KR102236191B1 - 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템 - Google Patents

Abstract

본 발명에 따른 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템은, 대상자의 하반신을 3차원 스캐닝하여 스캔데이터를 생성하는 스캐닝모듈;
상기 스캔데이터로부터 상기 대상자의 하반신에 대한 복수개의 치수데이터를 수집하는 계측모듈;
상기 치수데이터를 기반으로 상기 대상자의 체형을 복수개의 체형그룹 중 어느 하나로 유형화하는 체형그룹생성모듈;
상기 대상자의 치수데이터와, 상기 대상자가 속한 상기 체형그룹을 기반으로 상기 대상자에 대한 자동팬츠패턴을 생성하는 패턴생성모듈;
패턴 변형값 입력을 통해 상기 자동팬츠패턴을 보정하여 상기 대상자에 대한 맞춤팬츠패턴을 생성하는 보정모듈;을 포함하는 것을 특징으로 한다.

Description

인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템{A System Providing Auto Revision of Pattern with Artificial Neural Network}

본 발명은 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템에 관한 것으로서, 보다 상세하게 설명하면 인체 스캔데이터로부터 인체 치수를 획득한 후, 파라메트릭 패턴을 통해 자동 생성된 패턴과 1:1 인체 스캔 데이터를 이용한 드레이프 시뮬레이터를 통해 좋은 맞음새가 확보될 때까지 형상을 확인하면서 패턴을 변형 가능케 함과 동시에 자동으로 패턴 보정을 가능케 한 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템에 관한 것이다.

최근 의류산업은 소비자의 생활수준이 향상되고 의복을 통한 자아실현의 욕구가 커짐에 따라 고객의 요구가 세분화되고 기술적 진보가 진행되면서 생산자 중심의 대량생산 방식에서 매스 커스터마이제이션(Mass Customization) 생산방식으로의 패러다임 변화를 겪고 있다.

의복은 개인의 맞음새가 매우 중요한 제품임에도 불구하고 대량생산방식에서 기성복은 비용의 감소를 위해 표준체형을 대상으로 패턴과 사이즈 체계가 결정되므로 모든 개인 구매자가 완벽한 맞음새의 의복을 찾는 것이 거의 불가능하다. 생산 효율의 극대화를 위해 비교적 획득이 쉽고 활용이 용이한 인체 크기 치수를 비례적으로 축소하거나 확대하여 제작된 기성복은 체형의 형태적 특징을 충분히 고려하지 못하므로 맞음새 불만족을 야기하게 된다.

Lanenegger 와 van Osch(2002)는 독일에서 시행된 인체 조사를 통해 기성복 의류치수체계를 통해 만족스러운 맞음새를 얻을 수 있는 것은 인구의 25%에 불과하다고 하였으며, 최유경(2007)은 기성복 구매 시 착용자의 대다수가 개인적으로 수선을 한 경험이 있다는 점을 들어 기성복의 맞음새 불만족을 지적하였다. 이와 같은 기성복의 맞음새 불만족을 줄이기 위해서는 인체의 크기뿐만 아니라 3차원 인체의 형태를 반영한 패턴 설계가 필요하다. 현재 다양한 인체 측정 기기와 관련 프로그램의 개발을 통해 3차원 인체 형상의 확보가 용이해 지면서 3차원 인체형상 데이터 측정 기술 및 체형 분석, 3차원 가상 착의 등 의류 제품 설계에 필요한 많은 분야에 대한 연구가 활발히 진행되고 있다.

이에 대한 선행기술로서, 공개특허 제 10-2019-0028777호에 '신체-개선 의류 및 의류 설계'가 개시되어 있다.

상기 발명은 신체-개선 의류 및 의류 설계에 관한 것으로서, 해부조직 패터닝(anatomy patterning)을 위한 시스템 및 방법에 관한 것이다. 더 구체적으로, 해부조직 패터닝은, 의복 착용자의 인식된 형상을 희망 외관을 향해서 변화시키기 위해서 의류에 적용되는 패턴에 대한 임의의 정교한 조작 및, 개시내용은 일반적으로, 해부조직 패터닝을 위한 이러한 시스템 및 방법의 이용으로부터 초래되는 의류에 대해 개시하고 있다.

그러나 3차원 인체 치수 획득으로부터 패턴 제작, 3차원 가상 착의에 이르는 전 과정을 아우르는 의류 제품 자동 생산 시스템 연구는 부족한 실정이다.

따라서 인체 스캔데이터로부터 인체 치수를 획득한 후, 파라메트릭 패턴을 통해 자동 생성된 패턴과 1:1 인체 스캔 데이터를 이용한 드레이프 시뮬레이터를 통해 좋은 맞음새가 확보될 때까지 형상을 확인하면서 패턴을 변형 가능케 한 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템을 개발할 필요성이 대두되는 실정이다.

본 발명은 상기 기술의 문제점을 극복하기 위해 안출된 것으로, 인체 스캔데이터로부터 인체 치수를 획득한 후, 파라메트릭 패턴을 통해 자동 생성된 패턴과 1:1 인체 스캔 데이터를 이용한 드레이프 시뮬레이터를 통해 좋은 맞음새가 확보될 때까지 형상을 확인하면서 패턴을 변형 가능케 한 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템을 제공하는 것을 주요 목적으로 한다.

본 발명의 다른 목적은, 기 입력된 패턴 변형값을 기반으로 하여 대상자의 패턴 보정시 인공신경망을 이용하여 자동으로 패턴 변형을 예측할 수 있도록 하는 것이다.

본 발명의 또 다른 목적은, 예측된 예측값에 대한 정확도를 검증할 수 있도록 하는 것이다.

본 발명의 추가 목적은, 부적절한 정확도가 판별될 시 전문가에 의한 추가적인 보정을 가능케 하여 생성된 맞춤팬츠패턴의 신뢰도를 높이는 것이다.

