产品生命周期视域下人工智能技术在服装产业中的应用进展

摘要： 传统服装产业面临诸多问题，如劳动力成本增加、设计创新不足和供应链管理不善。这些问题在很大程度上源于服装产业的劳动密集型特性，以及对人力资源的高度依赖。人工智能作为一种模拟人类智能行为的技术，能够在很大程度上替代人工操作，已在服装行业中得到广泛应用，特别是在提升服装设计、生产和销售环节的效率及控制制造成本方面。然而，目前关于人工智能在服装领域的应用现状尚未得到系统梳理。服装产品生命周期管理（PLM）是一种集成设计、制造和销售业务流程的管理方案，旨在帮助企业跟踪和管理其服装产品生命周期。因此，本文将深入探讨人工智能在服装产品生命周期各环节中的具体应用，从应用场景和算法两方面进行综述，分析现有研究的现状和不足，希望为相关领域的研究者提供启示和参考价值，以推动服装产业的转型升级，增强其竞争力。

关键词： 产品生命周期管理;服装行业;人工智能;供应链;深度学习;市场营销

中图分类号： TS941.1

文献标志码： A

文章编号： 10017003（2024）12期数0001起始页码22篇页数

DOI： 10.3969/j.issn.1001-7003.2024.12期数.001（篇序）

现如今，传统服装产业面临着诸多问题，劳动力成本和供应链管理难度都在增加，还存在着设计创新不足等问题。现存的问题很大程度上来源于传统服装产业的劳动密集型特征，对人力资源的高度依赖。传统的技术手段依赖专家和劳动力，这就意味着需要从业人员有足够的知识储备和过往经验，即产生大量的人工成本，其中包括不熟练导致的生产资料和时间的浪费，从业人员的综合素质参差不齐，生产的效率也会受到影响。为了解决传统服装产业的问题，学术界和工业界都投入了巨大的努力来开发新的信息技术。

人工智能包括各种理论、方法、技术和工具，旨在通过人工手段理解、模拟和扩展人类智能^［1］。因此，人工智能技术能够很大程度地代替人工操作来完成一些复杂任务，这些任务对可靠性、准确性和效率的要求显著提高。实际应用中一些其他的信息技术会配合人工智能技术使用，如云计算、物联网（IoT）和大数据技术^［2］等。人工智能可以作为有效的手段来帮助服装产业进行优化和发展^［3］，目前已经有了广泛的应用，尤其在提升服装设计、生产和销售环节的效率及控制制造成本方面。虽然人工智能技术已经在服装产业中的一些部分领域发挥它们的优势，但是目前关于人工智能技术在服装领域的应用现状尚未得到系统梳理。

产品生命周期管理最开始的基础模型是由韦伯等^［4］提出，之后经过不断地补充更多新技术而完善。随后，d’Avolio等^［5］提出了时尚公司产品生命周期管理（PLM）的战略作用，该系统能够快速响应客户的请求，并协助提供价值主张，从而使企业具有竞争优势。服装产品生命周期管理（PLM）是一种先进的管理理念，是一个将时尚企业从概念、开发到采购、制造，再到零售的各个流程联系起来的方案，使用“单一事实来源”管理产品数据，以驱动增长、加速产品上市并释放创造力。

本文通过总结前人的研究，阐述了服装产品生命周期的各环节内容，即消费洞察与流行趋势分析、产品研发、上会与组货、供应链管理、市场营销、销售、消费洞察与流行趋势分析，如图1所示。旨在探讨人工智能技术如何应用于服装产品生命周期各环节及其主要使用的人工智能技术，分析了这些应用的具体场景和相关算法，讨论其给服装行业带来了怎样的变化，总结了在未来该领域所面对的机遇和挑战。本研究希望能为服装企业提供有价值的参考和启示，帮助他们更好应对未来的挑战和把握发展机遇。

1 文献收集与分析

本文使用目前最流行的商业参考文献管理软件之一的End Note软件连接并搜索Web of Science数据库和Scoups数据库，这两个数据库是世界领先的引文数据库之一，用于搜索相关文献，以期找到全球范围内该方向上的所有文章。搜索过程涉及使用专门为文献选择而定制的关键词和布尔运算符（“和”“OR”）的预定义组合。关键词的选择是基于主题，包括服装产品生命周期管理和人工智能等概念，以及该领域内研究文章中常用的术语，如“artificial intelligence AND clothing OR apparel product lifecycle management （PLM）”。初步收集300篇文章，但是其中包涵一些其他产业的产品生命周期管理相关文章，因此需进行人工筛选，将主题相关性弱、2015年之前缺乏时效性及不属于Web of Science核心合集的文章剔除，最后收集了Web of Science核心合集中的248篇文章。

由图2可知，20世纪初就有研究者关注该领域，至2022年，发表的文章突破了70篇，但是下一年，研究者在该领域的关注度又开始下降。总体来看，对于该领域的研究处于上升趋势，2021—2022年文献数量的激增原因可能是人工智能技术的快速发展，同时也表明这一新兴研究领域的重要性。

图3为相关文章作者的可视化分析，表明在该领域中做出的贡献比较大的作者为zeng、bruniaux和hong教授。同时，这些作者之间及与其他作者之间的联系比较紧密，表明该领域中的学术交流氛围良好，学科的学术交叉性明显，未来有较好的势头。

本文还利用VOSviewer对所收集的文献进行了可视化分析，如图4所示。由图4了解到，“machine learning（机器学习）”“deep learning（深度学习）”“artificial intelligence（人工智能）”“system（系统）”“design（设计）”“model（模型）”等关键词的研究热度非常高。这表明了该领域是近年来研究的热点，相关理论和模型在不断地发展进步，但是同时也反映出研究者多数从人工智能在设计方面的应用入手，而对于其他角度的讨论略少，如针对营销、生产制造等方面。

本文还使用了中文参考文献数据库知网进行文献检索，以期补充国内相关研究的文章，如图5所示。搜索过程涉及使用专门为文献选择而定制的关键词和运算符（“*”“+”）的预定义组合，为“（深度学习+人工智能+机器学习+计算机技术+信息技术）*服装”。经过人工筛选，剔除主题相关性不高、报纸类等文章，收集文献为知网可选上限500篇，年份为2020年1月到2024年7月。

中文文献的关键词研究热点与英文文献的相似，由图5可以看出，针对卷积神经网络、注意力机制、虚拟试衣、生成式对抗网络、虚拟试穿、目标检测等机器学习和深度学习技术模型的研究较多，并且集中在服装设计、个性化推荐、服装搭配等领域。

中文文献作者独立性较高，相互之间的关联度不强，因此没有进行可视化分析。与英文文献相似，2022年发表和收录的文章最多，整体趋势相似，推测可能由于2022年前后人工智能发展迅速，但是近几年在服装行业的研究难度增加，因此该领域需要投入更多的精力研究，并且要加强研究者之间的合作交流，或许有助于推动该领域的进一步发展。

因此，本文重点梳理目前服装PLM中各环节中人工智能应用的研究现状，以期找到研究热度略低的方向存在怎样的空白去填补。

2 服装PLM中使用的人工智能方法

本文总结了服装产品生命周期管理（PLM）中使用的人工智能方法，如图6所示。以技术目的为指向，将服装产品生命周期管理（PLM）中使用的人工智能方法分为数据挖掘、自然语言处理、计算机视觉、情感计算、知识图谱、机器学习和深度学习，以及生成式AI。注重介绍各种技术的简要原理及常用的算法模型，并指出这些技术在服装行业中可以具体完成的任务。

2.1 计算机视觉

计算机视觉是一种模拟人类视觉系统的功能和工作原理，赋予计算机对视觉信息的感知和认知能力的技术。计算机视觉侧重于从图像/视频中提取目标特征，如边缘检测、形状检测、拐角检测和基于颜色的分割。图像处理技术则主要是对图像进行各种操作，如增强、降噪、分割等，以改善图像的视觉效果或提取出有用的信息。这些操作常可以改善图像的清晰度、色彩平衡、对比度等，也可以应用于提取图像中的特定特征和模式。在图像处理中常用的人工智能算法有遗传算法（GA）、蚁群算法（ACO）、模拟退火算法（SA）、粒子群算法（PSO）。为了更好地处理和理解图像，计算机视觉和图像处理技术在很多情况下会一起使用。

计算机视觉通常使用不同的深度卷积神经网络（CNN），如区域CNN（R-CNN）、更快的RCNN、全卷积网络（FCN）等^［6］，其主要领域有图像分类、对象检测^［7］、目标跟踪^［8］、图像分割^［9］，而这些应用领域也多出现在服装产品生命周期管理（PLM）各环节中，因此计算机视觉技术在服装的诸多环节中能展现其广泛的应用潜力。如在趋势分析环节及上会与组货环节中经常需要进行服装图像分类，但常面临图像遮挡、图像变形、视点变化、尺度变化、背景杂乱等挑战，为应对这些挑战，计算机视觉研究人员提出了一种基于数据驱动的方法。该方法并不是直接在代码中指定每个感兴趣的图像分类，而是为计算机每个图像类别都提供许多示例，然后设计一个学习算法，查看这些示例并学习每个类别的视觉外观。目前较为流行的图像分类架构是卷积神经网络（CNN），即将图像送入该网络，然后网络对图像数据进行分类。又如在产品研发的产品设计环节、供应链管理的质量控制环节、销售环节的虚拟试衣中，需要通过对象检测识别和定位具体的服装对象，其有助于自动化处理和分析包含多个对象的复杂图像。如Li等^［10］提出了一种基于多源特征和极限学习机神经网络的识别框架，用于提高图像识别性能和缩短图像识别时间。又如Kaur等^［11］将卷积神经网络与加速鲁棒特征相结合，提出了一种高效服装识别框架。张怡等^［12］提出了一种循环结构的Faster R-CNN网络模型，采用一级识别和二级分类的框架，更好地识别衬衫领部，以提高分类精度。

目前主要的对象检测算法已转向更快、更高效的检测系统，这种趋势在You Only Look Once （YOLO），Single Shot Multi Box Detector （SSD）和基于区域的全卷积网络（R-FCN）算法中尤为明显，这三种算法转向在整个图像上共享计算。在虚拟试衣中也会使用目标跟踪，通过追踪用户的身体动作，以增强现实中实时更新服装的展示效果。在目标跟踪中，有两种基本网络模型可使用：堆叠自动编码器（SAE）和卷积神经网络（CNN），其中主要使用SAE进行目标跟踪的网络为深度学习跟踪（DLT），而具有代表性的基于CNN的跟踪算法有全卷积网络跟踪器（FCNT）和多域卷积神经网络（MDNet）。计算机视觉的核心是分割，而分割在产品研发、图案趋势分析中均有应用，将整个服装图像分成多个像素组，然后对其进行标记和分类。图像分割大体可分为基于图论的方法、基于像素聚类的方法和基于深度语义的方法三大类，其中基于图论的代表有归一化切割、图割和GrabCut等方法;基于像素聚类的代表方法有K均值、谱聚类、平均值偏移和SLIC等;而基于语义的代表性网络有全卷积网络（FCN）、Deep Lab系列、金字塔场景解析网络（PSPNet）、SegNet等。Su等^［13］采用了一个条件递进网络来分析不同尺度的服装，还防止了标签之间的相互干扰，条件解析网络（CPN）、姿态估计网络（PEN）和标签变换网络（LTN）这三个子网络，展示了所提出的服装解析模型在ATR和fashion数据集上分析时尚服装的案例，表明该方法可以有效地解析出较小对象，抑制解析映射中的冗余标签，从而超越了最先进的方法。

2.2 自然语言处理

自然语言处理（NLP）将计算语言学（基于规则的人类语言建模）与统计、机器学习和深度学习模型相结合，这些技术共同使计算机能够解释自然语言的完整含义，感知书写者或者说话者的情绪并满足他们的意图，包括自然语言理解（NLU）和自然语言生成（NLG）^［14］。

