CN117291111A - 结合服装面料云计算平台的数字化面料仿真优化方法 - Google Patents
结合服装面料云计算平台的数字化面料仿真优化方法 Download PDFInfo
- Publication number
- CN117291111A CN117291111A CN202311577673.9A CN202311577673A CN117291111A CN 117291111 A CN117291111 A CN 117291111A CN 202311577673 A CN202311577673 A CN 202311577673A CN 117291111 A CN117291111 A CN 117291111A
- Authority
- CN
- China
- Prior art keywords
- constraint
- fabric
- result
- network
- fitting
- 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.)
- Granted
Links
- 239000004744 fabric Substances 0.000 title claims abstract description 170
- 238000004088 simulation Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 238000013461 design Methods 0.000 claims abstract description 139
- 238000004519 manufacturing process Methods 0.000 claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims description 49
- 230000005540 biological transmission Effects 0.000 claims description 20
- 238000012216 screening Methods 0.000 claims description 20
- 238000010276 construction Methods 0.000 claims description 14
- 230000008014 freezing Effects 0.000 claims description 14
- 238000007710 freezing Methods 0.000 claims description 14
- 230000003993 interaction Effects 0.000 claims description 13
- 230000008485 antagonism Effects 0.000 claims description 11
- 238000010257 thawing Methods 0.000 claims description 11
- 230000006978 adaptation Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000014759 maintenance of location Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 13
- 239000000243 solution Substances 0.000 description 21
- 239000002585 base Substances 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000003637 basic solution Substances 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/16—Customisation or personalisation
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了结合服装面料云计算平台的数字化面料仿真优化方法，属于服装设计领域，包括：建立用户的关键词库；配置服装面料云计算平台；将风格关键词、结构约束关键词和基础款式关键词作为基础约束输入版型对抗生成网络，依据基础约束进行数据库内相似匹配，将相似匹配结果作为基础生成数据反馈至版型对抗生成网络，通过对抗网络对拟合结果评价，并生成反馈约束；接收用户反馈信息，确定版型设计结果；配置第一影响约束和第二影响约束，执行面料仿真拟合，生成面料仿真拟合结果，从而生成云制造设计结果。本申请解决了现有技术中面料选择和版型设计缺乏有效结合的技术问题，达到了实现面料选择和版型设计高效匹配的技术效果。
Description
技术领域
本发明涉及服装设计领域，具体涉及结合服装面料云计算平台的数字化面料仿真优化方法。
背景技术
随着时尚产业的快速发展，消费者对服装的个性化和定制化要求不断提高。但是现有服装设计流程中，设计师通常先设计服装的版型，再选择合适的面料。这种分离的设计方式导致面料的选择和版型的设计脱节，无法做到有效的匹配，无法保证设计方案能够充分发挥面料的性能。
发明内容
本申请通过提供了结合服装面料云计算平台的数字化面料仿真优化方法，旨在解决中面料选择和版型设计缺乏有效结合的技术问题。
鉴于上述问题，本申请提供了结合服装面料云计算平台的数字化面料仿真优化方法。
