KR102496992B1 - 원단의 물성 측정 시스템 및 방법 - Google Patents

Abstract

본 발명은 원단의 물성 측정 시스템 및 방법에 관한 것이다. 그러한 원단으 물성 측정 시스템은, 측정 대상 원단(2)을 적치하는 거치대(3)와; 거치대(3)에 구비되어 원단(2)의 무게를 측정할 수 있는 무게 측정부(5)와; 거치대(3)의 후방에 구비되며 눈금이 형성되어 원단(2)의 날개각(θ)을 측정할 수 있도록 하는 제 1측정판(7)과; 거치대(3)의 하부에 구비되며 눈금이 형성되어 원단(2)의 넓이, 분포, 둘레, 러플(R) 갯수를 측정할 수 있도록 하는 제 2측정판(9)과; 제 1측정판(7)과 마주보는 위치에 구비되어 원단(2)의 전면을 촬영하여 전방 이미지를 얻는 전방 카메라(C1)와; 제 2측정판(9)과 마주보는 위치에 구비되어 원단(2)의 상면을 촬영하여 상부 이미지를 얻는 상부 카메라(C2)와; 전방 및 상부 카메라(C1,C2), 무게 측정부(5)에 연결되어 전송된 원단(2) 이미지 데이터 및 무게 데이터에 의하여 원단(2)의 물성을 연산하는 연산모듈(13)과; 연산된 이미지 데이터를 군집화하여 각 물성으로 분류하는 분류모듈(15)과; 분류모듈(15)에 의하여 분류된 물성 데이터를 그래프로 구현하는 그래픽 모듈(17)과; 그래프로 표시된 물성 데이터와 근사한 데이터를 추출하여 원단을 복종별 혹은 아이템별로 매칭해주는 매칭 모듈(19)과; 그리고 분류된 원단 데이터를 처리하여 의상으로 제조된 상태를 보여줄 수 있는 3D 모듈(21)을 포함한다.

Description

원단의 물성 측정 시스템 및 방법{System for measuring property of matter for fabric and method of the same}

본 발명은 원단의 물성 측정 및 시뮬레이션 시스템에 관한 것으로서, 보다 상세하게는 별도의 원단 측정기 없이 원단의 이미지를 이용하여 원단의 물성을 측정하고, 측정된 데이터를 처리하여 원단의 물성값을 그래프로 구현함으로써 시각적으로 쉽게 원단의 물성을 파악할 수 있고, 또한 그래프로 표시된 물성 데이터와 근사한 데이터를 추출하여 원단을 복종별 혹은 아이템별로 매칭할 수 있는 기술에 관한 것이다.

최근에는 패션에 대한 관심이 증가하면서 온라인상에서도 의류에 대한 정보가 활발하게 이루어지고 있다.

이러한 온라인을 이용한 패션정보는 다양한 형태로 나타나는 바, 인터넷상의 홈페이지에 게시된 의류 형상, 판매처, 원단에 대한 정보 등이다.

특히, 원단에 대한 정보는 원단의 질감, 컬러, 물성 등을 포함한다.

그리고, 이러한 원단 정보는 원단 물성 측정기에 의하여 측정됨으로써 얻어질 수 있다. 즉, 원단의 물성을 측정하기 위하여 원단을 가로 세로방향으로 절단하여 물성 측정기에 적치시킨다. 그리고, 원단의 두께, 중량, 굴곡도, 바이어 스트레칭 등을 측정함으로써 원단 정보를 얻게 된다.

그러나, 이러한 종래의 원단 측정방식은 물성 측정기를 이용하여 물리적인 방식에 의하여 물성을 측정 하는 바, 측정기 구입비용이 소요되고, 측정시간이 오래 걸리고, 또한 원단 정보를 데이터베이스화하는 데 많은 시간 및 비용이 소요되는 문제점이 있다.

또한, 특허등록 제102093450호에는 원단의 물성을 측정한 후, 측정 데이터를 군집화하여 물성별로 분류하여 테이블화한 기술이 제시된다.

그러나, 상기 기술의 경우 물성을 테이블로 보여주므로 원단의 특성을 직감하기 어려워 물성을 파악하는데 한계가 있는 문제점이 있다.

선행기술 1 : 대한민국 공개특허 제10-2007-0051384호(명칭: 네트워크를 이용한 의류 비즈니스 방법) 선행기술 2 : 대한민국 공개특허 제10-2007-0108631호(명칭 : 전자 카탈로그를 이용한 의류 비즈니스 서비스 시스템 및 그 방법)

본 발명은 상기한 종래의 문제점을 감안하여 제안된 것으로, 본 발명의 일 목적은, 별도의 원단 측정기 없이 원단의 이미지를 이용하여 원단의 물성을 측정하고, 측정된 데이터를 처리하여 원단의 물성값을 그래프로 구현함으로써 시각적으로 쉽게 원단의 물성을 파악할 수 있고, 또한 그래프로 표시된 물성 데이터와 근사한 데이터를 추출하여 원단을 복종별 혹은 아이템별로 매칭할 수 있는 기술을 제공하는 것이다.

상기와 같은 목적을 달성하기 위하여 본 발명의 일 실시예는,

측정 대상 원단(2)을 적치하는 거치대(3)와;

거치대(3)에 구비되어 원단(2)의 무게를 측정할 수 있는 무게 측정부(5)와;

거치대(3)의 후방에 구비되며 눈금이 형성되어 원단(2)의 날개각(θ)을 측정할 수 있도록 하는 제 1측정판(7)과;

거치대(3)의 하부에 구비되며 눈금이 형성되어 원단(2)의 넓이, 분포, 둘레, 러플(R) 갯수를 측정할 수 있도록 하는 제 2측정판(9)과;

제 1측정판(7)과 마주보는 위치에 구비되어 원단(2)의 전면을 촬영하여 전방 이미지를 얻는 전방 카메라(C1)와;

제 2측정판(9)과 마주보는 위치에 구비되어 원단(2)의 상면을 촬영하여 상부 이미지를 얻는 상부 카메라(C2)와;

전방 및 상부 카메라(C1,C2), 무게 측정부(5)에 연결되어 전송된 원단(2) 이미지 데이터 및 무게 데이터에 의하여 원단(2)의 물성을 연산하는 연산모듈(13)과;

연산된 이미지 데이터를 군집화하여 각 물성으로 분류하는 분류모듈(15)과;

분류모듈(15)에 의하여 분류된 물성 데이터를 그래프로 구현하는 그래픽 모듈(17)과;

그래프로 표시된 물성 데이터와 근사한 데이터를 추출하여 원단을 복종별 혹은 아이템별로 매칭해주는 매칭 모듈(19)과; 그리고

분류된 원단 데이터를 처리하여 의상으로 제조된 상태를 보여줄 수 있는 3D 모듈(21)을 포함하는 원단의 물성측정 시스템(1)을 제공한다.