상기 목적을 달성하기 위하여, 본 발명에 따른 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템은, 대상자의 하반신을 3차원 스캐닝하여 스캔데이터를 생성하는 스캐닝모듈; 상기 스캔데이터로부터 상기 대상자의 하반신에 대한 복수개의 치수데이터를 수집하는 계측모듈; 상기 치수데이터를 기반으로 상기 대상자의 체형을 복수개의 체형그룹 중 어느 하나로 유형화하는 체형그룹생성모듈; 상기 대상자의 치수데이터와, 상기 대상자가 속한 상기 체형그룹을 기반으로 상기 대상자에 대한 자동팬츠패턴을 생성하는 패턴생성모듈; 패턴 변형값 입력을 통해 상기 자동팬츠패턴을 보정하여 상기 대상자에 대한 맞춤팬츠패턴을 생성하는 보정모듈;을 포함하는 것을 특징으로 한다.

또한, 상기 보정모듈은, 상기 스캔데이터를 기반으로 상기 대상자의 하반신을 모델링한 하반신모델을 생성하는 모델생성부 및, 시뮬레이터를 통해 상기 자동팬츠패턴을 상기 하반신모델에 가상 착의 처리한 드레이프데이터를 생성하는 가상착의부 및, 상기 드레이프데이터를 기반으로 패턴 변형값 입력을 통해 상기 자동팬츠패턴을 보정하여 상기 맞춤팬츠패턴을 생성하는 세부보정부를 더 포함하는 것을 특징으로 한다.

덧붙여, 상기 시스템은, 기 입력된 상기 패턴 변형값을 기변형값으로써 저장하는 축적DB 및, 상기 복수개의 기변형값을 기반으로 상기 대상자에 대한 패턴 변형 예측값을 산출하는 예측값산출부를 포함하는 보정예측모듈;을 더 포함하며, 상기 보정모듈은, 입력된 상기 패턴 변형값 및 산출된 상기 패턴 변형 예측값 중 적어도 어느 하나를 통해 상기 자동팬츠패턴을 보정하여 상기 대상자에 대한 맞춤팬츠패턴을 생성하는 것을 특징으로 한다.

더불어, 상기 보정예측모듈은, 축적된 상기 기변형값의 개수와 패턴 변형량 및 패턴 변형도를 기반으로 상기 자동팬츠패턴에 대한 패턴 변형 예측 정확도를 산출하는 정확도산출부 및, 상기 예측 정확도가 기 설정된 기준정확도 미만인 경우 산출된 상기 패턴 변형 예측값을 삭제 처리하는 예측삭제부를 더 포함하는 것을 특징으로 한다.

본 발명에 따른 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템은,

1) 인체 스캔데이터로부터 인체 치수를 획득한 후, 파라메트릭 패턴을 통해 자동 생성된 패턴과 1:1 인체 스캔 데이터를 이용한 드레이프 시뮬레이터를 통해 좋은 맞음새가 확보될 때까지 형상을 확인하면서 패턴을 변형 가능케 한 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템을 제공하고,

2) 기 입력된 패턴 변형값을 기반으로 하여 대상자의 패턴 보정시 인공신경망을 이용하여 자동으로 패턴 변형을 예측할 수 있도록 하였으며,

3) 예측된 예측값에 대한 정확도를 검증할 수 있도록 함과 동시에,

4) 부적절한 정확도가 판별될 시 전문가에 의한 추가적인 보정을 가능케 하여 생성된 맞춤팬츠패턴의 신뢰도를 높일 수 있도록 하였다.

도 1은 본 발명의 시스템에 대한 개략적인 구성을 나타낸 개념도.
도 2는 본 발명의 시스템에 대한 전체 구성을 도시한 블록도.
도 3은 본 발명의 자동팬츠패턴 및 맞춤팬츠패턴의 예시를 나타낸 개념도.
도 4는 본 발명의 하반신 기준선의 예시를 나타낸 표.
도 5는 하반신 기준선 및 최외각점을 나타낸 개념도.
도 6은 본 발명의 선형판별함수의 계수를 나타낸 표.
도 7은 본 발명의 정준판별함수를 기반으로 생성된 산점도.
도 8은 본 발명의 정준판별함수의 계수를 나타낸 표.

이하 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세하게 설명하도록 한다. 첨부된 도면은 축척에 의하여 도시되지 않았으며, 각 도면의 동일한 참조 번호는 동일한 구성 요소를 지칭한다.

도 1은 본 발명의 시스템(10)에 대한 개략적인 구성을 나타낸 개념도이다.

도 1을 참조하여 설명하면, 본 발명의 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템(10)은, 기본적으로 대상자(1), 전문가(2), 메인서버(3)로 이루어진다.

대상자(1)는 본 발명의 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템(10)을 통해 본인에게 맞춰진 맞춤형 팬츠를 얻으려는 자로서, 본 발명에서 지칭하는 맞춤팬츠패턴을 기반으로 생성된 팬츠(바지를) 얻는 자이다. 대상자(1)는 나이나 성별에 제한을 두지 않는다. 따라서 대상자(1)는 본인의 하반신을 3차원 스캐닝한 스캔데이터를 메인서버(3)에 제공하고, 본인에게 최적화된 맞춤형 팬츠를 얻게 된다.

전문가(2)는 팬츠 패턴 제작을 전문으로 하는 자로서, 본 발명에서 전문가(2)라 함은 적어도 팬츠 패턴 제작 실무에 10년 이상 근무한 자를 기준으로 한다. 전문가(2)는 일반적인 팬츠 패턴에 대한 특징을 제공하는 기능을 함과 본 발명의 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템(10)을 통해 생성된 자동팬츠패턴을 보정 처리하여 대상자(1)에게 맞춤화된 맞춤팬츠패턴을 제작하는 것을 보조하는 역할을 한다.

본 발명의 메인서버(3)는 대상자(1)의 하반신에 대한 3차원 스캐닝 데이터인 스캔데이터를 저장함과 동시에, 상기 스캔데이터를 분석하여 치수데이터를 생성하고, 치수데이터를 기반으로 인공신경망을 이용하여 대상자(1)를 유형화하고 자동화된 팬츠 패턴, 즉 자동팬츠패턴을 생성하는 기능을 한다. 따라서 메인서버(3)는 이러한 기능을 구현하기 위한 컴퓨터나 시뮬레이터 등을 겸비해야 함은 물론이며, 데이터의 보관 및 저장 역할을 함과 동시에 새로운 데이터, 즉 대상자(1)에 대해 팬츠 패턴을 자동 생성하도록 하는 것이다. 더불어 전문가(2)에 의한 보정 시 시뮬레이팅을 통해 보정값을 반영토록 하여 대상자(1)에 대한 맞춤화된 팬츠 패턴을 제공하는 역할을 수행한다.