本申请公开的第一个方面，提供了结合服装面料云计算平台的数字化面料仿真优化方法，该方法包括：建立用户的关键词库，所述关键词库通过与用户建立通信交互后，解析用户传输信息构建，所述关键词库包括风格关键词、结构约束关键词、基础款式关键词；配置服装面料云计算平台，所述服装面料云计算平台通过调用历史面料生产数据和大数据构建，其中，所述服装面料云计算平台中每一面料数据带有拟合的信任标识；将所述风格关键词、结构约束关键词和所述基础款式关键词作为基础约束输入版型对抗生成网络，通过相似匹配子网络依据所述基础约束进行数据库内相似匹配，将相似匹配结果作为基础生成数据反馈至所述版型对抗生成网络，通过对抗网络对拟合结果评价，并生成反馈约束；执行对抗迭代，并记录筛选结果，将所述筛选结果反馈至所述用户，接收用户反馈信息，确定版型设计结果；以所述版型设计结果配置第一影响约束，以所述用户传输信息配置第二影响约束，执行面料仿真拟合，生成面料仿真拟合结果；根据所述版型设计结果和面料仿真拟合结果生成云制造设计结果。
本申请公开的另一个方面，提供了结合服装面料云计算平台的数字化面料仿真优化系统，该系统包括：关键词库建立单元，用于建立用户的关键词库，所述关键词库通过与用户建立通信交互后，解析用户传输信息构建，所述关键词库包括风格关键词、结构约束关键词、基础款式关键词；云计算平台配置单元，用于配置服装面料云计算平台，所述服装面料云计算平台通过调用历史面料生产数据和大数据构建，其中，所述服装面料云计算平台中每一面料数据带有拟合的信任标识；反馈约束生成单元，用于将所述风格关键词、结构约束关键词和所述基础款式关键词作为基础约束输入版型对抗生成网络，通过相似匹配子网络依据所述基础约束进行数据库内相似匹配，将相似匹配结果作为基础生成数据反馈至所述版型对抗生成网络，通过对抗网络对拟合结果评价，并生成反馈约束；版型设计结果单元，用于执行对抗迭代，并记录筛选结果，将所述筛选结果反馈至所述用户，接收用户反馈信息，确定版型设计结果；面料仿真拟合单元，用于以所述版型设计结果配置第一影响约束，以所述用户传输信息配置第二影响约束，执行面料仿真拟合，生成面料仿真拟合结果；云制造设计结果单元，用于根据所述版型设计结果和面料仿真拟合结果生成云制造设计结果。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了构建包含风格关键词、结构约束关键词、基础款式关键词的交互式关键词库，以实现个性化设计需求的获取；建立服装面料云计算平台，调用面料历史数据及大数据，以集中管理面料信息，并给每个面料标注带有拟合的信任标识，为设计过程提供面料支持；利用版型对抗生成网络，以关键词库为基础约束，通过相似匹配及对抗迭代进行版型设计，使得生成网络输出符合个性化需求的版型；以版型设计结果及用户信息为约束进行面料仿真拟合，评估面料视觉效果与版型的协调性；综合版型设计结果及面料拟合结果，进行云制造方案生成，实现设计方案的数字化输出的技术方案，解决了现有技术中面料选择和版型设计缺乏有效结合的技术问题，达到了实现面料选择和版型设计高效匹配的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了结合服装面料云计算平台的数字化面料仿真优化方法的一种流程示意图；
图2为本申请实施例提供了结合服装面料云计算平台的数字化面料仿真优化方法中执行面料仿真拟合的一种流程示意图；
图3为本申请实施例提供了结合服装面料云计算平台的数字化面料仿真优化系统的一种结构示意图。
附图标记说明：关键词库建立单元11，云计算平台配置单元12，反馈约束生成单元13，版型设计结果单元14，面料仿真拟合单元15，云制造设计结果单元16。
具体实施方式
本申请提供的技术方案总体思路如下：
本申请实施例提供了结合服装面料云计算平台的数字化面料仿真优化方法。首先，构建关键词库，以获取个性化设计需求，其中包括用户指定的风格、结构约束以及基础款式。然后，建立服装面料云计算平台，集成历史面料数据及大数据，对每个面料进行拟合信任级标注，实现面料信息的集中管理。接着，利用对抗生成网络进行版型设计，以关键词库为基础约束，通过网络内部的迭代学习不断优化设计方案，得到符合个性化需求的版型设计结果。之后，以版型设计结果及用户传输信息为约束进行面料的仿真拟合，评估不同面料与版型的视觉协调性，进行云制造设计结果的生成，达到个性化定制设计与面料性能高效匹配的技术效果。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例
如图1所示，本申请实施例提供了结合服装面料云计算平台的数字化面料仿真优化方法，该方法包括：
建立用户的关键词库，所述关键词库通过与用户建立通信交互后，解析用户传输信息构建，所述关键词库包括风格关键词、结构约束关键词、基础款式关键词；
在本申请实施例中，为获取针对用户的个性化设置，建立用户的关键词库，该关键词库包括风格关键词、结构约束关键词、基础款式关键词。其中，风格关键词是指表示用户对服装整体风格、审美倾向的关键词，如“优雅”“夏日”等；结构约束关键词是指表示用户对服装结构、元素要求的关键词，如“需要开叉”“胸前口袋”等；基础款式关键词是指表示服装基本样式类别的关键词，如“连衣裙”“上衣”等。
具体的，首先，与用户建立交互通道，如问卷调查、用户交互移动端等，通过文字、语音、图片等方式收集用户需求信息；然后，通过自然语言处理技术对用户需求信息进行分析，提取出表示设计需求的关键词；接着，使用命名实体识别技术识别关键词类型，将其分类为风格关键词、结构约束关键词和基础款式关键词；最后，将提取和分类的关键词组织构建成关键词库，为使用生成网络进行个性化设计提供重要指导。
配置服装面料云计算平台，所述服装面料云计算平台通过调用历史面料生产数据和大数据构建，其中，所述服装面料云计算平台中每一面料数据带有拟合的信任标识；
