CN117422896B - 服装工艺模板智能化设计方法及系统 - Google Patents
服装工艺模板智能化设计方法及系统 Download PDFInfo
- Publication number
- CN117422896B CN117422896B CN202311739918.3A CN202311739918A CN117422896B CN 117422896 B CN117422896 B CN 117422896B CN 202311739918 A CN202311739918 A CN 202311739918A CN 117422896 B CN117422896 B CN 117422896B
- Authority
- CN
- China
- Prior art keywords
- data
- clothing
- user
- generate
- analysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013461 design Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 86
- 230000008569 process Effects 0.000 title claims abstract description 44
- 238000004458 analytical method Methods 0.000 claims abstract description 146
- 230000009471 action Effects 0.000 claims abstract description 135
- 238000000547 structure data Methods 0.000 claims abstract description 75
- 230000000877 morphologic effect Effects 0.000 claims abstract description 24
- 238000005516 engineering process Methods 0.000 claims abstract description 22
- 230000033001 locomotion Effects 0.000 claims description 91
- 238000005457 optimization Methods 0.000 claims description 38
- 238000004364 calculation method Methods 0.000 claims description 37
- 230000037147 athletic performance Effects 0.000 claims description 35
- 239000004744 fabric Substances 0.000 claims description 35
- 239000000463 material Substances 0.000 claims description 32
- 230000008859 change Effects 0.000 claims description 21
- 238000007418 data mining Methods 0.000 claims description 20
- 230000035699 permeability Effects 0.000 claims description 14
- 230000003044 adaptive effect Effects 0.000 claims description 13
- 238000009413 insulation Methods 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 13
- 210000004243 sweat Anatomy 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 9
- 230000037078 sports performance Effects 0.000 claims description 9
- 239000000835 fiber Substances 0.000 claims description 7
- 238000002156 mixing Methods 0.000 claims description 7
- 230000008447 perception Effects 0.000 claims description 7
- 230000037323 metabolic rate Effects 0.000 claims description 5
- 238000013211 curve analysis Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012300 Sequence Analysis Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims 1
- 230000002787 reinforcement Effects 0.000 claims 1
- 230000006399 behavior Effects 0.000 description 70
- 210000003414 extremity Anatomy 0.000 description 62
- 230000036544 posture Effects 0.000 description 60
- 230000000694 effects Effects 0.000 description 30
- 230000037237 body shape Effects 0.000 description 12
- 230000000386 athletic effect Effects 0.000 description 10
- 238000010276 construction Methods 0.000 description 7
- 230000003542 behavioural effect Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000003750 conditioning effect Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000005452 bending Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 3
- 210000000988 bone and bone Anatomy 0.000 description 3
- 230000010339 dilation Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000005021 gait Effects 0.000 description 3
- 210000002414 leg Anatomy 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 238000009958 sewing Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 210000001217 buttock Anatomy 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009916 joint effect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000037230 mobility Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 210000002832 shoulder Anatomy 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/754—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries involving a deformation of the sample pattern or of the reference pattern; Elastic matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明涉及服装工艺设计领域，尤其涉及一种服装工艺模板智能化设计方法及系统，该方法包括以下步骤：获取用户全身图像；利用计算机视觉技术对用户全身图像进行体态结构分析，以生成体态结构数据；对体态结构数据进行动态行为分析，生成动态行为数据；对动态行为数据进行用户身体特征分析，生成用户身体特征数据；对用户身体特征数据进行需求分析，以生成需求分析数据；基于需求分析数据对体态结构数据进行肢体特征参数匹配，获取用户肢体特征参数；通过用户肢体特征参数对体态结构数据进行服装模块设计，构建服装模块集；通过服装模块集对动态行为数据进行人体动作姿势分析，生成人体动作姿势数据，本发明实现了高效、准确的服装工艺设计。
Description
技术领域
本发明涉及服装工艺设计领域，尤其涉及服装工艺模板智能化设计方法及系统。
背景技术
在当今的时尚产业中，服装制造已经发展成一个全球性的、高度竞争激烈的行业。以往，服装设计和生产主要依赖于人工经验和复杂的制图软件，这导致了许多挑战，包括设计周期长、成本高、材料浪费等问题，传统的服装工艺模块化设计通过人工手段完成，往往具有效率较低，设计效果不准确的问题，因此，为了满足现代服装工艺模块化设计的需求，需要一种智能化的服装工艺模板智能化设计方法及系统。
