女式定制衬衫纸样自动化生成技术研究

1 背景

近年来服装产业升级加速，顾客对服装的合体度和个性化的要求不断提高，服装行业也逐渐依靠数字化与智能化技术，实现柔性生产。秦晓鹤用参数化约束机制实现女衬衫版片自动获取且识别率达 88.24% ，伍圣基于 BP 神经网络和 Auto-CAD 编程使童装纸样尺寸误差小并支持个性化定制。然而，现对于纸样自动化生成的研究在尺寸定制化及款式多样性方面仍然存在不足，本文提出对体型数据结合纸样生成达到定制化效果。

2 研究内容

本文聚焦于用技术分析合颈圆领以及翻折领的女式衬衣款式图同时对体型进行分析预测，并以此研究出纸样自动生成算法，主要针对两类衬衣的衣身原型纸样定制化。通过多层感知机实现胸围和腰围的预测系统，使用 YOLOv8 模型对图像进行分类，并通过参数化约束绘制图像，从而构建出纸样自动生成模型。

3 女式衬衫纸样自动化生成系统设计与实现

3.1 预测系统

多层感知机（MLP，Multilayer Perceptron）是一种前馈式监督训练的人工神经网络模型，具有非线性的输出能力。本文基于 Flask 框架运用 MLP 算法构建了人体数据预测系统，其核心是通 MLP 神经网络来预测人体的胸围和腰围尺寸。输入层接收年龄、性别、身高、体重 4 个特征；输出层为胸围及腰围的预测结果。系统数据收集原始数据100 条，增强数据 1000 条，通过数据集对预测系统进行训练，最终的误差范围可控制在 4cm 之内。系统采用直观的 Web 界面和 API 接口，不仅能够单独运用，还可在其他程序中调用。Web 界面提供了“ 年龄” 、“ 性别” 、“ 身高” 、“ 体重” 四个输入口，界面简洁明了，便于用户操作。

3.2 参数化纸样

参数化设计是用一系列的参数来定义几何图形尺寸和数据，其同时具有一定的约束，通过对于约束的改变，可以对最后的图形进行相应的改变。本文结合秦晓鹤提出的参数化约束机制并修改替换一定的坐标，将标准化的纸样分类为翻领纸样以及合颈圆领纸样两类，同时将胸围作为自变量去计算相对应的各点坐标，实现纸样能够在标准的基础上进一步依据输入数据定制化生成。

3.3 纸样生成系统

现当今，为了减少服装纸样自动生成技术对于制版经验的依赖性，人工智能技术逐渐变应用于服装结构设计中。目前有很多学者对此进行了研究，例如刘芳通过建立PSO-BP 神经网络模型，完成从女性人体净体尺寸到女西装成衣细部尺寸的推导。本文采用 PyQt5 框架构建专业 GUI 界面，基于卷积神经网络 CNN 的深度学习方案建立YOLOv8 分类模型，实现衬衫类型的识别。界面设计左侧为图像选择与参数输入面板，总体的页面设计简洁明了，便于用户操作，右侧为纸样展示区占有大部分画面，使得图像清晰便于观看；导出格式可自由选择是图像还是 CAD 文件，CAD 文件的格式为DXF。

图 1.纸样生成结果展示

4 自动化纸样生成性能评估实验

4.1 实验样本选择

本文选取了一人对其进行传统手工测量，并将性别年龄身高体重等输入系统，进

行对照实验。

4.2 实验变量与控制

控制“ 性别” 、“ 年龄” 、“ 身高” 、“ 体重” 等参数不变，对比“ 胸围” 、“ 腰围” 在手工测量以及智能预测的误差；控制“ 胸围” 参数不变，对比手工制版及智能制版之间的误差，量取方式均为CAD 中测量长度。

4.3 实验结果评估

选取人体数据为年龄 20 岁，性别女，身高158cm，体重 58kg

预测系统：手工与系统误差值胸围误差为- .0.18cm ，腰围误差为 +0.71cm ，误差控制在± 1cm 之内。纸样生成系统：该案例手工制版与参数化制版胸宽误差为 +0.6cm ，背宽误差为-0.25cm，前领深误差为 +1.4cm ，前领宽误差为 +0.7 ，前肩长误差为-1.1cm，肩省量误差为 +0.1cm ，胸省长误差为- .0.1cm ，胸省量误差为 +0.5cm ，误差控制在± 1.5cm之内。实验结果显示测量方面误差可接受，制版方面误差也可控，前肩长于前领深的误差相对略大原因可能由于搭门量选取的不同，总体而言误差可接受，结果验证系统可行。

4.4 手工制版生成纸样与自动生成的叠合对比

图2.手工制版与参数化制版对比（红色为参数化，黑色为手工）

根据图片对比可以看出，参数化与手工制版总体趋势相同，参数化的纸样袖笼更弯曲一些，给穿着者手臂提供更多的活动空间提升了服装舒适性。

5 未来研究与应用展望

本研究系统主要通过 MLP 和 YOLOv8 以及传统学习技术相融合，实现女式衬衫定制纸样的自动化生成，能够将误差控制在可接受范围内。本文初步提出了一个流程为用户输入 $$ 尺寸预测 $$ 图像分类 $$ 数据库中寻找相对应衣身原型 $$ 绘制图像 $$ 生成CAD 文件的纸样生成系统，目前经实验验证此系统具有可行性，但预测尺寸的训练参数只有年龄、性别、体重、胸围、腰围，参数具有一定局限性，导致最后预测结果会存在一定误差，后续可增加更多的详细参数例如颈围、肩宽、臀围等等进一步进行训练，增加预测值的准确率；纸样生成系统仅仅只针对衣身原型进行了定制化变化，没有袖子及领口，涵盖范围较少，后续可增加数据库中原型数据，增加袖子以及领口的定制化训练；同时可在基础上增加款式变化等进一步研究，图像识别分类目前仅对有领和无领进行了分类，没有对详细的款式进行分类，范围具有一定局限性，后续可针对款式分类识别进一步进行训练。

参考文献：

[1]秦晓鹤.面向线上定制的自动制版技术研究[D].北京服装学院，2021.

[2]伍圣.基于BP 神经网络的童装纸样自动生成技术研究[D].武汉纺织大学，2023.

[3]刘俊文，谢劭峰，钟雁琴，等.基于MLP 神经网络的中国南方地区多因子PWV 预测模型[J].中国科技论文，2024，19（01）：99-107+122.

[4]宁冠华.基于女性体型特征的女衫样板参数化关系模型研究[D].西安工程大学，2013.

作者简介：周熠（2005.04—）女，汉族，江苏南通，本科在读，研究方向：服装设计与工程。连悦清（2004.12—）女，汉族，浙江绍兴，本科在读，研究方向：服装设计与工程。刘佳慧（2004.08—）女，汉族，河北沧州，本科在读，研究方向：服装设计与工程。陈郁：本文通讯作者。（1977.12—）男，汉族博士，教授，研究方向：深度学习与服装设计，三维人体测量与建模。

课题项目：

2025 年工程技术大学大学生创新创业训练计划项目：“ 女式衬衣款式图解析与纸样自动生成算法研究” ，项目编号： cx2509026