CN114241473B 估计织物物性参数的方法及装置 （柯镂虚拟时尚股份有限公司）

地址韩国首尔市江南区德黑兰路152号(江WO2017203262A2,2017.11.30根据一实施例的估计织物的物性参数的方的织物(fabric)的三维轮廓形状(contour的三维服装的覆盖形状(drapeshapes)的所述2将所述信息应用于预先训练的人工神经网络，从而估计用于重现由所和与所述织物的物性参数对应的三维轮廓形状之间的关系，利用下列训练数据得到训练一数量，三维轮廓形状是通过对所述第二数量的物性参数中的每一个进行物理模拟生成所述织物的三维轮廓形状与所述三维服装的覆盖形状彼此接收拍摄所述放置在三维几何物体上的织物的三从所述三维模型提取与所述织物的三维轮廓形状相对应的三维获得与所述放置在三维几何物体上的织物的三维轮廓形状相对应从包括所述放置在三维几何物体上的织物的三维轮廓形状的深度影像或三维扫描影所述织物的至少部分区域被放置在所述三维所述织物的三维轮廓形状由所述织物中未被所述三维几何物体支撑而下垂的剩余区3通过训练数据对所述人工神经网络进行训练，所述训练数据是基于高所述第一神经网络及所述第二神经网络分别包括全连接神经利用生成模型对所述第一数量的物性参数进行上采样而生成第二不同样本织物的第执行模拟来生成与所述第二数量的物性参数相对应的所述第二不同样本织物的三维生成训练数据，所述训练数据包括所生成的三维轮廓形状所述生成模型根据高斯混合模型的概率分布对所述物性参数进行随处理器，其将所述信息应用于预先训练的人工神经网络，从而4所述织物的三维轮廓形状与所述三维服装的覆盖形状彼此所述通信接口接收拍摄所述放置在三维几何物体上的织物的三维轮所述处理器从所述影像生成包括所述织物的三维轮廓形状的三维模型模型提取与所述织物的三维轮廓形状相对应的三5[0005]根据一实施例，通过将织物的三维轮廓形状及密度应用用于预先训练的人工神经网络，从而估计用于重现由所述织物制成的三维服装的覆盖形状织物的物性参数。的织物的三维轮廓形状的影像；从所述影像生成包括所述织物的三维轮廓形状的三维模6物体上的织物的三维轮廓形状的深度影像或三维扫描影像中对与所述三维轮廓形状相对[0017]所述织物可以包括天然纤维织物（naturalfiberfabrics）、合成纤维织物[0018]所述织物的至少部分区域被放置在所述三维几何物体上由所述三维几何物体支物中未被所述三维几何物体支撑而下垂的剩余区域的外轮[0019]所述织物的物性参数可以包括所述织物的纬纱拉伸刚度（stretch-weftstiffness经纱拉伸刚度（stretch-wrapstiffness剪切刚度（shearstiffness纬纱弯曲刚度（banding-weftstiffness经纱弯曲刚度（banding-wrapstiffness以及[0022]所述第一神经网络及所述第二神经网络分别可以包括全连接神经网络模型7[0029]所述通信接口可以接收拍摄所述放置在三维几何物体上的织物的三维轮廓形状述三维模型提取对应于所述织物的三维轮廓形状的三[0040]图5是说明根据一实施例估计的物性参数与织物的三维轮廓形状之间的相关性的8[0053]在没有其他定义的情况下，包括技术或者科学术语在内类术语仅用于将构成要素区别于其他构成要素，然而这类术语并不用于限制构成要素的本在三维几何物体上由三维几何物体支撑，剩余区域没有被三维几何物体支撑而下垂。在一实施例中，织物的三维轮廓形状可以是织物的未被三维几何物体支撑而下垂的剩余区域的外轮廓线。在一示例实施例中，织物的三维轮廓形状可以是织物在固定静态下的织物的三维轮廓形状。[0059]在步骤110中，估计装置可以从拍摄放置在三维几何物体上的织物的三维轮廓形状的影像中提取与织物的三维轮廓形状相对应的三维顶点坐标。因外在因素（external的三维顶点坐标。估计装置获取包括织物三维轮廓形状的信息的方法将参照图2更具体地9[0062]根据一实施例的人工神经网络可以是在织物的物性参数方面得到训练的神经网[0063]根据一实施例的人工神经网络可以利用如公式1的估[0066]其中，y可以表示由估计模型M要估计的6个物性参数构成的向量。素的对数（element-wiselogarithm(2,d是特征[0067]在一实施例中，可以利用由大数据集构成的训练数据训练的估计模型来估计[0069]根据一实施例的人工神经网络的训练原理及人工神经网络的操作将参照图3至图[0070]在步骤120中，估计的织物物性参数的非限制性示例可以包括织物的纬纱拉伸刚以包括显示三维服装的模拟结果，或者将相应三维服装覆盖在三维分身等上的模拟结果，神经网络预测物性参数，并对预测结果与使用实际织物的结果之间的视觉相似度[0079]如图2中的250，估计装置可以获取具有约5mm的间隔的244个采样点（sampling取的顶点坐标确定为与织物的三维轮廓形状相对应各边可以表示为连接质点的具有弹性的弹簧。由此，作为示例，可以通过质量-弹簧模型动。型330输出的织物的物性参数350。机器学习模型可以相当于根据一实施例的人工神经网[0093]根据实施例，第一步及第二步的操作均由包括在估计装[0095]根据一实施例的人工神经网络在接收到织物的照片410后，可以从照片410复原[0096]人工神经网络可以从复原的三维模型420提取相当于织物的三维轮廓形状的织物神经网络从与织物的三维边界曲线430相对应的三维顶点坐标来估计440织物的物性参数相同间距对三维轮廓模型进行采样的三维位置的集合。输出是估计的物性参数（图4的成的物性参数进行虚拟模拟，由此来生成人工神经网络模型的学习数据，即覆盖相应织物的三维轮廓模型。[0099]图5是说明根据一实施例的估计的物性参数与织物的三维轮廓形状之间的相关性的附图。图5示出了表示根据一实施例的显示织物的物性参数与织物的三维轮廓形状之间曲-斜纹)的相关值（correlationvalue）在纵轴上以颜色标出。相关值（correlation的包括第一神经网络610与第二神经网络6并且作为示例，与织物的弯曲相关的物性参数可以包括纬纱弯曲刚度（banding-weft[0104]此时，第一神经网络610与第二神经网络630可以由相互独立的全连接神经网络是指拉伸参数与其他拉伸参数(纬纱拉伸/经纱拉伸/剪切)、弯曲参数与其他弯曲参数(纬[0107]图7是显示根据一实施例的人工神经网络训练数据的生成方法的流程图。参照图一数量的物性参数可以包括实际织物材料（materials）的400种机械特性（mechanical的物性参数进行采样，其中第二数量大于第一数量。生成模型可以利用高斯混合模型二数量是比400大的数量。[0111]生成装置可以将各机械特性集合转换为6个物性参数以及密度。下面表1是从400[0117]在步骤740中，生成装置基于在步骤720中采集的物性参数及在步骤730获取的相[0120]通信接口810获取包括放置在三维几何物体上的织物的三维轮廓形状的信息。根[0121]处理器830将信息应用于预先训练的人工神经网络，由此估计用于重现由织物制[0122]或者，通信接口810可以接收拍摄放置在三维几何物体上的织物的三维轮廓形状从三维模型提取与织物的三维轮廓形状相对应的三维[0123]存储器850可以存储利用通信接口810获得的织物的三维轮廓形状，和/或织物密储器850可以包括易失性存储器或非易失性存储器。存储器850具备硬盘等大容量存储介[0124]输出装置870可以输出处理器830估计的织物的物性参数。输出装置870可以输出[0125]或者，处理器830可以执行基于图1至图7说明的至少一个方法或对应于至少一个行目标操作(desiredoperations)的物理结构的回路。例如，目标操作可以包括程序中包800可以包括微处理器(microprocessor)，中央处理单元(centralprocessingunit)、处理器内核(processorcore)、多核处理器(multi-coreprocessor)、多处理器 [0126]处理器830可以执行程序并控制估计装置800。处理器830执行的程序代码可以存录在计算机读写介质中。所述计算机读写介质能够以单独或者组合的形式包括程序命令、的光学媒介(opticalmedia)；与光磁软盘(flopticaldisk)类似的磁光媒介(magneto-[0128]软件能够包括计算机程序(compute命令或数据，软件和/或数据能够永久或临时体现于(embody)任何类型的设备、构成要素