摘要： 傳統(tǒng)服裝產(chǎn)業(yè)面臨諸多問題，如勞動力成本增加、設(shè)計創(chuàng)新不足和供應(yīng)鏈管理不善。這些問題在很大程度上源于服裝產(chǎn)業(yè)的勞動密集型特性，以及對人力資源的高度依賴。人工智能作為一種模擬人類智能行為的技術(shù)，能夠在很大程度上替代人工操作，已在服裝行業(yè)中得到廣泛應(yīng)用，特別是在提升服裝設(shè)計、生產(chǎn)和銷售環(huán)節(jié)的效率及控制制造成本方面。然而，目前關(guān)于人工智能在服裝領(lǐng)域的應(yīng)用現(xiàn)狀尚未得到系統(tǒng)梳理。服裝產(chǎn)品生命周期管理（PLM）是一種集成設(shè)計、制造和銷售業(yè)務(wù)流程的管理方案，旨在幫助企業(yè)跟蹤和管理其服裝產(chǎn)品生命周期。因此，本文將深入探討人工智能在服裝產(chǎn)品生命周期各環(huán)節(jié)中的具體應(yīng)用，從應(yīng)用場景和算法兩方面進(jìn)行綜述，分析現(xiàn)有研究的現(xiàn)狀和不足，希望為相關(guān)領(lǐng)域的研究者提供啟示和參考價值，以推動服裝產(chǎn)業(yè)的轉(zhuǎn)型升級，增強其競爭力。

關(guān)鍵詞： 產(chǎn)品生命周期管理;服裝行業(yè);人工智能;供應(yīng)鏈;深度學(xué)習(xí);市場營銷

中圖分類號： TS941.1

文獻(xiàn)標(biāo)志碼： A

文章編號： 10017003（2024）12期數(shù)0001起始頁碼22篇頁數(shù)

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

現(xiàn)如今，傳統(tǒng)服裝產(chǎn)業(yè)面臨著諸多問題，勞動力成本和供應(yīng)鏈管理難度都在增加，還存在著設(shè)計創(chuàng)新不足等問題。現(xiàn)存的問題很大程度上來源于傳統(tǒng)服裝產(chǎn)業(yè)的勞動密集型特征，對人力資源的高度依賴。傳統(tǒng)的技術(shù)手段依賴專家和勞動力，這就意味著需要從業(yè)人員有足夠的知識儲備和過往經(jīng)驗，即產(chǎn)生大量的人工成本，其中包括不熟練導(dǎo)致的生產(chǎn)資料和時間的浪費，從業(yè)人員的綜合素質(zhì)參差不齊，生產(chǎn)的效率也會受到影響。為了解決傳統(tǒng)服裝產(chǎn)業(yè)的問題，學(xué)術(shù)界和工業(yè)界都投入了巨大的努力來開發(fā)新的信息技術(shù)。

人工智能包括各種理論、方法、技術(shù)和工具，旨在通過人工手段理解、模擬和擴展人類智能^［1］。因此，人工智能技術(shù)能夠很大程度地代替人工操作來完成一些復(fù)雜任務(wù)，這些任務(wù)對可靠性、準(zhǔn)確性和效率的要求顯著提高。實際應(yīng)用中一些其他的信息技術(shù)會配合人工智能技術(shù)使用，如云計算、物聯(lián)網(wǎng)（IoT）和大數(shù)據(jù)技術(shù)^［2］等。人工智能可以作為有效的手段來幫助服裝產(chǎn)業(yè)進(jìn)行優(yōu)化和發(fā)展^［3］，目前已經(jīng)有了廣泛的應(yīng)用，尤其在提升服裝設(shè)計、生產(chǎn)和銷售環(huán)節(jié)的效率及控制制造成本方面。雖然人工智能技術(shù)已經(jīng)在服裝產(chǎn)業(yè)中的一些部分領(lǐng)域發(fā)揮它們的優(yōu)勢，但是目前關(guān)于人工智能技術(shù)在服裝領(lǐng)域的應(yīng)用現(xiàn)狀尚未得到系統(tǒng)梳理。

產(chǎn)品生命周期管理最開始的基礎(chǔ)模型是由韋伯等^［4］提出，之后經(jīng)過不斷地補充更多新技術(shù)而完善。隨后，d’Avolio等^［5］提出了時尚公司產(chǎn)品生命周期管理（PLM）的戰(zhàn)略作用，該系統(tǒng)能夠快速響應(yīng)客戶的請求，并協(xié)助提供價值主張，從而使企業(yè)具有競爭優(yōu)勢。服裝產(chǎn)品生命周期管理（PLM）是一種先進(jìn)的管理理念，是一個將時尚企業(yè)從概念、開發(fā)到采購、制造，再到零售的各個流程聯(lián)系起來的方案，使用“單一事實來源”管理產(chǎn)品數(shù)據(jù)，以驅(qū)動增長、加速產(chǎn)品上市并釋放創(chuàng)造力。

本文通過總結(jié)前人的研究，闡述了服裝產(chǎn)品生命周期的各環(huán)節(jié)內(nèi)容，即消費洞察與流行趨勢分析、產(chǎn)品研發(fā)、上會與組貨、供應(yīng)鏈管理、市場營銷、銷售、消費洞察與流行趨勢分析，如圖1所示。旨在探討人工智能技術(shù)如何應(yīng)用于服裝產(chǎn)品生命周期各環(huán)節(jié)及其主要使用的人工智能技術(shù)，分析了這些應(yīng)用的具體場景和相關(guān)算法，討論其給服裝行業(yè)帶來了怎樣的變化，總結(jié)了在未來該領(lǐng)域所面對的機遇和挑戰(zhàn)。本研究希望能為服裝企業(yè)提供有價值的參考和啟示，幫助他們更好應(yīng)對未來的挑戰(zhàn)和把握發(fā)展機遇。

1 文獻(xiàn)收集與分析

本文使用目前最流行的商業(yè)參考文獻(xiàn)管理軟件之一的End Note軟件連接并搜索Web of Science數(shù)據(jù)庫和Scoups數(shù)據(jù)庫，這兩個數(shù)據(jù)庫是世界領(lǐng)先的引文數(shù)據(jù)庫之一，用于搜索相關(guān)文獻(xiàn)，以期找到全球范圍內(nèi)該方向上的所有文章。搜索過程涉及使用專門為文獻(xiàn)選擇而定制的關(guān)鍵詞和布爾運算符（“和”“OR”）的預(yù)定義組合。關(guān)鍵詞的選擇是基于主題，包括服裝產(chǎn)品生命周期管理和人工智能等概念，以及該領(lǐng)域內(nèi)研究文章中常用的術(shù)語，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產(chǎn)業(yè)的產(chǎn)品生命周期管理相關(guān)文章，因此需進(jìn)行人工篩選，將主題相關(guān)性弱、2015年之前缺乏時效性及不屬于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。

由圖2可知，20世紀(jì)初就有研究者關(guān)注該領(lǐng)域，至2022年，發(fā)表的文章突破了70篇，但是下一年，研究者在該領(lǐng)域的關(guān)注度又開始下降?？傮w來看，對于該領(lǐng)域的研究處于上升趨勢，2021—2022年文獻(xiàn)數(shù)量的激增原因可能是人工智能技術(shù)的快速發(fā)展，同時也表明這一新興研究領(lǐng)域的重要性。

圖3為相關(guān)文章作者的可視化分析，表明在該領(lǐng)域中做出的貢獻(xiàn)比較大的作者為zeng、bruniaux和hong教授。同時，這些作者之間及與其他作者之間的聯(lián)系比較緊密，表明該領(lǐng)域中的學(xué)術(shù)交流氛圍良好，學(xué)科的學(xué)術(shù)交叉性明顯，未來有較好的勢頭。

本文還利用VOSviewer對所收集的文獻(xiàn)進(jìn)行了可視化分析，如圖4所示。由圖4了解到，“machine learning（機器學(xué)習(xí)）”“deep learning（深度學(xué)習(xí)）”“artificial intelligence（人工智能）”“system（系統(tǒng)）”“design（設(shè)計）”“model（模型）”等關(guān)鍵詞的研究熱度非常高。這表明了該領(lǐng)域是近年來研究的熱點，相關(guān)理論和模型在不斷地發(fā)展進(jìn)步，但是同時也反映出研究者多數(shù)從人工智能在設(shè)計方面的應(yīng)用入手，而對于其他角度的討論略少，如針對營銷、生產(chǎn)制造等方面。

本文還使用了中文參考文獻(xiàn)數(shù)據(jù)庫知網(wǎng)進(jìn)行文獻(xiàn)檢索，以期補充國內(nèi)相關(guān)研究的文章，如圖5所示。搜索過程涉及使用專門為文獻(xiàn)選擇而定制的關(guān)鍵詞和運算符（“*”“+”）的預(yù)定義組合，為“（深度學(xué)習(xí)+人工智能+機器學(xué)習(xí)+計算機技術(shù)+信息技術(shù)）*服裝”。經(jīng)過人工篩選，剔除主題相關(guān)性不高、報紙類等文章，收集文獻(xiàn)為知網(wǎng)可選上限500篇，年份為2020年1月到2024年7月。

中文文獻(xiàn)的關(guān)鍵詞研究熱點與英文文獻(xiàn)的相似，由圖5可以看出，針對卷積神經(jīng)網(wǎng)絡(luò)、注意力機制、虛擬試衣、生成式對抗網(wǎng)絡(luò)、虛擬試穿、目標(biāo)檢測等機器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)模型的研究較多，并且集中在服裝設(shè)計、個性化推薦、服裝搭配等領(lǐng)域。

中文文獻(xiàn)作者獨立性較高，相互之間的關(guān)聯(lián)度不強，因此沒有進(jìn)行可視化分析。與英文文獻(xiàn)相似，2022年發(fā)表和收錄的文章最多，整體趨勢相似，推測可能由于2022年前后人工智能發(fā)展迅速，但是近幾年在服裝行業(yè)的研究難度增加，因此該領(lǐng)域需要投入更多的精力研究，并且要加強研究者之間的合作交流，或許有助于推動該領(lǐng)域的進(jìn)一步發(fā)展。

因此，本文重點梳理目前服裝PLM中各環(huán)節(jié)中人工智能應(yīng)用的研究現(xiàn)狀，以期找到研究熱度略低的方向存在怎樣的空白去填補。

2 服裝PLM中使用的人工智能方法

本文總結(jié)了服裝產(chǎn)品生命周期管理（PLM）中使用的人工智能方法，如圖6所示。以技術(shù)目的為指向，將服裝產(chǎn)品生命周期管理（PLM）中使用的人工智能方法分為數(shù)據(jù)挖掘、自然語言處理、計算機視覺、情感計算、知識圖譜、機器學(xué)習(xí)和深度學(xué)習(xí)，以及生成式AI。注重介紹各種技術(shù)的簡要原理及常用的算法模型，并指出這些技術(shù)在服裝行業(yè)中可以具體完成的任務(wù)。

2.1 計算機視覺

計算機視覺是一種模擬人類視覺系統(tǒng)的功能和工作原理，賦予計算機對視覺信息的感知和認(rèn)知能力的技術(shù)。計算機視覺側(cè)重于從圖像/視頻中提取目標(biāo)特征，如邊緣檢測、形狀檢測、拐角檢測和基于顏色的分割。圖像處理技術(shù)則主要是對圖像進(jìn)行各種操作，如增強、降噪、分割等，以改善圖像的視覺效果或提取出有用的信息。這些操作常可以改善圖像的清晰度、色彩平衡、對比度等，也可以應(yīng)用于提取圖像中的特定特征和模式。在圖像處理中常用的人工智能算法有遺傳算法（GA）、蟻群算法（ACO）、模擬退火算法（SA）、粒子群算法（PSO）。為了更好地處理和理解圖像，計算機視覺和圖像處理技術(shù)在很多情況下會一起使用。

