KR102409662B1 - 3차원 바디 스캔 데이터의 보정 장치 및 방법 - Google Patents
3차원 바디 스캔 데이터의 보정 장치 및 방법 Download PDFInfo
- Publication number
- KR102409662B1 KR102409662B1 KR1020210035810A KR20210035810A KR102409662B1 KR 102409662 B1 KR102409662 B1 KR 102409662B1 KR 1020210035810 A KR1020210035810 A KR 1020210035810A KR 20210035810 A KR20210035810 A KR 20210035810A KR 102409662 B1 KR102409662 B1 KR 102409662B1
- Authority
- KR
- South Korea
- Prior art keywords
- scan data
- correction
- data
- unit
- model
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 23
- 238000012937 correction Methods 0.000 claims abstract description 146
- 238000000611 regression analysis Methods 0.000 claims description 28
- 238000012795 verification Methods 0.000 claims description 20
- 238000004519 manufacturing process Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 14
- 239000000523 sample Substances 0.000 claims description 14
- 239000000284 extract Substances 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 239000013074 reference sample Substances 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 6
- 244000309466 calf Species 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004308 accommodation Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 244000062793 Sorghum vulgare Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000003323 beak Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 235000019713 millet Nutrition 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
- 230000001953 sensory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
Images
Classifications
-
- G06T5/001—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Processing Or Creating Images (AREA)
Abstract
본 발명의 보정 장치는 3차원 스캐너에 의해 스캔된 사용자의 신체 치수 정보가 포함된 스캔 데이터 및 테일러(tailor)에 의해 채촌된 상기 사용자의 신체 치수 정보가 포함된 실측 데이터를 수집하는 수집 유니트; 상기 스캔 데이터와 상기 실측 데이터가 입력되면, 상기 실측 데이터를 추종하도록 상기 스캔 데이터를 보정하는 보정 모델을 생성하는 생성 유니트;를 포함할 수 있다.
Description
본 발명은 사용자의 신체 치수를 스캔한 3차원 스캔 데이터를 보정하는 장치 및 방법에 관한 것이다.
3차원 바디 스캐너를 통해 수집된 신체 데이터는 스캔 대상의 정확한 치수를 취득할 수 있다. 그럼에도 불구하고, 3차원 바디 스캐너를 이용해 파악된 신체 데이터를 이용해서 실제 의복을 제작하기는 어렵다.
의복을 제작하기 위해 테일러가 채촌하는 데이터에는 실제 치수 데이터뿐만 아니라 경험에 의거하여 직물의 특성, 관절과 같은 신체의 동작 범위 등을 포괄적으로 고려되어 있다. 테일러들의 채촌 방법은 각자마다 습관과 노하우가 휴리스틱하게 작용한 것으로, 이로 인해 일관된 채촌 작업이 어려운 문제가 있다.
한국공개특허공보 제2019-0139545호에는 완성된 제품을 제조하기 위해 고객의 체형정보를 수집하여 빅데이터를 구축하여 관리, 분류 및 활용하는 자동시스템이 나타나 있다.
본 발명은 3차원 스캐너를 이용해 획득한 사용자의 신체 치수를 의복 제작이 가능하도록 적절하게 보정하는 보정 장치 및 보정 방법을 제공하기 위한 것이다.
본 발명의 보정 장치는 3차원 스캐너에 의해 스캔된 사용자의 신체 치수 정보가 포함된 스캔 데이터 및 테일러(tailor)에 의해 채촌된 상기 사용자의 신체 치수 정보가 포함된 실측 데이터를 수집하는 수집 유니트; 상기 스캔 데이터와 상기 실측 데이터가 입력되면, 상기 실측 데이터를 추종하도록 상기 스캔 데이터를 보정하는 보정 모델을 생성하는 생성 유니트;를 포함할 수 있다.
본 발명의 보정 장치는 3차원 스캐너에 의해 스캔된 사용자의 신체 치수 정보가 포함된 스캔 데이터를 획득하는 획득 유니트; 의복 제작에 맞춰 신체 부위 별로 상기 스캔 데이터를 보정하는 보정 유니트;를 포함할 수 있다.
본 발명의 보정 방법은 3차원 스캐너에 의해 스캔된 사용자의 신체 치수 정보가 포함된 스캔 데이터를 획득하는 획득 단계; 의복 제작에 맞춰 신체 부위 별로 상기 스캔 데이터를 보정하는 보정 단계;를 포함할 수 있다.
본 발명은 다항 회귀 분석 또는 기계 학습을 이용하여 표본에 대한 테일러의 채촌 데이터를 학습할 수 있다. 그리고, 본 발명은 학습 결과를 이용해 3차원 스캐너를 이용하여 스캔한 표본의 스캔 데이터를 보정하는 보정 모델을 제공할 수 있다
본 발명의 보정 장치는 3차원 바디 스캐너를 통해 수집된 데이터와 테일러가 실측한 채촌 데이터를 쌍으로 수집할 수 있다. 보정 장치는 채촌 부위별 어떠한 보정이 어느 정도 들어가는가를 학습할 수 있다. 보정 장치는 해당 학습을 통해 스캔 데이터를 실제 의복의 제작에 활용할 수 있도록 보정하여 제공할 수 있다.
결과적으로, 본 발명에 따르면, 현실적으로 의복 제작에 활용되기 곤란한 3차원 스캐너의 신체 측정 수치가 현실적인 의복 제작이 가능한 수치로 보정될 수 있다.
본 발명에 따르면, 3차원 바디 스캐너와 테일러의 채촌 데이터를 함께 분석한 결과를 토대로 보정값이 도출될 수 있다. 따라서, 동일한 사용자에 대해서 테일러마다 다른 복수의 채촌 데이터를 정규화해서 일관된 보정값이 출력될 수 있다. 이 경우, 일관된 채촌 방식이 제공되므로 사용자는 어느 곳에서나 일관된 치수의 의복을 제공받을 수 있다. 사용자의 선택에 따라 선호하는 테일러 적응적인 보정값이 출력될 수 있다. 이 경우, 사용자는 자신이 선호하는 테일러의 스타일에 부합되는 의복을 어디에서나 제공받을 수 있다.