在本申请实施例中，服装面料云计算平台是指集成了各种面料信息数据的云端智能平台，该平台通过调用两部分数据进行构建，一是历史面料生产数据，即过往实际生产过的各类面料的属性参数，如成分、机械性能等数据；二是大数据，指利用WEB抓取、文本挖掘等方式收集到的非结构化面料数据。另外，服装面料云计算平台中每一面料数据都带有一个拟合的信任标识，用于表示该面料数据的可靠程度，其中，拟合的信任标识通过分析数据的来源、数量、收集方式等因素进行评估，具有正式来源和足够数量的面料参数数据，其拟合信任标识会更高。
首先，从历史数据库、文献资料等收集整理历史面料生产数据；然后，利用大数据技术从网络等来源抓取非结构化面料信息；接着，为每一面料数据赋予拟合信任标识；最后，将处理后的面料信息上传存入云端平台数据库中，形成集成的服装面料云计算平台，完成平台的配置，为选择合适面料提供数据支持。
将所述风格关键词、结构约束关键词和所述基础款式关键词作为基础约束输入版型对抗生成网络，通过相似匹配子网络依据所述基础约束进行数据库内相似匹配，将相似匹配结果作为基础生成数据反馈至所述版型对抗生成网络，通过对抗网络对拟合结果评价，并生成反馈约束；
在本申请实施例中，版型对抗生成网络用于在用户需求约束下生成个性化服装版型。风格关键词、结构约束关键词和基础款式关键词被输入版型生成网络作为基础约束条件。相似匹配子网络是版型对抗生成网络的一个组成模块，其作用是在数据库中找出与输入关键词相似的服装版型作为基础生成数据。具体来说，相似匹配子网络全面分析输入关键词的语义特征，在服装版型数据库中搜索出文本描述、风格标注等方面与输入关键词高度相关的版型，作为相似匹配结果被反馈到版型对抗生成网络中。
在版型对抗生成网络中，生成网络根据输入关键词及相似匹配结果，生成拟合结果，对抗网络则对拟合结果进行评价，判断其是否满足用户输入的设计需求，产生新的反馈约束，使生成网络能够进一步优化设计结果。
执行对抗迭代，并记录筛选结果，将所述筛选结果反馈至所述用户，接收用户反馈信息，确定版型设计结果；
在本申请实施例中，对抗迭代是指版型对抗生成网络中的生成网络和对抗网络之间的交互优化过程。通过持续的对抗迭代，逐步提升生成结果的质量，使其更好地满足设计需求。
具体来说，在版型对抗生成网络训练过程中，生成网络产生新的服装版型，然后将结果输入对抗网络进行评价，判断该版型是否符合输入的用户关键词约束，生成反馈约束。此后，对抗网络生成的反馈约束被反馈到生成网络中，用于调整优化其生成参数。如此循环往复进行多轮迭代对抗训练。同时，记录每轮迭代生成的版型结果，并进行筛选保留较优设计，得到筛选结果。将这些筛选结果反馈展示给用户，用户根据筛选结果给出是否符合预期的反馈，得到用户反馈信息，用于进一步调整版型设计，从而确定版型设计结果。
通过对抗迭代和交互优化，在理解用户意图的同时，自动学习生成更佳设计，最终确定满足用户个性化需求的版型设计结果。
以所述版型设计结果配置第一影响约束，以所述用户传输信息配置第二影响约束，执行面料仿真拟合，生成面料仿真拟合结果；
在本申请实施例中，得到个性化版型设计结果后，进入面料选择环节。首先，从版型设计结果中分析提取面料的用途、需要呈现的效果等影响面料选择的要素，转换为第一影响约束；同时，从用户需求中提取面料相关词汇，构建第二影响约束。
在配置好第一影响约束和第二影响约束这两个约束条件后，调用服装面料云计算平台中的数据，根据约束条件进行面料参数的匹配筛选，利用云计算能力进行模拟试衣，判断不同面料在该版型设计结果上的视觉呈现效果，实现面料仿真拟合。最终，将能够满足第一影响约束和第二影响约束，并达到最佳视觉效果的面料结果作为面料仿真拟合结果输出。
通过面料仿真拟合，智能匹配最符合设计需求和风格预期的面料，为实现个性化设计提供支持。
根据所述版型设计结果和面料仿真拟合结果生成云制造设计结果。
在本申请实施例中，云制造设计结果是整合版型设计结果和面料仿真拟合结果，以数字方式生成的可直接用于制造的完整服装设计方案。
具体来说，根据面料仿真拟合结果确定面料的物理参数，计算其针对设计版型的裁剪布放方案、消耗统计等数据；然后结合版型设计结果的2D设计图，使用三维仿真技术渲染出真实效果的数字服装样本，从而生成云制造设计结果，实现从用户需求出发、设计到制造的零延迟，提升了个性化定制的生产效率。
进一步的，本申请实施例还包括：
读取用户的历史设计信息，以所述历史设计信息进行基础评价指标构建，获得初始评价指标构建结果，所述初始评价指标构建结果通过基础指标因子、历史设计信息数据量、时间特征更迭因子计算获得；
将评价数据库发送至所述用户打分，接收所述用户的反馈数据，并依据所述反馈数据重构评价数据库，根据重构结果生成关联评价指标，所述关联评价指标包括关联指标因子；
拟合所述初始评价指标和所述关联评价指标，基于拟合结果建立所述对抗网络。
在一种可行的实施方式中，首先，读取用户的历史设计信息，分析历史设计信息，得到用户喜好的色彩搭配、版型偏好分布等基础指标因子。此外，统计历史设计信息中的历史设计数据的总量，得到历史设计信息数据量。同时，对历史设计数据的时间跨度进行分析，分析用户在不同时间的服装需求特征，得到用户在服装设计的时间特征更迭因子。然后，通过基础指标因子、历史设计信息数据量和时间特征更迭因子得到初始评价指标构建结果。
随后，将评价数据库发送至用户打分，其中，评价数据库是包含设计样本及对应评价指标的数据集合。将该数据库以可视化的形式展示给用户，让用户根据个人审美偏好对设计样本进行多维度的质量打分，得到用户的反馈数据，然后根据反馈数据对评价数据库进行重构，得到针对用户的个性化数据库。如果用户在某些维度给出了较高的权重，如非常看重颜色的协调性，则在将与颜色相关的指标设置更高的权重系数，这些指标构成了关联指标因子，从而得到关联评价指标。