計算機視覺通常使用不同的深度卷積神經(jīng)網(wǎng)絡(luò)（CNN），如區(qū)域CNN（R-CNN）、更快的RCNN、全卷積網(wǎng)絡(luò)（FCN）等^［6］，其主要領(lǐng)域有圖像分類、對象檢測^［7］、目標(biāo)跟蹤^［8］、圖像分割^［9］，而這些應(yīng)用領(lǐng)域也多出現(xiàn)在服裝產(chǎn)品生命周期管理（PLM）各環(huán)節(jié)中，因此計算機視覺技術(shù)在服裝的諸多環(huán)節(jié)中能展現(xiàn)其廣泛的應(yīng)用潛力。如在趨勢分析環(huán)節(jié)及上會與組貨環(huán)節(jié)中經(jīng)常需要進(jìn)行服裝圖像分類，但常面臨圖像遮擋、圖像變形、視點變化、尺度變化、背景雜亂等挑戰(zhàn)，為應(yīng)對這些挑戰(zhàn)，計算機視覺研究人員提出了一種基于數(shù)據(jù)驅(qū)動的方法。該方法并不是直接在代碼中指定每個感興趣的圖像分類，而是為計算機每個圖像類別都提供許多示例，然后設(shè)計一個學(xué)習(xí)算法，查看這些示例并學(xué)習(xí)每個類別的視覺外觀。目前較為流行的圖像分類架構(gòu)是卷積神經(jīng)網(wǎng)絡(luò)（CNN），即將圖像送入該網(wǎng)絡(luò)，然后網(wǎng)絡(luò)對圖像數(shù)據(jù)進(jìn)行分類。又如在產(chǎn)品研發(fā)的產(chǎn)品設(shè)計環(huán)節(jié)、供應(yīng)鏈管理的質(zhì)量控制環(huán)節(jié)、銷售環(huán)節(jié)的虛擬試衣中，需要通過對象檢測識別和定位具體的服裝對象，其有助于自動化處理和分析包含多個對象的復(fù)雜圖像。如Li等^［10］提出了一種基于多源特征和極限學(xué)習(xí)機神經(jīng)網(wǎng)絡(luò)的識別框架，用于提高圖像識別性能和縮短圖像識別時間。又如Kaur等^［11］將卷積神經(jīng)網(wǎng)絡(luò)與加速魯棒特征相結(jié)合，提出了一種高效服裝識別框架。張怡等^［12］提出了一種循環(huán)結(jié)構(gòu)的Faster R-CNN網(wǎng)絡(luò)模型，采用一級識別和二級分類的框架，更好地識別襯衫領(lǐng)部，以提高分類精度。

目前主要的對象檢測算法已轉(zhuǎn)向更快、更高效的檢測系統(tǒng)，這種趨勢在You Only Look Once （YOLO），Single Shot Multi Box Detector （SSD）和基于區(qū)域的全卷積網(wǎng)絡(luò)（R-FCN）算法中尤為明顯，這三種算法轉(zhuǎn)向在整個圖像上共享計算。在虛擬試衣中也會使用目標(biāo)跟蹤，通過追蹤用戶的身體動作，以增強現(xiàn)實中實時更新服裝的展示效果。在目標(biāo)跟蹤中，有兩種基本網(wǎng)絡(luò)模型可使用：堆疊自動編碼器（SAE）和卷積神經(jīng)網(wǎng)絡(luò)（CNN），其中主要使用SAE進(jìn)行目標(biāo)跟蹤的網(wǎng)絡(luò)為深度學(xué)習(xí)跟蹤（DLT），而具有代表性的基于CNN的跟蹤算法有全卷積網(wǎng)絡(luò)跟蹤器（FCNT）和多域卷積神經(jīng)網(wǎng)絡(luò)（MDNet）。計算機視覺的核心是分割，而分割在產(chǎn)品研發(fā)、圖案趨勢分析中均有應(yīng)用，將整個服裝圖像分成多個像素組，然后對其進(jìn)行標(biāo)記和分類。圖像分割大體可分為基于圖論的方法、基于像素聚類的方法和基于深度語義的方法三大類，其中基于圖論的代表有歸一化切割、圖割和GrabCut等方法;基于像素聚類的代表方法有K均值、譜聚類、平均值偏移和SLIC等;而基于語義的代表性網(wǎng)絡(luò)有全卷積網(wǎng)絡(luò)（FCN）、Deep Lab系列、金字塔場景解析網(wǎng)絡(luò)（PSPNet）、SegNet等。Su等^［13］采用了一個條件遞進(jìn)網(wǎng)絡(luò)來分析不同尺度的服裝，還防止了標(biāo)簽之間的相互干擾，條件解析網(wǎng)絡(luò)（CPN）、姿態(tài)估計網(wǎng)絡(luò)（PEN）和標(biāo)簽變換網(wǎng)絡(luò)（LTN）這三個子網(wǎng)絡(luò)，展示了所提出的服裝解析模型在ATR和fashion數(shù)據(jù)集上分析時尚服裝的案例，表明該方法可以有效地解析出較小對象，抑制解析映射中的冗余標(biāo)簽，從而超越了最先進(jìn)的方法。

2.2 自然語言處理

自然語言處理（NLP）將計算語言學(xué)（基于規(guī)則的人類語言建模）與統(tǒng)計、機器學(xué)習(xí)和深度學(xué)習(xí)模型相結(jié)合，這些技術(shù)共同使計算機能夠解釋自然語言的完整含義，感知書寫者或者說話者的情緒并滿足他們的意圖，包括自然語言理解（NLU）和自然語言生成（NLG）^［14］。

隨著深度學(xué)習(xí)的引入，NLP取得了重大突破，深度學(xué)習(xí)架構(gòu)為模型注入了對自然語言更多的理解，使得機器可以理解和利用詞語之間的相似性及差異性，這為NLP技術(shù)在服裝的流行趨勢預(yù)測和產(chǎn)品研發(fā)等環(huán)節(jié)的應(yīng)用提供了強大的幫助。其中循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和長短期記憶網(wǎng)絡(luò)（LSTM）特別適用于處理序列數(shù)據(jù)，如文本，它們可以記住并利用過去的輸入信息來更好地預(yù)測未來的輸出。故常在服裝流行趨勢中使用NLP技術(shù)，利用RNN和LSTM等網(wǎng)絡(luò)進(jìn)行文本數(shù)據(jù)分析，包括社交媒體評論、新聞文章和市場報告，以獲取對市場情緒和趨勢的深入了解。如Li等^［15］開發(fā)了一個用于服裝圖像字幕的聯(lián)合屬性檢測和視覺注意框架，生成一個準(zhǔn)確概括服裝圖像內(nèi)容的自然語言句子。這種方法結(jié)合了計算機視覺和自然語言處理技術(shù)，有望在檢索任務(wù)中發(fā)揮更大的作用，從而實現(xiàn)后續(xù)的流行趨勢等任務(wù)。而在產(chǎn)品設(shè)計中，NLP分析大量的時尚數(shù)據(jù)和消費者喜好，有助于理解和生成與設(shè)計相關(guān)的內(nèi)容，可以輔助設(shè)計師擴大創(chuàng)意來源邊界，更專注于創(chuàng)意本身的產(chǎn)出，更有靈感地完成服裝的創(chuàng)作。

NLP能夠自動處理大量文本數(shù)據(jù)，節(jié)省人力資源;并通過分析大量非結(jié)構(gòu)化數(shù)據(jù)，為企業(yè)提供有價值的洞察和決策支持;而且可以通過智能客服和個性化推薦，提供更個性化的服務(wù)，以增加客戶滿意度。自然語言處理通過提供數(shù)據(jù)驅(qū)動的見解和個性化服務(wù)，促進(jìn)了時尚產(chǎn)業(yè)的發(fā)展，同時，NLP技術(shù)的局限性也提示了在實際應(yīng)用中需要綜合考慮數(shù)據(jù)質(zhì)量、模型更新和倫理問題。自然語言的多樣性和歧義性給NLP帶來挑戰(zhàn)，需要不斷優(yōu)化算法來提高準(zhǔn)確性;開發(fā)和維護NLP系統(tǒng)需要專業(yè)的技術(shù)團隊和持續(xù)的投資;在處理大量用戶數(shù)據(jù)時，需要嚴(yán)格遵守數(shù)據(jù)保護法規(guī)，防止數(shù)據(jù)泄露和濫用。盡管存在挑戰(zhàn)，但隨著技術(shù)的進(jìn)步，NLP在服裝行業(yè)的應(yīng)用前景廣闊，有望進(jìn)一步推動行業(yè)的數(shù)字化轉(zhuǎn)型。

2.3 機器學(xué)習(xí)和深度學(xué)習(xí)

機器學(xué)習(xí)（ML）是一門多領(lǐng)域交叉學(xué)科，深度學(xué)習(xí)是機器學(xué)習(xí)的一個分支，它基于人工神經(jīng)網(wǎng)絡(luò)算法，通過構(gòu)建多層次的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，實現(xiàn)對數(shù)據(jù)的高級抽象理解。其學(xué)習(xí)過程之所以是具有深度的，是因為人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)由多個輸入、輸出和隱藏層構(gòu)成，每個層包含的單元可將輸入數(shù)據(jù)轉(zhuǎn)換為信息，供下一層用于特定的預(yù)測任務(wù)。得益于這種結(jié)構(gòu)，機器可以通過自身的數(shù)據(jù)處理以進(jìn)行學(xué)習(xí)。使用機器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)可以構(gòu)建所需的計算機系統(tǒng)和應(yīng)用程序來執(zhí)行與人類智能有關(guān)的任務(wù)，如圖片識別、語音識別、語言翻譯。

因此在服裝行業(yè)中，深度學(xué)習(xí)和機器學(xué)習(xí)的應(yīng)用非常廣泛，常被用于消費洞察、流行趨勢及產(chǎn)品研發(fā)的環(huán)節(jié)中。機器學(xué)習(xí)的算法通?？煞譃榉诸愊嚓P(guān)算法、回歸相關(guān)算法和聚類相關(guān)算法三種^［16］，申宇等^［17］即利用機器學(xué)習(xí)中的K-means聚類、MLP神經(jīng)網(wǎng)絡(luò)、ANN算法等模型和算法進(jìn)行關(guān)于女大學(xué)生頭面部號型歸檔與預(yù)測的研究。深度學(xué)習(xí)模型能夠從大量數(shù)據(jù)中學(xué)習(xí)復(fù)雜的模式，提供比傳統(tǒng)方法更精確的識別和預(yù)測結(jié)果，故在流行趨勢環(huán)節(jié)中，通常利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）對服裝圖像進(jìn)行分類，識別服裝的款式、風(fēng)格、顏色等屬性，以提高后續(xù)預(yù)測的準(zhǔn)確度。如Chen等^［18］探索了使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行深度學(xué)習(xí)來解決服裝風(fēng)格分類和檢索任務(wù)，并結(jié)合遷移學(xué)習(xí)來降低訓(xùn)練復(fù)雜性。An等^［19］的研究旨在使用定量方法和深度學(xué)習(xí)技術(shù)來報告運動時尚趨勢，利用多標(biāo)簽圖卷積網(wǎng)絡(luò)（ML-GCN）模型來檢測和探索混合風(fēng)格。在產(chǎn)品設(shè)計環(huán)節(jié)，AI輔助設(shè)計工具如Adobe的Sensei AI平臺，能夠自動調(diào)整顏色、生成圖案，甚至模擬不同面料效果，創(chuàng)造出新穎的服裝設(shè)計，從而推動時尚創(chuàng)新。

深度學(xué)習(xí)在服裝中的應(yīng)用具有顯著的潛力，但其數(shù)據(jù)質(zhì)量、模型泛化能力和可解釋性等方面存在的問題也不容忽視。深度學(xué)習(xí)模型的性能高度依賴于訓(xùn)練數(shù)據(jù)的質(zhì)量和數(shù)量，數(shù)據(jù)不足或偏差可能導(dǎo)致模型性能下降;訓(xùn)練深度學(xué)習(xí)模型通常需要大量的計算資源和時間，這可能限制了其在某些環(huán)境中的應(yīng)用;雖然深度學(xué)習(xí)模型在特定任務(wù)上表現(xiàn)優(yōu)異，但在面對新的、未見過的數(shù)據(jù)時可能泛化能力不足;深度學(xué)習(xí)模型往往被視為“黑箱”，其內(nèi)部決策過程難以解釋。

2.4 情感計算

情感計算是賦予機器以感知、識別、理解情感并具有擬人化情感表達(dá)的能力。情感計算的相關(guān)算法和模型依賴于機器學(xué)習(xí)和深度學(xué)習(xí)來進(jìn)行訓(xùn)練和優(yōu)化。如有LSTM、GRU和CNN三種深度學(xué)習(xí)定制模型，CNN、VGG-19模型遷移學(xué)習(xí)和ResNet-18模型可以遷移學(xué)習(xí)三種深度學(xué)習(xí)模型進(jìn)行面部情感識別^［20］。