본 발명에 따르면, 스캔 데이터, 채촌 데이터(실측 데이터)가 지속적으로 수집될 수 있다. 따라서, 빅데이터의 형성이 가능하고 이를 기계 학습에 적용하면 시간이 경과할수록 정교한 보정이 가능해질 수 있다.
도 1은 본 발명의 보정 장치를 나타낸 개략도이다.
도 2는 본 발명의 다른 보정 장치를 나타낸 개략도이다.
도 3은 3차원 스캐너를 나타낸 개략도이다.
도 4는 본 발명의 보정 방법을 나타낸 흐름도이다.
도 2는 본 발명의 다른 보정 장치를 나타낸 개략도이다.
도 3은 3차원 스캐너를 나타낸 개략도이다.
도 4는 본 발명의 보정 방법을 나타낸 흐름도이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 명세서에서, 동일한 구성요소에 대해서 중복된 설명은 생략한다.
또한 본 명세서에서, 어떤 구성요소가 다른 구성요소에 '연결되어' 있다거나 '접속되어' 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에 본 명세서에서, 어떤 구성요소가 다른 구성요소에 '직접 연결되어' 있다거나 '직접 접속되어' 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
또한, 본 명세서에서 사용되는 용어는 단지 특정한 실시예를 설명하기 위해 사용되는 것으로써, 본 발명을 한정하려는 의도로 사용되는 것이 아니다.
또한 본 명세서에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.
또한 본 명세서에서, '포함하다' 또는 '가지다' 등의 용어는 명세서에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품, 또는 이들을 조합한 것이 존재함을 지정하려는 것일 뿐, 하나 또는 그 이상의 다른 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 할 것이다.
또한 본 명세서에서, '및/또는' 이라는 용어는 복수의 기재된 항목들의 조합 또는 복수의 기재된 항목들 중의 어느 항목을 포함한다. 본 명세서에서, 'A 또는 B'는, 'A', 'B', 또는 'A와 B 모두'를 포함할 수 있다.
또한 본 명세서에서, 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략될 것이다.
도 1은 본 발명의 보정 장치를 나타낸 개략도이다. 도 2는 본 발명의 다른 보정 장치를 나타낸 개략도이다.
도 1에 도시된 보정 장치는 스캔 데이터의 보정을 수행하는 보정 모델을 생성하는 학습기를 포함할 수 있다. 도 2에 도시된 보정 장치는 학습기에서 생성된 보정 모델을 이용하여 스캔 데이터를 실제로 보정하는 실행기를 포함할 수 있다.
먼저, 학습기에 대해 살펴본다.
도 1에 도시된 보정 장치는 수집 유니트(110), 생성 유니트(130), 관리 유니트(150)를 포함할 수 있다.
수집 유니트(110)는 스캔 데이터 및 실측 데이터를 수집할 수 있다.
스캔 데이터에는 3차원 스캐너에 의해 스캔된 사용자(80)의 신체 치수 정보가 포함될 수 있다.
실측 데이터에는 테일러(tailor)에 의해 채촌된 사용자(80)의 신체 치수 정보가 포함될 수 있다.
3차원 스캐너를 이용해 측정된 신체 치수 정보는 테일러가 수동으로 측정한 실측 데이터와 비교하여 보다 일관되고 보다 정확할 수 있다. 하지만, 스캔 데이터를 그대로 이용하여 의복을 제작하면 사용자(80)는 해당 옷을 입을 수 없다. 왜냐하면, 스캔 데이터에는 의복을 형성하는 천의 특성, 사용자(80)가 움직이면 변화하는 근육의 부피 변화로 인해 달라지는 신체 치수 등이 반영되지 못하기 때문이다. 결과적으로, 스캔 데이터를 그대로 이용하면 의복 제작이 불가능하다.
테일러는 경험과 노하우를 통해 사용자(80)의 실제 신체 치수가 아니라 경험적, 감각적으로 보정된 신체 치수를 채촌할 수 있다.
본 발명의 보정 장치는 스캔 데이터를 테일러의 실측 데이터와 같이 보정하는 것을 타겟으로 할 수 있다. 이를 위해, 우선 수집 유니트(110)는 스캔 데이터와 실측 데이터를 모두 수집할 수 있다.
일 예로, 수집 유니트(110)는 스캔 데이터가 복수로 저장된 데이터베이스 서버(30)로부터 스캔 데이터를 수집할 수 있다. 이를 위해, 수집 유니트(110)에는 서버(30)와 통신하는 제1 통신 모듈이 마련될 수 있다.
또는, 수집 유니트(110)는 3차원 스캐너로부터 직접 스캔 데이터를 입수할 수도 있다. 이를 위해, 수집 유니트(110)에는 3차원 스캐너와 통신하는 제2 통신 모듈이 마련될 수 있다.
또는, 수집 유니트(110)는 사용자(80)의 신체 치수를 측정 또는 스캔하는 3차원 스캐너 자체를 포함할 수 있다.
수집 유니트(110)는 특정 스캔 데이터의 대상이 되는 사용자(80)에 대해 테일러가 채촌한 실측 데이터를 해당 특정 스캔 데이터와 함께 수집할 수 있다. 결국, 수집 유니트(110)에 따르면, 동일 사용자(80)를 대상으로 측정된 스캔 데이터와 실측 데이터가 서로 매칭된 상태로 수집될 수 있다.
일 실시예에 따르면, 수집 유니트(110)는 성별에 따른 측정 항목을 나누어 생성 유니트(130)에 전달할 수 있다. 본 실시예에 따르면, 생성 유니트(130)에서 생성되는 보정 모델은 남성을 대상으로 하는 남성 보정 모델, 여성을 대상으로 하는 여성 보정 모델로 구분되어 생성될 수 있다.
