服裝制版系統(tǒng)參數(shù)量化模式識別

高 旋， 薛 慶

(1.六安職業(yè)技術(shù)學院 藝術(shù)學院，安徽 六安237000; 2.上海大學 計算機工程與科學學院,上海 200444)

在產(chǎn)品的設(shè)計、生產(chǎn)過程中，質(zhì)量控制是至關(guān)重要的一個環(huán)節(jié)[1-3]。本研究針對服裝制版系統(tǒng)參數(shù)量化模式識別進行設(shè)計，并通過仿真實驗驗證了所提方法的有效性，以期為實際的服裝制版系統(tǒng)參數(shù)量化模式識別提供一定的理論依據(jù)。

1 服裝制版系統(tǒng)參數(shù)提取及預(yù)處理

1.1 服裝制版系統(tǒng)參數(shù)提取

目前，服裝制造行業(yè)的質(zhì)量管理模式以監(jiān)督、預(yù)防為主，要求相關(guān)服裝制造企業(yè)的殘次品率為0或接近0[4]。因此，服裝制造企業(yè)為提升工作效率，必須不斷優(yōu)化服裝制版系統(tǒng)。服裝制版系統(tǒng)優(yōu)化實質(zhì)上是不斷優(yōu)化其制版參數(shù)，主要包括長度、頸圍、臂圍、腰圍、胸圍、立襠等，本研究首先對這些參數(shù)進行提取。

將服裝制版系統(tǒng)視為一種三維空間結(jié)構(gòu)[5]，在此結(jié)構(gòu)中獲取制版參數(shù)坐標的最大值和最小值，分別設(shè)為Hmax和Hmin，此時可以獲取服裝制版的長度參數(shù)

C=Hmax-Hmin。

(1)

圍度參數(shù)是決定服裝質(zhì)量的關(guān)鍵參數(shù)，這里以人體腰圍為例進行提取。首先確認人體腰高尺寸，即確定腰圍的取值范圍(圖1)。如圖1 所示，制版系統(tǒng)中腰圍參數(shù)曲線如同封閉的橢圓，在該橢圓上存在若干個數(shù)據(jù)點，這些點共同形成了腰圍參數(shù)。此時，確定橢圓的周長即可得到腰圍參數(shù)

圖1 確定腰圍參數(shù)范圍Fig.1 Determination of the range of waist circumference parameters

(2)

式中：wi為第i個數(shù)據(jù)點的距離；n為腰圍上的無限個數(shù)據(jù)點。

根據(jù)腰圍參數(shù)的提取方式，可以通過確定服裝制版點間的距離實現(xiàn)圍度參數(shù)獲?。?/p>

(3)

式中：a、b、c分別為圍度參數(shù)封閉橢圓上數(shù)據(jù)點的坐標。

在上述制版系統(tǒng)參數(shù)的提取中，由于服裝生產(chǎn)過程中變化因素較多，導(dǎo)致其產(chǎn)品質(zhì)量控制難度較大，故需要對制版系統(tǒng)參數(shù)中易出現(xiàn)的誤差概率進行確定。假設(shè)連續(xù)隨機變量X服從正態(tài)分布，則對應(yīng)的概率密度函數(shù)

(4)

式中：σ為不同類型的服裝材料；e為制圖效率。

在實際統(tǒng)計數(shù)據(jù)為正態(tài)分布的情況下，服裝制版參數(shù)誤差出現(xiàn)的錯誤概率完全不同。為了降低服裝制版系統(tǒng)誤差出現(xiàn)的概率，設(shè)定誤差出現(xiàn)的最小概率為α，服裝生產(chǎn)過程中不同參數(shù)誤差出現(xiàn)的概率為P。若P>α，說明服裝生產(chǎn)中系統(tǒng)參數(shù)無誤差；若P≤α，則說明服裝生產(chǎn)中制版系統(tǒng)參數(shù)存在一定誤差[6]，整個生產(chǎn)過程已經(jīng)處于異常狀態(tài)。此時，整個生產(chǎn)過程中出現(xiàn)n件服裝不合格的概率

s=(1-P)n。

(5)

為了實現(xiàn)服裝制版系統(tǒng)參數(shù)的模式識別，首先提取服裝制版系統(tǒng)中服裝的寬度和圍度信息，并借助概率密度函數(shù)確定服裝制版系統(tǒng)參數(shù)的誤差，然后通過以下方程組計算出參數(shù)及驅(qū)動集合圖形的變化，結(jié)合以下方程進行凈胸圍及背長等相關(guān)參數(shù)的提?。?/p>