在服裝行業(yè)中，情感計算對于增加設(shè)計效率、提升顧客體驗、優(yōu)化營銷策略有著改革性的作用，常見的可應(yīng)用形式有決策支持系統(tǒng)、推薦系統(tǒng)及人機交互。

決策支持系統(tǒng)是將數(shù)據(jù)整合后對團隊的決策進(jìn)行分析建議的系統(tǒng)，傳統(tǒng)的決策支持系統(tǒng)大多是數(shù)學(xué)模型，因情感計算可以幫助識別用戶的情感傾向，從而可以幫助優(yōu)化決策支持系統(tǒng)，以提供更加個性化和符合用戶期望的建議或服務(wù)。因此在服裝領(lǐng)域中，情感計算可以通過分析社交媒體、用戶反饋和在線評論等來了解消費者的情感反應(yīng)，進(jìn)而進(jìn)行服裝產(chǎn)品開發(fā)、市場策略和客戶服務(wù)的相關(guān)決策支持。推薦系統(tǒng)在人機交互中，情感計算可以使機器更好地理解和響應(yīng)人類情感。這對于服裝行業(yè)的銷售等環(huán)節(jié)至關(guān)重要，可以理解客戶的推薦系統(tǒng)及與客戶情感相匹配的人機交互界面是如今虛擬和實體商店進(jìn)行進(jìn)一步優(yōu)化的重要抓手。如通過情感語音表達(dá)和表情生成，讓交互界面更加類似人之間真實的互動，以提供更加舒適自然的用戶體驗。

情感計算作為一種新興技術(shù)，在服裝領(lǐng)域具有廣泛的應(yīng)用前景，但人類的情感錯綜復(fù)雜，不同文化背景下的情感表達(dá)和理解也存在差異，情感計算模型需要適應(yīng)不同文化環(huán)境，這導(dǎo)致其很難準(zhǔn)確識別所有情感狀態(tài);同時在用戶數(shù)據(jù)處理時，需要確保用戶隱私和數(shù)據(jù)安全，避免數(shù)據(jù)泄露和濫用。技術(shù)的不斷完善和數(shù)據(jù)的合理使用，才能讓情感計算在服裝中發(fā)揮更大作用。

2.5 知識圖譜

知識圖譜是一種用圖模型來描述知識和建模世界萬物之間的關(guān)聯(lián)關(guān)系的技術(shù)方法，其旨在從數(shù)據(jù)中識別、發(fā)現(xiàn)和推斷事物與概念之間的復(fù)雜關(guān)系，是事物關(guān)系的可計算模型。知識圖譜的構(gòu)建涉及知識建模、關(guān)系抽取、圖存儲、關(guān)系推理、實體融合等多方面的技術(shù)，而知識圖譜的應(yīng)用則涉及語義搜索、智能問答、語言理解、決策分析等多個領(lǐng)域。

知識圖譜在服裝中主要體現(xiàn)其輔助搜索、輔助問答及大數(shù)據(jù)分析等能力，因此知識圖譜多應(yīng)用于服裝行業(yè)的流行趨勢分析和銷售環(huán)節(jié)中，尤其是個性化推薦任務(wù)。如Zhan等^［21］通過一種新穎的關(guān)注屬性感知時尚知識圖譜，構(gòu)建具有服裝和物品級別屬性的不同服裝之間的關(guān)聯(lián)，兩個關(guān)注機制的建立，可以捕捉用戶的偏好。Ling等^［22］開發(fā)一個服裝設(shè)計知識庫（DDKB），并期望將其進(jìn)一步應(yīng)用于個性化的服裝推薦系統(tǒng)。通過人工智能在電商平臺進(jìn)行服裝識別和分類，可以有效地提高接下來趨勢分析與預(yù)測的效率，為精簡高效的服裝產(chǎn)品生命周期管理打下基礎(chǔ)。

知識圖譜作為一種強大的數(shù)據(jù)分析工具，不僅可以幫助企業(yè)優(yōu)化供應(yīng)鏈管理、提高決策效率，還能滿足消費者的需求，以提供更定制化的產(chǎn)品和服務(wù)。但構(gòu)建和維護知識圖譜系統(tǒng)需要顯著的技術(shù)和資金投入，還需要高質(zhì)量的數(shù)據(jù)訓(xùn)練知識圖譜，且不同來源的數(shù)據(jù)整合可能存在難度;如今時尚趨勢變化迅速，知識圖譜需要不斷更新以保持其準(zhǔn)確性和相關(guān)性，上述問題也需要服裝行業(yè)持續(xù)探索和優(yōu)化。

2.6 數(shù)據(jù)挖掘

數(shù)據(jù)挖掘是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應(yīng)用數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識，尋找其規(guī)律的技術(shù)。數(shù)據(jù)挖掘自動在大型數(shù)據(jù)庫中尋找預(yù)測性信息，以往需要進(jìn)行大量手工分析的問題如今可以迅速直接由數(shù)據(jù)本身得出結(jié)論。如服裝市場預(yù)測問題，數(shù)據(jù)挖掘使用過去有關(guān)促銷的數(shù)據(jù)來尋找未來投資中回報最大的用戶。

數(shù)據(jù)挖掘在服裝行業(yè)的應(yīng)用是多方面的，從設(shè)計、供應(yīng)鏈管理到客戶服務(wù)和市場分析等各個環(huán)節(jié)都發(fā)揮著重要作用。在消費洞察階段，利用數(shù)據(jù)挖掘揭示當(dāng)代消費者群體的消費偏好和行為模式，對服裝企業(yè)的市場定位和產(chǎn)品開發(fā)具有指導(dǎo)意義。如Giri等^［23］對社交媒體數(shù)據(jù)進(jìn)行挖掘，收集了Twitter上的數(shù)據(jù)，采用Lexicon方法和樸素貝葉斯模型，應(yīng)用增強版的Lexicon詞典對推文進(jìn)行句子分類，以此來更好地了解當(dāng)下消費者的偏好。Yuan等^［24］基于淘寶網(wǎng)提供的穿衣商品圖像數(shù)據(jù)，以及時尚專家生成的顧客歷史行為和穿衣服裝的文本數(shù)據(jù)，通過數(shù)據(jù)挖掘和深度學(xué)習(xí)的相關(guān)技術(shù)實現(xiàn)服裝搭配和推薦。

數(shù)據(jù)挖掘在服裝行業(yè)的應(yīng)用為各個環(huán)節(jié)提供了數(shù)據(jù)驅(qū)動的決策支持，提高了效率和市場響應(yīng)能力。然而，數(shù)據(jù)質(zhì)量、算法精度、隱私保護和市場適應(yīng)性等挑戰(zhàn)需要行業(yè)持續(xù)關(guān)注和優(yōu)化。通過建立有效的數(shù)據(jù)管理和分析能力，服裝行業(yè)可以更好地利用數(shù)據(jù)挖掘技術(shù)，實現(xiàn)可持續(xù)發(fā)展。

2.7 生成式AI

生成式AI是一類特定的人工智能，它專注于生成新內(nèi)容，如圖像、文本、視頻和音頻，而不是簡單地對信息進(jìn)行識別和分類。相對于輔助性的AI，它更具有高效性和泛用性，如今針對生成式AI的一大突破是運用多種學(xué)習(xí)方法，可以使用無監(jiān)督或半監(jiān)督學(xué)習(xí)進(jìn)行訓(xùn)練。生成式AI可以進(jìn)行文本生成、3D模型生成、圖像轉(zhuǎn)換和圖像生成。

市面上現(xiàn)有的生成式AI大模型種類繁多，如OpenAI開發(fā)的ChatGPT、Sora等，這些模型的出現(xiàn)將會影響到各行各業(yè)，影響創(chuàng)作者的創(chuàng)作方式，其具有的獨特創(chuàng)造力和執(zhí)行力，可能還會影響到企業(yè)的策劃方式和人員架構(gòu)。生成式AI的自動化模式可以為各行各業(yè)帶來效率的提升。

對于服裝行業(yè)來說，生成式AI進(jìn)行的是輔助設(shè)計甚至自主設(shè)計，能夠減輕設(shè)計人員的負(fù)擔(dān)，顛覆傳統(tǒng)的產(chǎn)業(yè)鏈流程，大力推進(jìn)交互設(shè)計的發(fā)展，降低服裝產(chǎn)品生命周期管理（PLM）中各環(huán)節(jié)的制造成本和生產(chǎn)成本。但目前在服裝行業(yè)中，生成式AI的應(yīng)用主要集中于產(chǎn)品開發(fā)的階段，該環(huán)節(jié)主要使用生成式AI中圖像生成的功能。生成式AI能夠分析非結(jié)構(gòu)化數(shù)據(jù)，如社交媒體視頻和消費者數(shù)據(jù)，從而預(yù)測流行趨勢。設(shè)計師可以輸入草圖和設(shè)計細(xì)節(jié)，由AI自動生成多種設(shè)計方案，加速設(shè)計流程并創(chuàng)造獨特產(chǎn)品，這提高了設(shè)計效率、降低了成本，使設(shè)計師能夠快速迭代設(shè)計方案。

生成式AI也有望在處理客戶關(guān)系和增強客戶體驗中發(fā)揮作用，增強消費者的個性化體驗，制定更加精準(zhǔn)簡潔的營銷策略，壓縮產(chǎn)品生命周期管理實踐，提高產(chǎn)品生命周期質(zhì)量;線上銷售可以運用生成式AI中文本圖像相互轉(zhuǎn)換的相關(guān)模型，方便消費者檢索，提高檢索準(zhǔn)確度。

如今生成式AI的技術(shù)成熟度有待提高。雖然生成式AI能夠快速生成設(shè)計，但精細(xì)的修改可能仍需大量手工調(diào)整，且生成效果很大程度上依賴于用戶提供的提示詞，有時可能需要多次迭代才能達(dá)到理想效果;目前的生成式AI主要能夠生成二維圖像，而不是完整的三維服裝（包括版型和工藝）;生成式AI生成的內(nèi)容可能存在數(shù)據(jù)偏見，影響內(nèi)容的多樣性和包容性。

不可否認(rèn)的是，生成式AI發(fā)展勢頭迅猛，相關(guān)的大模型也在不斷發(fā)展，生成式AI的應(yīng)用有利于助推服裝行業(yè)進(jìn)一步地數(shù)字化轉(zhuǎn)型升級，使服裝產(chǎn)品生命周期管理（PLM）進(jìn)入新的發(fā)展階段。

3 人工智能在服裝PLM中的應(yīng)用

3.1 消費洞察

消費洞察是服裝產(chǎn)品生命周期管理（PLM）的開端環(huán)節(jié)，在此環(huán)節(jié)需要獲得大量的數(shù)據(jù)以支持未來季度的產(chǎn)品開發(fā)。傳統(tǒng)的消費洞察一般是通過人工查閱相關(guān)文獻(xiàn)和資料，或者利用專家訪談、問卷調(diào)查進(jìn)行調(diào)研，這些方法受到時間成本和主觀誤判的影響。而人工智能技術(shù)很好地打破了數(shù)據(jù)壁壘，可減少人工時間成本和主觀判斷的影響，為產(chǎn)品的開發(fā)及營銷銷售等環(huán)節(jié)打下基礎(chǔ)。該環(huán)節(jié)的相關(guān)內(nèi)容如圖7^［25-36］所示，具體應(yīng)用主要可以從以下幾個方面闡述。

3.1.1 市場需求調(diào)查

人工智能技術(shù)可以增加企業(yè)或品牌對于社交平臺和電商平臺數(shù)據(jù)的收集及把控。社交媒體數(shù)據(jù)有助于提高服裝銷售的預(yù)測，而數(shù)據(jù)挖掘技術(shù)則可以有效地在社交平臺上進(jìn)行數(shù)據(jù)抓取與分析，得到的數(shù)據(jù)包括商品評價、社交關(guān)系等。這些數(shù)據(jù)通常雜亂而龐大，通過機器學(xué)習(xí)和深度學(xué)習(xí)等方法處理后，即可進(jìn)行需求預(yù)測或是消費形象建立。