随着深度学习的引入，NLP取得了重大突破，深度学习架构为模型注入了对自然语言更多的理解，使得机器可以理解和利用词语之间的相似性及差异性，这为NLP技术在服装的流行趋势预测和产品研发等环节的应用提供了强大的帮助。其中循环神经网络（RNN）和长短期记忆网络（LSTM）特别适用于处理序列数据，如文本，它们可以记住并利用过去的输入信息来更好地预测未来的输出。故常在服装流行趋势中使用NLP技术，利用RNN和LSTM等网络进行文本数据分析，包括社交媒体评论、新闻文章和市场报告，以获取对市场情绪和趋势的深入了解。如Li等^［15］开发了一个用于服装图像字幕的联合属性检测和视觉注意框架，生成一个准确概括服装图像内容的自然语言句子。这种方法结合了计算机视觉和自然语言处理技术，有望在检索任务中发挥更大的作用，从而实现后续的流行趋势等任务。而在产品设计中，NLP分析大量的时尚数据和消费者喜好，有助于理解和生成与设计相关的内容，可以辅助设计师扩大创意来源边界，更专注于创意本身的产出，更有灵感地完成服装的创作。

NLP能够自动处理大量文本数据，节省人力资源;并通过分析大量非结构化数据，为企业提供有价值的洞察和决策支持;而且可以通过智能客服和个性化推荐，提供更个性化的服务，以增加客户满意度。自然语言处理通过提供数据驱动的见解和个性化服务，促进了时尚产业的发展，同时，NLP技术的局限性也提示了在实际应用中需要综合考虑数据质量、模型更新和伦理问题。自然语言的多样性和歧义性给NLP带来挑战，需要不断优化算法来提高准确性;开发和维护NLP系统需要专业的技术团队和持续的投资;在处理大量用户数据时，需要严格遵守数据保护法规，防止数据泄露和滥用。尽管存在挑战，但随着技术的进步，NLP在服装行业的应用前景广阔，有望进一步推动行业的数字化转型。

2.3 机器学习和深度学习

机器学习（ML）是一门多领域交叉学科，深度学习是机器学习的一个分支，它基于人工神经网络算法，通过构建多层次的神经网络结构，实现对数据的高级抽象理解。其学习过程之所以是具有深度的，是因为人工神经网络的结构由多个输入、输出和隐藏层构成，每个层包含的单元可将输入数据转换为信息，供下一层用于特定的预测任务。得益于这种结构，机器可以通过自身的数据处理以进行学习。使用机器学习和深度学习技术可以构建所需的计算机系统和应用程序来执行与人类智能有关的任务，如图片识别、语音识别、语言翻译。

因此在服装行业中，深度学习和机器学习的应用非常广泛，常被用于消费洞察、流行趋势及产品研发的环节中。机器学习的算法通常可分为分类相关算法、回归相关算法和聚类相关算法三种^［16］，申宇等^［17］即利用机器学习中的K-means聚类、MLP神经网络、ANN算法等模型和算法进行关于女大学生头面部号型归档与预测的研究。深度学习模型能够从大量数据中学习复杂的模式，提供比传统方法更精确的识别和预测结果，故在流行趋势环节中，通常利用卷积神经网络（CNN）对服装图像进行分类，识别服装的款式、风格、颜色等属性，以提高后续预测的准确度。如Chen等^［18］探索了使用卷积神经网络进行深度学习来解决服装风格分类和检索任务，并结合迁移学习来降低训练复杂性。An等^［19］的研究旨在使用定量方法和深度学习技术来报告运动时尚趋势，利用多标签图卷积网络（ML-GCN）模型来检测和探索混合风格。在产品设计环节，AI辅助设计工具如Adobe的Sensei AI平台，能够自动调整颜色、生成图案，甚至模拟不同面料效果，创造出新颖的服装设计，从而推动时尚创新。

深度学习在服装中的应用具有显著的潜力，但其数据质量、模型泛化能力和可解释性等方面存在的问题也不容忽视。深度学习模型的性能高度依赖于训练数据的质量和数量，数据不足或偏差可能导致模型性能下降;训练深度学习模型通常需要大量的计算资源和时间，这可能限制了其在某些环境中的应用;虽然深度学习模型在特定任务上表现优异，但在面对新的、未见过的数据时可能泛化能力不足;深度学习模型往往被视为“黑箱”，其内部决策过程难以解释。

2.4 情感计算

情感计算是赋予机器以感知、识别、理解情感并具有拟人化情感表达的能力。情感计算的相关算法和模型依赖于机器学习和深度学习来进行训练和优化。如有LSTM、GRU和CNN三种深度学习定制模型，CNN、VGG-19模型迁移学习和ResNet-18模型可以迁移学习三种深度学习模型进行面部情感识别^［20］。

在服装行业中，情感计算对于增加设计效率、提升顾客体验、优化营销策略有着改革性的作用，常见的可应用形式有决策支持系统、推荐系统及人机交互。

决策支持系统是将数据整合后对团队的决策进行分析建议的系统，传统的决策支持系统大多是数学模型，因情感计算可以帮助识别用户的情感倾向，从而可以帮助优化决策支持系统，以提供更加个性化和符合用户期望的建议或服务。因此在服装领域中，情感计算可以通过分析社交媒体、用户反馈和在线评论等来了解消费者的情感反应，进而进行服装产品开发、市场策略和客户服务的相关决策支持。推荐系统在人机交互中，情感计算可以使机器更好地理解和响应人类情感。这对于服装行业的销售等环节至关重要，可以理解客户的推荐系统及与客户情感相匹配的人机交互界面是如今虚拟和实体商店进行进一步优化的重要抓手。如通过情感语音表达和表情生成，让交互界面更加类似人之间真实的互动，以提供更加舒适自然的用户体验。

情感计算作为一种新兴技术，在服装领域具有广泛的应用前景，但人类的情感错综复杂，不同文化背景下的情感表达和理解也存在差异，情感计算模型需要适应不同文化环境，这导致其很难准确识别所有情感状态;同时在用户数据处理时，需要确保用户隐私和数据安全，避免数据泄露和滥用。技术的不断完善和数据的合理使用，才能让情感计算在服装中发挥更大作用。

2.5 知识图谱

知识图谱是一种用图模型来描述知识和建模世界万物之间的关联关系的技术方法，其旨在从数据中识别、发现和推断事物与概念之间的复杂关系，是事物关系的可计算模型。知识图谱的构建涉及知识建模、关系抽取、图存储、关系推理、实体融合等多方面的技术，而知识图谱的应用则涉及语义搜索、智能问答、语言理解、决策分析等多个领域。

知识图谱在服装中主要体现其辅助搜索、辅助问答及大数据分析等能力，因此知识图谱多应用于服装行业的流行趋势分析和销售环节中，尤其是个性化推荐任务。如Zhan等^［21］通过一种新颖的关注属性感知时尚知识图谱，构建具有服装和物品级别属性的不同服装之间的关联，两个关注机制的建立，可以捕捉用户的偏好。Ling等^［22］开发一个服装设计知识库（DDKB），并期望将其进一步应用于个性化的服装推荐系统。通过人工智能在电商平台进行服装识别和分类，可以有效地提高接下来趋势分析与预测的效率，为精简高效的服装产品生命周期管理打下基础。

知识图谱作为一种强大的数据分析工具，不仅可以帮助企业优化供应链管理、提高决策效率，还能满足消费者的需求，以提供更定制化的产品和服务。但构建和维护知识图谱系统需要显著的技术和资金投入，还需要高质量的数据训练知识图谱，且不同来源的数据整合可能存在难度;如今时尚趋势变化迅速，知识图谱需要不断更新以保持其准确性和相关性，上述问题也需要服装行业持续探索和优化。

2.6 数据挖掘

数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识，寻找其规律的技术。数据挖掘自动在大型数据库中寻找预测性信息，以往需要进行大量手工分析的问题如今可以迅速直接由数据本身得出结论。如服装市场预测问题，数据挖掘使用过去有关促销的数据来寻找未来投资中回报最大的用户。

数据挖掘在服装行业的应用是多方面的，从设计、供应链管理到客户服务和市场分析等各个环节都发挥着重要作用。在消费洞察阶段，利用数据挖掘揭示当代消费者群体的消费偏好和行为模式，对服装企业的市场定位和产品开发具有指导意义。如Giri等^［23］对社交媒体数据进行挖掘，收集了Twitter上的数据，采用Lexicon方法和朴素贝叶斯模型，应用增强版的Lexicon词典对推文进行句子分类，以此来更好地了解当下消费者的偏好。Yuan等^［24］基于淘宝网提供的穿衣商品图像数据，以及时尚专家生成的顾客历史行为和穿衣服装的文本数据，通过数据挖掘和深度学习的相关技术实现服装搭配和推荐。

数据挖掘在服装行业的应用为各个环节提供了数据驱动的决策支持，提高了效率和市场响应能力。然而，数据质量、算法精度、隐私保护和市场适应性等挑战需要行业持续关注和优化。通过建立有效的数据管理和分析能力，服装行业可以更好地利用数据挖掘技术，实现可持续发展。

2.7 生成式AI

生成式AI是一类特定的人工智能，它专注于生成新内容，如图像、文本、视频和音频，而不是简单地对信息进行识别和分类。相对于辅助性的AI，它更具有高效性和泛用性，如今针对生成式AI的一大突破是运用多种学习方法，可以使用无监督或半监督学习进行训练。生成式AI可以进行文本生成、3D模型生成、图像转换和图像生成。

市面上现有的生成式AI大模型种类繁多，如OpenAI开发的ChatGPT、Sora等，这些模型的出现将会影响到各行各业，影响创作者的创作方式，其具有的独特创造力和执行力，可能还会影响到企业的策划方式和人员架构。生成式AI的自动化模式可以为各行各业带来效率的提升。

对于服装行业来说，生成式AI进行的是辅助设计甚至自主设计，能够减轻设计人员的负担，颠覆传统的产业链流程，大力推进交互设计的发展，降低服装产品生命周期管理（PLM）中各环节的制造成本和生产成本。但目前在服装行业中，生成式AI的应用主要集中于产品开发的阶段，该环节主要使用生成式AI中图像生成的功能。生成式AI能够分析非结构化数据，如社交媒体视频和消费者数据，从而预测流行趋势。设计师可以输入草图和设计细节，由AI自动生成多种设计方案，加速设计流程并创造独特产品，这提高了设计效率、降低了成本，使设计师能够快速迭代设计方案。

生成式AI也有望在处理客户关系和增强客户体验中发挥作用，增强消费者的个性化体验，制定更加精准简洁的营销策略，压缩产品生命周期管理实践，提高产品生命周期质量;线上销售可以运用生成式AI中文本图像相互转换的相关模型，方便消费者检索，提高检索准确度。

如今生成式AI的技术成熟度有待提高。虽然生成式AI能够快速生成设计，但精细的修改可能仍需大量手工调整，且生成效果很大程度上依赖于用户提供的提示词，有时可能需要多次迭代才能达到理想效果;目前的生成式AI主要能够生成二维图像，而不是完整的三维服装（包括版型和工艺）;生成式AI生成的内容可能存在数据偏见，影响内容的多样性和包容性。

不可否认的是，生成式AI发展势头迅猛，相关的大模型也在不断发展，生成式AI的应用有利于助推服装行业进一步地数字化转型升级，使服装产品生命周期管理（PLM）进入新的发展阶段。

3 人工智能在服装PLM中的应用

3.1 消费洞察

消费洞察是服装产品生命周期管理（PLM）的开端环节，在此环节需要获得大量的数据以支持未来季度的产品开发。传统的消费洞察一般是通过人工查阅相关文献和资料，或者利用专家访谈、问卷调查进行调研，这些方法受到时间成本和主观误判的影响。而人工智能技术很好地打破了数据壁垒，可减少人工时间成本和主观判断的影响，为产品的开发及营销销售等环节打下基础。该环节的相关内容如图7^［25-36］所示，具体应用主要可以从以下几个方面阐述。

3.1.1 市场需求调查

人工智能技术可以增加企业或品牌对于社交平台和电商平台数据的收集及把控。社交媒体数据有助于提高服装销售的预测，而数据挖掘技术则可以有效地在社交平台上进行数据抓取与分析，得到的数据包括商品评价、社交关系等。这些数据通常杂乱而庞大，通过机器学习和深度学习等方法处理后，即可进行需求预测或是消费形象建立。

Kharfan等^［37］侧重于从数据驱动的角度进行需求预测，利用机器学习识别重要的预测变量来帮助时尚零售商实现更好的预测准确性。这种方法已经被一家引领潮流的时尚零售公司采纳，用在没有历史数据支撑的情况下预测新推出的季节性产品的市场需求。Zhang等^［38］的研究建立了一种基于模糊技术和模糊层次分析法的消费者形象定义新方法。

