服装个性化定制中信息技术的应用与展望

王 静, 王小艺, 兰翠芹, 许继平

(1.北京工商大学 人工智能学院,北京 100048; 2.北京服装学院 a.文理学院; b.服饰艺术与工程学院,北京100105)

随着人们经济水平的提高,越来越多的消费者开始追求高质量的服装,并希望通过定制服装来提升穿着体验、满足个性化和时尚需求。这一趋势导致个性化定制成为服装市场上的重要驱动力,对服装行业的柔性生产和智能化发展提出了新要求。中国纺织工业联合会发布的《纺织行业“十四五”发展纲要》提出,要在基本实现纺织强国目标的基础上,引导纺织行业加快转型升级,强化科技创新战略支撑能力。但是中国服装行业的信息化应用水平低、智能化水平也存在普遍不足和发展不均衡的问题,许多中小型企业仍然采用人工方式进行服装信息的采集和管理,这种方式不仅耗时长且误差大。尽管在大型服装企业中,智能排产和智能吊挂系统已经得到了广泛应用,但涉及三维人体扫描、量身定制和虚拟试衣等领域的应用还处于研发阶段。通过对服装领域相关文献的深入研究发现,多位研究者在服装供应链管理、服装设计和服装推荐方面进行了综述。Giri等[1]对人工智能(Artificial Intelligence,AI)方法在服装供应链不同环节的应用分布情况进行了总结;Chakraborty等[2]回顾了时尚推荐系统领域的研究文献,明确了当前先进的推荐算法和过滤技术;Guo等[3]对服装设计领域中AI的应用进行了分类和讨论,包括地标检测、时尚合成和服装推荐,专注于特定环节的问题。此外,还有其他研究[4]采用多标签分类方法广泛探讨了AI在服装行业的应用,具有较强的综合性。总结这些研究成果发现,服装个性化定制是服装行业未来的发展趋势,如何整合信息技术设计出经济合理且高效的服装个性化定制模式是重要的研究课题。

服装个性化定制指的是从用户的需求出发,通过在服装生产各个环节中融入信息技术,全面提升服装企业在研发、生产、管理和服务中的智能化水平,实现消费者、设计师和生产商之间的互联互通,大幅降低服装定制的成本,让消费者可以参与服装的设计、跟踪服装的生产流程,从而提升消费者的购物体验,降低服装企业的库存风险。本文针对服装个性化定制相关的文献进行整理和分析,整合跨学科的研究成果,首先对国内外服装产业发展状况和信息技术应用情况进行分析,其次重点论述服装个性化定制的发展现状和各环节所涉及的信息技术的应用情况,按照定制流程分模块进行具体介绍,并突出个性化定制流程中各环节之间的关联性和依赖关系。最后进行总结并对未来发展提出展望和思考,从全局的视野综合研究个性化定制流程,强调各个环节协同作业的重要性,帮助从业者或研究者在个性化定制流程中做出合理的决策和安排。

1 服装产业信息技术研究进展

1.1 国内外服装产业发展现状

服装产业作为主要的民生产业之一,具有劳动力密集、市场变化快、大众消费多、品牌优势明显、资源共享程度低、产业链长且分散等特点。在全球经济化影响下,由于美国、日本、德国、意大利等国家在服装产业方面有着不同的优势,服装产品在发达国家设计,再转移到发展中国家制造和生产成为了普遍现象。

综观国际服装产业情况,美国服装产业注重时尚和创新,正逐渐向数字化和可穿戴技术方向转型,在产品监测、物流运输、库存跟踪等方面的高度自动化及数字化生产设备保证服装产业在短交货期和按需定制方面具备竞争优势,如亚马逊公司开发的按需定制制造系统,将客户订单自动转换为生产,且分批统筹进行,优化了生产周期和交货时间,从而实现服装生产过程全自动化[5]。日本企业采用小批量、多品种,发展高附加值产品,将智能技术运用到服装设备和工厂生产中,集成物联网、大数据等技术,提升了生产效率。如东丽集团搭建了完备的技术创新链,帝人集团拥有丰富的产品线,通过将科技与生产连接,整合供应链与下游应用企业,实现良好的产业链互动。欧盟2014年启动的HORIZON2020(地平线2020项目)提出了纺织服装行业科技创新的方向,包括循环经济、服装行业的数字化供应链、智能纺织品等领域。德国“2025远景分析”基于2025年社会经济发展情况倒推纺织服装产业的需求和发展,为德国纺织服装产业转型奠定了良好基础,如“Future TEX”项目为德国纺织服装业以消费者为中心的柔性价值链设定了智能纺织工厂、数字化制造、大规模定制和新的商业模式。意大利是世界上最大的纺织机械生产国之一,中小企业集群是纺织产业主角,致力于推动产业集群品牌建设与互联网、大数据、人工智能相结合,加强生态可持续性。总之,发达国家服装产业集中在高附加值环节中,重视技术创新在服装产业中的应用,将大数据、物联网和人工智能技术作为实现服装产业升级的重要手段,循环经济作为服装产业长期发展的重要方向。发展中国家如印度和越南,作为世界的制造中心,纺织品和服装出口是国家经济的重要部分,由于基础设施落后,印度和越南政府均出台政策帮助服装产业链均衡布局,提升信息技术在服装产业的应用。如越南《到2030年第四次工业革命国家战略》提出了充分利用“工业4.0”带来的机遇,加速物联网、大数据和人工智能的应用,以提升劳动生产率。由此可见,可持续性、个性化、智能化已成为新经济形势下全球纺织服装业的热点和焦点。

