KR20210012493A - A System Providing Auto Revision of Pattern with Artificial Neural Network - Google Patents
A System Providing Auto Revision of Pattern with Artificial Neural Network Download PDFInfo
- Publication number
- KR20210012493A KR20210012493A KR1020190090328A KR20190090328A KR20210012493A KR 20210012493 A KR20210012493 A KR 20210012493A KR 1020190090328 A KR1020190090328 A KR 1020190090328A KR 20190090328 A KR20190090328 A KR 20190090328A KR 20210012493 A KR20210012493 A KR 20210012493A
- Authority
- KR
- South Korea
- Prior art keywords
- pattern
- subject
- automatic
- pants
- neural network
- Prior art date
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
- A61B5/1076—Measuring physical dimensions, e.g. size of the entire body or parts thereof for measuring dimensions inside body cavities, e.g. using catheters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0062—Arrangements for scanning
- A61B5/0064—Body surface scanning
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
- A61B5/1079—Measuring physical dimensions, e.g. size of the entire body or parts thereof using optical or photographic means
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Radiology & Medical Imaging (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
Description
본 발명은 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템에 관한 것으로서, 보다 상세하게 설명하면 인체 스캔데이터로부터 인체 치수를 획득한 후, 파라메트릭 패턴을 통해 자동 생성된 패턴과 1:1 인체 스캔 데이터를 이용한 드레이프 시뮬레이터를 통해 좋은 맞음새가 확보될 때까지 형상을 확인하면서 패턴을 변형 가능케 함과 동시에 자동으로 패턴 보정을 가능케 한 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템에 관한 것이다.The present invention relates to a system for automating body type classification and automatic pattern correction using an artificial neural network, and in more detail, after acquiring human body dimensions from human body scan data, a 1:1 human body scan with a pattern automatically generated through a parametric pattern The present invention relates to a body type classification automation and pattern automatic correction system using an artificial neural network that enables pattern correction while checking the shape until good fit is secured through a drape simulator using data.
최근 의류산업은 소비자의 생활수준이 향상되고 의복을 통한 자아실현의 욕구가 커짐에 따라 고객의 요구가 세분화되고 기술적 진보가 진행되면서 생산자 중심의 대량생산 방식에서 매스 커스터마이제이션(Mass Customization) 생산방식으로의 패러다임 변화를 겪고 있다. In the recent apparel industry, as consumers' living standards have improved and their desire for self-realization through clothing has grown, customers' needs have been subdivided and technological progress has progressed, and as a result, the mass production method centered on producers has shifted from mass customization to mass customization. It is undergoing a paradigm shift.
의복은 개인의 맞음새가 매우 중요한 제품임에도 불구하고 대량생산방식에서 기성복은 비용의 감소를 위해 표준체형을 대상으로 패턴과 사이즈 체계가 결정되므로 모든 개인 구매자가 완벽한 맞음새의 의복을 찾는 것이 거의 불가능하다. 생산 효율의 극대화를 위해 비교적 획득이 쉽고 활용이 용이한 인체 크기 치수를 비례적으로 축소하거나 확대하여 제작된 기성복은 체형의 형태적 특징을 충분히 고려하지 못하므로 맞음새 불만족을 야기하게 된다. Even though personal fit is very important for clothing, it is almost impossible for all individual buyers to find perfect fit clothing as the pattern and size system are determined for standard body types in mass production method to reduce cost. Do. Ready-made clothes produced by proportionally reducing or expanding the size of the human body, which is relatively easy to obtain and easy to use for maximization of production efficiency, do not sufficiently consider the morphological characteristics of the body shape, causing dissatisfaction with fit.
Lanenegger 와 van Osch(2002)는 독일에서 시행된 인체 조사를 통해 기성복 의류치수체계를 통해 만족스러운 맞음새를 얻을 수 있는 것은 인구의 25%에 불과하다고 하였으며, 최유경(2007)은 기성복 구매 시 착용자의 대다수가 개인적으로 수선을 한 경험이 있다는 점을 들어 기성복의 맞음새 불만족을 지적하였다. 이와 같은 기성복의 맞음새 불만족을 줄이기 위해서는 인체의 크기뿐만 아니라 3차원 인체의 형태를 반영한 패턴 설계가 필요하다. 현재 다양한 인체 측정 기기와 관련 프로그램의 개발을 통해 3차원 인체 형상의 확보가 용이해 지면서 3차원 인체형상 데이터 측정 기술 및 체형 분석, 3차원 가상 착의 등 의류 제품 설계에 필요한 많은 분야에 대한 연구가 활발히 진행되고 있다. Lanenegger and van Osch (2002) stated that only 25% of the population could obtain a satisfactory fit through a ready-to-wear garment dimensional system through a human body survey conducted in Germany. Most of them pointed out their dissatisfaction with the fit of ready-to-wear clothes, citing the fact that they had personally repaired them. In order to reduce dissatisfaction with the fit of such ready-made clothes, it is necessary to design a pattern that reflects not only the size of the human body but also the shape of the 3D human body. Currently, it is easy to secure 3D human body shape through the development of various human body measurement devices and related programs, and research on many fields necessary for clothing product design such as 3D human body shape data measurement technology, body shape analysis, and 3D virtual clothing is actively conducted. It is going on.
이에 대한 선행기술로서, 공개특허 제 10-2019-0028777호에 '신체-개선 의류 및 의류 설계'가 개시되어 있다.As a prior art for this,'body-improved clothing and clothing design' is disclosed in Korean Patent Publication No. 10-2019-0028777.
상기 발명은 신체-개선 의류 및 의류 설계에 관한 것으로서, 해부조직 패터닝(anatomy patterning)을 위한 시스템 및 방법에 관한 것이다. 더 구체적으로, 해부조직 패터닝은, 의복 착용자의 인식된 형상을 희망 외관을 향해서 변화시키기 위해서 의류에 적용되는 패턴에 대한 임의의 정교한 조작 및, 개시내용은 일반적으로, 해부조직 패터닝을 위한 이러한 시스템 및 방법의 이용으로부터 초래되는 의류에 대해 개시하고 있다.The present invention relates to body-improving clothing and clothing design, and to a system and method for anatomy patterning. More specifically, anatomical patterning is any elaborate manipulation of a pattern applied to a garment to change the perceived shape of a garment wearer towards a desired appearance, and the disclosure generally includes such systems and systems for anatomical patterning. Apparel resulting from the use of the method is disclosed.
그러나 3차원 인체 치수 획득으로부터 패턴 제작, 3차원 가상 착의에 이르는 전 과정을 아우르는 의류 제품 자동 생산 시스템 연구는 부족한 실정이다.However, research on an automatic clothing product production system covering the entire process from acquiring 3D human body dimensions to pattern production to 3D virtual dressing is insufficient.
따라서 인체 스캔데이터로부터 인체 치수를 획득한 후, 파라메트릭 패턴을 통해 자동 생성된 패턴과 1:1 인체 스캔 데이터를 이용한 드레이프 시뮬레이터를 통해 좋은 맞음새가 확보될 때까지 형상을 확인하면서 패턴을 변형 가능케 한 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템을 개발할 필요성이 대두되는 실정이다.Therefore, after acquiring the dimensions of the human body from the human body scan data, the pattern can be transformed while checking the shape until a good fit is secured through the pattern automatically generated through the parametric pattern and the drape simulator using 1:1 human body scan data. There is a need to develop an automated body type classification and automatic pattern correction system using an artificial neural network.
본 발명은 상기 기술의 문제점을 극복하기 위해 안출된 것으로, 인체 스캔데이터로부터 인체 치수를 획득한 후, 파라메트릭 패턴을 통해 자동 생성된 패턴과 1:1 인체 스캔 데이터를 이용한 드레이프 시뮬레이터를 통해 좋은 맞음새가 확보될 때까지 형상을 확인하면서 패턴을 변형 가능케 한 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템을 제공하는 것을 주요 목적으로 한다. The present invention was devised to overcome the problems of the above technology, and after acquiring the dimensions of the human body from the human body scan data, a good fit through a drape simulator using a pattern automatically generated through a parametric pattern and 1:1 human body scan data Its main purpose is to provide a body type classification automation and pattern automatic correction system using an artificial neural network that enables a pattern to be deformed while checking the shape until a bird is secured.
본 발명의 다른 목적은, 기 입력된 패턴 변형값을 기반으로 하여 대상자의 패턴 보정시 인공신경망을 이용하여 자동으로 패턴 변형을 예측할 수 있도록 하는 것이다.Another object of the present invention is to automatically predict pattern deformation using an artificial neural network when correcting a subject's pattern based on a previously input pattern deformation value.
본 발명의 또 다른 목적은, 예측된 예측값에 대한 정확도를 검증할 수 있도록 하는 것이다.Another object of the present invention is to verify the accuracy of the predicted predicted value.
본 발명의 추가 목적은, 부적절한 정확도가 판별될 시 전문가에 의한 추가적인 보정을 가능케 하여 생성된 맞춤팬츠패턴의 신뢰도를 높이는 것이다.An additional object of the present invention is to increase the reliability of the created custom pants pattern by enabling additional correction by an expert when inappropriate accuracy is determined.