이와 같은 본 발명의 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템(10)에 대해 보다 상세히 설명하면 다음과 같다.

도 2는 본 발명의 시스템(10)에 대한 전체 구성을 도시한 블록도이다.

도 2를 기반으로 설명하면, 본 발명의 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템(10)은, 스캐닝모듈(100), 계측모듈(200), 체형그룹생성모듈(300), 패턴생성모듈(400), 보정모듈(500)을 포함하여 구성될 수 있다.

스캐닝모듈(100)은 상술한 대상자(1)의 하반신을 3차원 스캐닝하여 대상자(1)의 하반신에 대한 3차원 이미지인 스캔데이터를 생성한다. 이 때 3차원 스캐닝의 방식에 있어서는 제한을 두지 않으므로, 신체 측정을 위한 3차원 스캐너 등이 스캔데이터 생성을 위해 이용될 수 있다. 혹은 대상자(1)의 하반신에 대해 정면, 우측면, 좌측면, 저면, 상면, 후면 각각을 2차원 이미지로 생성하고 이를 합성 및 렌더링하여 3차원 데이터인 스캔데이터를 생성하는 것 역시 가능함은 물론이다.

계측모듈(200)은 상기 스캔데이터로부터 상기 대상자(1)의 하반신에 대한 복수개의 치수데이터를 수집한다. 이는 3차원 이미지인 스캔데이터에 있어서 특정 부위의 길이나 둘레에 대한 값을 얻음으로써 얻을 수 있으며, 단위는 일반적으로 cm 또는 mm일 수 있다. 이 때 치수데이터라 함은 하반신의 특정 부위의 길이 또는 둘레를 측정한 측정값이라 할 수 있다. 이 때 치수데이터 수집 시 수집 기준, 즉 측정 기준을 명확히 할 필요성이 있는데, 이에 대해서는 후술하기로 한다.

나아가 본 발명의 시스템(10)은 체형그룹생성모듈(300)을 포함할 수 있다. 체형그룹생성모듈(300)은 팬츠의 설계 및 가봉 시에 패턴에서 체형에 따라 차이를 보이는 부위 중에서 의복 착용 시 하반신 의복 맞음새에 불만족을 유발하는 부위를 중심으로 하반신 부위별 체형 요소를 결정하고, 이를 기반으로 복수개의 대상자(1)의 하반신을 체형그룹으로 유형화할 수 있도록 체형그룹을 생성하였다. 이 때 체형그룹생성은 인공신경망을 통해 이루어질 수도 있으며, 치수데이터 입력에 따라 자동으로 인공신경망이 대상자(1)의 체형을 특정 체형그룹으로 유형화할 수도 있다.

패턴생성모듈(400)은 상기 대상자(1)의 치수데이터, 그리고 상기 대상자(1)가 속한 상기 체형그룹을 기반으로 상기 대상자(1)에 대한 자동팬츠패턴을 생성하는 기능을 수행한다. 이는 인공신경망을 기반으로 하여 이루어지는데, 이를 통해 대상자(1)의 치수데이터 입력 시 인공신경망이 상기 대상자(1)를 체형그룹 중 어느 하나로 유형화하고, 그 후 치수데이터 분석을 통해 대상자(1)가 입게 될 팬츠의 패턴을 자동으로 생성하여 자동팬츠패턴을 생성해낼 수도 있게 되는 것이다.

기본적으로 패턴생성모듈(400)은 기본적인 표준 패턴이라 할 수 있는 기본팬츠패턴을 생성하는 기본패턴생성부(410)를 포함하며, 나아가 상기 대상자(1)가 속한 상기 체형그룹에 따라 상기 기본팬츠패턴을 보정 처리한 자동팬츠패턴을 생성하는 자동패턴생성부(420)를 포함하여 구성된다.

보정모듈(500)은 패턴 변형값 입력을 통해 상기 자동팬츠패턴을 보정하여 상기 대상자(1)에 최적화된 팬츠 패턴인 맞춤팬츠패턴을 생성하는 역할을 수행하는 것으로서, 이 때 맞춤팬츠패턴 생성 역시 인공신경망을 통해 자동화할 수 있다. 즉 맞음새 자동 보정을 위한 패턴 변형값을 축적하고 19개의 파라미터별 인공신경망 학습을 통해 인체치수를 입력하면 보정치가 예측되게 함으로써 자동팬츠패턴을 자동 보정하여 맞춤팬츠패턴을 생성할 수도 있는 것이다. 나아가 이때 패턴 변형값이라 함은 해당 패턴에 포함된 특정 치수데이터의 증가량 및 감소량, 특정 치수 데이터의 변형률, 나아가 전체 변형률을 모두 포함할 수 있다.

더불어 보정모듈(500)은 다음의 구성을 포함할 수도 있다.

도 3은 본 발명의 자동팬츠패턴 및 맞춤팬츠패턴의 예시를 나타낸 개념도이다.

도 3을 참조하여 보정모듈(500)의 구성을 설명하도록 한다. 먼저 보정모듈(500)에 포함될 수 있는 모델생성부(510)는 상기 스캔데이터를 기반으로 상기 대상자(1)의 하반신을 3차원 모델링한 하반신모델을 생성하는 기능을 수행한다. 이 때 하반신모델은 상술한 3차원 이미지인 스캔데이터를 모델링한 것이라 할 수 있다. 이는 공지의 기술이므로 자세한 설명은 생략하도록 한다.

가상착의부(520)는 시뮬레이터를 통해 상기 자동팬츠패턴을 상기 하반신모델에 가상 착의 처리한 드레이프데이터를 생성하는 기능을 수행한다. 이는 프로그램으로 설계되어 하반신모델 및 자동팬츠패턴을 가상 시뮬레이팅해주는 시뮬레이터를 통하여 하반신모델에 자동팬츠패턴을 가상 착의시키고 이를 시각화하여 드레이프데이터를 생성하는 것이다. 따라서 드레이프데이터는 하반신모델이 자동팬츠패턴을 입고 있는 모양새라 할 수 있다.