在电商平台，人工智能技术主要目的是研究购物者的浏览趋势，以吸引新客户和扩大业务，服装行业更不例外。电商平台中所获取的数据包括消费记录、产品风格属性等，购物者的浏览内容主要是图片类，因此计算机视觉相关技术基础下的服装解析对电商平台的调研非常重要。Donati等^［39］利用深度学习和图像处理技术，分析处理服装产品特征进行视觉分类，进而总结和分析相关数据，所得的数据对于改进物流库存及推荐和检索方式有重要意义。

3.1.2 竞品调研和行业动态

除了对消费者相关平台进行调研，消费洞察还需关注整个行业的动态，以及相关竞品的研发趋势，以提高企业或品牌的核心竞争力，提高其在市场中的分量。该部分的研究主要集中在对行业数据的收集及销售预测上。数据挖掘技术依然可以帮助收集各种数据，Peroni等^［40］利用语义网技术对一家快时尚公司进行数据收集与管理。Jain等^［41］致力于数据挖掘在行业产品数据上的应用，旨在产品数据上利用数据挖掘和基于对称的学习技术创建一个分类模型。其由两个子系统组成：1） 用于预测服装类别;2） 用于预测服装子类别。Loureiro等^［42］发现深度学习模型在预测时尚零售市场销售方面表现良好。Zhou等^［43］针对快时尚服装需求预测中缺乏历史数据和未充分考虑需求影响因素的问题，提出了一种改进的Bass模型，用于预测快时尚服装需求和新服装产品的需求。此外，针对上述问题，不仅可以从模型入手改进，也可以通过优化数据来增加零售预测的准确性。多模态的服装数据因其冗余性和异构性可以很好地作为销售数据的补充。石闻达等^［44］提出一种包括三个主要元素的层次化多8oBdXZxVKLGcW+yr8rUoxfjKMaJLSZurW3Vjk4qzZ1s=模态注意力循环神经网络，可以进行预测的有效提升。Chen等^［45］通过循环结构的设计，针对传统神经网络销售预测算法学习效率低、收敛速度慢、容易陷入局部极小值等缺点，提出了改进措施，克服了预测对象的不确定性、滞后性和时变因素的不利影响，从理论上规范了预测过程。

智能服装因其结构和功能的特殊性，与传统的服装产品所需要的前期数据略有不同，虽然作为服装行业内不可缺少的研究对象，但是运用的技术和手段也有所区别。Hong等^［46］研究了一个兼顾舒适和健康的可穿戴监测系统框架，总结了相关的生理指标，分析了舒适性和健康状态监测的要求，以选择合适的电子元件。

3.2 流行趋势

如今的时尚潮流变化速度比以往任何时候都快，因此，及时可靠的趋势预测在服装行业至关重要。流行趋势预测可以分为两个部分，一是进行大量的搜集调研工作，二是对相关图片和视频进行信息提取、分析和总结，最终得到未来季度的流行趋势。传统的时尚预测需要专业人员从世界各地的设计系列和时间间隔中提取基于图像的信息，非常消耗时间和人工成本。人工智能可以很大程度地降低调研分析时间和成本。对于流行趋势的研究，可以从颜色、面辅料和图案入手，如图8^［47-53］所示。

3.2.1 色彩趋势

色彩作为服装的三要素之一，是非常重要且复杂的，传统的人工进行色彩趋势调研考验相关人员的经验知识，而且人眼辨别色彩存在误差。利用人工智能技术进行色彩趋势的调研和预测可以更加全面地分析，更加精确地预测。Hong等^［54］提出了一种基于实例的颜色推荐系统（CBCRS），用于在线推荐颜色范围。Zeng等^［55］提出了一种新的多阶段、类别监督的基于注意力的条件生成对抗网络，该网络从特定的模型图像中生成清晰、详细的平铺服装图像，其生成的图片可以更好地展示服装的外观信息，以便帮助相关人员进行信息的提取，增加调研的效率。Tao等^［56］采用卷积神经网络对色彩纯、图案少、图案多、背景复杂的服装工艺品进行环境因素提取实验。

3.2.2 图案和面辅料趋势

也有一些研究着重于服装风格的识别和分类，以其为导向总结分析图案和面辅料趋势，能为产品研发打下基础。计算机视觉技术可以辅助专业人员进行调研，YOLO模型可以从时尚服装数据集和在线商店的网页抓取中，选择进行风格或属性的识别，进而进行分类。Thwe等^［57］提出了FC-YOLOv4模型，用于检测多类时尚产品。该模型使用半监督学习方法来减少图像标注时间，然后通过图像增强来增加结果图像的数量，可以有效地对正确捕获的图像和杂波图像进行准确的时尚类别检测。Chen等^［58］在现有服装风格分类的条件下，提出了一种细粒度与粗粒度相结合的服装风格分类方法，能够有效区分服装的款式和类型。Zhai等^［59］使用深度学习算法对传统服饰文化进行整合，结合古今服装文化，为未来的设计和服装发展贡献更多的力量及研究材料。

在大量的调研之后即可进行总结和预测流行趋势，相关系统可以利用计算机视觉和机器学习为时尚研究的相关者提供有关潜在时尚趋势的建议。一些深度学习模型的泛化能力强，可以自适应环境变化，能够处理大规模的时间序列数据，大大增加趋势预测的准确性及效率。Shi等^［60］使用了数据驱动定量抽象方法，首先在不同场景下的数据集进行训练，使其熟悉时尚图像，可以在T台照片或视频中提取服装特征，进而进行时尚趋势的总结和预测。Papadopoulos等^［61］提出了MuQAR，一种多模态准自回归深度学习架构，来预测时尚产品的视觉流行度。该模型使用产品的目标属性时间序列作为时间流行模式的代理，弥补了历史数据的缺乏，而外生时间序列有助于捕获相关属性之间的趋势。

人工智能给出的大部分流行趋势建议通常以文本形式传达给设计师，是基于统计学思维所进行的趋势预测工作，生成式AI的发展为流行趋势预测提供了新的生机。Nezhad等^［62］

使用生成对抗网络（GAN）、深度学习和用户意见的组合来创建流行图像，将流行趋势可视化，更加符合设计师的从业习惯。

人工智能相关技术可以减少该环节的人工成本，提高趋势分析与预测的准确性，时尚品牌或公司可以更精准地把控潮流，引领市场作出更快的流行响应。同时，相关技术为服装行业的可持续发展作出贡献，通过材料/结构参数或使用条件预测视觉退化的轨迹，从而指导从业者进行最佳设计，增加产品使用寿命，减少资源浪费。

3.3 产品研发

产品是服装行业的核心，产品研发则是服装全生命周期管理的核心。由图9^［63-69］可见，服装产品的设计可以分为款式设计和版型设计。该环节需要设计师和版师大量的脑力和劳力，且须经历多轮的修订与完善，这不仅会造成时间成本流失，大量资材浪费还会影响行业的可持续发展。

随着计算机技术的发展，设计师可以利用软件进行辅助开发，但是仍然存在效率和准确性的问题，而人工智能技术则进一步地便利了设计师。3D和CAD技术对版型设计具有很大提升作用，人工智能技术提升了人体尺寸测量和匹配的效率。人工智能背景下，虚拟的样品展示代替了传统的样衣，提高了相关人员的沟通效率，促进了协同设计的发展，可为优化产业链打下坚实基础。

3.3.1 产品设计

人工智能可以为设计师提供更好的建议，因此开发了针对设计师的推荐系统。在这种推荐系统中，机器学习、深度学习和情感计算等技术可以在相关数据集中进行面料、款式、风格等特征提取和学习，从设计师的角度推荐合适的设计元素。在这种系统的发展中，也考虑到了消费者的消费偏好，从而促进了协同交互设计。Hong等^［70］提出了一种基于感知的面料推荐系统，帮助服装设计师在设计过程中选择最合适的面料，满足目标消费者的感知。该系统包括协同设计过程、常用的感官评价过程和使用模糊层次分析法与模糊TOPSIS算法的计算模型。Kotouza等^［71］提出了Science4Fashion，这是一个人工智能端到端系统，通过收集和分析不同来源的数据，并根据消费者的需求建议产品，为时装设计师提供便利。

推荐系统通常作为设计师的工具出现，这意味着设计师仍需重复使用现有设计，将其作为创建新服装的起点，重新思考款式的灵感。随着人工智能的发展，逐渐出现了自动生成产品的设计系统。Li等^［72］提出了一种机器学习系统来自动组成时尚服装。随着机器学习向着深度学习方法过渡，越来越多的生成式AI驱动着款式设计，其中以生成对抗网络（GAN）为代表。

基于GAN所提出的模型系统，可以把最新的时尚趋势和用户购买的衣服作为输入，生成新衣服。Zeng等^［55］提出了一种新的多阶段、类别监督的基于注意力的条件生成对抗网络，该网络从特定的模型图像中生成清晰、详细的平铺服装图像。还有很多的研究者将多种算法结合应用，以弥补单独生成算法带来的精度问题。Chen等^［73］将参数化数态算法、生成式对抗网络、风格转移等多种智能算法，引入服装造型、印花图案、纹理工艺、产品视觉等环节，构建了一种基于智能算法与人体各种功能角色协同作用的创新服装设计方法。

Deng等^［74］研究了服装款式自动生成的方法，并为此设计了参数化编码，总结了户外运动智能服装的一般设计方法，以穿着者为中心深入探讨户外运动智能服装设计方法的合理性。次年，Deng又将视野转到丰富民族服装独特性上，创新运用人工智能工具“多模态无监督图像到图像翻译”（Multi-modal Unsupervised Image-to-Image Translation，MUNIT）算法，生成了多种时尚设计。

图案设计是款式设计很重要的一部分，机器学习可以帮助现有的经典图案和传统服饰中的图案元素进行数字化，便于未来进行更加创新的设计。机器学习中的八叉树可以对色彩和图案进行量化，K-means可以提取主色彩图，Hu等^［75］就利用这两种技术设计模型，该模型能够设计出复杂的图案，并能模拟出土家织锦的精美面料。沈雷等^［76］提取了明清织物云纹代表性图案的形态因子与聚类色彩组谱，针对现代服饰产品特征进行创新图案推衍与设计应用。

生成式AI可以极大地提高工作效率，减少设计师的干预，甚至在产品受市场验证成功后成为未来零售商品牌发展的重点。Wu等^［77］提出了ClothGAN，这是一个基于生成对抗网络（GAN）和风格转移算法的创新框架，用于“设计”新的服装图案和风格。Wang等^［78］提出了一种基于模糊逻辑和人工神经网络的知识支持的服装图案设计方法，通过学习经验丰富制版师的知识，根据版型和面料生成合适的图案。

版型设计最需要的数据是人体尺寸，最直接的获得方式是手工测量。人工智能背景下，虚拟场景和自动化测量手段逐渐走入研究视野，利用传感器和计算机视觉技术作为虚拟和现实的桥梁，如微软Kinect传感器、Leap运动设备和OculusRift等。虚拟场景下的测量可以像传统方法一样，通过用手与虚拟场景下的客户互动来获取测量数据。顾冰菲等^［79］针对基于人体照片的尺寸提取技术对照片拍摄场景限制的问题，提出利用整体嵌套边缘检测深度学习模型实现复杂背景下人体轮廓的提取并进行参数提取分析。

自动化的测量工具可以减少时间和人工成本，随着深度学习算法的发展，自动测量的精度也在增加。Kim等^［80］提出了一种使用计算机视觉深度学习模型和点云数据自动测量服装尺寸的方法。Song等^［81］提出了一种基于深度学习的服装设计立体视觉图像分割测量系统，通过深度学习训练，优化了基于金字塔场景解析网络的周长语义分割模型，实现了多角度人体图像中更多周长区域的自动分割，该系统可以智能、准确地测量服装尺寸。

在得到尺寸数据后，通常需要有经验的版师进行打版，对于企业来说，培养一个从初学者到专家的制版师需要很长时间，人工智能的方法让缺少经验的人也可以快速上手。Liu等^［82］提出了一种反向传播人工神经网络模型，通过输入几个关键的人体尺寸来预测制版相关的人体尺寸。合体舒适度的检验是版型设计中必须考虑的一方面，服装合身度评价也是当前服装设计与制造的最大瓶颈之一。模糊建模技术可以将服装设计参数、穿着者形态、姿势、面料性能和舒适度余值之间的关系进行建模，以排除诸多人为因素。确定三维舒适度的概念可以进一步集成到三维服装CAD中，在特定的虚拟人体模型环境中获得合适的服装表面，以定制任何服装。Wang等^［83］提出了一种基于概率神经网络的模型，可在三维虚拟环境中根据服装宽松度、数字压力和织物机械性能来预测和控制服装合身程度。

以上很多应用针对的是大货生产所需，在定制服装开发的领域，也有一些集成度比较高的系统。Ji等^［84］提出一种在个人设计和som/wJ7xOJSdp8WTXOYKzA==产品开发的早期阶段定制服装的方法，该方法是建立在服装定制的基础上，使用无监督的方法从服装数据集中学习视觉兼容性。Li等^［85］提出的MIAS是基于所提出的参数化模型方法和拉普拉斯网格变形技术所得，从而允许重建符合MIAS测量的模型。团体定制存在区域性大规模人体尺寸数据收集难的问题，聂梓萌等^［86］采用蒙特卡罗方法仿真区域性团体尺寸测量数据，建立区域性团体号型规格表（RGS），并提出基于比例方法归号流程，优化归号结构链。这几项研究也为后续的服装设计、定制和虚拟试衣等处理提供了极大的便利。

协同设计系统强调消费者和设计师之间信息共享，可以包含多个环节的内容，人工智能技术可以很好托承这种系统^［87］，计算机视觉技术推动虚拟服装和人体建模的发展，模糊技术可以很好地将消费者的感知描述与虚拟服装参数进行关系建立，通过这些技术，消费者可以在所设计的系统中进行及时反馈，与设计师交互设计。Hong等^［88］提出基于使用3D身体扫描仪创建虚拟人体模型的方法，允许模拟消费者的非典型物理变形的形态、形状。结合使用定制的2D和3D虚拟服装原型工具，通过消费者、设计师和制版师之间的互动来创建产品。又结合了3D虚拟试戴技术，反复运行设计—展示—评估—调整的流程，可以在很短的时间内验证设计师精心设计个性化服装产品的模式和原则。Sharma等^［89］通过系统整合服装设计推荐、3D虚拟服装试衣可视化、设计知识库、设计参数调整等多项数据驱动服务，开发了一个交互式服装设计系统。相关计算通过使用许多智能算法（自适应随机森林算法和关联挖掘，BIRCH）并与形式化的设计知识库进行匹配来执行。

3.3.2 样品展示

传统的样品展示需要实际制作样衣，不利于服装行业的可持续发展，虚拟服装的出现不仅提高了生产效率，还大大减少了资源的浪费。随着个性化需求剧增，服装款式的复杂性也在增加，以配合消费者的要求和流行趋势的变幻莫测。周洁等^［90］采用服装CAD数字化设计与三维可视化设计相结合的方法，基于数字技术验证复杂结构女装制版方式的可行性，同时，因此方法设计流程可视化程度高，打版的同时兼顾样品展示，能很大程度地提升设计流程效率。

但是3D服装通常存在两个主要问题：计算运行时间成本高，阻碍了其部署;仿真与真实之间存在差距，阻碍了特定真实世界布料样本的合成。为了避免这两个问题，Casado-Elvira等^［91］提出了一种数据驱动的方法“PERGAMO”，可以从单目图像中学习3D服装的可变形模型。服装CAD中3D服装的精度仍然存在不足，Dai等^［92］选择优化织物模拟中的机械参数，建立了基于FOM参数综合数据库的织物分类系统。Korosteleva等^［93］建议使用一种逼真而紧凑的服装描述符——服装缝纫图案，以方便对服装的内在形状进行估计。该领域的服装形状和设计存在高度多样性，深度学习的应用可以改良建模精度，最常见的方法是为单个服装或服装类型建立专门的模型。

3.4 上会与组货

在服装行业中，“上会”与“组货”是两个重要的概念，它们涉及商品组合、陈列和销售的各个环节。“上会”通常指的是将服装商品上架展示的过程。在此过程中，需要对服装进行分类、整理和陈列，以吸引顾客的注意力并促进销售。“组货”则是指根据市场需求、流行趋势和库存情况等因素，将合适的服装商品组合在一起，形成一个完整的商品系列。这个环节中要求企业结合各种因素做出生产决策，对产品的质量进行把控，使呈现在顾客面前的产品品质优秀，如图10^{［54，94-95］}所示。

3.4.1 生产决策

人工智能的分析和预测能力可以应用到生产决策中，机器学习和深度学习可以助力决策支持系统优化，以实现智能化和半自主化，增强抗干扰能力。基于知识的大数据环境下开放式绩效评估系统，可以支持新产品开发过程中复杂的工业决策。He等^［94］提出了一种基于随机森林智能数据模型和基于人类知识的层次分析法多准则结构相结合的纺织制造过程决策支持系统，并使用深度强化学习方案deep Q networks （DQN）对其进行优化。

除了整体的架构，研究者还关注了质量把控的问题。生产之前的原料或样品需要通过质量测验，其数据和结果可以更好地指导生产决策。神经网络和回归方法可以评估物料消耗量，也可以进行产品分类，再结合计算机视觉等技术，对产品进行缺陷检测或者性能预测，基于人工智能技术的质量控制系统提高了生产质量，解决人工带来的主观影响。但缺陷检测模型通常需要大量的样本来学习缺陷的特征，在实际场景中，很难收集到重要缺陷的样本。Wang等^［95］为了促进少样本缺陷检测的研究，构建了一个新的皮革表面缺陷数据集，包括缺陷样本和无缺陷样本。

3.4.2 组织调配

上会和组会都要对货品进行组合搭配，传统的商品搭配依靠的是从业人员的经验，服装的智能搭配主张利用感性工学和人工智能，构建服装风格、元素等量化模型，以减少主观经验影响，向消费者展示最高效适合的搭配。杜婷婷等^［96］以Y2K服装为例，构建服装风格量化模型，以感性工学的方法研究相关搭配规则。机器学习等人工智能方法则进一步推进智能搭配。分区嵌入网络可以从服装单品中学习可解释的嵌入，利用可解释和可分割的嵌入，构造了一个装备组合图和一个属性匹配图，实现可解释和智能的多单品时尚服装组合。现有的服装匹配技术主要依赖于视觉特征，忽略了文本元数据，不足以对时尚单品进行全面编码，因此Liu等^［97］提出了一个基于贝叶斯个性化排名的多自编码器神经网络。该框架无缝探索时尚单品的多模态，既能全面建模时尚单品之间的兼容性，又能实现多个时尚单品之间互补的时尚单品匹配。

GAN算法因其生成对抗特性，在服装匹配领域仍有所建树。Zhou等^［98］提出了OutfitGAN（d），目的是在给定一个现有的时尚单品和目标合成单品的参考面具的情况下，合成一组互补的单品来组成一套完整的服装。

传统的服装商品展示需要真实的产品，但随着计算机技术的发展，虚拟走秀等数字化的展示方式越来越多地呈现在大家眼前。数字化展示不仅可以给消费者带来眼前一亮的体验，也促进了协同设计的发展，提升了开发效率，为可持续发展作出贡献。虚拟展示最核心的手段是3D建模。Dai等^［99］使用Clo3D软件进行虚拟模块化设计，使用“英思达童装虚拟设计与展示”进行虚拟试穿与展示。服装因其柔性特质，在真实的3D呈现中表达难度高，Kulinska等^［100］基于模型制作者使用的二维模式制作方法进行分析，所提出的方法与手动3D悬垂技术一样可以直接在3D佩戴者的形态上执行，从而避免

了形态解释错误的问题，集成了3D分区技术，以改进3D建模，并确保服装与穿着者身体之间的最佳褶皱和分析。

虚拟走秀的展示方式不仅要真实地展现静态的服装，更要搭建趋于真实的场景和人体运动，服装动态的表现是研究的难点。Zhang等^［101］给定虚拟角色的目标关节运动序列，提出了动态神经服装，从期望的角度合成可信的动态服装外观。从技术上讲，该解决方案生成一个粗糙的服装代理序列，学习附加到该模板上的深度动态特征，并渲染这些特征以产生褶皱、皱纹和轮廓等外观变化。Hong等^［102］在AI背景下基于Unity3D游戏引擎构建了一个VR服装T台。通过分析AI环境下的VR技术，结合Unity3D游戏引擎，设计了VR服装秀的场景和模特服装。

3.5 供应链管理

纺织与服装供应链涉及到多个环节，本身就是一个复杂的系统，如图11所示。本文所总结的供应链管理聚焦于工厂生产、物流配送和库存管理。服装行业是劳动密集型行业，传统生产中，不仅需要大量劳动力，而且在动线设计不合理或人员操作不熟练等情况下，生产效率会受到影响，很多的生产环节也不符合可持续发展的要求;物流配送是产生巨大成本的部分，包括人工和交通运输成本;库存管理直接影响零售商的销售环节。

近年来，云计算、物联网、射频识别技术在生产工厂中应用广泛，为精简供应链和实现可持续发展带来了里程碑式的影响。将射频识别（RFID）和云计算技术相结合，可实时捕获生产记录并进行远程生产订单跟踪，新的云计算平台可以收集、存储和处理来自车间的数据。人工智能技术则进一步促进了供应链管理的发展，研究者将工业4.0、云制造、物联网、大数据和数字孪生等先进技术结合，设计整体供应链，降低生产成本。Zhang等^［103］提出了一种由深度强化学习辅助的联邦学习算法，该算法可以兼顾物联网设备数据训练的私密性和效率。

3.5.1 生产和品质控制

生产计划中，裁剪订单计划（COP）是一个关系着成衣质量的环节，也影响着织物成本管理和整体生产效率。高效的COP解决方案可以显著降低服装行业的总制造成本，遗传算法的灵活性、全局搜索能力等优势可以帮助企业完成高效的COP，也可以分析浪费率、层数及每个执行订单的标记数，能够寻找高投资原材料的最优分配方案。随着研究的深入，研究者通常引入另外的优化算法来更新遗传算法，以求更加高效地解决方案。Tsao等^［104］使用基于模拟退火的遗传算法和基于禁忌搜索的遗传算法来解决COP问题。柔性作业车间调度问题是经典作业调度问题的扩展，它是现代制造系统中的一个重要问题，也是最难的组合优化问题之一。Yan等^［105］提出了一种基于遗传算法的方法来优化定义了在输送机约束下以最大完工时间为目标的目标函数。生产动线的设计是否高效，也是影响整体供应链效率和成本的关键因素。盛玥曦等^［106］的研究基于先验算法，提出一种服装生产工序组合关联规则挖掘方法，以优化流水线设计。

实际生产中的一些操作也可以用人工智能方法来优化，计算机视觉、机器学习和深度学习技术可以在生产操作中帮助人机交互的优化，进一步促进生产机器对人工的替代。基于服装图像和深度学习，机器可以执行类别分类和地标检测，以实现拉伸任务，其目标是将碎布带到拉伸位置。由于织物的复杂动力学和构型空间，Wang等^［107］采用基于深度模仿学习的方法来估计拾取点和操作过程的阶段。Liu等^［108］利用优化后的遗传算法求解模型的目标函数，建立了具有多约束条件和最大成本节约的柔性生产调度模型。Ku等^［109］介绍了一种为智能服装制造设计的自动缝制系统，将机器视觉功能集成到定制的缝纫机中，促进了服装生产的自动化，为实现智能服装制造打下基础。

尽管在生产决策中，已经利用机器学习等方法制定了质量控制的相关预案，但是实际生产中依旧需要进行严密的品质控制。计算机视觉、机器学习、深度学习等人工智能方法已经被利用，致力于精确捕捉瑕疵。刘正等^［110］结合纬斜特征改进卷积神经网络，提出具有循环训练策略的目标识别网络——纬斜检测网络，并在网络中加入正样本回归和多尺度输入，结合数据增强方法，提升训练效果和模型检测效果。该模型与YOLO网络相比，纬斜检测网络在真实纬斜样本检测中性能优异。

精益生产是提高组织服务水平的关键因素，精益生产和工业4.0技术配合使用，可以更有效地帮助生产实现精益目标。精益生产和六西格玛方法的实施使公司能够提高竞争力和效率，但是仍有很多工厂难以运用这个方法。Elboq等^［111］基于智能模型，为服装利益相关者制定了一个支持工具，或者旨在使用深度学习成功整合精益生产和六西格玛方法。