Kharfan等^［37］側(cè)重于從數(shù)據(jù)驅(qū)動的角度進(jìn)行需求預(yù)測，利用機器學(xué)習(xí)識別重要的預(yù)測變量來幫助時尚零售商實現(xiàn)更好的預(yù)測準(zhǔn)確性。這種方法已經(jīng)被一家引領(lǐng)潮流的時尚零售公司采納，用在沒有歷史數(shù)據(jù)支撐的情況下預(yù)測新推出的季節(jié)性產(chǎn)品的市場需求。Zhang等^［38］的研究建立了一種基于模糊技術(shù)和模糊層次分析法的消費者形象定義新方法。

在電商平臺，人工智能技術(shù)主要目的是研究購物者的瀏覽趨勢，以吸引新客戶和擴大業(yè)務(wù)，服裝行業(yè)更不例外。電商平臺中所獲取的數(shù)據(jù)包括消費記錄、產(chǎn)品風(fēng)格屬性等，購物者的瀏覽內(nèi)容主要是圖片類，因此計算機視覺相關(guān)技術(shù)基礎(chǔ)下的服裝解析對電商平臺的調(diào)研非常重要。Donati等^［39］利用深度學(xué)習(xí)和圖像處理技術(shù)，分析處理服裝產(chǎn)品特征進(jìn)行視覺分類，進(jìn)而總結(jié)和分析相關(guān)數(shù)據(jù)，所得的數(shù)據(jù)對于改進(jìn)物流庫存及推薦和檢索方式有重要意義。

3.1.2 競品調(diào)研和行業(yè)動態(tài)

除了對消費者相關(guān)平臺進(jìn)行調(diào)研，消費洞察還需關(guān)注整個行業(yè)的動態(tài)，以及相關(guān)競品的研發(fā)趨勢，以提高企業(yè)或品牌的核心競爭力，提高其在市場中的分量。該部分的研究主要集中在對行業(yè)數(shù)據(jù)的收集及銷售預(yù)測上。數(shù)據(jù)挖掘技術(shù)依然可以幫助收集各種數(shù)據(jù)，Peroni等^［40］利用語義網(wǎng)技術(shù)對一家快時尚公司進(jìn)行數(shù)據(jù)收集與管理。Jain等^［41］致力于數(shù)據(jù)挖掘在行業(yè)產(chǎn)品數(shù)據(jù)上的應(yīng)用，旨在產(chǎn)品數(shù)據(jù)上利用數(shù)據(jù)挖掘和基于對稱的學(xué)習(xí)技術(shù)創(chuàng)建一個分類模型。其由兩個子系統(tǒng)組成：1） 用于預(yù)測服裝類別;2） 用于預(yù)測服裝子類別。Loureiro等^［42］發(fā)現(xiàn)深度學(xué)習(xí)模型在預(yù)測時尚零售市場銷售方面表現(xiàn)良好。Zhou等^［43］針對快時尚服裝需求預(yù)測中缺乏歷史數(shù)據(jù)和未充分考慮需求影響因素的問題，提出了一種改進(jìn)的Bass模型，用于預(yù)測快時尚服裝需求和新服裝產(chǎn)品的需求。此外，針對上述問題，不僅可以從模型入手改進(jìn)，也可以通過優(yōu)化數(shù)據(jù)來增加零售預(yù)測的準(zhǔn)確性。多模態(tài)的服裝數(shù)據(jù)因其冗余性和異構(gòu)性可以很好地作為銷售數(shù)據(jù)的補充。石聞達(dá)等^［44］提出一種包括三個主要元素的層次化多8oBdXZxVKLGcW+yr8rUoxfjKMaJLSZurW3Vjk4qzZ1s=模態(tài)注意力循環(huán)神經(jīng)網(wǎng)絡(luò)，可以進(jìn)行預(yù)測的有效提升。Chen等^［45］通過循環(huán)結(jié)構(gòu)的設(shè)計，針對傳統(tǒng)神經(jīng)網(wǎng)絡(luò)銷售預(yù)測算法學(xué)習(xí)效率低、收斂速度慢、容易陷入局部極小值等缺點，提出了改進(jìn)措施，克服了預(yù)測對象的不確定性、滯后性和時變因素的不利影響，從理論上規(guī)范了預(yù)測過程。

智能服裝因其結(jié)構(gòu)和功能的特殊性，與傳統(tǒng)的服裝產(chǎn)品所需要的前期數(shù)據(jù)略有不同，雖然作為服裝行業(yè)內(nèi)不可缺少的研究對象，但是運用的技術(shù)和手段也有所區(qū)別。Hong等^［46］研究了一個兼顧舒適和健康的可穿戴監(jiān)測系統(tǒng)框架，總結(jié)了相關(guān)的生理指標(biāo)，分析了舒適性和健康狀態(tài)監(jiān)測的要求，以選擇合適的電子元件。

3.2 流行趨勢

如今的時尚潮流變化速度比以往任何時候都快，因此，及時可靠的趨勢預(yù)測在服裝行業(yè)至關(guān)重要。流行趨勢預(yù)測可以分為兩個部分，一是進(jìn)行大量的搜集調(diào)研工作，二是對相關(guān)圖片和視頻進(jìn)行信息提取、分析和總結(jié)，最終得到未來季度的流行趨勢。傳統(tǒng)的時尚預(yù)測需要專業(yè)人員從世界各地的設(shè)計系列和時間間隔中提取基于圖像的信息，非常消耗時間和人工成本。人工智能可以很大程度地降低調(diào)研分析時間和成本。對于流行趨勢的研究，可以從顏色、面輔料和圖案入手，如圖8^［47-53］所示。

3.2.1 色彩趨勢

色彩作為服裝的三要素之一，是非常重要且復(fù)雜的，傳統(tǒng)的人工進(jìn)行色彩趨勢調(diào)研考驗相關(guān)人員的經(jīng)驗知識，而且人眼辨別色彩存在誤差。利用人工智能技術(shù)進(jìn)行色彩趨勢的調(diào)研和預(yù)測可以更加全面地分析，更加精確地預(yù)測。Hong等^［54］提出了一種基于實例的顏色推薦系統(tǒng)（CBCRS），用于在線推薦顏色范圍。Zeng等^［55］提出了一種新的多階段、類別監(jiān)督的基于注意力的條件生成對抗網(wǎng)絡(luò)，該網(wǎng)絡(luò)從特定的模型圖像中生成清晰、詳細(xì)的平鋪服裝圖像，其生成的圖片可以更好地展示服裝的外觀信息，以便幫助相關(guān)人員進(jìn)行信息的提取，增加調(diào)研的效率。Tao等^［56］采用卷積神經(jīng)網(wǎng)絡(luò)對色彩純、圖案少、圖案多、背景復(fù)雜的服裝工藝品進(jìn)行環(huán)境因素提取實驗。

3.2.2 圖案和面輔料趨勢

也有一些研究著重于服裝風(fēng)格的識別和分類，以其為導(dǎo)向總結(jié)分析圖案和面輔料趨勢，能為產(chǎn)品研發(fā)打下基礎(chǔ)。計算機視覺技術(shù)可以輔助專業(yè)人員進(jìn)行調(diào)研，YOLO模型可以從時尚服裝數(shù)據(jù)集和在線商店的網(wǎng)頁抓取中，選擇進(jìn)行風(fēng)格或?qū)傩缘淖R別，進(jìn)而進(jìn)行分類。Thwe等^［57］提出了FC-YOLOv4模型，用于檢測多類時尚產(chǎn)品。該模型使用半監(jiān)督學(xué)習(xí)方法來減少圖像標(biāo)注時間，然后通過圖像增強來增加結(jié)果圖像的數(shù)量，可以有效地對正確捕獲的圖像和雜波圖像進(jìn)行準(zhǔn)確的時尚類別檢測。Chen等^［58］在現(xiàn)有服裝風(fēng)格分類的條件下，提出了一種細(xì)粒度與粗粒度相結(jié)合的服裝風(fēng)格分類方法，能夠有效區(qū)分服裝的款式和類型。Zhai等^［59］使用深度學(xué)習(xí)算法對傳統(tǒng)服飾文化進(jìn)行整合，結(jié)合古今服裝文化，為未來的設(shè)計和服裝發(fā)展貢獻(xiàn)更多的力量及研究材料。

在大量的調(diào)研之后即可進(jìn)行總結(jié)和預(yù)測流行趨勢，相關(guān)系統(tǒng)可以利用計算機視覺和機器學(xué)習(xí)為時尚研究的相關(guān)者提供有關(guān)潛在時尚趨勢的建議。一些深度學(xué)習(xí)模型的泛化能力強，可以自適應(yīng)環(huán)境變化，能夠處理大規(guī)模的時間序列數(shù)據(jù)，大大增加趨勢預(yù)測的準(zhǔn)確性及效率。Shi等^［60］使用了數(shù)據(jù)驅(qū)動定量抽象方法，首先在不同場景下的數(shù)據(jù)集進(jìn)行訓(xùn)練，使其熟悉時尚圖像，可以在T臺照片或視頻中提取服裝特征，進(jìn)而進(jìn)行時尚趨勢的總結(jié)和預(yù)測。Papadopoulos等^［61］提出了MuQAR，一種多模態(tài)準(zhǔn)自回歸深度學(xué)習(xí)架構(gòu)，來預(yù)測時尚產(chǎn)品的視覺流行度。該模型使用產(chǎn)品的目標(biāo)屬性時間序列作為時間流行模式的代理，彌補了歷史數(shù)據(jù)的缺乏，而外生時間序列有助于捕獲相關(guān)屬性之間的趨勢。

人工智能給出的大部分流行趨勢建議通常以文本形式傳達(dá)給設(shè)計師，是基于統(tǒng)計學(xué)思維所進(jìn)行的趨勢預(yù)測工作，生成式AI的發(fā)展為流行趨勢預(yù)測提供了新的生機。Nezhad等^［62］

使用生成對抗網(wǎng)絡(luò)（GAN）、深度學(xué)習(xí)和用戶意見的組合來創(chuàng)建流行圖像，將流行趨勢可視化，更加符合設(shè)計師的從業(yè)習(xí)慣。

人工智能相關(guān)技術(shù)可以減少該環(huán)節(jié)的人工成本，提高趨勢分析與預(yù)測的準(zhǔn)確性，時尚品牌或公司可以更精準(zhǔn)地把控潮流，引領(lǐng)市場作出更快的流行響應(yīng)。同時，相關(guān)技術(shù)為服裝行業(yè)的可持續(xù)發(fā)展作出貢獻(xiàn)，通過材料/結(jié)構(gòu)參數(shù)或使用條件預(yù)測視覺退化的軌跡，從而指導(dǎo)從業(yè)者進(jìn)行最佳設(shè)計，增加產(chǎn)品使用壽命，減少資源浪費。

3.3 產(chǎn)品研發(fā)

產(chǎn)品是服裝行業(yè)的核心，產(chǎn)品研發(fā)則是服裝全生命周期管理的核心。由圖9^［63-69］可見，服裝產(chǎn)品的設(shè)計可以分為款式設(shè)計和版型設(shè)計。該環(huán)節(jié)需要設(shè)計師和版師大量的腦力和勞力，且須經(jīng)歷多輪的修訂與完善，這不僅會造成時間成本流失，大量資材浪費還會影響行業(yè)的可持續(xù)發(fā)展。

隨著計算機技術(shù)的發(fā)展，設(shè)計師可以利用軟件進(jìn)行輔助開發(fā)，但是仍然存在效率和準(zhǔn)確性的問題，而人工智能技術(shù)則進(jìn)一步地便利了設(shè)計師。3D和CAD技術(shù)對版型設(shè)計具有很大提升作用，人工智能技術(shù)提升了人體尺寸測量和匹配的效率。人工智能背景下，虛擬的樣品展示代替了傳統(tǒng)的樣衣，提高了相關(guān)人員的溝通效率，促進(jìn)了協(xié)同設(shè)計的發(fā)展，可為優(yōu)化產(chǎn)業(yè)鏈打下堅實基礎(chǔ)。