본 발명의 다른 실시예는,

원단(2)을 거치대(3)에 거치하는 제 1단계(S100)와;

거치대(3)의 무게 측정부(5)에 의하여 원단(2)의 무게를 측정하는 제 2단계(S110)와;

거치대(3)의 전방에 배치된 전방 카메라(C1)에 의하여 원단(2) 및 제 1측정판(7)을 촬영함으로써 원단(2)의 전방 이미지를 얻는 제 3단계(S120)와;

거치대(3)의 상부에 배치된 상부 카메라(C2)에 의하여 원단(2) 및 제 2측정판(9)을 촬영함으로써 원단(2)의 상부 이미지를 얻는 제 4단계(S130)와;

전방 및 상부 카메라(C1,C2), 무게 측정부(5)에 연결되어 전송된 원단(2) 이미지 데이터 및 무게 데이터에 의하여 원단(2)의 물성을 연산하는 제 5단계(S140)와;

연산된 이미지 데이터를 군집화하여 각 물성으로 분류하여 테이블화하는 제 6단계(S150)와; 그리고

분류모듈(15)에 의하여 분류된 물성 데이터를 그래프로 구현하는 제 7단계(S152)와;

그래프로 표시된 물성 데이터에 대하여 유사도를 평가함으로써 근사한 데이터를 추출하여 원단을 복종별 혹은 아이템별로 매칭해주는 제 8단계(S155)와; 그리고

분류된 테이블에서 원단에 대한 해당 데이터를 인출하여 처리함으로써 의상으로 제조된 상태를 보여주는 제 9단계(S160)를 포함하는 원단의 물성측정 방법을 제공한다.

상기한 바와 같이, 본 발명의 일 실시예에 따른 원단 물성 측정 시스템 및 방법은 다음과 같은 장점이 있다.

첫째, 별도의 원단 측정기 없이 원단의 이미지를 이용하여 원단의 물성을 측정하고, 측정된 데이터를 처리하여 원단의 물성값을 그래프로 구현함으로써 시각적으로 쉽게 원단의 물성을 파악할 수 있다.

둘째, 그래픽 모듈과 매칭모쥴 및 분류모듈을 연동시킴으로써 그래프로 표시된 원단의 물성 데이터와 근사한 데이터를 추출하여 원단을 복종별 혹은 아이템별로 매칭할 수 있는 장점이 있다.

도 1은 본 발명의 실시예에 따른 컴퓨터를 이용한 원단 물성 측정 시스템을 보여주는 도면이다.
도 2는 도 1에 도시된 물성 측정 시스템에 의하여 원단의 물성을 측정하는 상태를 보여주는 도면이다.
도 3은 도 1에 도시된 원단 물성 측정 시스템의 전방 및 상부 카메라와, 연산모듈과, 분류모듈과, 3D 시뮬레이션 모듈의 배치관계를 개략적으로 보여주는 블록도이다.
도 4는 도 1의 평면도이다.
도 5는 도 2의 평면도이다.
도 6은 도 1에 도시된 측정 시스템에 의하여 측정된 원단의 물성을 분류한 복수의 데이터를 그래프로 구현한 도면이다.
도 7(a) 내지 도 7(d)는 각 원단들의 물성 그래프가다.
도 8은 도 7에 도시된 다수의 원단에 대한 물성 그래프를 1개의 그래프 상에 도시한 도면이다.
도 9(a) 내지 도 9(c)는 날개각, 무게, 분포도, 두께의 물성 측정시험을 실시하기 위한 3종류의 원단 샘플을 보여주는 도면이다.
도 10은 도 3에 도시된 그래픽 모듈의 구조를 보여주는 블록도이다.
도 11은 본 발명의 일 실시예에 따른 원단 물성 측정 시스템을 이용하여 물성을 측정하는 과정을 보여주는 순서도이다.
도 12는 도 11에 도시된 유사 원단 매칭단계를 보여주는 순서도이다.

이하, 첨부한 도면들을 참조하여, 본 발명의 일 실시예에 따른 컴퓨터를 이용한 원단 물성 측정 시스템을 설명한다.

도 1 내지 도 6에 도시된 바와 같이, 본 발명이 제안하는 원단 물성 측정 시스템(1)은, 측정 대상 원단(2)을 적치하는 거치대(3)와; 거치대(3)에 구비되어 원단(2)의 무게를 측정할 수 있는 무게 측정부(5)와; 거치대(3)의 후방에 구비되며 눈금이 형성되어 원단(2)의 날개각(θ)를 측정할 수 있도록 하는 제 1측정판(7)과; 거치대(3)의 하부에 구비되며 눈금이 형성되어 원단(2)의 넓이, 둘레, 러플(R) 갯수를 측정할 수 있도록 하는 제 2측정판(9)과; 제 1측정판(7)과 마주보는 위치에 구비되어 원단(2)의 전면을 촬영하여 전방 이미지를 얻는 전방 카메라(C1)와; 제 2측정판(9)과 마주보는 위치에 구비되어 원단(2)의 상면을 촬영하여 상부 이미지를 얻는 상부 카메라(C2)와; 전방 및 상부 카메라(C1,C2), 무게 측정부(5)에 연결되어 전송된 원단(2) 이미지 데이터 및 무게 데이터에 의하여 원단(2)의 물성을 연산하는 연산모듈(13)과; 연산된 이미지 데이터를 군집화하여 각 물성으로 분류하는 분류모듈(15)과; 분류모듈(15)에 의하여 분류된 물성 데이터를 그래프로 구현하는 그래픽 모듈(17)과; 그래프로 표시된 물성 데이터와 근사한 데이터를 추출하여 원단을 복종별 혹은 아이템별로 매칭해주는 매칭 모듈(19)과; 그리고 분류된 원단 데이터를 처리하여 의상으로 제조된 상태를 보여줄 수 있는 3D 모듈(21)을 포함한다.

이러한 구조를 갖는 원단 물성 측정 시스템(1)에 있어서,

거치대(3)는 일정 높이를 갖는 형상으로서 측정 대상이 되는 원단(2)이 덮혀진다. 이때, 거치대(3)의 형상은 원통형상으로서 원단(2)이 덮혀졌을 때 카메라에 의하여 전면 및 상부에서 정확한 이미지가 얻어질 수 있다.

그리고, 거치대(3)는 원단(2)의 무게를 측정할 수 있는 측정수단이 구비된다. 이때, 무게 측정수단은 다양한 측정기가 포함되며, 예를 들면 로드셀(Load Cell)을 포함한다. 따라서, 원단(2)을 거치대(3)에 씌우면 로드셀이 자동으로 원단(2)의 무게를 측정하게 된다. 그리고, 측정된 무게 데이터는 연산모듈(13)로 전송되어 처리될 수 있다.