상기 목적을 달성하기 위하여, 본 발명에 따른 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템은, 대상자의 하반신을 3차원 스캐닝하여 스캔데이터를 생성하는 스캐닝모듈; 상기 스캔데이터로부터 상기 대상자의 하반신에 대한 복수개의 치수데이터를 수집하는 계측모듈; 상기 치수데이터를 기반으로 상기 대상자의 체형을 복수개의 체형그룹 중 어느 하나로 유형화하는 체형그룹생성모듈; 상기 대상자의 치수데이터와, 상기 대상자가 속한 상기 체형그룹을 기반으로 상기 대상자에 대한 자동팬츠패턴을 생성하는 패턴생성모듈; 패턴 변형값 입력을 통해 상기 자동팬츠패턴을 보정하여 상기 대상자에 대한 맞춤팬츠패턴을 생성하는 보정모듈;을 포함하는 것을 특징으로 한다.In order to achieve the above object, the system for automating body type classification and automatic pattern correction using an artificial neural network according to the present invention comprises: a scanning module for generating scan data by scanning a lower body of a subject in three dimensions; A measurement module for collecting a plurality of dimension data for the lower body of the subject from the scan data; A body shape group generation module for categorizing the subject's body shape into one of a plurality of body shape groups based on the dimension data; A pattern generation module for generating an automatic pants pattern for the subject based on the subject's dimension data and the body shape group to which the subject belongs; And a correction module for generating a custom pants pattern for the subject by correcting the automatic pants pattern through input of a pattern modification value.
또한, 상기 보정모듈은, 상기 스캔데이터를 기반으로 상기 대상자의 하반신을 모델링한 하반신모델을 생성하는 모델생성부 및, 시뮬레이터를 통해 상기 자동팬츠패턴을 상기 하반신모델에 가상 착의 처리한 드레이프데이터를 생성하는 가상착의부 및, 상기 드레이프데이터를 기반으로 패턴 변형값 입력을 통해 상기 자동팬츠패턴을 보정하여 상기 맞춤팬츠패턴을 생성하는 세부보정부를 더 포함하는 것을 특징으로 한다.In addition, the correction module generates a model generation unit that generates a lower body model that models the lower body of the subject based on the scan data, and creates drape data by virtually wearing the automatic pants pattern to the lower body model through a simulator. And a detailed correction unit for generating the customized pants pattern by correcting the automatic pants pattern by inputting a pattern modification value based on the drape data.
덧붙여, 상기 시스템은, 기 입력된 상기 패턴 변형값을 기변형값으로써 저장하는 축적DB 및, 상기 복수개의 기변형값을 기반으로 상기 대상자에 대한 패턴 변형 예측값을 산출하는 예측값산출부를 포함하는 보정예측모듈;을 더 포함하며, 상기 보정모듈은, 입력된 상기 패턴 변형값 및 산출된 상기 패턴 변형 예측값 중 적어도 어느 하나를 통해 상기 자동팬츠패턴을 보정하여 상기 대상자에 대한 맞춤팬츠패턴을 생성하는 것을 특징으로 한다.In addition, the system may include an accumulation DB that stores the previously input pattern deformation values as an odd deformation value, and a prediction value calculation unit that calculates a pattern deformation prediction value for the subject based on the plurality of odd deformation values. A module; wherein the correction module corrects the automatic pants pattern through at least one of the input pattern deformation value and the calculated pattern deformation prediction value to generate a custom pants pattern for the subject. To do.
더불어, 상기 보정예측모듈은, 축적된 상기 기변형값의 개수와 패턴 변형량 및 패턴 변형도를 기반으로 상기 자동팬츠패턴에 대한 패턴 변형 예측 정확도를 산출하는 정확도산출부 및, 상기 예측 정확도가 기 설정된 기준정확도 미만인 경우 산출된 상기 패턴 변형 예측값을 삭제 처리하는 예측삭제부를 더 포함하는 것을 특징으로 한다.In addition, the correction prediction module includes an accuracy calculation unit that calculates a pattern deformation prediction accuracy for the automatic pants pattern based on the accumulated number of the deformity values, a pattern deformation amount, and a pattern deformation degree, and the prediction accuracy is preset. It characterized in that it further comprises a prediction deletion unit that deletes the calculated pattern deformation predicted value when it is less than the reference accuracy.
본 발명에 따른 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템은,Body type classification automation and pattern automatic correction system using an artificial neural network according to the present invention,
1) 인체 스캔데이터로부터 인체 치수를 획득한 후, 파라메트릭 패턴을 통해 자동 생성된 패턴과 1:1 인체 스캔 데이터를 이용한 드레이프 시뮬레이터를 통해 좋은 맞음새가 확보될 때까지 형상을 확인하면서 패턴을 변형 가능케 한 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템을 제공하고,1) After obtaining the dimensions of the human body from the human body scan data, modify the pattern while checking the shape until a good fit is secured through the pattern automatically generated through the parametric pattern and the drape simulator using 1:1 human body scan data. Provides an automated body type classification and automatic pattern correction system using an artificial neural network that has been made possible,
2) 기 입력된 패턴 변형값을 기반으로 하여 대상자의 패턴 보정시 인공신경망을 이용하여 자동으로 패턴 변형을 예측할 수 있도록 하였으며,2) When correcting the subject's pattern based on the previously inputted pattern deformation value, the artificial neural network was used to automatically predict the pattern deformation.
3) 예측된 예측값에 대한 정확도를 검증할 수 있도록 함과 동시에,3) While allowing the accuracy of the predicted predicted value to be verified,
4) 부적절한 정확도가 판별될 시 전문가에 의한 추가적인 보정을 가능케 하여 생성된 맞춤팬츠패턴의 신뢰도를 높일 수 있도록 하였다.4) When inadequate accuracy is identified, additional correction by experts is enabled to increase the reliability of the created custom pants pattern.
도 1은 본 발명의 시스템에 대한 개략적인 구성을 나타낸 개념도.
도 2는 본 발명의 시스템에 대한 전체 구성을 도시한 블록도.
도 3은 본 발명의 자동팬츠패턴 및 맞춤팬츠패턴의 예시를 나타낸 개념도.
도 4는 본 발명의 하반신 기준선의 예시를 나타낸 표.
도 5는 하반신 기준선 및 최외각점을 나타낸 개념도.
도 6은 본 발명의 선형판별함수의 계수를 나타낸 표.
도 7은 본 발명의 정준판별함수를 기반으로 생성된 산점도.
도 8은 본 발명의 정준판별함수의 계수를 나타낸 표.1 is a conceptual diagram showing a schematic configuration of the system of the present invention.
Figure 2 is a block diagram showing the overall configuration of the system of the present invention.
3 is a conceptual diagram showing an example of the automatic pants pattern and custom pants pattern of the present invention.
Figure 4 is a table showing an example of the lower body baseline of the present invention.
5 is a conceptual diagram showing a lower body reference line and an outermost point.
6 is a table showing the coefficients of the linear discrimination function of the present invention.
7 is a scatter plot generated based on the canonical determination function of the present invention.
Figure 8 is a table showing the coefficients of the canonical determination function of the present invention.
이하 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세하게 설명하도록 한다. 첨부된 도면은 축척에 의하여 도시되지 않았으며, 각 도면의 동일한 참조 번호는 동일한 구성 요소를 지칭한다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings. The accompanying drawings are not drawn to scale, and the same reference numerals in each drawing refer to the same elements.
도 1은 본 발명의 시스템(10)에 대한 개략적인 구성을 나타낸 개념도이다.1 is a conceptual diagram showing a schematic configuration of the
도 1을 참조하여 설명하면, 본 발명의 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템(10)은, 기본적으로 대상자(1), 전문가(2), 메인서버(3)로 이루어진다.Referring to FIG. 1, the body type classification automation and pattern
대상자(1)는 본 발명의 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템(10)을 통해 본인에게 맞춰진 맞춤형 팬츠를 얻으려는 자로서, 본 발명에서 지칭하는 맞춤팬츠패턴을 기반으로 생성된 팬츠(바지를) 얻는 자이다. 대상자(1)는 나이나 성별에 제한을 두지 않는다. 따라서 대상자(1)는 본인의 하반신을 3차원 스캐닝한 스캔데이터를 메인서버(3)에 제공하고, 본인에게 최적화된 맞춤형 팬츠를 얻게 된다.Subject (1) is a person who wants to obtain customized pants tailored to the person through the automatic body classification and pattern
전문가(2)는 팬츠 패턴 제작을 전문으로 하는 자로서, 본 발명에서 전문가(2)라 함은 적어도 팬츠 패턴 제작 실무에 10년 이상 근무한 자를 기준으로 한다. 전문가(2)는 일반적인 팬츠 패턴에 대한 특징을 제공하는 기능을 함과 본 발명의 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템(10)을 통해 생성된 자동팬츠패턴을 보정 처리하여 대상자(1)에게 맞춤화된 맞춤팬츠패턴을 제작하는 것을 보조하는 역할을 한다.The expert (2) is a person who specializes in pant pattern production, and the expert (2) in the present invention refers to a person who has worked at least 10 years in the practice of pant pattern production. The expert (2) performs a function of providing characteristics for a general pants pattern, and corrects the automatic pants pattern generated through the automatic body type classification and automatic
본 발명의 메인서버(3)는 대상자(1)의 하반신에 대한 3차원 스캐닝 데이터인 스캔데이터를 저장함과 동시에, 상기 스캔데이터를 분석하여 치수데이터를 생성하고, 치수데이터를 기반으로 인공신경망을 이용하여 대상자(1)를 유형화하고 자동화된 팬츠 패턴, 즉 자동팬츠패턴을 생성하는 기능을 한다. 따라서 메인서버(3)는 이러한 기능을 구현하기 위한 컴퓨터나 시뮬레이터 등을 겸비해야 함은 물론이며, 데이터의 보관 및 저장 역할을 함과 동시에 새로운 데이터, 즉 대상자(1)에 대해 팬츠 패턴을 자동 생성하도록 하는 것이다. 더불어 전문가(2)에 의한 보정 시 시뮬레이팅을 통해 보정값을 반영토록 하여 대상자(1)에 대한 맞춤화된 팬츠 패턴을 제공하는 역할을 수행한다.The
이와 같은 본 발명의 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템(10)에 대해 보다 상세히 설명하면 다음과 같다.The automatic body type classification and automatic
도 2는 본 발명의 시스템(10)에 대한 전체 구성을 도시한 블록도이다.2 is a block diagram showing the overall configuration of the
도 2를 기반으로 설명하면, 본 발명의 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템(10)은, 스캐닝모듈(100), 계측모듈(200), 체형그룹생성모듈(300), 패턴생성모듈(400), 보정모듈(500)을 포함하여 구성될 수 있다.Referring to FIG. 2, the body type classification automation and pattern
스캐닝모듈(100)은 상술한 대상자(1)의 하반신을 3차원 스캐닝하여 대상자(1)의 하반신에 대한 3차원 이미지인 스캔데이터를 생성한다. 이 때 3차원 스캐닝의 방식에 있어서는 제한을 두지 않으므로, 신체 측정을 위한 3차원 스캐너 등이 스캔데이터 생성을 위해 이용될 수 있다. 혹은 대상자(1)의 하반신에 대해 정면, 우측면, 좌측면, 저면, 상면, 후면 각각을 2차원 이미지로 생성하고 이를 합성 및 렌더링하여 3차원 데이터인 스캔데이터를 생성하는 것 역시 가능함은 물론이다.The
계측모듈(200)은 상기 스캔데이터로부터 상기 대상자(1)의 하반신에 대한 복수개의 치수데이터를 수집한다. 이는 3차원 이미지인 스캔데이터에 있어서 특정 부위의 길이나 둘레에 대한 값을 얻음으로써 얻을 수 있으며, 단위는 일반적으로 cm 또는 mm일 수 있다. 이 때 치수데이터라 함은 하반신의 특정 부위의 길이 또는 둘레를 측정한 측정값이라 할 수 있다. 이 때 치수데이터 수집 시 수집 기준, 즉 측정 기준을 명확히 할 필요성이 있는데, 이에 대해서는 후술하기로 한다.The measurement module 200 collects a plurality of dimension data for the lower body of the subject 1 from the scan data. This can be obtained by obtaining a value for the length or circumference of a specific part in the scan data, which is a 3D image, and the unit may generally be cm or mm. In this case, the dimensional data can be referred to as a measurement value obtained by measuring the length or circumference of a specific part of the lower body. At this time, when collecting dimensional data, it is necessary to clarify a collection standard, that is, a measurement standard, which will be described later.