中国服装产业的主要特点是中小企业占比高,产业集群特征明显,劳动力成本上涨,目前处于从劳动密集型产业向技术密集型产业的转变阶段,未来需要继续向创新驱动的科技产业、文化引领的时尚产业和责任导向的绿色产业转变。《中国纺织工业发展规划(2016—2020年)》提出将大规模个性化定制发展定位为重点发展方向,依托电子商务平台,运用信息技术、智能设计、柔性制造和智能物流等,实现以大批量生产的速度和成本来探索小批量、多品种的大规模个性化定制生产模式,加速产业自动化、数字化的建设,降低服装浪费造成的环境污染,为循环发展奠定基础。

1.2 信息技术在服装产业的应用

信息技术是应用计算机科学和通信技术来设计和实现,用于管理和处理信息所采用的各种技术的总称。新一代信息技术指的是在计算机、通信和网络等领域中,以人工智能、物联网、云计算和大数据等为代表的新技术[6]。信息技术在服装产业链中的应用可以推动创新、可持续和实时基础设施的实行。

服装产业链按生产流程可以分为上中下游,如图1所示。产业链上游是原材料供应,包括面料、辅料生产和采购管理,面/辅料生产环节利用信息技术创新可以实现数字印花、新型面料生产和面料预测。信息管理和供应链管理(SCM)协调原材料供应商、加工厂和物流等资源,有效控制成本,提高企业盈利能力。产业链中游是生产制造商进行服装设计与开发、成衣生产与加工,在此环节中信息技术应用比较成熟的是服装设计和生产部分,如企业生产中常用的生产执行系统(MES)、排程优化系统(APS)和仓库管理系统(WMS)等。产业链下游是销售渠道和消费者,线上电商平台将品牌商、零售商和消费者紧密结合,利用大数据挖掘技术对海量数据进行分析,为消费者提供完备的在线购物体验。线下零售通过将智能制造和新销售模式结合生成智慧门店,利用人工智能、人脸识别和射频识别技术(RFID)及移动支付功能实现选购、导购服务与支付的一体化销售模式。

图1 信息技术在服装产业链的应用场景Fig.1 Application scenarios of information technology in the apparel industry supply chain

服装产业上中下游流程化的生产模式下,企业决策主要依赖于市场的反馈,存在滞后性和长鞭效应的问题,而服装个性化定制被认为是解决该问题的行之有效的方法。它从用户的需求出发,打通用户、设计师和生产商之间的互联互通,通过按需定制最大限度地发挥服装产业的数字化和智能化优势,采用柔性生产方式激发服装产业上中下游的中小企业的参与积极性,致力于提升服装产业的整体效率。

2 服装个性化定制

2.1 服装个性化定制发展现状

服装定制发展由来已久,最早是依靠纯手工制作的手工时代,工业革命后生产力的大幅提升使得大规模生产成为可能。2000年之后,互联网的发展为服装大规模定制带来契机,传统的服装制造企业开始转型升级。图2展示了服装个性化定制在不同阶段的发展过程,可见信息技术支撑下的服装个性化定制具有多样化、个性化、高效率的特点。这些特点从对服装个性化定制定义的研究中也可以发现。Nobile等[7]认为时尚领域的个性化和定制的定义需要分开解释,个性化指的是为个人自身提供附加值的动态过程,定制是根据买方或用户的需求制作或更改某些产品元素的行为。Lang等[8]认为服装个性化定制是在大规模生产的基础上,以用户需求出发,以柔性生产为依托,以数字技术为驱动力,不仅是对某个图案或者款式的定制,而是致力于为用户提供高质量、个性化的服务体验。这种让消费者参与创造的定制产品可以与消费者产生良好的情感连接,延长服装的使用寿命,提高产品利用率,以减少服装行业的浪费[9]。