생성 유니트(130)는 스캔 데이터와 실측 데이터가 입력되면, 실측 데이터를 추종하도록 스캔 데이터를 보정하는 보정 모델을 생성할 수 있다.
관리 유니트(150)는 보정 모델에 의해 보정된 스캔 데이터에 해당하는 보정 데이터를 수집 유니트(110)에서 수집한 스캔 데이터 원본과 함께 저장할 수 있다. 관리 유니트(150)는 보정 데이터와 스캔 데이터 원본 간의 차이값을 분석할 수 있다. 관리자는 해당 차이값을 보정 정책의 수립 등 다양한 용도로 사용할 수 있다. 보정 정책을 타이트하게 설정하면, 종국적으로 사용자(80)의 몸에 달라붙는 느낌의 의복이 제공될 수 있다. 보정 정책을 널널하게 설정하면, 종국적으로 사용자(80)에게 품이 큰 느낌의 의복이 제공될 수 있다. 보정 정책은 해당 테일러 또는 의복 제조 업체의 트렌드(trend)가 될 수 있다.
생성 유니트(130)는 스캔 데이터가 실측 데이터를 추종하는 보정 과정을 기계 학습(Machine Learning)하고, 기계 학습을 통해 보정 모델을 생성할 수 있다.
생성 유니트(130)는 스캔 데이터와 실측 데이터의 차이값에 해당하는 보정량을 채촌 부위별로 학습할 수 있다. 생성 유니트(130)는 학습 결과를 이용하여 채촌 부위별로 다른 보정량을 갖는 보정 모델을 생성할 수 있다. 의복 제작을 위해서는 각 신체 부위 또는 채촌 부위별로 보정량이 다를 필요가 있다. 따라서, 각 채촌 부위별로 보정량을 생성하는 세부 보정 모델이 생성될 수 있다. 또는, 복수의 세부 보정 모델이 통합된 통합 보정 모델이 생성될 수 있다.
생성 유니트(130)는 다항 회귀 분석(polynomial regression analysis)을 통해 스캔 데이터를 보정하는 보정 모델을 생성할 수 있다.
일 예로, 생성 유니트(130)에는 생성부(131), 검증부(133), 선정부(135)가 마련될 수 있다.
생성부(131)는 스캔 데이터와 실측 데이터를 이용하여 복수의 다항 회귀 분석 모델을 생성할 수 있다.
회귀 분석(regression analysis)은 매개변수 모델(parametric model)을 이용하여 통계적으로 변수들 사이의 관계를 추정하는 분석방법이다. 회귀 분석은 변수 간의 경향성을 설명하기 위해 사용되는 데이터 분석 방법으로, 전체 데이터 내에 있는 독립변수와 종속변수 간의 경향성을 수학적 함수로 표현하여 새로운 독립변수에 대한 종속변수의 값을 추정하는 통계적 분석 방법이다.
일 예로, 생성부(131)는 설정 범위 내에서 차수를 변경하면서 복수의 다항 회귀 분석 모델을 생성할 수 있다.
생성부(131)는 수집 유니트(110)로부터 전달받은 스캔 데이터를 이용하여 기계 학습을 진행할 수 있다. 이때, 사용되는 모델은 다항 회귀 분석 모델일 수 있다.
일 예로, 생성부(131)에서 사용하는 다항 회귀 분석 모델은 다음의 수학식 1과 같이 표현될 수 있다.
다항 회귀 분석은 비선형 데이터를 분석하기에 적합한 방법이며, 데이터의 성향에 따라 함수의 차수를 바꾸어 모델의 형태를 변형시킬 수 있다. 적절하지 않은 차수를 사용할 시에 과소적합(underfitting)이나 과적합(overfitting)이 발생하여 모델의 성능이 저하될 수 있다. 따라서, 적합한 차수를 선택하는 것이 중요하다. 이에 맞춰, 생성부(131)는 설정 범위 내에서 차수를 변경하면서 복수의 다항 회귀 분석 모델을 생성할 수 있다. 복수의 다항 회귀 분석 모델 중 어떤 모델이 적합한 차수를 갖고 있는지 파악하기 위해 검증부(133)가 이용될 수 있다.
검증부(133)는 복수의 다항 회귀 분석 모델을 검증할 수 있다.
일 예로, 검증부(133)는 교차 검증(cross validation)을 이용하여 각 다항 회귀 분석 모델을 검증할 수 있다. 구체적으로, 검증부(133)는 각 다항 회귀 분석 모델을 통해 스캔 데이터를 보정한 보정 데이터와 실측 데이터를 비교할 수 있다.
선정부(135)는 검증부(133)에서 검증된 특정 다항 회귀 분석 모델을 보정 모델로 선정할 수 있다. 선정부(135)는 검증부(133)의 검증 과정에서 발생하는 평균 제곱근 오차(RMSE, Root Mean Square Error)가 최소인 다항 회귀 분석 모델을 상기 보정 모델로 선정할 수 있다. 입력 데이터의 개수가 증가할수록 보정 모델의 정확도가 개선될 수 있다. 따라서, 보정 모델은 입력 데이터가 설정 개수 이상으로 누적될 때마다 새롭게 생성되고 실행기에 업데이트되는 것이 좋다.
검증부(133)에서 검증되고 선정부(135)에서 선정된 특정 다항 회귀 분석 모델은 도 2에 도시된 실행기에 탑재될 수 있다.