3.3.1 產(chǎn)品設(shè)計

人工智能可以為設(shè)計師提供更好的建議，因此開發(fā)了針對設(shè)計師的推薦系統(tǒng)。在這種推薦系統(tǒng)中，機器學(xué)習(xí)、深度學(xué)習(xí)和情感計算等技術(shù)可以在相關(guān)數(shù)據(jù)集中進(jìn)行面料、款式、風(fēng)格等特征提取和學(xué)習(xí)，從設(shè)計師的角度推薦合適的設(shè)計元素。在這種系統(tǒng)的發(fā)展中，也考慮到了消費者的消費偏好，從而促進(jìn)了協(xié)同交互設(shè)計。Hong等^［70］提出了一種基于感知的面料推薦系統(tǒng)，幫助服裝設(shè)計師在設(shè)計過程中選擇最合適的面料，滿足目標(biāo)消費者的感知。該系統(tǒng)包括協(xié)同設(shè)計過程、常用的感官評價過程和使用模糊層次分析法與模糊TOPSIS算法的計算模型。Kotouza等^［71］提出了Science4Fashion，這是一個人工智能端到端系統(tǒng)，通過收集和分析不同來源的數(shù)據(jù)，并根據(jù)消費者的需求建議產(chǎn)品，為時裝設(shè)計師提供便利。

推薦系統(tǒng)通常作為設(shè)計師的工具出現(xiàn)，這意味著設(shè)計師仍需重復(fù)使用現(xiàn)有設(shè)計，將其作為創(chuàng)建新服裝的起點，重新思考款式的靈感。隨著人工智能的發(fā)展，逐漸出現(xiàn)了自動生成產(chǎn)品的設(shè)計系統(tǒng)。Li等^［72］提出了一種機器學(xué)習(xí)系統(tǒng)來自動組成時尚服裝。隨著機器學(xué)習(xí)向著深度學(xué)習(xí)方法過渡，越來越多的生成式AI驅(qū)動著款式設(shè)計，其中以生成對抗網(wǎng)絡(luò)（GAN）為代表。

基于GAN所提出的模型系統(tǒng)，可以把最新的時尚趨勢和用戶購買的衣服作為輸入，生成新衣服。Zeng等^［55］提出了一種新的多階段、類別監(jiān)督的基于注意力的條件生成對抗網(wǎng)絡(luò)，該網(wǎng)絡(luò)從特定的模型圖像中生成清晰、詳細(xì)的平鋪服裝圖像。還有很多的研究者將多種算法結(jié)合應(yīng)用，以彌補單獨生成算法帶來的精度問題。Chen等^［73］將參數(shù)化數(shù)態(tài)算法、生成式對抗網(wǎng)絡(luò)、風(fēng)格轉(zhuǎn)移等多種智能算法，引入服裝造型、印花圖案、紋理工藝、產(chǎn)品視覺等環(huán)節(jié)，構(gòu)建了一種基于智能算法與人體各種功能角色協(xié)同作用的創(chuàng)新服裝設(shè)計方法。

Deng等^［74］研究了服裝款式自動生成的方法，并為此設(shè)計了參數(shù)化編碼，總結(jié)了戶外運動智能服裝的一般設(shè)計方法，以穿著者為中心深入探討戶外運動智能服裝設(shè)計方法的合理性。次年，Deng又將視野轉(zhuǎn)到豐富民族服裝獨特性上，創(chuàng)新運用人工智能工具“多模態(tài)無監(jiān)督圖像到圖像翻譯”（Multi-modal Unsupervised Image-to-Image Translation，MUNIT）算法，生成了多種時尚設(shè)計。

圖案設(shè)計是款式設(shè)計很重要的一部分，機器學(xué)習(xí)可以幫助現(xiàn)有的經(jīng)典圖案和傳統(tǒng)服飾中的圖案元素進(jìn)行數(shù)字化，便于未來進(jìn)行更加創(chuàng)新的設(shè)計。機器學(xué)習(xí)中的八叉樹可以對色彩和圖案進(jìn)行量化，K-means可以提取主色彩圖，Hu等^［75］就利用這兩種技術(shù)設(shè)計模型，該模型能夠設(shè)計出復(fù)雜的圖案，并能模擬出土家織錦的精美面料。沈雷等^［76］提取了明清織物云紋代表性圖案的形態(tài)因子與聚類色彩組譜，針對現(xiàn)代服飾產(chǎn)品特征進(jìn)行創(chuàng)新圖案推衍與設(shè)計應(yīng)用。

生成式AI可以極大地提高工作效率，減少設(shè)計師的干預(yù)，甚至在產(chǎn)品受市場驗證成功后成為未來零售商品牌發(fā)展的重點。Wu等^［77］提出了ClothGAN，這是一個基于生成對抗網(wǎng)絡(luò)（GAN）和風(fēng)格轉(zhuǎn)移算法的創(chuàng)新框架，用于“設(shè)計”新的服裝圖案和風(fēng)格。Wang等^［78］提出了一種基于模糊邏輯和人工神經(jīng)網(wǎng)絡(luò)的知識支持的服裝圖案設(shè)計方法，通過學(xué)習(xí)經(jīng)驗豐富制版師的知識，根據(jù)版型和面料生成合適的圖案。

版型設(shè)計最需要的數(shù)據(jù)是人體尺寸，最直接的獲得方式是手工測量。人工智能背景下，虛擬場景和自動化測量手段逐漸走入研究視野，利用傳感器和計算機視覺技術(shù)作為虛擬和現(xiàn)實的橋梁，如微軟Kinect傳感器、Leap運動設(shè)備和OculusRift等。虛擬場景下的測量可以像傳統(tǒng)方法一樣，通過用手與虛擬場景下的客戶互動來獲取測量數(shù)據(jù)。顧冰菲等^［79］針對基于人體照片的尺寸提取技術(shù)對照片拍攝場景限制的問題，提出利用整體嵌套邊緣檢測深度學(xué)習(xí)模型實現(xiàn)復(fù)雜背景下人體輪廓的提取并進(jìn)行參數(shù)提取分析。

自動化的測量工具可以減少時間和人工成本，隨著深度學(xué)習(xí)算法的發(fā)展，自動測量的精度也在增加。Kim等^［80］提出了一種使用計算機視覺深度學(xué)習(xí)模型和點云數(shù)據(jù)自動測量服裝尺寸的方法。Song等^［81］提出了一種基于深度學(xué)習(xí)的服裝設(shè)計立體視覺圖像分割測量系統(tǒng)，通過深度學(xué)習(xí)訓(xùn)練，優(yōu)化了基于金字塔場景解析網(wǎng)絡(luò)的周長語義分割模型，實現(xiàn)了多角度人體圖像中更多周長區(qū)域的自動分割，該系統(tǒng)可以智能、準(zhǔn)確地測量服裝尺寸。

在得到尺寸數(shù)據(jù)后，通常需要有經(jīng)驗的版師進(jìn)行打版，對于企業(yè)來說，培養(yǎng)一個從初學(xué)者到專家的制版師需要很長時間，人工智能的方法讓缺少經(jīng)驗的人也可以快速上手。Liu等^［82］提出了一種反向傳播人工神經(jīng)網(wǎng)絡(luò)模型，通過輸入幾個關(guān)鍵的人體尺寸來預(yù)測制版相關(guān)的人體尺寸。合體舒適度的檢驗是版型設(shè)計中必須考慮的一方面，服裝合身度評價也是當(dāng)前服裝設(shè)計與制造的最大瓶頸之一。模糊建模技術(shù)可以將服裝設(shè)計參數(shù)、穿著者形態(tài)、姿勢、面料性能和舒適度余值之間的關(guān)系進(jìn)行建模，以排除諸多人為因素。確定三維舒適度的概念可以進(jìn)一步集成到三維服裝CAD中，在特定的虛擬人體模型環(huán)境中獲得合適的服裝表面，以定制任何服裝。Wang等^［83］提出了一種基于概率神經(jīng)網(wǎng)絡(luò)的模型，可在三維虛擬環(huán)境中根據(jù)服裝寬松度、數(shù)字壓力和織物機械性能來預(yù)測和控制服裝合身程度。

以上很多應(yīng)用針對的是大貨生產(chǎn)所需，在定制服裝開發(fā)的領(lǐng)域，也有一些集成度比較高的系統(tǒng)。Ji等^［84］提出一種在個人設(shè)計和som/wJ7xOJSdp8WTXOYKzA==產(chǎn)品開發(fā)的早期階段定制服裝的方法，該方法是建立在服裝定制的基礎(chǔ)上，使用無監(jiān)督的方法從服裝數(shù)據(jù)集中學(xué)習(xí)視覺兼容性。Li等^［85］提出的MIAS是基于所提出的參數(shù)化模型方法和拉普拉斯網(wǎng)格變形技術(shù)所得，從而允許重建符合MIAS測量的模型。團體定制存在區(qū)域性大規(guī)模人體尺寸數(shù)據(jù)收集難的問題，聶梓萌等^［86］采用蒙特卡羅方法仿真區(qū)域性團體尺寸測量數(shù)據(jù)，建立區(qū)域性團體號型規(guī)格表（RGS），并提出基于比例方法歸號流程，優(yōu)化歸號結(jié)構(gòu)鏈。這幾項研究也為后續(xù)的服裝設(shè)計、定制和虛擬試衣等處理提供了極大的便利。

協(xié)同設(shè)計系統(tǒng)強調(diào)消費者和設(shè)計師之間信息共享，可以包含多個環(huán)節(jié)的內(nèi)容，人工智能技術(shù)可以很好托承這種系統(tǒng)^［87］，計算機視覺技術(shù)推動虛擬服裝和人體建模的發(fā)展，模糊技術(shù)可以很好地將消費者的感知描述與虛擬服裝參數(shù)進(jìn)行關(guān)系建立，通過這些技術(shù)，消費者可以在所設(shè)計的系統(tǒng)中進(jìn)行及時反饋，與設(shè)計師交互設(shè)計。Hong等^［88］提出基于使用3D身體掃描儀創(chuàng)建虛擬人體模型的方法，允許模擬消費者的非典型物理變形的形態(tài)、形狀。結(jié)合使用定制的2D和3D虛擬服裝原型工具，通過消費者、設(shè)計師和制版師之間的互動來創(chuàng)建產(chǎn)品。又結(jié)合了3D虛擬試戴技術(shù)，反復(fù)運行設(shè)計—展示—評估—調(diào)整的流程，可以在很短的時間內(nèi)驗證設(shè)計師精心設(shè)計個性化服裝產(chǎn)品的模式和原則。Sharma等^［89］通過系統(tǒng)整合服裝設(shè)計推薦、3D虛擬服裝試衣可視化、設(shè)計知識庫、設(shè)計參數(shù)調(diào)整等多項數(shù)據(jù)驅(qū)動服務(wù)，開發(fā)了一個交互式服裝設(shè)計系統(tǒng)。相關(guān)計算通過使用許多智能算法（自適應(yīng)隨機森林算法和關(guān)聯(lián)挖掘，BIRCH）并與形式化的設(shè)計知識庫進(jìn)行匹配來執(zhí)行。

3.3.2 樣品展示

傳統(tǒng)的樣品展示需要實際制作樣衣，不利于服裝行業(yè)的可持續(xù)發(fā)展，虛擬服裝的出現(xiàn)不僅提高了生產(chǎn)效率，還大大減少了資源的浪費。隨著個性化需求劇增，服裝款式的復(fù)雜性也在增加，以配合消費者的要求和流行趨勢的變幻莫測。周潔等^［90］采用服裝CAD數(shù)字化設(shè)計與三維可視化設(shè)計相結(jié)合的方法，基于數(shù)字技術(shù)驗證復(fù)雜結(jié)構(gòu)女裝制版方式的可行性，同時，因此方法設(shè)計流程可視化程度高，打版的同時兼顧樣品展示，能很大程度地提升設(shè)計流程效率。

但是3D服裝通常存在兩個主要問題：計算運行時間成本高，阻礙了其部署;仿真與真實之間存在差距，阻礙了特定真實世界布料樣本的合成。為了避免這兩個問題，Casado-Elvira等^［91］提出了一種數(shù)據(jù)驅(qū)動的方法“PERGAMO”，可以從單目圖像中學(xué)習(xí)3D服裝的可變形模型。服裝CAD中3D服裝的精度仍然存在不足，Dai等^［92］選擇優(yōu)化織物模擬中的機械參數(shù)，建立了基于FOM參數(shù)綜合數(shù)據(jù)庫的織物分類系統(tǒng)。Korosteleva等^［93］建議使用一種逼真而緊湊的服裝描述符——服裝縫紉圖案，以方便對服裝的內(nèi)在形狀進(jìn)行估計。該領(lǐng)域的服裝形狀和設(shè)計存在高度多樣性，深度學(xué)習(xí)的應(yīng)用可以改良建模精度，最常見的方法是為單個服裝或服裝類型建立專門的模型。