图2 服装个性化定制发展时间线Fig.2 Timeline of the development of personalized customization in the apparel industry

除了理论方面的研究,服装个性化定制领域的实践应用也在不断发展。如深圳仙库将3D智能量体、SaaS管理平台和柔性供应链结合,构建C2M数字化平台;云衣定制利用模块化方式,让消费者可以自由选择西服的版型、面料和颜色等,实现针对西服的个性化定制;红领通过构建版型、款式、工艺、物料四大数据库,利用大数据和物联网精准把握生产流程,实现以客户为导向的正装定制。但目前这些定制模式主要通过不断扩充数据库,以排列组合的形式生成新的服装款式,限制了可定制的服装类型。在用户端缺少个性化需求的挖掘,生产端也缺乏相应的智能制造技术做支撑,未能实现真正意义上的个性化定制。为此,有必要对整个定制流程中的信息技术发展进行深入研究,从宏观视角审视各个环节的技术发展状况,以便为消除各环节间的壁垒提供基础性支持。

2.2 服装个性化定制中信息技术的应用

信息技术在服装个性化定制中各环节的应用已有大量的研究,根据服装定制流程,这些研究可以分为用户需求获取与管理模块、智能量体模块、服装个性化设计和推荐模块、智能采购和智能生产模块等。

2.2.1 用户需求获取

服装个性化定制的主要目标就是以用户为中心,通过分析消费者对定制的客观要求和主观需求,利用信息技术帮助设计师和生产商探索用户更深层次的需求,提升消费者的定制体验,延长产品的使用寿命,促进可持续化发展。在个性化定制的生产模式下,客户服务、产品属性、定制风险等都会影响用户的体验,所以对用户需求的挖掘需要涵盖用户感知、用户偏好和服装偏好数据,多角度获取全面的用户需求。

1) 感知数据获取。社交媒体作为服装品牌营销的重要方式,是获取用户对服装主观偏好数据的重要平台。问卷调查的方式可以直接向用户提出问题,有针对性地了解用户对服装时尚的感性需求,并使用模糊技术进行量化[10];网络爬虫技术可以自动地从社交媒体平台上抓取大量的用户评论、产品评价和社交媒体帖子等,捕捉到最新的用户趋势和偏好变化[11]。利用特征分析和情感分析[12],通过词频统计和特征词提取,分析和识别用户行为模式,提取消费者的个性特征和潜在的情感需求。Lee等[13]通过语言模式挖掘从在线产品评论中导出上下文信息和产品功能,使用语义嵌入方法和聚类方法综合环境信息来确定用户需求。

2) 人脸信息获取。计算机视觉技术可以让计算机从图像中提取信息、识别对象、理解场景和进行高级的视觉推理,应用于人脸识别与表情分析和情感分析,可获取用户的情感状态和反馈。Su等[14]利用支持向量机(SVM)的方法对用户进行面部表情识别,将视频转化为一帧一帧的图像序列,提出混合递归卷积神经网络(RCNN)来计算不同表情的情绪表达强度;Su等[15]利用多级任务级联卷积网络(MTCNN)检测图像中人脸位置,基于四级色彩理论采用深度迁移学习将用户的脸色划分为春、夏、秋、冬四个季节色组,构建用户的脸部肤色模型。

3) 服装偏好数据获取。服装数据来源于网络上大量的服装图像,利用卷积神经网络的隐藏层提取服装图像的深层次特征,再根据特征距离计算进行服装风格、类别等属性的分类,获取用户偏好的服装类型。Yue等[16]基于服装图像和具有服装属性的设计问题图的卷积神经网络,组成联合时尚风格识别模型,可有效识别不同外观的服装时尚风格。Li等[17]通过优化残差块中的卷积层并调整批归一化层和激活层的顺序改进了ResNet模型,消除了干扰因素的影响,使识别过程集中在服装本身。Xiang等[18]将像素级特征和高级类别标签进行连接,采用小尺寸的卷积核提取更丰富的图像特征,进一步提高了服装识别的准确性。Teerapon等[19]构建服装类型分类的蒸馏神经网络,通过将教师网络的知识传递给学生网络,减少模型计算资源消耗的同时保持较高的分类准确率。Yu等[20]基于卷积网络的形式构建审美网络,从服装图像中提取的服装美学特征纳入张量因子化模型,并将其加入到动态协作过滤模型,以此来捕捉消费者的审美偏好。