다음의 표 1은 스캔 데이터와 실측 데이터를 나타낸 도표이다
| 실측 | 목 (cm) |
어깨 (cm) |
상동 (cm) |
중동 (cm) |
기장 (cm) |
소매 (cm) |
앞품 (cm) |
뒷품 (cm) |
허리 (cm) |
힙 (cm) |
허벅지 (cm) |
마다 (cm) |
하의기장 (cm) |
부리 (cm) |
종아리 (cm) |
| 스캔 | 41.88 | 51 | 105.2 | 88.9 | 73.6 | 61 | 88.9 | 98.4 | 57.5 | 101.5 | 38.1 | ||||
| a | 41.9 | 48.3 | 101.6 | 92.7 | 68.6 | 61.6 | 34.9 | 37.5 | 90.8 | 102.9 | 27.3 | 99.1 | 17.8 | ||
| b | 47.5 | 101 | 90 | 74 | 61 | 87 | 103 | 59 | |||||||
| c | 40 | 47.6 | 107.3 | 92.7 | 72.4 | 62.2 | 39.4 | 43.2 | 90.2 | 101 | 57.8 | 23.5 | 97.8 | 39.4 | |
| d | 39.6 | 47.6 | 104.8 | 94 | 72.4 | 61.6 | 43.2 | 42.5 | 90.2 | 101 | 51.4 | 22.2 | 97.8 | 39.4 | |
| e | 39.4 | 47.6 | 102.4 | 93 | 67.3 | 61 | 43.2 | 41.3 | 92.1 | 97.3 | 56.6 | 99.1 | 21.6 | 39.4 | |
| f | 40 | 47.6 | 104.8 | 95.3 | 71.1 | 62.2 | 43.2 | 43.2 | 90.8 | 99.7 | 59.1 | 97.2 | 21.6 | 40 | |
| g | 40 | 47.6 | 102.9 | 95.3 | 73 | 62.9 | 41.3 | 43.2 | 88.9 | 99.1 | 58.4 | 24.1 | 99.1 | 19.1 | 38.1 |
| 평균 | 40.2 | 47.7 | 103.5 | 93.3 | 71.3 | 61.8 | 40.9 | 41.8 | 90.0 | 100.6 | 57.1 | 16.2 | 98.4 | 20.0 | 39.3 |
| 편차 | -1 | -3.5 | -2 | 89 | 6 | 6 | -1.5 |
살펴보면, 목, 어깨, 기장, 하의 기장 부위는 스캔 데이터보다 실측 데이터가 작은 것을 알 수 있다. 반면, 중동, 종아리 부위는 스캔 데이터보다 실측 데이터가 큰 것을 알 수 있다. 해당 경향에 따라 생성부(131)는 목, 어깨, 기장, 하의 기장 부위에 대해서 스캔 데이터의 값을 감소시키는 보정을 수행하는 보정 모델을 생성할 수 있다. 생성부(131)는 중동, 종아리 부위에 대해서 스캔 데이터의 값을 증가시키는 보정을 수행하는 보정 모델을 생성할 수 있다. 표 1과 같이 동일 사용자(80)를 대상으로 스캔 데이터는 유일할 수 있다. 반면, 동일 사용자(80)를 대상으로 하더라도 주관이 개입되는 실측 데이터는 테일러(a, b, c, d, e, f, g)마다 서로 다른 것을 알 수 있다. 생성 유니트(130)의 생성부(131)는 동일한 사용자(80)에 대한 실측 데이터가 복수로 입수되면, 복수의 실측 데이터의 대표값을 추출할 수 있다. 일 예로, 표 1에서는 대표값으로 평균값을 추출할 수 있다. 생성 유니트(130)의 생성부(131)는 대표값을 추종하도록 스캔 데이터를 보정하는 보정 모델을 생성할 수 있다.
본 실시예에 따르면, 복수의 테일러로부터 획득한 복수이 실측 데이터가 존재하더라도 보정 데이터는 한가지 종류만 존재할 수 있다. 해당 대표값은 어느 테일러에도 속하지 않는 전혀 다른 치수 체계를 가질 수 있다. 따라서, 대표값을 이용해 생성된 보정 모델이 실행기에 적용되면, 사용자(80)는 자신의 몸체 맞으면서도 독창적인 트렌드의 의복을 제공받을 수 있다.
한편, 사용자(80)에 따라 특정 테일러(의복 제조 업체 포함)의 의복 트렌드를 선호할 수 있다. 이 경우, 대표값이 아니라 해당 특정 테일러의 실측 데이터에 맞는 보정 데이터가 제공되는 것이 해당 사용자(80)에게 유익할 수 있다. 이를 위해, 수집 유니트(110)는 동일한 사용자(80)에 대해 제1 테일러의 실측 데이터 및 제2 테일러의 실측 데이터를 수집할 수 있다.
생성 유니트(130)는 제1 테일러의 실측 데이터를 추종하도록 스캔 데이터를 보정하는 제1 보정 모델을 생성할 수 있다.
또한, 생성 유니트(130)는 제2 테일러의 실측 데이터를 추종하도록 스캔 데이터를 보정하는 제2 보정 모델을 생성할 수 있다.
생성 유니트(130)는 제1 테일러의 식별 정보와 제1 보정 모델을 매칭시켜 출력하며, 제2 테일러의 식별 정보와 제2 보정 모델을 매칭시켜 출력할 수 있다.
생성 유니트(130)로부터 출력된 정보는 실행기에 제공될 수 있다.
특정 사용자(80)의 스캔 데이터를 획득한 실행기는 사용자(80)가 제1 테일러의 스타일을 요구하면, 생성 유니트(130)로부터 제공받은 식별 정보를 탐색해서 제1 테일러를 추출할 수 있다. 또한, 실행기는 제1 테일러의 식별 정보에 매칭된 제1 보정 모델을 추출할 수 있다. 실행기는 해당 특정 사용자(80)의 스캔 데이터에 제1 보정 모델을 적용할 수 있다. 본 실시예에 따르면, 사용자(80)는 자신이 원하는 제1 테일러 스타일의 의복을 제공받을 수 있다.
실행기에 대해서 살펴본다.
도 2에 도시된 실행기는 획득 유니트(210) 및 보정 유니트(230)를 포함할 수 있다.
획득 유니트(210)는 3차원 스캐너에 의해 스캔된 사용자(80)의 신체 치수 정보가 포함된 스캔 데이터를 획득할 수 있다.