3.4 上會與組貨

在服裝行業(yè)中，“上會”與“組貨”是兩個重要的概念，它們涉及商品組合、陳列和銷售的各個環(huán)節(jié)?！吧蠒蓖ǔＶ傅氖菍⒎b商品上架展示的過程。在此過程中，需要對服裝進(jìn)行分類、整理和陳列，以吸引顧客的注意力并促進(jìn)銷售?！敖M貨”則是指根據(jù)市場需求、流行趨勢和庫存情況等因素，將合適的服裝商品組合在一起，形成一個完整的商品系列。這個環(huán)節(jié)中要求企業(yè)結(jié)合各種因素做出生產(chǎn)決策，對產(chǎn)品的質(zhì)量進(jìn)行把控，使呈現(xiàn)在顧客面前的產(chǎn)品品質(zhì)優(yōu)秀，如圖10^{［54，94-95］}所示。

3.4.1 生產(chǎn)決策

人工智能的分析和預(yù)測能力可以應(yīng)用到生產(chǎn)決策中，機器學(xué)習(xí)和深度學(xué)習(xí)可以助力決策支持系統(tǒng)優(yōu)化，以實現(xiàn)智能化和半自主化，增強抗干擾能力。基于知識的大數(shù)據(jù)環(huán)境下開放式績效評估系統(tǒng)，可以支持新產(chǎn)品開發(fā)過程中復(fù)雜的工業(yè)決策。He等^［94］提出了一種基于隨機森林智能數(shù)據(jù)模型和基于人類知識的層次分析法多準(zhǔn)則結(jié)構(gòu)相結(jié)合的紡織制造過程決策支持系統(tǒng)，并使用深度強化學(xué)習(xí)方案deep Q networks （DQN）對其進(jìn)行優(yōu)化。

除了整體的架構(gòu)，研究者還關(guān)注了質(zhì)量把控的問題。生產(chǎn)之前的原料或樣品需要通過質(zhì)量測驗，其數(shù)據(jù)和結(jié)果可以更好地指導(dǎo)生產(chǎn)決策。神經(jīng)網(wǎng)絡(luò)和回歸方法可以評估物料消耗量，也可以進(jìn)行產(chǎn)品分類，再結(jié)合計算機視覺等技術(shù)，對產(chǎn)品進(jìn)行缺陷檢測或者性能預(yù)測，基于人工智能技術(shù)的質(zhì)量控制系統(tǒng)提高了生產(chǎn)質(zhì)量，解決人工帶來的主觀影響。但缺陷檢測模型通常需要大量的樣本來學(xué)習(xí)缺陷的特征，在實際場景中，很難收集到重要缺陷的樣本。Wang等^［95］為了促進(jìn)少樣本缺陷檢測的研究，構(gòu)建了一個新的皮革表面缺陷數(shù)據(jù)集，包括缺陷樣本和無缺陷樣本。

3.4.2 組織調(diào)配

上會和組會都要對貨品進(jìn)行組合搭配，傳統(tǒng)的商品搭配依靠的是從業(yè)人員的經(jīng)驗，服裝的智能搭配主張利用感性工學(xué)和人工智能，構(gòu)建服裝風(fēng)格、元素等量化模型，以減少主觀經(jīng)驗影響，向消費者展示最高效適合的搭配。杜婷婷等^［96］以Y2K服裝為例，構(gòu)建服裝風(fēng)格量化模型，以感性工學(xué)的方法研究相關(guān)搭配規(guī)則。機器學(xué)習(xí)等人工智能方法則進(jìn)一步推進(jìn)智能搭配。分區(qū)嵌入網(wǎng)絡(luò)可以從服裝單品中學(xué)習(xí)可解釋的嵌入，利用可解釋和可分割的嵌入，構(gòu)造了一個裝備組合圖和一個屬性匹配圖，實現(xiàn)可解釋和智能的多單品時尚服裝組合?，F(xiàn)有的服裝匹配技術(shù)主要依賴于視覺特征，忽略了文本元數(shù)據(jù)，不足以對時尚單品進(jìn)行全面編碼，因此Liu等^［97］提出了一個基于貝葉斯個性化排名的多自編碼器神經(jīng)網(wǎng)絡(luò)。該框架無縫探索時尚單品的多模態(tài)，既能全面建模時尚單品之間的兼容性，又能實現(xiàn)多個時尚單品之間互補的時尚單品匹配。

GAN算法因其生成對抗特性，在服裝匹配領(lǐng)域仍有所建樹。Zhou等^［98］提出了OutfitGAN（d），目的是在給定一個現(xiàn)有的時尚單品和目標(biāo)合成單品的參考面具的情況下，合成一組互補的單品來組成一套完整的服裝。

傳統(tǒng)的服裝商品展示需要真實的產(chǎn)品，但隨著計算機技術(shù)的發(fā)展，虛擬走秀等數(shù)字化的展示方式越來越多地呈現(xiàn)在大家眼前。數(shù)字化展示不僅可以給消費者帶來眼前一亮的體驗，也促進(jìn)了協(xié)同設(shè)計的發(fā)展，提升了開發(fā)效率，為可持續(xù)發(fā)展作出貢獻(xiàn)。虛擬展示最核心的手段是3D建模。Dai等^［99］使用Clo3D軟件進(jìn)行虛擬模塊化設(shè)計，使用“英思達(dá)童裝虛擬設(shè)計與展示”進(jìn)行虛擬試穿與展示。服裝因其柔性特質(zhì)，在真實的3D呈現(xiàn)中表達(dá)難度高，Kulinska等^［100］基于模型制作者使用的二維模式制作方法進(jìn)行分析，所提出的方法與手動3D懸垂技術(shù)一樣可以直接在3D佩戴者的形態(tài)上執(zhí)行，從而避免

了形態(tài)解釋錯誤的問題，集成了3D分區(qū)技術(shù)，以改進(jìn)3D建模，并確保服裝與穿著者身體之間的最佳褶皺和分析。

虛擬走秀的展示方式不僅要真實地展現(xiàn)靜態(tài)的服裝，更要搭建趨于真實的場景和人體運動，服裝動態(tài)的表現(xiàn)是研究的難點。Zhang等^［101］給定虛擬角色的目標(biāo)關(guān)節(jié)運動序列，提出了動態(tài)神經(jīng)服裝，從期望的角度合成可信的動態(tài)服裝外觀。從技術(shù)上講，該解決方案生成一個粗糙的服裝代理序列，學(xué)習(xí)附加到該模板上的深度動態(tài)特征，并渲染這些特征以產(chǎn)生褶皺、皺紋和輪廓等外觀變化。Hong等^［102］在AI背景下基于Unity3D游戲引擎構(gòu)建了一個VR服裝T臺。通過分析AI環(huán)境下的VR技術(shù)，結(jié)合Unity3D游戲引擎，設(shè)計了VR服裝秀的場景和模特服裝。

3.5 供應(yīng)鏈管理

紡織與服裝供應(yīng)鏈涉及到多個環(huán)節(jié)，本身就是一個復(fù)雜的系統(tǒng)，如圖11所示。本文所總結(jié)的供應(yīng)鏈管理聚焦于工廠生產(chǎn)、物流配送和庫存管理。服裝行業(yè)是勞動密集型行業(yè)，傳統(tǒng)生產(chǎn)中，不僅需要大量勞動力，而且在動線設(shè)計不合理或人員操作不熟練等情況下，生產(chǎn)效率會受到影響，很多的生產(chǎn)環(huán)節(jié)也不符合可持續(xù)發(fā)展的要求;物流配送是產(chǎn)生巨大成本的部分，包括人工和交通運輸成本;庫存管理直接影響零售商的銷售環(huán)節(jié)。

近年來，云計算、物聯(lián)網(wǎng)、射頻識別技術(shù)在生產(chǎn)工廠中應(yīng)用廣泛，為精簡供應(yīng)鏈和實現(xiàn)可持續(xù)發(fā)展帶來了里程碑式的影響。將射頻識別（RFID）和云計算技術(shù)相結(jié)合，可實時捕獲生產(chǎn)記錄并進(jìn)行遠(yuǎn)程生產(chǎn)訂單跟蹤，新的云計算平臺可以收集、存儲和處理來自車間的數(shù)據(jù)。人工智能技術(shù)則進(jìn)一步促進(jìn)了供應(yīng)鏈管理的發(fā)展，研究者將工業(yè)4.0、云制造、物聯(lián)網(wǎng)、大數(shù)據(jù)和數(shù)字孿生等先進(jìn)技術(shù)結(jié)合，設(shè)計整體供應(yīng)鏈，降低生產(chǎn)成本。Zhang等^［103］提出了一種由深度強化學(xué)習(xí)輔助的聯(lián)邦學(xué)習(xí)算法，該算法可以兼顧物聯(lián)網(wǎng)設(shè)備數(shù)據(jù)訓(xùn)練的私密性和效率。

3.5.1 生產(chǎn)和品質(zhì)控制

生產(chǎn)計劃中，裁剪訂單計劃（COP）是一個關(guān)系著成衣質(zhì)量的環(huán)節(jié)，也影響著織物成本管理和整體生產(chǎn)效率。高效的COP解決方案可以顯著降低服裝行業(yè)的總制造成本，遺傳算法的靈活性、全局搜索能力等優(yōu)勢可以幫助企業(yè)完成高效的COP，也可以分析浪費率、層數(shù)及每個執(zhí)行訂單的標(biāo)記數(shù)，能夠?qū)ふ腋咄顿Y原材料的最優(yōu)分配方案。隨著研究的深入，研究者通常引入另外的優(yōu)化算法來更新遺傳算法，以求更加高效地解決方案。Tsao等^［104］使用基于模擬退火的遺傳算法和基于禁忌搜索的遺傳算法來解決COP問題。柔性作業(yè)車間調(diào)度問題是經(jīng)典作業(yè)調(diào)度問題的擴展，它是現(xiàn)代制造系統(tǒng)中的一個重要問題，也是最難的組合優(yōu)化問題之一。Yan等^［105］提出了一種基于遺傳算法的方法來優(yōu)化定義了在輸送機約束下以最大完工時間為目標(biāo)的目標(biāo)函數(shù)。生產(chǎn)動線的設(shè)計是否高效，也是影響整體供應(yīng)鏈效率和成本的關(guān)鍵因素。盛玥曦等^［106］的研究基于先驗算法，提出一種服裝生產(chǎn)工序組合關(guān)聯(lián)規(guī)則挖掘方法，以優(yōu)化流水線設(shè)計。

實際生產(chǎn)中的一些操作也可以用人工智能方法來優(yōu)化，計算機視覺、機器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)可以在生產(chǎn)操作中幫助人機交互的優(yōu)化，進(jìn)一步促進(jìn)生產(chǎn)機器對人工的替代?；诜b圖像和深度學(xué)習(xí)，機器可以執(zhí)行類別分類和地標(biāo)檢測，以實現(xiàn)拉伸任務(wù)，其目標(biāo)是將碎布帶到拉伸位置。由于織物的復(fù)雜動力學(xué)和構(gòu)型空間，Wang等^［107］采用基于深度模仿學(xué)習(xí)的方法來估計拾取點和操作過程的階段。Liu等^［108］利用優(yōu)化后的遺傳算法求解模型的目標(biāo)函數(shù)，建立了具有多約束條件和最大成本節(jié)約的柔性生產(chǎn)調(diào)度模型。Ku等^［109］介紹了一種為智能服裝制造設(shè)計的自動縫制系統(tǒng)，將機器視覺功能集成到定制的縫紉機中，促進(jìn)了服裝生產(chǎn)的自動化，為實現(xiàn)智能服裝制造打下基礎(chǔ)。

盡管在生產(chǎn)決策中，已經(jīng)利用機器學(xué)習(xí)等方法制定了質(zhì)量控制的相關(guān)預(yù)案，但是實際生產(chǎn)中依舊需要進(jìn)行嚴(yán)密的品質(zhì)控制。計算機視覺、機器學(xué)習(xí)、深度學(xué)習(xí)等人工智能方法已經(jīng)被利用，致力于精確捕捉瑕疵。劉正等^［110］結(jié)合緯斜特征改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)，提出具有循環(huán)訓(xùn)練策略的目標(biāo)識別網(wǎng)絡(luò)——緯斜檢測網(wǎng)絡(luò)，并在網(wǎng)絡(luò)中加入正樣本回歸和多尺度輸入，結(jié)合數(shù)據(jù)增強方法，提升訓(xùn)練效果和模型檢測效果。該模型與YOLO網(wǎng)絡(luò)相比，緯斜檢測網(wǎng)絡(luò)在真實緯斜樣本檢測中性能優(yōu)異。

精益生產(chǎn)是提高組織服務(wù)水平的關(guān)鍵因素，精益生產(chǎn)和工業(yè)4.0技術(shù)配合使用，可以更有效地幫助生產(chǎn)實現(xiàn)精益目標(biāo)。精益生產(chǎn)和六西格瑪方法的實施使公司能夠提高競爭力和效率，但是仍有很多工廠難以運用這個方法。Elboq等^［111］基于智能模型，為服裝利益相關(guān)者制定了一個支持工具，或者旨在使用深度學(xué)習(xí)成功整合精益生產(chǎn)和六西格瑪方法。

協(xié)同設(shè)計產(chǎn)品的生產(chǎn)更加需要精準(zhǔn)和高效。Lee等^［112］利用信息通信技術(shù)、人工智能和虛擬環(huán)境，為3D服裝生產(chǎn)系統(tǒng)中的企業(yè)、設(shè)計師和消費者之間的創(chuàng)新永續(xù)實時時裝系統(tǒng)（RTFS）提出供應(yīng)鏈框架。RTFS供應(yīng)鏈中的3D時尚產(chǎn)品完全數(shù)字化，通過采樣和跟蹤功能節(jié)省了時間和金錢，并通過個性化的服務(wù)交付獲得了安全性和可靠性。

可持續(xù)發(fā)展是供應(yīng)鏈管理的最終目的?？沙掷m(xù)的生產(chǎn)和消費可以通過建立具有彈性的創(chuàng)新基礎(chǔ)設(shè)施來實現(xiàn)，而這些設(shè)施是通過物聯(lián)網(wǎng)、人工智能、區(qū)塊鏈、增強現(xiàn)實、虛擬現(xiàn)實等數(shù)字技術(shù)的融合實現(xiàn)的。Noh等^［113］提出了一種基于物聯(lián)網(wǎng)和人工智能的回收服裝分類系統(tǒng)，使用的方法是遷移學(xué)習(xí)^［114］的AlexNet，利用物體識別技術(shù)來解決問題，利用人工智能預(yù)測回收服裝的種類，以代替工作人員的經(jīng)驗和專業(yè)知識進(jìn)行準(zhǔn)確的分類工作。Noh還使用了云和邊緣計算的深度學(xué)習(xí)服裝分類系統(tǒng)，通過卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)，將安裝在各個地區(qū)各個服裝分類站點的攝像機終端輸入的服裝圖像數(shù)據(jù)分類，結(jié)果通過邊緣計算存儲在云端，可以有效地提高各地回收衣物分類處理的流程化和自動化程度^［115］。通過機器學(xué)習(xí)優(yōu)化供應(yīng)鏈也是實現(xiàn)可持續(xù)發(fā)展的一種方法，Wang等^［116］使用P-中位數(shù)模型和遺傳算法優(yōu)化供應(yīng)鏈，又采用了一種混合仿真模型，用于分析和收集可持續(xù)指標(biāo)的數(shù)據(jù)，以期提供給相關(guān)人員新的方法和建議，提高個性化定制供應(yīng)鏈的可持續(xù)性和效率。

3.5.2 物流配送和庫存管理

物流運輸和庫存管理需要優(yōu)化的方面，一是減少成本和精簡調(diào)度，二是實現(xiàn)數(shù)據(jù)和產(chǎn)品的可追溯性。通常可以將機器學(xué)習(xí)或深度學(xué)習(xí)的算法與射頻識別技術(shù)相結(jié)合，以追求最優(yōu)的物流或庫存方案，以及產(chǎn)品的可追溯性?，F(xiàn)有的服裝可追溯系統(tǒng)仍存在覆蓋不全、產(chǎn)權(quán)難以保護等問題，數(shù)據(jù)隱私和真實性也需合適的技術(shù)手段來保障。金鵬等^［117］借用區(qū)塊鏈技術(shù)，結(jié)合權(quán)威證明機制、哈希算法、時間戳技術(shù)、智能合約，從數(shù)據(jù)層、網(wǎng)絡(luò)層、共識層、激勵層、合約層、應(yīng)用層六部分進(jìn)行研究，利用去中心化網(wǎng)絡(luò)結(jié)構(gòu)，實現(xiàn)對服裝產(chǎn)品全生命周期的數(shù)據(jù)錄入。

Kim等^［118］研究采用隨機控制和優(yōu)化的方法，通過對韓國一家領(lǐng)先時裝公司的真實數(shù)據(jù)進(jìn)行實證研究，解決了時裝產(chǎn)品初始分布的數(shù)學(xué)問題。這種方法將消費洞察產(chǎn)生的數(shù)據(jù)用于解決庫存問題，從源頭處理，科學(xué)合理地減少庫存浪費。

Luu等^［119］為了將工業(yè)4.0的理論和模型應(yīng)用到一家服裝公司中，不同批次的產(chǎn)品都包含RFID標(biāo)簽，這樣面料和配件中的RFID可以實時更新庫存。Nasr等^［120］提出了一種新的兩階段模糊供應(yīng)商選擇與訂單分配模型。利用模糊最佳最差方法和多目標(biāo)混合整數(shù)線性規(guī)劃模型，選擇最合適的供應(yīng)商和庫存。

3.6 市場營銷

服裝營銷是指服裝企業(yè)為了實現(xiàn)銷售目標(biāo)，通過一系列營銷策略和手段，將服裝產(chǎn)品推廣給目標(biāo)消費者，并促進(jìn)其購買和使用的整個過程，具體可分為銷售策略和客戶關(guān)系管理兩部分內(nèi)容，如圖12^{［125-126］}所示。

3.6.1 客戶關(guān)系管理

如果說此前的環(huán)節(jié)方便于企業(yè)和設(shè)計師，那么營銷環(huán)節(jié)則是方便消費者，經(jīng)過訓(xùn)練，人工智能已經(jīng)具備一定量的知識儲備，結(jié)合大數(shù)據(jù)算法，一系列針對消費者的推薦系統(tǒng)出現(xiàn)。Wang等^［121］整合了情感時尚主題、人類對個性化體型的感知及專業(yè)設(shè)計師的知識，開發(fā)了一種智能服裝推薦系統(tǒng)，利用模糊集和模糊關(guān)系將消費者與設(shè)計師的感知數(shù)據(jù)形式化，人體測量數(shù)據(jù)與設(shè)計師提供的基本感官描述符之間的復(fù)雜關(guān)系使用模糊決策樹進(jìn)行建模。

推薦系統(tǒng)以消費者為中心進(jìn)行精準(zhǔn)推薦，因了解消費者心中所想，推銷成功的概率大大提高，達(dá)到了營銷的目的。但推薦系統(tǒng)存在兩個主要缺陷：1）現(xiàn)有的購物數(shù)據(jù)和/或基于人體數(shù)據(jù)的推薦不能有效地處理時尚趨勢;2）這些系統(tǒng)很少考慮購物者的經(jīng)驗和知識^［122］。針對這兩個問題，Zhang等^［122］提出了一種基于馬爾可夫鏈和復(fù)雜網(wǎng)絡(luò)相結(jié)合的服裝推薦機制，馬爾可夫鏈能從消費者較少量的購物數(shù)據(jù)中提取時尚趨勢。復(fù)雜網(wǎng)絡(luò)方法對購物專家提供的人體形狀、服裝試穿效果和服裝特征之間的不確定關(guān)系進(jìn)行形式化處理。

3.6.2 銷售策略

在服裝營銷中，需要考慮市場調(diào)研、品牌定位、產(chǎn)品策略、價格策略、渠道策略、促銷策略等多個方面，以確保營銷的效果和銷售目標(biāo)的實現(xiàn)。Chen等^［123］基于消費者購買習(xí)慣和奢侈品特征數(shù)據(jù)，采用機器學(xué)習(xí)算法構(gòu)建個性化營銷策略模型。

虛擬試穿技術(shù)（VTO）也是近幾年體驗營銷的熱點，Zhang等^［124］發(fā)現(xiàn)消費者對VTO技術(shù)的態(tài)度會影響其在線購買服裝的意愿，這種意愿受到感知有用性、感知享受性和感知隱私風(fēng)險的影響，而感知易用性影響感知有用性和感知幫助性。研究結(jié)果還顯示，VTO技術(shù)體現(xiàn)在在線購買意愿的整個決策過程中的作用，而在年齡和性別之間沒有顯著差異。

VTO技術(shù)還涉及時尚風(fēng)格轉(zhuǎn)移，即將一張時尚圖片中的服裝轉(zhuǎn)移到目標(biāo)人體圖片上。Liu等^［125］提出了一種名為SwapGAN（d）的多階段深度生成方法，該方法利用統(tǒng)一框架中的三個生成器和一個鑒別器來完成端到端的任務(wù)，在保持人體身形的同時，可以傳輸姿勢風(fēng)格和服裝風(fēng)格。解決時尚風(fēng)格轉(zhuǎn)移中人與人之間的服裝交換問題，其目的是將目標(biāo)服裝穿在另一個人身上而不是穿在他們身上的樣子可視化。Shi等^［126］提出了一種數(shù)據(jù)驅(qū)動的方法，在保留原始設(shè)計的同時，在兩個不同的身體之間有效地轉(zhuǎn)移服裝，同時還提出了一種編碼器—解碼器網(wǎng)絡(luò)，以學(xué)習(xí)與服裝款式不相關(guān)但與人體變形有關(guān)的共享空間。這種方法可以為虛擬服裝品牌帶來啟示，但是歸根結(jié)底其仍然展示的是2D，未來如何結(jié)合虛擬現(xiàn)實和建模技術(shù)來制作真正的3D，讓消費者有更深的體驗，是值得討論的研究點。

3.7 銷 售

銷售是面向消費者的終端環(huán)節(jié)，也是服裝企業(yè)的最終目的?；ヂ?lián)網(wǎng)時代的銷售可以分為線上銷售和線下銷售。線上銷售近些年來更受歡迎，線下銷售也在傳統(tǒng)方式中脫胎換骨。

線上的銷售方式雖然帶來了很大的便利，但是虛擬體驗逐漸不易刺激顧客的消費行為，不能親身試穿產(chǎn)品給消費者帶來了型號選擇的困難，虛擬試衣技術(shù)成了一些線上銷售的一部分。虛擬試穿技術(shù)之所以備受關(guān)注，是因為它有望提高服裝行業(yè)在線購物的用戶體驗?；趫D像的虛擬試戴方法以其高效、低成本的特點受到了越來越多的關(guān)注，該環(huán)節(jié)具體內(nèi)容如圖13^{［127-130］}所示。

3.7.1 顧客體驗

Daneshmand等^［131］提出一種全自動解決方案，克服了在線試穿過程中涉及的大多數(shù)模塊仍需要人工計算、操作和調(diào)整的不足，減少了時間消耗，并顯著提高了服務(wù)的效率和可靠性。Hashmi等^［132］提出了一種新穎的結(jié)構(gòu)FashionFit，可以便利地將零售商提供的服裝組合在一起，并使用神經(jīng)體適能將其可視化。這項工作為使用GAN解鎖定制服裝的生成創(chuàng)建了一個基準(zhǔn)，并可在用戶身上進(jìn)行虛擬試穿，以確保栩栩如生的外觀和效果，從而通過使用人工智能創(chuàng)造良好的客戶體驗。

目前的三維虛擬試衣方法主要基于薄板樣條法和基于深度信息的三維重建，這加大了實現(xiàn)三維虛擬試衣的成本，并且缺少服裝褶皺、圖案等細(xì)節(jié)。Ghodhbani等^［133］提出的Dress-up虛擬試穿界面旨在處理跨圖像的人類外觀轉(zhuǎn)移任務(wù)，同時保留生成服裝的紋理細(xì)節(jié)和結(jié)構(gòu)一致性。為了增強顧客的體驗感，虛擬試衣領(lǐng)域出現(xiàn)了圖片生成視頻的技術(shù)，以全方位給顧客展示著裝效果，但是該技術(shù)存在掉幀、生成視頻質(zhì)量差、人物服裝細(xì)節(jié)丟失等問題，為此陸寅雯等^［134］提出一種基于姿態(tài)嵌入機制及多尺度注意鏈接的生成對抗網(wǎng)絡(luò)模型，提高了生成視頻的質(zhì)量與幀間動作穩(wěn)定性。

虛擬現(xiàn)實技術(shù)因其可使消費者有親臨環(huán)境的體驗，近些年備受行業(yè)青睞，但是其帶來的舒適感體驗并不佳，張曉婷等^［135］聚焦于VR交互體驗中，沉浸感與舒適感的平衡設(shè)計，這為線下門戶的顧客體驗帶來新的契機。

3.7.2 銷售渠道

電商平臺會面臨顧客的主動檢索，人工智能方法可以使搜索更加智能和精準(zhǔn)，從而優(yōu)化顧客的體驗。一般情況下，顧客會使用文本關(guān)鍵詞進(jìn)行搜索，這些文本包含了所需服裝產(chǎn)品的屬性。為了使文本搜索更加準(zhǔn)確，Chun等^［136］提出了一種新的網(wǎng)絡(luò)結(jié)構(gòu)SAC，它結(jié)合了CNN和Self-attention機制，可以更細(xì)粒度地表示服裝屬性。

但是基于文本的搜索方法仍存在局限性，有些時候難以選出合適的文本進(jìn)行描述，而直接利用可視化的圖片進(jìn)行檢索更加方便。Jo等^［137］開發(fā)了一種基于深度學(xué)習(xí)的智能時尚技術(shù)，建立了草圖產(chǎn)品時尚檢索模型，用于高效的時尚產(chǎn)品搜索。

新的問題隨之產(chǎn)生，由于服裝的種類或款式較多，加之不同的拍攝角度、拍攝條件、雜亂的背景環(huán)境或穿著的人體姿勢等因素導(dǎo)致的服裝外觀的不同，傳統(tǒng)的消費者到商店的方案檢索精度往往較低。基于深度卷積神經(jīng)網(wǎng)絡(luò)和特征融合，以及四重?fù)p失函數(shù)可以進(jìn)行跨域服裝檢索?？焖贉?zhǔn)確的目標(biāo)檢測是當(dāng)前該領(lǐng)域的重要目標(biāo)，YOLO類算法在圖像檢測方面具有優(yōu)勢，在其基礎(chǔ)上進(jìn)行的優(yōu)化可以精確進(jìn)行復(fù)雜背景下的服裝識別，提高對微小目標(biāo)的檢測能力，在短時間間隔內(nèi)準(zhǔn)確定位目標(biāo)。在YOLOv4算法的基礎(chǔ)上，Lee等^［138］提出了一種名為YOLOv4-tpd（e）的兩階段時尚服裝檢測方法來解決這一難題。實例級圖像檢索是一個具有挑戰(zhàn)性的問題，Bao等^［139］提出了一種新的多尺度、多粒度特征學(xué)習(xí)網(wǎng)絡(luò)（MMFL-net），該網(wǎng)絡(luò)可以在統(tǒng)一的框架內(nèi)共同學(xué)習(xí)服裝圖像的全局局部聚合特征表示，旨在訓(xùn)練C2S時尚視覺相似度的跨域模型。Jing等^［140］提出了一種用于時尚兼容性預(yù)測的潛在低階表示的三部分圖正則化TGRLLR。

Alzu’bi等^［141］提出了一種將時尚圖像檢索和推薦與三維虛擬試穿網(wǎng)絡(luò)相結(jié)合的新方法。采用了幾種深度學(xué)習(xí)架構(gòu)來提取和學(xué)習(xí)服裝圖像的關(guān)鍵屬性，通過這些架構(gòu)，每個制定的圖像都經(jīng)過有效的人體分割和姿態(tài)估計程序。使用3D VTON網(wǎng)絡(luò)生成用戶穿著特定服裝的3D圖像，然后時尚檢索系統(tǒng)推薦更多相關(guān)物品。

除了消費者的主動檢索，人工智能技術(shù)可以提供智能自動化且高效實時的時尚推薦^［142］，以科學(xué)的方式將合適的產(chǎn)品展示給顧客，免去了傳統(tǒng)方式的揣測顧客心理來推銷產(chǎn)品，使得虛擬購物助手更加地受歡迎。如果時尚推薦被拒絕，可以根據(jù)所建議的著裝風(fēng)格添加額外的語義層，來進(jìn)行額外的補充推薦。Vuruskan等^［143］開發(fā)了一種針對非標(biāo)準(zhǔn)女性體形的時裝款式選擇智能系統(tǒng)，所提出的智能系統(tǒng)結(jié)合了遺傳算法和神經(jīng)網(wǎng)絡(luò)分類器，后者使用了粒子群優(yōu)化進(jìn)行訓(xùn)練，以評估每種演化出的新時尚風(fēng)格的適配性。Zhang等^［144］建立了一個服裝知識庫，以幫助一般消費者識別最符合其特定需求的相關(guān)產(chǎn)品。

線下購物在電商崛起的時代也在思索自己的出路，結(jié)合人工智能技術(shù)來提高核心競爭力，一些智能門店以現(xiàn)實和虛擬結(jié)合的方式呈現(xiàn)在消費者面前。Yuan等^［145］開發(fā)了一個由客戶參與設(shè)計工作的服裝購物商城，尤其適用于設(shè)計較為復(fù)雜的服裝。該購物商城從顧客使用的角度出發(fā)，強調(diào)功能性，與此同時還實現(xiàn)了適合智慧城市的服裝服務(wù)在線環(huán)境。

4 結(jié) 語

本文探討了人工智能在服裝產(chǎn)品生命周期管理（PLM）中各環(huán)節(jié)中的應(yīng)用及常用的人工智能技術(shù)。分析表明，人工智能主要應(yīng)用在服裝產(chǎn)品生命周期管理（PLM）中的產(chǎn)品研發(fā)環(huán)節(jié)，且不同環(huán)節(jié)所采用的人工智能技術(shù)也不同，計算機視覺和圖像處理技術(shù)主要應(yīng)用于產(chǎn)品研發(fā)、上會與組貨及市場營銷環(huán)節(jié)中;自然語言處理技術(shù)主要應(yīng)用于流行趨勢和產(chǎn)品研發(fā)環(huán)節(jié);機器學(xué)習(xí)主要應(yīng)用于消費洞察、流行趨勢及產(chǎn)品研發(fā)的環(huán)節(jié)中。

盡管人工智能為服裝產(chǎn)品生命周期管理（PLM）帶來了巨大的潛力，極大提升了服裝行業(yè)的效率，但由于其發(fā)展在初級階段，還面臨許多問題和挑戰(zhàn)。包括高質(zhì)量數(shù)據(jù)的收集、傳輸和集成問題：人工智能需要大量數(shù)據(jù)進(jìn)行訓(xùn)練，而在服裝產(chǎn)品生命周期管理（PLM）系統(tǒng)中，可能會存在數(shù)據(jù)不完整或不一致的問題，這會影響人工智能的決策效果;技術(shù)成熟度問題：目前的人工智能技術(shù)可能還無法完全理解和應(yīng)對復(fù)雜的服裝設(shè)計和制造過程;以及網(wǎng)絡(luò)安全和隱私問題等。

目前服裝行業(yè)使用的人工智能算法偏舊，尤其是以Transformer為代表的最新AI模型已為其他行業(yè)帶來革命性變化，但服裝行業(yè)中卻很少使用。如Generative Pre-trained Transformer （GPT）系列是Transformer架構(gòu)的一種應(yīng)用，它在無監(jiān)督學(xué)習(xí)中表現(xiàn)出色，可以生成高質(zhì)量的文本。在推薦系統(tǒng)中，大型語言模型（LLM）能夠結(jié)合用戶的歷史行為和偏好，提供個性化的推薦服務(wù);多行為推薦大模型能夠分析用戶的多種交互行為，以更準(zhǔn)確地捕捉用戶的需求和意圖。它們在實時推薦場景中尤為重要，但分析多種行為序列的關(guān)聯(lián)性或轉(zhuǎn)換關(guān)系也帶來了新的挑戰(zhàn)。最新人工智能模型在服裝行業(yè)的應(yīng)用展現(xiàn)出巨大潛力，但同時也面臨著技術(shù)挑戰(zhàn)和實施難度。隨著技術(shù)的不斷發(fā)展，這些模型有望在服裝行業(yè)中發(fā)揮更大的作用，推動行業(yè)的數(shù)字化轉(zhuǎn)型。

人工智能在服裝產(chǎn)品生命周期管理（PLM）中的應(yīng)用雖然存在一些問題和挑戰(zhàn)，但AI與服裝產(chǎn)品生命周期管理（PLM）的融合是不可避免的，機會與挑戰(zhàn)共存。未來的研究可以從服裝產(chǎn)品生命周期管理（PLM）中各環(huán)節(jié)數(shù)據(jù)和設(shè)計協(xié)同的方向入手，使用更加先進(jìn)的人工智能技術(shù)，以實現(xiàn)企業(yè)對服裝產(chǎn)品更集中、可持續(xù)、高效地管理。因此，服裝企業(yè)與AI研究人員需要緊密合作，這些問題和挑戰(zhàn)才能得以解決，人工智能將為服裝行業(yè)帶來更大的發(fā)展機遇。

參考文獻(xiàn)：

［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］張怡， 侯玨， 劉正. 基于循環(huán)Faster R-CNN的襯衫領(lǐng)型精確識別［J］. 西安工程大學(xué)學(xué)報， 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］聞力生. 人工智能在服裝智能制造中的應(yīng)用［J］. 紡織高校基礎(chǔ)科學(xué)學(xué)報， 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， 楊妍雯， 陳佳珍， 等. 基于MLP神經(jīng)網(wǎng)絡(luò)的女大學(xué)生頭面部號型歸檔與預(yù)測［J］. 絲綢， 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］石聞達(dá)， 杜勁松， 李笛出乘. 基于層次化多模態(tài)注意力機制循環(huán)神經(jīng)網(wǎng)絡(luò)的服裝新品銷售預(yù)測（英文）［J］. 東華大學(xué)學(xué)報（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， 陳涵. 基于形狀文法的傳統(tǒng)云紋服飾圖案創(chuàng)新設(shè)計［J］. 針織工業(yè)， 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］顧冰菲， 張健， 徐凱憶， 等. 復(fù)雜背景下人體輪廓及其參數(shù)提?。跩］. 紡織學(xué)報， 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］聶梓萌， 杜勁松， 朱建龍， 等. 基于仿真區(qū)域性數(shù)據(jù)的服裝團體定制歸號機制［J］. 紡織學(xué)報， 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］周潔， 沈雷， 任祥放， 等. 基于數(shù)字技術(shù)工具比較的復(fù)雜結(jié)構(gòu)女裝設(shè)計［J］. 毛紡科技， 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， 趙健， 楊斐斐， 等. 基于風(fēng)格意象的服裝搭配規(guī)則挖掘［J］. 現(xiàn)代絲綢科學(xué)與技術(shù)， 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， 侯玨， 楊陽， 等. 基于先驗算法的服裝生產(chǎn)流水線設(shè)計優(yōu)化［J］. 浙江理工大學(xué)學(xué)報（自然科學(xué)）， 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］劉正， 吳詩豪， 侯玨， 等. 基于數(shù)據(jù)增強和改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的織物緯斜檢測［J］. 服裝學(xué)報， 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］金鵬， 薛哲彬， 江潤恬， 等. 基于區(qū)塊鏈技術(shù)的服裝可追溯系統(tǒng)設(shè)計與實現(xiàn)［J］. 絲綢， 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］葉倩琳， 王萬良， 王錚. 多目標(biāo)粒子群優(yōu)化算法及其應(yīng)用研究綜述［J］. 浙江大學(xué)學(xué)報（工學(xué)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， 熊偉麗. 基于自注意力機制與卷積ONLSTM網(wǎng)絡(luò)的軟測量算法［J］. 智能系統(tǒng)學(xué)報， 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］陸寅雯， 侯玨， 楊陽， 等. 基于姿態(tài)嵌入機制和多尺度注意力的單張著裝圖像視頻合成［J］. 紡織學(xué)報， 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］張曉婷， 陸菁， 劉淵， 等. VR交互體驗中沉浸感與舒適度的平衡設(shè)計［J］. 包裝工程， 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