协同设计产品的生产更加需要精准和高效。Lee等^［112］利用信息通信技术、人工智能和虚拟环境，为3D服装生产系统中的企业、设计师和消费者之间的创新永续实时时装系统（RTFS）提出供应链框架。RTFS供应链中的3D时尚产品完全数字化，通过采样和跟踪功能节省了时间和金钱，并通过个性化的服务交付获得了安全性和可靠性。

可持续发展是供应链管理的最终目的。可持续的生产和消费可以通过建立具有弹性的创新基础设施来实现，而这些设施是通过物联网、人工智能、区块链、增强现实、虚拟现实等数字技术的融合实现的。Noh等^［113］提出了一种基于物联网和人工智能的回收服装分类系统，使用的方法是迁移学习^［114］的AlexNet，利用物体识别技术来解决问题，利用人工智能预测回收服装的种类，以代替工作人员的经验和专业知识进行准确的分类工作。Noh还使用了云和边缘计算的深度学习服装分类系统，通过卷积神经网络的深度学习，将安装在各个地区各个服装分类站点的摄像机终端输入的服装图像数据分类，结果通过边缘计算存储在云端，可以有效地提高各地回收衣物分类处理的流程化和自动化程度^［115］。通过机器学习优化供应链也是实现可持续发展的一种方法，Wang等^［116］使用P-中位数模型和遗传算法优化供应链，又采用了一种混合仿真模型，用于分析和收集可持续指标的数据，以期提供给相关人员新的方法和建议，提高个性化定制供应链的可持续性和效率。

3.5.2 物流配送和库存管理

物流运输和库存管理需要优化的方面，一是减少成本和精简调度，二是实现数据和产品的可追溯性。通常可以将机器学习或深度学习的算法与射频识别技术相结合，以追求最优的物流或库存方案，以及产品的可追溯性。现有的服装可追溯系统仍存在覆盖不全、产权难以保护等问题，数据隐私和真实性也需合适的技术手段来保障。金鹏等^［117］借用区块链技术，结合权威证明机制、哈希算法、时间戳技术、智能合约，从数据层、网络层、共识层、激励层、合约层、应用层六部分进行研究，利用去中心化网络结构，实现对服装产品全生命周期的数据录入。

Kim等^［118］研究采用随机控制和优化的方法，通过对韩国一家领先时装公司的真实数据进行实证研究，解决了时装产品初始分布的数学问题。这种方法将消费洞察产生的数据用于解决库存问题，从源头处理，科学合理地减少库存浪费。

Luu等^［119］为了将工业4.0的理论和模型应用到一家服装公司中，不同批次的产品都包含RFID标签，这样面料和配件中的RFID可以实时更新库存。Nasr等^［120］提出了一种新的两阶段模糊供应商选择与订单分配模型。利用模糊最佳最差方法和多目标混合整数线性规划模型，选择最合适的供应商和库存。

3.6 市场营销

服装营销是指服装企业为了实现销售目标，通过一系列营销策略和手段，将服装产品推广给目标消费者，并促进其购买和使用的整个过程，具体可分为销售策略和客户关系管理两部分内容，如图12^{［125-126］}所示。

3.6.1 客户关系管理

如果说此前的环节方便于企业和设计师，那么营销环节则是方便消费者，经过训练，人工智能已经具备一定量的知识储备，结合大数据算法，一系列针对消费者的推荐系统出现。Wang等^［121］整合了情感时尚主题、人类对个性化体型的感知及专业设计师的知识，开发了一种智能服装推荐系统，利用模糊集和模糊关系将消费者与设计师的感知数据形式化，人体测量数据与设计师提供的基本感官描述符之间的复杂关系使用模糊决策树进行建模。

推荐系统以消费者为中心进行精准推荐，因了解消费者心中所想，推销成功的概率大大提高，达到了营销的目的。但推荐系统存在两个主要缺陷：1）现有的购物数据和/或基于人体数据的推荐不能有效地处理时尚趋势;2）这些系统很少考虑购物者的经验和知识^［122］。针对这两个问题，Zhang等^［122］提出了一种基于马尔可夫链和复杂网络相结合的服装推荐机制，马尔可夫链能从消费者较少量的购物数据中提取时尚趋势。复杂网络方法对购物专家提供的人体形状、服装试穿效果和服装特征之间的不确定关系进行形式化处理。

3.6.2 销售策略

在服装营销中，需要考虑市场调研、品牌定位、产品策略、价格策略、渠道策略、促销策略等多个方面，以确保营销的效果和销售目标的实现。Chen等^［123］基于消费者购买习惯和奢侈品特征数据，采用机器学习算法构建个性化营销策略模型。

虚拟试穿技术（VTO）也是近几年体验营销的热点，Zhang等^［124］发现消费者对VTO技术的态度会影响其在线购买服装的意愿，这种意愿受到感知有用性、感知享受性和感知隐私风险的影响，而感知易用性影响感知有用性和感知帮助性。研究结果还显示，VTO技术体现在在线购买意愿的整个决策过程中的作用，而在年龄和性别之间没有显著差异。

VTO技术还涉及时尚风格转移，即将一张时尚图片中的服装转移到目标人体图片上。Liu等^［125］提出了一种名为SwapGAN（d）的多阶段深度生成方法，该方法利用统一框架中的三个生成器和一个鉴别器来完成端到端的任务，在保持人体身形的同时，可以传输姿势风格和服装风格。解决时尚风格转移中人与人之间的服装交换问题，其目的是将目标服装穿在另一个人身上而不是穿在他们身上的样子可视化。Shi等^［126］提出了一种数据驱动的方法，在保留原始设计的同时，在两个不同的身体之间有效地转移服装，同时还提出了一种编码器—解码器网络，以学习与服装款式不相关但与人体变形有关的共享空间。这种方法可以为虚拟服装品牌带来启示，但是归根结底其仍然展示的是2D，未来如何结合虚拟现实和建模技术来制作真正的3D，让消费者有更深的体验，是值得讨论的研究点。

3.7 销 售

销售是面向消费者的终端环节，也是服装企业的最终目的。互联网时代的销售可以分为线上销售和线下销售。线上销售近些年来更受欢迎，线下销售也在传统方式中脱胎换骨。

线上的销售方式虽然带来了很大的便利，但是虚拟体验逐渐不易刺激顾客的消费行为，不能亲身试穿产品给消费者带来了型号选择的困难，虚拟试衣技术成了一些线上销售的一部分。虚拟试穿技术之所以备受关注，是因为它有望提高服装行业在线购物的用户体验。基于图像的虚拟试戴方法以其高效、低成本的特点受到了越来越多的关注，该环节具体内容如图13^{［127-130］}所示。

3.7.1 顾客体验

Daneshmand等^［131］提出一种全自动解决方案，克服了在线试穿过程中涉及的大多数模块仍需要人工计算、操作和调整的不足，减少了时间消耗，并显著提高了服务的效率和可靠性。Hashmi等^［132］提出了一种新颖的结构FashionFit，可以便利地将零售商提供的服装组合在一起，并使用神经体适能将其可视化。这项工作为使用GAN解锁定制服装的生成创建了一个基准，并可在用户身上进行虚拟试穿，以确保栩栩如生的外观和效果，从而通过使用人工智能创造良好的客户体验。

目前的三维虚拟试衣方法主要基于薄板样条法和基于深度信息的三维重建，这加大了实现三维虚拟试衣的成本，并且缺少服装褶皱、图案等细节。Ghodhbani等^［133］提出的Dress-up虚拟试穿界面旨在处理跨图像的人类外观转移任务，同时保留生成服装的纹理细节和结构一致性。为了增强顾客的体验感，虚拟试衣领域出现了图片生成视频的技术，以全方位给顾客展示着装效果，但是该技术存在掉帧、生成视频质量差、人物服装细节丢失等问题，为此陆寅雯等^［134］提出一种基于姿态嵌入机制及多尺度注意链接的生成对抗网络模型，提高了生成视频的质量与帧间动作稳定性。

虚拟现实技术因其可使消费者有亲临环境的体验，近些年备受行业青睐，但是其带来的舒适感体验并不佳，张晓婷等^［135］聚焦于VR交互体验中，沉浸感与舒适感的平衡设计，这为线下门户的顾客体验带来新的契机。

3.7.2 销售渠道

电商平台会面临顾客的主动检索，人工智能方法可以使搜索更加智能和精准，从而优化顾客的体验。一般情况下，顾客会使用文本关键词进行搜索，这些文本包含了所需服装产品的属性。为了使文本搜索更加准确，Chun等^［136］提出了一种新的网络结构SAC，它结合了CNN和Self-attention机制，可以更细粒度地表示服装属性。

但是基于文本的搜索方法仍存在局限性，有些时候难以选出合适的文本进行描述，而直接利用可视化的图片进行检索更加方便。Jo等^［137］开发了一种基于深度学习的智能时尚技术，建立了草图产品时尚检索模型，用于高效的时尚产品搜索。

新的问题随之产生，由于服装的种类或款式较多，加之不同的拍摄角度、拍摄条件、杂乱的背景环境或穿着的人体姿势等因素导致的服装外观的不同，传统的消费者到商店的方案检索精度往往较低。基于深度卷积神经网络和特征融合，以及四重损失函数可以进行跨域服装检索。快速准确的目标检测是当前该领域的重要目标，YOLO类算法在图像检测方面具有优势，在其基础上进行的优化可以精确进行复杂背景下的服装识别，提高对微小目标的检测能力，在短时间间隔内准确定位目标。在YOLOv4算法的基础上，Lee等^［138］提出了一种名为YOLOv4-tpd（e）的两阶段时尚服装检测方法来解决这一难题。实例级图像检索是一个具有挑战性的问题，Bao等^［139］提出了一种新的多尺度、多粒度特征学习网络（MMFL-net），该网络可以在统一的框架内共同学习服装图像的全局局部聚合特征表示，旨在训练C2S时尚视觉相似度的跨域模型。Jing等^［140］提出了一种用于时尚兼容性预测的潜在低阶表示的三部分图正则化TGRLLR。

Alzu’bi等^［141］提出了一种将时尚图像检索和推荐与三维虚拟试穿网络相结合的新方法。采用了几种深度学习架构来提取和学习服装图像的关键属性，通过这些架构，每个制定的图像都经过有效的人体分割和姿态估计程序。使用3D VTON网络生成用户穿着特定服装的3D图像，然后时尚检索系统推荐更多相关物品。

除了消费者的主动检索，人工智能技术可以提供智能自动化且高效实时的时尚推荐^［142］，以科学的方式将合适的产品展示给顾客，免去了传统方式的揣测顾客心理来推销产品，使得虚拟购物助手更加地受欢迎。如果时尚推荐被拒绝，可以根据所建议的着装风格添加额外的语义层，来进行额外的补充推荐。Vuruskan等^［143］开发了一种针对非标准女性体形的时装款式选择智能系统，所提出的智能系统结合了遗传算法和神经网络分类器，后者使用了粒子群优化进行训练，以评估每种演化出的新时尚风格的适配性。Zhang等^［144］建立了一个服装知识库，以帮助一般消费者识别最符合其特定需求的相关产品。

线下购物在电商崛起的时代也在思索自己的出路，结合人工智能技术来提高核心竞争力，一些智能门店以现实和虚拟结合的方式呈现在消费者面前。Yuan等^［145］开发了一个由客户参与设计工作的服装购物商城，尤其适用于设计较为复杂的服装。该购物商城从顾客使用的角度出发，强调功能性，与此同时还实现了适合智慧城市的服装服务在线环境。

4 结 语

本文探讨了人工智能在服装产品生命周期管理（PLM）中各环节中的应用及常用的人工智能技术。分析表明，人工智能主要应用在服装产品生命周期管理（PLM）中的产品研发环节，且不同环节所采用的人工智能技术也不同，计算机视觉和图像处理技术主要应用于产品研发、上会与组货及市场营销环节中;自然语言处理技术主要应用于流行趋势和产品研发环节;机器学习主要应用于消费洞察、流行趋势及产品研发的环节中。

尽管人工智能为服装产品生命周期管理（PLM）带来了巨大的潜力，极大提升了服装行业的效率，但由于其发展在初级阶段，还面临许多问题和挑战。包括高质量数据的收集、传输和集成问题：人工智能需要大量数据进行训练，而在服装产品生命周期管理（PLM）系统中，可能会存在数据不完整或不一致的问题，这会影响人工智能的决策效果;技术成熟度问题：目前的人工智能技术可能还无法完全理解和应对复杂的服装设计和制造过程;以及网络安全和隐私问题等。

目前服装行业使用的人工智能算法偏旧，尤其是以Transformer为代表的最新AI模型已为其他行业带来革命性变化，但服装行业中却很少使用。如Generative Pre-trained Transformer （GPT）系列是Transformer架构的一种应用，它在无监督学习中表现出色，可以生成高质量的文本。在推荐系统中，大型语言模型（LLM）能够结合用户的历史行为和偏好，提供个性化的推荐服务;多行为推荐大模型能够分析用户的多种交互行为，以更准确地捕捉用户的需求和意图。它们在实时推荐场景中尤为重要，但分析多种行为序列的关联性或转换关系也带来了新的挑战。最新人工智能模型在服装行业的应用展现出巨大潜力，但同时也面临着技术挑战和实施难度。随着技术的不断发展，这些模型有望在服装行业中发挥更大的作用，推动行业的数字化转型。

人工智能在服装产品生命周期管理（PLM）中的应用虽然存在一些问题和挑战，但AI与服装产品生命周期管理（PLM）的融合是不可避免的，机会与挑战共存。未来的研究可以从服装产品生命周期管理（PLM）中各环节数据和设计协同的方向入手，使用更加先进的人工智能技术，以实现企业对服装产品更集中、可持续、高效地管理。因此，服装企业与AI研究人员需要紧密合作，这些问题和挑战才能得以解决，人工智能将为服装行业带来更大的发展机遇。

参考文献：

［1］ANDRESEN S L. John McCarthy： Father of AI［J］. IEEE Intelligent Systems， 2002， 17（5）： 84-85.

［2］TAO F， QI Q L. New IT driven service-oriented smart manufacturing： Framework and characteristics［J］. IEEE Transactions on Systems， Man， and Cybernetics： Systems， 2019， 49（1）： 81-91.

［3］TAO F， ZHANG L， LIU Y K， et al. Manufacturing service management in cloud manufacturing： Overview and future research directions［J］. Journal of Manufacturing Science and Engineering， 2015， 137（4）： 40912.

［4］WEBER C， WERNER H， DEUBEL T. A different view on product data management/product life-cycle management and its future potentials［J］. Journal of Engineering Design， 2003， 14（4）： 447-464.

［5］D’AVOLIO E， PINNA C， BANDINELLI R， et al. Analysing product development process and PLM features in the food and fashion industries［C］//14^th IFIP WG 5.1 International Conference. Seville： PLM 2017， 2017： 509-521.

［6］MCCANN M T， JIN K H， UNSER M. Convolutional neural networks for inverse problems in imaging： A review［J］. IEEE Signal Process Magazine， 2017， 34（6）： 85-95.

［7］AHMED A， JALAL A， RAFIQUE A A. Salient segmentation based object detection and recognition using hybrid genetic transform［C］//2019 International Conference on Applied and Engineering Mathematics （ICAEM）. Taxila： IEEE， 2019： 203-208.

［8］GARCA-FERNNDEZ A F， SVENSSON L， MORELANDE M R. Multiple target tracking based on sets of trajectories［J］. IEEE Transactions on Aerospace and Electronic Systems， 2020， 56（3）： 1685-1707.

［9］LIU X L， DENG Z D， YANG Y H. Recent progress in semantic image segmentation［J］. Artificial Intelligence Review， 2019（52）： 1089-1106.

［10］LI R F， LU W C， LIANG H Y， et al. Multiple features with extreme learning machines for clothing image recognition［J］. IEEE Access， 2018（6）： 36283-36294.

［11］KAUR N， PANDEY S. Predicting clothing attributes with CNN and SURF based classification model［J］. Multimedia Tools and Applications， 2023， 82（7）： 10681-10701.

［12］张怡， 侯珏， 刘正. 基于循环Faster R-CNN的衬衫领型精确识别［J］. 西安工程大学学报， 2022， 36（4）： 10-18.

ZHANG Y， HOU J， LIU Z， et al. Accurate recognition of shirt collar type based on recurrent Faster R-CNN［J］. Journal of Xi’an Polytechnic University， 2022， 36（4）： 10-18.

［13］SU Z， GUO J M， ZHANG G W， et al. Conditional progressive network for clothing parsing［J］. IET Image Processing， 2019， 13（4）： 556-565.

［14］SAINATH T N， WEISS R J， WILSON K W， et al. Multichannel signal processing with deep neural networks for automatic speech recognition［J］. Ieee/Acm Transactions on Audio， Speech， and Language Processing， 2017， 25（5）： 965-979.

［15］LI X R， YE Z L， ZHANG Z， et al. Clothes image caption generation with attribute detection and visual attention model［J］. Pattern Recognit Letters， 2021（141）： 68-74.

［16］闻力生. 人工智能在服装智能制造中的应用［J］. 纺织高校基础科学学报， 2020， 33（2）： 30-36.

WEN L S. Application of artificial intelligence in garment intelligent manufacturing［J］. Basic Sciences Journal of Textile Universities， 2020， 33（2）： 30-36.

［17］申宇， 杨妍雯， 陈佳珍， 等. 基于MLP神经网络的女大学生头面部号型归档与预测［J］. 丝绸， 2022， 59（7）： 56-63.

SHEN Y， YANG Y W， CHEN J Z， et al. Head and face shape classification and type prediction of female college students based on MLP neural network［J］. Journal of Silk， 2022， 59（7）： 56-63.

［18］CHEN J C， LIU C F. Deep net architectures for visual-based clothing image recognition on large database［J］. Soft Computing， 2017， 21（11）： 2923-2939.

［19］AN H， KIM S， CHOI Y. Sportive fashion trend reports： A hybrid style anY/V67tcK2xIQjfCspjFQQRtGfwO9cxBlpxLntQqQGmw=alysis based on deep learning techniques［J］. Sustainability， 2021， 13（17）： 9530.

［20］KUMAR S. Deep learning based affective computing［J］. Journal of Enterprise Information Management， 2021， 34（5）： 1551-1575.

［21］ZHAN H J， LIN J， AK K E， et al. A3-FKG： Attentive attribute-aware fashion knowledge graph for outfit preference prediction［J］. IEEE Trans Multimedia， 2022（24）： 819-831.

［22］LING X， HONG Y， PAN Z J. Development of a dress design knowledge base （DDKB） based on sensory evaluation and fuzzy logic［J］. International Journal of Clothing Science and Technology， 2021， 33（1）： 137-149.

［23］GIRI C， THOMASSEY S， ZENG X Y. Exploitation of social network data for forecasting garment sales［J］. International Journal of Computational Intelligence Systems， 2019， 12（2）： 1423-1435.

［24］YUAN S Q， ZHONG L， LI L. WhatFits-Deep learning for clothing collocation［C］//2020 7^th International Conference on Behavioural and Social Computing （BESC）. Bournemouth： IEEE， 2020： 1-4.

［25］TAKEHARA D， HARAKAWA R， OGAWA T， et al. Extracting hierarchical structure of content groups from different social media platforms using multiple social metadata［J］. Multimedia Tools and Applications， 2017， 76（19）： 20249-20272.

［26］NOUINOU H， ASADOLLAHI Y E， BARET I， et al. Decision-making in the context of Industry 4.0： Evidence from the textile and clothing industry［J］. Journal of Cleaner Production， 2023（391）： 136184.

［27］LIN H， NI L S， PHUONG C， et al. Natural language processing for radiation oncology： Personalizing treatment pathways［J］. Pharmacogenomics and Personalized Medicine， 2024（17）： 65-76.

［28］ALSAADAWI H F T， DAS B， DAS R. TAC-Trimodal affective computing： Principles， integration process， affective detection， challenges， and solutions［J］. Displays， 2024（83）： 102731.

［29］CHANG Y H， ZHANG Y Y. Deep learning for clothing style recognition using YOLOv5［J］. Micromachines， 2022， 13（10）： 1678.

［30］BADILLO S， BANFAI B， BIRZELE F， et al. An introduction to machine learning［J］. Clinical Pharmacology & Therapeutics， 2020， 107（4）： 871-885.

［31］FLORIO P， LEDUC T， SUTTER Y， et al. Visual complexity of urban streetscapes： Human vs computer vision［J］. Machine Vision and Applications， 2024， 35（1）： 7.

［32］BARTSCHAT A， REISCHL M， MIKUT R. Data mining tools［J］. WIREs Data Mining and Knowledge Discovery， 2019， 9（4）： 1309.

［33］SIDDIQUI Z A， PARK U. Progressive convolutional neural network for incremental learning［J］. Electronics， 2021， 10（16）： 1879.

［34］SHARMA P S， YADAV D， THAKUR R N. Web page ranking using web mining techniques： A comprehensive survey［J］. Mobile Information Systems， 2022， 2022： 7519573.

［35］MUNUSWAMY S， SARANYA M S， GANAPATHY S， et al. Sentiment analysis techniques for social media-based recommendation systems［J］. National Academy Science Letters， 2021， 44（3）： 281-287.

［36］AL AHMADI S， MUHAMMAD F， AL DAWSARI H. Enhancing arabic sign language interpretation： Leveraging convolutional neural networks and transfer learning［J］. Mathematics， 2024， 12（6）： 823.

［37］KHARFAN M， CHAN V W K， EFENDIGIL T F. A data-driven forecasting approach for newly launched seasonal products by leveraging machine-learning approaches［J］. Annals of Operations Research， 2021， 303（1/2）： 159-174.

［38］ZHANG J J， ZENG X Y， DONG M， et al. A new consumer profile definition method based on fuzzy technology and fuzzy AHP［J］. Autex Research Journal， 2022， 22（2）： 208-216.

［39］DONATI L， IOTTI E， MORDONINI G， et al. Fashion product classification through deep learning and computer vision［J］. Applied Sciences， 2019， 9（7）： 1385.

［40］PERONI S， VITALI F. Interfacing fast-fashion design industries with Semantic Web technologies the case of imperial fashion［J］. Web Semantics： Science， Services and Agents on the World Wide Web， 2017（44）： 37-53.

［41］JAIN S， KUMAR V. Garment categorization using data mining techniques［J］. Symmetry， 2020， 12（6）： 984.

［42］LOUREIRO A L D， MIGUIS V L， DA SILVA L F M. Exploring the use of deep neural networks for sales forecasting in fashion retail［J］. Decision Support Systems， 2018（114）： 81-93.

［43］ZHOU X X， MENG J F， WANG G S， et al. A demand forecasting model based on the improved bass model for fast fashion clothing［J］. International Journal of Clothing Science and Technology， 2021， 33（1）： 106-121.

［44］石闻达， 杜劲松， 李笛出乘. 基于层次化多模态注意力机制循环神经网络的服装新品销售预测（英文）［J］. 东华大学学报（英文版）， 2024， 41（1）： 21-27.

SHI W D， DU J S， LI D C C. Sales forecasting of new clothing products based on hierarchical multi-modal attention recurrent neural network［J］. Journal of Donghua University （English Edition）， 2024， 41（1）： 21-27.

［45］CHEN X， WANG D Y， GAO Y T， et al. Analysis of marketing forecasting model based on genetic neural networks： Taking clothing marketing as an example［J］. Wireless Communications and Mobile Computing， 2022， 2022： 10.

［46］HONG Y， CAO X C， CHEN Y， et al. A conceptual wearable monitoring system for physiological indices and clothing microclimate measurement［J］. International Journal of Clothing Science and Technology， 2019， 31（3）bb38843692227addcc50ddd6286cd1f7： 318-325.

［47］DAI Y Q， CHEN Y Y， GU W， et al. Color identification method for fashion runway images： An experimental study［J］. Color Research & Application， 2022， 47（5）： 1163-1176.

［48］BURNS A. Rethinking fabric： The application of fabric manipulation techniques in fashion design education［J］. International Journal of Art & Design Education， 2022， 41（1）： 66-80.

［49］YUM M. Digital image color analysis method to extract fashion color semantics from artworks［J］. Multimedia Tools and Applications， 2023， 82（11）： 17115-17133.

［50］BASOLE R C， MAJOR T. Generative AI for visualization： Opportunities and challenges［J］. IEEE Computer Graphics and Applications， 2024， 44（2）： 55-64.

［51］EGRIOGLU E， BAS E. A new deep neural network for forecasting： Deep dendritic artificial neural network［J］. Artificial Intelligence Review， 2024， 57（7）： 171.

［52］SAMANTARAY S， SAHOO A. Prediction of flow discharge in mahanadi River Basin， India， based on novel hybrid SVM approaches［J］. Environment Development and Sustainability， 2024， 26（7）： 18699-18723.

［53］BHATT D， PATEL C， TALSANIA H， et al. CNN variants for computer vision： History， architecture， application， challenges and future scope［J］. Electronics， 2021， 10（20）： 2470.

［54］HONG Y， ZENG X Y， WANG Y Y， et al. CBCRS： An open case-based color recommendation system［J］. Knowledge-Based Systems， 2018（141）： 113-128.

［55］ZENG W， ZHAO M B， GAO Y， et al. TileGAN： category-oriented attention-based high-quality tiled clothes generation from dressed person［J］. Neural Computing and Applications， 2020， 32（23）： 17587-17600.

［56］TAO R， GUO Q. Artificial intelligence technology driven environmental factors extraction and analysis method in traditional clothing handicraft［J］. Journal of Environmental and Public Health， 2022， 2023： 9.

［57］THWE Y， JONGSAWAT N， TUNGKASTHAN A. A semi-supervised learning approach for automatic detection and fashion product category prediction with small training dataset using FC-YOLOv4［J］. Applied Sciences， 2022， 12（16）： 8068.

［58］CHEN X L， DENG Y， DI C， et al. High-accuracy clothing and style classification via multi-feature fusion［J］. Applied Sciences， 2022， 12（19）： 10062.

［59］ZHAI Y， XUAN N J， SHI H L， et al. Research on the i0ee8a448c1fe5b4a918539e69ce7a048023c32665234952185ec52389eb743e4ntegration method of character costume culture in Dunhuang Murals based on deep learning algorithm［J］. International Journal of Antennas and Propagation， 2022， 2023： 7.

［60］SHI M Y， CHUSSID C， YANG P Y， et al. The exploration of artificial intelligence application in fashion trend forecasting［J］. Textile Research Journal， 2021， 91（19/20）： 2357-2386.

［61］PAPADOPOULOS S I， KOUTLIS C， PAPADOPOULOS S， et al. Multimodal quasi-autoRegression： Forecasting the visual popularity of new fashion products［J］. International Journal of Multimedia Information Retrieval， 2022， 11（4）： 717-729.

［62］NEZHAD N M， MIRTAHERI S L， SHAHBAZIAN R. Popular image generation based on popularity measures by generative adversarial networks［J］. Multimedia Tools and Applications， 2023， 82（14）： 20873-20897.

［63］ZHU X J， LI X F， CHEN Y F， et al. Interactive genetic algorithm based on typical style for clothing customization［J］. Journal of Engineered Fibers and Fabrics， 2020（15）： 155892502092003.

［64］AVADANEI M， ROSCA M， VATRA A D， et al. Geometric developments in functional clothing［J］. Industria Textila Journal， 2024， 75（1）： 111-117.

［65］LASHIN M M A， KHAN M I， BEN KHEDHER N， et al. Optimization of display window design for females’ clothes for fashion stores through artificial intelligence and fuzzy system［J］. Applied Sciences， 2022， 12（22）： 11594.

［66］LI Y. Application and development of computer-aided design methods in clothing design under the environment of internet of things［J］. Mobile Information Systems， 2022， 2022： 1-9.

［67］LIU F Q， XU M K， LI G Q， et al. Adversarial symmetric GANs： Bridging adversarial samples and adversarial networks［J］. Neural Networks， 2021（133）： 148-156.

［68］MUN H， YOON G J， SONG J， et al. Texture preserving photo style transfer network［J］. IEEE Transactions on Multimedia， 2022（24）： 3823-3834.

［69］CAPO M， PEREZ A， ANTONIO J A. An efficient split-merge re-start for the K-means algorithm［J］. IEEE Transactions on Knowledge and Data Engineering， 2022， 34（4）： 1618-1627.

［70］HONG Y， ZENG X Y， BRUNIAUX P， et al. Development of a new knowledge-based fabric recommendation system by integrating the collaborative design process and multi-criteria decision support［J］. Textile Research Journal， 2018， 88（23）： 2682-2698.

［71］KOTOUZA M T， KYPRIANIDIS A C， TSAROUCHIS S F， et al. Science4Fashion： An end-to-end decision support system for fashion designers［J］. Evolving Systems， 2021， 12（3）： 605-624.

［72］LI Y C， CAO L L， ZHU J， et al. Mining fashion outfit composition using an end-to-end deep learning approach on set data［J］. IEEE Transactions on Multimedia， 2017， 19（8）： 1946-1955.

［73］CHEN H， LEI S， ZHANG S G， et al. Man-algorithm cooperation intelligent design of clothing products in multi links［J］. Fibres and Textiles in Eastern Europe， 2022， 30（1）： 59-66.

［74］DENG H J， LIU M L. Personalized smart clothing design based on multimodal visual data detection［J］. Computational Intelligence and Neuroscience， 2022， 2022： 12.

［75］HU T， XIAO C X. Data-driven main color map feature learning， design and simulation for smart ethnic cloth［J］. Future Generation Computer Systems， 2019（97）： 153-164.

［76］沈雷， 陈涵. 基于形状文法的传统云纹服饰图案创新设计［J］. 针织工业， 2024（3）： 66-71.

SHEN L， CHEN H. Innovative design of traditional cloud pattern dress pattern based on shape grammar［J］. Knitting Industries， 2024（3）： 66-71.

［77］WU Q， ZHU B X， YONG B B， et al. ClothGAN： generation of fashionable Dunhuang clothes using generative adversarial networks［J］. Connection Science， 2021， 33（2）： 341-358.

［78］WANG Z J， XING Y M， WANG J P， et al. A knowledge-supported approach for garment pattern design using fuzzy logic and artificial neural networks［J］. Multimedia Tools and Applications， 2022， 81（14）： 19013-19033.

［79］顾冰菲， 张健， 徐凯忆， 等. 复杂背景下人体轮廓及其参数提取［J］. 纺织学报， 2023， 44（3）： 168-175.

GU B F， ZHANG J， XU K Y， et al. Human contour and parameter extraction from complex background［J］. Journal of Textile Research， 2023， 44（3）： 168-175.

［80］KIM S， MOON H， OH J， et al. Automatic measurements of garment sizes using computer vision deep learning models and point cloud data［J］. Applied Sciences， 2022， 12（10）： 5286.

［81］SONG X W， SONG X L， YANG L， et al. Body size measurement based on deep learning for image segmentation by binocular stereovision system［J］. Multimedia Tools and Applications， 2022， 81（29）： 42547-42572.

［82］LIU K X， WANG J P， KAMALHA E， et al. Construction of a prediction model for body dimensions used in garment pattern making based on anthropometric data learning［J］. Journal of The Textile Institute， 2017， 108（12）： 2107-2114.

［83］WANG Z J， WANG J P， ZENG X Y， et al. Prediction of garment fit level in 3D virtual environment based on artificial neural networks［J］. Textile Research Journal， 2021， 91（15/16）： 1713-1731.

［84］JI Y， JIANG G M. Garment customization big data-processing and analysis in optimization design［J］. Journal of Engineered Fibers and Fabrics， 2020（15）： 9250.

［85］LI X H， LI G Q， LI T C， et al. Design of a multi-sensor information acquisition system for mannequin reconstruction and human body size measurement under clothes［J］. Textile Research Journal， 2022， 92（19/20）： 3750-3765.

［86］聂梓萌， 杜劲松， 朱建龙， 等. 基于仿真区域性数据的服装团体定制归号机制［J］. 纺织学报， 2023， 44（5）： 191-197.

NIE Z M， DU J S， ZHU J L， et al. Garment group customization sizing mechanism based on simulated size data［J］. Journal of Textile Research， 2023， 44（5）： 191-197.

［87］HONG Y， JIANG Z H， GUO S， et al. Modeling of the human cognition for the metaverse-oriented design system development［C］//First International Symposium， SAIDD 2023. Sogndal： Springer Nature Switzerland AG， 2023： 65-79.

［88］HONG Y， BRUNIAUX P， ZENG X Y， et al. Virtual reality-based collaborative design method for designing customized garment for disabled people with scoliosis［J］. Internatinal Journal of Clothing Science and Technology， 2017， 29（2）： 226-237.

［89］SHARMA S， KOEHL L， BRUNIAUX P， et al. Development of an intelligent data-driven system to recommend personalized fashion design solutions［J］. Sensors， 2021， 21（12）： 4239.

［90］周洁， 沈雷， 任祥放， 等. 基于数字技术工具比较的复杂结构女装设计［J］. 毛纺科技， 2024， 52（1）： 76-84.

ZHOU J， SHEN L， REN X F， et al. Design of wome’s wear with complex structure based on digital technology tool comparison［J］. Wool Textile Journal， 2024， 52（1）： 76-84.

［91］CASADO-ELVIRA A， TRINIDAD M C， CASAS D. PERGAMO： Personalized 3D garments from monocular video［J］. Computer Graphics Forum， 2022， 41（8）： 293-304.

［92］DAI X Q， HONG Y. Fabric mechanical parameters for 3D cloth simulation in apparel CAD： A systematic review［J］. Computer-Aided Design， 2024（167）： 103638.

［93］BIAU G， SCORNET E. A random forest guided tour［J］. Test， 2016， 25（2）： 197-227.

［94］BAGHDADI R， ALIBI H， FAYALA F， et al. Investigation on stiffness of finished stretch plain knitted fabrics using fuzzy decision trees and artificial neural networks［J］. Fibers and Polymers， 2021， 22（2）： 550-558.

［95］HONG Y， WU T Y， ZENG X Y， et al. Knowledge-based open performance measurement system （KBO-PMS） for a garment product development process in big data environment［J］. IEEE Access， 2019， 7： 129910-129929.

［96］HE Z L， TRAN K P， THOMASSEY S， et al. A deep reinforcement learning based multi-criteria decision support system for optimizing textile chemical process［J］. Computers in Industry， 2021（125）： 103373.

［97］WANG F， KYOUNG K J. Leather defect detection method in clothing design based on TDENet［J］. IEEE Access， 2023（11）： 104890-10904.

［98］杜婷婷， 赵健， 杨斐斐， 等. 基于风格意象的服装搭配规则挖掘［J］. 现代丝绸科学与技术， 2024， 39（2）： 25-30.

DU T T， ZHAO J， YANG F F， et al. Mining outfit matching rules based on stylistic imagery［J］. Modern Silk Science & Technology， 2024， 39（2）： 25-30.

［99］LIU J H， SONG X M， CHEN Z M， et al. Neural fashion experts： I know how to make the complementary clothing matching［J］. Neurocomputing， 2019（359）： 249-263.

［100］ZHOU D L， ZHANG H J， YANG K， et al. Learning to synthesize compatible fashion items using semantic alignment and collocation classification： An outfit generation framework［J］. IEEE Transactions on Neural Networks and Learning Systems， 2022， 35（4）： 5226-5240.

［101］DAI J Y， DAI H Y， WANG J X， et al. Children’s clothing virtual simulation immersive design and show based on machine learning［J］. Mobile Information Systems， 2021， 2021： 9.

［102］KULINSKA M， ABTEW M A， BRUNIAUX P， et al. Block pattern design system using 3D zoning method on digital environment for fitted garment［J］. Textile Research Journal， 2022， 92（23/24）： 4978-4993.

［103］ZHANG M， WANG T F Y， CEYLAN D， et al. Dynamic neural garments［J］. ACM Transactions on Graphics， 2021， 40（6）： 235.

［104］HONG Y， GE Y M. Design and analysis of clothing catwalks taking into account unity’s immersive virtual reality in an artificial intelligence environment［J］. Comput Intell Neurosci， 2022， 2022： 12.

［105］ZHANG P Y， WANG C， JIANG C X， et al. Deep reinforcement learning assisted federated learning algorithm for data management of IIoT［J］. IEEE Transactions on Industrial Informatics， 2021， 17（12）： 8475-8484.

［106］TSAO Y C， VU T L， LIAO L W. Hybrid heuristics for the cut ordering planning problem in apparel industry［J］. Computers & Industrial Engineering， 2020（144）： 106478.

［107］YAN H， DU X M， XU L， et al. Toward intelligent clothes manufacturing： a systematic method for static and dynamic task allocation by genetic optimization［J］. Neural Computing and Applications， 2022， 34（10）： 7881-7897.