用户需求的表达形式多样,利用内容挖掘、自然语言处理、计算机视觉和图像处理技术分析文本、图像信息(表1),通过主客观相结合的方式加强对用户个性化需求的探索深度,之后研究中采用多模态的方法可以更全面地理解用户的真实需求,为产品和服务的个性化定制提供科学可靠的证据。

2.2.2 智能量体

人体尺寸数据与服装尺寸信息具有紧密的关系,服装领域获取人体数据的方式包括二维非接触测量和三维扫描建模。其中,二维非接触式测量技术主要是通过获取人体图片,利用计算机视觉技术对图片进行处理,提取关键身体特征点和轮廓线,测量得到人体尺寸,构建三维人体模型,适合于个性化定制快速量体[21]。Seunghym等[22]使用不同角度的图像、身高值和BMI值作为输入,基于卷积神经网络模型进行训练和预测,在无需额外的特征输出或分割的情况下,实现利用图像测量身体部位尺寸数据。Rohan等[23]引入2D损失函数进行3D网格和前景人物的对齐,3D损失函数则通过减去姿势效应来促进形状特定的顶点对齐,在没有任何身体测量或语义属性的情况下准确估计人体3D形状。张树有等[24]利用多级空洞卷积分割网络提取人体轮廓图像中整体和局部特征、躯干参数提取网络提取多视角人体轮廓分割图的形状和姿势参数、主成分分析提取三维人体模型潜层空间的语义特征,构建参数化三维人体驱动模型,快速实现人体建模。

表1 用户需求数据获取方法Tab.1 Methods for acquiring user requirements data

三维人体扫描技术借助扫描仪或深度相机等设备,可以在短时间内获得丰富、准确的人体数据,利用获取到的点云数据可以构建三维人体。Pawel等[25]使用Microsoft Kinect版本2相机,开发了一个3D人体表面扫描系统,用于估计用户特定的身体部位参数。Yan等[26]使用商用TC2人体扫描仪获取人体点云数据,利用非刚性迭代最近邻点算法将扫描人体与模型进行拟合。肖伯祥等[27]利用SmartScan F6手持式扫描仪扫描得到人体数据,使用ECHO软件进行多角度图像的三维点云重构得到三维人体模型。这些方法需要被扫描人体穿着紧身服装,且不能依据姿势而变形。受到深度学习在二维图像测量中成功应用的启发,提出了处理点云数据的方法。Hu等[28]采用编码器-解码器架构,通过只有单层点云的着装人体扫描来估计体型和姿势,可实现将着装人体扫描转换为相应的未穿衣服的体型。而后又提取多任务网络,通过多路径解码器将特征向量解释为完整的分割身体点云,解决了人体体积估计中的形状补全、姿势估计、着装人体估计和点云体积回归问题[29]。

图3显示了二维图像测量和三维扫描测量在人体模型构建的步骤。二维图像提取人体尺寸信息的方法有利于远程量体的实现,但是测量精度受图像拍摄角度、人体姿势等影响,测量精度低。三维扫描技术发展较成熟,商用设备包括Kinect、TC2、SmartScan F6等手持式扫描仪,但利用它们扫描得到的人体模型仍然存在缺失,需要进一步的三维点云重构。个性化定制中的智能量体不仅需要提升量体精度,且需要根据量体结果自动识别用户的体型特点,形成个性化的身体数据,以此确保基于用户身体数据生成的服装版型的适配性。

图3 二维图像测量和三维扫描人体数据采集步骤Fig.3 Steps for two-dimensional image measurement and three-dimensional body scan data collection

2.2.3 服装个性化设计

在服装个性化设计中,模块化设计、参数化设计和交互式设计是常用的方法,这些方法能够有效地简化设计过程并为设计师提供素材参考。

模块化设计指将服装分解成不同的模块,如衣领、衣身、袖子等,并为每个模块建立独立的数据库,用户可以自由组合这些模块来创建新的服装款式。模块的划分也有多种方式,可按基本结构分为固定模块和可选模块,也可按照结构和生产流程进行更细致的划分,保证设计结果的多样性。依据划分结果利用向量或者编码的形式替代模块库中复杂的文字描述,有利于信息的快速传递和部件的拼接。刘欣悦等[30]采用数字与字母组合编码对旗袍款式模块进行了分类和编码,包括属性码、分类码、面料码、配饰码、尺寸码等。杨晓波[31]采用基于染色体指针的编码方式对款式部件进行编码,不同部件分配不同的染色体指针,通过接口提取匹配的方法进行款式部件拼接,直到达到约束条件为止。

