本发明属于布料裁切计算机系统,尤其涉及一种基于深度学习的布料裁切方法、电子设备及存储介质。
背景技术:
1、传统的衣服生产,均是通过将布料裁切到合适的尺寸进行自动化缝制。然而,在对布料进行裁切时,通常是由专业人员对用户进行尺寸测量,并根据测量结果对布料进行手动裁切,这将会大大降低布料的裁切效率,还会因人工操作导致裁切效果不好的情况出现。
2、为此,现急需提供一种基于深度学习的布料裁切方法。
技术实现思路
1、本发明提供一种基于深度学习的布料裁切方法、电子设备及存储介质,用以解决现有技术中存在的缺陷。
2、本发明提供一种基于深度学习的布料裁切方法,包括:
3、获取用户骨骼信息,并将所述用户骨骼信息输入至目标布料拆解模型,得到所述目标布料拆解模型输出的需求布料块;
4、计算所述需求布料块的块面积,并基于所述块面积与所述需求布料块对应的切割个数变量的第一乘积,确定待切割布料的面积损失,并以最小化所述面积损失为目标,求解所述切割个数变量的取值以及每次切割的位置信息;
5、基于所述切割个数变量的取值以及每次切割的位置信息,对所述待切割布料进行裁切;
6、其中,所述目标布料拆解模型基于携带有皮肤网格标签以及布料网格标签的样本骨骼信息进行深度学习得到。
7、根据本发明提供的一种基于深度学习的布料裁切方法,所述基于所述切割个数变量的取值以及每次切割的位置信息,对所述待切割布料进行裁切,包括:
8、基于所述切割个数变量的取值以及每次切割的位置信息,按所述需求布料块对应的权重系数由大到小的顺序,对所述待切割布料进行裁切;
9、相应地,所述基于所述块面积以及所述需求布料块对应的切割个数变量的乘积,确定待切割布料的面积损失,包括:
10、计算所述需求布料块对应的权重系数与所述第一乘积的第二乘积,并基于所述第二乘积,确定所述面积损失。
11、根据本发明提供的一种基于深度学习的布料裁切方法,所述以最小化所述面积损失为目标,求解所述切割个数变量的取值以及每次切割的位置信息,包括:
12、基于最小化所述面积损失,构建目标函数;
13、采用动态规划算法,对所述目标函数进行求解,得到所述切割个数变量的取值以及每次切割的位置信息。
14、根据本发明提供的一种基于深度学习的布料裁切方法,所述基于所述切割个数变量的取值以及每次切割的位置信息,对所述待切割布料进行裁切,之前包括:
15、对所述待切割布料进行扫描,得到待切割布料图像,并将所述需求布料块转换至所述待切割布料图像的坐标系下;
16、对于当前次切割,对所述待切割布料图像进行逐像素连通域划分,遍历所述待切割布料图像中的每个像素,基于所述需求布料块的边缘以及连通域划分结果,判断所述当前次切割能否完成;
17、基于判断结果,更新所述切割个数变量的取值以及每次切割的位置信息。
18、根据本发明提供的一种基于深度学习的布料裁切方法,所述将所述用户骨骼信息输入至目标布料拆解模型,得到所述目标布料拆解模型输出的需求布料块,包括:
19、将所述用户骨骼信息输入至所述目标布料拆解模型的特征提取层,由所述特征提取层提取所述用户骨骼信息中的空间特征以及时间特征,并将所述空间特征以及所述时间特征进行融合,得到融合特征;
20、将所述融合特征输入至所述目标布料拆解模型的布料网络层,得到所述布料网络层输出的所述需求布料块。
21、根据本发明提供的一种基于深度学习的布料裁切方法,所述由所述特征提取层提取所述用户骨骼信息中的空间特征以及时间特征,包括:
22、由所述特征提取层提取所述用户骨骼信息中的空间特征,并基于注意力机制,应用所述空间特征,提取所述时间特征。
23、根据本发明提供的一种基于深度学习的布料裁切方法,所述目标布料拆解模型的训练步骤包括:
24、将所述样本骨骼信息输入至初始布料拆解模型的初始特征提取层,由所述初始特征提取层提取所述样本骨骼信息中的样本空间特征以及样本时间特征,并将所述样本空间特征以及所述样本时间特征进行融合,得到样本融合特征;
25、将所述样本融合特征输入至所述初始布料拆解模型的初始布料网络层以及初始皮肤网络层,得到所述初始布料网络层输出的布料网络预测结果以及所述初始皮肤网络层输出的皮肤网络预测结果;
26、基于所述布料网络预测结果、所述皮肤网络预测结果、所述皮肤网格标签以及所述布料网格标签,计算损失值,并基于所述损失值,对所述初始布料拆解模型的结构参数进行迭代更新,得到备选布料拆解模型;
27、基于所述备选布料拆解模型中的特征提取层以及布料网络层,构建所述目标布料拆解模型。
28、根据本发明提供的一种基于深度学习的布料裁切方法,还包括:
29、基于增量学习技术,对所述目标布料拆解模型进行更新。
30、本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述的基于深度学习的布料裁切方法。
31、本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述的基于深度学习的布料裁切方法。
32、本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述的基于深度学习的布料裁切方法。
33、与现有技术相比,本发明具有如下有益效果:
34、本发明提供的基于深度学习的布料裁切方法、电子设备及存储介质,该方法通过目标布料拆解模型,可以快速准确且针对用户骨骼信息个性化地确定出需求布料块。通过以最小化面积损失为目标,可以使后续裁切时尽可能节约布料,避免布料浪费。此外,该方法可以实现对待切割布料的自动化裁切,可以避免因人工手动裁切带来的布料裁切效率低、裁切效果不好的问题出现,可以大大提高布料裁切效率,提升裁切效果。
1.一种基于深度学习的布料裁切方法,其特征在于,包括:
2.根据权利要求1所述的基于深度学习的布料裁切方法,其特征在于,所述基于所述切割个数变量的取值以及每次切割的位置信息,对所述待切割布料进行裁切,包括:
3.根据权利要求1所述的基于深度学习的布料裁切方法,其特征在于,所述以最小化所述面积损失为目标,求解所述切割个数变量的取值以及每次切割的位置信息,包括:
4.根据权利要求1所述的基于深度学习的布料裁切方法,其特征在于,所述基于所述切割个数变量的取值以及每次切割的位置信息,对所述待切割布料进行裁切,之前包括:
5.根据权利要求1-4中任一项所述的基于深度学习的布料裁切方法,其特征在于,所述由所述特征提取层提取所述用户骨骼信息中的空间特征以及时间特征,包括:
6.根据权利要求1-4中任一项所述的基于深度学习的布料裁切方法,其特征在于,所述目标布料拆解模型的训练步骤包括:
7.根据权利要求6所述的基于深度学习的布料裁切方法,其特征在于,还包括:
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于深度学习的布料裁切方法。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的基于深度学习的布料裁切方法。