제 1 및 제 2측정판(7,9)은 눈금이 새겨진 판상의 형태를 갖는다. 이러한 눈금은 가로 및 세로 눈금이 서로 교차하여 정사각형상의 모눈을 이루는 형태가 바람직하다. 이와 같이 측정판에 다수의 모눈이 표시됨으로써 카메라로 원단(2)을 촬영하여 이미지를 얻을 때, 원단(2)의 이미지와 측정판의 이미지가 동시에 촬영됨으로써 원단(2)의 크기를 쉽게 인식할 수 있어서 물성 데이터의 연산을 효율적으로 실시할 수 있다.

그리고, 전방 카메라(C1)는 제 1측정판(7)과 대응되도록 배치됨으로써 원단(2)이 거치대(3)에 씌어졌을 때 원단(2)의 전방에 대한 이미지를 얻는다. 이러한 전방 카메라(C1)는 프레임 등에 의하여 지지됨으로써 제 1측정판(7)을 촬영할 수 있도록 배치된다.

전방 카메라(C1)는 촬영시 이미지에 대한 디지털 데이터를 얻을 수 있어야 하므로 CCD(Color Capture Device), 혹은 CMOS(Complementary Metal Oxide Semiconductor) 등의 촬상소자가 적용된 카메라가 바람직하다.

따라서, 이러한 전방 카메라(C1)는 원단(2)의 전방에서 촬영함으로써 원단(2)의 이미지 및 제 1측정판(7)의 이미지를 얻을 수 있다. 그리고, 얻어진 이미지는 연산모듈(13)로 전송됨으로써 원단(2)의 날개각(θ) 등이 연산될 수 있다.

상부 카메라(C2)는 전방 카메라(C1)와 동일한 카메라이며, 제 2측정판(9)과 대응되도록 배치된다. 이때, 상부 카메라(C2)는 프레임 등에 의하여 지지됨으로써 제 2측정판(9)을 촬영할 수 있도록 배치된다.

따라서, 원단(2)이 거치대(3)에 씌어졌을 때 원단(2)의 상부에 대한 이미지를 얻는다. 이러한 상부 카메라(C2)도 전방 카메라(C1)와 동일하게 촬영시 이미지에 대한 디지털 데이터를 얻을 수 있어야 하므로 CCD(Color Capture Device), 혹은 CMOS(Complementary Metal Oxide Semiconductor) 등의 촬상소자가 적용된 카메라가 바람직하다.

따라서, 이러한 상부 카메라(C2)는 원단(2)의 상부에서 촬영함으로써 원단(2)의 상부 이미지 및 제 2측정판(9)의 이미지를 얻을 수 있다. 그리고, 얻어진 이미지는 연산모듈(13)로 전송됨으로써 원단(2)의 넓이, 러플(R)갯수, 둘레 등이 연산될 수 있다.

상기 연산모듈(13)은 전방 및 상부 카메라(C1,C2)에서 전송된 원단(2)의 이미지 데이터와, 무게 측정부(5)에서 전송된 무게 데이터에 의하여 원단(2)의 물성을 연산하게 된다.

이러한 연산모듈(13)은 전방 카메라(C1)에 의하여 얻어진 이미지 데이터를 연산함으로써 원단(2)의 날개각(θ)을 측정할 수 있다.

즉, 이미지 데이터에서 원단(2)의 좌우 날개가 양측으로 벌어진 상태의 외곽선과, 제 1측정판(7)의 눈금을 서로 비교함으로써 좌우 날개의 벌어진 각도를 인식할 수 있다.

그리고, 무게 데이터에 의하여 원단(2)의 무게를 인식하게 된다. 따라서, 연산모듈(13)은 원단(2)의 날개각(θ) 데이터와 무게 데이터를 연산함으로써 원단(2)의 꺽임도, 바이어 스트레치 등을 연산할 수 있다.

이때, 원단의 꺽임도, 바이어 스트레치값은 많은 원단에 대한 날개각 및 무게측정 실험을 실시하여 축적된 다수의 데이터를 연산함으로써 쉽게 파악할 수 있다.

또한, 연산모듈(13)은 상부 카메라(C2)에 의하여 얻어진 이미지 데이터를 연산함으로써 원단(2)의 분포, 넓이, 러플(R)의 갯수, 둘레 등이 연산될 수 있다.

즉, 이미지 데이터에서 거치대(3)에 적치된 원단(2)의 외곽선과, 제 2측정판(9)의 눈금을 서로 비교함으로써 원단(2)이 형성하는 분포, 러플(R)의 갯수, 둘레 등을 인식할 수 있다.

이와 같이 연산모듈(13)을 통하여 연산된 원산의 물성 데이터, 즉 원단(2)의 분포, 날개각, 무게, 러플(R)의 갯수, 둘레, 꺽임도, 반사도, 바이어 스트레치 등을 산출할 수 있다.

그리고, 분류모듈(15)은 이러한 원단 데이터를 군집화하여 각 물성으로 분류하여 테이블화하게 된다.

즉, 연산모듈(13)에 의하여 산출된 데이터를 다수개의 변수, 예를 들면 날개각, 무게, 분포, 두께로 분류하고, 이 변수를 다시 세분화하여 분류하게 된다.

날개각(θ)의 경우, 날개각(θ)의 각도에 따라 구분하는 바, 예를 들면, 90도를 6단계로 구분하는 방식이다.

무게의 경우, 무게를 중량에 따라 구분하는 바, 예를 들면 540g을 6단계로 구분한다.

분포의 경우, 차지하는 면적을 백분율에 따라 구분하는 바, 예를 들면 100%를 6단계로 구분한다.

두께의 경우, 원단의 두께를 길이에 따라 구분하는 바, 예를 들면, 1.5mm를 6단계로 구분할 수 있다.

물론, 상기에서 구분한 6단계는 필요에 따라 적절하게 변경 가능하다.

그리고, 분류된 각 원단(2)은 각 물성 데이터를 백터화하여 행렬등의 수학적으로 처리할 수 있으며, 또한 각 물성의 수치를 6구간으로 나누어 표시하여 물성의 그래프를 코드번호로 모듈화 할 수 있다.

예를 들면, 도 9(a) 내지 도 9(c)에 도시된 바와 같이, 3종류의 원단에 대하여 물성 측정시험을 실시하여 날개각, 무게, 분포도, 두께에 대하여 아래와 같은 결과를 얻었다.