接着，对初始评价指标和关联评价指标进行统一和优化；对于两类指标中作用相同且指标值大小相近的指标，保留其评价约束作用；对于指标值差异较大的指标，则在数值较大的指标基础上，通过与差异程度相关的比例进行适当增强；如果两类指标存在明显不同的指标，则根据各自指标的重要程度进行选择保留；从而充分利用初始评价指标的历史统计价值，也吸收了关联评价指标中的用户个性化优化，形成既具备客观度量，也符合用户主观需求的评价指标体系，得到拟合结果。随后，基于该拟合结果，将其应用于构建对抗生成网络的训练和优化，指导生成网络输出更符合用户审美，达到高质量的个性化设计效果。
进一步的，本申请实施例还包括：
通过版型大数据建立版型解空间，并依据所述关键词库进行解空间内特征匹配，生成约束记忆库；
建立常态的概率选择约束，所述概率选择约束为版型解空间和约束记忆库的常态选定约束；
通过所述版型解空间和所述约束记忆库、所述常态选定约束建立生成网络；
判别所述版型对抗生成网络是否处于常态或者初始态，若判定结果为是，则通过常态选定约束进行概率选择，基于概率选择结果执行初始解更新。
在一种可行的实施方式中，首先，收集大量服装设计数字图样，作为版型样本，对所有版型样本进行参数化数字编码，将编码后的版型集合构成描述设计样式的高维特征空间，即为版型解空间。在得到版型解空间之后，依据建立的用户的关键词库，在版型解空间内进行语义搜索，找出与用户需求语义相关的版型样本，形成约束记忆库，存储了满足用户输入关键词的设计样式种类，为个性化设计生成提供初始设计样本空间，使生成网络以用户需求相关的样本作为探索起点，以此推导出新的设计。然后，建立常态的概率选择约束，定义对约束记忆库和版型解空间进行随机选取的概率分布规律，其中所有样式样本被选择作为初始的概率趋于相同，使初始样本选择呈现随机性，避免每次都选择相同样本，但也不会出现极端随机导致脱离用户需求。接着，根据版型解空间、约束记忆库、常态选定约束，构建生成网络，以基于给定约束进行设计样本生成。
之后，实时判断版型对抗生成网络当前是否处于常态或者初始态，如果是，则根据预定义的常态选定约束，从约束记忆库中按一定概率抽取初始样本。选取初始样本后，确认需要更新的设计特征。例如按一定概率只更新版型轮廓，或只更新衣袖形状等。根据概率选择结果，仅更新初始样本中的部分设计特征，而不是全部替换，执行初始解更新，实现在一定范围内实现对网络初始样本的微调优化，使之更符合用户的个性化需求和审美偏好。
进一步的，本申请实施例还包括：
当任意拟合结果输入所述对抗网络后，通过所述对抗网络对拟合结果评价，生成拟合评价结果；
若拟合评价结果满足预设阈值，则生成保留反馈，所述保留反馈带有更新特征标识，并将所述版型对抗生成网络更新为触发态；
当所述版型对抗生成网络处于触发态时，则依据所述保留反馈执行对应特征的微调更新，并持续迭代；
若通过所述对抗网络判断持续迭代结果满足终止阈值，则将对应特征添加至冻结栏，并解除对抗生成网络的触发态。
在一种优选的实施方式中，在版型对抗生成网络的迭代过程中，当任意生成网络生成的任意拟合结果输入对抗网络时，对抗网络对获取的拟合结果进行评估，判断其是否满足用户需求，得到拟合评价结果。如果某拟合结果的拟合评价结果获得了高于预设阈值的评分，则触发生成保留反馈，该保留反馈包含拟合结果中需要进行微调优化的设计特征，例如衣袖、裙摆等；同时，该反馈版型将对抗生成网络更新为触发态，即进入精细调整状态。
当版型将对抗生成网络处于触发态时，表示已经获得了一个有潜力的拟合结果。此时生成网络会特别关注保留反馈中标注出需要优化的设计特征，如衣领曲线、裤管宽度等，依据保留反馈的指示针对这些特定特征进行迭代调整，如略微改变领型曲度，适当扩大裤管宽松度等。与常态和初始态的生成相比，这种微调更新方式聚焦设计细化。版型将对抗生成网络持续地循环该微调过程，直至特征优化达到预设的效果条件，实现渐进地符合用户对样式各细节部分的个性化需求。
当对抗迭代过程中，若某些设计特征的评分已达到预设的终止阈值时，该特征就会被添加到冻结栏中进行封存储存。其中，冻结栏是用于存储网络中已经优化完成的设计特征的数据结构。同时，对抗生成网络的触发态也会被解除，即退出当前的特征微调状态，进入下一轮新样本生成。通过冻结机制可以避免重复调整已满意的特征。
进一步的，本申请实施例还包括：
依据所述约束记忆库的特征数量配置所述冻结栏的解冻约束；
当冻结栏内特征满足所述解冻约束时，则按照冻结顺序执行特征释放。
在一种优选的实施方式中，约束记忆库存储了满足用户个性化需求的各类初始设计样式样本，样式样本所包含的结构特征和数量，反映用户需求所定义的整个样式解空间的丰富程度。因此，根据约束记忆库中的样式特征的数量多少，来相应地设置冻结栏的解冻阈值，作为冻结栏的解冻约束。例如样式特征越丰富，解冻阈值就可以设置得更高，表示需要冻结更多特征才可能启动解冻，可以避免开放过多特征导致脱离用户预期，也防止过于保守，失去创新性。
然后，当冻结栏中的设计特征的数量满足解冻约束后，逐步解冻这些特征。特征的解冻顺序将遵循初次冻结的时间顺序，即先冻结的特征先解冻，后冻结的特征后解冻，从而保证设计优化的连贯性。
通过解冻操作，这些设计特征将从固定状态重回未定状态，再次参与到对抗网络的迭代更新中，为后续生成新的样式提供可能。
进一步的，如图2所示，本申请实施例还包括：
对所述用户传输信息进行解析，生成成本约束和功能性约束；
通过所述成本约束和所述功能性约束生成第二影响约束；
对所述版型设计结果进行面料的适配值分析，基于适配值分析结果生成第一影响约束；
通过所述第一影响约束和所述第二影响约束执行面料仿真拟合。