획득 유니트(210)에는 3차원 스캐너와 통신하는 통신 모듈이 마련되고, 3차원 스캐너로부터 스캔 데이터를 수신할 수 있다. 또는, 획득 유니트(210)에는 3차원 스캐너 자체가 포함될 수 있다.
경우에 따라, 획득 유니트(210)는 수집 유니트(110)와 일체로 형성될 수도 있다.
보정 유니트(230)는 의복 제작에 맞춰 신체 부위 별로 스캔 데이터를 보정할 수 있다.
일 예로, 보정 유니트(230)는 신체 부위 중에서 목, 어깨, 기장, 하의 기장 부위에 대해서 스캔 데이터의 값을 설정 범위 내에서 감소시키는 보정을 수행할 수 있다. 보정 유니트(230)는 신체 부위 중에서 중동, 종아리 부위에 대해서 스캔 데이터의 값을 설정 범위 내에서 증가시키는 보정을 수행할 수 있다.
보정 유니트(230)는 보정 모델을 이용하여 스캔 데이터를 보정할 수 있다.
보정 모델은 표본을 대상으로 스캔된 스캔 데이터와 테일러(tailor)에 의해 채촌된 실측 데이터를 학습 데이터로 이용하는 기계 학습을 통해 학습기에서 생성된 것일 수 있다.
한편, 보정 유니트(230)가 정상적으로 동작하기 위해서는 동일 대상을 가정할 때, 학습기의 수집 유니트(110)에서 수집한 치수 정보와 획득 유니트(210)에서 획득한 치수 정보가 동일할 필요가 있다.
수집 유니트(110)의 소스가 되는 스캐너와 획득 유니트(210)의 소스가 되는 스캐너의 종류가 다르거나, 공차, 주변 환경에 따라 동일 사용자(80)에 대해서 서로 다른 치수 정보가 스캔될 수 있다. 이런 상태에서 학습기의 보정 모델이 일괄적으로 적용되면 사용자(80)는 자신의 몸에 맞지 않는 의복을 제공받을 수 있다.
해당 문제를 해소하기 위해 보정 장치는 마네킹 등의 기준 샘플을 이용할 수 있다.
일 예로, 학습기와 실행기는 동일한 기준 샘플을 사전에 설정할 수 있다.
획득 유니트(210)는 3차원 스캐너가 기준 샘플을 스캔한 현장 스캔 데이터를 획득할 수 있다.
획득 유니트(210)는 학습 데이터로 사용된 스캔 데이터를 생성한 기준 스캐너가 해당 기준 샘플을 스캔한 기준 스캔 데이터를 추가로 획득할 수 있다.
동일한 기준 샘플을 스캔한 상태에서 현장 스캔 데이터와 기준 스캔 데이터는 서로 동일해야 하지만, 주변 환경 등의 문제가 서로 다를 수 있다.
보정 유니트(230)는 현장 스캔 데이터와 기준 스캔 데이터의 차이값에 해당하는 조절값을 신체 부위 별로 추출할 수 있다.
보정 유니트(230)는 3차원 스캐너에 의해 스캔된 사용자(80)의 스캔 데이터가 입수되면, 조절값을 이용하여 사용자(80)의 스캔 데이터를 조절할 수 있다. 이때의 조절은 사용자(80)가 이용 중인 3차원 스캐너의 출력값을 보정 모델의 소스가 되는 기준 스캐너에 맞춰 1차 수정하는 것을 의미할 수 있다.
보정 유니트(230)는 조절값을 이용하여 조절된 스캔 데이터에 보정 모델을 적용할 수 있다.
본 실시예에 따르면, 현장의 3차원 스캐너는 학습기의 기준 스캐너와 동일하게 동작하는 셈이 되고, 3차원 스캐너의 스캔 데이터는 학습기에서 제공한 보정 모델에 의해 의복 제작이 가능한 상태로 2차 수정될 수 있다.
획득 유니트(210)는 사용자(80)가 선택한 테일러(tailor)의 식별 정보를 추가로 획득할 수 있다.
보정 유니트(230)는 스캔 데이터의 보정을 수행하는 복수의 보정 모델 중에서 해당 식별 정보에 매칭되는 특정 보정 모델을 추출할 수 있다. 보정 유니트(230)는 추출된 특정 보정 모델을 이용하여 스캔 데이터를 보정할 수 있다. 본 실시예에 따르면, 사용자(80)는 자신이 원하는 테일러를 선택할 수 있고, 해당 테일러의 경향이 맞는 의복을 제공받을 수 있다.
본 발명의 보정 장치가 정상적으로 동작하기 위해서는 3차원 스캐너를 이용해 측정한 스캔 데이터가 정확해야 한다.
스캔 데이터의 정확도 개선을 위해 특수한 3차원 스캐너가 제공될 수 있다.
본 발명의 획득 유니트(210)는 3차원 스캐너를 포함할 수 있다.
도 3은 3차원 스캐너를 나타낸 개략도이다.
해당 3차원 스캐너(90)는 사용자(80)가 들어갈 수 있는 수용 공간을 형성하는 프레임부(99), 수용 공간에 위치한 사용자(80)를 스캔하는 스캔부(91), 사용자(80)가 양팔을 벌리도록 가이드하는 가이드부(97)를 포함할 수 있다.
가이드부(97)는 수용 공간에 위치한 사용자(80)를 사이에 두고 서로 대면되는 위치에 설치되는 위치에 2개가 설치될 수 있다. 각 가이드부(97)에는 사용자(80)가 손으로 잡을 수 있는 손잡이가 마련될 수 있다.
가이드부(97)는 승하강 가능하게 프레임에 설치될 수 있다.
가이드부(97)에는 프레임에 대한 승하강을 현재 위치에서 강제로 정지시키는 록킹 수단, 록킹 수단을 제어하는 스위치가 마련될 수 있다.
일 예로, 스위치는 가이드부(97)의 손잡이에서 엄지 손가락에 대면되는 위치에 형성될 수 있다.
사용자(80)가 가이드부(97)를 적당히 승하강시켜 팔을 벌린 상태를 유지하면서도 자신에게 편한 위치에서 스위치를 조작하면 록킹 수단이 동작하고 가이드부(97)는 현재 위치에서 고정될 수 있다. 이때부터 사용자(80)는 팔의 무게를 가이드부(97)에 실을 수 있으므로, 스캔 과정 동안 편안한 몸 상태를 유지할 수 있다.
스위치를 다시 조작하면 록킹 수단이 해제되고 가이드부(97)는 승하강이 가능한 모드로 돌입할 수 있다.
2개의 가이드부(97)는 각 팔의 길이가 다른 점을 고려하여 서로 독립적으로 형성될 수 있다. 이를 위해 각 가이드부(97)마다 록킹 수단과 스위치가 마련될 수 있다.
도 4는 본 발명의 보정 방법을 나타낸 흐름도이다.
도 4에 도시된 보정 방법은 보정 장치, 예를 들어 도 1의 학습기 또는 도 2의 실행기에 의해 수행될 수 있다.
본 발명의 보정 방법은 획득 단계(S 610), 보정 단계(S 630)를 포함할 수 있다.
획득 단계(S 610)는 3차원 스캐너 또는 바디 스캔 시스템에 의해 스캔된 사용자(80)의 신체 치수 정보가 포함된 스캔 데이터를 획득할 수 있다. 획득 단계(S 610)는 실행기의 획득 유니트(210)에 의해 수행될 수 있다.
보정 단계(S 630)는 의복 제작에 맞춰 신체 부위 별로 스캔 데이터를 보정할 수 있다. 보정 단계(S 630)는 실행기의 보정 유니트(230)에 의해 수행될 수 있다.
일 예로, 보정 단계(S 630)는 보정 모델을 이용하여 스캔 데이터를 보정할 수 있다. 해당 보정 모델은 학습기에 의해 도출된 최적의 바디 스캔 데이터 보정 모델에 해당될 수 있다.
보정 모델은 수집 단계(S 510), 생성 단계(S 530), 검증 단계(S 550), 선정 단계를 통해 마련될 수 있다.
수집 단계(S 510)는 표본의 스캔 데이터(바디 스캔 시스템을 이용하여 측정된 데이터)를 수집하고, 테일러(tailor)에 의해 채촌된 표본의 신체 치수 정보가 포함된 표본의 실측 데이터(바디 실측 데이터)를 수집할 수 있다. 수집 단계(S 510)는 학습기의 수집 유니트(110)에 의해 수행될 수 있다. 수집 유니트(110)는 3차원 스캐너, 기준 스캐너, 데이터베이스 서버(30)(바디 스캔 데이터 DB) 중 적어도 하나로부터 스캔 데이터를 수집할 수 있다. 수집 유니트(110)는 테일러의 단말기와 통신하고, 테일러의 단말기로부터 실측 데이터를 수집할 수 있다. 또는, 수집 유니트(110)는 실측 데이터가 저장된 데이터베이스 서버(30)로부터 실측 데이터를 수집할 수 있다.
생성 단계(S 530)는 설정 범위 내에서 차수를 변경하면서 표본의 스캔 데이터를 표본의 실측 데이터에 접근시키는 다항 회귀 분석 모델을 복수로 생성할 수 있다. 생성 단계(S 530)는 학습기의 생성 유니트(130)에 의해 수행될 수 있다.
검증 단계(S 550)는 교차 검증(cross validation)을 이용하여 각 다항 회귀 분석 모델을 검증할 수 있다. 선정 단계는 검증 과정에서 발생하는 평균 제곱근 오차(RMSE, Root Mean Square Error)가 최소인 다항 회귀 모델을 보정 모델로 선정할 수 있다. 검증 단계(S 550) 및 선정 단계는 학습기의 생성 유니트(130)에 의해 수행될 수 있다.
한편, 학습기와 실행기는 도 1과 도 2에 도시된 바와 같이 별개로 형성될 수 있다. 또는, 학습기와 실행기가 일체로 형성된 바디 스캔 데이터 보정 모듈(10)이 마련될 수도 있다.
선정 단계에서 선정된 보정 모델은 실행기로 제공되고, 실행기는 보정 모델을 이용해 스캔 데이터를 보정한 보정 데이터에 해당하는 '보정된 바디 스캔 데이터'를 출력할 수 있다.
한편, 본 발명의 실시예는 지금까지 설명한 장치 및/또는 방법을 통해서만 구현되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있으며, 이러한 구현은 상술한 실시예의 기재로부터 본 발명이 속하는 기술 분야의 통상의 기술자라면 쉽게 구현할 수 있는 것이다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 통상의 기술자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.
10...바디 스캔 데이터 보정 모듈
30...서버 80...사용자
90...스캐너 91...스캔부
97...가이드부 99...프레임부
110...수집 유니트 130...생성 유니트
131...생성부 133...검증부
135...선정부 150...관리 유니트
210...획득 유니트 230...보정 유니트
30...서버 80...사용자
90...스캐너 91...스캔부
97...가이드부 99...프레임부
110...수집 유니트 130...생성 유니트
131...생성부 133...검증부
135...선정부 150...관리 유니트
210...획득 유니트 230...보정 유니트
Claims (15)
- 3차원 스캐너에 의해 스캔된 사용자의 신체 치수 정보가 포함된 스캔 데이터 및 테일러(tailor)에 의해 채촌된 상기 사용자의 신체 치수 정보가 포함된 실측 데이터를 수집하는 수집 유니트; 및
상기 스캔 데이터와 상기 실측 데이터가 입력되면, 상기 실측 데이터를 추종하도록 상기 스캔 데이터를 보정하는 보정 모델을 생성하는 생성 유니트를 포함하고,
상기 생성 유니트는:
상기 스캔 데이터와 상기 실측 데이터를 이용하여 복수의 다항 회귀 분석 모델을 생성하는 생성부;
복수의 상기 다항 회귀 분석 모델을 검증하는 검증부; 및
상기 검증부에서 검증된 특정 다항 회귀 분석 모델을 상기 보정 모델로 선정하는 선정부를 포함하고,
상기 생성부는 설정 범위 내에서 차수를 변경하면서 복수의 다항 회귀 분석 모델을 생성하고,
상기 검증부는 교차 검증(cross validation)을 이용하여 각 다항 회귀 분석 모델을 검증하며,
상기 선정부는 상기 검증부의 검증 과정에서 발생하는 평균 제곱근 오차(RMSE, Root Mean Square Error)가 최소인 다항 회귀 분석 모델을 상기 보정 모델로 선정하는 보정 장치.
- 제1항에 있어서,
상기 보정 모델에 의해 보정된 스캔 데이터에 해당하는 보정 데이터를 상기 수집 유니트에서 수집한 스캔 데이터 원본과 함께 저장하는 관리 유니트가 마련된 보정 장치.
- 제1항에 있어서,
상기 생성 유니트는 다항 회귀 분석(polynomial regression analysis)을 통해 상기 보정 모델을 생성하는 보정 장치.
- 삭제
- 삭제
- 제1항에 있어서,
상기 생성 유니트는 동일한 사용자에 대한 실측 데이터가 복수로 입수되면, 복수의 실측 데이터의 대표값을 추출하고,
상기 생성 유니트는 상기 대표값을 추종하도록 상기 스캔 데이터를 보정하는 보정 모델을 생성하는 보정 장치.
- 3차원 스캐너에 의해 스캔된 사용자의 신체 치수 정보가 포함된 스캔 데이터 및 테일러(tailor)에 의해 채촌된 상기 사용자의 신체 치수 정보가 포함된 실측 데이터를 수집하는 수집 유니트; 및
상기 스캔 데이터와 상기 실측 데이터가 입력되면, 상기 실측 데이터를 추종하도록 상기 스캔 데이터를 보정하는 보정 모델을 생성하는 생성 유니트를 포함하고,
상기 수집 유니트는 동일한 사용자에 대해 제1 테일러의 실측 데이터 및 제2 테일러의 실측 데이터를 수집하고,
상기 생성 유니트는 제1 테일러의 실측 데이터를 추종하도록 상기 스캔 데이터를 보정하는 제1 보정 모델을 생성하며,
상기 생성 유니트는 제2 테일러의 실측 데이터를 추종하도록 상기 스캔 데이터를 보정하는 제2 보정 모델을 생성하고,
상기 생성 유니트는 상기 제1 테일러의 식별 정보와 상기 제1 보정 모델을 매칭시켜 출력하며, 상기 제2 테일러의 식별 정보와 상기 제2 보정 모델을 매칭시켜 출력하는 보정 장치.
- 제1항에 있어서,
상기 생성 유니트는 상기 스캔 데이터가 상기 실측 데이터를 추종하는 보정 과정을 기계 학습하고, 상기 기계 학습을 통해 상기 보정 모델을 생성하는 보정 장치.
- 제1항에 있어서,
상기 생성 유니트는 상기 스캔 데이터와 상기 실측 데이터의 차이값에 해당하는 보정량을 채촌 부위별로 학습하고,
상기 생성 유니트는 학습 결과를 이용하여 채촌 부위별로 다른 보정량을 갖는 상기 보정 모델을 생성하는 보정 장치.
- 3차원 스캐너에 의해 스캔된 사용자의 신체 치수 정보가 포함된 스캔 데이터를 획득하는 획득 유니트; 및
의복 제작에 맞춰 신체 부위 별로 상기 스캔 데이터를 보정하는 보정 유니트를 포함하고,
상기 보정 유니트는 보정 모델을 이용하여 상기 스캔 데이터를 보정하고,
상기 보정 모델은 표본을 대상으로 스캔된 스캔 데이터와 테일러(tailor)에 의해 채촌된 실측 데이터를 학습 데이터로 이용하는 기계 학습을 통해 생성된 것이고,
상기 획득 유니트는 상기 3차원 스캐너가 기준 샘플을 스캔한 현장 스캔 데이터를 획득하고,
상기 획득 유니트는 상기 학습 데이터로 사용된 스캔 데이터를 생성한 기준 스캐너가 상기 기준 샘플을 스캔한 기준 스캔 데이터를 획득하며,
상기 보정 유니트는 상기 현장 스캔 데이터와 상기 기준 스캔 데이터의 차이값에 해당하는 조절값을 신체 부위 별로 추출하고,
상기 보정 유니트는 상기 3차원 스캐너에 의해 스캔된 사용자의 스캔 데이터가 입수되면, 상기 조절값을 이용하여 상기 사용자의 스캔 데이터를 조절하며,
상기 보정 유니트는 상기 조절값을 이용하여 조절된 스캔 데이터에 상기 보정 모델을 적용하는 보정 장치.
- 삭제
- 삭제
- 3차원 스캐너에 의해 스캔된 사용자의 신체 치수 정보가 포함된 스캔 데이터를 획득하는 획득 유니트; 및
의복 제작에 맞춰 신체 부위 별로 상기 스캔 데이터를 보정하는 보정 유니트를 포함하고,
상기 획득 유니트는 상기 사용자가 선택한 테일러(tailor)의 식별 정보를 추가로 획득하고,
상기 보정 유니트는 상기 보정을 수행하는 복수의 보정 모델 중에서 상기 식별 정보에 매칭되는 특정 보정 모델을 추출하며,
상기 보정 유니트는 상기 특정 보정 모델을 이용하여 상기 스캔 데이터를 보정하는 보정 장치.
