化样板集合进行供应链流程构建，得到初始供应链流程，通过初始供应链流程进行智能生产方案构建，得到初始智能生产方案；执行初始智能生产方案，采集在执行初始智能生产方案过程中的服装图片，得到服装图片集合；对服装图片集合进行生产节点参数提取，得到生产节点参数集合；对初始供应链流程进行流程调整，得到目标供应链流程，通过目标供应链流程对初始智能生产方案进行方案修正，得到目标智能生产方案。

Description

一种服装快速生产管理方法及管理系统
技术领域
本发明涉及供应链技术领域，尤其涉及一种服装快速生产管理方法及管理系统。
背景技术
随着信息技术的不断进步和智能制造的兴起，传统的服装生产方式正经历着根本性的变革。数字化技术、人工智能和数据分析等领域的快速发展，为服装生产提供了全新的性。在传统生产过程中，服装制造往往涉及大量的人工操作、复杂的供应链流程以及容易产生误差的手工环节。
快速生产需要高度协同的生产流程，涵盖了设计、面料采购、裁剪、缝制、整烫等多个环节。现有技术中难以实现整个过程的高度自动化和协同管理，导致流程仍然存在一定程度的碎片化和不协调。快速生产涉及多个环节和部门，需要信息在不同系统之间的高效流通和集成。然而，现有技术中信息系统的互操作性和数据共享还存在一定困难，导致数据孤立和信息不畅通。快速生产要求对生产过程的实时监控和管理，但现有技术中在实现生产过程的可视性和监控方面还存在不足，导致生产问题无法及时发现和处理。
发明内容
本发明提供了一种服装快速生产管理方法及管理系统，用于提高CCC。
本发明第一方面提供了一种服装快速生产管理方法，所述一种服装快速生产管理方法包括：
获取服装生产方案，并基于所述服装生产方案通过预置的数据采集终端采集预设的服装设计图纸数据，得到目标服装设计图纸，同时，采集与所述目标服装设计图纸对应的面料采购信息；
通过所述目标服装设计图纸进行数字化样板构建，得到与所述服装生产方案对应的数字化样板集合；
通过所述面料采购信息，对所述数字化样板集合进行供应链流程构建，得到初始供应链流程，同时，通过所述初始供应链流程进行智能生产方案构建，得到初始智能生产方案；
执行所述初始智能生产方案，并通过预置的图像采集终端采集在执行所述初始智能生产方案过程中的服装图片，得到服装图片集合；
对所述服装图片集合进行生产节点参数提取，得到生产节点参数集合；
通过所述生产节点参数集合对所述初始供应链流程进行流程调整，得到目标供应链流程，同时，通过所述目标供应链流程对所述初始智能生产方案进行方案修正，得到目标智能生产方案。
结合第一方面，在本发明第一方面的第一实施方式中，所述通过所述目标服装设计图纸进行数字化样板构建，得到与所述服装生产方案对应的数字化样板集合，包括：
对所述目标服装设计图纸进行服装材质提取，得到所述目标服装设计图纸对应的服装材质参数；
对所述目标服装设计图纸进行服装尺寸数据提取，得到对应的服装尺寸数据集合；
基于所述服装材质参数以及所述服装尺寸数据集合对所述服装设计图纸进行服装三维模型构建，得到与所述服装生产方案对应的数字化样板集合。
结合第一方面，在本发明第一方面的第二实施方式中，所述通过所述面料采购信息，对所述数字化样板集合进行供应链流程构建，得到初始供应链流程，同时，通过所述初始供应链流程进行智能生产方案构建，得到初始智能生产方案，包括：
对所述面料采购信息进行面料种类提取，得到多个面料种类数据；
对所述面料采购信息进行供应商数据匹配，得到所述面料采购信息对应的多个供应商信息；
通过多个所述面料种类数据以及多个所述供应商信息进行库存管理策略构建，得到目标库存管理策略；
通过所述数字化样板集合以及所述目标库存管理进行生产时限计算，得到目标生产时限；
通过所述目标生产时限对所述数字化样板集合进行供应链流程构建，得到初始供应链流程；
通过所述初始供应链流程进行智能生产方案构建，得到初始智能生产方案。
结合第一方面的第二实施方式，在本发明第一方面的第三实施方式中，所述通过所述初始供应链流程进行智能生产方案构建，得到初始智能生产方案，包括：
对所述初始供应链流程进行多类型数据提取，得到对应的多类型数据集，其中，所述多类型数据集包括：每个供应链子环节的时限、每个供应链子环节的成本数据以及供应链子环节的资源使用数据；
分别对每个供应链子环节的时限、每个供应链子环节的成本数据以及供应链子环节的资源使用数据进行数据整合，得到每个供应链子环节的整合数据；
将每个供应链子环节的整合数据输入预置的模拟生产模型进行服装生产模拟，得到服装模拟生产数据；
对所述服装模拟生产数据进行约束条件匹配，得到生产约束条件集合；
通过所述生产约束条件集合对所述服装模拟生产数据进行生产节点构建，得到多个生产节点；
对多个所述生产节点进行数据匹配，得到每个所述生产节点对应的生产数据；
通过每个所述生产节点对应的生产数据进行智能生产方案构建，得到初始智能生产方案。
结合第一方面，在本发明第一方面的第四实施方式中，所述对所述服装图片集合进行生产节点参数提取，得到生产节点参数集合，包括：
对所述服装图片集合中每个服装图片进行像素逐帧提取，得到每个所述服装图片的像素数据集合；
通过每个所述服装图片的像素数据集合对每个所述服装图片进行生产节点标定，得到每个所述服装图片对应的生产节点集合；
基于每个所述服装图片对应的生产节点集合，分别对每个所述服装图片进行纺织密度分析，得到每个所述服装图片对应的纺织密度数据集；
通过每个所述服装图片对应的纺织密度数据集进行密度变化曲线构建，得到每个所述服装图片对应的目标密度变化曲线；
基于每个所述服装图片对应的目标密度变化曲线进行变化幅度分析，得到每个所述服装图片对应的密度变化幅度，并通过每个所述服装图片对应的密度变化幅度生成每个所述服装图片对应的密度变化趋势数据；
通过每个所述服装图片对应的密度变化趋势数据对所述服装图片集合进行生产节点参数提取，得到生产节点参数集合。
结合第一方面的第四实施方式，在本发明第一方面的第五实施方式中，所述基于每个所述服装图片对应的生产节点集合，分别对每个所述服装图片进行纺织密度分析，得到每个所述服装图片对应的纺织密度数据集，包括：
通过每个所述服装图片对应的生产节点集合，分别对每个所述服装图片进行图像特征提取，得到每个所述服装图片对应的第一密度特征集合；
分别对每个所述服装图片进行边缘检测，得到每个所述服装图片对应的纺织线条轮廓；
通过每个所述服装图片对应的纺织线条轮廓进行纺织线条数量计算，得到每个所述服装图片对应的纺织线条数量，同时，通过每个所述服装图片对应的纺织线条轮廓进行线条间隔计算，得到每个所述服装图片对应间隔数据集合；
基于每个所述服装图片对应的纺织线条数量以及每个所述服装图片对应间隔数据集合，分别对每个所述服装图片进行线条特征提取，得到每个所述服装图片对应的第二密度特征集合；
分别对每个所述服装图片对应的第一密度特征集合以及每个所述服装图片对应的第二密度特征集合进行特征融合，得到每个所述服装图片对应的目标密度特征；
通过每个所述服装图片对应的目标密度特征分别对每个所述服装图片进行纺织密度计算，得到每个所述服装图片对应的纺织密度数据集。
结合第一方面，在本发明第一方面的第六实施方式中，所述通过所述生产节点参数集合对所述初始供应链流程进行流程调整，得到目标供应链流程，同时，通过所述目标供应链流程对所述初始智能生产方案进行方案修正，得到目标智能生产方案，包括：
对所述生产节点参数集合进行基于预设参数标准的参数变化分析，得到变化参数集合；
对所述变化参数集合进行参数变化幅度分析，得到参数变化幅度集合；
对所述参数变化幅度集合进行数值筛选，得到符合预设阈值的多个目标参数变化幅度；
基于多个所述目标参数变化幅度对所述初始供应链流程进行变化环节筛选，得到多个待调整供应链子环节；
对每个所述待调整供应链子环节进行调整数据匹配，得到每个所述待调整供应链子环节的目标调整数据；
通过每个所述待调整供应链子环节的目标调整数据对所述初始供应链流程进行流程调整，得到目标供应链流程，同时，通过所述目标供应链流程对所述初始智能生产方案进行方案修正，得到目标智能生产方案。
本发明第二方面提供了一种服装快速生产管理系统，所述一种服装快速生产管理系统包括：
获取模块，用于获取服装生产方案，并基于所述服装生产方案通过预置的数据采集终端采集预设的服装设计图纸数据，得到目标服装设计图纸，同时，采集与所述目标服装设计图纸对应的面料采购信息；
样板构建模块，用于通过所述目标服装设计图纸进行数字化样板构建，得到与所述服装生产方案对应的数字化样板集合；
方案构建模块，用于通过所述面料采购信息，对所述数字化样板集合进行供应链流程构建，得到初始供应链流程，同时，通过所述初始供应链流程进行智能生产方案构建，得到初始智能生产方案；
采集模块，用于执行所述初始智能生产方案，并通过预置的图像采集终端采集在执行所述初始智能生产方案过程中的服装图片，得到服装图片集合；
提取模块，用于对所述服装图片集合进行生产节点参数提取，得到生产节点参数集合；
调整模块，用于通过所述生产节点参数集合对所述初始供应链流程进行流程调整，得到目标供应链流程，同时，通过所述目标供应链流程对所述初始智能生产方案进行方案修正，得到目标智能生产方案。
本发明第三方面提供了一种服装快速生产管理设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述一种服装快速生产管理设备执行上述的一种服装快速生产管理方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的一种服装快速生产管理方法。
本发明提供的技术方案中，获取服装生产方案，并基于服装生产方案通过预置的数据采集终端采集预设的服装设计图纸数据，得到目标服装设计图纸，同时，采集与目标服装设计图纸对应的面料采购信息；通过目标服装设计图纸进行数字化样板构建，得到与服装生产方案对应的数字化样板集合；通过面料采购信息，对数字化样板集合进行供应链流程构建，得到初始供应链流程，同时，通过初始供应链流程进行智能生产方案构建，得到初始智能生产方案；执行初始智能生产方案，并通过预置的图像采集终端采集在执行初始智能生产方案过程中的服装图片，得到服装图片集合；对服装图片集合进行生产节点参数提取，得到生产节点参数集合；通过生产节点参数集合对初始供应链流程进行流程调整，得到目标供应链流程，同时，通过目标供应链流程对初始智能生产方案进行方案修正，得到目标智能生产方案。在本申请方案中，通过基于服装生产方案的数字化样板构建和智能生产方案的执行，能够减少传统生产流程中的手工操作和时间消耗，从而提高生产效率。通过采集预设的服装设计图纸数据和服装图片，结合生产节点参数提取，可以实现更为精确的定制化生产，满足不同客户需求。使用数字化样板和智能生产方案可以减少人为错误的风险，避免了由人工操作引起的误差，提高了生产质量。通过预置的数据采集终端，可以实时采集服装设计图纸数据、面料采购信息以及在生产过程中的服装图片，从而使决策和调整更加及时和精确。基于面料采购信息和生产节点参数集合，可以根据实际情况对供应链流程进行调整，使其更加贴合生产需求，从而降低成本并提升生产效率。
附图说明
图1为本发明实施例中一种服装快速生产管理方法的一个实施例示意图；
图2为本发明实施例中对数字化样板集合进行供应链流程构建的流程图；
图3为本发明实施例中通过初始供应链流程进行智能生产方案构建的流程图；
图4为本发明实施例中对服装图片集合进行生产节点参数提取的流程图；
图5为本发明实施例中一种服装快速生产管理系统的一个实施例示意图；
图6为本发明实施例中一种服装快速生产管理设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种服装快速生产管理方法及管理系统，用于提高一种服装快速生产管理的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中一种服装快速生产管理方法的一个实施例包括：
S101、获取服装生产方案，并基于服装生产方案通过预置的数据采集终端采集预设的服装设计图纸数据，得到目标服装设计图纸，同时，采集与目标服装设计图纸对应的面料采购信息；
可以理解的是，本发明的执行主体可以为一种服装快速生产管理系统，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，服务器将提供服装的设计要求、样式、规格等信息。服务器将提供有关所需面料和材料的信息。服务器将结合设计要求和材料信息，制定出完整的服装生产方案，包括生产流程、时间表、质量标准等。这个过程需要团队协作，确保各方的需求得到充分考虑。通过预置的数据采集终端进行服装设计图纸数据的采集。这些终端可以是数字绘图板、移动设备或计算机。服务器使用这些终端将手绘图纸转化为数字化的设计图纸。这些数字化的设计图纸将更容易存储、传输和修改，从而提高了生产方案的灵活性和可管理性。例如，假设一家服装公司决定生产一批新款夏季上衣。服务器制定了上衣的款式、尺寸和图案。服务器根据设计要求选择了适合的面料。服务器将设计要求和面料信息结合起来，制定了生产方案，包括剪裁、缝制、印花等环节。服务器使用预置的数据采集终端将手绘的上衣设计图纸数字化。这可以通过绘图板上的电子笔，将图纸逐步转化为数字格式。同时，服务器使用终端记录面料的种类、数量和供应商信息。这些数字化的数据被收集并储存在数据库中。在数据采集完成后，服务器将根据设计图纸数据和面料采购信息生成目标服装设计图纸。这些图纸将反映出实际生产所需的各种细节，如尺寸、缝制要点、印花位置等。面料采购信息也将与相应的设计图纸关联起来，确保所使用的面料与设计要求一致。
S102、通过目标服装设计图纸进行数字化样板构建，得到与服装生产方案对应的数字化样板集合；
具体的，服务器首先从目标服装设计图纸中提取出与服装材质相关的信息。可以通过CAD软件进行，服务器使用不同的颜色或图案填充来标识不同的材质部分。通过分析图纸上的这些标识，服务器提取出每个部分所使用的材质类型，如棉布、丝绸等，以及每个部分的颜色和纹理等参数。在设计图纸中也包含了关于服装尺寸的信息，如长度、宽度、高度等。通过CAD软件，可以精确地提取出这些尺寸数据。服务器在图纸上添加标记，标识出每个部分的尺寸，或者使用CAD工具测量出各个部分的尺寸。这些尺寸数据将用于后续的三维模型构建。基于提取到的服装材质参数和服装尺寸数据集合，可以开始构建服装的三维模型。这可以使用三维建模软件，如Blender、Rhino等来完成。在建模软件中，服务器根据提取到的信息，逐步创建每个部分的几何形状，然后将它们组合成一个完整的三维模型。模型可以包括衣物的外形、细节、纹理等。例如，考虑一家服装公司要生产一款上衣。服务器绘制了手绘的设计图纸，标明了上衣的各个部分，如上身、下摆、领口等。在数字化样板构建过程中，服务器首先使用CAD软件将这些手绘图纸导入，并通过填充不同颜色来标识不同的材质区域，如上身区域填充红色代表棉布，下摆区域填充蓝色代表丝绸。服务器使用CAD工具测量各个部分的尺寸，如上身长度、腰围、裙摆宽度等。这些尺寸数据被准确提取出来，准备用于三维模型的构建。服务器使用三维建模软件开始构建上衣的三维模型。根据提取到的材质参数，上身部分被赋予棉布的外观和质感，裙摆部分被赋予丝绸的光泽。根据尺寸数据，模型的每个部分的几何形状被逐步创建，细节如褶皱、领口、袖口等也被精细地建模。通过三维建模软件，服务器生成了与服装生产方案对应的数字化样板集合。这些三维模型可以在虚拟环境中进行旋转、缩放、查看不同角度，以确保设计和尺寸的准确性。这些模型还可以用于模拟不同材质在光照下的效果，帮助服务器和生产团队更好地理解最终服装的外观。
S103、通过面料采购信息，对数字化样板集合进行供应链流程构建，得到初始供应链流程，同时，通过初始供应链流程进行智能生产方案构建，得到初始智能生产方案；