	날개각(θ)	무게(gr/M2)	분포(%)	두께(mm)
원단1	46	480	53	1.53
원단2	52	66	38	0.10
원단3	18	64	23	0.17

이러한 물성 데이터를 그래프로 구현하기 위하여 백터처리한 후 아래와 같이 행렬로 표시한다.

또한, 이러한 물성 그래프를 코드로 변환하면 다음과 같다.

<물성그래프 코드>

원단 1	4 6 4 6
원단 2	4 1 3 1
원단 3	2 1 2 1

그리고, 그래픽 모듈(17)은 이와 같이 행렬식으로 표시된 물성 데이터를 그래프로 표시한다.

즉, 그래픽 모듈(17)은 상기 수학식 1의 행렬식으로부터 날개각, 무게, 분포도, 두께 변수값을 입력받는 입력부(20)와; 입력부(20)로부터 입력된 각 변수값에 따라 X축 및 Y축상에 해당값을 표시하고 각 변수값을 사선으로 연결하는 연산부(22)와; 연산된 값에 따라 화면상에 표시하는 출력부(24)를 포함한다.

이러한 그래픽 모듈(17)을 통하여 그래프상에는 각 원단에 대응되는 3개의 사각형이 표시될 수 있다.

따라서, 사용자는 사각형의 형상을 시각적으로 인식함으로써 원단의 물성을 쉽게 파악할 수 있다.

이때, 원단별로 두께나 무게, 조직, 드레이프성 등이 다르기 때문에 사각형의 형상이 다르게 표시가 되는바, 유사한 특성을 가진 원단끼리는 사각형의 모양과 크기가 유사하게 된다.

따라서, 사각형의 모양과 크기에 따라 특정 복종, 계절 그리고 아이템 예를 들어, 남방, 블라우스, 자켓, 코트, 정장 등에 어울리는 원단을 특정할 수 있다.

예를 들어 도 6의 제 1원단(G1) 그래프와 같이, 옆으로 퍼지고 모양이 큰 다이아모양의 경우, 두께는 두껍고, 무게는 많이 나가며, 비교적 뻣뻣한 방모직 원단이다. 원단이 두껍고, 무거운 원단은 낮은 온도에서 사용하는 옷을 만드는데 적합하다는 정보를 추출할 수 있다.

따라서 옆으로 퍼지고 큰 다이아몬드 모양의 특성을 가진 원단은 겨울 옷을 만드는데 적합하다.

제 2원단(G2)의 그래프와 같이, 상하로 길게 형성된 다이아몬드 형상인 바, 원단이 매우 얇고 가벼우며, 분포 및 날개각이 크다는 것으로 고시감이 좋은 얇은 화섬 원단으로 판단할 수 있다. 주로 이런 모양은 패딩 점퍼나 바람막이용 원단으로 많이 사용돨 수 있다.

그리고 도 6의 제 3원단(G3) 그래프와 같이, 작은 다이아몬드형의 경우 원단은 얇고 무게는 가볍우며 낮은 분포도와 날개각이 작다는 것을 통해 굉장히 얇고 흐물거리므로 여성용 블라우스 등에 적합함을 알 수 있다.

또한 특징도의 크기가 작다는 것을 통해 기온이 낮은곳에서는 해당 원단이 특수원단이 아닌 일반적인 원단이라는 가정 하에서는 사용에 부적합하다는 것을 추출 할 수 있다.

즉 크기가 작은 다이아몬드형의 경우 봄, 여름용 옷을 만드는 소재로 사용된다는 정보를 추출 할 수 있다.

이와 같이 도형의 형상특징을 통하여 직관적으로 원단의 사용처에 대해 쉽게 파악할 수 있다.

그리고, 상기에서는 원단의 물성을 4개의 변수에 의하여 파악함으로써 사각형으로 구현되었지만, 사각형 외에도 다각형상으로도 가능하다. 즉, 원단의 물성 변수를 5개로 설정하는 경우에는 5각형, 6개로 설정하는 경우에는 6각형으로 구현될 수 있다.

한편, 도 7(a) 내지 도 7(d)에는 다양한 종류의 원단에 대한 물성 그래프가 도시되며, 도 8은 이러한 복수의 물성 그래프를 1개의 그래프상에 도시하였다.

한편, 매칭 모듈(19)은 그래픽 모듈(17)과 연동함으로써 이러한 각 도형간의 유사도를 다양한 알고리즘에 의하여 판단할 수 있는 바, 예를 들면 딥러닝(Deep learning) 방식에 의하여 도형의 형상 등을 비교하여 그 유사도를 판단할 수 있다.

즉, 딥러닝은 컴퓨터가 여러 데이터를 이용해 인간처럼 스스로 학습할 수 있게 하기 위해 인공 신경망(ANN: artificial neural network)을 기반으로 구축한 한 기계 학습방법이다.

인공 신경망을 이용하면 도형 데이터의 분류(classification) 및 군집화(clustering)가 가능한 바, 분류나 군집화를 원하는 데이터 위에 여러 가지 층(layer)을 얹어서 유사도 판단을 실시할 수 있다.

즉, 인공 신경망으로 도형 데이터의 형상 특징을 추출하고 그 특징을 다시 다른 기계학습 알고리즘의 입력값으로 사용하여 형상 별로 분류나 군집화를 함으로써 유사도를 판단할 수 있다.

이러한 인공 신경망은 심층 신경망을 포함하는 바, 심층 신경망은 신경망 알고리즘 중에서 여러 개의 층으로 이루어진 신경망을 의미한다.

즉, 인공 신경망은 다층으로 구성되는 바, 각각의 층은 여러 개의 노드로 구성되고, 각 노드에서는 실제로 형상을 분류하는 연산이 일어나며, 이 연산 과정은 인간의 신경망을 구성하는 뉴런에서 일어나는 과정을 모사하도록 설계된다.

노드는 일정 크기 이상의 자극을 받으면 반응을 하는데, 그 반응의 크기는 입력 값과 노드의 계수(또는 가중치, weights)를 곱한 값과 대략 비례한다.

일반적으로 노드는 여러 개의 입력을 받으며 입력 갯수만큼의 계수를 갖는다. 따라서, 이 계수를 조절함으로써 여러 입력에 서로 다른 가중치를 부여할 수 있다.

최종적으로 곱한 값들은 전부 더해지고 그 합은 활성 함수(activation function)의 입력으로 들어가게 된다. 활성 함수의 결과가 노드의 출력에 해당하며 이 출력값이 궁극적으로 분류나 회귀 분석에 쓰인다.

각 층은 여러 개의 노드로 이루어지며 입력값에 따라 각 노드의 활성화/비활성화 여부가 결정된다. 이때, 입력 데이터는 첫 번째 층의 입력이 되며, 그 이후엔 각 층의 출력이 다시 다음 층의 입력이 되는 방식이다.

모든 계수는 도형 데이터의 형상 학습 과정에서 계속 조금씩 변하는데, 결과적으로 각 노드가 어떤 입력을 중요하게 여기는지를 반영한다. 그리고 신경망의 학습(training)은 이 계수를 업데이트하는 과정이다.

도형 데이터의 형상 학습시 이러한 심층 신경망에서는 각 층마다 서로 다른 층위의 특징이 학습된다.

즉, 낮은 층위의 특징은 단순하고 구체적인 특징이 학습되며 {예: 직선, 꺽음 정도의 형상을 구성하는 형상}, 높은 층위의 특징은 더욱 복잡하고 추상적인 특징이 학습된다. {예: 사각형, 오각형}

이런 추상화 학습과정을 통해 심층 신경망이 고차원의 데이터를 이해하며, 이 과정에는 수 억, 수 십억 개의 계수가 관여하게 된다. (이 과정에서 비선형함수가 사용된다.)

또한, 심층 신경망은 데이터를 이용해 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 도형 데이터의 직선 수, 직선이 이루는 각도, 내각의 수 등 잠재적인 구조를 파악할 수 있다. 이를 통해 데이터가 라벨링되어 있지 않아도 데이터간의 유사성을 효과적으로 파악할 수 있으며, 결과적으로 심층 신경망은 도형 데이터의 군집화에 효과적이다.

예를 들어, 신경망을 이용해 대량의 도형 데이터를 입력받아 비슷한 도형 데이터끼리 모아서 분류할 수 있다.

이러한 심층 신경망이 일반적인 기계 학습과 다른 점은 특징 추출(feature extraction)이 자동적으로 이루어진다는 점이다.

심층 신경망은 이런 과정을 컴퓨터가 대신 하도록 알고리즘을 짠 것으로, 사람에 비해 훨씬 빠르고 효과적으로 수행하도록 학습시킨다.

라벨링이 되어있지 않은 데이터를 학습하는 경우에도 신경망은 도형 데이터의 특징을 자동적으로 추출할 수 있다. 이 자동 추출은 여러 가지 방법이 있는데, 보통 이 과정은 신경망을 통과시켰을 때의 출력이 입력과 같아지도록 학습하게 된다.

라벨이 어떤 종류이든지(입력을 그대로 사용/별도의 라벨을 사용) 신경망은 입력과 출력의 상관관계를 찾는다. 경우에 따라서는 라벨링된 데이터로 신경망을 어느 정도 학습시킨 뒤 라벨링이 되어있지 않은 데이터를 추가하여 계속 학습시킬 수도 있다. 이 방법을 이용하면 신경망의 성능을 극대화할 수 있다.

심층 신경망의 마지막 층은 출력층이다. 출력층의 활성 함수는 로지스틱(logistic) 혹은 소프트 맥스(softmax)인 경우가 대부분이며 출력층에서는 최종적으로 특정 라벨의 확률을 구할 수 있다. 예를 들어 도형 데이터를 입력하였을 때 도형 윤곽이 사각형인지, 오각형인지, 상하로 긴지, 좌우로 긴지 등을 각각의 확률로 구할 수 있다.

우선 학습이 시작되기 전에 뉴럴넷의 모든 계수를 초기화한다. 그리고 도형 데이터를 반복적으로 입력하여 학습을 진행한다. 만일 학습이 원활하게 진행되었다면 계수는 적절한 값으로 업데이트 되어 있을 것이고, 이 인공 신경망으로 각종 분류와 예측이 가능하다.

학습 과정 내부에선 이러한 계수의 업데이트 과정이 반복적으로 일어난다.

계수 업데이트의 원리는 우선 계수를 추정하고 그 계수를 사용했을 때 발생하는 에러를 측정한 뒤 그 에러에 기반해서 계수를 약간씩 업데이트 하는 방식이다.

이때, 신경망의 여러 계수를 합쳐서 모델이라고 부르며, 모델은 초기화 된 상태일 수도 있고, 학습이 완료된 상태일 수도 있다.

초기화된 모델은 의미있는 작업을 못하지만 학습이 진행될수록 모델은 임의의 값이 아닌, 실제와 유사한 결과를 출력하게 된다.

이는 인공 신경망이 데이터가 입력되기 전에는 아무것도 모르는 상태이기 때문이며, 계수를 임의의 값으로 초기화하는 이유도 마찬가지이다. 그리고 데이터를 읽어가면서 계수를 조금씩 올바른 방향으로 업데이트하게 된다.

이러한 업데이트 과정을 통하여 인공 신경망은 입력된 도형 데이터들을 분류함으로써 유사한 도형 데이터들을 군집화할 수 있다. 그리고, 군집화된 도형 데이터는 데이터 베이스에 등록된다.

그리고, 3D 모듈(21)은 분류된 원단 데이터를 3D로 연산처리함으로써 의상으로 제조한 상태를 시뮬레이션할 수 있다.

이러한 3D 모듈(21)은 상기한 원단(2)의 물성 데이터를 적용하여 가상의 3D 이미지, 즉, 가상의 의류 샘플을 구현할 수 있다. 여기서, 가상의 3D 이미지에는 원단(2)의 질감과 실루엣, 꺽임도, 바이어스 스트레치 등이 표현되어 있다고 볼 수 있다.

즉, 3D 모듈(21)은 물성 데이터로 분류된 복수의 원단 데이터를 조합하여 실제와 같은 가상의 3D 이미지를 생성할 수 있다.

예를 들면, 종래에는 원단물성에 대한 3D 데이터를 얻는 방법은, 원단의 물성을 물리적으로 측정하여 두께, 중량, 굴곡도, 위사, 경사에 대한 정확한 측정값을 얻은 후 이 값을 물리엔진에 입력하여 화면에 표시하는 방식을 사용하고 있다. 이를 사용하면 모든 원단을 기존의 어렵고 오래 걸리는 방식으로 측정하고 정확한 값을 모두 입력해야 하는 단점이 있다.

반면에, 본 발명은 상기 분류모듈(15)과, 매칭 모듈(19)과, 연산모듈(13)을 통해 간단하게 측정된 원단의 물성을 미리 나누어 놓았던 테이블형태에서 가장 유사한 물성을 가진 테이블 속성 번호를 추출하고 이를 3D 물리엔진에 적용하여 쉽고 빠르게 3D에 원단 물성값을 적용할수 있다.

따라서, 원단 판매분야에 있어서, 목표로 하는 원단을 이미지화하여 3D데이터에 맵핑시켜 원단을 입히고, DTF를 통해 분류된 테이블을 통해 가장 비슷한 물성이 적용된 번호를 적용함으로써 원단이 의상으로 만들어졌을 때의 실루엣을 쉽게 구현하여 보여줄 수 있다.

이하, 본 발명의 일 실시예에 따른 원단 물성 측정 시스템을 이용하여 원단의 물성을 측정하는 방법을 더욱 상세하게 설명한다.

도 1 내지 도 12에 도시된 바와 같이, 본 발명이 제안하는 원단(2) 물성 측정방법은, 원단(2)을 거치대(3)에 거치하는 제 1단계(S100)와; 거치대(3)의 무게 측정부(5)에 의하여 원단(2)의 무게를 측정하는 제 2단계(S110)와; 거치대(3)의 전방에 배치된 전방 카메라(C1)에 의하여 원단(2) 및 제 1측정판(7)을 촬영함으로써 원단(2)의 전방 이미지를 얻는 제 3단계(S120)와; 거치대(3)의 상부에 배치된 상부 카메라(C2)에 의하여 원단(2) 및 제 2측정판(9)을 촬영함으로써 원단(2)의 상부 이미지를 얻는 제 4단계(S130)와; 전방 및 상부 카메라(C1,C2), 무게 측정부(5)에 연결되어 전송된 원단(2) 이미지 데이터 및 무게 데이터에 의하여 원단(2)의 물성을 연산하는 제 5단계(S140)와; 연산된 이미지 데이터를 분류모듈(15)에 의하여 군집화하여 각 물성으로 분류하는 제 6단계(S150)와; 분류모듈(15)에 의하여 분류된 물성 데이터를 그래프로 구현하는 제 7단계(S152)와; 그래프로 표시된 물성 데이터와 근사한 데이터를 추출하여 원단을 복종별 혹은 아이템별로 매칭해주는 제 8단계(S155)와; 그리고 물성 데이터에서 원단에 대한 해당 데이터를 인출하여 처리함으로써 의상으로 제조된 상태를 보여주는 제 9단계(S160)를 포함한다.

이러한 순서로 진행되는 원단 물성 측정방법에 있어서,

제 1단계(S100)에서는 거치대(3)에 원단(2)을 거치하게 된다. 즉, 물성을 측정하고자 하는 원단(2) 샘플을 일정 길이로 재단하여 원통형상의 원단(2)에 거치한다.

제 2단계(S110)에서는 거치대(3)에 원단(2)이 거치되면, 로드셀 등의 무게 측정수단에 의하여 원단(2)의 무게를 자동적으로 측정하게 된다. 그리고, 측정된 원단(2)의 무게 데이터는 연산모듈(13)로 전송된다.

제 3단계(S120)에서는 전방 카메라(C1)에 의하여 원단(2) 및 제 1측정판(7)의 전방 이미지를 얻게 된다.

즉, 전방에 장착된 전방 카메라(C1)가 거치대(3)에 거치된 원단(2) 및 제 1측정판(7)을 동시에 촬영함으로써 전방 이미지를 얻는다. 그리고, 얻어진 이미지는 연산모듈(13)로 전송됨으로써 원단(2)의 날개각(θ) 등이 연산될 수 있다.

제 4단계(S130)에서는 상부 카메라(C2)에 의하여 원단(2) 및 제 2측정판(9)의 상부 이미지를 얻게 된다.

즉, 상부에 장착된 상부 카메라(C2)가 거치대(3)에 거치된 원단(2) 및 제 2측정판(9)을 동시에 촬영함으로써 상부 이미지를 얻는다. 그리고 얻어진 이미지는 연산모듈(13)로 전송됨으로써 원단(2)의 넓이, 러플(R)갯수, 둘레 등이 연산될 수 있다.

제 5단계(S140)에서는 전방 및 상부 카메라(C1,C2), 무게 측정부(5)에 연결되어 전송된 원단(2) 이미지 데이터 및 무게 데이터에 의하여 원단(2)의 물성을 연산하게 된다.

연산모듈(13)은 전방 카메라(C1)에 의하여 얻어진 이미지 데이터를 연산함으로써 원단(2)의 날개각(θ)을 측정할 수 있다.

즉, 이미지 데이터에서 원단(2)의 좌우 날개가 양측으로 벌어진 상태의 외곽선과, 제 1측정판(7)의 눈금을 서로 비교함으로써 좌우 날개의 벌어진 각도를 인식할 수있다.

그리고, 무게 데이터에 의하여 원단(2)의 무게를 인식하게 된다. 따라서, 연산모듈(13)은 원단(2)의 날개각(θ) 데이터와 무게 데이터를 연산함으로써 원단(2)의 꺽임도, 바이어 스트레치 등을 연산할 수 있다.

또한, 연산모듈(13)은 상부 카메라(C2)에 의하여 얻어진 이미지 데이터를 연산함으로써 원단(2)의 넓이, 러플(R)갯수, 둘레 등이 연산할 수 있다.

즉, 이미지 데이터에서 거치대(3)에 적치된 원단(2)의 외곽선과, 제 2측정판(9)의 눈금을 서로 비교함으로써 원단(2)이 형성하는 러플(R)의 갯수, 둘레 등을 인식할 수 있다.

이와 같이 연산모듈(13)을 통하여 연산된 원산의 물성 데이터, 즉 원단(2)의 넓이, 러플(R)갯수, 둘레, 꺽임도, 바이어 스트레치 등을 산출할 수 있다.

제 6단계(S150)에서는 연산된 이미지 데이터를 군집화하여 각 물성으로 분류하게 된다.

즉, 연산모듈(13)에 의하여 산출된 데이터를 다수개의 변수, 예를 들면, 날개각, 무게, 분포, 두께로 분류하고, 이 변수를 다시 세분화하여 분류하게 된다.

날개각(θ)의 경우, 날개각(θ)의 각도에 따라 구분하는 바, 예를 들면, 90도를 6단계로 구분하는 방식이다.

무게의 경우, 무게를 중량에 따라 구분하는 바, 예를 들면 540g을 6단계로 구분한다.

분포의 경우, 차지하는 면적을 백분율에 따라 구분하는 바, 예를 들면 100%를 6단계로 구분한다.

두께의 경우, 원단의 두께를 길이에 따라 구분하는 바, 예를 들면, 1.5mm를 6단계로 구분할 수 있다.

물론, 상기에서 구분한 6단계는 필요에 따라 적절하게 변경 가능하다.

그리고, 분류된 각 원단(2)은 각 물성 데이터를 백터화하여 행렬등의 수학적으로 처리할 수 있으며, 또한 각 물성의 수치를 6구간으로 나누어 표시하여 물성의 그래프를 코드번호로 모듈화 할 수 있다.

예를 들면, 도 9(a) 내지 도 9(c)에 도시된 바와 같이, 3종류의 원단에 대하여 물성 측정시험을 실시하여 날개각, 무게, 분포도, 두께에 대하여 아래와 같은 결과를 얻었다.

	날개각(θ)	무게(gr/M2)	분포(%)	두께(mm)
원단1	46	480	53	1.53
원단2	52	66	38	0.10
원단3	18	64	23	0.17

이러한 물성 데이터를 그래프로 구현하기 위하여 백터처리한 후 아래와 같이 행렬로 표시한다.

또한, 이러한 물성 그래프를 코드로 변환하면 다음과 같다.

<물성그래프 코드>

원단 1	4 6 4 6
원단 2	4 1 3 1
원단 3	2 1 2 1

그리고, 제 7단계(S150)에서는, 그래픽 모듈(17)이 행렬식으로 표시된 물성 데이터를 그래프로 표시한다.

즉, 그래픽 모듈(17)은 상기 수학식 1의 행렬식으로부터 날개각, 무게, 분포도, 두께 변수값을 입력받는 입력부(20)와; 입력부(20)로부터 입력된 각 변수값에 따라 X축 및 Y축상에 해당값을 표시하고 각 변수값을 사선으로 연결하는 연산부(22)와; 연산된 값에 따라 화면상에 표시하는 출력부(24)를 포함한다.

이와 같이, 도 6에 도시된 그래프상에는 각 원단에 대응되는 3개의 사각형(G1,G2,G3)이 표시될 수 있으며, 사용자는 사각형의 형상을 시각적으로 인식함으로써 원단의 물성을 쉽게 파악할 수 있다.

이때, 원단별로 두께나 무게, 조직등이 다르기 때문에 사각형의 형상이 다르게 표시가 되는바, 유사한 특성을 가진 원단끼리는 사각형의 모양과 크기가 유사하게 된다.

따라서, 사각형의 모양과 크기에 따라 특정 복종이나 계절에 어울리는 원단을 특정할 수 있다.

제 8단계(S155)에서는 매칭 모듈(19)에 의하여 그래프로 표시된 물성 데이터와 근사한 데이터를 추출하여 원단을 복종별 혹은 아이템별로 매칭할 수 있다.

이러한 원단 매칭 단계(S155)를 보다 상세하게 설명하면,

기준이 되는 원단의 그래프를 선택하는 단계(S162)와; 선택된 그래프와 유사도를 평가하는 단계(S164)와; 유사하다고 판단된 원단의 그래프를 표시하고 복종별 혹은 아이템별로 분류하는 단계(S166)를 포함한다.

원단 그래프를 선택하는 단계(S162)에서는 모니터 등의 디스플레이 장치 화면에 표시된 다수의 그래프중 기준이 되는 특정 원단의 그래프를 선택하게 된다.

이때, 선택방식은 화면 터치 혹은 데이터 입력에 의하여 선택가능하다.

기준 그래프가 선택되면 유사도를 평가하는 단계(S164)가 진행된다.

유사도를 평가하는 단계(S164)에서는 매칭 모듈(19)에 의하여 기준 그래프와 유사한 그래프를 프로그램에 의하여 선정하게 된다.

이때, 매칭 모듈(19)은 이러한 각 도형간의 유사도를 다양한 알고리즘에 의하여 판단할 수 있는 바, 예를 들면 딥러닝(Deep learning) 방식에 의하여 도형의 형상 등을 비교하여 그 유사도를 판단할 수 있다.

즉, 인공 신경망으로 기준 그래프의 형상 특징을 추출하고 그 특징을 다시 다른 기계학습 알고리즘의 입력값으로 사용하여 형상 별로 분류나 군집화를 함으로써 유사도를 판단할 수 있다.

이러한 인공 신경망은 다층 구조로 구성되고, 학습시 이러한 심층 신경망에서는 각 층마다 서로 다른 층위의 특징이 학습된다.

즉, 낮은 층위의 특징은 단순하고 구체적인 특징이 학습되며 {예: 직선, 꺽음 정도의 형상을 구성하는 형상}, 높은 층위의 특징은 더욱 복잡하고 추상적인 특징이 학습된다. {예: 사각형, 오각형}

이런 추상화 학습과정을 통해 심층 신경망이 고차원의 데이터를 이해하며, 이 과정에는 수 억, 수 십억 개의 계수가 관여하게 된다.

또한, 심층 신경망은 데이터를 이용해 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 도형 데이터의 직선 수, 직선이 이루는 각도, 내각의 수 등 잠재적인 구조를 파악할 수 있다.

그리고 도형 데이터를 반복적으로 입력하여 학습을 진행한다. 만일 학습이 원활하게 진행되었다면 계수는 적절한 값으로 업데이트 되어 있을 것이고, 이 인공 신경망으로 각종 분류와 예측이 가능하다.

학습 과정 내부에선 이러한 계수의 업데이트 과정이 반복적으로 일어난다.

이러한 업데이트 과정을 통하여 인공 신경망은 입력된 도형 데이터들을 분류함으로써 유사한 도형 데이터들을 군집화할 수 있다. 그리고, 군집화된 도형 데이터는 데이터 베이스에 등록된다.

이와 같이 기준 그래프와 유사한 원단의 그래프가 선정되면, 복종별 혹은 아이템별로 분류하는 단계(S166)가 진행된다.

즉, 유사한 그래프에는 물성 데이터가 인식코드 형태로 포함되어 있는 바, 이 코드를 분석함으로써 해당 그래프의 복종 혹은 아이템이 인식될 수 있다.

따라서, 유사한 그래프들을 복종별로 분류하거나, 아이템별로 분류할 수 있다.

한편, 제 9단계(S160)에서는 원단 데이터에 대한 테이블을 3D 처리함으로써 시뮬레이션에 의하여 의상에 적용된 상태를 보여준다.

이때, 가상의 3D 이미지에는 원단(2)의 질감과 실루엣, 꺽임도, 바이어스 스트레치 등이 표현되어 있다고 볼 수 있다. 예를 들어, 3D 모듈(21)은 가봉 형태의 패턴을 CLO-3D 프로그램으로 불러와서 착장할 수 있다.즉, 3D 모듈(21)은 인식코드로 분류된 복수의 원단 데이터를 조합하여 실제와 같은 가상의 3D 이미지를 생성할 수 있다.

상기 연산모듈(13)과, 분류모듈(15)과, 그래픽 모듈(17)과, 매칭 모듈(19)과, 3D 모듈(21)은 프로그램 명령어를 실행하는 마이크로 프로세서(Micro processor)과 같은 하드웨어 장치로서, 제어장치, 연산장치, 레지스터 등을 구성되어 명령어를 해석하고, 데이터의 연산, 비교 등의 처리를 행하며 해석된 명령의 의미에 따라 다른 하드웨어를 구동시키게 된다.