发明内容
本发明为解决上述技术问题，提出了一种服装工艺模板智能化设计方法及系统，以解决至少一个上述技术问题。
为实现上述目的，本发明提供一种服装工艺模板智能化设计方法，包括以下步骤：
步骤S1：获取用户全身图像；利用计算机视觉技术对用户全身图像进行体态结构分析，以生成体态结构数据；对体态结构数据进行动态行为分析，生成动态行为数据；
步骤S2：对动态行为数据进行用户身体特征分析，生成用户身体特征数据；对用户身体特征数据进行需求分析，以生成需求分析数据；
步骤S3：基于需求分析数据对体态结构数据进行肢体特征参数匹配，获取用户肢体特征参数；通过用户肢体特征参数对体态结构数据进行服装模块设计，构建服装模块集；
步骤S4：通过服装模块集对动态行为数据进行人体动作姿势分析，生成人体动作姿势数据；对人体动作姿势数据进行服装运动性能计算，生成服装运动性能数据；
步骤S5：对人体动作姿势数据进行舒适感计算，生成动作舒适感参数；基于动作舒适感参数对服装模块集进行自适应参数优化，构建智能服装模块集；
步骤S6：对智能服装模块集进行数据挖掘建模，生成智能服装模型；利用智能服装模型对用户全身图像进行服装虚拟试穿，生成服装虚拟试穿模型，以执行服装工艺模块设计。
本发明通过计算机视觉技术，准确获取用户的全身图像，并分析其体态结构。这有助于了解用户的身体形状和姿势，为后续步骤提供基本数据，通过动态行为分析，系统可以捕捉用户的动作和行为，为后续步骤提供重要的数据。此外，对用户身体特征的分析有助于了解其个体差异，例如体型、姿势等，从而更好地满足其需求，基于需求分析和用户肢体特征参数，系统可以生成个性化的服装模块设计。这意味着服装将更好地适应用户的身体特征和需求，提供更好的贴合度和舒适度，基于需求分析和用户肢体特征参数，系统可以生成个性化的服装模块设计。这意味着服装将更好地适应用户的身体特征和需求，提供更好的贴合度和舒适度，通过计算动作舒适感参数，系统可以调整服装模块以提供更好的穿着体验。这意味着服装将更加符合用户的舒适度需求，并可在不同情境下自适应调整，利用智能服装模型进行虚拟试穿，用户可以在没有实际物理试穿的情况下，立即预览服装的外观和舒适度。这提供了更快速的购物体验，并减少了试错成本。
优选地，步骤S1包括以下步骤：
步骤S11：获取用户全身图像；
步骤S12：利用计算机视觉技术对用户全身图像进行身体部位尺寸识别，生成身体部位尺寸数据；
步骤S13：根据身体部位尺寸数据对用户全身图像进行身体曲线分析，获取身体曲线参数；
步骤S14：对身体曲线参数进行姿态分析，生成身体姿态数据；
步骤S15：根据身体曲线参数对身体姿态数据进行体态结构分析，以生成体态结构数据；
步骤S16：对体态结构数据进行动态行为分析，生成动态行为数据。
本发明通过 获取用户全身图像为服装设计提供了基本数据。可以使用这些图像来了解用户的整体外貌、身材特征和身体比例，以更好地定制服装，通过识别身体部位尺寸，可以获得用户的具体身体测量数据。这有助于制定精确的服装尺寸，确保服装与用户的身体尺寸相匹配，提供更好的穿着舒适度和外观，通过识别身体部位尺寸，可以获得用户的具体身体测量数据。这有助于制定精确的服装尺寸，确保服装与用户的身体尺寸相匹配，提供更好的穿着舒适度和外观， 生成的姿态数据可以帮助理解用户的自然姿态和身体姿势。这有助于设计服装，使其在用户的日常活动中提供最佳的舒适性和可穿性，体态结构数据提供了用户的身高、体型和整体外貌特征。这有助于选择适合用户体态结构的服装风格和设计，确保服装与用户的整体外观协调一致，动态行为数据提供了用户在不同情境下的动作和行为信息。这对于设计运动装、舞蹈服装等需要考虑用户的活动性质的服装非常重要。此外，它还可以用于虚拟试衣和动态模特仿真。
优选地，步骤S16包括以下步骤：
步骤S161：对体态结构数据进行动作模拟，生成动作模拟数据；
步骤S162：对动作模拟数据进行运动模式检测，生成运动模式数据；
步骤S163：根据运动模式数据对动作行为数据进行运动体态变化分析，生成运动体态变化数据；
步骤S164：运动体态变化数据进行动态行为分析，生成动态行为数据。
本发明通过模拟用户在不同动作和姿势下的外观。通过模拟用户在站立、行走、坐下、伸展等不同动作中的外观，可以更好地了解服装在不同情境下的表现。这有助于确保服装在各种日常活动中提供合适的舒适性和合身度，运动模式数据提供了用户在不同动作中的模式和频率信息。这有助于了解用户的活动类型，例如慢跑、瑜伽、健身等。这使得服装可以根据不同的运动模式进行设计，以提供更好的运动性能和舒适，运动体态变化数据提供了用户在不同运动模式下的外观和姿势的变化信息。这有助于根据不同的运动体态调整服装设计，以确保服装在不同的运动活动中提供最佳的适应性和性能。例如，在瑜伽时需要柔软性，而在慢跑时需要支持性，动态行为数据提供了用户在不同动作和运动中的外观和行为特征。这有助于更好地了解用户的需求和习惯。这些数据可用于调整服装的细节，如裤腿长度、领口设计和面料选择，以满足用户的特定需求。
优选地，步骤S2包括以下步骤：
步骤S21：对动态行为数据进行用户骨骼结构分析，生成用户骨骼结构数据；
步骤S22：对用户骨骼结构数据进行肢体关节灵活性分析，生成肢体关节灵活性数据；
步骤S23：对用户骨骼结构数据、肢体关节灵活性数据进行用户身体特征分析，生成用户身体特征数据；
步骤S24：对用户身体特征数据进行风格偏好分析，生成风格偏好数据；
步骤S25：根据风格偏好数据对用户身体特征数据进行需求分析，以生成需求分析数据。
本发明通过分析用户的骨骼结构，可以了解到用户身体的基本形状和结构。这对于制定服装的基本版型和裁剪非常重要。不同骨骼结构需要不同的版型，以确保服装的合身度和穿着舒适性， 肢体关节灵活性数据提供了用户在关键关节的灵活性信息。这对于设计弹性、舒适性良好的服装至关重要，尤其是在需要大范围运动的情况下，例如运动装或舒适度要求较高的休闲装，将骨骼结构和关节灵活性结合起来进行身体特征分析，可以更全面地了解用户的身体特点。这有助于定制化服装设计，以适应不同用户的个体差异，提高服装的穿着体验，风格偏好数据提供了关于用户喜好和审美趋向的信息。这有助于在创造服装设计时更好地满足用户的品味，从颜色、剪裁到面料的选择都可以更贴近用户的喜好，需求分析数据结合了用户身体特征和偏好，为提供了详细的设计方向。这确保了服装不仅符合用户的身体特征，还满足其审美和功能性需求。因此，可以更精准地创造出受用户喜爱且实用的服装。
优选地，步骤S3包括以下步骤：
步骤S31：基于需求分析数据对体态结构数据进行肢体特征参数匹配，获取用户肢体特征参数；
步骤S32：对用户肢体特征参数进行参数映射，生成用户肢体特征图；
步骤S33：对用户肢体特征图进行服装类型设计，生成服装类型数据；
步骤S34：根据服装类型数据对体态结构数据进行服装模块设计，构建服装模块集。
本发明通过需求分析数据与用户的体态结构数据相结合，以获取用户的肢体特征参数。这有助于定制化服装，确保服装更好地贴合用户的身体特征，包括身材、肢体长度、比例等。这可以提高服装的合身性和穿着舒适性，参数映射将用户的肢体特征参数转化为肢体特征图，这是一种可视化的方式来表示用户的身体特征。这有助于更好地理解用户的身体形状和结构，从而更好地适应用户的需要，基于用户的肢体特征图进行服装类型设计。可以选择适合用户身体特征的不同服装类型，以确保服装不仅合身，而且符合用户的风格和需求，根据用户的体态结构数据和所选的服装类型，可以构建服装模块集。这意味着服装可以分成不同的模块，以适应用户的身体特征，例如衣长、领型、袖型等。这使得服装可以更灵活地定制，以满足用户的需求。
优选地，步骤S4包括以下步骤：
步骤S41：通过服装模块集对动态行为数据进行动作时序分析，生成动作时序数据；
步骤S42：根据动作时序数据对动态行为数据进行姿态空间关系分析，生成姿态空间关系参数；
步骤S43：对姿态空间关系参数进行姿势连续性分析，生成姿势连贯性数据；
步骤S44：对姿势连贯性数据进行稳定性分析，生成姿势稳定性数据；
步骤S45：根据姿势稳定性数据利用服装运动性能计算公式对人体动作姿势数据进行服装运动性能计算，生成服装运动性能数据。
本发明通过确定用户在特定动作下的身体部位移动顺序和时序，这样的分析有助于理解不同动作对服装的影响，以及如何调整服装模块以适应特定动作。这使得服装设计能够更好地满足用户的运动需求和活动范围，通过分析姿态空间关系参数，可以理解不同身体部位之间的相对位置和姿态。这有助于更好地理解用户在不同动作下身体的姿态变化，从而在服装设计中考虑更多的空间因素，确保服装在不同动作下仍然保持合适的外观和舒适度，有助于确定用户在动作过程中的姿势变化的连贯性。分析姿势的连贯性可以帮助确定服装在不同动作下的变形程度，确保服装的外观不会受到用户动作变化的影响，从而保持良好的外观和功能性，通过姿势稳定性数据的分析，可以了解不同动作下用户的姿势稳定性。这有助于了解在不同动作下服装受到的拉伸和压力，从而选择合适的面料和结构以提供所需的稳定性和支撑性，通过运用服装运动性能计算公式，为提供了关于不同动作下服装的性能评估。这有助于确保设计的服装能够适应用户的不同动作需求，提供足够的舒适度、灵活性和支持性，从而提高服装的功能性和实用性。
优选地，步骤S45中的服装运动性能计算公式具体为：
；
其中，为服装运动性能值，为服装布料厚度，为纤维混纺比例值，为布料线密
度，为服装布料材质评分值，为服装拉伸率，为服装断裂强度，为服装拉伸模量，为
材料密度，为空气通透率，为吸汗能力值，为潮气透过率，为缝合质量，为织物可压
缩率。
本发明通过表示服装的布料厚度与纤维混纺比例之间的对数关系。它表
示了布料的柔软性和适应性，较薄的布料和合适的纤维混纺比例通常会提高服装的舒适
度，通过服装材质评分值、布料线密度和材质评分值之间的复杂关系。它表示了材质的结构
和弹性，对服装的运动性能有一定影响，表示服装的拉伸率和断裂强度（拉伸强度）