参数化设计指的是以服装款式和结构为基础,通过修改颜色、部位尺寸、面料等参数,遵循相似本质计算出变化的款式结构,生成新的服装产品。它是一种基于参数的建模方法,通过在模型中定义参数和相关的约束条件,使得设计者能够快速、灵活地调整模型的尺寸、形状、位置等属性,自动生成纸样[32]。曲线拟合是常用的约束条件,Zhang等[33]根据输入的人体数据来设计基本的版型,设置固定和非固定的控制点及曲线,固定零件之间的拼接缝纫线,通过操纵非固定控制点实现自由变形。

交互式设计是一种结合了计算机科学、图形学和时尚设计的设计方法,该方法基于虚拟现实技术,可以让用户在虚拟环境中创建并编辑自己的时尚设计,进行可视化预览、修改和定制,提高用户参与设计的程度。遗传算法的迭代优化结构可以用于对用户的交互式设计,Zhu等[34]引入交互式遗传算法结合用户反馈信息,实现针对西服形状结构的迭代设计与推荐。Wang等[35]依据推荐服装所对应的虚拟试衣反馈结果,使用遗传算法和支持向量机(SVM)调整出适合用户的裤子款式。在实际中,交互式设计无法只通过单个算法实现,因此需要结合虚拟展示平台构建交互式设计系统。消费者通过对虚拟服装合身性进行一系列感官评估,从而参与产品设计过程,获得个性化服装版型。Ding等[36]提出了模板引导服装生成(TOG)框架,统一用户-模板交互、用户-物品交互和服装兼容性建模的学习,通过从用户数据中学习类别级别的协调偏好来生成服装。随着生成对抗网络的发展,Alberto等[37]结合文本描述、人体姿势和服装草图等多种模态信息,将稳定扩散模型和潜在扩散模型原理应用到时尚图像编辑任务中,实现服装的生成式设计。

综上所述,服装个性化设计方法主要包括模块化设计、参数化设计和交互式设计,这3种方法的总结对比结果如图4所示。模块化设计重点在于对服装部件库的构建,用户只能对这些已有的部件进行选择来生成新的服装,适用于西服、旗袍等经典款式服装;参数化设计是利用服装部件缝纫曲线之间的拟合关系,利用方程计算的方法实现版型的自动放缩,适用于解决服装合体性问题;交互式设计是利用机器学习算法分析用户的服装偏好,借助虚拟试衣技术为用户呈现直观的设计效果,并根据用户反馈不断迭代以生成用户喜爱的服装样式。

2.2.4 虚拟试衣

虚拟试衣是一种利用计算机图形学和人工智能技术,通过虚拟现实技术或者二维图像处理技术,实时展示用户所选服装的试穿效果。虚拟试衣在个性化定制中可以作为对服装设计结果的展示平台,提供直观的视觉反馈,帮助用户更好地理解服装的设计、剪裁和样式,确保最终选择的服装符合其个性化需求。根据虚拟试衣技术所使用的模拟对象,可以分为3D虚拟试衣和基于图像的虚拟试衣。

1) 3D虚拟试衣。3D虚拟试衣需要通过专业的三维建模软件来创建逼真的服装模型和人体模型,并将两者结合起来,使得服装在虚拟环境中呈现逼真的效果。目前研究中常用的建模软件是CLO 3D,利用软件自带的压力测试工具,可以对虚拟服装的合体性进行评估。Yan等[38]利用在线平台Mixamo生成3D骨骼图,设计了适用于虚拟人体模型的测量方法,并依据CLO 3D生成的虚拟图像对电子定制衬衫的合体性进行评价。专业的三维建模软件需要根据人体姿势手动调整虚拟服装的变形,对专业技能要求较高且计算成本高。基于此,Tiwari等[39]提出基于粒子的神经网络服装模拟器,输入规范的人体网络模型、模板服装网络模型、织物物理属性特征和目标人体的网络模型,利用服装数据中的关系归纳偏差,可以在任意体型和姿势上模拟不同类型、面料和拓扑的服装,提供了更多的自由度和灵活性。

图4 服装个性化设计方法对比Fig.4 Comparison of personalized clothing design methods

2) 基于图像的虚拟试衣。基于图像的虚拟试穿输入为一张图像,通过人体解析、服装变形和图像合成,实现服装设计结果的直观虚拟展示,帮助用户选择适合自己身体特征和风格的款式、面料和配饰,相比于3D建模虚拟试衣计算速度更快。为了合成用户图像,提前进行语义布局预测,可提供外观结构约束。Hu等[40]提出的端到端语义预测引导多姿势虚拟试穿网络(SPG-VTON),可以在任意姿势下将所需的服装适合参考人。Xu等[41]采用像素级语义分割来识别试穿区域,结合属性转换和局部渲染提出修正风格损失函数,以处理细节丰富的服装。语义指导和先验姿势也可以解决图像遮挡问题,将复杂的纹理以复制和粘贴的方式选择性地与人体部位混合,可减少遮挡效应,实现更好的感知质量[42]。而对于虚拟试衣效果的逼真度上,基于流的网络模块可通过无监督方式估计多尺度密集流场来学习稳健的服装变形模型[43],引入注意力机制能获取足够的服装特征[44],避免局部细节损失,以合成高保真试穿图像。

在服装个性化定制中,虚拟试衣技术需要在个性化适应和实时性上改进,考虑不同款式、材质和颜色的服装与人体之间的交互,准确模拟用户的姿势和动作,从而实现良好的试穿效果。

2.2.5 服装个性化推荐

随着流行趋势的不断演变,服装款式也在不断更新。大多数消费者在购买或定制服装时缺乏个人需求的明确认识,通常需要资深设计师或服装顾问提供专业咨询。服装个性化推荐通过分析大量用户数据,深入了解每个用户的偏好和需求,并根据这些信息提供个性化推荐,从而帮助用户在众多选择中更快速准确地找到适合自己的服装款式。目前,许多学者已经对服装个性化推荐进行了深入研究,根据推荐类型可以分为单品服装推荐和互补服装推荐。

1) 单品服装推荐。服装单品推荐重点关注服装轮廓和风格元素与消费者体型之间的关系,常用信息技术包括知识库、模糊层次分析、协同过滤。知识库是用于知识管理的一种特殊的数据库,方便特定领域知识的采集、整理和提取。Sharma等[45]构建人体知识库、服装风格知识库、服装配置知识库及3D版型和面料数据库,以用户的体重、身高和衬衫领口尺寸作为输入,服装CAD可视化设计推荐结果作为输出。Zhang等[46]采用感官评价技术和智能数据融合方法,量化消费者与牛仔裤属性之间的关系,建立了用于个性化推荐的牛仔裤知识库。Costa等[47]利用产生式规则表示女性体型与服装风格知识库,并连接到服装图像数据库,开发了基于知识的推荐系统。

模糊层次分析法是层次分析和模糊评价相结合的方法,层次分析用于计算权重,模糊评价对决策问题进行评价,实现了定量分析和定性分析的有机结合,帮助从备选方案中选择最优结果。Hong等[48]采用模糊TOPSIS技术,根据层次分析得到的标准对备选面料进行评价,输出最终的面料排序结果。Zhang等[49]根据身体数据和消费者对服装偏好的语义和图像数据,利用模糊集和模糊操作形式化相关数据,通过计算现有产品与所需产品之间的相似度,推荐具有最高相似度的产品。

协同过滤算法基于用户历史行为数据,通过寻找用户之间的相似性或产品之间的相似性,以预测用户对未知物品的喜好程度。Zhao等[50]将遗传算法的聚类分析子系统引入传统的协同过滤推荐模型中,只搜索目标用户的聚类用户来获取最近邻对象,提升了推荐质量。

除了以上方法,机器学习和深度学习算法在推荐系统中应用也非常广泛。江学为等[51]利用卷积神经网络训练数据,结合用户兴趣衰减模型建立了基于模拟评分的服装推荐系统。Guan等[52]利用卷积神经网络训练服装视觉设计元素模型预测服装属性,再通过支持向量机(SVM)和后期核融合(LKF)技术学习服装的内涵意义,得到针对男装的服装风格推荐系统。Hidayati等[53]利用无监督学习算法将女明星的体型进行分类,实现考虑体型特点的服装个性化推荐。Yang[54]采用决策树算法根据用户的风格偏好进行初始推荐,通过用户检索、浏览等操作进行隐性推荐,实现了动态服装风格推荐。