세부보정부(530)는 상기 드레이프데이터를 기반으로 패턴 변형값 입력을 통해 상기 자동팬츠패턴을 보정하여 상기 맞춤팬츠패턴을 생성하는 기능을 수행한다. 이 때 바람직하게는 자동팬츠패턴을 보정하는 주체가 전문가(2)집단일 수 있으나, 상술한 바와 같이 인공신경망을 이용한 자동 보정이 가능함은 물론이다. 따라서 이와 같은 세부보정부(530)를 통해 드레이프 시뮬레이터에서 형상의 맞음새를 확인하면서 자동팬츠패턴을 변형함으로써 3차원 맞음새가 확보되어 대상자(1)에게 최적화된 팬츠 패턴인 맞춤팬츠패턴을 설계할 수 있게 되는 것이다.

여기에 더 나아가 본 발명의 시스템(10)은 인공신경망을 통해 패턴 변형값을 자동으로 예측하도록 하는 보정예측모듈(600)을 더 포함할 수 있다. 보정예측모듈(600)은 맞음새 자동 보정을 위해 기 생성된 패턴 변형값을 기변형값으로써 축적하고, 기변형값을 기반으로 대상자(1)에 대한 패턴 변형 예측값을 산출할 수 있도록 하는 기능을 수행한다.

이와 같이 보정예측모듈(600)을 통해 패턴 변형 예측값이 산출되는 경우, 상기 보정모듈(500)은 입력된 상기 패턴 변형값 및 산출된 상기 패턴 변형 예측값 중 적어도 어느 하나를 통해 상기 자동팬츠패턴을 보정하여 상기 대상자(1)에 대한 맞춤팬츠패턴을 생성하게 된다.

이 때 보정예측모듈(600)의 세부 구성에 대해 보다 상세히 설명하면 다음과 같다.

먼저 보정예측모듈(600)은 축적DB(610)를 포함한다. 축적DB(610)는 기 입력된 상기 패턴 변형값을 기변형값으로써 저장하는 것으로서, 현재 시점까지 생성된 모든 패턴 변형값을 저장하는 역할을 수행한다 할 수 있다. 이 때 축적DB(610)에 저장된 기변형값의 수가 많을수록 산출되는 패턴 변형 예측값의 정확성이 높아질 수 있음은 당연하다.

보정예측모듈(600)에 포함될 수 있는 예측값산출부(620)는 상기 기변형값을 기반으로 상기 대상자(1)에 대한 패턴 변형 예측값을 산출하는 기능을 수행한다. 이 때 바람직하게는 기변형값을 통해 산출된 패턴 길이 증가량, 패턴 길이 감소량, 패턴 변형률을 기반으로 하여, 대상자(1)의 자동팬츠패턴 생성을 위해 수치데이터가 입력된 개수, 즉 하반신을 세분화한 각각의 측정항목별로 패턴 변형 예측값을 산출하는 것을 특징으로 한다.

이 때, 상기 패턴 변형 예측값은, 다음의 수학식 1을 기반으로 산출되는 것을 특징으로 한다.

수학식 1.

(여기서,

는 측정항목

에 대한 패턴 변형 예측값,

는

번째 맞춤팬츠패턴 생성 시의 측정항목

에 대한 패턴 길이 증가량,

는

번째 맞춤팬츠패턴 생성 시의 측정항목

에 대한 패턴 길이 감소량,

는

번째 맞춤팬츠패턴 생성 시의 측정항목

에 대한 패턴 변형률,

은 패턴 변형 예측값의 산출 횟수,

는 축적된 기변형값의 수,

는 체형그룹별 가중치)

상기 수학식 1은 각각의 측정항목별로 패턴이 변형될 예측값을 구하는 식으로서, 축적된 기변형값을 기반으로 종전까지의 측정항목 a에 대한 패턴 길이 증가량, 감소량, 패턴 변형률에 더불어 패턴 변형 예측값이 산출된 횟수, 기변형값이 산출된 횟수를 반영하도록 한 것이다. 따라서 각각의 측정항목별로 패턴 변형 예측값을 별도로 산출되는 것이며, 만약 측정항목이 총 t개인 경우 t개의 패턴 변형 예측값을 얻을 수 있다. 나아가 이 때 체형그룹별 가중치를 반영하므로, 유형화된 대상자(1)의 체형을 기반으로 하여 보다 세분화되고 체계화된 보정을 가능케 함은 물론이다.

더하여 본 발명의 보정예측모듈(600)은 정확도산출부(630)를 더 포함할 수 있는데, 정확도산출부(630)는 축적된 상기 기변형값의 개수와 패턴 변형량 및 패턴 변형률을 기반으로 상기 자동팬츠패턴에 대한 패턴 변형 예측 정확도를 산출하는 기능을 수행한다. 이 때 상기 패턴 변형 예측 정확도는, 다음의 수학식 2를 기반으로 산출될 수 있다.

수학식 2,

(여기서,

는 예측 정확도,

는

번째 맞춤팬츠패턴 생성 시의 패턴 길이 총 증가량,

는

번째 맞춤팬츠패턴 생성 시의 패턴 길이 총 감소량,

는

번째 맞춤팬츠패턴 생성 시의 평균 패턴 변형률,

는 축적된 기변형값의 평균,

는 축적된 기변형값의 수,

은 현재시점까지의 패턴 변형 예측값의 산출 횟수)

상기 수학식 2는 패턴 길이 총 증가량, 총 감소량, 평균 패턴 변형률 등을 기반으로 패턴 변형에 대한 예측 정확도를 산출하는 식으로서, 이렇게 산출된 예측 정확도의 고저에 따라 인공신경망이 얼마나 정확하게 패턴 변형값을 예측하는지를 파악할 수 있다.

이렇게 산출된 예측 정확도는 인공신경망을 통한 패턴 예측 변형의 정확한 정도를 의미하므로, 따라서 상기 수학식 2에 의해 산출된 예측 정확도는 인공신경망의 예측 정확도를 수치적으로 나타내어 인공신경망에 대한 신뢰도를 높일 수 있음과 동시에 전문가(2)의 패턴 보정 간섭 여부를 판단할 수 있도록 하는 것이다.

나아가 만약 인공신경망에 오류가 생겨 예측 정확도가 낮게 나오는 경우가 발생할 수 있다. 이 경우 본 발명의 보정예측모듈(600)에 포함될 수 있는 예측삭제부(640)가 상기 예측 정확도가 기 설정된 기준정확도 미만인 경우 산출된 상기 패턴 변형 예측값을 삭제 처리하도록 하여 이 경우 전문가(2)로 하여금 패턴 보정을 수행할 수 있게 할 수 있음은 물론이다.

도 4는 본 발명의 하반신 기준선의 예시를 나타낸 표이며, 도 5는 하반신 기준선 및 최외각점을 나타낸 개념도이다.

도 4 및 도 5를 참조하여 계측모듈(200)의 추가 구성에 대해 설명하도록 한다.

먼저 계측모듈(200)은 기준점설정부(210)를 포함할 수 있다. 기준점설정부(210)는 상기 대상자(1)의 하반신에 대한 3차원 기준점을 설정하는 기능을 수행한다. 이 때 3차원 기준점은 하반신 체형과 패턴의 주요 구성 요소를 의미하는 것으로서, 10개 내지 20개로 설정될 수 있다. 가장 바람직하게는 3차원 기준점은 도 4에 나타난 것처럼 13개로 구성될 수 있다. 이 때 3차원 기준점 설정 방식에 대해서는 제한을 두지 않는다.

더불어 계측모듈(200)은 이미지생성부(250)를 포함할 수 있다. 이미지생성부(250)는 상기 스캔데이터를 기반으로 상기 대상자(1)의 하반신에 대한 좌측면이미지 및 우측면이미지 중 어느 하나로 이루어진 측면이미지와, 정면이미지를 생성하는 기능을 수행하는 것으로서, 3차원 이미지에 비해 2차원 이미지가 기준점 표시 및 후술할 기준선 설정에 있어 용이하므로 측면이미지 및 정면이미지 각각을 생성하도록 한다.

계측모듈(200)에 포함될 수 있는 기준선설정부(220)는 상기 스캔데이터에 상기 3차원 기준점을 반영하여 하반신 기준선을 설정한다. 이는 도 5의 예시에서와 같이 3차원 이미지인 스캔데이터에 3차원 기준점을 표시한 뒤, 해당 3차원 기준점을 기준으로 높이 방향, 즉 z축과 평행한 평행선을 그음으로써 표시할 수 있게 된다. 하반신 기준선을 표시함에 따라 대상자(1)의 하반신이 세분화될 수 있다. 이 때 하반신 기준선은 바람직하게 10개 내지 20개로 설정될 수 있다. 가장 바람직하게는 하반신 기준선은 도 4에 나타난 것처럼 13개로 구성될 수 있다.

계측모듈(200)에 포함될 수 있는 기준표시부(260)는 상술한 기준선설정부(220)와 연관된 기능을 수행하는 것으로서, 선표시파트(261) 및 외각점표시파트(262)로 구성될 수 있다. 선표시파트(261)는 상기 정면이미지 및 측면이미지 각각에 상술한 하반신 기준선을 표시 처리하는 기능을 수행할 수 있다. 또한 외각점표시파트(262)를 통해 하반신 기준선이 정면이미지 및 측면이미지 각각의 외곽선과 교차하는 점, 즉 하반신의 외곽선이 하반신 기준선과 교차하는 지점인 최외각점을 각각 표시하는 역할을 수행하게 된다.

계측모듈(200)에 포함될 수 있는 기본측정설정부(230)는 상기 하반신 기준선을 기반으로 상기 하반신을 세분화하여 복수개의 기본측정항목을 설정하는 기능을 수행한다. 이는 하반신 기준선을 기준으로 하여 대상자(1)의 하반신의 둘레, 높이, 넓이, 두께 등을 세분화하여 측정할 수 있도록 한 것이며, 이 때 기본측정항목의 개수는 바람직하게 50개 내지 90개일 수 있으며, 가장 바람직하게는 75개일 수 있다. 그러나 여기서 기본측정항목의 설정 방법을 제한하지는 않는다,

계측모듈(200)에 포함될 수 있는 추가측정설정부(270)는 상술한 외각점표시파트(262)를 통해 설정한 복수개의 최외각선을 기준으로 상기 하반신을 세분화하여 복수개의 추가측정항목을 설정하는 기능을 수행한다. 이 때 하반신 기준선을 13개로 가정할 경우 49개의 최외각점을 얻을 수 있는데, 이 때 49개 최외각점 각각을 기준으로 하여 3차원 좌표변환을 수행하거나 각각의 최외각점 사이의 위치 관계를 계산함으로써 추가측정항목의 개수를 설정할 수 있다. 이 때 추가측정항목은 바람직하게는 130개 내지 160개일 수 있으며, 가장 바람직하게는 146개일 수 있다. 그러나 여기서 추가측정항목의 설정 방법을 제한하지는 않는다,

계측모듈(200)에 포함될 수 있는 데이터입력부(240)는 상기 대상자(1)의 상기 스캔데이터로부터 각각의 상기 기본측정항목 및 상기 추가측정항목 중 적어도 어느 하나에 대한 복수개의 치수데이터를 입력받는 기능을 수행한다. 이는 3차원 이미지인 스캔데이터 분석을 통해 얻을 수 있으며, 이 때 치수데이터의 개수는 기본측정항목의 개수 및 추가측정항목의 개수에 따라 변동될 수 있다.

따라서 이와 같은 계측모듈(200)은 대상자(1)의 하반신을 세분화한 치수데이터를 얻음으로써 대상자(1)에게 최적화된 맞춤 패턴을 제작할 수 있도록 함과 동시에 해당 치수데이터를 기반으로 생성된 자동팬츠패턴 및 이를 보정한 맞춤팬츠패턴, 그리고 해당 팬츠패턴들을 기반으로 제작한 팬츠를 착용했을 때 대상자(1)로 하여금 보다 편안한 착용감을 느낄 수 있게 하는 것이다.

더불어 본 발명의 체형그룹생성모듈(300)의 세부 구성에 대해 설명하면 다음과 같다.

먼저 체형그룹생성모듈(300)에 포함될 수 있는 치수항목설정부(330)는 상기 하반신에 대한 복수개의 치수항목을 설정하는 기능을 수행한다. 이 때 치수항목은 별도로 설정될 수도 있으나, 상술한 기본측정항목 및 추가측정항목과 동일한 방식으로 설정될 수 있다. 치수항목은 기본측정항목, 추가측정항목과 그 기능이 동일하므로 상세한 설명을 생략하도록 한다. 즉, 치수항목은 바람직하게는 기본측정항목, 또는 기본측정항목에 추가측정항목을 더한 데이터일 수도 있다. 이 경우 따라서 상술한 계측모듈(200)을 통해 기본측정항목과 추가측정항목을 구하고, 해당 항목들을 치수항목으로 설정할 수 있는 것이다. 혹은 기본측정항목과 추가측정항목을 더한 뒤 그 중 일부만을 추출한 데이터일 수도 있다.

다음으로 체형그룹생성모듈(300)에 포함될 수 있는 그룹생성부(310)는 상기 스캔데이터를 기반으로 상기 대상자(1)의 하반신을 모델링한 하반신모델을 기반으로 하여 팬츠의 설계 및 가봉 시에 패턴에서 체형에 따라 차이를 보이는 부위 중에서 의복 착용 시 하반신 의복 맞음새에 불만족을 유발하는 부위를 중심으로 하반신 부위별 체형 요소, 바람직하게는 치수항목을 결정하고, 해당 체형 요소(치수항목)를 기반으로 복수개의 체형그룹을 생성한다. 체형그룹 개수에 대한 결정은 상술한 전문가(2) 집단에 의해 이루어지는 것을 기반으로 하나, 결정 방식에 있어서는 별도의 제한을 두지 않는다.

또한 체형그룹생성모듈(300)에 포함될 수 있는 유형화부(320)는 상기 대상자(1)의 치수데이터를 기반으로 상기 대상자(1)를 복수개의 체형그룹 중 어느 하나로 유형화하는 기능을 수행한다. 이 때 유형화 방식에는 제한을 두지 않으나, 본 발명의 후술할 구성을 적용한다면 유형, 즉 체형그룹의 신뢰성에 대한 검증이 가능하여 보다 세분화되고 객관화된 유형화가 가능할 수 있다. 이를 위한 추가 구성에 대해 설명하면 다음과 같다.

나아가, 보다 세분화되고 객관화된 유형화를 위해 본 발명의 체형그룹생성모듈(300)은 치수분석부(340)를 포함할 수 있다. 치수분석부(340)는 상술한 구성에서 설정된 복수의 상기 치수항목에 대하여 다변량 판별분석을 수행하여 항목분석정보를 생성하는 역할을 수행한다. 이 때 치수분석부(340)는 상세하게는 판별함수도출파트(341), 추가산출파트(342), 비율산출파트(343), 종합분석파트(344)를 포함하여 구성될 수 있다.

도 6은 본 발명의 선형판별함수의 계수를 나타낸 표이며, 도 7은 본 발명의 정준판별함수를 기반으로 생성된 산점도이며, 도 8은 본 발명의 정준판별함수의 계수를 나타낸 표이다.

먼저 판별함수도출파트(341)는 복수개의 상기 치수항목을 독립변수로 판별분석을 수행하여 판별함수를 도출하는 기능을 수행한다. 여기서 판별함수는 선형판별함수 및 정준판별함수 중 적어도 어느 하나일 수 있으며, 바람직하게는 선형판별함수 및 정준판별함수를 동시에 판단하게 된다. 이와 같은 판별분석은 설정한 치수항목에 대한 검증 절차라고 할 수 있는데, 설정된 치수항목을 분류함수 및 정준판별함수 중 적어도 어느 하나의 독립변수로 투입함으로써 판별분석을 실시하고 이를 기반으로 선형판별함수를 얻는다. 이 때 다변량 판별분석(Multivariate discriminant analysis)은 독립변수가 연속변수이고 종속변수가 범주변수일 때 선험적으로 정의된 집단들을 가장 잘 판별할 수 있는 독립변수의 선형 조합을 찾아내는 통계분석 기법이므로, 집단 판별의 검증을 위해선 최적화되어 있다 할 수 있다.

이 때 판별함수 중에서도 선형판별함수는 기본적으로 다음의 수학식 3의 방식으로 산출될 수 있다.

수학식 3,

여기서,

는 체형그룹별로 생성된 판별함수,

는 상수,

은 판별함수의 계수,

은 치수항목의 개수를 의미한다.

이 때 수학식 3을 실제로 적용함에 있어 함수계수의 예시에 대해 도시한 표가 도 6에 도시되어 있다. 이 때 본 발명에서는 Fisher의 선형 판별식을 이용하여 체형그룹을 분류하였으며, 20개의 변수와 상수를 이용하여 판별함수식을 만들고 집단을 판별하였다. 즉 이때 치수항목의 개수는 20개인 것이며, 각각의 계수는 도 6을 통해 확인할 수 있다.

더불어 선형판별함수 외에도 정준판별함수 역시 산출할 수 있는데, 이 때 정준판별함수의 경우 두 변수집단 사이에 존재하는 상관성 또는 상관구조를 설명하기 위한 통계적 분석기법이다. 정준분석은 변수집단 간의 상관구조를 가장 잘 설명하는 집단 내 변수들의 선형결합(이를 정준변수(canonical variable)라 함)을 찾는 과정으로 이해될 수 있으며 그 절차는 다음과 같다. 먼저 여러 변수들이 편의상 종속변수집단 Y＝(Y1, ㅇㅇㅇ, Yq)′와 독립변수집단 X＝(X1, ㅇㅇㅇ, Xp)′로 분류되었다고 하자. 집단 내 변수들의 선형결합 즉 변수 X들의 선형결합 W와 변수 Y들의 선형결합 V의 쌍들을 다음과 같은 방식으로 구해나간다.

먼저 제1정준변수쌍이라 불리는 (W1, V1)은 W와 V 간의 단순상관계수를 최대화시키는 변수집단 내의 선형결합으로, 각각의 분산이 단위분산(1의 값)이 되도록 구성한다. (이 때 W1과 V1의 상관계수를 제1정준상관계수라 한다.) 다음으로 제2정준변수쌍 (W2, V2)는 (W1, V1)와는 독립이며 역시 단순상관계수가 최대가 되도록 하는 단위분산을 갖는 선형결합을 의미한다.

이러한 과정을 통해 만들어지는 여러 개의 정준변수쌍들의 계수나 부호 등을 적절히 해석함으로써 두 변수집단 사이에 내재하는 상관구조를 잘 설명해 낼 수 있다.

이 때 본 발명의 정준판별함수에 있어 도 7을 통해 산점도를 확인할 수 있으며, 그 계수는 도 8의 표에 도시되어 있다. 3개의 체형그룹을 통해 정준판별함수를 산출하는 경우 정준판별함수는 2개가 나온다. 즉 정준판별함수의 개수는 설정된 체형그룹의 수보다 1 적은 수인 것을 기본으로 한다.

더불어 정준판별함수의 경우 윌크스-람다(Wilks's Lambda) 값을 산출할 수 있다. 이는 치수분석부(340)에 포함될 수 있는 추가산출파트(342)를 통해 산출할 수 있다. 추가산출파트(342)는 상기 판별함수, 보다 바람직하게는 정준판별함수의 윌크스-람다 값을 산출하는 기능을 수행하는 것으로서, 이 때 바람직하게는 다음의 수학식 4가 적용될 수 있다.

수학식 4,

(여기서,

는 판별함수

에 대한 오차변량의 판별식,

는 전체변량의 판별식을 의미한다.)

이 때 윌크스-람다의 경우 종속변인들의 전체분산에 대한 집단내 분산의 비율을 의미하므로, 독립변인이 종속변인을 유의하게 설명했는지를 통계적으로 검증하는 기능을 수행한다. 도 7에 본 발명의 정준판별함수의 윌크스-람다 값이 개시되어 있다.

또한 정준판별함수의 경우 F-비율을 판별해낼 수 있다. 이는 비율산출파트(343)를 통해 구현해낼 수 있다. F-비율은 집단 간 분산과 집단 내 분산의 비율 또는 집단 간 변량 대 집단 내 변량의 비율. 간단하게는 요인을 조작하면서 생기는 변량을 오차로 인해 생기는 변량으로 나눈 것이며, 이 역시 통계적 검증을 위해 이용된다.

또한 치수분석부(320)에 포함될 수 있는 평균값산출파트(345)는 상기 체형그룹별로 상기 치수항목에 대한 평균판별값을 산출하는 기능을 수행하는데, 이 때 평균판별값의 경우 설정 방법에 제한을 두지 않으나, 바람직하게는 각 치수항목별 판별함수의 산점도에서 중간값을 구하여 이용할 수 있다. 이 때 중간값의 예시는 도 6에 개시되어 있다.

더불어 치수분석부(340)에 포함될 수 있는 경계값산출파트(346)는 상기 평균판별값을 기반으로 상기 체형그룹별 경계값을 산출하는 기능을 수행하는데, 이 때 경계값은 다음의 수학식 5을 통해 산출될 수 있다.

수학식 5,

(여기서,

는 경계값,

은 체형그룹별 표본수,

는 체형그룹별 평균판별값,

는 정수로서

,

는 체형그룹의 수를 의미한다.)

이와 같은 경계값 검증을 통해 대상자(1) 개개인에 대한 하반신의 특징을 반영하는 변수를 이용하여 선형판별함수와 정준판별함수를 구하고, 각각의 유형에 대한 판별점수 범위를 제시함으로서 대상자(1) 개개인의 체형그룹을 상세히 판별하는데 이용할 수 있는 것이다.

따라서 이와 같은 값들을 종합하여 치수분석부(340)에 포함될 수 있는 종합분석파트(344)는 상기 판별함수, 상기 윌크스-람다, 상기 F-비율, 나아가 경계값을 기반으로 산출된 판별점수 범위를 기반으로 상기 항목분석정보를 생성할 수 있게 된다.

이와 같은 치수분석부(340)는 분류의 정확도가 높을 뿐 아니라 객관화된 분류가 가능하다는 장점이 있으며, 체형그룹이 객관화되지 않고 정확하게 분류되지 않은 경우 윌크스-람다 값 또는 F-비율 값을 산출했을 때 신뢰도가 낮은 결과를 얻게 된다. 따라서 체형그룹의 재설정을 유도할 수도 있게 되는 것이다. 따라서 이러한 구성을 통해 설정된 치수항목 및 체형그룹에 대한 검증이 가능해진다.

따라서 상술한 치수분석부(340)의 세부 구성을 포함할 시, 상기 유형화부(320)는 상기 대상자(1)를 항목분석정보를 기반으로 검증 처리된 복수개의 상기 체형그룹 중 어느 하나로 유형화할 수 있게 된다.

지금까지 설명한 바와 같이, 본 발명에 따른 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템의 구성 및 작용을 상기 설명 및 도면에 표현하였지만 이는 예를 들어 설명한 것에 불과하여 본 발명의 사상이 상기 설명 및 도면에 한정되지 않으며, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 다양한 변화 및 변경이 가능함은 물론이다.

1 : 대상자 2 : 전문가
3 : 메인서버 10 : 시스템
100 : 스캐닝모듈 200 : 계측모듈
210 : 기준점설정부 220 : 기준선설정부
230 : 기본측정설정부 240 : 데이터입력부
250 : 이미지생성부 260 : 기준표시부
261 : 선표시파트 262 : 외곽점표시파트
270 : 추가측정설정부 300 : 체형그룹생성모듈
310 : 그룹생성부 320 : 유형화부
330 : 치수항목설정부 340 : 치수분석부
341 : 판별함수도출파트 342 : 추가산출파트
343 : 비율산출파트 344 : 종합분석파트
345 : 평균값산출파트 346 : 경계값산출파트
400 : 패턴생성모듈 500 : 보정모듈
410 : 기본패턴생성부 420 : 자동패턴생성부
510 : 모델생성부 520 : 가상착의부
530 : 세부보정부 600 : 보정예측모듈
610 : 축적DB 620 : 예측값산출부
630 : 정확도산출부 640 : 예측삭제부

Claims (11)

1. 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템으로서,
   대상자의 하반신을 3차원 스캐닝하여 스캔데이터를 생성하는 스캐닝모듈;
   상기 스캔데이터로부터 상기 대상자의 하반신에 대한 복수개의 치수데이터를 수집하는 계측모듈;
   상기 치수데이터를 기반으로 상기 대상자의 체형을 복수개의 체형그룹 중 어느 하나로 유형화하는 체형그룹생성모듈;
   상기 대상자의 치수데이터와, 상기 대상자가 속한 상기 체형그룹을 기반으로 상기 대상자에 대한 자동팬츠패턴을 생성하는 패턴생성모듈;
   상기 스캔데이터를 기반으로 상기 대상자의 하반신을 모델링한 하반신모델을 생성하는 모델생성부 및, 시뮬레이터를 통해 상기 자동팬츠패턴을 상기 하반신모델에 가상 착의 처리한 드레이프데이터를 생성하는 가상착의부 및, 상기 드레이프데이터를 기반으로 패턴 변형값 입력을 통해 상기 자동팬츠패턴을 보정하여 맞춤팬츠패턴을 생성하는 세부보정부를 포함하는 보정모듈;을 포함하되,
   상기 시스템은,
   기 입력된 상기 패턴 변형값을 기변형값으로써 저장하는 축적DB 및, 저장된 상기 기변형값을 기반으로 상기 대상자에 대한 패턴 변형 예측값을 산출하는 예측값산출부를 포함하는 보정예측모듈;을 포함하고,
   상기 보정모듈은,
   입력된 상기 패턴 변형값 및 산출된 상기 패턴 변형 예측값 중 적어도 어느 하나를 통해 상기 자동팬츠패턴을 보정하여 상기 대상자에 대한 맞춤팬츠패턴을 생성하며,
   상기 예측값산출부는,
   기변형값을 통해 산출된 패턴 길이 증가량, 패턴 길이 감소량, 패턴 변형률을 기반으로 상기 대상자에 대해 생성된 자동팬츠패턴의 각 측정항목에 대한 패턴 변형 예측값을 산출하고,
   상기 보정예측모듈은,
   축적된 상기 기변형값의 개수와 패턴 변형량 및 패턴 변형률을 기반으로 상기 자동팬츠패턴에 대한 패턴 변형 예측 정확도를 산출하는 정확도산출부 및, 상기 예측 정확도가 기 설정된 기준정확도 미만인 경우 산출된 상기 패턴 변형 예측값을 삭제 처리하는 예측삭제부를 포함하며,
   상기 패턴 변형 예측값은,
   다음의 수학식 1을 기반으로 산출되는 것을 특징으로 하는, 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템.
   수학식 1.
   

   

   
   (여기서,

   

   는 측정항목

   

   에 대한 패턴 변형 예측값,

   

   는

   

   번째 맞춤팬츠패턴 생성 시의 측정항목

   

   에 대한 패턴 길이 증가량,

   

   는

   

   번째 맞춤팬츠패턴 생성 시의 측정항목

   

   에 대한 패턴 길이 감소량,

   

   는

   

   번째 맞춤팬츠패턴 생성 시의 측정항목

   

   에 대한 패턴 변형률,

   

   은 패턴 변형 예측값의 산출 횟수,

   

   는 축적된 기변형값의 수,

   

   는 체형그룹별 가중치)
2. 제 1항에 있어서,
   상기 패턴 변형 예측 정확도는,
   다음의 수학식 2를 기반으로 산출되는 것을 특징으로 하는, 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템.
   수학식 2,
   

   

   
   (여기서,

   

   는 예측 정확도,

   

   는

   

   번째 맞춤팬츠패턴 생성 시의 패턴 길이 총 증가량,

   

   는

   

   번째 맞춤팬츠패턴 생성 시의 패턴 길이 총 감소량,

   

   는

   

   번째 맞춤팬츠패턴 생성 시의 평균 패턴 변형률,

   

   는 축적된 기변형값의 평균,

   

   는 축적된 기변형값의 수,

   

   은 현재시점까지의 패턴 변형 예측값의 산출 횟수)
3. 제 1항에 있어서,
   상기 계측모듈은,
   상기 하반신에 대한 복수개의 3차원 기준점을 설정하는 기준점설정부 및,
   상기 스캔데이터에 상기 3차원 기준점을 반영하여 하반신 기준선을 설정하는 기준선설정부 및,
   상기 하반신 기준선을 기반으로 상기 하반신을 세분화하여 복수개의 기본측정항목을 설정하는 기본측정설정부 및,
   상기 대상자의 상기 스캔데이터로부터 각각의 상기 기본측정항목에 대한 복수개의 치수데이터를 입력받는 데이터입력부를 더 포함하는 것을 특징으로 하는, 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템.
4. 제 3항에 있어서,
   상기 계측모듈은,
   상기 스캔데이터를 기반으로 상기 대상자의 하반신에 대한 정면이미지 및, 좌측면이미지 및 우측면이미지 중 어느 하나로 이루어진 측면이미지를 생성하는 이미지생성부 및,
   상기 정면이미지 및 상기 측면이미지에 각각의 상기 하반신 기준선을 표시 처리하는 선표시파트 및, 상기 정면이미지 및 상기 측면이미지 각각의 외곽선과 상기 하반신 기준선이 교차하는 최외각점을 표시 처리하는 외각점표시파트를 포함하는 기준표시부 및,
   복수개의 상기 최외각점을 기준으로 상기 하반신을 세분화하여 복수개의 추가측정항목을 설정하는 추가측정설정부를 더 포함하고,
   상기 데이터입력부는,
   상기 대상자의 상기 스캔데이터로부터 각각의 상기 기본측정항목 및 상기 추가측정항목에 대한 복수개의 치수데이터를 입력받는 것을 특징으로 하는, 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템.
5. 제 4항에 있어서,
   상기 3차원 기준점은,
   10개 내지 20개이며,
   상기 기본측정항목은,
   50개 내지 90개이고,
   상기 추가측정항목은,
   130개 내지 160개인 것을 특징으로 하는, 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템.
6. 삭제
7. 삭제
8. 삭제
9. 삭제
10. 삭제
11. 삭제

Images