(6)

1.2 服裝制版系統(tǒng)參數(shù)預(yù)處理

在上述提取的服裝制版系統(tǒng)參數(shù)中，由于多種因素影響導(dǎo)致獲取的參數(shù)維度較高，從而影響服裝制版系統(tǒng)的制衣質(zhì)量，故需要對提取的參數(shù)進行降維處理[7]。本研究借助主成分分析法實現(xiàn)了參數(shù)的降維處理。

假設(shè)服裝制版參數(shù)中相關(guān)性指標為x1，x2，x3，…，xn，將這些參數(shù)進行重組，得到服裝制版參數(shù)

Σ=(ξij)r×r，

(7)

式中：ξij為人體特征部位的尺寸；r為外輪廓線。

式(7)中的人體特征部位尺寸ξij可化為

(8)

對服裝制版系統(tǒng)參數(shù)進行重組，其信息貢獻率

(9)

式中：εi為服裝制版系統(tǒng)參數(shù)高維度特征值。

在此基礎(chǔ)上，對εi的主成分維數(shù)進行降維處理，實現(xiàn)服裝制版系統(tǒng)參數(shù)的預(yù)處理：

(10)

在服裝制版系統(tǒng)參數(shù)預(yù)處理中，借助主成分分析法計算系統(tǒng)參數(shù)的信息貢獻率及服裝制版系統(tǒng)參數(shù)高維度特征值，以實現(xiàn)系統(tǒng)參數(shù)主成分維數(shù)的降維處理，為后續(xù)的高精度量化模式識別奠定基礎(chǔ)。

2 服裝制版系統(tǒng)參數(shù)量化模式識別

2.1 服裝制版系統(tǒng)參數(shù)量化模式識別模型設(shè)計

根據(jù)上述獲取的服裝制版系統(tǒng)參數(shù)，本研究借助BP 神經(jīng)網(wǎng)絡(luò)設(shè)計服裝制版系統(tǒng)參數(shù)量化模式識別模型，使用小波分析方法對該模型求解，獲取最優(yōu)解，以實現(xiàn)服裝制版系統(tǒng)參數(shù)量化模式識別。

BP神經(jīng)網(wǎng)絡(luò)是人工智能領(lǐng)域中較為先進的一種算法，其結(jié)構(gòu)中每層神經(jīng)元都只作用于下層神經(jīng)元[8]，不會出現(xiàn)連續(xù)或跳級現(xiàn)象，且各神經(jīng)元之間不存在相互作用。在服裝制版系統(tǒng)參數(shù)量化模式識別模型設(shè)計中，首先對服裝制版系統(tǒng)參數(shù)樣本數(shù)據(jù)進行訓練，然后借助該算法中的正向傳播和反向傳播實現(xiàn)模型的設(shè)計。

假設(shè)神經(jīng)網(wǎng)絡(luò)中含有L層神經(jīng)元和n′個節(jié)點，通過Sigmoid函數(shù)[9]將神經(jīng)元中的輸入信息依次映射到輸出端，輸入的信息樣本為服裝制版系統(tǒng)參數(shù)。若只存在一個輸出端口，則當輸入第k個樣本時，節(jié)點j的輸出可表示為

(11)

對應(yīng)神經(jīng)層的第j個節(jié)點輸出

(12)

將誤差函數(shù)表示為平方模型，獲取服裝制版系統(tǒng)參數(shù)的最終輸出：

(13)

根據(jù)式(13)構(gòu)建服裝制版系統(tǒng)參數(shù)量化模式識別模型：

(14)

式中：N為服裝制版系統(tǒng)參數(shù)樣本數(shù)量；δjk為輸入層與輸出層連接閾值；k為常數(shù)。

2.2 服裝制版系統(tǒng)參數(shù)量化模式識別模型求解

在上述服裝制版系統(tǒng)參數(shù)量化模式識別模型中，由于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的模型在尋優(yōu)過程中易獲取局部最優(yōu)解，影響服裝制版系統(tǒng)參數(shù)量化模式識別結(jié)果，故引入小波分析對服裝制版系統(tǒng)參數(shù)量化模式識別模型求解，以獲取全局最優(yōu)解。通過一維離散小波變換識別模型中的高、低頻部分，以確定服裝制版系統(tǒng)參數(shù)量化模式識別的初始數(shù)據(jù)變化趨勢[10]。

首先，對服裝制版系統(tǒng)參數(shù)量化模式識別模型中的初始數(shù)據(jù)進行小波分解：

X(t)=pijX(t)+qijX(y) ，

(15)