2) 互补服装推荐。在进行互补服装推荐时,需要考虑到服装的属性和消费者的偏好,并且还需要对上下装协调性进行建模,以确保推荐的服装能够相互搭配,达到更佳的视觉效果。Liu等[55]采用基于FasterR-CNN的人体检测器从输入图像中裁剪上半身和下半身区域服装,采用双重网络学习服装的风格特征。上述搭配推荐是基于文本或图像的单一数据结构训练,多模态学习则可以支持两种及以上的模态数据作为输入,提升推荐结果的准确性。史金婉等[56]基于视觉和文本模态数据,利用神经网络和矩阵分解方法分别对服装单品-单品和用户-单品偏好交互进行建模,又基于图卷积神经网络(GNNs)研究了服装实体之间的高阶关系,提出了基于时尚图谱增强的个性化互补服装推荐模型。Sun等[57]采用暹罗卷积神经网络(SCNN)利用抽样策略来衡量服装单品之间的风格相似度,结合用户社交圈、用户服装评级和服装搭配数据,实现上下装的风格搭配推荐。Zhou等[58]提出了服装生成框架(OutfitGAN),可进行全局特征学习并利用合成器来生成一组互补服装,它包括一个语义对齐模块,负责表征现有时尚单品与合成单品之间的映射对应关系,一个搭配分类模块用于提高服装的兼容性,解决了上下装图像的拼接问题。Sarker等[59]构建了时尚搭配的图像-文本匹配框架,使用Transforemr编码器和集合级别的排序损失来学习全局的服装表示和目标物品嵌入,提高了兼容性预测的准确率和互补物品检索的速度。Xiao等[60]提出了时尚兼容性预测的自适应训练模型(SAT),侧重于学习由于审美或时间变化而被认为不兼容的难搭配服饰组合,提高CNN对难搭配单品的识别能力,更好满足用户对于个性化时尚搭配的需求。

在服装单品推荐方面,目前的研究技术主要包括知识库、模糊层次分析、协同过滤等,这些方法能够根据用户历史行为和喜好,向其推荐相似风格、颜色等服装单品,从而提高购物体验。在互补服装推荐方面,不仅需要为用户提供适合的服装,且要考虑单品组合搭配兼容性,以创造时尚、协调和个性化的外观。该领域的研究方法主要基于机器学习(表2),通过自建或者公开的数据集训练模型,根据不同用户的需求和偏好,向其推荐合适风格的服装并进行上下装兼容组合,从而提供更加全面的购物建议。

表2 基于机器学习的服装个性化推荐算法Tab.2 Recommendation algorithms for personalized clothing based on machine learning

续表2

2.2.6 智能采购

智能采购涉及服装供应链管理部分,个性化定制模式下,原料的采购模式是分散的、小批量的,需要依据订单快速反应,且具有可追溯性的特点。Lee等[61]认为供应链的可追溯性需要是完全数字化的,区块链技术可以保证数据的透明度和安全性,实现对服装个性化定制服务的优化。物联网的射频识别(RFID)技术在服装制造中的应用,可以实时监控货物的位置和状态,方便数据的收集与分析。Ahmed等[62]对纤维公司区块链技术在供应链中的应用研究发现,基于区块链的平台可支持分散的供应商之间的安全信息共享,确保服装中可持续纤维的真实性,满足用户探寻购买产品来源的需求。目前主要问题是数据质量、算法优化和平台集成等方面,需要进一步加强区块链技术和工业互联网标识解析技术的应用,追溯产品的生命周期,解决信息的不对称和缺乏监管等问题,实现可持续的个性化定制。

2.2.7 智能生产

智能生产是一种利用先进技术和系统实现自动化、智能化和网络化的生产方式,通过对设备、工艺、原料、能源等进行全方位、高效率的监测、控制和协调,以实现生产过程的自主化和智能化,降低生产成本和资源消耗。服装制造企业通过云平台整合企业资源,打造互联工厂和全透明数字车间,实现订单排程和生产优化。针对订单排程,陈清婷等[63]针对多个生产订单与多个制造商之间的相互匹配和双向推荐问题,分别分析了下单方和接单方的需求,采用Gale-Shapley(GS)算法策略建立了基于偏好排序的服装生产订单双向匹配模型。陈莎等[64]依据大规模定制的特点建立了优先评价指标体系,利用模糊综合评价法对订单进行优先级评估。于小利等[65]构建基于SaaS模式的订单云管理系统,利用云资源共享和动态调度的特点,可以实现对服装定制订单信息的实时跟踪和共享。