나아가 본 발명의 시스템(10)은 체형그룹생성모듈(300)을 포함할 수 있다. 체형그룹생성모듈(300)은 팬츠의 설계 및 가봉 시에 패턴에서 체형에 따라 차이를 보이는 부위 중에서 의복 착용 시 하반신 의복 맞음새에 불만족을 유발하는 부위를 중심으로 하반신 부위별 체형 요소를 결정하고, 이를 기반으로 복수개의 대상자(1)의 하반신을 체형그룹으로 유형화할 수 있도록 체형그룹을 생성하였다. 이 때 체형그룹생성은 인공신경망을 통해 이루어질 수도 있으며, 치수데이터 입력에 따라 자동으로 인공신경망이 대상자(1)의 체형을 특정 체형그룹으로 유형화할 수도 있다. Furthermore, the
패턴생성모듈(400)은 상기 대상자(1)의 치수데이터, 그리고 상기 대상자(1)가 속한 상기 체형그룹을 기반으로 상기 대상자(1)에 대한 자동팬츠패턴을 생성하는 기능을 수행한다. 이는 인공신경망을 기반으로 하여 이루어지는데, 이를 통해 대상자(1)의 치수데이터 입력 시 인공신경망이 상기 대상자(1)를 체형그룹 중 어느 하나로 유형화하고, 그 후 치수데이터 분석을 통해 대상자(1)가 입게 될 팬츠의 패턴을 자동으로 생성하여 자동팬츠패턴을 생성해낼 수도 있게 되는 것이다.The pattern generation module 400 performs a function of generating an automatic pants pattern for the subject 1 based on the dimension data of the subject 1 and the body shape group to which the
기본적으로 패턴생성모듈(400)은 기본적인 표준 패턴이라 할 수 있는 기본팬츠패턴을 생성하는 기본패턴생성부(410)를 포함하며, 나아가 상기 대상자(1)가 속한 상기 체형그룹에 따라 상기 기본팬츠패턴을 보정 처리한 자동팬츠패턴을 생성하는 자동패턴생성부(420)를 포함하여 구성된다.Basically, the pattern generation module 400 includes a basic
보정모듈(500)은 패턴 변형값 입력을 통해 상기 자동팬츠패턴을 보정하여 상기 대상자(1)에 최적화된 팬츠 패턴인 맞춤팬츠패턴을 생성하는 역할을 수행하는 것으로서, 이 때 맞춤팬츠패턴 생성 역시 인공신경망을 통해 자동화할 수 있다. 즉 맞음새 자동 보정을 위한 패턴 변형값을 축적하고 19개의 파라미터별 인공신경망 학습을 통해 인체치수를 입력하면 보정치가 예측되게 함으로써 자동팬츠패턴을 자동 보정하여 맞춤팬츠패턴을 생성할 수도 있는 것이다. 나아가 이때 패턴 변형값이라 함은 해당 패턴에 포함된 특정 치수데이터의 증가량 및 감소량, 특정 치수 데이터의 변형률, 나아가 전체 변형률을 모두 포함할 수 있다.The correction module 500 performs a role of generating a customized pants pattern, which is a pants pattern optimized for the subject 1, by correcting the automatic pants pattern through the input of a pattern deformation value. It can be automated through neural networks. In other words, by accumulating pattern deformation values for automatic correction of fit and inputting human body dimensions through artificial neural network learning for each of 19 parameters, the correction values are predicted, thereby automatically correcting the automatic pants pattern to generate a customized pants pattern. Further, the pattern deformation value may include all of the increase and decrease amount of the specific dimensional data included in the pattern, the deformation rate of the specific dimensional data, and further, the total deformation rate.
더불어 보정모듈(500)은 다음의 구성을 포함할 수도 있다.In addition, the correction module 500 may include the following configuration.
도 3은 본 발명의 자동팬츠패턴 및 맞춤팬츠패턴의 예시를 나타낸 개념도이다.3 is a conceptual diagram showing an example of the automatic pants pattern and the custom pants pattern of the present invention.
도 3을 참조하여 보정모듈(500)의 구성을 설명하도록 한다. 먼저 보정모듈(500)에 포함될 수 있는 모델생성부(510)는 상기 스캔데이터를 기반으로 상기 대상자(1)의 하반신을 3차원 모델링한 하반신모델을 생성하는 기능을 수행한다. 이 때 하반신모델은 상술한 3차원 이미지인 스캔데이터를 모델링한 것이라 할 수 있다. 이는 공지의 기술이므로 자세한 설명은 생략하도록 한다.The configuration of the correction module 500 will be described with reference to FIG. 3. First, the model generation unit 510 that may be included in the correction module 500 performs a function of generating a lower body model obtained by three-dimensional modeling the lower body of the subject 1 based on the scan data. In this case, the lower body model can be said to be a modeling of scan data, which is a three-dimensional image. Since this is a known technique, a detailed description will be omitted.
가상착의부(520)는 시뮬레이터를 통해 상기 자동팬츠패턴을 상기 하반신모델에 가상 착의 처리한 드레이프데이터를 생성하는 기능을 수행한다. 이는 프로그램으로 설계되어 하반신모델 및 자동팬츠패턴을 가상 시뮬레이팅해주는 시뮬레이터를 통하여 하반신모델에 자동팬츠패턴을 가상 착의시키고 이를 시각화하여 드레이프데이터를 생성하는 것이다. 따라서 드레이프데이터는 하반신모델이 자동팬츠패턴을 입고 있는 모양새라 할 수 있다.The virtual clothing unit 520 performs a function of generating drape data obtained by virtually wearing the automatic pants pattern on the lower body model through a simulator. This is to create drape data by virtually wearing an automatic pants pattern on the lower body model through a simulator that is designed as a program and virtually simulates the lower body model and the automatic pants pattern. Therefore, the drape data can be said to be the appearance of the lower body model wearing an automatic pants pattern.
세부보정부(530)는 상기 드레이프데이터를 기반으로 패턴 변형값 입력을 통해 상기 자동팬츠패턴을 보정하여 상기 맞춤팬츠패턴을 생성하는 기능을 수행한다. 이 때 바람직하게는 자동팬츠패턴을 보정하는 주체가 전문가(2)집단일 수 있으나, 상술한 바와 같이 인공신경망을 이용한 자동 보정이 가능함은 물론이다. 따라서 이와 같은 세부보정부(530)를 통해 드레이프 시뮬레이터에서 형상의 맞음새를 확인하면서 자동팬츠패턴을 변형함으로써 3차원 맞음새가 확보되어 대상자(1)에게 최적화된 팬츠 패턴인 맞춤팬츠패턴을 설계할 수 있게 되는 것이다.The detailed correction unit 530 performs a function of generating the customized pants pattern by correcting the automatic pants pattern by inputting a pattern deformation value based on the drape data. At this time, preferably, the subject of correcting the automatic pants pattern may be a group of experts (2), but it is of course possible to perform automatic correction using an artificial neural network as described above. Therefore, by changing the automatic pants pattern while checking the fit of the shape in the drape simulator through the detailed correction unit 530, a three-dimensional fit is secured to design a custom pants pattern, which is a pant pattern optimized for the subject (1). It will be possible.
여기에 더 나아가 본 발명의 시스템(10)은 인공신경망을 통해 패턴 변형값을 자동으로 예측하도록 하는 보정예측모듈(600)을 더 포함할 수 있다. 보정예측모듈(600)은 맞음새 자동 보정을 위해 기 생성된 패턴 변형값을 기변형값으로써 축적하고, 기변형값을 기반으로 대상자(1)에 대한 패턴 변형 예측값을 산출할 수 있도록 하는 기능을 수행한다.Furthermore, the
이와 같이 보정예측모듈(600)을 통해 패턴 변형 예측값이 산출되는 경우, 상기 보정모듈(500)은 입력된 상기 패턴 변형값 및 산출된 상기 패턴 변형 예측값 중 적어도 어느 하나를 통해 상기 자동팬츠패턴을 보정하여 상기 대상자(1)에 대한 맞춤팬츠패턴을 생성하게 된다.When the pattern deformation prediction value is calculated through the correction prediction module 600 as described above, the correction module 500 corrects the automatic pants pattern through at least one of the input pattern deformation value and the calculated pattern deformation prediction value. Thus, a custom pants pattern for the subject 1 is generated.