- 보정 장치에 의해 수행되는 보정 방법에 있어서,
3차원 스캐너에 의해 스캔된 사용자의 신체 치수 정보가 포함된 스캔 데이터를 획득하는 획득 단계; 및
의복 제작에 맞춰 신체 부위 별로 상기 스캔 데이터를 보정하는 보정 단계를 포함하고,
상기 보정 단계는 보정 모델을 이용하여 상기 스캔 데이터를 보정하고,
상기 보정 모델은 수집 단계, 생성 단계, 검증 단계, 선정 단계를 통해 마련되며,
상기 수집 단계는 표본의 스캔 데이터를 수집하고, 테일러(tailor)에 의해 채촌된 상기 표본의 신체 치수 정보가 포함된 표본의 실측 데이터를 수집하고,
상기 생성 단계는 설정 범위 내에서 차수를 변경하면서 상기 표본의 스캔 데이터를 상기 표본의 실측 데이터에 접근시키는 다항 회귀 분석 모델을 복수로 생성하며,
상기 검증 단계는 교차 검증(cross validation)을 이용하여 각 다항 회귀 분석 모델을 검증하고,
상기 선정 단계는 검증 과정에서 발생하는 평균 제곱근 오차(RMSE, Root Mean Square Error)가 최소인 다항 회귀 모델을 상기 보정 모델로 선정하는 보정 방법. - 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210035810A KR102409662B1 (ko) | 2021-03-19 | 2021-03-19 | 3차원 바디 스캔 데이터의 보정 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210035810A KR102409662B1 (ko) | 2021-03-19 | 2021-03-19 | 3차원 바디 스캔 데이터의 보정 장치 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102409662B1 true KR102409662B1 (ko) | 2022-06-15 |
Family
ID=81987306
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210035810A KR102409662B1 (ko) | 2021-03-19 | 2021-03-19 | 3차원 바디 스캔 데이터의 보정 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102409662B1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101672299B1 (ko) * | 2016-02-22 | 2016-11-03 | 이정구 | 의복패턴의 자동맞춤 서비스시스템 및 그 서비스방법 및 이를 이용해 제작되는 맞춤의복 |
| KR20190049148A (ko) * | 2017-11-01 | 2019-05-09 | 김민서 | 촬영 영상 내의 생체정보 보안 처리방법 및 장치 |
| KR102003002B1 (ko) * | 2018-12-05 | 2019-07-25 | 서경덕 | 스캐너를 이용한 의복제작 시스템 |
| KR20190139545A (ko) | 2018-06-08 | 2019-12-18 | 주식회사 포튼가먼트 | 고객의 체형정보를 자동 수집하여 빅데이터를 구축하고 관리, 분류, 활용하는 자동시스템 |
| KR20210012493A (ko) * | 2019-07-25 | 2021-02-03 | 서울대학교산학협력단 | 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템 |
-
2021
- 2021-03-19 KR KR1020210035810A patent/KR102409662B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101672299B1 (ko) * | 2016-02-22 | 2016-11-03 | 이정구 | 의복패턴의 자동맞춤 서비스시스템 및 그 서비스방법 및 이를 이용해 제작되는 맞춤의복 |
| KR20190049148A (ko) * | 2017-11-01 | 2019-05-09 | 김민서 | 촬영 영상 내의 생체정보 보안 처리방법 및 장치 |
| KR20190139545A (ko) | 2018-06-08 | 2019-12-18 | 주식회사 포튼가먼트 | 고객의 체형정보를 자동 수집하여 빅데이터를 구축하고 관리, 분류, 활용하는 자동시스템 |
| KR102003002B1 (ko) * | 2018-12-05 | 2019-07-25 | 서경덕 | 스캐너를 이용한 의복제작 시스템 |
| KR20210012493A (ko) * | 2019-07-25 | 2021-02-03 | 서울대학교산학협력단 | 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101116896B1 (ko) | 패턴생성 장치 및 방법과 장갑 주문제작 장치 및 방법 | |
| Ashdown et al. | A study of automated custom fit: Readiness of the technology for the apparel industry | |
| Porterfield et al. | Examining the effectiveness of virtual fitting with 3D garment simulation | |
| US7584122B2 (en) | System and method for fitting clothing | |
| KR101627114B1 (ko) | 컴퓨터 시스템을 이용한 의류 제작 시스템 | |
| KR20210073611A (ko) | 거울을 가상화하는 디바이스들, 시스템들 및 방법들 | |
| DE102013203667A1 (de) | Interaktive Kabine und Verfahren zur Bestimmung einer Körperform | |
| CN105469072A (zh) | 一种评估眼镜佩戴者和其所佩戴眼镜搭配度的方法和系统 | |
| KR102003002B1 (ko) | 스캐너를 이용한 의복제작 시스템 | |
| CN104318000A (zh) | 一种成衣的自动生成方法 | |
| CN111311373B (zh) | 基于消费者社交网络的服装个性化定制方法和装置 | |
| KR102236191B1 (ko) | 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템 | |
| CN111553880A (zh) | 模型生成方法、标签标注方法、虹膜图像质量评价方法及装置 | |
| KR102409662B1 (ko) | 3차원 바디 스캔 데이터의 보정 장치 및 방법 | |
| CN106030580A (zh) | 商品搜索装置、商品搜索系统、服务器系统及商品搜索方法 | |
| CN107545236A (zh) | 用于确定个体的年龄的系统和方法 | |
| GB2567061A (en) | System integration for design and production of clothing | |
| KR20190139545A (ko) | 고객의 체형정보를 자동 수집하여 빅데이터를 구축하고 관리, 분류, 활용하는 자동시스템 | |
| CN113850785A (zh) | 图像质量模型的生成、评估方法与系统及其设备与介质 | |
| KR20120095172A (ko) | 패턴 조합형 유니폼 주문제작 방법 및 장치 | |
| CN107038360A (zh) | 移动终端的指纹注册方法和指纹识别方法 | |
| CN108182588A (zh) | 一种发型设计及修剪装置、系统及方法、设备与介质 | |
| Petrak et al. | Research of 3D body models computer adjustment based on anthropometric data determined by laser 3D scanner | |
| US20220148074A1 (en) | Visualization of garments on a body model of a human | |
| CN111435426A (zh) | 基于米粒识别结果确定烹饪模式的方法、装置和烹饪器具 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |