主办单位: 共青团中央   中国科协   教育部   中国社会科学院   全国学联  

承办单位: 贵州大学     

基本信息

项目名称:
基于服装三维虚拟造型的面料分类技术研究
小类:
信息技术
简介:
课题借助V-Stitcher三维虚拟试衣软件,选择支持向量机方法(SVM)构建基于半圆裙三维虚拟造型的SVM面料分类模型。该模型以面料物理力学性能为输入变量,以半圆裙三维虚拟试衣造型类别为输出变量,一方面可以预测某一面料制作的半圆裙所属造型类别,得知其造型特征并判断该面料是否适合进行半圆裙的制作;另一方面,可以根据所设计半圆裙的造型需要,通过模型寻找出合适的面料物理力学范围,从而寻找合适的面料。
详细介绍:
面料的质和型决定着服装款式的造型,而面料的质感和塑型性通常取决于面料性能。如何选用合适的面料,利用其性能体现服装造型,使服装面料与造型完美地结合,是服装设计生产所面临的突出问题。但传统的面料选择主要是依靠长期实践摸索得来的经验,或通过打样试制的方法来实现。这种方法耗时费力,增加了服装开发的周期和成本。 为了在一定程度上解决传统面料选择时遇到的高耗时、低效率问题,并为服装的网上销售奠定基础。课题提出了在三维虚拟试衣系统的基础上,借助数据库技术,建立一个面料数据库,以服装造型为判别依据来对面料进行分类,即建立根据面料物理性能来直接预测面料所属造型类别的分类预测模型,从而减少需测试的面料物理性能,有效缩短试衣时间;通过不断添加新面料,可以得到一个面料品种丰富,可供服装企业及网络购衣平台使用的面料数据库,对正确便捷地选用面料,合理地设计开发服装,满意地穿着购买服装产生一定的帮助。 课题通过借助V-Stitcher 三维虚拟试衣平台模拟服装在3D人体模特上的穿着造型效果,可节省面料及样衣制作时间及减少制作过程中的人为误差,并且便于相关造型特征的提取。 此外,为了构建一个高效精确的面料分类模型,课题选择了优于神经网络方法的支持向量机方法来进行模型的构建。该面料分类模型以面料物理力学性能为输入变量,以半圆裙3D试衣造型类别为输出变量,通过该模型可以预测某一面料所制作半圆裙的造型类别,得知其造型特征并判断该面料是否适合进行半圆裙的制作;另一方面,可以根据所设计半圆裙的造型需要通过模型寻找出合适的面料物理力学范围,从而寻找合适的面料。 课题构建基于半圆裙虚拟试衣造型的支持向量机面料分类模型的精确度达到80%。

作品图片

  • 基于服装三维虚拟造型的面料分类技术研究
  • 基于服装三维虚拟造型的面料分类技术研究
  • 基于服装三维虚拟造型的面料分类技术研究

作品专业信息

设计、发明的目的和基本思路、创新点、技术关键和主要技术指标

目的:如何选用合适的面料,利用其性能体现服装造型,使服装面料与造型完美地结合,是服装设计生产所面临的突出问题。借助3D虚拟试衣平台,运用支持向量算法,构建了一个以面料物理力学性能为输入变量,以半圆裙3D试衣造型类别为输出变量的面料分类模型。一方面,可以通过该模型预测某一面料所制作半圆裙的造型类别,得知其造型特征并判断该面料是否适合进行半圆裙的制作;另一方面,可以根据所设计半圆裙的造型需要通过模型寻找出合适的面料物理力学范围,从而寻找合适的面料。 研究思路:(1)测试55种面料试样的物理力学性能,建立面料数据库;(2)选择适合的SVM多类分类器算法对数据库中的面料参数数据进行SVM分类,通过训练建立SVM面料分类模型;(3)借助V-Stitcher三维虚拟试衣软件,融入面料物理力学性能,利用建立的SVM面料分类模型对新面料进行分类及预测。 创新点:(1)将支持向量机(SVM)引入到面料的分类及预测问题;(2)以试衣造型效果为依据进行面料SVM分类及预测研究。 技术关键:(1)由于面料分类属多分类问题,选择合适的SVM多值分类器进行分类,需自主构建新的多值分类器,满足分类结果准确,训练速度快,误差小的要求;(2)构建以区别试衣造型效果为目的的面料分类模型。 主要技术指标:构建基于半圆裙虚拟试衣造型的支持向量机面料分类模型的精确度达到80%。

科学性、先进性

国内外的三维虚拟试衣系统在每次进行虚拟试衣时通常是要对每块面料进行特定物理机械性能的测试,需测试的面料参数一般有数十个,测试过程繁杂,耗费时间。此外,在三维虚拟试衣中,试衣的主要目的是观看服装穿在试衣模特上的面料外观质感及造型效果,面料的外观质感主要通过数码设备或面料设计系统导入到电脑中,而造型效果主要通过面料性能参数的输入来实现。 应用传统服装产品开发模式研发一个产品至少需要3-5天,如果还要更换面料则时间又将延长,通过采用本课题中的技术,从服装样板的导入开始,经多次虚拟试衣及修改,到最终确定生产的特定服装并完成样衣制作为止,全部时间可控制在1天内,有效缩短了产品开发的时间,降低企业研发成本,实现快速上市,最终提高企业效益,并可为服装的网上销售奠定基础。 本课题是在三维虚拟试衣系统的基础上,建立面料数据库,进行SVM分类研究,对新面料所属造型类别进行预测;通过不断添加新面料,可以建立一个供服装企业及网络购衣平台使用的面料数据库,对正确便捷地选用面料,合理设计开发服装提供一定的帮助。

获奖情况及鉴定结果

2010年6月所在团队获得浙江省2010“挑战杯”大学生创业计划竞赛省二等奖。

作品所处阶段

作品处于中试阶段。

技术转让方式

专利申请权转让。

作品可展示的形式

图片。

使用说明,技术特点和优势,适应范围,推广前景的技术性说明,市场分析,经济效益预测

构建基于半圆裙虚拟试衣造型的支持向量机面料分类模型,以面料物理性能为输入变量,以半圆裙造型类别为输出变量的面料分类模型。通过该模型可以预测某一面料制作半圆裙的造型类别、造型特征并判断该面料是否适合制作半圆裙,为半圆裙面料的选用提供指导;此外,还可以根据模型中各半圆裙造型类别所对应的面料物理性能特征来选取面料,也为其它服装款式的面料选用提供了一种可行方法。 本项目研发的“基于服装三维虚拟造型的面料分类技术”,可广泛应用于服装生产与销售服务。 (1)可广泛应用于品牌企业的产品开发,根据企业目标消费顾客,建立三维人体模型,输入数字化生产样板,输入面料参数,可实现虚拟样衣试制,真实展示面料质感和成衣造型,并可实现样板的交互修改,缩短试样周期,并达到和真实面料试样一致的试衣效果; (2)可应用于网络的试衣,根据顾客的人体数据,输入顾客对应的款式规格样板,输入面料参数,可实现和实体店试衣一致的试衣效果。 (3)可应用于大规模定制生产,用于产品开发和定制服务,提高企业快速生产反应能力。

同类课题研究水平概述

近年来,关于面料悬垂性的预测及通过面料性能预测服装造型的研究已成为诸多学者关注的重点,他们运用回归分析、模糊聚类、BP神经网络、支持向量机等方法来构建预测模型或系统。 2001年陈雁等利用云纹技术对悬垂性进行测试的原理,用测定的云纹图谱在悬垂系数的基础上进一步对服装面料的3D形态特征进行分析,并通过神经网络建立预测方程。之后的研究者们开始根据面料性能预测服装造型,如Sang-Song Lai等学者以波浪裙为研究对象,分析了裙装面料性能与服装造型之间的关系,用KES系统测试了面料物理力学性能,从服装的节奏感、协调感、平衡性、自然感和整体感五方面进行主观评定,通过回归分析方法建立两者之间的关系,并用人工神经网络方法建立客观评价预测模型。唐虹等通过建立半紧身裙的造型风格客观评价体系,运用BP神经网络方法以面料性能来预测半紧身裙的造型风格。 但是由于BP 神经网络是基于梯度下降的方法,很容易陷入局部最小,且神经网络结构也较难以选择,很难达到满意的结果。所以一些学者引入了支持向量机这种近年来不断发展成熟的机器学习算法。 支持向量机(Support Vector Machines,简记为SVMs)具有支持小样本,不会陷入局部势井,具有很好的鲁棒性以及运算成本低等优势,实现这种理论的支持向量机算法已成为机器学习和知识挖掘的重要工具。如赵丽红采用用于支持向量机回归(SVR: support vector regression)的ε-支持向量机(ε-SVM: ε-support vector machine)模型对织物悬垂性能进行评估。李现国等以棉织物为实验对象,分析ν-支持向量机及-支持向量机模型用于评估织物悬垂性能的可行性及精确度。 本课题的创新点在于首次将支持向量机(SVM)引入到面料的分类及预测问题中;此外,本课题是以试衣造型效果为依据的,即面料所属类别不同,其三维试衣的造型效果也不同。课题以半圆裙为研究对象,借助3D虚拟试衣平台,运用支持向量算法,构建了一个以面料物理力学性能为输入变量,以半圆裙3D试衣造型类别为输出变量的面料分类模型。一方面,可以通过该模型预测某一面料所制作半圆裙的造型类别,得知其造型特征并判断该面料是否适合进行半圆裙的制作;另一方面,可以根据所设计半圆裙的造型需要通过模型寻找出合适的面料物理力学范围,从而寻找合适的面料。
建议反馈 返回顶部