［108］盛玥曦， 侯珏， 杨阳， 等. 基于先验算法的服装生产流水线设计优化［J］. 浙江理工大学学报（自然科学）， 2024， 51（3）： 337-346.

SHENG Y X， HOU J， YANG Y， et al. Optimization of garment production line design based on the apriori algorithm［J］. Journal of Zhejiang Sci-Tech University （Natural Sciences）， 2024， 51（3）： 337-346.

［109］WANG X M， ZHAO J， JIANG X， et al. Learning-Based fabric folding and box wrapping［J］. IEEE Robotics and Automation Letters， 2022， 7（2）： 5703-5710.

［110］LIU Q， LI J Y. The progress of business analytics and knowledge management for enterprise performance using artificial intelligence and man-machine coordination［J］. Journal of Global Information Management， 2022， 30（11）： 1-21.

［111］KU S B Y， CHOI H， KIM H Y， et al. Automated sewing system enabled by machine vision for smart garment manufacturing［J］. IEEE Robotics and Automation Letters， 2023， 8（9）： 5680-5687.

［112］刘正， 吴诗豪， 侯珏， 等. 基于数据增强和改进卷积神经网络的织物纬斜检测［J］. 服装学报， 2023， 8（5）： 391-399.

LIU Z， WU S H， HOU J， et al. Fabric skewing detection based on data augmentation and improved convolutional neural network［J］. Journal of Clothing Research， 2023， 8（5）： 391-399.

［113］ELBOQ R， FRI M， HLYAL M， et al. Modeling lean and six sigma integration using deep learning： Applied to a clothing company［J］. Autex Research Journal， 2021， 23（1）： 1-10.

［114］LEE Y K. Transformation of the innovative and sustainable supply chain with upcoming real-time fashion systems［J］. Sustainability， 2021， 13（3）： 1081.

［115］NOH S K. Recycled clothing classification system using intelligent IoT and deep learning with AlexNet［J］. Comput Intell Neurosci， 2021， 2021： 8.

［116］GU X L， HUANG J， WONG Y K， et al. PAINT： Photo-realistic fashion design synthesis［J］. ACM Transactions on Multimedia Computing， Communications， and Applications， 2024， 20（2）： 48.

［117］NOH S K. Deep learning system for recycled clothing classification linked to cloud and edge computing［J］. Comput Intell Neurosci， 2022， 2022： 9.

［118］WANG X Y， XUE Y F， ZHANG J， et al. A sustainable supply chain design for personalized customization in industry 5.0 Era［J］. IEEE Transactions on Industrial Informatics， 2024， 20（6）： 8786-8797.

［119］金鹏， 薛哲彬， 江润恬， 等. 基于区块链技术的服装可追溯系统设计与实现［J］. 丝绸， 2021， 58（5）： 62-69.

JIN P， XUE Z B， JIANG R T， et al. Design and implementation of blockchain technology-based clothing traceability system［J］. Journal of Silk， 2021， 58（5）： 62-69.

［120］KIM J， HWANGBO H. Stochastic control and optimization in retail distribution： An empirical study of a Korean fashion company［J］. Journal of The Textile Institute， 2019， 110（2）： 223-233.

［121］LUU H， FERREIRA F， MARQUES A. Digitisation and Industry 4.0 in the Portuguese T&C sector［J］. Industria Textila， 2019， 70（4）： 342-345.

［122］KHALILI N A， TAVANA M， ALAVI B， et al. A novel fuzzy multi-objective circular supplier selection and order allocation model for sustainable closed-loop supply chains［J］. Journal of Cleaner Production， 2021（287）： 124994.

［123］EL-AWADY A， PONNAMBALAM K. Integration of simulation and Markov chains to support Bayesian networks for probabilistic failure analysis of complex systems［J］. Reliability Engineering & System Safety， 2021（211）： 107511.

［124］DU C H， YU F， JIANG M H， et al. VTON-SCFA： A virtual try-on network based on the semantic constraints and flow alignment［J］. IEEE TMDCoH7/Zn6X+vCm7i70cDDB5K7x/v7FSsBjljCYaEEo=ransactions on Multimedia， 2023（25）： 777-791.

［125］WANG L C， ZENG X Y， KOEHL L， et al. Intelligent fashion recommender system： Fuzzy logic in personalized garment design［J］. IEEE Transactions on Human-Machine Systems， 2015， 45（1）： 95-109.

［126］ZHANG J J， ZENG X Y， DONG M， et al. Garment recommendation in an e-shopping environment by using a Markov Chain and Complex Network integrated method［J］. Textile Research Journal， 2021， 91（23/24）： 2950-2961.

［127］CHEN Q S， CAI S S， GU X M. Construction of the luxury marketing model based on machine learning classification algorithm［J］. Scientific Programming， 2021， 2023（1）： 1-11.

［128］ZHANG T T， WANG W Y C， CAO L， et al. The role of virtual try-on technology in online purchase decision from consumers’ aspect［J］. Internet Research， 2019， 29（3）： 529-551.

［129］LIU Y， CHEN W， LIU L， et al. SwapGAN： A multistage generative approach for person-to-person fashion style transfer［J］. IEEE Transactions on Multimedia， 2019， 21（9）： 2209-2222.

［130］SHI M， WEI Y K， CHEN L， et al. Learning a shared deformation space for efficient design-preserving garment transfer［J］. Graphical Models， 2021（115）： 101106.

［131］HEINONEN K， LIPKIN M. Ordinary customer experience： Conceptualization， characterization， and implications［J］. Psychology & Marketing， 2023， 40（9）： 1720-1736.

［132］叶倩琳， 王万良， 王铮. 多目标粒子群优化算法及其应用研究综述［J］. 浙江大学学报（工学版）， 2024， 58（6）： 1107-1120.

YE Q L， WANG W L， WANG Z. Survey of multi-objective particle swarm optimization algorithms and their applications［J］. Journal of Zhejiang University （Engineering Science）， 2024， 58（6）： 1107-1120.

［133］MIAO Y W， LI G Y， BAO C， et al. ClothingNet： Cross-domain clothing retrieval with feature fusion and quadruplet loss［J］. IEEE Access， 2020（8）： 142669-142679.

［134］李祥宇， 隋璘， 熊伟丽. 基于自注意力机制与卷积ONLSTM网络的软测量算法［J］. 智能系统学报， 2023， 18（5）： 957-965.

LI X Y， SUI L， XIONG W L. Soft sensor algorithm based on self-attention mechanism andconvolutional ONLSTM network［J］. CAAI Transactions on Intelligent Systems， 2023， 18（5）： 957-965.

［135］DANESHMAND M， ABELS A， ANBARJAFARI G. Real-time， automatic digi-tailor mannequin robot adjustment based on human body classification through supervised learning［J］. International Journal of Advanced Robotic Systems， 2017， 14（3）： 643-650.

［136］HASHMI M F， ASHISH B K K， KESKAR A G， et al. FashionFit： Analysis of mapping 3D pose and neural body fit for custom virtual try-on［J］. IEEE Access， 2020（8）： 91603-91615.

［137］GHODHBANI H， NEJI M， QAHTANI A M， et al. Dress-up： Deep neural framework for image-based human appearance transfer［J］. Multimedia Tools and Applications， 2022， 82（15）： 21-28.

［138］陆寅雯， 侯珏， 杨阳， 等. 基于姿态嵌入机制和多尺度注意力的单张着装图像视频合成［J］. 纺织学报， 2024， 45（7）： 165-172.

LU Y W， HOU J， YANG Y， et al. Single dress image video synthesis based on pose embedding and multi-scale attention［J］. Journal of Textile Research， 2024， 45（7）： 165-172.

［139］张晓婷， 陆菁， 刘渊， 等. VR交互体验中沉浸感与舒适度的平衡设计［J］. 包装工程， 2021， 42（12）： 91-97.

ZHANG X T， LU J， LIU Y， et al. Balance design of immersion and comfort in virtual reality technology［J］. Packaging Engineering， 2021， 42（12）： 91-97.

［140］CHUN Y T， WANG C S， HE M K. A novel clothing attribute representation network-based self-attention mechanism［J］. IEEE Access， 2020（8）： 201762-201769.

［141］JO J， LEE S， LEE C， et al. Development of fashion product retrieval and recommendations model based on deep learning［J］. Electronics， 2020， 9（3）： 508.

［142］LEE C H， LIN C W. A two-phase fashion apparel detection method based on YOLOv4［J］. Applied Sciences， 2021， 11（9）： 3782.

［143］BAO C， ZHANG X D， CHEN J Z， et al. MMFL-net： Multi-scale and multi-granularity feature learning for cross-domain fashion retrieval［J］. Multimedia Tools and Applications， 2022， 82（24）： 37905-37937.

［144］JING P G， ZHANG J， NIE L Q， et al. Tripartite graph regularized latent low-rank representation for fashion compatibility prediction［J］. IEEE Transactions Multimedia， 2022（24）： 1277-1287.

［145］ALZU’BI A， YOUNIS L B， MADAIN A. An interactive attribute-preserving fashion recommendation with 3D image-based virtual try-on［J］. International Journal of Multimedia Information Retrieval， 2023， 12（2）： 1-15.

［146］WEI L， WANG X T， WANG T， et al. Recommendation systems for the metaverse［J］. Blockchains， 2023， 1（1）： 19-33.

［147］VURUSKAN A， INCE T， BULGUN E， et al. Intelligent fashion styling using genetic search and neural classification［J］. International Journal of Clothing Science and Technology， 2015， 27（2）： 283-301.

［148］ZHANG J J， ZENG X Y， DONG M， et al. Garment knowledge base development based on fuzzy technology for recommendation system［J］. Industria Textila， 2020， 71（5）： 421-426.

［149］YUAN Y， HUH J H. A case sudy analysis of clothing shopping mall for customer design participation service and development of customer editing user interface［J］. Mobile Information Systems， 2018， 2018： 19.

Progress in the application of artificial intelligence technology in the garment industryfrom the perspective of product life cycle

ZHANG Chi， WANG Xiangrong

HONG Yan^1，2， YUAN Lin1， LI Mengxue1， ZHANG Yawen1

（1.School of Textile and Garment Engineering， Soochow University， Suzhou 215021， China; 2.Department of Computer Science，The Hong Kong Polytechnic University， Hong Kong 9990771， China）

Abstract： The traditional garment industry is confronted with numerous challenges， including escalating labor costs， inadequate design innovation， and suboptimal supply chain management. These issues primarily arise from the labor-intensive characteristics of the garment sector and its significant reliance on human resources. As globalization continues to influence market dynamics， companies are increasingly pressured to maintain competitive pricing while ensuring high-quality products that meet consumer demands for sustainability and ethical production practices.

Artificial intelligence （AI）， a technology that emulates human cognitive functions and can substantially replace manual operations， has been extensively adopted in the apparel industry—particularly in enhancing efficiency across clothing design， production processes， sales strategies， and managing manufacturing costs. AI applications range from predictive analytics that forecast fashion trends based on consumer behavior data to automated cutting machines that optimize fabric usage during production. Furthermore， machine learning algorithms can analyze vast datasets to identify patterns in customer preferences or inventory levels， enabling businesses to make informed decisions regarding stock management.

Nevertheless， a comprehensive examination of AI’s application within the clothing domain remains lacking. While some studies have explored specific use cases of AI technologies such as computer vision for quality control or chatbots for customer service enhancement， there is still a gap in understanding how these innovations interconnect throughout various stages of product development.

Apparel product lifecycle management （PLM） serves as an integrated management solution that encompasses design， manufacturing processes， distribution channels， and sales strategies to assist companies in tracking and overseeing their apparel product lifecycle effectively. By integrating PLM systems with AI capabilities like real-time data analysis and automation tools， organizations can streamline workflows significantly—from initial concept development through final retail delivery.

Consequently， this paper aims to thoroughly investigate the specific applications of artificial intelligence at each stage of apparel product lifecycles through two lenses： application scenarios and algorithms; it will analyze both the current state and liqX1Lw2m/JCucPcTlLH6HeA==mitations of existing research with the intention of providing insights for scholars in related fields while fostering transformation and advancement within the garment industry to enhance its competitiveness. This exploration will not only highlight successful case studies but also address potential barriers such as technological adoption rates among small enterprises or concerns regarding data privacy when utilizing consumer information for algorithm training purposes.

Key words： product lifecycle management; clothing industry; artificial intelligence; supply chain; deep learning; marketing