在一种优选的实施方式中，用户传输信息是指用户提交的语音、文字、图片等形式表达的个性化设计意图。对用户传输信息进行处理，提取出与成本和功能相关的约束词汇。例如从“我希望一款简约利落的连衣裙，价格实惠耐穿”中解析出“实惠”表示成本约束，“耐穿”表示功能性约束。然后，综合从用户传输信息中解析提取的成本约束和功能性约束，构建出第二影响约束条件，兼顾成本范围和功能需求，例如生成“价格适中且具有良好弹性”的第二影响约束条件。
同时，对于版型设计结果，其样式结构与版型设计元素会对面料材质提出一定的要求，如描边的设计需要面料有一定刚性等。对不同面料材质与该版型的匹配程度进行评估，计算不同面料材质与该版型在视觉呈现效果、结构撑持等方面的适配度值。适配度高的面料将成为第一影响约束。
之后，将收集到的第一影响约束和第二影响约束作为输入，基于服装面料云计算平台中的丰富面料参数数据，进行多约束条件筛选匹配，实现面料仿真拟合，选择满足版型设计与用户需求的最佳面料。
进一步的，本申请实施例还包括：
配置随机噪声子网络，将所述随机噪声子网络拟合至所述版型对抗生成网络；
当通过生成网络执行拟合生成时，通过所述随机噪声子网络向基础解添加随机噪声，根据添加结果获得拟合结果。
在一种优选的实施方式中，随机噪声子网络，是负责引入随机扰动的模块，被整合到版型对抗生成网络之中。该子网络为神经网络，包含可学习的参数，在训练过程中，这些参数逐步学习，使子网络输出符合目标的噪声分布。将配置好的随机噪声子网络接入到版型对抗生成网络中，子网络接收前层输出作为输入，并输出设置好分布的随机噪声信号，以增强对抗生成网络的随机探索能力，避免生硬的定制化导致生成创新性的丧失。
在迭代过程中，在生成网络执行拟合生成时，生成网络根据当前参数生成出一个潜在设计样本即基础解后，这个样本会被输入到随机噪声子网络中，子网络在保持整体样式的前提下，对样本的某些特征添加小范围的随机扰动，如略微调整衣领弧度等，得到添加结果。然后将添加结果与基础解融合，作为新的拟合结果输出，提交给对抗网络进行评估。相比完全按当前参数生成的样本，在保持主要样式定制化的同时，增加一定的随机探索性，增强了创意生成能力，使提供个性化设计的同时，也具有一定的创新性，能够输出更丰富多样的设计方案。
综上所述，本申请实施例所提供的结合服装面料云计算平台的数字化面料仿真优化方法具有如下技术效果：
建立用户的关键词库，关键词库通过与用户建立通信交互后，解析用户传输信息构建，关键词库包括风格关键词、结构约束关键词、基础款式关键词，通过用户交互获取个性化设计需求，为设计提供输入。配置服装面料云计算平台，服装面料云计算平台通过调用历史面料生产数据和大数据构建，为设计提供面料支持。将风格关键词、结构约束关键词和基础款式关键词作为基础约束输入版型对抗生成网络，通过相似匹配子网络依据基础约束进行数据库内相似匹配，将相似匹配结果作为基础生成数据反馈至版型对抗生成网络，通过对抗网络对拟合结果评价，并生成反馈约束，以关键词为约束进行设计，输出个性化版型。执行对抗迭代，并记录筛选结果，将筛选结果反馈至用户，接收用户反馈信息，确定版型设计结果，通过用户交互进行设计优化和确认，得到最终版型。以版型设计结果配置第一影响约束，以用户传输信息配置第二影响约束，执行面料仿真拟合，生成面料仿真拟合结果，评估面料与版型的匹配程度。根据版型设计结果和面料仿真拟合结果生成云制造设计结果，实现设计方案的数字化输出。
实施例
基于与前述实施例中结合服装面料云计算平台的数字化面料仿真优化方法相同的发明构思，如图3所示，本申请实施例提供了结合服装面料云计算平台的数字化面料仿真优化系统，该系统包括：
关键词库建立单元11，用于建立用户的关键词库，所述关键词库通过与用户建立通信交互后，解析用户传输信息构建，所述关键词库包括风格关键词、结构约束关键词、基础款式关键词；
云计算平台配置单元12，用于配置服装面料云计算平台，所述服装面料云计算平台通过调用历史面料生产数据和大数据构建，其中，所述服装面料云计算平台中每一面料数据带有拟合的信任标识；
反馈约束生成单元13，用于将所述风格关键词、结构约束关键词和所述基础款式关键词作为基础约束输入版型对抗生成网络，通过相似匹配子网络依据所述基础约束进行数据库内相似匹配，将相似匹配结果作为基础生成数据反馈至所述版型对抗生成网络，通过对抗网络对拟合结果评价，并生成反馈约束；
版型设计结果单元14，用于执行对抗迭代，并记录筛选结果，将所述筛选结果反馈至所述用户，接收用户反馈信息，确定版型设计结果；
面料仿真拟合单元15，用于以所述版型设计结果配置第一影响约束，以所述用户传输信息配置第二影响约束，执行面料仿真拟合，生成面料仿真拟合结果；
云制造设计结果单元16，用于根据所述版型设计结果和面料仿真拟合结果生成云制造设计结果。
进一步的，本申请实施例还包括对抗网络生成单元，该单元包括以下执行步骤：
读取用户的历史设计信息，以所述历史设计信息进行基础评价指标构建，获得初始评价指标构建结果，所述初始评价指标构建结果通过基础指标因子、历史设计信息数据量、时间特征更迭因子计算获得；
将评价数据库发送至所述用户打分，接收所述用户的反馈数据，并依据所述反馈数据重构评价数据库，根据重构结果生成关联评价指标，所述关联评价指标包括关联指标因子；
拟合所述初始评价指标和所述关联评价指标，基于拟合结果建立所述对抗网络。
进一步的，本申请实施例还包括生成网络建立单元，该单元包括以下执行步骤：
通过版型大数据建立版型解空间，并依据所述关键词库进行解空间内特征匹配，生成约束记忆库；
建立常态的概率选择约束，所述概率选择约束为版型解空间和约束记忆库的常态选定约束；
通过所述版型解空间和所述约束记忆库、所述常态选定约束建立生成网络；
判别所述版型对抗生成网络是否处于常态或者初始态，若判定结果为是，则通过常态选定约束进行概率选择，基于概率选择结果执行初始解更新。