式中：X(t)為小波分解流程；pijX(t)為服裝制版系統(tǒng)樣版圖像的低頻部分；qijX(y)為服裝制版系統(tǒng)樣版圖像的高頻部分。其中：

(16)

(17)

式中：C1k為閾值；φ1k為控制圖模式原始數(shù)據(jù)；D1k為小波函數(shù)的有效支撐長度；Θ1k為小時聚階數(shù)。

對服裝制版系統(tǒng)參數(shù)量化模式識別模型的參數(shù)進行分解后，將其表示為一維離散小波的多層分解形式：

(18)

式中：pmX(t)為正交系數(shù)；qmX(t)為緊支系數(shù)；Cm，kφm，k為支撐寬度；Dm，kΘm，k為正態(tài)分布的期望值。

式(18)中的支撐寬度

Cm，kφm，k=HCm-1。

(19)

將一維離散小波變換后的參數(shù)量化模式初始數(shù)據(jù)劃分為低頻部分與高頻部分，設(shè)定一維離散小波變換的近似系數(shù)為模型尋優(yōu)因子，輸出服裝制版系統(tǒng)參數(shù)量化模式識別模型中的隱藏層節(jié)點：

(20)

式中：yi為隱藏層節(jié)點輸出；ωij為模型權(quán)重；θj為參數(shù)修正值。

此時，求解服裝制版系統(tǒng)參數(shù)量化模式識別模型的輸出誤差，即可得到該模型的最優(yōu)解，完成服裝制版系統(tǒng)參數(shù)量化模式識別：

(21)

式中：tk為服裝制版系統(tǒng)參數(shù)量化模式識別模型的最優(yōu)解；Oi為分解系數(shù)。

3 實驗與結(jié)果分析

3.1 實驗方案

為驗證所提方法的有效性，本研究進行了仿真實驗。實驗在Windows 10操作系統(tǒng)下展開，利用開源數(shù)據(jù)挖掘工具Weka 6.0實現(xiàn)數(shù)據(jù)處理與分析，并通過Java語言實現(xiàn)。為保證實驗效果，需要獲取實驗中識別的樣本(圖2)。實驗指標分別為識別準確率和服裝殘次率。

圖2 識別樣本圖像Fig.2 Identification of the sample images

3.2 結(jié)果分析

為了驗證本方法的有效性，選取文獻[3]和文獻[4]方法作為對比，分別對樣本服裝進行模式識別，識別的面積越大代表識別準確率越高，結(jié)果如圖3 所示。

分析圖3可知，采用3種方法所得到的整體識別覆蓋面積存在一定差距。其中，采用本方法得到的樣本識別覆蓋面積在90%以上，而采用其他兩種方法得到的覆蓋面積均小于本方法。這是因為本方法借助人工智能算法構(gòu)建識別模型并獲取了最優(yōu)解，進而提升了識別準確率。

圖3 用不同方法所得樣本識別準確率對比Fig.3 Comparison of the accuracy of sample recognition by different methods

為進一步驗證本方法的有效性，分析了采用3種方法所得的服裝殘次率，并將測試結(jié)果與實際生產(chǎn)中的殘次率進行比較，結(jié)果如表1 所示。

表1 采用不同方法所得的服裝殘次率對比Tab.1 Comparison of clothing defective rate of different methods

分析表1可以看出，隨著識別樣本維度的不斷升高，采用3種方法所得的服裝殘次率均呈上升趨勢。其中，采用本方法所得的服裝殘次率較其他兩種方法低。與實際生產(chǎn)中的殘次率相比，采用3種方法所得的服裝殘次率與實際均存在一定差異。其中，采用本方法所得的殘次率與實際最為接近，而采用其他兩種方法所得的殘次率與實際偏差較大。這是由于本方法在進行服裝制版之前對獲取的參數(shù)特征進行了預(yù)處理，并根據(jù)構(gòu)建的服裝制版系統(tǒng)參數(shù)量化模式獲取了最優(yōu)解，實現(xiàn)了服裝制版最優(yōu)，進而降低了服裝生產(chǎn)的殘次率。

4 結(jié)語

針對傳統(tǒng)模式識別方法存在的誤識率較高、運行時間較長等問題，本研究結(jié)合小波分析、BP神經(jīng)網(wǎng)絡(luò)對服裝制版系統(tǒng)參數(shù)量化模式進行識別，并用仿真實驗證明了本方法具有較好的識別效果。