的平方根。具体含义是服装的材料可以在受到力的作用下伸展的程度和材料的抵抗力。较
大的拉伸率和断裂强度通常意味着服装在运动中具有更好的伸缩性和耐用性，这对于舒适
性和耐用性非常重要，拉伸模量是一个衡量材料刚度的指标，它表示了服装在受到应力时
的强度和刚度。较小的拉伸模量意味着服装更容易伸展，这有助于运动时的舒适性和灵活
性，表示吸汗能力衡量织物对汗水的吸收和排出能力。较高的吸汗能力意味着织
物可以有效地吸收汗水，保持穿着者干燥。这对于运动服装尤为重要，因为运动时会出汗，
如果织物不具备足够的吸汗能力，穿着者可能会感到不舒适，高潮气透过率的织物可以帮
助排出体内的湿气，保持适当的通风。这对于防止过度出汗和维持穿着者的舒适度也非常
重要，公式综合考虑了服装的伸缩性、刚度、轻便性以及透气性等因素，更加精确的计算了
服装运动性能。
优选地，步骤S5包括以下步骤：
步骤S51：利用服装模块舒适感计算公式对人体动作姿势数据进行舒适感计算，生成动作舒适感参数；
步骤S52：基于动作舒适感参数对服装模块集进行优化决策分析，生成服装优化策略；
步骤S53：通过服装优化策略对服装模块集进行自适应参数优化，构建智能服装模块集。
本发明通过舒适感计算，设计师可以获得关于不同动作下服装舒适性的定量参数。这有助于理解服装在特定动作下对用户的舒适度影响，提供客观的衡量标准。这些参数将作为后续步骤的基础，以确保服装在优化过程中能够满足用户对舒适性的期望，利用动作舒适感参数，设计师可以制定有针对性的服装优化策略。这包括调整服装模块的结构、材料或其他相关因素，以提高在不同动作下的舒适性。优化决策的分析有助于确保设计的变化符合舒适性需求，同时保持服装的整体性和设计美感，根据优化策略对服装模块进行自适应参数的优化。通过动态调整服装模块，以适应不同动作下的舒适性需求，设计师可以构建智能服装模块集。这使得服装能够更灵活地适应用户的运动，提供更高水平的舒适性和性能。
优选地，步骤S51中的服装模块舒适感计算公式具体为：
；
其中，为服装模块舒适感值，为服装质感评分，为身体肌肤感知度，为服装穿
戴的最佳温度与实际温度的差值，为服装的绝缘性能，为服装的湿度调节性能，为个体
代谢率，为服装透气率，为服装松紧程度值，为服装弹性值，为服装皮肤友好度，为
体态适应性，为服装退缩率。
本发明通过表示服装的质感评分和身体肌肤感知度，以及某种程度的
温度差值。质感评分和身体感知度是关于服装外观和触感的评价。温度差值表示了服装是
否能够提供适当的保温效果。可能用来衡量服装外观和质感对舒适感的影
响，以及是否能够满足身体的保温需求，通过计算服装的绝缘性能在极端条件下的影响。较
高的绝缘性能可以帮助保持身体温度，而较好的湿度调节性能可以帮助控制湿度。这一部
分可能用来评估服装在不同条件下的表现，计算服装穿戴的温度差值（d）、个体代谢
率（μ）和服装透气率，个体代谢率表示了个体在不同活动水平下的能量消耗，温度差值表示
了个体是否会感到过热或过冷，服装透气率表示了服装是否能够帮助排除体内的热量和湿
气，用来评估服装对个体的温度调节和舒适感的影响，计算服装的松紧程度
值、弹性值、皮肤友好度和体态适应性，服装的松紧程度和弹性可以影响穿着者的运动自由
度和舒适度，皮肤友好度表示了服装与皮肤接触时的舒适度，体态适应性表示了服装是否
适应了个体的体态，用来评估服装的舒适性和适应性，用来权衡退缩率对舒适感的影响，
用来评估服装的持久性和舒适性，公式考虑了多个与服装舒适性相关的因素，包括外观、保
温、绝缘性能、湿度调节性能、透气性、松紧程度、弹性、皮肤友好度、体态适应性和持久性，
有助于精准综合评估服装的舒适度。
优选地，步骤S6包括以下步骤：
步骤S61：对智能服装模块集进行卷积预处理，生成卷积样本集；
步骤S62：对卷积样本集进行膨胀卷积，生成智能服装网络；
步骤S63：对智能服装网络进行池化采样，生成智能服装图；
步骤S64：对智能服装图进行数据挖掘建模，生成智能服装模型；
步骤S65：利用智能服装模型对用户全身图像进行服装虚拟试穿，生成服装虚拟试穿模型，以执行服装工艺模块设计。
本发明通过将服装模块集进行卷积预处理，以生成卷积样本集。这有助于提取关键特征，例如纹理、形状、颜色等，从服装模块中提供更多的信息。卷积样本集为后续的数据分析和模型构建提供了更丰富的数据基础，膨胀卷积用于生成智能服装网络。这个网络可以理解为一个深度学习模型，用于理解服装模块的复杂特征，包括纹理、图案、适应性等。智能服装网络的构建有助于更好地理解服装，以便进一步的分析和决策，池化采样用于生成智能服装图，从智能服装网络中提取重要特征。这有助于降低数据的维度，提高计算效率，同时保留关键信息。生成的智能服装图是后续模型的输入，用于进一步的数据挖掘和建模，旨在通过数据挖掘技术，构建智能服装模型。这个模型可以理解为一个预测工具，它可以根据智能服装图的输入，对服装的特性和性能进行预测。这有助于设计师更好地了解如何优化服装以提供更好的舒适性、风格和性能，将智能服装模型应用于用户的全身图像，以进行虚拟试穿。这使得用户可以在虚拟环境中尝试不同的服装，而无需实际穿戴。这有益于服装设计的个性化和用户体验，以及更好地了解用户如何在不同服装下感到舒适。此外，这个模型还可以在后续的服装工艺模块设计中发挥作用，以帮助制造服装。
在本说明书中，提供一种服装工艺模板智能化设计系统，包括：
体态结构模块，获取用户全身图像；利用计算机视觉技术对用户全身图像进行体态结构分析，以生成体态结构数据；对体态结构数据进行动态行为分析，生成动态行为数据；
需求分析模块，对动态行为数据进行用户身体特征分析，生成用户身体特征数据；对用户身体特征数据进行需求分析，以生成需求分析数据；
服装设计模块，基于需求分析数据对体态结构数据进行肢体特征参数匹配，获取用户肢体特征参数；通过用户肢体特征参数对体态结构数据进行服装模块设计，构建服装模块集；
运动性能模块，通过服装模块集对动态行为数据进行人体动作姿势分析，生成人体动作姿势数据；对人体动作姿势数据进行服装运动性能计算，生成服装运动性能数据；
参数优化模块，对人体动作姿势数据进行舒适感计算，生成动作舒适感参数；基于动作舒适感参数对服装模块集进行自适应参数优化，构建智能服装模块集；
智能服装模型模块，对智能服装模块集进行数据挖掘建模，生成智能服装模型；利用智能服装模型对用户全身图像进行服装虚拟试穿，生成服装虚拟试穿模型，以执行服装工艺模块设计。
本发明通过体态结构模块系统可以获取用户的全身图像，为后续分析提供数据，利用计算机视觉技术对用户全身图像进行分析，可以提取体态结构数据，包括身体姿势、姿态、比例等信息，对体态结构数据进行分析，可以获取用户的动态行为数据，包括步态、动作等。这有助于更好地了解用户的行为模式和需求，系统分析动态行为数据，以生成用户身体特征数据。这有助于了解用户的身体特点，如身高、体型等，利用用户身体特征数据，进行需求分析，以了解用户的服装需求，例如舒适性、风格、用途等。这可以帮助定制服装设计，基于需求分析数据，将用户的肢体特征参数与体态结构数据匹配，以获取用户的具体身体特征参数，利用用户的肢体特征参数，进行服装模块设计，构建服装模块集。这有助于设计与用户体态结构相适应的服装，通过服装模块集，对动态行为数据进行分析，可以生成人体动作姿势数据。这有助于了解用户在不同动作中的需求，利用人体动作姿势数据，进行服装运动性能计算。这可用于确定服装在各种运动或活动情境下的性能，包括灵活性、透气性等，通过对人体动作姿势数据的分析，生成动作舒适感参数，以评估服装在各种动作中的舒适性，基于动作舒适感参数，对服装模块集进行自适应参数优化。这有助于提高服装的舒适性和性能，对智能服装模块集进行数据挖掘建模，以构建智能服装模型。这个模型可以预测服装的性能和适应性，有助于改进设计，利用智能服装模型，对用户全身图像进行虚拟试穿，生成服装虚拟试穿模型。这有助于用户了解服装在其身体上的实际效果。
附图说明
图1为本发明一种服装工艺模板智能化设计方法及系统的步骤流程示意图；
图2为步骤S1的详细实施步骤流程示意图；
图3为步骤S2的详细实施步骤流程示意图；
图4为步骤S3的详细实施步骤流程示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本申请实例提供一种服装工艺模板智能化设计方法及系统。所述服装工艺模板智能化设计方法及系统的执行主体包括但不限于搭载该系统的：机械设备、数据处理平台、云服务器节点、网络上传设备等可看作本申请的通用计算节点，所述数据处理平台包括但不限于：音频图像管理系统、信息管理系统、云端数据管理系统至少一种。
请参阅图1至图4，本发明提供了服装工艺模板智能化设计方法及系统，所述服装工艺模板智能化设计方法包括以下步骤：
步骤S1：获取用户全身图像；利用计算机视觉技术对用户全身图像进行体态结构分析，以生成体态结构数据；对体态结构数据进行动态行为分析，生成动态行为数据；
步骤S2：对动态行为数据进行用户身体特征分析，生成用户身体特征数据；对用户身体特征数据进行需求分析，以生成需求分析数据；
步骤S3：基于需求分析数据对体态结构数据进行肢体特征参数匹配，获取用户肢体特征参数；通过用户肢体特征参数对体态结构数据进行服装模块设计，构建服装模块集；
步骤S4：通过服装模块集对动态行为数据进行人体动作姿势分析，生成人体动作姿势数据；对人体动作姿势数据进行服装运动性能计算，生成服装运动性能数据；
步骤S5：对人体动作姿势数据进行舒适感计算，生成动作舒适感参数；基于动作舒适感参数对服装模块集进行自适应参数优化，构建智能服装模块集；
步骤S6：对智能服装模块集进行数据挖掘建模，生成智能服装模型；利用智能服装模型对用户全身图像进行服装虚拟试穿，生成服装虚拟试穿模型，以执行服装工艺模块设计。