针对生产优化,杨艳等[66]基于MES依托RFID技术实现对生产流程的跟踪,全方位管理生产进度。Sun等[67]基于实验研究建立了生产调度模型,提出将遗传算法和模拟退火算法相结合的优化方法,解决了服装裁剪过程中的优化调度问题。张竞峰[68]利用MES系统协调物流信息,为每件产品配置独立的电子卡片,监控和追踪产品的生产流程等数据。Shang等[69]提出了一种分布式、协同的智能制造模式即社会化制造(SM),通过协同管理技术对生产任务进行优化和分配。李喆等[70]在生产环节采用多流程并行的策略,打破流程节点中的固定小组分配,结合服装模块的有效划分与组合,构建基于互联网的柔性生产平台。Yuan等[71]基于云服务仅针对已完成的订单启动生产,采用分组技术为每个用户匹配一个单独的面板,生产时不同款式订单由不同的生产组负责,实现一人一版小批量定制生产。智能生产在工业领域已经得到应用,许多企业采用制造执行系统来优化生产流程提高效率,但系统运行过程中还有许多人工干预的环节,需要继续改进系统的自动化功能。图5对服装个性化生产涉及的订单排程和生产优化组织模式进行了总结。随着智能设备的不断增加,数据信息的采集也需要针对应用场景构建统一有效的标准,保证数据采集的准确性和有效性,并根据个性化定制的订单特点设计柔性生产,提高反应速率。

图5 订单排程与生产优化组织模式Fig.5 Order scheduling and production optimization organizational model

通过对服装个性化定制涉及的流程进行分析,发现每个环节都有相应的信息化支撑和数字化升级。图6总结了服装个性化定制流程,从用户需求获取入手进行用户建模,采用信息技术训练服装模型,将用户信息与服装模型对应,借助虚拟试衣技术获取用户反馈信息生成最终的订单。根据订单信息自动排程面辅料和生产环节,多模块协同合作,提升个性化定制效率。但要实现整个个性化定制整个流程的智能化发展,还需要在各个环节做出改进。首先在用户需求挖掘环节,从社交媒体数据中提取的关于消费者的教育背景、工作环境、收入水平等信息较少,缺乏针对用户个性化定制需求的数据集。其次,人体测量环节远程量体的精度和个性化程度还不能达到实现服装个性化定制所需的合体性要求。服装推荐系统中所使用的推荐算法存在一定的冷启动和数据稀疏性问题,针对复杂多变的流行趋势因素不能及时做出调整,且由于缺乏对用户需求的精确获取,导致推荐结果的准确性不足。在智能采购中,现有的供应链系统仍然以固定供应商为主,还不能实现上下游协调的个性化供应模式。智能生产环节MES系统、云平台等虽然考虑了按需生产、流程追溯,但对于定制产品的所需的协同生产研究及应用较少,不能根据用户多变的需求及时调整。

图6 服装个性化定制流程示意Fig.6 A flowchart of the personalized clothing customization process

3 结 语

将信息技术应用于纺织服装产业,可以实现服装产业的第四次工业革命,服装个性化定制模式正是在信息技术发展、个性化需求下所产生的新型商业模式,包含用户需求获取模块、智能量体服务、个性化设计、虚拟试衣、个性化推荐、智能采购及智能生产环节,每个环节都实现了不同程度的数字化升级。但整体来看,个性化定制各模块之间信息共享程度低、企业之间协同性差,不同环节间缺乏接口来进行数据传递和信息交流,用户的个性化需求不能共享到服装定制的每个环节。为了解决这些问题,需要从系统的角度入手,考虑如何利用大数据获取用户的隐形需求,并将这些数据传递给服装设计师和制造商;供应链如何依据订单数据在控制成本的前提下找到合适的供应商并将信息传递给设计师和制造商;制造商如何根据订单对生产任务进行有效分解,实现多产线协同生产等。需要在以下两个方面进行深入研究:

一是建模技术改进。在用户需求挖掘模块,可以结合主观和客观需求对用户进行有效分类,引入多模态机器学习技术处理多源异构信息;智能量体环节,在提高精确度的同时识别体型特点,进行个性化的加放量;在服装个性化设计环节,交互式设计系统需要添加更多用户偏好属性,侧重于对用户属性与服装属性之间关系的建模;虚拟试衣技术在面料建模中可考虑将面料属性参数与真实面料的物理属性值对应;供应链管理可采用区块链技术解决服装个性化定制的信息安全问题;智能生产采用工业互联网标识解析技术追溯产品生产全生命周期,打通全链条信息共享。二是系统平台构建。服装大规模个性化定制的实现需要搭建智能制造调控系统,连接消费者、设计师、服装品牌商、供应商和制造商,按照实际需求调控生产要素。从系统科学的角度,利用工业4.0架构,依赖网络结构构建智能制造协同系统,将与个性化定制有关的信息共享到系统,对服装个性化定制流程进行重构,解决不同模块之间数据共享,实现各模块间优化调控,提高生产率、速度、精度、灵活性和竞争力。

《丝绸》官网下载

中国知网下载