具体的，在数字化样板构建后，服务器从面料采购信息中提取面料的种类数据。这可以通过将面料信息进行分类，将不同种类的面料进行区分，如棉布、丝绸、毛料等。将提取到的面料采购信息与供应商数据进行匹配。每个面料种类有多个供应商提供，根据面料的特性、质量要求、价格等因素，将面料采购信息与合适的供应商信息相匹配。基于多个面料种类数据以及多个供应商信息，构建库存管理策略。这包括确定每个面料种类的订购数量、库存水平、补货频率等。根据供应商的交货时间和面料的消耗率，制定合理的库存管理计划，以确保在生产时能够及时获得所需材料。使用数字化样板集合和库存管理策略，计算目标生产时限。这需要考虑面料的采购时间、库存补货时间、生产准备时间等因素。通过综合考虑这些时间要素，确定一个合理的生产时限，确保在规定时间内完成生产。基于计算得到的目标生产时限，对数字化样板集合进行供应链流程构建。这包括从面料订购、库存管理、生产流程、质检等各个环节，确保在生产时限内按照顺序完成各项任务。基于初始供应链流程，构建智能生产方案。涉及生产流程的安排、人员分配、机器调度等。通过智能算法和数据分析，优化生产流程，提高生产效率和质量。例如，考虑一家运动服装公司，要生产一批新款运动裤。服务器已经创建了数字化样板集合，面料服务器已经确定需要两种面料：透气棉布和弹性纤维。供应商A提供透气棉布，供应商B提供弹性纤维。在库存管理策略构建阶段，公司决定对透气棉布和弹性纤维分别订购500米和300米，以保持库存水平。根据供应商的交货时间，服务器制定了库存补货频率，确保库存始终充足。通过数字化样板集合和库存管理策略，计算得到目标生产时限为3周。根据这个时限，服务器开始构建供应链流程，从面料订购、面料检验、裁剪、缝制、质检等环节，确保在3周内完成生产。基于初始供应链流程，服务器开始构建智能生产方案。利用生产数据、机器效率等信息，服务器优化了生产流程，确保生产在规定时间内高效完成。
其中，初始供应链流程中包含了多个子环节，如面料采购、裁剪、缝制、质检等。从每个子环节中，提取相关的数据，包括每个环节的时限、成本数据以及资源使用数据。这些数据可以是预估的，也可以是历史数据分析得出的。将从不同子环节提取的数据进行整合，形成每个子环节的完整数据集。这将包括时限、成本、资源使用等信息，用于后续的模拟生产和智能方案构建。将整合的数据集输入预置的模拟生产模型中，进行服装生产的模拟。这个模型可以是基于计算机仿真的，通过模拟各个生产环节的流程和资源使用情况，得出预计的生产数据。将模拟生产得到的数据与现实情况的约束条件进行匹配。这些约束条件可以包括生产时限、资源可用性、成本预算等。通过匹配，确定哪些模拟生产数据是可行的，哪些需要进一步调整。根据约束条件匹配的结果，构建每个子环节的生产节点。每个节点包含所需的资源、工作人员、机器设备等信息，以及在约束条件下的预计时间和成本。例如，考虑一家制造商要生产一款男士休闲上衣。服务器已经建立了初始供应链流程，包括面料采购、裁剪、缝制、熨烫、包装等子环节。从这些环节中，提取了每个环节的时限、成本数据和资源使用数据。通过数据整合，将每个子环节的数据集整合成完整的数据集。将这些数据输入预置的模拟生产模型中，进行休闲上衣的生产模拟。模拟得到了不同环节的生产时间、成本以及所需资源。将模拟生产数据与现实约束条件匹配。公司设定了生产时限为2周，预算成本不超过10000元。根据匹配结果，确定了哪些生产数据是符合约束条件的。基于约束条件匹配的结果，构建了每个子环节的生产节点。例如，在缝制环节，确定了所需的缝纫工、机器设备以及预计时间和成本。类似地，其他环节也得到了对应的生产节点。通过每个生产节点的数据，构建了初始智能生产方案。这个方案考虑了各个环节的资源和时间限制，确保生产在预定时限内完成，并在预算内控制成本。
S104、执行初始智能生产方案，并通过预置的图像采集终端采集在执行初始智能生产方案过程中的服装图片，得到服装图片集合；
具体的，在智能生产方案中，根据前面的数据整合和约束条件匹配，确定了每个生产环节的具体安排、资源配置、时间节点等。这个方案将指导整个生产过程，确保在预定的时限内高效地完成衣服的制造。在生产车间的各个环节，设置预置的图像采集终端。这些终端可以是摄像头、手机、平板电脑等设备，用于捕捉实际生产过程中的衣服图片。终端应该在适当的位置安装，以便捕捉衣服在不同生产阶段的图像。在衣服制造的每个关键阶段，预置的图像采集终端会自动或手动拍摄衣服的照片。这些关键阶段可以包括裁剪、缝制、质检等。通过捕捉这些照片，可以记录下每个阶段的衣服状态、外观和质量。通过图像采集终端采集的照片，形成服装图片集合。这个集合会包含从原材料到最终成品的各个生产阶段的图片。这些图片可以形成一个时间序列，展示整个制造过程中的衣服变化和进展。例如，考虑一家制造商正在生产一批男士上衣。服务器执行了初始智能生产方案，按照预定的生产计划，分别进行面料裁剪、缝制、熨烫和质检。在每个生产环节，制造商都设置了预置的图像采集终端。例如，在面料裁剪环节，服务器在裁剪台上安装了摄像头，以便在裁剪过程中自动拍摄衣料的照片。同样，在缝制环节，每个缝纫机旁边都有一个平板电脑，由工人手动捕捉正在缝制的衣服照片。随着生产的进行，预置的图像采集终端自动或手动拍摄了衣服在不同阶段的照片。这些照片记录了面料裁剪的大小、缝制的线迹、熨烫的质量以及质检的结果等。在生产完成后，这家制造商获得了一个丰富的服装图片集合。通过对这些图片的分析，服务器检查每个生产环节的质量和细节，确保每件上衣都符合标准。这些图片还可以在市场宣传中使用，展示服务器的生产过程和产品品质。
S105、对服装图片集合进行生产节点参数提取，得到生产节点参数集合；
具体的，从服装图片集合中，逐帧提取每个服装图片的像素数据。这可以通过图像处理技术实现，将每个图片分解为一系列像素，以便后续分析。基于每个服装图片的像素数据集合，对每个图片进行生产节点标定。这意味着将每个图片与特定生产阶段关联起来，例如裁剪、缝制、熨烫等。通过像素数据集合，进行纺织密度分析。这意味着分析每个生产阶段中像素的分布情况，可以通过计算像素的平均值、标准差等来了解纺织密度的变化情况。基于纺织密度数据，构建密度变化曲线。这些曲线将显示每个生产阶段中纺织密度的变化情况，可以用于观察每个环节的细节变化。通过分析密度变化曲线，计算出每个生产阶段的密度变化幅度。这将揭示每个环节中纺织密度的变化程度，有助于发现问题或优化生产流程。基于密度变化幅度，生成密度变化趋势数据。这些数据将说明每个生产阶段中密度的变化趋势，例如逐渐增加或减少，以及变化的速率。通过每个生产节点的密度变化趋势数据，进行生产节点参数的提取。这些参数将反映出每个生产环节中纺织密度的关键特征，包括变化幅度、趋势、速率等。例如，一家服装制造公司正在生产一款上衣。在生产过程中，预置的图像采集终端在每个生产阶段拍摄了上衣的照片。通过对这些照片的像素逐帧提取，得到了每个阶段的像素数据集合。通过像素数据集合，对每个生产阶段的上衣图片进行了生产节点标定，以便将每个图片与特定阶段关联。基于标定的图片，进行了纺织密度分析，得出每个生产阶段的纺织密度数据。通过这些数据构建了每个生产阶段的密度变化曲线，描绘了密度在整个制造过程中的变化情况。通过分析密度变化曲线，确定了密度的变化幅度。这可以是相对的百分比变化，也可以是绝对值的变化量。将密度变化幅度和趋势数据用于生产节点参数提取。这些参数可以用于生产监控、质量分析和优化决策，有助于提高上衣的制造效率和品质。
其中，基于每个服装图片对应的生产节点集合，进行图像特征提取。这可以包括颜色直方图、纹理特征、形状特征等。这些特征能够描述图像的不同方面，有助于区分不同生产节点的图片。对每个服装图片进行边缘检测，以提取出纺织线条的轮廓。这些线条轮廓可以通过边缘检测算法如Canny算法等获得。通过纺织线条轮廓，计算纺织线条的数量。同时，通过分析线条之间的间隔，得到线条之间的距离信息。这些信息可以用来推测纺织密度的变化。基于纺织线条数量和间隔数据，对每个图片进行线条特征提取。这可以包括线条的长度、宽度、分布情况等。将图像特征和线条特征进行融合，得到每个图片对应的目标密度特征。这些特征将综合反映每个生产节点中纺织密度的变化。基于目标密度特征，进行纺织密度计算。这可以是一个定量值，用于量化每个生产节点中纺织密度的变化情况。例如，假设一家服装公司正在生产一款上衣。在生产过程中，预置的图像采集终端在每个生产阶段拍摄了上衣的照片。通过图像特征提取，获取了每个生产阶段图片的颜色、纹理等特征。进行边缘检测，提取出每个阶段纺织线条的轮廓。通过轮廓，计算了纺织线条的数量和线条间隔。基于纺织线条数量和间隔数据，对每个图片进行线条特征提取。这包括线条的长度、宽度以及分布情况。将图像特征和线条特征进行融合，得到每个图片的目标密度特征。这些特征将综合反映每个生产节点中上衣材料的密度变化。基于目标密度特征，进行纺织密度计算。这将得出每个生产节点中上衣材料的纺织密度，从而揭示出密度的变化趋势。
S106、通过生产节点参数集合对初始供应链流程进行流程调整，得到目标供应链流程，同时，通过目标供应链流程对初始智能生产方案进行方案修正，得到目标智能生产方案。
具体的，对生产节点参数集合进行基于预设参数标准的分析。将实际参数与预设参数进行比较，找出在不同生产环节中的变化情况。例如，对比实际纺织密度与预设标准密度。通过参数变化分析，计算每个参数的变化幅度。这可以是相对的百分比变化，也可以是绝对值的变化量。这将揭示出每个生产节点中参数的变化程度。基于变化幅度分析，对变化幅度集合进行筛选，选出那些超过预设阈值的目标参数变化幅度。这些参数变化幅度被视为需要优化的关键环节。基于选定的目标参数变化幅度，对初始供应链流程进行筛选，找出与这些关键参数变化相关的供应链子环节。这些子环节将成为待调整的对象。对待调整供应链子环节进行调整数据匹配。为每个子环节找到适当的调整数据，以优化参数变化情况。例如，调整纺织密度的生产工艺。通过目标调整数据，对初始供应链流程进行调整。这可以涉及更改生产顺序、调整资源分配等，以最大程度地减小关键参数的变化幅度。同时，通过调整后的供应链流程，对初始智能生产方案进行修正，以确保方案与调整后的流程相匹配。例如，考虑一家制造商正在生产一批裤子。通过参数变化分析，服务器发现在裁剪、缝制和后整理等环节中，纺织密度出现了一些变化。通过计算变化幅度，服务器确定了裁剪环节的纺织密度变化最大。基于裁剪环节纺织密度变化的重要性，服务器筛选了与此相关的供应链子环节。服务器匹配了适当的调整数据，例如使用更精准的裁剪工艺。通过调整数据，服务器对初始供应链流程进行了调整，确保裁剪环节的纺织密度变化最小化。同时，服务器根据调整后的流程，修正了初始智能生产方案，以确保方案与新的供应链流程一致。
本发明实施例中，通过基于服装生产方案的数字化样板构建和智能生产方案的执行，能够减少传统生产流程中的手工操作和时间消耗，从而提高生产效率。通过采集预设的服装设计图纸数据和服装图片，结合生产节点参数提取，可以实现更为精确的定制化生产，满足不同客户需求。使用数字化样板和智能生产方案可以减少人为错误的风险，避免了由人工操作引起的误差，提高了生产质量。通过预置的数据采集终端，可以实时采集服装设计图纸数据、面料采购信息以及在生产过程中的服装图片，从而使决策和调整更加及时和精确。基于面料采购信息和生产节点参数集合，可以根据实际情况对供应链流程进行调整，使其更加贴合生产需求，从而降低成本并提升生产效率。
在一具体实施例中，执行步骤S102的过程可以具体包括如下步骤：
（1）对目标服装设计图纸进行服装材质提取，得到目标服装设计图纸对应的服装材质参数；
（2）对目标服装设计图纸进行服装尺寸数据提取，得到对应的服装尺寸数据集合；
（3）基于服装材质参数以及服装尺寸数据集合对服装设计图纸进行服装三维模型构建，得到与服装生产方案对应的数字化样板集合。
具体的，服务器首先从中提取出服装的材质信息。这可以通过图像处理和图形识别技术实现。例如，通过颜色、纹理等特征来识别图纸上不同部分的材质类型，如面料、皮革等。从目标服装设计图纸中提取出服装的尺寸数据。这可以通过图像处理和几何分析技术实现。例如，从图纸中测量不同部分的长度、宽度、高度等尺寸信息。基于提取的材质参数和尺寸数据，可以开始构建服装的三维模型。这一过程涉及计算机辅助设计（CAD）技术。根据图纸中的材质信息，将不同部分的材质赋予相应的三维模型。同时，根据提取的尺寸数据，确定模型的几何形状和大小。通过对服装设计图纸的材质参数和尺寸数据进行三维模型构建，可以生成与服装生产方案对应的数字化样板集合。每个样板代表了一种特定的设计，包括材质、尺寸和几何形状等信息。假设一家服装公司正在设计一款新款男士上衣。从设计图纸中提取出不同部分的材质信息。例如，上衣的外层是棉质面料，内里是涤纶内衬。通过图像处理，将不同部分的材质进行分类和识别。提取图纸上的尺寸数据。服务器测量了上衣的肩宽、袖长、胸围等尺寸信息。基于提取的材质参数和尺寸数据，服务器使用CAD软件开始构建男士上衣的三维模型。服务器根据材质信息将外层和内里的模型分开，并根据尺寸数据调整模型的形状和大小。通过将材质参数和尺寸数据应用于三维模型，服务器生成了多个数字化样板，每个样板代表了一种设计。例如，服务器创建一个棉质外层和涤纶内衬的样板，同时根据尺寸数据生成合适尺寸的模型。
在一具体实施例中，如图2所示，执行步骤S103的过程可以具体包括如下步骤：
S201、对面料采购信息进行面料种类提取，得到多个面料种类数据；
S202、对面料采购信息进行供应商数据匹配，得到面料采购信息对应的多个供应商信息；
S203、通过多个面料种类数据以及多个供应商信息进行库存管理策略构建，得到目标库存管理策略；
S204、通过数字化样板集合以及目标库存管理进行生产时限计算，得到目标生产时限；
S205、通过目标生产时限对数字化样板集合进行供应链流程构建，得到初始供应链流程；
S206、通过初始供应链流程进行智能生产方案构建，得到初始智能生产方案。
具体的，服务器从面料采购信息中提取不同面料的种类。可以通过文本处理技术，如自然语言处理（NLP），来识别面料名称、描述等关键信息，从而将面料信息进行分类。将面料采购信息与供应商数据进行匹配，以获得每种面料对应的供应商信息。这需要建立一个供应商数据库，将面料种类与供应商关联起来。匹配可以基于面料种类、质量、价格等因素进行。基于面料种类和供应商信息，构建库存管理策略。这涉及到确定每种面料的最佳订购数量、再订购点等参数，以确保面料的及时供应和库存控制。利用库存管理策略和面料供应信息，计算出每种面料所需的采购和供应时间。这将有助于确定整个生产流程中的面料供应时限。基于面料的供应时限，将数字化样板集合与库存管理策略相结合，构建供应链流程。这将指导在不同时间点采购和供应面料，以确保生产流程的顺利进行。通过初始供应链流程，进行智能生产方案构建。这将考虑面料供应时间、生产节点的时间和资源分配等因素，以制定一个最优的生产计划。例如，假设一家服装制造公司正在设计一款夏季男士上衣。从面料采购信息中提取面料的种类。服务器确定了三种面料：棉质、麻质和丝绸。将面料采购信息与供应商数据匹配。服务器从供应商数据库中找到了每种面料的供应商，包括不同供应商的价格、质量评价等信息。基于面料种类和供应商信息，服务器制定了库存管理策略。例如，对于高销量的棉质面料，服务器确定了适量的最佳库存和再订购点。通过库存管理策略和面料供应信息，服务器计算了每种面料的采购和供应时间。例如，某种面料需要提前2周订购，供应商需要1周的时间交货。基于面料供应时限和库存管理策略，服务器构建了供应链流程。这将指导服务器何时采购面料，以确保在生产期间有足够的库存。通过初始供应链流程，服务器制定了智能生产方案。这将考虑面料供应时间、生产节点的时间和资源分配，以确保在规定时限内完成生产。
在一具体实施例中，如图3所示，执行步骤S206的过程可以具体包括如下步骤：
S301、对初始供应链流程进行多类型数据提取，得到对应的多类型数据集，其中，多类型数据集包括：每个供应链子环节的时限、每个供应链子环节的成本数据以及供应链子环节的资源使用数据；
S302、分别对每个供应链子环节的时限、每个供应链子环节的成本数据以及供应链子环节的资源使用数据进行数据整合，得到每个供应链子环节的整合数据；
S303、将每个供应链子环节的整合数据输入预置的模拟生产模型进行服装生产模拟，得到服装模拟生产数据；
S304、对服装模拟生产数据进行约束条件匹配，得到生产约束条件集合；
S305、通过生产约束条件集合对服装模拟生产数据进行生产节点构建，得到多个生产节点；
S306、对多个生产节点进行数据匹配，得到每个生产节点对应的生产数据；
S307、通过每个生产节点对应的生产数据进行智能生产方案构建，得到初始智能生产方案。
具体的，服务器从初始供应链流程中提取多种类型的数据，包括每个供应链子环节的时限、成本数据和资源使用数据。这些数据是每个环节的关键参数，影响着整个生产过程。对每个供应链子环节的时限、成本数据和资源使用数据进行分别整合。这可以是数值的加总、平均值计算，或者是其他更复杂的数据处理方法，以获得每个子环节的整合数据。将整合的数据输入预置的模拟生产模型中，进行服装生产的模拟。这个模型将考虑不同供应链环节之间的关系，以及资源分配和时间的约束条件，从而模拟出一个的生产过程。将模拟生产数据与实际生产中的约束条件进行匹配。这些约束条件涉及生产能力、资源可用性、时间限制等。匹配的目的是确保模拟数据与实际生产情况相符。基于匹配后的模拟生产数据，构建多个生产节点。每个节点代表供应链中的一个环节，包括所需时间、成本、资源使用等。利用每个生产节点的数据，构建智能生产方案。这将考虑到不同节点之间的依赖关系、资源分配的最优化，以及如何在整个生产周期内最大程度地减少成本和时间。例如，假设一家服装公司正在设计一款礼服。从初始供应链流程中提取每个供应链子环节的时限、成本数据和资源使用数据。服务器获得了每个环节的数据，如面料采购、剪裁、缝制、装饰等。对每个子环节的数据进行整合。例如，服务器计算了每个环节的平均所需时间、预期成本和资源利用率。将整合的数据输入预置的模拟生产模型中，进行礼服生产的模拟。服务器模拟了每个环节的操作流程，资源的分配情况，以及的生产时间。基于生产约束条件，服务器对模拟生产数据进行匹配。例如，服务器确保模拟数据考虑了制作特殊装饰时的延迟，以及所需的专业工人。根据匹配后的数据，服务器构建了多个生产节点，如面料采购节点、缝制节点、装饰节点等。通过每个生产节点的数据，服务器制定了智能生产方案。例如，服务器确定如何在最短的时间内完成装饰过程，如何合理分配工人和材料，以及如何避免资源浪费。
在一具体实施例中，如图4所示，执行步骤S105的过程可以具体包括如下步骤：
S401、对服装图片集合中每个服装图片进行像素逐帧提取，得到每个服装图片的像素数据集合；
S402、通过每个服装图片的像素数据集合对每个服装图片进行生产节点标定，得到每个服装图片对应的生产节点集合；
S403、基于每个服装图片对应的生产节点集合，分别对每个服装图片进行纺织密度分析，得到每个服装图片对应的纺织密度数据集；
S404、通过每个服装图片对应的纺织密度数据集进行密度变化曲线构建，得到每个服装图片对应的目标密度变化曲线；
S405、基于每个服装图片对应的目标密度变化曲线进行变化幅度分析，得到每个服装图片对应的密度变化幅度，并通过每个服装图片对应的密度变化幅度生成每个服装图片对应的密度变化趋势数据；
S406、通过每个服装图片对应的密度变化趋势数据对服装图片集合进行生产节点参数提取，得到生产节点参数集合。
具体的，服务器将每个服装图片拆解为像素逐帧，即将图像分解为像素矩阵。每个像素点包含颜色信息，如RGB值，以及位置信息。通过分析每个像素帧的颜色、纹理等特征，将每个像素帧与的生产节点关联起来。例如，不同颜色的像素代表不同材料的使用，从而关联到不同的生产节点。根据生产节点标定，分析每个像素帧中的纺织结构密度。这涉及到图像处理算法，用于检测织物的纹理和密度变化。对于每个服装图片，根据纺织密度分析的结果，构建密度随时间变化的曲线。这个曲线反映了图像中纺织密度的变化趋势。通过分析密度变化曲线，计算每个像素帧中纺织密度的变化幅度。这将有助于了解不同部分的密度变化幅度。根据变化幅度分析的结果，生成每个像素帧对应的密度变化趋势数据。这些数据可以描述在生产过程中纺织密度的变化。基于密度变化趋势数据，提取与每个像素帧关联的生产节点参数。这些参数包括纺织工艺、织物材料、缝纫方式等。例如，考虑一家服装公司正在设计一款具有渐变颜色纹理的上衣。服务器将上衣设计图转化为像素逐帧，即将图像分解为像素点的矩阵。通过分析每个像素帧的颜色、纹理等特征，将每个像素帧与的生产节点关联起来。例如，较浅的颜色代表面料准备，而渐变纹理与染色或印花相关联。根据生产节点标定，服务器分析每个像素帧中的纺织结构密度。这涉及到计算颜色变化和图案变化的频率。基于纺织密度分析的结果，服务器构建了每个像素帧的密度变化曲线。这将揭示出图像中纺织密度的变化趋势。通过分析密度变化曲线，服务器计算了每个像素帧中纺织密度的变化幅度。这帮助服务器了解不同部分的纺织密度变化情况。根据变化幅度分析的结果，服务器生成了每个像素帧的密度变化趋势数据。这些数据描述了上衣纺织密度在生产过程中的变化情况。基于密度变化趋势数据，服务器提取了每个像素帧对应的生产节点参数。例如，服务器确定了不同颜色和纹理变化所需的染色或印花工艺。
在一具体实施例中，执行步骤S403的过程可以具体包括如下步骤：
（1）通过每个服装图片对应的生产节点集合，分别对每个服装图片进行图像特征提取，得到每个服装图片对应的第一密度特征集合；
（2）分别对每个服装图片进行边缘检测，得到每个服装图片对应的纺织线条轮廓；
（3）通过每个服装图片对应的纺织线条轮廓进行纺织线条数量计算，得到每个服装图片对应的纺织线条数量，同时，通过每个服装图片对应的纺织线条轮廓进行线条间隔计算，得到每个服装图片对应间隔数据集合；
（4）基于每个服装图片对应的纺织线条数量以及每个服装图片对应间隔数据集合，分别对每个服装图片进行线条特征提取，得到每个服装图片对应的第二密度特征集合；
（5）分别对每个服装图片对应的第一密度特征集合以及每个服装图片对应的第二密度特征集合进行特征融合，得到每个服装图片对应的目标密度特征；
（6）通过每个服装图片对应的目标密度特征分别对每个服装图片进行纺织密度计算，得到每个服装图片对应的纺织密度数据集。
具体的，通过每个服装图片对应的生产节点集合，对每个服装图片进行图像特征提取。图像特征可以包括颜色直方图、纹理特征、形状特征等，以描述图像的视觉特点。对每个服装图片进行边缘检测，以便检测出图像中的纺织线条轮廓。可以通过边缘检测算法如Canny或Sobel来实现。基于纺织线条轮廓，计算每个服装图片中的纺织线条数量。这可以通过计算轮廓的个数来实现，每个轮廓代表一个纺织线条。通过纺织线条轮廓，计算每个服装图片中纺织线条的间隔情况。可以测量线条之间的距离，以描述图案的密度和布局。基于纺织线条轮廓，提取线条的特征，如长度、角度、弯曲度等。这些特征可以用于描述纺织结构的复杂性和形状。将图像特征与线条特征融合，得到每个服装图片的综合特征。这些特征反映了图像的视觉特征和纺织结构特点。通过融合后的特征，生成每个服装图片的目标密度特征。这些特征可以用于描述纺织结构的密度和形状变化。基于目标密度特征，计算每个服装图片的纺织密度。可以通过将特征与事先建立的模型进行比较，从而得出密度估计。例如，假设一家服装公司正在设计一款具有特定纺织线条和图案的上衣。对每个服装图片进行图像特征提取，包括颜色直方图、纹理特征等。这将提供图像的视觉描述。进行纺织线条轮廓检测，以便捕捉纺织结构。服务器通过边缘检测算法获得了纺织线条轮廓。基于纺织线条轮廓，服务器计算了每个服装图片中的纺织线条数量和线条间隔。这帮助服务器了解图案的密度和分布。提取线条特征，如线条长度、角度等，以描述纺织结构的形状。通过融合图像特征和线条特征，服务器生成了每个服装图片的目标密度特征。这些特征反映了图像的视觉特点和纺织结构。基于目标密度特征，服务器计算了每个服装图片的纺织密度。这有助于服务器了解不同部分的密度变化，优化生产工艺，确保产品质量。
在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：
（1）对生产节点参数集合进行基于预设参数标准的参数变化分析，得到变化参数集合；
（2）对变化参数集合进行参数变化幅度分析，得到参数变化幅度集合；
（3）对参数变化幅度集合进行数值筛选，得到符合预设阈值的多个目标参数变化幅度；
（4）基于多个目标参数变化幅度对初始供应链流程进行变化环节筛选，得到多个待调整供应链子环节；
（5）对每个待调整供应链子环节进行调整数据匹配，得到每个待调整供应链子环节的目标调整数据；
（6）通过每个待调整供应链子环节的目标调整数据对初始供应链流程进行流程调整，得到目标供应链流程，同时，通过目标供应链流程对初始智能生产方案进行方案修正，得到目标智能生产方案。
具体的，服务器从生产节点参数集合中提取各个生产节点的参数，并基于预设的参数标准进行分析。这涉及参数的变化范围、限制和影响。对每个参数的变化幅度进行分析，确定参数在允许范围内的变化幅度。这有助于确定哪些参数需要调整。将参数变化幅度与预设的阈值进行比较，筛选出那些超过阈值的参数变化。这些参数变化将被视为需要调整的关键参数。基于筛选出的关键参数变化，确定需要调整的供应链子环节。这些环节包括原材料采购、生产时间、工序安排等。为每个待调整供应链子环节匹配适当的调整数据。这些数据包括生产加工时间、原材料替代方案、供应商协调等。根据调整数据，对初始供应链流程进行必要的调整。这可以涉及生产步骤的重新安排、材料供应的调整等。通过调整后的供应链流程对初始智能生产方案进行修正。这可以包括重新安排生产时间、更改资源分配、调整库存策略等。例如，假设一家服装公司正在计划一款新款上衣的生产。从生产节点参数集合中提取各个生产节点的参数，如原材料采购时间、制作时间、运输时间等。服务器根据预设的参数标准，分析这些参数的变化范围和影响。服务器对每个参数的变化幅度进行分析，确定哪些参数需要调整。例如，如果原材料供应时间超出了可接受的范围，服务器将标记该参数为需要调整。基于阈值，服务器筛选出需要调整的关键参数变化。例如，原材料的延迟供应会导致生产时间的推迟，因此服务器将这些参数标记为关键参数。根据关键参数的变化，服务器确定了需要调整的供应链子环节。例如，原材料采购环节需要协调与供应商的通信以减少延迟。服务器为每个待调整供应链子环节匹配适当的调整数据。例如，服务器与供应商协商，以获得更准确的交货时间。基于调整数据，服务器对初始供应链流程进行了调整，重新安排了生产步骤和供应链子环节。服务器根据调整后的供应链流程修正了初始智能生产方案。这包括调整生产时限、重新分配资源等，以确保生产进程的顺利进行。
上面对本发明实施例中一种服装快速生产管理方法进行了描述，下面对本发明实施例中一种服装快速生产管理系统进行描述，请参阅图5，本发明实施例中一种服装快速生产管理系统一个实施例包括：
获取模块501，用于获取服装生产方案，并基于所述服装生产方案通过预置的数据采集终端采集预设的服装设计图纸数据，得到目标服装设计图纸，同时，采集与所述目标服装设计图纸对应的面料采购信息；
样板构建模块502，用于通过所述目标服装设计图纸进行数字化样板构建，得到与所述服装生产方案对应的数字化样板集合；
方案构建模块503，用于通过所述面料采购信息，对所述数字化样板集合进行供应链流程构建，得到初始供应链流程，同时，通过所述初始供应链流程进行智能生产方案构建，得到初始智能生产方案；
采集模块504，用于执行所述初始智能生产方案，并通过预置的图像采集终端采集在执行所述初始智能生产方案过程中的服装图片，得到服装图片集合；
提取模块505，用于对所述服装图片集合进行生产节点参数提取，得到生产节点参数集合；
调整模块506，用于通过所述生产节点参数集合对所述初始供应链流程进行流程调整，得到目标供应链流程，同时，通过所述目标供应链流程对所述初始智能生产方案进行方案修正，得到目标智能生产方案。
通过上述各个组成部分的协同合作，通过基于服装生产方案的数字化样板构建和智能生产方案的执行，能够减少传统生产流程中的手工操作和时间消耗，从而提高生产效率。通过采集预设的服装设计图纸数据和服装图片，结合生产节点参数提取，可以实现更为精确的定制化生产，满足不同客户需求。使用数字化样板和智能生产方案可以减少人为错误的风险，避免了由人工操作引起的误差，提高了生产质量。通过预置的数据采集终端，可以实时采集服装设计图纸数据、面料采购信息以及在生产过程中的服装图片，从而使决策和调整更加及时和精确。基于面料采购信息和生产节点参数集合，可以根据实际情况对供应链流程进行调整，使其更加贴合生产需求，从而降低成本并提升生产效率。
上面图5从模块化功能实体的角度对本发明实施例中的一种服装快速生产管理系统进行详细描述，下面从硬件处理的角度对本发明实施例中一种服装快速生产管理设备进行详细描述。
图6是本发明实施例提供的一种服装快速生产管理设备的结构示意图，该一种服装快速生产管理设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（centralprocessingunits，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对一种服装快速生产管理设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在一种服装快速生产管理设备600上执行存储介质630中的一系列指令操作。
一种服装快速生产管理设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如WindowsServe，MacOSX，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的一种服装快速生产管理设备结构并不构成对一种服装快速生产管理设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种服装快速生产管理设备，所述一种服装快速生产管理设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述一种服装快速生产管理方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述一种服装快速生产管理方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或通过时，可以存储在一个计算机可读取存储介质中。基于的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-onlymemory，ROM）、随机存取存储器（randomacceSmemory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种服装快速生产管理方法，其特征在于，所述一种服装快速生产管理方法包括：
获取服装生产方案，并基于所述服装生产方案通过预置的数据采集终端采集预设的服装设计图纸数据，得到目标服装设计图纸，同时，采集与所述目标服装设计图纸对应的面料采购信息；其中，服务器结合设计要求和材料信息，制定出完整的服装生产方案，服装生产方案包括生产流程、时间表及质量标准；
通过所述目标服装设计图纸进行数字化样板构建，得到与所述服装生产方案对应的数字化样板集合；
通过所述面料采购信息，对所述数字化样板集合进行供应链流程构建，得到初始供应链流程，同时，通过所述初始供应链流程进行智能生产方案构建，得到初始智能生产方案；具体包括：对所述面料采购信息进行面料种类提取，得到多个面料种类数据；对所述面料采购信息进行供应商数据匹配，得到所述面料采购信息对应的多个供应商信息；通过多个所述面料种类数据以及多个所述供应商信息进行库存管理策略构建，得到目标库存管理策略；通过所述数字化样板集合以及所述目标库存管理策略进行生产时限计算，得到目标生产时限；通过所述目标生产时限对所述数字化样板集合进行供应链流程构建，得到初始供应链流程；对所述初始供应链流程进行多类型数据提取，得到对应的多类型数据集，其中，所述多类型数据集包括：每个供应链子环节的时限、每个供应链子环节的成本数据以及供应链子环节的资源使用数据；分别对每个供应链子环节的时限、每个供应链子环节的成本数据以及供应链子环节的资源使用数据进行数据整合，得到每个供应链子环节的整合数据；将每个供应链子环节的整合数据输入预置的模拟生产模型进行服装生产模拟，得到服装模拟生产数据；对所述服装模拟生产数据进行约束条件匹配，得到生产约束条件集合；通过所述生产约束条件集合对所述服装模拟生产数据进行生产节点构建，得到多个生产节点；对多个所述生产节点进行数据匹配，得到每个所述生产节点对应的生产数据；通过每个所述生产节点对应的生产数据进行智能生产方案构建，得到初始智能生产方案；
执行所述初始智能生产方案，并通过预置的图像采集终端采集在执行所述初始智能生产方案过程中的服装图片，得到服装图片集合；
对所述服装图片集合进行生产节点参数提取，得到生产节点参数集合；具体包括：对所述服装图片集合中每个服装图片进行像素逐帧提取，得到每个所述服装图片的像素数据集合；通过每个所述服装图片的像素数据集合对每个所述服装图片进行生产节点标定，得到每个所述服装图片对应的生产节点集合；基于每个所述服装图片对应的生产节点集合，分别对每个所述服装图片进行纺织密度分析，得到每个所述服装图片对应的纺织密度数据集；通过每个所述服装图片对应的纺织密度数据集进行密度变化曲线构建，得到每个所述服装图片对应的目标密度变化曲线；基于每个所述服装图片对应的目标密度变化曲线进行变化幅度分析，得到每个所述服装图片对应的密度变化幅度，并通过每个所述服装图片对应的密度变化幅度生成每个所述服装图片对应的密度变化趋势数据；通过每个所述服装图片对应的密度变化趋势数据对所述服装图片集合进行生产节点参数提取，得到生产节点参数集合；其中，得到每个所述服装图片对应的纺织密度数据集包括：通过每个所述服装图片对应的生产节点集合，分别对每个所述服装图片进行图像特征提取，得到每个所述服装图片对应的第一密度特征集合；分别对每个所述服装图片进行边缘检测，得到每个所述服装图片对应的纺织线条轮廓；通过每个所述服装图片对应的纺织线条轮廓进行纺织线条数量计算，得到每个所述服装图片对应的纺织线条数量，同时，通过每个所述服装图片对应的纺织线条轮廓进行线条间隔计算，得到每个所述服装图片对应间隔数据集合；基于每个所述服装图片对应的纺织线条数量以及每个所述服装图片对应间隔数据集合，分别对每个所述服装图片进行线条特征提取，得到每个所述服装图片对应的第二密度特征集合；分别对每个所述服装图片对应的第一密度特征集合以及每个所述服装图片对应的第二密度特征集合进行特征融合，得到每个所述服装图片对应的目标密度特征；通过每个所述服装图片对应的目标密度特征分别对每个所述服装图片进行纺织密度计算，得到每个所述服装图片对应的纺织密度数据集；
通过所述生产节点参数集合对所述初始供应链流程进行流程调整，得到目标供应链流程，同时，通过所述目标供应链流程对所述初始智能生产方案进行方案修正，得到目标智能生产方案。
2.根据权利要求1所述的一种服装快速生产管理方法，其特征在于，所述通过所述目标服装设计图纸进行数字化样板构建，得到与所述服装生产方案对应的数字化样板集合，包括：
对所述目标服装设计图纸进行服装材质提取，得到所述目标服装设计图纸对应的服装材质参数；
对所述目标服装设计图纸进行服装尺寸数据提取，得到对应的服装尺寸数据集合；
基于所述服装材质参数以及所述服装尺寸数据集合对所述服装设计图纸进行服装三维模型构建，得到与所述服装生产方案对应的数字化样板集合。
3.根据权利要求1所述的一种服装快速生产管理方法，其特征在于，所述通过所述生产节点参数集合对所述初始供应链流程进行流程调整，得到目标供应链流程，同时，通过所述目标供应链流程对所述初始智能生产方案进行方案修正，得到目标智能生产方案，包括：
对所述生产节点参数集合进行基于预设参数标准的参数变化分析，得到变化参数集合；
对所述变化参数集合进行参数变化幅度分析，得到参数变化幅度集合；
对所述参数变化幅度集合进行数值筛选，得到符合预设阈值的多个目标参数变化幅度；
基于多个所述目标参数变化幅度对所述初始供应链流程进行变化环节筛选，得到多个待调整供应链子环节；
对每个所述待调整供应链子环节进行调整数据匹配，得到每个所述待调整供应链子环节的目标调整数据；
通过每个所述待调整供应链子环节的目标调整数据对所述初始供应链流程进行流程调整，得到目标供应链流程，同时，通过所述目标供应链流程对所述初始智能生产方案进行方案修正，得到目标智能生产方案。
4.一种服装快速生产管理系统，其特征在于，所述一种服装快速生产管理系统包括：
获取模块，用于获取服装生产方案，并基于所述服装生产方案通过预置的数据采集终端采集预设的服装设计图纸数据，得到目标服装设计图纸，同时，采集与所述目标服装设计图纸对应的面料采购信息；其中，服务器结合设计要求和材料信息，制定出完整的服装生产方案，服装生产方案包括生产流程、时间表及质量标准；
样板构建模块，用于通过所述目标服装设计图纸进行数字化样板构建，得到与所述服装生产方案对应的数字化样板集合；
方案构建模块，用于通过所述面料采购信息，对所述数字化样板集合进行供应链流程构建，得到初始供应链流程，同时，通过所述初始供应链流程进行智能生产方案构建，得到初始智能生产方案；具体包括：对所述面料采购信息进行面料种类提取，得到多个面料种类数据；对所述面料采购信息进行供应商数据匹配，得到所述面料采购信息对应的多个供应商信息；通过多个所述面料种类数据以及多个所述供应商信息进行库存管理策略构建，得到目标库存管理策略；通过所述数字化样板集合以及所述目标库存管理策略进行生产时限计算，得到目标生产时限；通过所述目标生产时限对所述数字化样板集合进行供应链流程构建，得到初始供应链流程；对所述初始供应链流程进行多类型数据提取，得到对应的多类型数据集，其中，所述多类型数据集包括：每个供应链子环节的时限、每个供应链子环节的成本数据以及供应链子环节的资源使用数据；分别对每个供应链子环节的时限、每个供应链子环节的成本数据以及供应链子环节的资源使用数据进行数据整合，得到每个供应链子环节的整合数据；将每个供应链子环节的整合数据输入预置的模拟生产模型进行服装生产模拟，得到服装模拟生产数据；对所述服装模拟生产数据进行约束条件匹配，得到生产约束条件集合；通过所述生产约束条件集合对所述服装模拟生产数据进行生产节点构建，得到多个生产节点；对多个所述生产节点进行数据匹配，得到每个所述生产节点对应的生产数据；通过每个所述生产节点对应的生产数据进行智能生产方案构建，得到初始智能生产方案；
采集模块，用于执行所述初始智能生产方案，并通过预置的图像采集终端采集在执行所述初始智能生产方案过程中的服装图片，得到服装图片集合；
提取模块，用于对所述服装图片集合进行生产节点参数提取，得到生产节点参数集合；具体包括：对所述服装图片集合中每个服装图片进行像素逐帧提取，得到每个所述服装图片的像素数据集合；通过每个所述服装图片的像素数据集合对每个所述服装图片进行生产节点标定，得到每个所述服装图片对应的生产节点集合；基于每个所述服装图片对应的生产节点集合，分别对每个所述服装图片进行纺织密度分析，得到每个所述服装图片对应的纺织密度数据集；通过每个所述服装图片对应的纺织密度数据集进行密度变化曲线构建，得到每个所述服装图片对应的目标密度变化曲线；基于每个所述服装图片对应的目标密度变化曲线进行变化幅度分析，得到每个所述服装图片对应的密度变化幅度，并通过每个所述服装图片对应的密度变化幅度生成每个所述服装图片对应的密度变化趋势数据；通过每个所述服装图片对应的密度变化趋势数据对所述服装图片集合进行生产节点参数提取，得到生产节点参数集合；其中，得到每个所述服装图片对应的纺织密度数据集包括：通过每个所述服装图片对应的生产节点集合，分别对每个所述服装图片进行图像特征提取，得到每个所述服装图片对应的第一密度特征集合；分别对每个所述服装图片进行边缘检测，得到每个所述服装图片对应的纺织线条轮廓；通过每个所述服装图片对应的纺织线条轮廓进行纺织线条数量计算，得到每个所述服装图片对应的纺织线条数量，同时，通过每个所述服装图片对应的纺织线条轮廓进行线条间隔计算，得到每个所述服装图片对应间隔数据集合；基于每个所述服装图片对应的纺织线条数量以及每个所述服装图片对应间隔数据集合，分别对每个所述服装图片进行线条特征提取，得到每个所述服装图片对应的第二密度特征集合；分别对每个所述服装图片对应的第一密度特征集合以及每个所述服装图片对应的第二密度特征集合进行特征融合，得到每个所述服装图片对应的目标密度特征；通过每个所述服装图片对应的目标密度特征分别对每个所述服装图片进行纺织密度计算，得到每个所述服装图片对应的纺织密度数据集；
调整模块，用于通过所述生产节点参数集合对所述初始供应链流程进行流程调整，得到目标供应链流程，同时，通过所述目标供应链流程对所述初始智能生产方案进行方案修正，得到目标智能生产方案。
5.一种服装快速生产管理设备，其特征在于，所述一种服装快速生产管理设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述一种服装快速生产管理设备执行如权利要求1-3中任一项所述的一种服装快速生产管理方法。
6.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-3中任一项所述的一种服装快速生产管理方法。
CN202311192227.6A 2023-09-15 2023-09-15 一种服装快速生产管理方法及管理系统 Active CN116934276B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311192227.6A CN116934276B (zh) 2023-09-15 2023-09-15 一种服装快速生产管理方法及管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311192227.6A CN116934276B (zh) 2023-09-15 2023-09-15 一种服装快速生产管理方法及管理系统

Publications (2)

Publication Number Publication Date
CN116934276A CN116934276A (zh) 2023-10-24
CN116934276B true CN116934276B (zh) 2023-12-15

Family

ID=88375711

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311192227.6A Active CN116934276B (zh) 2023-09-15 2023-09-15 一种服装快速生产管理方法及管理系统

Country Status (1)

Country Link
CN (1) CN116934276B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020159066A1 (ko) * 2019-01-29 2020-08-06 호전실업 주식회사 의류 생산 공장의 생산 및 가동 최적화 방법 및 시스템
CN113243597A (zh) * 2021-05-18 2021-08-13 邢台职业技术学院 一种服装智能制作系统及其制作方法
KR102369015B1 (ko) * 2021-06-17 2022-03-02 강소영 의류 디자인 및 생산 플랫폼 서비스 제공 방법 및 장치
CN114841661A (zh) * 2022-04-18 2022-08-02 江苏欧软信息科技有限公司 一种离散加工管理方法及系统
CN115526482A (zh) * 2022-09-22 2022-12-27 北京工业大学 一种基于数字孪生的车间排产与动态调度平台
CN116071500A (zh) * 2023-02-15 2023-05-05 江苏虎豹集团有限公司 一种基于3d建模的服装设计方法及系统
CN116385632A (zh) * 2023-02-23 2023-07-04 同济大学 一种用于服装制造企业智能设计的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020159066A1 (ko) * 2019-01-29 2020-08-06 호전실업 주식회사 의류 생산 공장의 생산 및 가동 최적화 방법 및 시스템
CN113243597A (zh) * 2021-05-18 2021-08-13 邢台职业技术学院 一种服装智能制作系统及其制作方法
KR102369015B1 (ko) * 2021-06-17 2022-03-02 강소영 의류 디자인 및 생산 플랫폼 서비스 제공 방법 및 장치
CN114841661A (zh) * 2022-04-18 2022-08-02 江苏欧软信息科技有限公司 一种离散加工管理方法及系统
CN115526482A (zh) * 2022-09-22 2022-12-27 北京工业大学 一种基于数字孪生的车间排产与动态调度平台
CN116071500A (zh) * 2023-02-15 2023-05-05 江苏虎豹集团有限公司 一种基于3d建模的服装设计方法及系统
CN116385632A (zh) * 2023-02-23 2023-07-04 同济大学 一种用于服装制造企业智能设计的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
服装企业智能制造创新体系构建研究;张志斌;毕艳军;李雪霞;;《针织工业》(第12期);第129-132页 *
面粉加工企业从生产自动化、信息自动化迈向知识自动化;高春能 等;《粮食加工》;第40卷(第5期);第9-11页 *

Also Published As

Publication number Publication date
CN116934276A (zh) 2023-10-24

Similar Documents

Publication Publication Date Title
US10777021B2 (en) Virtual representation creation of user for fit and style of apparel and accessories
Ashdown et al. A study of automated custom fit: Readiness of the technology for the apparel industry
Nayak et al. The role of mass customisation in the apparel industry
EP3759675A1 (en) Digital showroom for apparel
US11544755B2 (en) Method and apparatus for the production of garments
US20140277663A1 (en) System and Method for Creating Custom-Fit Apparel Designs
JP2000187683A (ja) 衣料・服飾品の製造方法および衣料・服飾品の製造支援装置
JP5964427B2 (ja) 対話的カスタマイズ可能製品の自動生産に対する製作パターンの適用
Lu et al. The development of an intelligent system for customized clothing making
US11530503B2 (en) Three-dimensional rendering preview in web-based tool for design of laser-finished garments
US20230165333A1 (en) Computer-implemented methods for enhancing, handling, and resizing 3d garment models
CN104318002A (zh) 一种三维服装效果至二维服装效果的转换方法
CN116934276B (zh) 一种服装快速生产管理方法及管理系统
WO2022193377A1 (zh) 一种基于云平台的全成型横机远程生产管理系统
Rahman et al. A Simulation-Based Approach for Line Balancing Under Demand Uncertainty in Production Environment
Tabraz Importance of fashion cad (Computer-Aided Design) study for garment industry in Bangladesh
KR20210109999A (ko) 의류생산 통합관리 시스템 및 방법
Bond Computerised pattern making in garment production
Yang et al. Intelligent garment graphic design system for artificial intelligence and 3D image analysis
CN110929970A (zh) 裁剪工艺自动生成方法及系统
Goldstein et al. Virtual prototyping: from concept to 3D design and prototyping in hours
Machova Automation versus modeling and simulation
CN117291688A (zh) 一种基于云平台的服装在线编菲系统
KR20240046087A (ko) 비대면 주문이 가능한 자동 패턴 기반 맞춤옷 공동 제작 시스템 및 방법
Alam et al. Influence of 3D CAD in Apparel Industry as a Prominent Tool for Checking Garment Fitting

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