进一步的，本申请实施例还包括网络状态更新单元，该单元包括以下执行步骤：
当任意拟合结果输入所述对抗网络后，通过所述对抗网络对拟合结果评价，生成拟合评价结果；
若拟合评价结果满足预设阈值，则生成保留反馈，所述保留反馈带有更新特征标识，并将所述版型对抗生成网络更新为触发态；
当所述版型对抗生成网络处于触发态时，则依据所述保留反馈执行对应特征的微调更新，并持续迭代；
若通过所述对抗网络判断持续迭代结果满足终止阈值，则将对应特征添加至冻结栏，并解除对抗生成网络的触发态。
进一步的，网络状态更新单元还包括以下执行步骤：
依据所述约束记忆库的特征数量配置所述冻结栏的解冻约束；
当冻结栏内特征满足所述解冻约束时，则按照冻结顺序执行特征释放。
进一步的，面料仿真拟合单元15包括以下执行步骤：
对所述用户传输信息进行解析，生成成本约束和功能性约束；
通过所述成本约束和所述功能性约束生成第二影响约束；
对所述版型设计结果进行面料的适配值分析，基于适配值分析结果生成第一影响约束；
通过所述第一影响约束和所述第二影响约束执行面料仿真拟合。
进一步的，本申请实施例还包括拟合结果获取单元，该单元包括以下执行步骤：
配置随机噪声子网络，将所述随机噪声子网络拟合至所述版型对抗生成网络；
当通过生成网络执行拟合生成时，通过所述随机噪声子网络向基础解添加随机噪声，根据添加结果获得拟合结果。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中，并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法，在此不做多余限制。
进一步的，综上所述的第一或第二可能不止代表次序关系，也可能代表某项特指概念，和/或指的是多个元素之间可单独或全部选择。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (8)
1.结合服装面料云计算平台的数字化面料仿真优化方法，其特征在于，所述方法包括：
建立用户的关键词库，所述关键词库通过与用户建立通信交互后，解析用户传输信息构建，所述关键词库包括风格关键词、结构约束关键词、基础款式关键词；
配置服装面料云计算平台，所述服装面料云计算平台通过调用历史面料生产数据和大数据构建，其中，所述服装面料云计算平台中每一面料数据带有拟合的信任标识；
将所述风格关键词、结构约束关键词和所述基础款式关键词作为基础约束输入版型对抗生成网络，通过相似匹配子网络依据所述基础约束进行数据库内相似匹配，将相似匹配结果作为基础生成数据反馈至所述版型对抗生成网络，通过对抗网络对拟合结果评价，并生成反馈约束；
执行对抗迭代，并记录筛选结果，将所述筛选结果反馈至所述用户，接收用户反馈信息，确定版型设计结果；
以所述版型设计结果配置第一影响约束，以所述用户传输信息配置第二影响约束，执行面料仿真拟合，生成面料仿真拟合结果；
根据所述版型设计结果和面料仿真拟合结果生成云制造设计结果。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
读取用户的历史设计信息，以所述历史设计信息进行基础评价指标构建，获得初始评价指标构建结果，所述初始评价指标构建结果通过基础指标因子、历史设计信息数据量、时间特征更迭因子计算获得；
将评价数据库发送至所述用户打分，接收所述用户的反馈数据，并依据所述反馈数据重构评价数据库，根据重构结果生成关联评价指标，所述关联评价指标包括关联指标因子；
拟合所述初始评价指标和所述关联评价指标，基于拟合结果建立所述对抗网络。
3.如权利要求2所述的方法，其特征在于，所述方法还包括：
通过版型大数据建立版型解空间，并依据所述关键词库进行解空间内特征匹配，生成约束记忆库；
建立常态的概率选择约束，所述概率选择约束为版型解空间和约束记忆库的常态选定约束；
通过所述版型解空间和所述约束记忆库、所述常态选定约束建立生成网络；
判别所述版型对抗生成网络是否处于常态或者初始态，若判定结果为是，则通过常态选定约束进行概率选择，基于概率选择结果执行初始解更新。
4.如权利要求3所述的方法，其特征在于，所述方法还包括：
当任意拟合结果输入所述对抗网络后，通过所述对抗网络对拟合结果评价，生成拟合评价结果；
若拟合评价结果满足预设阈值，则生成保留反馈，所述保留反馈带有更新特征标识，并将所述版型对抗生成网络更新为触发态；
当所述版型对抗生成网络处于触发态时，则依据所述保留反馈执行对应特征的微调更新，并持续迭代；
若通过所述对抗网络判断持续迭代结果满足终止阈值，则将对应特征添加至冻结栏，并解除对抗生成网络的触发态。
5.如权利要求4所述的方法，其特征在于，所述方法还包括：
依据所述约束记忆库的特征数量配置所述冻结栏的解冻约束；
当冻结栏内特征满足所述解冻约束时，则按照冻结顺序执行特征释放。
6.如权利要求1所述的方法，其特征在于，所述方法还包括：
对所述用户传输信息进行解析，生成成本约束和功能性约束；
通过所述成本约束和所述功能性约束生成第二影响约束；
对所述版型设计结果进行面料的适配值分析，基于适配值分析结果生成第一影响约束；
通过所述第一影响约束和所述第二影响约束执行面料仿真拟合。
7.如权利要求1所述的方法，其特征在于，所述方法还包括：
配置随机噪声子网络，将所述随机噪声子网络拟合至所述版型对抗生成网络；
当通过生成网络执行拟合生成时，通过所述随机噪声子网络向基础解添加随机噪声，根据添加结果获得拟合结果。
8.结合服装面料云计算平台的数字化面料仿真优化系统，其特征在于，用于实施权利要求1-7任意一项所述的结合服装面料云计算平台的数字化面料仿真优化方法，所述系统包括：