이 때 보정예측모듈(600)의 세부 구성에 대해 보다 상세히 설명하면 다음과 같다.In this case, the detailed configuration of the correction prediction module 600 will be described in more detail as follows.
먼저 보정예측모듈(600)은 축적DB(610)를 포함한다. 축적DB(610)는 기 입력된 상기 패턴 변형값을 기변형값으로써 저장하는 것으로서, 현재 시점까지 생성된 모든 패턴 변형값을 저장하는 역할을 수행한다 할 수 있다. 이 때 축적DB(610)에 저장된 기변형값의 수가 많을수록 산출되는 패턴 변형 예측값의 정확성이 높아질 수 있음은 당연하다.First, the correction prediction module 600 includes an accumulation DB 610. The accumulation DB 610 stores the previously input pattern deformation value as a deformity value, and may serve to store all pattern deformation values generated up to the current point in time. In this case, it is natural that the accuracy of the calculated pattern deformation predicted value may increase as the number of the deformed values stored in the accumulation DB 610 increases.
보정예측모듈(600)에 포함될 수 있는 예측값산출부(620)는 상기 기변형값을 기반으로 상기 대상자(1)에 대한 패턴 변형 예측값을 산출하는 기능을 수행한다. 이 때 바람직하게는 기변형값을 통해 산출된 패턴 길이 증가량, 패턴 길이 감소량, 패턴 변형률을 기반으로 하여, 대상자(1)의 자동팬츠패턴 생성을 위해 수치데이터가 입력된 개수, 즉 하반신을 세분화한 각각의 측정항목별로 패턴 변형 예측값을 산출하는 것을 특징으로 한다.The predicted value calculation unit 620, which may be included in the correction prediction module 600, performs a function of calculating a pattern deformation predicted value for the subject 1 based on the deformed value. At this time, preferably, based on the pattern length increase amount, the pattern length decrease amount, and the pattern strain calculated through the deformity value, the number of numerical data input for the automatic pants pattern generation of the subject 1, that is, the lower body is subdivided. It characterized in that the predicted value of pattern deformation is calculated for each measurement item.
이 때, 상기 패턴 변형 예측값은, 다음의 수학식 1을 기반으로 산출되는 것을 특징으로 한다.In this case, the pattern deformation predicted value is calculated based on
수학식 1.
(여기서, 
상기 수학식 1은 각각의 측정항목별로 패턴이 변형될 예측값을 구하는 식으로서, 축적된 기변형값을 기반으로 종전까지의 측정항목 a에 대한 패턴 길이 증가량, 감소량, 패턴 변형률에 더불어 패턴 변형 예측값이 산출된 횟수, 기변형값이 산출된 횟수를 반영하도록 한 것이다. 따라서 각각의 측정항목별로 패턴 변형 예측값을 별도로 산출되는 것이며, 만약 측정항목이 총 t개인 경우 t개의 패턴 변형 예측값을 얻을 수 있다. 나아가 이 때 체형그룹별 가중치를 반영하므로, 유형화된 대상자(1)의 체형을 기반으로 하여 보다 세분화되고 체계화된 보정을 가능케 함은 물론이다.
더하여 본 발명의 보정예측모듈(600)은 정확도산출부(630)를 더 포함할 수 있는데, 정확도산출부(630)는 축적된 상기 기변형값의 개수와 패턴 변형량 및 패턴 변형률을 기반으로 상기 자동팬츠패턴에 대한 패턴 변형 예측 정확도를 산출하는 기능을 수행한다. 이 때 상기 패턴 변형 예측 정확도는, 다음의 수학식 2를 기반으로 산출될 수 있다.In addition, the correction prediction module 600 of the present invention may further include an accuracy calculation unit 630, wherein the accuracy calculation unit 630 is automatically configured based on the accumulated number of the deformed values, the amount of pattern deformation, and the pattern deformation rate. It performs a function of calculating the pattern deformation prediction accuracy for the pants pattern. In this case, the pattern deformation prediction accuracy may be calculated based on
수학식 2,
(여기서, 
상기 수학식 2는 패턴 길이 총 증가량, 총 감소량, 평균 패턴 변형률 등을 기반으로 패턴 변형에 대한 예측 정확도를 산출하는 식으로서, 이렇게 산출된 예측 정확도의 고저에 따라 인공신경망이 얼마나 정확하게 패턴 변형값을 예측하는지를 파악할 수 있다.
이렇게 산출된 예측 정확도는 인공신경망을 통한 패턴 예측 변형의 정확한 정도를 의미하므로, 따라서 상기 수학식 2에 의해 산출된 예측 정확도는 인공신경망의 예측 정확도를 수치적으로 나타내어 인공신경망에 대한 신뢰도를 높일 수 있음과 동시에 전문가(2)의 패턴 보정 간섭 여부를 판단할 수 있도록 하는 것이다.The prediction accuracy calculated in this way means the exact degree of the pattern prediction transformation through the artificial neural network. Therefore, the prediction accuracy calculated by
나아가 만약 인공신경망에 오류가 생겨 예측 정확도가 낮게 나오는 경우가 발생할 수 있다. 이 경우 본 발명의 보정예측모듈(600)에 포함될 수 있는 예측삭제부(640)가 상기 예측 정확도가 기 설정된 기준정확도 미만인 경우 산출된 상기 패턴 변형 예측값을 삭제 처리하도록 하여 이 경우 전문가(2)로 하여금 패턴 보정을 수행할 수 있게 할 수 있음은 물론이다.Furthermore, if an error occurs in the artificial neural network, the prediction accuracy may be poor. In this case, the prediction deletion unit 640, which may be included in the correction prediction module 600 of the present invention, deletes the calculated pattern deformation prediction value when the prediction accuracy is less than a preset reference accuracy. In this case, the
도 4는 본 발명의 하반신 기준선의 예시를 나타낸 표이며, 도 5는 하반신 기준선 및 최외각점을 나타낸 개념도이다.4 is a table showing an example of the lower body reference line of the present invention, and FIG. 5 is a conceptual diagram showing the lower body reference line and the outermost point.
도 4 및 도 5를 참조하여 계측모듈(200)의 추가 구성에 대해 설명하도록 한다.An additional configuration of the measurement module 200 will be described with reference to FIGS. 4 and 5.
먼저 계측모듈(200)은 기준점설정부(210)를 포함할 수 있다. 기준점설정부(210)는 상기 대상자(1)의 하반신에 대한 3차원 기준점을 설정하는 기능을 수행한다. 이 때 3차원 기준점은 하반신 체형과 패턴의 주요 구성 요소를 의미하는 것으로서, 10개 내지 20개로 설정될 수 있다. 가장 바람직하게는 3차원 기준점은 도 4에 나타난 것처럼 13개로 구성될 수 있다. 이 때 3차원 기준점 설정 방식에 대해서는 제한을 두지 않는다.First, the measurement module 200 may include a reference
더불어 계측모듈(200)은 이미지생성부(250)를 포함할 수 있다. 이미지생성부(250)는 상기 스캔데이터를 기반으로 상기 대상자(1)의 하반신에 대한 좌측면이미지 및 우측면이미지 중 어느 하나로 이루어진 측면이미지와, 정면이미지를 생성하는 기능을 수행하는 것으로서, 3차원 이미지에 비해 2차원 이미지가 기준점 표시 및 후술할 기준선 설정에 있어 용이하므로 측면이미지 및 정면이미지 각각을 생성하도록 한다.In addition, the measurement module 200 may include an image generator 250. The image generation unit 250 performs a function of generating a side image and a front image composed of one of a left side image and a right side image of the lower body of the subject 1 based on the scan data. Compared to that, since the 2D image is easy to display the reference point and set the reference line to be described later, each of the side image and the front image is generated.
계측모듈(200)에 포함될 수 있는 기준선설정부(220)는 상기 스캔데이터에 상기 3차원 기준점을 반영하여 하반신 기준선을 설정한다. 이는 도 5의 예시에서와 같이 3차원 이미지인 스캔데이터에 3차원 기준점을 표시한 뒤, 해당 3차원 기준점을 기준으로 높이 방향, 즉 z축과 평행한 평행선을 그음으로써 표시할 수 있게 된다. 하반신 기준선을 표시함에 따라 대상자(1)의 하반신이 세분화될 수 있다. 이 때 하반신 기준선은 바람직하게 10개 내지 20개로 설정될 수 있다. 가장 바람직하게는 하반신 기준선은 도 4에 나타난 것처럼 13개로 구성될 수 있다.The reference line setting unit 220 that may be included in the measurement module 200 sets the lower body reference line by reflecting the three-dimensional reference point in the scan data. This can be displayed by displaying a three-dimensional reference point in the scan data, which is a three-dimensional image, as in the example of FIG. 5, and then drawing a height direction, that is, a parallel line parallel to the z-axis based on the corresponding three-dimensional reference point. By displaying the lower body baseline, the lower body of the subject 1 may be subdivided. At this time, the lower body reference line may be preferably set to 10 to 20. Most preferably, the lower body baseline may be composed of 13 as shown in FIG. 4.
