그레이딩 패턴의 자동 파라메트릭 변환과 가상 의복의 피트성 측정 방법 개발

Abstract

패션 산업에서 인공 지능을 활용하여 개별 고객에게 맞춤 서비스를 제공하는 기술이 대중화되고 있으나 의류 제조 분야에서 인공 지능을 활용한 사례는 찾기 어려우며, 주로 통계적 기법이나 인공 지능을 사용하여 개별 고객에게 맞춤 사이즈를 추천해주는 기술이 구현되고 있다. 그러나 생산이 완료된 제품 중에서 가장 적당한 사이즈를 추천해주는 방식으로는 근본적인 사이즈 문제를 해결할 수 없으므로 제조 전 설계 단계에서 대량 개인화(mass personalization)를 달성하기 위해 맞춤 의복설계에 사용되는 방법 중 하나인 파라메트릭 패턴과 그레이딩 패턴의 이점을 결합한 새로운 방법을 생각하게 되었다. 본 연구에서는 기존의 그레이딩 패턴을 인공 지능이 학습하여 파라메트릭 패턴으로 변환하는 프로그램이 개발되었다. 학습에 사용할 실험복으로는 라글란 상의, 바지, 원피스, 스커트, 네 가지 스타일을 선정하였으며, 인체 모델은 표준에 근접한 20대 1인과 만 18세 ~ 59세까지의 비교적 넓은 범위에서 다양한 체형 특성을 가지는 9인의 모델을 선정하였다. 그레이딩된 패턴 파일을 개발된 인공 지능 모델에 인체 치수와 함께 입력하여 학습시킨 후, 그 결과로 생성된 파라메트릭 패턴에 새로운 인체 치수를 입력하여 해당 체형에 맞게 잘 변형되는지 확인하고자 하였다. 변환된 파라메트릭 패턴의 타당성을 확인하기 위해서, 가상 착의 환경에서 여유량, 의복 압력에 의한 의복 변형률, 솔기의 놓임, 디테일의 위치, 봉제선 길이 등 다양한 의복의 피트성(fit) 평가 항목을 정량화하여 비교할 수 있는 프로그램이 개발되었다. 가상 의복 평가 프로그램은 사용자가 지정한 바람직한 착의 상태와 바람직하지 않은 착의 상태의 부위별 여유량과 의복압을 바탕으로 평가하고자 하는 착의 상태의 유사도를 점수로 표현할 수 있다. 표준 체형 모델에 해당 모델을 대상으로 설계된 기준 사이즈 패턴으로 가상 착의한 상태를 100점으로 지정하고, 인체 모델과 패턴의 종류 및 사이즈를 바꿔가며 착의 점수를 비교한 결과는 다음과 같다. 첫째, 각 인체 모델에게 그레이딩 패턴과 파라메트릭 패턴으로 생성한 맞춤 패턴을 착의했을 때, 어느 한쪽의 피트성 점수가 우세하게 도출되는 경향성은 확인할 수 없었다. 그러나 사용한 평가 항목의 종류와 가중치에 따라 피트성 점수가 크게 달라질 수 있으므로, 더욱 면밀한 추가 연구를 통해 적절한 평가 항목 및 항목별 가중치를 찾아 나가야 할 필요성이 있었다. 둘째, 가상 의복의 압력에 의한 변형률을 고려하지 않으면 실제로 입을 수 없을 정도로 작은 사이즈를 착의한 상태에서도 높은 점수가 도출되며, 사용자가 의복의 원단 성질을 고려하여 의복 압력에 해당하는 항목에 높은 가중치를 설정할 필요가 있었다. 본 연구에서 개발된 기능을 사용하면 그레이딩 패턴을 파라메트릭 패턴으로 변환할 수 있고, 그레이딩 패턴에 없는 사이즈의 패턴도 생성할 수 있다. 또한, 의복의 피트성을 빠르고 객관적으로 평가할 수 있어, 전문가에 의한 관능 평가과정을 보완할 수 있을 것으로 기대된다. 추후 가상 착의 피트성 평가 결과를 입력값으로 재사용할 수 있도록 기능을 확장하여 인공 신경망의 성능을 개선하고, 일반인이 사용할 수 있도록 평가 시스템의 사용자 인터페이스와 사용성을 개선하여 실제 온라인 의류 쇼핑에 적용 가능한 방법을 모색할 것이다.

Artificial intelligence is becoming popular in the fashion industry. However, there are few cases of designing clothing patterns using artificial intelligence. To solve the fundamental clothing size problem, pattern design method needs to be improved. In this study, a new method has been developed that combines the advantages of grading pattern and parametric pattern design method to achieve mass customization of garments. In this method, the artificial neural network learns the relationship between the existing grading pattern and the human body dimension to convert grading patterns into parametric patterns. Four kinds of garments including raglan top, pants, dress with set-in sleeves, and A-line skirt were selected as input data. A human body model close to the standard body of women in their 20s was selected for drape simulation. In addition, drape simulations were conducted on nine models with various body shape characteristics. A virtual fit evaluation system was developed to compare the fit between grading and parametric patterns quickly as well as quantitatively. This system calculates the similarity score of the virtual garment based on the garment pressure, ease, and sewing line length difference. Although, it was possible to generate parametric patterns from grading patterns, it was difficult to say that either grading or parametric pattern has higher fit score. Additionally, since the score may vary greatly depending on the type and weight of the evaluation items used, it is necessary to find appropriate evaluation items and weights for each case through further research. The method developed in this study could convert grading patterns into parametric patterns to generate customized patterns. It could also supplement the sensory evaluation process of human experts using various quantitative evaluation criteria. Further research will be directed to improve the user interface and usability of programs to provide a useful tool for online clothing shopping.