Claims (10)

1. 측정 대상 원단(2)을 적치하는 거치대(3)와;
   거치대(3)에 구비되어 원단(2)의 무게를 측정할 수 있는 무게 측정부(5)와;
   거치대(3)의 후방에 구비되며 눈금이 형성되어 원단(2)의 날개각(θ)을 측정할 수 있도록 하는 제 1측정판(7)과;
   거치대(3)의 하부에 구비되며 눈금이 형성되어 원단(2)의 넓이, 분포, 둘레, 러플(R) 갯수를 측정할 수 있도록 하는 제 2측정판(9)과;
   제 1측정판(7)과 마주보는 위치에 구비되어 원단(2)의 전면을 촬영하여 전방 이미지를 얻는 전방 카메라(C1)와;
   제 2측정판(9)과 마주보는 위치에 구비되어 원단(2)의 상면을 촬영하여 상부 이미지를 얻는 상부 카메라(C2)와;
   전방 및 상부 카메라(C1,C2), 무게 측정부(5)에 연결되어 전송된 원단(2) 이미지 데이터 및 무게 데이터에 의하여 원단(2)의 물성을 연산하는 연산모듈(13)과;
   연산된 이미지 데이터를 군집화하여 각 물성으로 분류하는 분류모듈(15)과;
   분류모듈(15)에 의하여 분류된 물성 데이터를 그래프로 구현하는 그래픽 모듈(17)과;
   그래프로 표시된 물성 데이터와 근사한 데이터를 추출하여 원단을 복종별 혹은 아이템별로 매칭해주는 매칭 모듈(19)과; 그리고
   분류된 원단 데이터를 처리하여 의상으로 제조된 상태를 보여줄 수 있는 3D 모듈(21)을 포함하며,
   분류모듈(15)은 연산모듈(13)에 의하여 처리된 원단 데이터를 군집화하여 각 물성으로 분류하되, 원단(2)의 넓이, 두께, 날개각(θ), 무게로 분류하고, 이 변수를 다시 세분화하여 분류한 후 백터처리하여 행렬식으로 표시하고,
   그래픽 모듈(17)은 분류모델의 행렬식으로부터 날개각, 무게, 분포도, 두께 변수값을 입력받는 입력부(20)와; 입력부(20)로부터 입력된 각 변수값에 따라 X축 및 Y축상에 해당값을 표시하고 각 변수값을 사선으로 연결하는 연산부(22)와; 연산된 값에 따라 화면상에 표시하는 출력부(24)를 포함하며,
   연산모듈(13)은 상부 카메라(C2)에 의하여 얻어진 상부 이미지 데이터에서 원단(2)의 상부 외곽선과, 제 2측정판(9)의 눈금을 서로 비교함으로써 원단(2)의 분포, 넓이, 러플(R)갯수, 둘레를 연산할 수 있는 원단의 물성측정 시스템(1).
2. 제 1항에 있어서,
   연산모듈(13)은 무게 데이터와 원단(2)의 전방 이미지 데이터를 연산함으로써 원단(2)의 꺽임도, 바이어 스트레치를 연산할 수 있는 원단의 물성측정 시스템(1).
3. 삭제
4. 삭제
5. 삭제
6. 원단(2)을 거치대(3)에 거치하는 제 1단계(S100)와;
   거치대(3)의 무게 측정부(5)에 의하여 원단(2)의 무게를 측정하는 제 2단계(S110)와;
   거치대(3)의 전방에 배치된 전방 카메라(C1)에 의하여 원단(2) 및 제 1측정판(7)을 촬영함으로써 원단(2)의 전방 이미지를 얻는 제 3단계(S120)와;
   거치대(3)의 상부에 배치된 상부 카메라(C2)에 의하여 원단(2) 및 제 2측정판(9)을 촬영함으로써 원단(2)의 상부 이미지를 얻는 제 4단계(S130)와;
   전방 및 상부 카메라(C1,C2), 무게 측정부(5)에 연결되어 전송된 원단(2) 이미지 데이터 및 무게 데이터에 의하여 원단(2)의 물성을 연산하는 제 5단계(S140)와;
   연산된 이미지 데이터를 군집화하여 각 물성으로 분류하여 테이블화하는 제 6단계(S150)와; 그리고
   분류모듈(15)에 의하여 분류된 물성 데이터를 그래픽 모듈(17)이 사선형 그래프로 구현하는 제 7단계(S152)와;
   그래프로 표시된 물성 데이터에 대하여 유사도를 평가함으로써 근사한 데이터를 추출하여 원단을 복종별 혹은 아이템별로 매칭해주는 제 8단계(S155)와; 그리고
   분류된 테이블에서 원단에 대한 해당 데이터를 인출하여 처리함으로써 의상으로 제조된 상태를 보여주는 제 9단계(S160)를 포함하며,
   제 8단계는 기준이 되는 원단의 그래프를 선택하는 단계(S162)와; 선택된 그래프와 유사도를 평가하는 단계(S164)와; 유사하다고 판단된 원단의 그래프를 표시하고 복종별 혹은 아이템별로 분류하는 단계(S166)를 포함하며,
   제 4단계(S130)에서는 상부 카메라(C2)에 의하여 원단(2) 및 제 2측정판(9)을 동시에 촬영함으로써 상부 이미지를 얻으며, 얻어진 이미지는 연산모듈(13)로 전송됨으로써 원단(2)의 넓이, 러플(R)갯수, 둘레가 연산될 수 있는 원단의 물성측정 방법.
7. 제 6항에 있어서,
   제 3단계(S120)에서는 전방 카메라(C1)에 의하여 원단(2) 및 제 1측정판(7) 동시에 촬영함으로써 전방 이미지를 얻으며, 얻어진 이미지는 연산모듈(13)로 전송됨으로써 원단(2)의 날개각(θ) 및 두께가 연산될 수 있는 원단의 물성측정 방법.
8. 삭제
9. 제 6항에 있어서,
   제 5단계(S140)에서는 연산모듈(13)이 전방 카메라(C1)에 의하여 얻어진 전방 이미지 데이터에서 원단(2)의 좌우 날개가 양측으로 벌어진 상태의 외곽선과, 제 1측정판(7)의 눈금을 서로 비교함으로써 좌우 날개의 벌어진 각도를 인식하며,
   무게 데이터와 원단(2)의 전방 이미지 데이터를 연산함으로써 원단(2)의 꺽임도, 바이어 스트레치를 연산할 수 있고,
   상부 카메라(C2)에 의하여 얻어진 상부 이미지 데이터에서 원단(2)의 상부 외곽선과, 제 2측정판(9)의 눈금을 서로 비교함으로써 원단(2)의 넓이, 러플(R)갯수, 둘레를 연산할 수 있는 원단의 물성측정 방법.
10. 삭제

Images