关键词库建立单元，所述关键词库建立单元用于建立用户的关键词库，所述关键词库通过与用户建立通信交互后，解析用户传输信息构建，所述关键词库包括风格关键词、结构约束关键词、基础款式关键词；
云计算平台配置单元，所述云计算平台配置单元用于配置服装面料云计算平台，所述服装面料云计算平台通过调用历史面料生产数据和大数据构建，其中，所述服装面料云计算平台中每一面料数据带有拟合的信任标识；
反馈约束生成单元，所述反馈约束生成单元用于将所述风格关键词、结构约束关键词和所述基础款式关键词作为基础约束输入版型对抗生成网络，通过相似匹配子网络依据所述基础约束进行数据库内相似匹配，将相似匹配结果作为基础生成数据反馈至所述版型对抗生成网络，通过对抗网络对拟合结果评价，并生成反馈约束；
版型设计结果单元，所述版型设计结果单元用于执行对抗迭代，并记录筛选结果，将所述筛选结果反馈至所述用户，接收用户反馈信息，确定版型设计结果；
面料仿真拟合单元，所述面料仿真拟合单元用于以所述版型设计结果配置第一影响约束，以所述用户传输信息配置第二影响约束，执行面料仿真拟合，生成面料仿真拟合结果；
云制造设计结果单元，所述云制造设计结果单元用于根据所述版型设计结果和面料仿真拟合结果生成云制造设计结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311577673.9A CN117291111B (zh) | 2023-11-24 | 2023-11-24 | 结合服装面料云计算平台的数字化面料仿真优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311577673.9A CN117291111B (zh) | 2023-11-24 | 2023-11-24 | 结合服装面料云计算平台的数字化面料仿真优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117291111A true CN117291111A (zh) | 2023-12-26 |
| CN117291111B CN117291111B (zh) | 2024-04-05 |
Family
ID=89252036
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311577673.9A Active CN117291111B (zh) | 2023-11-24 | 2023-11-24 | 结合服装面料云计算平台的数字化面料仿真优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117291111B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118430724A (zh) * | 2024-07-03 | 2024-08-02 | 南通蝶绣纺织有限公司 | 一种用于纺织品生产的高效材料检索方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111625881A (zh) * | 2020-06-22 | 2020-09-04 | 辽宁轻工职业学院 | 一种潮流服装设计方法 |
| CN113158063A (zh) * | 2021-05-11 | 2021-07-23 | 江南大学 | 一种基于图像理解的纺织面料个性化推荐方法 |
| US20210342495A1 (en) * | 2020-04-29 | 2021-11-04 | Galatea Inc. | Garment Creation System, Method and Apparatus |
| CN113987344A (zh) * | 2021-10-26 | 2022-01-28 | 雅莹集团股份有限公司 | 基于版型库的3d服装款式智能模拟方法及其成本估算方法 |
| CN115221571A (zh) * | 2022-06-16 | 2022-10-21 | 深圳衣加科技有限公司 | 服装纸样生成方法、装置、电子设备及存储介质 |
| 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 |
| CN116266251A (zh) * | 2021-12-15 | 2023-06-20 | 哈尔滨工业大学（深圳） | 一种草图生成对抗网络、渲染生成对抗网络及其服饰设计方法 |
| CN116797699A (zh) * | 2023-08-28 | 2023-09-22 | 武汉博润通文化科技股份有限公司 | 基于三维立体技术的智能动画建模方法及系统 |
-
2023
- 2023-11-24 CN CN202311577673.9A patent/CN117291111B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210342495A1 (en) * | 2020-04-29 | 2021-11-04 | Galatea Inc. | Garment Creation System, Method and Apparatus |
| CN111625881A (zh) * | 2020-06-22 | 2020-09-04 | 辽宁轻工职业学院 | 一种潮流服装设计方法 |
| CN113158063A (zh) * | 2021-05-11 | 2021-07-23 | 江南大学 | 一种基于图像理解的纺织面料个性化推荐方法 |
| CN113987344A (zh) * | 2021-10-26 | 2022-01-28 | 雅莹集团股份有限公司 | 基于版型库的3d服装款式智能模拟方法及其成本估算方法 |
| CN116266251A (zh) * | 2021-12-15 | 2023-06-20 | 哈尔滨工业大学（深圳） | 一种草图生成对抗网络、渲染生成对抗网络及其服饰设计方法 |
| CN115221571A (zh) * | 2022-06-16 | 2022-10-21 | 深圳衣加科技有限公司 | 服装纸样生成方法、装置、电子设备及存储介质 |
| 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 |
| CN116797699A (zh) * | 2023-08-28 | 2023-09-22 | 武汉博润通文化科技股份有限公司 | 基于三维立体技术的智能动画建模方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| QIANG WU ET AL: "ClothGAN: generation of fashionable Dunhuang clothes using generative adversarial networks", 《CONNECTION SCIENCE》 * |
| 任祥放: "基于体域网络的智能可穿戴服装协同设计研究", 《中国博士学位论文全文数据库电子期刊 工程科技I辑》, vol. 2022, no. 12 * |
| 郑文靖 等: "基于优化GridSearch-SVM算法的服装版型分类预测研究", 《纺织科技进展》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118430724A (zh) * | 2024-07-03 | 2024-08-02 | 南通蝶绣纺织有限公司 | 一种用于纺织品生产的高效材料检索方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117291111B (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3819791A2 (en) | Information search method and apparatus, device and storage medium | |
| CN101551806B (zh) | 一种个性化网址导航的方法和系统 | |
| Adomavicius et al. | Multi-criteria recommender systems | |
| CN110909754B (zh) | 一种属性生成对抗网络及基于该网络的搭配服饰生成方法 | |
| CN117291111B (zh) | 结合服装面料云计算平台的数字化面料仿真优化方法 | |
| CN102750334B (zh) | 一种基于dm的农业信息精准推送的方法 | |
| WO2018040069A1 (zh) | 信息推荐系统及方法 | |
| CN104166668A (zh) | 基于folfm模型的新闻推荐系统及方法 | |
| CN109741120B (zh) | 用于用户需求的产品深度个性化定制方法 | |
| CN106104512A (zh) | 用于主动获取社交数据的系统和方法 | |
| Lu et al. | Scalable news recommendation using multi-dimensional similarity and Jaccard–Kmeans clustering | |
| CN105933425A (zh) | 推荐应用的方法及装置 | |
| CN102023986A (zh) | 参考外部知识构建文本分类器的方法和设备 | |
| CN113051468B (zh) | 一种基于知识图谱和强化学习的电影推荐方法及系统 | |
| Yang et al. | Inferring substitutable and complementary products with Knowledge-Aware Path Reasoning based on dynamic policy network | |
| CN112911331B (zh) | 针对短视频的音乐识别方法、装置、设备及存储介质 | |
| KR100987330B1 (ko) | 사용자 웹 사용 정보에 기반한 멀티 컨셉 네트워크 생성시스템 및 방법 | |
| CN116070032A (zh) | 基于个体和群体自适应性元学习的用户冷启动推荐方法 | |
| CN117725259A (zh) | 视频搜索方法和装置 | |
| CN118297741A (zh) | 一种异质社会信息网络智能数据服务方法 | |
| CN117911114A (zh) | 一种基于大数据的服装流行趋势捕捉和推荐方法 | |
| CN116823410A (zh) | 数据处理方法、对象处理方法、推荐方法及计算设备 | |
| CN116738952A (zh) | 一种基于领域知识图谱的情报报告生成方法 | |
| Jamshidi et al. | A multi-criteria ranking algorithm based on the VIKOR method for meta-search engines | |
| Zhang et al. | An efficient collaborative filtering approach using smoothing and fusing |
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 |