本发明通过 计算机视觉技术，准确获取用户的全身图像，并分析其体态结构。这有助于了解用户的身体形状和姿势，为后续步骤提供基本数据，通过动态行为分析，系统可以捕捉用户的动作和行为，为后续步骤提供重要的数据。此外，对用户身体特征的分析有助于了解其个体差异，例如体型、姿势等，从而更好地满足其需求，基于需求分析和用户肢体特征参数，系统可以生成个性化的服装模块设计。这意味着服装将更好地适应用户的身体特征和需求，提供更好的贴合度和舒适度，基于需求分析和用户肢体特征参数，系统可以生成个性化的服装模块设计。这意味着服装将更好地适应用户的身体特征和需求，提供更好的贴合度和舒适度，通过计算动作舒适感参数，系统可以调整服装模块以提供更好的穿着体验。这意味着服装将更加符合用户的舒适度需求，并可在不同情境下自适应调整，利用智能服装模型进行虚拟试穿，用户可以在没有实际物理试穿的情况下，立即预览服装的外观和舒适度。这提供了更快速的购物体验，并减少了试错成本。
本发明实施例中，参考图1所述，为本发明服装工艺模板智能化设计方法及系统的步骤流程示意图，在本实例中，所述服装工艺模板智能化设计方法的步骤包括：
步骤S1：获取用户全身图像；利用计算机视觉技术对用户全身图像进行体态结构分析，以生成体态结构数据；对体态结构数据进行动态行为分析，生成动态行为数据；
本实施例中，通过摄像头、手机摄像机或其他图像采集设备来完成。确保图像是全身的，以包括用户的整体身体特征，对采集的图像进行预处理，包括去噪、调整亮度和对比度等，对采集的图像进行预处理，包括去噪、调整亮度和对比度等，对检测到的人体部位进行关键点检测。这会识别身体部位的具体位置，如肩膀、膝盖、手腕等，利用检测到的关键点，分析用户的体态结构，包括姿势、比例和体型。这些数据可以包括角度、距离和比例信息，以描述用户的体态，获取一系列连续图像帧，以捕捉用户的动态行为，使用光流估计技术来分析相邻图像帧之间的像素位移，以获得运动信息。这可以帮助了解用户的动作，使用光流估计技术来分析相邻图像帧之间的像素位移，以获得运动信息。这可以帮助了解用户的动作，基于跟踪到的姿势数据，分析用户的动态行为，包括步态、手臂动作、走路等。这可以生成动态行为数据，用于了解用户的行为模式。
步骤S2：对动态行为数据进行用户身体特征分析，生成用户身体特征数据；对用户身体特征数据进行需求分析，以生成需求分析数据；
本实施例中，获取到的动态行为数据应包括用户的各种动作、姿势、运动轨迹等信息。这通常是以时间序列的形式保存的，获取到的动态行为数据应包括用户的各种动作、姿势、运动轨迹等信息。这通常是以时间序列的形式保存的，将提取的身体特征数据以一种机器可理解的方式进行表示，通常是向量或矩阵形式，将用户身体特征数据与具体的需求相关数据关联起来。根据分析的结果生成需求分析数据，这些数据可以是用户偏好、推荐的活动、个性化建议等。这些数据可以被用于改进产品、提供更好的服务等，验证生成的需求分析数据的准确性和有效性，通过与用户的反馈和实际应用的性能进行比较，验证生成的需求分析数据的准确性和有效性，通过与用户的反馈和实际应用的性能进行比较。
步骤S3：基于需求分析数据对体态结构数据进行肢体特征参数匹配，获取用户肢体特征参数；通过用户肢体特征参数对体态结构数据进行服装模块设计，构建服装模块集；
本实施例中，使用计算机视觉技术或身体测量工具，从体态结构数据中提取肢体特征参数。这些参数可以包括肩宽、胸围、腰围、臀围、腿长、手臂长度等，将提取的肢体特征参数与用户需求数据进行匹配，以确定哪些特征参数是关键的，需要在服装设计中考虑，根据用户的肢体特征参数和需求数据，调整服装模块的设计，以确保服装在身体上的合适度和舒适度。例如，需要根据用户的肩宽和胸围来调整上衣的设计，根据用户需求数据中的风格和颜色喜好，设计服装的外观，根据用户需求数据中的风格和颜色喜好，设计服装的外观，将不同服装模块（如上衣、裤子、外套等）组合在一起，以创建完整的服装套装，将不同服装模块（如上衣、裤子、外套等）组合在一起，以创建完整的服装套装。
步骤S4：通过服装模块集对动态行为数据进行人体动作姿势分析，生成人体动作姿势数据；对人体动作姿势数据进行服装运动性能计算，生成服装运动性能数据；
本实施例中，利用传感器技术、摄像头或其他数据采集工具，收集用户在不同动态行为中的数据。这可以包括行走、跑步、弯曲、伸展、跳跃等动作，使用计算机视觉技术或运动捕捉系统对动态行为数据进行分析，以识别用户的不同动作和姿势，从姿势识别中获得的数据可以包括用户的三维姿势数据，描述了身体各部分的位置和方向，使用生成的人体动作姿势数据，将其与服装模块集中的设计进行匹配。这可以包括检查服装是否合适进行特定动作，如弯曲、伸展、奔跑等，考虑服装材料的特性，如伸缩性、透气性、吸汗性等，以确定其适用性，特别是在各种动态行为下，使用数值分析和模拟技术，计算服装在不同动作和姿势下的性能，如舒适度、灵活性、阻力等，记录计算结果，并将其与用户需求进行比较。生成服装运动性能数据，描述服装在各种动态行为中的性能表现。
步骤S5：对人体动作姿势数据进行舒适感计算，生成动作舒适感参数；基于动作舒适感参数对服装模块集进行自适应参数优化，构建智能服装模块集；
本实施例中，定义舒适感的参数和标准。这些参数可以包括温度、湿度、压力、摩擦等与服装和人体之间的交互有关的因素，基于已有的生物医学、生理学或心理学研究，建立一个数学模型，用于计算舒适感。这个模型可以包括多个因素的权衡，以综合评估舒适感，将人体动作姿势数据与舒适感模型相关联，以计算在不同动态行为和姿势下的舒适感参数，使用上述舒适感模型，对每个动作和姿势生成相应的舒适感参数。这些参数可以是数值化的指标，用来描述服装在特定情境下的舒适性，定义服装模块集中的参数，这些参数可以包括面料的材质、松紧度、透气性等。这些参数将在此步骤中进行优化，利用数学优化算法，例如遗传算法、梯度下降等，根据生成的动作舒适感参数，自动调整服装模块集中的参数，以最大程度地提高舒适感，确保参数的优化在合理的范围内，并遵循设计约束，如材料成本、可生产性，基于自适应参数优化的结果，调整服装模块集中的各个组件，以创建一个智能服装模块集，具有针对不同动态行为和姿势的最佳舒适性。
步骤S6：对智能服装模块集进行数据挖掘建模，生成智能服装模型；利用智能服装模型对用户全身图像进行服装虚拟试穿，生成服装虚拟试穿模型，以执行服装工艺模块设计。
本实施例中，使用数据挖掘技术对收集到的服装设计数据进行建模。这包括应用机器学习算法来分析服装款式的趋势、流行元素以及材质的特点，结合数据挖掘所得的结果，构建智能服装模型，该模型能够根据用户的体型数据和个人喜好，推荐最适合的服装款式和设计元素，将智能服装模型应用于用户的全身图像。这可以通过虚拟现实技术或计算机图形学实现，使用图像处理和计算机视觉技术，将用户的实际图像与智能服装模型结合，以模拟虚拟试穿的效果，评估虚拟试穿模型的效果，包括服装与用户体型的贴合度、服装款式的外观效果等，根据评估结果，对智能服装模型和虚拟试穿模型进行优化，以提高试穿的准确性和真实感。
本实施例中，参考图2所述，为步骤S1的详细实施步骤流程示意图，本实施例中，所述步骤S1的详细实施步骤包括：
步骤S11：获取用户全身图像；
步骤S12：利用计算机视觉技术对用户全身图像进行身体部位尺寸识别，生成身体部位尺寸数据；
步骤S13：根据身体部位尺寸数据对用户全身图像进行身体曲线分析，获取身体曲线参数；
步骤S14：对身体曲线参数进行姿态分析，生成身体姿态数据；
步骤S15：根据身体曲线参数对身体姿态数据进行体态结构分析，以生成体态结构数据；
步骤S16：对体态结构数据进行动态行为分析，生成动态行为数据。
本发明通过 获取用户全身图像为服装设计提供了基本数据。可以使用这些图像来了解用户的整体外貌、身材特征和身体比例，以更好地定制服装，通过识别身体部位尺寸，可以获得用户的具体身体测量数据。这有助于制定精确的服装尺寸，确保服装与用户的身体尺寸相匹配，提供更好的穿着舒适度和外观，通过识别身体部位尺寸，可以获得用户的具体身体测量数据。这有助于制定精确的服装尺寸，确保服装与用户的身体尺寸相匹配，提供更好的穿着舒适度和外观， 生成的姿态数据可以帮助理解用户的自然姿态和身体姿势。这有助于设计服装，使其在用户的日常活动中提供最佳的舒适性和可穿性，体态结构数据提供了用户的身高、体型和整体外貌特征。这有助于选择适合用户体态结构的服装风格和设计，确保服装与用户的整体外观协调一致，动态行为数据提供了用户在不同情境下的动作和行为信息。这对于设计运动装、舞蹈服装等需要考虑用户的活动性质的服装非常重要。此外，它还可以用于虚拟试衣和动态模特仿真。
本实施例中，通过摄像头、扫描仪或其他图像采集设备来完成。用户通常会穿着紧身衣物，以便更好地捕捉身体轮廓，利用计算机视觉技术，对用户的全身图像进行分析，以检测和测量身体的各个部位，如肩宽、臀围、胸围、腰围等。这些数据将被用于量身定制服装，利用身体部位尺寸数据，进行身体曲线分析，以获取身体曲线参数。这包括了用户的曲线形状，如腰部的弧度、臀部的曲线等，对身体曲线参数进行分析，以了解用户的身体姿态。这包括用户的站姿、坐姿等。姿态分析可以帮助确保服装在不同姿势下的合适性，基于身体曲线参数和姿态数据，进行体态结构分析，有助于了解用户的身体结构，例如身体的比例、肢体的长度和身材特点，对体态结构数据进行动态行为分析，以了解用户的动态行为，例如行走、坐下、弯腰等。这有助于确保服装不仅在静态状态下合适，还在不同动作下保持舒适。
本实施例中，步骤S16包括以下步骤：
步骤S161：对体态结构数据进行动作模拟，生成动作模拟数据；
步骤S162：对动作模拟数据进行运动模式检测，生成运动模式数据；
步骤S163：根据运动模式数据对动作行为数据进行运动体态变化分析，生成运动体态变化数据；
步骤S164：运动体态变化数据进行动态行为分析，生成动态行为数据。
本发明通过模拟用户在不同动作和姿势下的外观。通过模拟用户在站立、行走、坐下、伸展等不同动作中的外观，可以更好地了解服装在不同情境下的表现。这有助于确保服装在各种日常活动中提供合适的舒适性和合身度，运动模式数据提供了用户在不同动作中的模式和频率信息。这有助于了解用户的活动类型，例如慢跑、瑜伽、健身等。这使得服装可以根据不同的运动模式进行设计，以提供更好的运动性能和舒适，运动体态变化数据提供了用户在不同运动模式下的外观和姿势的变化信息。这有助于根据不同的运动体态调整服装设计，以确保服装在不同的运动活动中提供最佳的适应性和性能。例如，在瑜伽时需要柔软性，而在慢跑时需要支持性，动态行为数据提供了用户在不同动作和运动中的外观和行为特征。这有助于更好地了解用户的需求和习惯。这些数据可用于调整服装的细节，如裤腿长度、领口设计和面料选择，以满足用户的特定需求。
本实施例中，使用体态结构数据模拟用户在不同动作下的体态变化。这可以通过计算机图形学技术来实现，使用身体尺寸、曲线和姿态数据，以生成用户在不同动作中的虚拟三维模型或图像。这些虚拟模型表示了用户的体态和动作，动作模拟数据进行分析，以检测用户的运动模式。运动模式包括行走、跑步、弯腰、伸展等。这可以通过计算机视觉技术和运动分析算法来实现，利用运动模式数据，分析用户在不同运动中的体态变化。这包括了用户的肢体姿势、身体曲线等在不同运动中的变化。这些数据将有助于定制适合特定运动的服装，对运动体态变化数据进行动态行为分析，以了解用户在不同运动中的动作行为，如步幅、摆臂等。这有助于确保设计的服装在不同运动场景下提供舒适性和功能性。
本实施例中，参考图3所述，为步骤S2的详细实施步骤流程示意图，本实施例中，所述步骤S2的详细实施步骤包括：
步骤S21：对动态行为数据进行用户骨骼结构分析，生成用户骨骼结构数据；
步骤S22：对用户骨骼结构数据进行肢体关节灵活性分析，生成肢体关节灵活性数据；
步骤S23：对用户骨骼结构数据、肢体关节灵活性数据进行用户身体特征分析，生成用户身体特征数据；
步骤S24：对用户身体特征数据进行风格偏好分析，生成风格偏好数据；
步骤S25：根据风格偏好数据对用户身体特征数据进行需求分析，以生成需求分析数据。
本发明通过分析用户的骨骼结构，可以了解到用户身体的基本形状和结构。这对于制定服装的基本版型和裁剪非常重要。不同骨骼结构需要不同的版型，以确保服装的合身度和穿着舒适性， 肢体关节灵活性数据提供了用户在关键关节的灵活性信息。这对于设计弹性、舒适性良好的服装至关重要，尤其是在需要大范围运动的情况下，例如运动装或舒适度要求较高的休闲装，将骨骼结构和关节灵活性结合起来进行身体特征分析，可以更全面地了解用户的身体特点。这有助于定制化服装设计，以适应不同用户的个体差异，提高服装的穿着体验，风格偏好数据提供了关于用户喜好和审美趋向的信息。这有助于在创造服装设计时更好地满足用户的品味，从颜色、剪裁到面料的选择都可以更贴近用户的喜好，需求分析数据结合了用户身体特征和偏好，为提供了详细的设计方向。这确保了服装不仅符合用户的身体特征，还满足其审美和功能性需求。因此，可以更精准地创造出受用户喜爱且实用的服装。
本实施例中，使用动态行为数据，是用户的运动模式和动态行为的数据，来分析用户的骨骼结构。这可以包括骨骼长度、关节位置等信息。这些数据有助于了解用户的身体结构，利用用户骨骼结构数据，进行肢体关节灵活性分析。这包括了用户的关节活动范围和灵活性数据。这些信息对于设计服装时考虑用户的舒适性和可穿性非常重要，结合用户的骨骼结构数据和肢体关节灵活性数据，进行用户身体特征分析。这包括用户的身高、体型、比例等特征。这有助于定制服装以适应用户的具体身体特征，对用户的身体特征数据进行分析，以了解他们的服装风格偏好。这可以包括颜色、款式、材料等方面的偏好，根据用户的风格偏好数据，结合他们的身体特征数据，进行需求分析。这有助于确定用户对服装的具体需求，包括款式、尺寸、材料等。
本实施例中，参考图4所述，为步骤S3的详细实施步骤流程示意图，本实施例中，所述步骤S3的详细实施步骤包括：
步骤S31：基于需求分析数据对体态结构数据进行肢体特征参数匹配，获取用户肢体特征参数；
步骤S32：对用户肢体特征参数进行参数映射，生成用户肢体特征图；
步骤S33：对用户肢体特征图进行服装类型设计，生成服装类型数据；
步骤S34：根据服装类型数据对体态结构数据进行服装模块设计，构建服装模块集。
本发明通过需求分析数据与用户的体态结构数据相结合，以获取用户的肢体特征参数。这有助于定制化服装，确保服装更好地贴合用户的身体特征，包括身材、肢体长度、比例等。这可以提高服装的合身性和穿着舒适性，参数映射将用户的肢体特征参数转化为肢体特征图，这是一种可视化的方式来表示用户的身体特征。这有助于更好地理解用户的身体形状和结构，从而更好地适应用户的需要，基于用户的肢体特征图进行服装类型设计。可以选择适合用户身体特征的不同服装类型，以确保服装不仅合身，而且符合用户的风格和需求，根据用户的体态结构数据和所选的服装类型，可以构建服装模块集。这意味着服装可以分成不同的模块，以适应用户的身体特征，例如衣长、领型、袖型等。这使得服装可以更灵活地定制，以满足用户的需求。
本实施例中，需求分析数据用来确定用户对服装的具体要求，如款式、尺寸、颜色等。然后，这些需求与用户的体态结构数据进行匹配，以获取用户的肢体特征参数。这些参数可以包括身体尺寸、身体曲线等，通过获取用户的肢体特征参数，这些参数需要被映射到一个可视化的肢体特征图上。这个图可以用来更好地理解用户的身体特征，包括曲线、比例和其他方面，基于用户的肢体特征图，服装设计师可以开始设计不同类型的服装。这一步骤涉及选择适合用户身体特征的服装类型，包括裙子、裤子、上衣等，并生成相关的服装类型数据，使用生成的服装类型数据，可以开始设计服装的具体模块，例如领口、袖口、裙摆等。这些模块需要与用户的体态结构数据相匹配，以确保最终的服装适合用户的身体特征。通过组合这些模块，可以构建一个完整的服装模块集，这将用于制作用户的个性化服装。
本实施例中，步骤S4包括以下步骤：
步骤S41：通过服装模块集对动态行为数据进行动作时序分析，生成动作时序数据；
步骤S42：根据动作时序数据对动态行为数据进行姿态空间关系分析，生成姿态空间关系参数；
步骤S43：对姿态空间关系参数进行姿势连续性分析，生成姿势连贯性数据；
步骤S44：对姿势连贯性数据进行稳定性分析，生成姿势稳定性数据；
步骤S45：根据姿势稳定性数据利用服装运动性能计算公式对人体动作姿势数据进行服装运动性能计算，生成服装运动性能数据。
本发明通过确定用户在特定动作下的身体部位移动顺序和时序，这样的分析有助于理解不同动作对服装的影响，以及如何调整服装模块以适应特定动作。这使得服装设计能够更好地满足用户的运动需求和活动范围，通过分析姿态空间关系参数，可以理解不同身体部位之间的相对位置和姿态。这有助于更好地理解用户在不同动作下身体的姿态变化，从而在服装设计中考虑更多的空间因素，确保服装在不同动作下仍然保持合适的外观和舒适度，有助于确定用户在动作过程中的姿势变化的连贯性。分析姿势的连贯性可以帮助确定服装在不同动作下的变形程度，确保服装的外观不会受到用户动作变化的影响，从而保持良好的外观和功能性，通过姿势稳定性数据的分析，可以了解不同动作下用户的姿势稳定性。这有助于了解在不同动作下服装受到的拉伸和压力，从而选择合适的面料和结构以提供所需的稳定性和支撑性，通过运用服装运动性能计算公式，为提供了关于不同动作下服装的性能评估。这有助于确保设计的服装能够适应用户的不同动作需求，提供足够的舒适度、灵活性和支持性，从而提高服装的功能性和实用性。
本实施例中，服装模块集被用来分析动态行为数据，这些数据包括用户的不同动作或动作序列。通过分析这些数据，可以生成动作的时序信息，也就是不同动作在时间上的顺序，基于生成的动作时序数据，对动态行为数据进行进一步分析，以获得姿态空间关系参数。这些参数包括身体部位之间的相对位置、角度、姿态等信息，用于描述不同动作中的姿态空间关系，姿势连贯性数据生成是为了评估不同动作之间的流畅度。对姿态空间关系参数进行分析，以确定动作是否连贯，或者是否存在不连贯性，对姿势连贯性数据进行分析，以评估不同动作的稳定性。这可以包括确定是否有过度晃动、不稳定的姿势或动作，利用生成的姿势稳定性数据，可以应用服装运动性能计算公式，以评估服装在不同动作中的性能。这些计算包括服装的舒适度、适应性、耐磨性等方面的性能。
本实施例中，步骤S45中的服装运动性能计算公式具体为：
；
其中，为服装运动性能值，为服装布料厚度，为纤维混纺比例值，为布料线密
度，为服装布料材质评分值，为服装拉伸率，为服装断裂强度，为服装拉伸模量，为
材料密度，为空气通透率，为吸汗能力值，为潮气透过率，为缝合质量，为织物可压
缩率。
本发明通过表示服装的布料厚度与纤维混纺比例之间的对数关系。它表示
了布料的柔软性和适应性，较薄的布料和合适的纤维混纺比例通常会提高服装的舒适度，
通过服装材质评分值、布料线密度和材质评分值之间的复杂关系。它表示了材质的结构和
弹性，对服装的运动性能有一定影响，表示服装的拉伸率和断裂强度（拉伸强度）的
平方根。具体含义是服装的材料可以在受到力的作用下伸展的程度和材料的抵抗力。较大
的拉伸率和断裂强度通常意味着服装在运动中具有更好的伸缩性和耐用性，这对于舒适性
和耐用性非常重要，拉伸模量是一个衡量材料刚度的指标，它表示了服装在受到应力时的
强度和刚度。较小的拉伸模量意味着服装更容易伸展，这有助于运动时的舒适性和灵活性，表示吸汗能力衡量织物对汗水的吸收和排出能力。较高的吸汗能力意味着织物
可以有效地吸收汗水，保持穿着者干燥。这对于运动服装尤为重要，因为运动时会出汗，如
果织物不具备足够的吸汗能力，穿着者可能会感到不舒适，高潮气透过率的织物可以帮助
排出体内的湿气，保持适当的通风。这对于防止过度出汗和维持穿着者的舒适度也非常重
要，公式综合考虑了服装的伸缩性、刚度、轻便性以及透气性等因素，更加精确的计算了服
装运动性能。
本实施例中，步骤S5包括以下步骤：
步骤S51：利用服装模块舒适感计算公式对人体动作姿势数据进行舒适感计算，生成动作舒适感参数；
步骤S52：基于动作舒适感参数对服装模块集进行优化决策分析，生成服装优化策略；
步骤S53：通过服装优化策略对服装模块集进行自适应参数优化，构建智能服装模块集。
本发明通过舒适感计算，设计师可以获得关于不同动作下服装舒适性的定量参数。这有助于理解服装在特定动作下对用户的舒适度影响，提供客观的衡量标准。这些参数将作为后续步骤的基础，以确保服装在优化过程中能够满足用户对舒适性的期望，利用动作舒适感参数，设计师可以制定有针对性的服装优化策略。这包括调整服装模块的结构、材料或其他相关因素，以提高在不同动作下的舒适性。优化决策的分析有助于确保设计的变化符合舒适性需求，同时保持服装的整体性和设计美感，根据优化策略对服装模块进行自适应参数的优化。通过动态调整服装模块，以适应不同动作下的舒适性需求，设计师可以构建智能服装模块集。这使得服装能够更灵活地适应用户的运动，提供更高水平的舒适性和性能。
本实施例中，收集与人体动作和姿势相关的数据，包括关节角度、肌肉活动度等。这些数据可通过传感器、运动捕捉系统等设备获取，使用事先制定的舒适感计算公式，将收集到的人体动作姿势数据输入其中。这个公式基于人体生物力学、人体工程学等领域的知识，用于评估不同动作下的舒适度，通过计算公式，对每个动作生成相应的舒适感参数。这些参数可以是数值化的指标，用来衡量每个动作在穿着特定服装时的舒适度。对生成的舒适感参数进行分析，了解在不同动作下哪些因素对舒适度影响较大，例如关节活动度、衣物摩擦等，基于分析结果，制定服装优化策略。这包括选择特定材料、调整服装结构、优化缝合位置等。优化策略应该旨在提高动作下穿着服装的舒适度，将优化决策转化为具体的操作步骤。例如，如果摩擦导致舒适感下降，可以选择更柔软的材料或者调整衣物设计以减少摩擦。根据生成的服装优化策略，对服装模块集的各个部分进行自适应参数优化。这涉及到面料的选择、缝合工艺的调整、服装模块的重新设计等，将优化后的服装模块集与智能传感器、嵌入式系统等集成，使其能够感知穿着者的动作和环境。这些传感器可以用于实时监测穿着者的舒适度，以便根据实际情况进行调整，进行系统级测试，验证智能服装模块集的性能。这包括在不同动作下的舒适度测试、耐久性测试等，以确保智能服装在各种条件下都能够提供良好的舒适性和性能。
本实施例中，步骤S51中的服装模块舒适感计算公式具体为：
；
其中，为服装模块舒适感值，为服装质感评分，为身体肌肤感知度，为服装穿
戴的最佳温度与实际温度的差值，为服装的绝缘性能，为服装的湿度调节性能，为个体
代谢率，为服装透气率，为服装松紧程度值，为服装弹性值，为服装皮肤友好度，为
体态适应性，为服装退缩率。
本发明通过表示服装的质感评分和身体肌肤感知度，以及某种程度的温
度差值。质感评分和身体感知度是关于服装外观和触感的评价。温度差值表示了服装是否
能够提供适当的保温效果。可能用来衡量服装外观和质感对舒适感的影响，
以及是否能够满足身体的保温需求，通过计算服装的绝缘性能在极端条件下的影响。较高
的绝缘性能可以帮助保持身体温度，而较好的湿度调节性能可以帮助控制湿度。这一部分
可能用来评估服装在不同条件下的表现，计算服装穿戴的温度差值（d）、个体代谢率
（μ）和服装透气率，个体代谢率表示了个体在不同活动水平下的能量消耗，温度差值表示了
个体是否会感到过热或过冷，服装透气率表示了服装是否能够帮助排除体内的热量和湿
气，用来评估服装对个体的温度调节和舒适感的影响，计算服装的松紧程度值、
弹性值、皮肤友好度和体态适应性，服装的松紧程度和弹性可以影响穿着者的运动自由度
和舒适度，皮肤友好度表示了服装与皮肤接触时的舒适度，体态适应性表示了服装是否适
应了个体的体态，用来评估服装的舒适性和适应性，用来权衡退缩率对舒适感的影响，用
来评估服装的持久性和舒适性，公式考虑了多个与服装舒适性相关的因素，包括外观、保
温、绝缘性能、湿度调节性能、透气性、松紧程度、弹性、皮肤友好度、体态适应性和持久性，
有助于精准综合评估服装的舒适度。
本实施例中，步骤S6包括以下步骤：
步骤S61：对智能服装模块集进行卷积预处理，生成卷积样本集；
步骤S62：对卷积样本集进行膨胀卷积，生成智能服装网络；
步骤S63：对智能服装网络进行池化采样，生成智能服装图；
步骤S64：对智能服装图进行数据挖掘建模，生成智能服装模型；
步骤S65：利用智能服装模型对用户全身图像进行服装虚拟试穿，生成服装虚拟试穿模型，以执行服装工艺模块设计。
本发明通过将服装模块集进行卷积预处理，以生成卷积样本集。这有助于提取关键特征，例如纹理、形状、颜色等，从服装模块中提供更多的信息。卷积样本集为后续的数据分析和模型构建提供了更丰富的数据基础，膨胀卷积用于生成智能服装网络。这个网络可以理解为一个深度学习模型，用于理解服装模块的复杂特征，包括纹理、图案、适应性等。智能服装网络的构建有助于更好地理解服装，以便进一步的分析和决策，池化采样用于生成智能服装图，从智能服装网络中提取重要特征。这有助于降低数据的维度，提高计算效率，同时保留关键信息。生成的智能服装图是后续模型的输入，用于进一步的数据挖掘和建模，旨在通过数据挖掘技术，构建智能服装模型。这个模型可以理解为一个预测工具，它可以根据智能服装图的输入，对服装的特性和性能进行预测。这有助于设计师更好地了解如何优化服装以提供更好的舒适性、风格和性能，将智能服装模型应用于用户的全身图像，以进行虚拟试穿。这使得用户可以在虚拟环境中尝试不同的服装，而无需实际穿戴。这有益于服装设计的个性化和用户体验，以及更好地了解用户如何在不同服装下感到舒适。此外，这个模型还可以在后续的服装工艺模块设计中发挥作用，以帮助制造服装。
本实施例中，收集智能服装模块集的数据，这可以包括模块的结构、材质、尺寸等信息。每个模块可以被看作是一个数据输入，将模块数据转化为卷积神经网络可以处理的格式。这包括对模块数据进行标准化、归一化等预处理步骤，以确保数据的一致性和可处理性。生成的数据集应包括输入模块的多个变化和配置，以便模型能够学习不同的模块组合，使用膨胀卷积操作（也称为空洞卷积）来处理卷积样本集。膨胀卷积考虑了更大的感受野，使模型能够捕捉到更广范围的模块信息，通过堆叠多个膨胀卷积层和激活函数，形成一个智能服装网络。这个网络将学会提取模块数据的特征，以便后续步骤中进行服装设计，对智能服装网络的输出进行池化操作，通常使用最大池化或平均池化来减小特征图的尺寸，池化采样后，获得一个包含重要特征的智能服装图。这个图将用于后续步骤的数据挖掘建模，利用智能服装图进行数据挖掘，使用机器学习算法和深度学习技术来建立智能服装模型。这个模型将能够理解不同模块的组合方式，以及它们对服装设计的影响，使用已有的服装数据集，将模型训练以了解不同模块组合的趋势、用户的喜好等。模型的训练包括监督学习或无监督学习，具体取决于任务，利用已经训练好的智能服装模型，将用户的全身图像与不同服装模块进行虚拟试穿。模型将预测不同模块组合下的效果，根据用户的反馈和模型的预测，执行服装工艺模块设计。这可以包括确定最佳模块组合、材质选择、尺寸调整等。设计过程涉及计算机辅助设计工具，以确保设计的准确性。
在本实施例中，提供一种服装工艺模板智能化设计系统，包括：
体态结构模块，获取用户全身图像；利用计算机视觉技术对用户全身图像进行体态结构分析，以生成体态结构数据；对体态结构数据进行动态行为分析，生成动态行为数据；
需求分析模块，对动态行为数据进行用户身体特征分析，生成用户身体特征数据；对用户身体特征数据进行需求分析，以生成需求分析数据；
服装设计模块，基于需求分析数据对体态结构数据进行肢体特征参数匹配，获取用户肢体特征参数；通过用户肢体特征参数对体态结构数据进行服装模块设计，构建服装模块集；
运动性能模块，通过服装模块集对动态行为数据进行人体动作姿势分析，生成人体动作姿势数据；对人体动作姿势数据进行服装运动性能计算，生成服装运动性能数据；
参数优化模块，对人体动作姿势数据进行舒适感计算，生成动作舒适感参数；基于动作舒适感参数对服装模块集进行自适应参数优化，构建智能服装模块集；
智能服装模型模块，对智能服装模块集进行数据挖掘建模，生成智能服装模型；利用智能服装模型对用户全身图像进行服装虚拟试穿，生成服装虚拟试穿模型，以执行服装工艺模块设计。
本发明通过体态结构模块系统可以获取用户的全身图像，为后续分析提供数据，利用计算机视觉技术对用户全身图像进行分析，可以提取体态结构数据，包括身体姿势、姿态、比例等信息，对体态结构数据进行分析，可以获取用户的动态行为数据，包括步态、动作等。这有助于更好地了解用户的行为模式和需求，系统分析动态行为数据，以生成用户身体特征数据。这有助于了解用户的身体特点，如身高、体型等，利用用户身体特征数据，进行需求分析，以了解用户的服装需求，例如舒适性、风格、用途等。这可以帮助定制服装设计，基于需求分析数据，将用户的肢体特征参数与体态结构数据匹配，以获取用户的具体身体特征参数，利用用户的肢体特征参数，进行服装模块设计，构建服装模块集。这有助于设计与用户体态结构相适应的服装，通过服装模块集，对动态行为数据进行分析，可以生成人体动作姿势数据。这有助于了解用户在不同动作中的需求，利用人体动作姿势数据，进行服装运动性能计算。这可用于确定服装在各种运动或活动情境下的性能，包括灵活性、透气性等，通过对人体动作姿势数据的分析，生成动作舒适感参数，以评估服装在各种动作中的舒适性，基于动作舒适感参数，对服装模块集进行自适应参数优化。这有助于提高服装的舒适性和性能，对智能服装模块集进行数据挖掘建模，以构建智能服装模型。这个模型可以预测服装的性能和适应性，有助于改进设计，利用智能服装模型，对用户全身图像进行虚拟试穿，生成服装虚拟试穿模型。这有助于用户了解服装在其身体上的实际效果。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
应当理解的是，虽然在这里使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种服装工艺模板智能化设计方法，其特征在于，包括以下步骤：
步骤S1：获取用户全身图像；利用计算机视觉技术对用户全身图像进行体态结构分析，以生成体态结构数据；对体态结构数据进行动态行为分析，生成动态行为数据；
步骤S2：对动态行为数据进行用户身体特征分析，生成用户身体特征数据；对用户身体特征数据进行需求分析，以生成需求分析数据；步骤S2的具体步骤为：
步骤S21：对动态行为数据进行用户骨骼结构分析，生成用户骨骼结构数据；
步骤S22：对用户骨骼结构数据进行肢体关节灵活性分析，生成肢体关节灵活性数据；
步骤S23：对用户骨骼结构数据、肢体关节灵活性数据进行用户身体特征分析，生成用户身体特征数据；
步骤S24：对用户身体特征数据进行风格偏好分析，生成风格偏好数据；
步骤S25：根据风格偏好数据对用户身体特征数据进行需求分析，以生成需求分析数据；
步骤S3：基于需求分析数据对体态结构数据进行肢体特征参数匹配，获取用户肢体特征参数；通过用户肢体特征参数对体态结构数据进行服装模块设计，构建服装模块集；
步骤S4：通过服装模块集对动态行为数据进行人体动作姿势分析，生成人体动作姿势数据；对人体动作姿势数据进行服装运动性能计算，生成服装运动性能数据；
步骤S5：对人体动作姿势数据进行舒适感计算，生成动作舒适感参数；基于动作舒适感参数对服装模块集进行自适应参数优化，构建智能服装模块集；
步骤S6：对智能服装模块集进行数据挖掘建模，生成智能服装模型；利用智能服装模型对用户全身图像进行服装虚拟试穿，生成服装虚拟试穿模型，以执行服装工艺模块设计；步骤S6的具体步骤为：
步骤S61：对智能服装模块集进行卷积预处理，生成卷积样本集；
步骤S62：对卷积样本集进行膨胀卷积，生成智能服装网络；
步骤S63：对智能服装网络进行池化采样，生成智能服装图；
步骤S64：对智能服装图进行数据挖掘建模，生成智能服装模型；
步骤S65：利用智能服装模型对用户全身图像进行服装虚拟试穿，生成服装虚拟试穿模型，以执行服装工艺模块设计。
2.根据权利要求1所述的服装工艺模板智能化设计方法，其特征在于，步骤S1的具体步骤为：
步骤S11：获取用户全身图像；
步骤S12：利用计算机视觉技术对用户全身图像进行身体部位尺寸识别，生成身体部位尺寸数据；
步骤S13：根据身体部位尺寸数据对用户全身图像进行身体曲线分析，获取身体曲线参数；
步骤S14：对身体曲线参数进行姿态分析，生成身体姿态数据；
步骤S15：根据身体曲线参数对身体姿态数据进行体态结构分析，以生成体态结构数据；
步骤S16：对体态结构数据进行动态行为分析，生成动态行为数据。
3.根据权利要求2所述的服装工艺模板智能化设计方法，其特征在于，步骤S16的具体步骤为：
步骤S161：对体态结构数据进行动作模拟，生成动作模拟数据；
步骤S162：对动作模拟数据进行运动模式检测，生成运动模式数据；
步骤S163：根据运动模式数据对动作行为数据进行运动体态变化分析，生成运动体态变化数据；
步骤S164：运动体态变化数据进行动态行为分析，生成动态行为数据。
4.根据权利要求1所述的服装工艺模板智能化设计方法，其特征在于，步骤S3的具体步骤为：
步骤S31：基于需求分析数据对体态结构数据进行肢体特征参数匹配，获取用户肢体特征参数；
步骤S32：对用户肢体特征参数进行参数映射，生成用户肢体特征图；
步骤S33：对用户肢体特征图进行服装类型设计，生成服装类型数据；
步骤S34：根据服装类型数据对体态结构数据进行服装模块设计，构建服装模块集。
5.根据权利要求1所述的服装工艺模板智能化设计方法，其特征在于，步骤S4的具体步骤为：
步骤S41：通过服装模块集对动态行为数据进行动作时序分析，生成动作时序数据；
步骤S42：根据动作时序数据对动态行为数据进行姿态空间关系分析，生成姿态空间关系参数；
步骤S43：对姿态空间关系参数进行姿势连续性分析，生成姿势连贯性数据；
步骤S44：对姿势连贯性数据进行稳定性分析，生成姿势稳定性数据；
步骤S45：根据姿势稳定性数据利用服装运动性能计算公式对人体动作姿势数据进行服装运动性能计算，生成服装运动性能数据。
6.根据权利要求5所述的服装工艺模板智能化设计方法，其特征在于，步骤S45中的服装运动性能计算公式具体为：
；
其中，为服装运动性能值，/>为服装布料厚度，/>为纤维混纺比例值，/>为布料线密度，/>为服装布料材质评分值，/>为服装拉伸率，/>为服装断裂强度，/>为服装拉伸模量，/>为材料密度，/>为空气通透率，/>为吸汗能力值，/>为潮气透过率，/>为缝合质量，/>为织物可压缩率。
7.根据权利要求1所述的服装工艺模板智能化设计方法，其特征在于，步骤S5的具体步骤为：
步骤S51：利用服装模块舒适感计算公式对人体动作姿势数据进行舒适感计算，生成动作舒适感参数；
步骤S52：基于动作舒适感参数对服装模块集进行优化决策分析，生成服装优化策略；
步骤S53：通过服装优化策略对服装模块集进行自适应参数优化，构建智能服装模块集；
其中，步骤S51中的服装模块舒适感计算公式具体为：
；
其中，为服装模块舒适感值，/>为服装质感评分，/>为身体肌肤感知度，/>为服装穿戴的最佳温度与实际温度的差值，/>为服装的绝缘性能，/>为服装的湿度调节性能，/>为个体代谢率，/>为服装透气率，/>为服装松紧程度值，/>为服装弹性值，/>为服装皮肤友好度，/>为体态适应性，/>为服装退缩率。
8.服装工艺模板智能化设计系统，其特征在于，用于执行如权利要求1所述的服装工艺模板智能化设计方法，包括：
体态结构模块，获取用户全身图像；利用计算机视觉技术对用户全身图像进行体态结构分析，以生成体态结构数据；对体态结构数据进行动态行为分析，生成动态行为数据；
需求分析模块，对动态行为数据进行用户身体特征分析，生成用户身体特征数据；对用户身体特征数据进行需求分析，以生成需求分析数据；
服装设计模块，基于需求分析数据对体态结构数据进行肢体特征参数匹配，获取用户肢体特征参数；通过用户肢体特征参数对体态结构数据进行服装模块设计，构建服装模块集；
运动性能模块，通过服装模块集对动态行为数据进行人体动作姿势分析，生成人体动作姿势数据；对人体动作姿势数据进行服装运动性能计算，生成服装运动性能数据；
参数优化模块，对人体动作姿势数据进行舒适感计算，生成动作舒适感参数；基于动作舒适感参数对服装模块集进行自适应参数优化，构建智能服装模块集；
智能服装模型模块，对智能服装模块集进行数据挖掘建模，生成智能服装模型；利用智能服装模型对用户全身图像进行服装虚拟试穿，生成服装虚拟试穿模型，以执行服装工艺模块设计。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311739918.3A CN117422896B (zh) | 2023-12-18 | 2023-12-18 | 服装工艺模板智能化设计方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311739918.3A CN117422896B (zh) | 2023-12-18 | 2023-12-18 | 服装工艺模板智能化设计方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117422896A CN117422896A (zh) | 2024-01-19 |
| CN117422896B true CN117422896B (zh) | 2024-03-22 |
Family
ID=89532859
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311739918.3A Active CN117422896B (zh) | 2023-12-18 | 2023-12-18 | 服装工艺模板智能化设计方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117422896B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117436152B (zh) * | 2023-12-13 | 2024-03-22 | 高密市真又美服装有限公司 | 一种参数可调整的服装工艺模块化设计方法及系统 |
| CN117911097A (zh) * | 2024-03-19 | 2024-04-19 | 深圳全棉时代科技有限公司 | 家居服舒适性测试方法、评价系统、电子设备及存储介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105825407A (zh) * | 2016-03-31 | 2016-08-03 | 上海晋荣智能科技有限公司 | 虚拟试衣镜系统 |
| CN106502399A (zh) * | 2016-10-31 | 2017-03-15 | 江西服装学院 | 虚拟试衣方法、装置及系统和三维面料材质库建立方法及装置 |
| CN106910115A (zh) * | 2017-02-20 | 2017-06-30 | 宁波大学 | 基于智能终端的虚拟化试衣方法 |
| WO2020131518A1 (en) * | 2018-12-19 | 2020-06-25 | Seddi, Inc. | Learning-based animation of clothing for virtual try-on |
| CN113297944A (zh) * | 2020-12-28 | 2021-08-24 | 武汉纺织大学 | 用于服装虚拟试穿的人体姿势变换方法及系统 |
| CN114119905A (zh) * | 2020-08-27 | 2022-03-01 | 北京陌陌信息技术有限公司 | 一种虚拟试衣方法、系统、设备和存储介质 |
| CN114663175A (zh) * | 2022-02-07 | 2022-06-24 | 苏州大学 | 一种服装动态合体性评估方法 |
| CN115439179A (zh) * | 2022-08-25 | 2022-12-06 | 深圳数联天下智能科技有限公司 | 训练试衣模型的方法、虚拟试衣方法及相关装置 |
| CN115482062A (zh) * | 2022-09-20 | 2022-12-16 | 天津大学 | 一种基于图像生成的虚拟试衣方法及装置 |
| CN116645451A (zh) * | 2023-02-16 | 2023-08-25 | 东华大学 | 一种高精度服装纹理虚拟试穿方法与系统 |
| CN117173337A (zh) * | 2023-09-04 | 2023-12-05 | 上海璞佑炜视科技有限公司 | 虚拟试衣模型的更新方法及系统、设备及介质 |
| CN117196788A (zh) * | 2023-10-08 | 2023-12-08 | 广州钛动科技股份有限公司 | 基于人工智能的电子商务平台系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3082886A1 (en) * | 2017-11-02 | 2019-05-09 | Measur3D, Llc | Clothing model generation and display system |
| CN110580398B (zh) * | 2019-09-23 | 2020-08-11 | 盾钰（上海）互联网科技有限公司 | 服装舒适感仿真方法、服装制作方法、系统及介质 |
| US20210375045A1 (en) * | 2020-05-29 | 2021-12-02 | Viettel Group | System and method for reconstructing a 3d human body under clothing |
-
2023
- 2023-12-18 CN CN202311739918.3A patent/CN117422896B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105825407A (zh) * | 2016-03-31 | 2016-08-03 | 上海晋荣智能科技有限公司 | 虚拟试衣镜系统 |
| CN106502399A (zh) * | 2016-10-31 | 2017-03-15 | 江西服装学院 | 虚拟试衣方法、装置及系统和三维面料材质库建立方法及装置 |
| CN106910115A (zh) * | 2017-02-20 | 2017-06-30 | 宁波大学 | 基于智能终端的虚拟化试衣方法 |
| WO2020131518A1 (en) * | 2018-12-19 | 2020-06-25 | Seddi, Inc. | Learning-based animation of clothing for virtual try-on |
| CN114119905A (zh) * | 2020-08-27 | 2022-03-01 | 北京陌陌信息技术有限公司 | 一种虚拟试衣方法、系统、设备和存储介质 |
| CN113297944A (zh) * | 2020-12-28 | 2021-08-24 | 武汉纺织大学 | 用于服装虚拟试穿的人体姿势变换方法及系统 |
| CN114663175A (zh) * | 2022-02-07 | 2022-06-24 | 苏州大学 | 一种服装动态合体性评估方法 |
| CN115439179A (zh) * | 2022-08-25 | 2022-12-06 | 深圳数联天下智能科技有限公司 | 训练试衣模型的方法、虚拟试衣方法及相关装置 |
| CN115482062A (zh) * | 2022-09-20 | 2022-12-16 | 天津大学 | 一种基于图像生成的虚拟试衣方法及装置 |
| CN116645451A (zh) * | 2023-02-16 | 2023-08-25 | 东华大学 | 一种高精度服装纹理虚拟试穿方法与系统 |
| CN117173337A (zh) * | 2023-09-04 | 2023-12-05 | 上海璞佑炜视科技有限公司 | 虚拟试衣模型的更新方法及系统、设备及介质 |
| CN117196788A (zh) * | 2023-10-08 | 2023-12-08 | 广州钛动科技股份有限公司 | 基于人工智能的电子商务平台系统 |
Non-Patent Citations (3)
| Title |
|---|
| 3D虚拟试衣为服装行业带来了新商机;李佳萌;贺雯楠;那黎明;;神州印象;20191115(11);第19-20页 * |
| Kedan Li ; Jeffrey Zhang ; David Forsyth.POVNet: Image-Based Virtual Try-On Through Accurate Warping and Residual.IEEE Transactions on Pattern Analysis and Machine Intelligence.2023,第12222 - 12235页. * |
| 基于品牌文化塑造的男装产品设计创新研究;孙畅菲;中国优秀硕士学位论文全文数据库;20230215;第B024-3122页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117422896A (zh) | 2024-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117422896B (zh) | 服装工艺模板智能化设计方法及系统 | |
| US11182599B2 (en) | Motion state evaluation system, motion state evaluation device, motion state evaluation server, motion state evaluation method, and motion state evaluation program | |
| Gupta | Design and engineering of functional clothing | |
| US11023950B2 (en) | Systems and methods for analyzing lower body movement to recommend footwear | |
| Gupta | Anthropometry and the design and production of apparel: an overview | |
| Chen et al. | A new method of ease allowance generation for personalization of garment design | |
| CN117441181A (zh) | 用于生成或修改服装样式的系统、方法和界面 | |
| Chen et al. | Optimisation of garment design using fuzzy logic and sensory evaluation techniques | |
| CN110580398A (zh) | 舒适感仿真方法、服装制作方法、系统及介质 | |
| Geršak | Wearing comfort using body motion analysis | |
| WO2020180688A1 (en) | Multiple physical conditions embodied in body part images to generate an orthotic | |
| CN111401340A (zh) | 目标对象的运动检测方法和装置 | |
| Petrak et al. | Sizing and fit for swimsuits and diving suits | |
| Zhang et al. | Finite-element modelling of elastic woven tapes for bra design applications | |
| CN117436152B (zh) | 一种参数可调整的服装工艺模块化设计方法及系统 | |
| Viziteu et al. | Development of climbing clothes using computerized 3D clothing simulation | |
| Hong et al. | Movement analysis and ergonomic garment opening design of garment block patterns for physically disabled people with scoliosis using fuzzy logic | |
| Chen et al. | Estimation of ease allowance of a garment using fuzzy logic | |
| Wang | Pattern engineering for functional design of tight-fit running wear | |
| KR20210130420A (ko) | 스마트 삼차원 의류 피팅 시스템 및 이를 이용한 의류 피팅 서비스 제공 방법 | |
| WO2020180521A1 (en) | Biometric evaluation of body part images to generate an orthotic | |
| Redhouse | Joint Angle Estimation Method for Wearable Human Motion Capture | |
| Liu et al. | Evaluation of perceived comfort and functional performance of activewear | |
| CN114556332B (zh) | 信息处理设备、3d系统以及信息处理方法 | |
| Gill et al. | Garment fit and consumer perception of sportswear |
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 |