계측모듈(200)에 포함될 수 있는 기준표시부(260)는 상술한 기준선설정부(220)와 연관된 기능을 수행하는 것으로서, 선표시파트(261) 및 외각점표시파트(262)로 구성될 수 있다. 선표시파트(261)는 상기 정면이미지 및 측면이미지 각각에 상술한 하반신 기준선을 표시 처리하는 기능을 수행할 수 있다. 또한 외각점표시파트(262)를 통해 하반신 기준선이 정면이미지 및 측면이미지 각각의 외곽선과 교차하는 점, 즉 하반신의 외곽선이 하반신 기준선과 교차하는 지점인 최외각점을 각각 표시하는 역할을 수행하게 된다.The reference display unit 260 that may be included in the measurement module 200 performs a function related to the reference line setting unit 220 described above, and may include a line display part 261 and an external point display part 262. . The line display part 261 may perform a function of displaying and processing the above-described lower body reference line on each of the front image and the side image. In addition, the outer point display part 262 serves to display the point where the lower body reference line crosses the outline of each of the front image and the side image, that is, the outermost point, which is the point at which the outline of the lower body crosses the lower body reference line. .
계측모듈(200)에 포함될 수 있는 기본측정설정부(230)는 상기 하반신 기준선을 기반으로 상기 하반신을 세분화하여 복수개의 기본측정항목을 설정하는 기능을 수행한다. 이는 하반신 기준선을 기준으로 하여 대상자(1)의 하반신의 둘레, 높이, 넓이, 두께 등을 세분화하여 측정할 수 있도록 한 것이며, 이 때 기본측정항목의 개수는 바람직하게 50개 내지 90개일 수 있으며, 가장 바람직하게는 75개일 수 있다. 그러나 여기서 기본측정항목의 설정 방법을 제한하지는 않는다,The basic measurement setting unit 230 that may be included in the measurement module 200 performs a function of subdividing the lower body based on the lower body reference line to set a plurality of basic measurement items. This is to allow measurement by subdividing the circumference, height, width, and thickness of the lower body of the subject 1 based on the lower body reference line, and at this time, the number of basic measurement items may preferably be 50 to 90, Most preferably, it may be 75. However, this does not limit how the basic metrics are set.
계측모듈(200)에 포함될 수 있는 추가측정설정부(270)는 상술한 외각점표시파트(262)를 통해 설정한 복수개의 최외각선을 기준으로 상기 하반신을 세분화하여 복수개의 추가측정항목을 설정하는 기능을 수행한다. 이 때 하반신 기준선을 13개로 가정할 경우 49개의 최외각점을 얻을 수 있는데, 이 때 49개 최외각점 각각을 기준으로 하여 3차원 좌표변환을 수행하거나 각각의 최외각점 사이의 위치 관계를 계산함으로써 추가측정항목의 개수를 설정할 수 있다. 이 때 추가측정항목은 바람직하게는 130개 내지 160개일 수 있으며, 가장 바람직하게는 146개일 수 있다. 그러나 여기서 추가측정항목의 설정 방법을 제한하지는 않는다,The additional measurement setting unit 270 that may be included in the measurement module 200 sets a plurality of additional measurement items by subdividing the lower body based on a plurality of outermost lines set through the outermost point display part 262 described above. Performs the function of At this time, assuming 13 lower body reference lines, 49 outermost points can be obtained. In this case, 3D coordinate transformation is performed based on each of the 49 outermost points or the positional relationship between each outermost point is calculated. By doing so, you can set the number of additional measurement items. In this case, the number of additional measurement items may be preferably 130 to 160, and most preferably 146. However, this does not limit the method of setting additional metrics.
계측모듈(200)에 포함될 수 있는 데이터입력부(240)는 상기 대상자(1)의 상기 스캔데이터로부터 각각의 상기 기본측정항목 및 상기 추가측정항목 중 적어도 어느 하나에 대한 복수개의 치수데이터를 입력받는 기능을 수행한다. 이는 3차원 이미지인 스캔데이터 분석을 통해 얻을 수 있으며, 이 때 치수데이터의 개수는 기본측정항목의 개수 및 추가측정항목의 개수에 따라 변동될 수 있다.The data input unit 240 that may be included in the measurement module 200 is a function of receiving a plurality of dimension data for at least one of each of the basic measurement items and the additional measurement items from the scan data of the subject 1 Perform. This can be obtained through analysis of scan data, which is a three-dimensional image, and the number of dimensional data may vary depending on the number of basic measurement items and the number of additional measurement items.
따라서 이와 같은 계측모듈(200)은 대상자(1)의 하반신을 세분화한 치수데이터를 얻음으로써 대상자(1)에게 최적화된 맞춤 패턴을 제작할 수 있도록 함과 동시에 해당 치수데이터를 기반으로 생성된 자동팬츠패턴 및 이를 보정한 맞춤팬츠패턴, 그리고 해당 팬츠패턴들을 기반으로 제작한 팬츠를 착용했을 때 대상자(1)로 하여금 보다 편안한 착용감을 느낄 수 있게 하는 것이다.Therefore, such a measurement module 200 obtains dimensional data obtained by subdividing the lower body of the subject (1) so that a customized pattern optimized for the subject (1) can be produced, and at the same time, the automatic pants pattern generated based on the dimensional data And it is to allow the subject 1 to feel a more comfortable fit when wearing the corrected custom pants pattern and pants produced based on the corresponding pants patterns.
더불어 본 발명의 체형그룹생성모듈(300)의 세부 구성에 대해 설명하면 다음과 같다.In addition, a detailed configuration of the body type group generation module 300 of the present invention will be described as follows.
먼저 체형그룹생성모듈(300)에 포함될 수 있는 치수항목설정부(330)는 상기 하반신에 대한 복수개의 치수항목을 설정하는 기능을 수행한다. 이 때 치수항목은 별도로 설정될 수도 있으나, 상술한 기본측정항목 및 추가측정항목과 동일한 방식으로 설정될 수 있다. 치수항목은 기본측정항목, 추가측정항목과 그 기능이 동일하므로 상세한 설명을 생략하도록 한다. 즉, 치수항목은 바람직하게는 기본측정항목, 또는 기본측정항목에 추가측정항목을 더한 데이터일 수도 있다. 이 경우 따라서 상술한 계측모듈(200)을 통해 기본측정항목과 추가측정항목을 구하고, 해당 항목들을 치수항목으로 설정할 수 있는 것이다. 혹은 기본측정항목과 추가측정항목을 더한 뒤 그 중 일부만을 추출한 데이터일 수도 있다. First, the dimension item setting unit 330 that may be included in the body type group generation module 300 performs a function of setting a plurality of dimension items for the lower body. In this case, the dimension items may be set separately, but may be set in the same manner as the basic measurement items and additional measurement items described above. Dimensional items are the same as basic measurement items and additional measurement items, so detailed descriptions are omitted. That is, the dimension item may preferably be a basic measurement item or data obtained by adding an additional measurement item to the basic measurement item. In this case, accordingly, basic measurement items and additional measurement items can be obtained through the measurement module 200 described above, and the corresponding items can be set as dimension items. Alternatively, it may be data obtained by adding only a part of the basic measurement items and additional measurement items.
다음으로 체형그룹생성모듈(300)에 포함될 수 있는 그룹생성부(310)는 상기 스캔데이터를 기반으로 상기 대상자(1)의 하반신을 모델링한 하반신모델을 기반으로 하여 팬츠의 설계 및 가봉 시에 패턴에서 체형에 따라 차이를 보이는 부위 중에서 의복 착용 시 하반신 의복 맞음새에 불만족을 유발하는 부위를 중심으로 하반신 부위별 체형 요소, 바람직하게는 치수항목을 결정하고, 해당 체형 요소(치수항목)를 기반으로 복수개의 체형그룹을 생성한다. 체형그룹 개수에 대한 결정은 상술한 전문가(2) 집단에 의해 이루어지는 것을 기반으로 하나, 결정 방식에 있어서는 별도의 제한을 두지 않는다.Next, the group generation unit 310, which may be included in the body type group generation module 300, is based on the lower body model that models the lower body of the subject 1 based on the scan data. The body shape factor for each lower body part, preferably the size item, is determined based on the part that causes dissatisfaction with the fit of the lower body when wearing clothes among the parts showing differences according to the body shape in, and based on the corresponding body shape factor (dimension item). Create multiple body type groups. The determination of the number of body type groups is based on the decision made by the group of experts (2) described above, but there is no restriction on the method of determination.
또한 체형그룹생성모듈(300)에 포함될 수 있는 유형화부(320)는 상기 대상자(1)의 치수데이터를 기반으로 상기 대상자(1)를 복수개의 체형그룹 중 어느 하나로 유형화하는 기능을 수행한다. 이 때 유형화 방식에는 제한을 두지 않으나, 본 발명의 후술할 구성을 적용한다면 유형, 즉 체형그룹의 신뢰성에 대한 검증이 가능하여 보다 세분화되고 객관화된 유형화가 가능할 수 있다. 이를 위한 추가 구성에 대해 설명하면 다음과 같다.In addition, the tying unit 320 that may be included in the body type group generation module 300 performs a function of tying the
나아가, 보다 세분화되고 객관화된 유형화를 위해 본 발명의 체형그룹생성모듈(300)은 치수분석부(340)를 포함할 수 있다. 치수분석부(340)는 상술한 구성에서 설정된 복수의 상기 치수항목에 대하여 다변량 판별분석을 수행하여 항목분석정보를 생성하는 역할을 수행한다. 이 때 치수분석부(340)는 상세하게는 판별함수도출파트(341), 추가산출파트(342), 비율산출파트(343), 종합분석파트(344)를 포함하여 구성될 수 있다.Further, the body type group generation module 300 of the present invention may include a dimension analysis unit 340 for more subdivided and objectified typeization. The dimension analysis unit 340 plays a role of generating item analysis information by performing multivariate discrimination analysis on the plurality of dimension items set in the above-described configuration. In this case, the dimension analysis unit 340 may include, in detail, a discrimination function derivation part 341, an additional calculation part 342, a ratio calculation part 343, and a comprehensive analysis part 344.
도 6은 본 발명의 선형판별함수의 계수를 나타낸 표이며, 도 7은 본 발명의 정준판별함수를 기반으로 생성된 산점도이며, 도 8은 본 발명의 정준판별함수의 계수를 나타낸 표이다.6 is a table showing the coefficients of the linear determination function of the present invention, FIG. 7 is a scatter diagram generated based on the canonical determination function of the present invention, and FIG. 8 is a table showing the coefficients of the canonical determination function of the present invention.
먼저 판별함수도출파트(341)는 복수개의 상기 치수항목을 독립변수로 판별분석을 수행하여 판별함수를 도출하는 기능을 수행한다. 여기서 판별함수는 선형판별함수 및 정준판별함수 중 적어도 어느 하나일 수 있으며, 바람직하게는 선형판별함수 및 정준판별함수를 동시에 판단하게 된다. 이와 같은 판별분석은 설정한 치수항목에 대한 검증 절차라고 할 수 있는데, 설정된 치수항목을 분류함수 및 정준판별함수 중 적어도 어느 하나의 독립변수로 투입함으로써 판별분석을 실시하고 이를 기반으로 선형판별함수를 얻는다. 이 때 다변량 판별분석(Multivariate discriminant analysis)은 독립변수가 연속변수이고 종속변수가 범주변수일 때 선험적으로 정의된 집단들을 가장 잘 판별할 수 있는 독립변수의 선형 조합을 찾아내는 통계분석 기법이므로, 집단 판별의 검증을 위해선 최적화되어 있다 할 수 있다.First, the discrimination function derivation part 341 performs a function of deriving a discriminant function by performing discriminant analysis on a plurality of the dimension items as independent variables. Here, the discrimination function may be at least one of a linear discrimination function and a canonical discrimination function, and preferably, the linear discrimination function and the canonical discrimination function are simultaneously determined. Such discriminant analysis can be said to be a verification procedure for the set dimension items. Discriminant analysis is performed by inputting the set dimension items as at least one independent variable among the classification function and the canonical judgment function, and based on this, the linear judgment function is calculated. Get At this time, multivariate discriminant analysis is a statistical analysis technique that finds a linear combination of independent variables that best distinguishes a priori defined groups when the independent variable is a continuous variable and the dependent variable is a categorical variable. It can be said that it is optimized for verification of
이 때 판별함수 중에서도 선형판별함수는 기본적으로 다음의 수학식 3의 방식으로 산출될 수 있다.In this case, among the discriminant functions, the linear discrimination function can be basically calculated by the method of
수학식 3,
여기서, 
이 때 수학식 3을 실제로 적용함에 있어 함수계수의 예시에 대해 도시한 표가 도 6에 도시되어 있다. 이 때 본 발명에서는 Fisher의 선형 판별식을 이용하여 체형그룹을 분류하였으며, 20개의 변수와 상수를 이용하여 판별함수식을 만들고 집단을 판별하였다. 즉 이때 치수항목의 개수는 20개인 것이며, 각각의 계수는 도 6을 통해 확인할 수 있다.In this case, a table showing an example of a function coefficient in actually applying
더불어 선형판별함수 외에도 정준판별함수 역시 산출할 수 있는데, 이 때 정준판별함수의 경우 두 변수집단 사이에 존재하는 상관성 또는 상관구조를 설명하기 위한 통계적 분석기법이다. 정준분석은 변수집단 간의 상관구조를 가장 잘 설명하는 집단 내 변수들의 선형결합(이를 정준변수(canonical variable)라 함)을 찾는 과정으로 이해될 수 있으며 그 절차는 다음과 같다. 먼저 여러 변수들이 편의상 종속변수집단 Y＝(Y1, ㅇㅇㅇ, Yq)′와 독립변수집단 X＝(X1, ㅇㅇㅇ, Xp)′로 분류되었다고 하자. 집단 내 변수들의 선형결합 즉 변수 X들의 선형결합 W와 변수 Y들의 선형결합 V의 쌍들을 다음과 같은 방식으로 구해나간다.In addition, in addition to the linear judgment function, the canonical judgment function can also be calculated. In this case, the canonical judgment function is a statistical analysis method to explain the correlation or correlation structure that exists between two variable groups. Canonical analysis can be understood as the process of finding a linear combination of variables within a group (this is called canonical variable) that best explains the correlation structure between variable groups, and the procedure is as follows. First, suppose that several variables are classified into the dependent variable group Y = (Y1, ㅇㅇㅇ, Yq)' and the independent variable group X = (X1, ㅇㅇㅇ, Xp)' for convenience. The linear combination of variables in the group, that is, the linear combination W of the variables X and the linear combination V of the variables Y, are obtained in the following manner.
먼저 제1정준변수쌍이라 불리는 (W1, V1)은 W와 V 간의 단순상관계수를 최대화시키는 변수집단 내의 선형결합으로, 각각의 분산이 단위분산(1의 값)이 되도록 구성한다. (이 때 W1과 V1의 상관계수를 제1정준상관계수라 한다.) 다음으로 제2정준변수쌍 (W2, V2)는 (W1, V1)와는 독립이며 역시 단순상관계수가 최대가 되도록 하는 단위분산을 갖는 선형결합을 의미한다.First, (W1, V1), called the first pair of canonical variables, is a linear combination within a variable group that maximizes the simple correlation coefficient between W and V, and each variance is configured to be a unit variance (value of 1). (At this time, the correlation coefficient between W1 and V1 is referred to as the first canonical correlation coefficient.) Next, the second canonical variable pair (W2, V2) is independent of (W1, V1), and the unit variance to maximize the number of simple correlations. It means a linear combination with
이러한 과정을 통해 만들어지는 여러 개의 정준변수쌍들의 계수나 부호 등을 적절히 해석함으로써 두 변수집단 사이에 내재하는 상관구조를 잘 설명해 낼 수 있다.By appropriately interpreting the coefficients or signs of several canonical variable pairs created through this process, the correlation structure inherent between the two variable groups can be well explained.
이 때 본 발명의 정준판별함수에 있어 도 7을 통해 산점도를 확인할 수 있으며, 그 계수는 도 8의 표에 도시되어 있다. 3개의 체형그룹을 통해 정준판별함수를 산출하는 경우 정준판별함수는 2개가 나온다. 즉 정준판별함수의 개수는 설정된 체형그룹의 수보다 1 적은 수인 것을 기본으로 한다.At this time, in the canonical determination function of the present invention, a scatter plot can be confirmed through FIG. 7, and the coefficients are shown in the table of FIG. 8. When calculating the canonical judgment function through three body type groups, there are two canonical judgment functions. That is, the number of canonical discrimination functions is based on one less than the set number of body type groups.
더불어 정준판별함수의 경우 윌크스-람다(Wilks's Lambda) 값을 산출할 수 있다. 이는 치수분석부(340)에 포함될 수 있는 추가산출파트(342)를 통해 산출할 수 있다. 추가산출파트(342)는 상기 판별함수, 보다 바람직하게는 정준판별함수의 윌크스-람다 값을 산출하는 기능을 수행하는 것으로서, 이 때 바람직하게는 다음의 수학식 4가 적용될 수 있다.In addition, in the case of the canonical determination function, Wilks's Lambda value can be calculated. This may be calculated through an additional calculation part 342 that may be included in the dimensional analysis unit 340. The additional calculation part 342 performs a function of calculating the Wilkes-Lambda value of the discrimination function, more preferably the canonical discrimination function, and in this case, the following Equation 4 may be preferably applied.
수학식 4,Equation 4,
(여기서, 
이 때 윌크스-람다의 경우 종속변인들의 전체분산에 대한 집단내 분산의 비율을 의미하므로, 독립변인이 종속변인을 유의하게 설명했는지를 통계적으로 검증하는 기능을 수행한다. 도 7에 본 발명의 정준판별함수의 윌크스-람다 값이 개시되어 있다.At this time, in the case of Wilkes-Lambda, it means the ratio of the intra-group variance to the total variance of the dependent variable, so it performs the function of statistically verifying whether the independent variable significantly explained the dependent variable. 7 shows the Wilkes-Lambda value of the canonical determination function of the present invention.
또한 정준판별함수의 경우 F-비율을 판별해낼 수 있다. 이는 비율산출파트(343)를 통해 구현해낼 수 있다. F-비율은 집단 간 분산과 집단 내 분산의 비율 또는 집단 간 변량 대 집단 내 변량의 비율. 간단하게는 요인을 조작하면서 생기는 변량을 오차로 인해 생기는 변량으로 나눈 것이며, 이 역시 통계적 검증을 위해 이용된다.Also, in the case of the canonical determination function, the F-ratio can be determined. This can be implemented through the ratio calculation part 343. F-ratio is the ratio of variance between groups and variance within groups, or the ratio of variance between groups to variance within groups. In simple terms, the variance generated while manipulating the factor is divided by the variance caused by the error, which is also used for statistical verification.
또한 치수분석부(320)에 포함될 수 있는 평균값산출파트(345)는 상기 체형그룹별로 상기 치수항목에 대한 평균판별값을 산출하는 기능을 수행하는데, 이 때 평균판별값의 경우 설정 방법에 제한을 두지 않으나, 바람직하게는 각 치수항목별 판별함수의 산점도에서 중간값을 구하여 이용할 수 있다. 이 때 중간값의 예시는 도 6에 개시되어 있다.In addition, the average value calculation part 345 that may be included in the dimension analysis unit 320 performs a function of calculating the average determination value for the dimension items for each body type group. In this case, the average determination value is limited to the setting method. Although not provided, it is preferable to obtain and use an intermediate value from a scatter plot of the discrimination function for each dimension item. An example of the intermediate value at this time is disclosed in FIG. 6.
더불어 치수분석부(340)에 포함될 수 있는 경계값산출파트(346)는 상기 평균판별값을 기반으로 상기 체형그룹별 경계값을 산출하는 기능을 수행하는데, 이 때 경계값은 다음의 수학식 5을 통해 산출될 수 있다.In addition, the boundary value calculation part 346 that may be included in the dimension analysis unit 340 performs a function of calculating a boundary value for each body type group based on the average determination value, in which case the boundary value is the following Equation 5 It can be calculated through
수학식 5,Equation 5,
(여기서, 
이와 같은 경계값 검증을 통해 대상자(1) 개개인에 대한 하반신의 특징을 반영하는 변수를 이용하여 선형판별함수와 정준판별함수를 구하고, 각각의 유형에 대한 판별점수 범위를 제시함으로서 대상자(1) 개개인의 체형그룹을 상세히 판별하는데 이용할 수 있는 것이다.Through such a boundary value verification, the subject (1) individual subject (1) by using the variable reflecting the characteristics of the lower body to obtain the linear and canonical discrimination function, and by presenting the discriminant score range for each type. It can be used to determine in detail the body type group of.
따라서 이와 같은 값들을 종합하여 치수분석부(340)에 포함될 수 있는 종합분석파트(344)는 상기 판별함수, 상기 윌크스-람다, 상기 F-비율, 나아가 경계값을 기반으로 산출된 판별점수 범위를 기반으로 상기 항목분석정보를 생성할 수 있게 된다.Accordingly, the comprehensive analysis part 344 that can be included in the dimension analysis unit 340 by synthesizing these values includes the discrimination function, the Wilkes-Lambda, the F-ratio, and further, the range of the discrimination score calculated based on the boundary value. Based on the item analysis information can be generated.
이와 같은 치수분석부(340)는 분류의 정확도가 높을 뿐 아니라 객관화된 분류가 가능하다는 장점이 있으며, 체형그룹이 객관화되지 않고 정확하게 분류되지 않은 경우 윌크스-람다 값 또는 F-비율 값을 산출했을 때 신뢰도가 낮은 결과를 얻게 된다. 따라서 체형그룹의 재설정을 유도할 수도 있게 되는 것이다. 따라서 이러한 구성을 통해 설정된 치수항목 및 체형그룹에 대한 검증이 가능해진다.The dimension analysis unit 340 has the advantage of not only having high accuracy of classification, but also capable of objectifying classification, and when a Wilkes-Lambda value or an F-ratio value is calculated when the body type group is not objectified and is not accurately classified. You will get results with low reliability. Therefore, it is possible to induce the reorganization of the body type group. Therefore, it becomes possible to verify the set dimension items and body type groups through this configuration.
따라서 상술한 치수분석부(340)의 세부 구성을 포함할 시, 상기 유형화부(320)는 상기 대상자(1)를 항목분석정보를 기반으로 검증 처리된 복수개의 상기 체형그룹 중 어느 하나로 유형화할 수 있게 된다.Therefore, when including the detailed configuration of the dimension analysis unit 340 described above, the typeization unit 320 may categorize the subject 1 into any one of the plurality of body type groups verified based on item analysis information. There will be.
지금까지 설명한 바와 같이, 본 발명에 따른 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템의 구성 및 작용을 상기 설명 및 도면에 표현하였지만 이는 예를 들어 설명한 것에 불과하여 본 발명의 사상이 상기 설명 및 도면에 한정되지 않으며, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 다양한 변화 및 변경이 가능함은 물론이다.As described so far, the configuration and operation of the body type classification automation and pattern automatic correction system using the artificial neural network according to the present invention are expressed in the above description and drawings, but this is only described as an example. It is not limited to the drawings, and various changes and changes are possible without departing from the technical spirit of the present invention.
1 : 대상자
2 : 전문가
3 : 메인서버
10 : 시스템
100 : 스캐닝모듈
200 : 계측모듈
210 : 기준점설정부
220 : 기준선설정부
230 : 기본측정설정부
240 : 데이터입력부
250 : 이미지생성부
260 : 기준표시부
261 : 선표시파트
262 : 외곽점표시파트
270 : 추가측정설정부
300 : 체형그룹생성모듈
310 : 그룹생성부
320 : 유형화부
330 : 치수항목설정부
340 : 치수분석부
341 : 판별함수도출파트
342 : 추가산출파트
343 : 비율산출파트
344 : 종합분석파트
345 : 평균값산출파트
346 : 경계값산출파트
400 : 패턴생성모듈
500 : 보정모듈
410 : 기본패턴생성부 420 : 자동패턴생성부
510 : 모델생성부
520 : 가상착의부
530 : 세부보정부
600 : 보정예측모듈
610 : 축적DB
620 : 예측값산출부
630 : 정확도산출부
640 : 예측삭제부1: Subject 2: Expert
3: main server 10: system
100: scanning module 200: measurement module
210: reference point setting unit 220: reference line setting unit
230: basic measurement setting unit 240: data input unit
250: image generation unit 260: standard display unit
261: line display part 262: outline point display part
270: additional measurement setting unit 300: body type group generation module
310: group creation unit 320: typeization unit
330: dimension item setting unit 340: dimension analysis unit
341: Discrimination function derivation part 342: Additional calculation part
343: ratio calculation part 344: comprehensive analysis part
345: average value calculation part 346: boundary value calculation part
400: pattern generation module 500: correction module
410: basic pattern generation unit 420: automatic pattern generation unit
510: model generation unit 520: virtual clothing unit
530: detailed correction unit 600: correction prediction module
610: accumulation DB 620: predicted value calculation unit
630: accuracy calculation unit 640: prediction deletion unit
Claims (11)
대상자의 하반신을 3차원 스캐닝하여 스캔데이터를 생성하는 스캐닝모듈;
상기 스캔데이터로부터 상기 대상자의 하반신에 대한 복수개의 치수데이터를 수집하는 계측모듈;
상기 치수데이터를 기반으로 상기 대상자의 체형을 복수개의 체형그룹 중 어느 하나로 유형화하는 체형그룹생성모듈;
상기 대상자의 치수데이터와, 상기 대상자가 속한 상기 체형그룹을 기반으로 상기 대상자에 대한 자동팬츠패턴을 생성하는 패턴생성모듈;
패턴 변형값 입력을 통해 상기 자동팬츠패턴을 보정하여 상기 대상자에 대한 맞춤팬츠패턴을 생성하는 보정모듈;을 포함하는 것을 특징으로 하는, 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템.As a body type classification automation and pattern automatic correction system using an artificial neural network,
A scanning module for generating scan data by 3D scanning the lower body of the subject;
A measurement module for collecting a plurality of dimension data for the lower body of the subject from the scan data;
A body shape group generation module for categorizing the subject's body shape into one of a plurality of body shape groups based on the dimension data;
A pattern generation module for generating an automatic pants pattern for the subject based on the subject's dimension data and the body shape group to which the subject belongs;
Comprising; a correction module for generating a custom pants pattern for the subject by correcting the automatic pants pattern through the input of a pattern modification value; a body type classification automation and pattern automatic correction system using an artificial neural network.
상기 보정모듈은,
상기 스캔데이터를 기반으로 상기 대상자의 하반신을 모델링한 하반신모델을 생성하는 모델생성부 및,
시뮬레이터를 통해 상기 자동팬츠패턴을 상기 하반신모델에 가상 착의 처리한 드레이프데이터를 생성하는 가상착의부 및,
상기 드레이프데이터를 기반으로 패턴 변형값 입력을 통해 상기 자동팬츠패턴을 보정하여 상기 맞춤팬츠패턴을 생성하는 세부보정부를 더 포함하는 것을 특징으로 하는, 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템.The method of claim 1,
The correction module,
A model generation unit for generating a lower body model modeling the lower body of the subject based on the scan data, and
A virtual wearing unit for generating drape data obtained by virtually wearing the automatic pants pattern on the lower body model through a simulator, and
A body type classification automation and pattern automatic correction system using an artificial neural network, characterized in that it further comprises a detailed correction unit for generating the customized pants pattern by correcting the automatic pants pattern through input of a pattern deformation value based on the drape data.
상기 시스템은,
기 입력된 상기 패턴 변형값을 기변형값으로써 저장하는 축적DB 및, 저장된 상기 기변형값을 기반으로 상기 대상자에 대한 패턴 변형 예측값을 산출하는 예측값산출부를 포함하는 보정예측모듈;을 더 포함하며,
상기 보정모듈은,
입력된 상기 패턴 변형값 및 산출된 상기 패턴 변형 예측값 중 적어도 어느 하나를 통해 상기 자동팬츠패턴을 보정하여 상기 대상자에 대한 맞춤팬츠패턴을 생성하는 것을 특징으로 하는, 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템.The method of claim 2,
The system,
A correction prediction module including an accumulation DB for storing the previously inputted pattern deformation values as an odd deformation value, and a prediction value calculation unit for calculating a pattern deformation prediction value for the subject based on the stored abnormal deformation values; and
The correction module,
Body type classification automation and pattern using an artificial neural network, characterized in that the automatic pants pattern is corrected through at least one of the input pattern deformation value and the calculated pattern deformation predicted value to generate a custom pants pattern for the subject. Automatic correction system.
상기 예측값산출부는,
기변형값을 통해 산출된 패턴 길이 증가량, 패턴 길이 감소량, 패턴 변형률을 기반으로 상기 대상자에 대해 생성된 자동팬츠패턴의 각 측정항목에 대한 패턴 변형 예측값을 산출하는 것을 특징으로 하는, 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템.The method of claim 3,
The predicted value calculation unit,
Using an artificial neural network, characterized in that, based on the pattern length increase amount, the pattern length decrease amount, and the pattern strain rate calculated through the deformity value, a pattern deformation prediction value for each measurement item of the automatic pants pattern generated for the subject is calculated. Automated body classification and automatic pattern correction system.
상기 보정예측모듈은,
축적된 상기 기변형값의 개수와 패턴 변형량 및 패턴 변형률을 기반으로 상기 자동팬츠패턴에 대한 패턴 변형 예측 정확도를 산출하는 정확도산출부 및,
상기 예측 정확도가 기 설정된 기준정확도 미만인 경우 산출된 상기 패턴 변형 예측값을 삭제 처리하는 예측삭제부를 더 포함하는 것을 특징으로 하는, 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템.The method of claim 4,
The correction prediction module,
An accuracy calculation unit that calculates a pattern deformation prediction accuracy for the automatic pants pattern based on the accumulated number, pattern deformation amount, and pattern deformation rate, and
A system for automating body type classification and automatic pattern correction using an artificial neural network, further comprising a prediction deletion unit that deletes and processes the calculated pattern deformation prediction value when the prediction accuracy is less than a preset reference accuracy.
상기 패턴 변형 예측값은,
다음의 수학식 1을 기반으로 산출되는 것을 특징으로 하는, 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템.
수학식 1.
(여기서,
The pattern deformation predicted value,
Body type classification automation and pattern automatic correction system using an artificial neural network, characterized in that calculated based on Equation 1 below.
Equation 1.
(here,
상기 패턴 변형 예측 정확도는,
다음의 수학식 2를 기반으로 산출되는 것을 특징으로 하는, 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템.
수학식 2,
(여기서,
The pattern deformation prediction accuracy is,
Body type classification automation and pattern automatic correction system using an artificial neural network, characterized in that calculated based on Equation 2 below.
Equation 2,
(here,
상기 계측모듈은,
상기 하반신에 대한 복수개의 3차원 기준점을 설정하는 기준점설정부 및,
상기 스캔데이터에 상기 3차원 기준점을 반영하여 하반신 기준선을 설정하는 기준선설정부 및,
상기 하반신 기준선을 기반으로 상기 하반신을 세분화하여 복수개의 기본측정항목을 설정하는 기본측정설정부 및,
상기 대상자의 상기 스캔데이터로부터 각각의 상기 기본측정항목에 대한 복수개의 치수데이터를 입력받는 데이터입력부를 더 포함하는 것을 특징으로 하는, 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템.The method of claim 1,
The measurement module,
A reference point setting unit for setting a plurality of three-dimensional reference points for the lower body, and
A reference line setting unit for setting a lower body reference line by reflecting the three-dimensional reference point in the scan data, and
A basic measurement setting unit for setting a plurality of basic measurement items by subdividing the lower body based on the lower body reference line, and
A system for automating body type classification and automatic pattern correction using an artificial neural network, further comprising a data input unit receiving a plurality of dimension data for each of the basic measurement items from the scan data of the subject.
상기 계측모듈은,
상기 스캔데이터를 기반으로 상기 대상자의 하반신에 대한 정면이미지 및, 좌측면이미지 및 우측면이미지 중 어느 하나로 이루어진 측면이미지를 생성하는 이미지생성부 및,
상기 정면이미지 및 상기 측면이미지에 각각의 상기 하반신 기준선을 표시 처리하는 선표시파트 및, 상기 정면이미지 및 상기 측면이미지 각각의 외곽선과 상기 하반신 기준선이 교차하는 최외각점을 표시 처리하는 외각점표시파트를 포함하는 기준표시부 및,
복수개의 상기 최외각점을 기준으로 상기 하반신을 세분화하여 복수개의 추가측정항목을 설정하는 추가측정설정부를 더 포함하고,
상기 데이터입력부는,
상기 대상자의 상기 스캔데이터로부터 각각의 상기 기본측정항목 및 상기 추가측정항목에 대한 복수개의 치수데이터를 입력받는 것을 특징으로 하는, 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템.The method of claim 8,
The measurement module,
An image generator for generating a front image of the subject's lower body based on the scan data and a side image consisting of one of a left image and a right image, and
A line display part for displaying and processing the lower body reference line on the front image and the side image, and an outer point display part for displaying and processing the outermost point where the outline of each of the front image and the side image and the lower body reference line intersect A reference display unit comprising a, and,
Further comprising an additional measurement setting unit for setting a plurality of additional measurement items by subdividing the lower body based on the plurality of outermost points,
The data input unit,
A body type classification automation and pattern automatic correction system using an artificial neural network, characterized in that receiving a plurality of dimension data for each of the basic measurement items and the additional measurement items from the scan data of the subject.
상기 3차원 기준점은,
10개 내지 20개이며,
상기 기본측정항목은,
50개 내지 90개이고,
상기 추가측정항목은,
130개 내지 160개인 것을 특징으로 하는, 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템.The method of claim 9,
The three-dimensional reference point,
10 to 20,
The basic metrics above are,
50 to 90,
The above additional metrics are:
Characterized in that 130 to 160, body type classification automation and pattern automatic correction system using an artificial neural network.
상기 체형그룹생성모듈은,
상기 하반신에 대한 복수개의 치수항목을 설정하는 치수항목설정부 및,
복수개의 상기 치수항목에 대해 다변량 판별분석을 수행하여 항목분석정보를 생성하는 치수분석부를 더 포함하며,
상기 유형화부는,
상기 대상자를 항목분석정보를 기반으로 검증 처리된 복수개의 상기 체형그룹 중 어느 하나로 유형화하는 것을 특징으로 하는, 인공신경망을 이용한 체형분류 자동화 및 패턴 자동보정 시스템.The method of claim 10,
The body type group generation module,
A dimension item setting unit for setting a plurality of dimension items for the lower body, and
Further comprising a dimension analysis unit for generating item analysis information by performing multivariate discrimination analysis on a plurality of the dimension items,
The tangible part,
A system for automating body type classification and automatic pattern correction using an artificial neural network, characterized in that the subject is categorized into any one of a plurality of body type groups verified based on item analysis information.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190090328A KR102236191B1 (en) | 2019-07-25 | 2019-07-25 | A System Providing Auto Revision of Pattern with Artificial Neural Network |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190090328A KR102236191B1 (en) | 2019-07-25 | 2019-07-25 | A System Providing Auto Revision of Pattern with Artificial Neural Network |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210012493A true KR20210012493A (en) | 2021-02-03 |
| KR102236191B1 KR102236191B1 (en) | 2021-04-05 |
Family
ID=74571968
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190090328A KR102236191B1 (en) | 2019-07-25 | 2019-07-25 | A System Providing Auto Revision of Pattern with Artificial Neural Network |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102236191B1 (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102361729B1 (en) * | 2021-08-03 | 2022-02-14 | 주식회사 모즈메이드 | Method, device and system for manufacturing big size clothing based on body shape analysis |
| KR102409662B1 (en) * | 2021-03-19 | 2022-06-15 | 고려대학교 산학협력단 | Apparatus and method for correcting 3D body scan data |
| KR102438726B1 (en) * | 2021-12-17 | 2022-08-31 | 에프원테크시스템즈 주식회사 | Method, device and system for ordering and manufacturing clothes using clothes manufacturing process automation solution |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101672299B1 (en) * | 2016-02-22 | 2016-11-03 | 이정구 | Automatic customized service system and method of Clothes pattern and Customized clothes manufactured by using this method |
-
2019
- 2019-07-25 KR KR1020190090328A patent/KR102236191B1/en active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101672299B1 (en) * | 2016-02-22 | 2016-11-03 | 이정구 | Automatic customized service system and method of Clothes pattern and Customized clothes manufactured by using this method |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102409662B1 (en) * | 2021-03-19 | 2022-06-15 | 고려대학교 산학협력단 | Apparatus and method for correcting 3D body scan data |
| KR102361729B1 (en) * | 2021-08-03 | 2022-02-14 | 주식회사 모즈메이드 | Method, device and system for manufacturing big size clothing based on body shape analysis |
| KR102438726B1 (en) * | 2021-12-17 | 2022-08-31 | 에프원테크시스템즈 주식회사 | Method, device and system for ordering and manufacturing clothes using clothes manufacturing process automation solution |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102236191B1 (en) | 2021-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Fit evaluation of virtual garment try-on by learning from digital pressure data | |
| Wang | An analysis and evaluation of fitness for shoe lasts and human feet | |
| KR102236191B1 (en) | A System Providing Auto Revision of Pattern with Artificial Neural Network | |
| Hong et al. | Interactive virtual try-on based three-dimensional garment block design for disabled people of scoliosis type | |
| Hong et al. | Design and evaluation of personalized garment block for atypical morphology using the knowledge-supported virtual simulation method | |
| EP1160732B1 (en) | Virtual shape generation through free-form deformation | |
| Kim et al. | An exploratory study of users’ evaluations of the accuracy and fidelity of a three-dimensional garment simulation | |
| US20040078285A1 (en) | Production of made to order clothing | |
| Lacko et al. | Product sizing with 3D anthropometry and k-medoids clustering | |
| Luximon et al. | Sizing and grading for wearable products | |
| US20210089691A1 (en) | Method, system and computer-readable storage medium for simulating clothing comfort and method for manufacturing clothing | |
| KR102236188B1 (en) | A Clothes Size suggestion System Based On Size-clearance | |
| US20220366715A1 (en) | Optimizing bra sizing according to the 3d shape of breasts | |
| CN113158272A (en) | Automatic printing method and system for personalized clothing customization | |
| Zhang et al. | Shoe-last design exploration and customization | |
| Mahnic et al. | Investigation of the fit of computer-based parametric garment prototypes | |
| Petrak et al. | Research of 3D body models computer adjustment based on anthropometric data determined by laser 3D scanner | |
| KR102236199B1 (en) | A System Making Patterns with Artificial Neural Network | |
| Niu et al. | Multi-resolution shape description and clustering of three-dimensional head data | |
| JP2017102855A (en) | Average shape calculation method of three-dimensional shape object and program thereof | |
| Kulińska et al. | Block pattern design system using 3D zoning method on digital environment for fitted garment | |
| Cottle et al. | Framework of understanding somatological constructs relative to the fit of apparel | |
| EP1341427A2 (en) | Production of made to order clothing | |
| EP3764268A1 (en) | Computer-aided manufacturing a customized product | |
| Chen et al. | Estimation of ease allowance of a garment using fuzzy logic |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |