基于客户偏好的服装智能设计方法及系统

1.本技术涉及服装设计技术领域，尤其涉及一种基于客户偏好的服装智能设计方法及系统。


背景技术：

2.服装有服装公司出厂的标准码数，也有通过定制型的服装，定制型服装依据顾客的身材量身定做，传统的设计方法是裁缝用量尺量取身材各个部位的尺寸，再进行设计，过程枯燥无味，产生的误差较大，通常由于某些尺寸存在误差导致最终设计的服装不尽人意，另外顾客选定设计款式和风格之后无法快速查看设计效果图，设计效率低。
3.现有的服装设计是设计师根据主观意识度服装进行设计，但是在设计师设计时很多都是对现有的元素进行改进优化，而设计师一般是手动进行绘图、展示，其三维形象不够直观，使得设计师不能直观的感受自身设计样品，服装实物作出后进行改进影响设计的进度，且工作量较大，目前，亟需一种基于客户偏好的服装设计方法，实现客户的自主设计，且能快速查看设计效果。因此，现有技术在服装设计上还存在无法根据客户偏好，实现客户进行自主个性化设计的问题。


技术实现要素：

4.本技术实施例的目的在于提出一种基于客户偏好的服装智能设计方法、系统、设备及存储介质，以解决现有技术在服装设计上还存在无法根据客户偏好，实现客户进行自主个性化设计的问题。
5.为了解决上述技术问题，本技术实施例提供一种基于客户偏好的服装智能设计方法，采用了如下所述的技术方案：
6.一种基于客户偏好的服装智能设计方法，包括：
7.基于人机交互模式，获取由客户输入的身高、体重、性别、肩宽、胸围、臀宽参数，对所述参数进行优先级设定，并按照所述优先级顺序，将所述参数传入预设体形识别模型，识别客户对应的体形类型；
8.基于大数据平台进行网络任务抓取，分别获取帽子、上衣、裤子和鞋子对应的若干张图片，基于深度学习神经网络对所述若干张图片进行款式分类，作为待选款式；
9.对所述帽子、上衣、裤子和鞋子对应的若干张图片中色彩进行识别，基于冒泡排序的方式，获取所述若干张图片中衣物使用最多的前n种色彩，作为待选颜色，其中，n为正整数；
10.基于客户对应的体形类型，进行反向工程，获取客户对应的形体三维模型；
11.基于预设展示界面，提供可供客户进行输入的搜索框，对客户输入的字符串进行拆分，通过拆分后的字符串确定其需要搜索的服装类型、所述服装类型的颜色和款式，并将客户选择的服装穿搭在所述形体三维模型上进行效果预览；
12.在客户确定完选择的服装之后，在预设展示界面向客户展示可裁剪所述服装的布
料材质、布料价格信息供其选择；
13.在客户确定完选择的布料之后，基于预设价格统计算法，统计使用的各布料的面积、布料购买总价款和人工费用，完成自选服装设计。
14.进一步的，所述获取由客户输入的身高、体重、性别、肩宽、胸围、臀宽参数，对所述参数进行优先级设定，具体设定方式为：
15.将所述身高、体重设定为第一优先级参数；
16.将性别设定为第二优先级参数；
17.将肩宽、胸围、臀宽设定为第三优先级参数。
18.进一步的，所述并按照所述优先级顺序，将所述参数传入预设体形识别模型，识别客户对应的体形类型，具体识别方式为：
19.将第一优先级参数传入预设体形识别模型，获取客户对应的第一模糊体形类型；
20.将第二优先级参数传入预设体形识别模型，在所述第一模糊体形类型的基础上，获取客户对应的第二模糊体形类型；
21.将第三优先级参数传入预设体形识别模型，在所述第二模糊体形类型的基础上，获取客户对应的第三体形类型，作为客户对应的体形类型；
22.所述预设体形识别模型内预先按照三层缓存的形式，缓存若干种人类体形类型，在识别时，先通过第一优先级参数，确定初步检索范围，获取初步检索后的结果，作为第一模糊体形类型，再通过第二优先级参数，对初步检索后的结果进行二次筛选，获取二次筛选结果，作为第二模糊体形类型，最后，通过第三优先级参数，对二次筛选结果进行再次筛选，获取再次筛选结果，作为客户对应的体形类型。
23.进一步的，所述基于大数据平台进行网络任务抓取，分别获取帽子、上衣、裤子和鞋子对应的若干张图片，具体实现方式为：
24.在基于大数据平台进行网络任务抓取，分别获取帽子、上衣、裤子和鞋子对应的若干张图片之前，预先构建帽子图片集合、上衣图片集合、裤子图片集合和鞋子图片集合；
25.在基于大数据平台进行网络任务抓取，分别获取帽子、上衣、裤子和鞋子对应的若干张图片之时，分别以帽子、上衣、裤子和鞋子作为检索词，以所述帽子图片集合、上衣图片集合、裤子图片集合和鞋子图片集合对应的缓存路径作为缓存地址，将检索到的图片存入相应的缓存地址。
26.进一步的，所述基于深度学习神经网络对所述若干张图片进行款式分类，具体实现方式为：
27.基于神经网络分别对所述帽子图片集合、上衣图片集合、裤子图片集合和鞋子图片集合中图片进行特征值获取；
28.预先对特征值按照值范围进行分类，将同一值范围内的特征值对应的图片，放入预设数组中，并对所述数组进行区别命名，构建外部数据为集合类型，内部数据由若干数组构成的json类型数据，其中，每一个数组对应一种款式。
29.进一步的，所述构建帽子图片集合、上衣图片集合、裤子图片集合和鞋子图片集合时，对所述帽子图片集合、上衣图片集合、裤子图片集合和鞋子图片集合进行区别命名，分别使用二进制数值“00”、“01”、“10”和“11”进行命名。
30.进一步的，所述预先对特征值按照值范围进行分类，将同一值范围内的特征值对
应的图片，放入预设数组中，并对所述数组进行区别命名，具体方式为：
31.获取所述特征值中最大值和最小值，确定所述特征值对应的初始区间；
32.将所述初始区间按照数值等分为8个范围区间，每个范围区间设定对应的数组，并使用二进制数值“000”、“001”、“010”、“011”、“100”、“101”、“110”和“111”进行一一命名；
33.在进行深度学习之后，获取当前图片对应的特征值，判断其所对应的特征值范围，将所述当前图片放入其对应的数组中。
34.进一步的，所述基于冒泡排序的方式，获取所述若干张图片中衣物使用最多的前n种色彩，作为待选颜色，还包括：
35.基于性别，将所述待选颜色划分为男性色系和女性色系两个不同大类；
36.在客户进行服装颜色选择时，直接提供其对应性别的色系供其选择。
37.进一步的，所述基于预设展示界面，提供可供客户进行输入的搜索框，对客户输入的字符串进行拆分，通过拆分后的字符串确定其需要搜索的服装类型、所述服装类型的颜色和款式，具体确定方式为：
38.所述提供可供客户进行输入的搜索框，限定客户先输入五位二进制数值，将所述五位二进制数值拆分为一个两位二进制数值和一个三位二进制数值，基于所述两位二进制数值确定客户搜索的服装类型，基于所述三位二进制数值确定客户搜索的所述服装类型的款式分类，其中，所述服装类型包括：帽子、上衣、裤子和鞋子；
39.在基于所述三位二进制数值确定客户搜索的所述服装类型的款式分类之后，基于列表展示的方式，在所述预设展示界面对同一款式分类下的所有款式进行展示，供客户进行选择；
40.在客户选择完款式之后，提供各待选颜色的编号，供客户对选择好款式的衣物进行可选择的着色，将着色结果作为最终选择的服装。
41.为了解决上述技术问题，本技术实施例还提供了一种基于客户偏好的服装智能设计系统，采用了如下所述的技术方案：
42.一种基于客户偏好的服装智能设计系统，包括：
43.体形识别模块，用于基于人机交互模式，获取由客户输入的身高、体重、性别、肩宽、胸围、臀宽参数，对所述参数进行优先级设定，并按照所述优先级顺序，将所述参数传入预设体形识别模型，识别客户对应的体形类型；
44.款式获取分类模块，用于基于大数据平台进行网络任务抓取，分别获取帽子、上衣、裤子和鞋子对应的若干张图片，基于深度学习神经网络对所述若干张图片进行款式分类，作为待选款式；
45.待选颜色确定模块，用于对所述帽子、上衣、裤子和鞋子对应的若干张图片中色彩进行识别，基于冒泡排序的方式，获取所述若干张图片中衣物使用最多的前n种色彩，作为待选颜色，其中，n为正整数；
46.形体三维模型构建模块，用于基于客户对应的体形类型，进行反向工程，获取客户对应的形体三维模型；
47.服装穿搭选择模块，用于基于预设展示界面，提供可供客户进行输入的搜索框，对客户输入的字符串进行拆分，通过拆分后的字符串确定其需要搜索的服装类型、所述服装类型的颜色和款式，并将客户选择的服装穿搭在所述形体三维模型上进行效果预览；
48.裁剪布料选择模块，用于在客户确定完选择的服装之后，在预设展示界面向客户展示可裁剪所述服装的布料材质、布料价格信息供其选择；
49.服装价格统计模块，用于在客户确定完选择的布料之后，基于预设价格统计算法，确定使用的各布料的面积、布料购买总价款和人工费用，完成自选服装设计。
50.与现有技术相比，本技术实施例主要有以下有益效果：
51.本技术实施例公开了基于客户偏好的服装智能设计方法及系统，通过识别客户体形类型；基于深度学习神经网络确定服装待选款式；确定服装待选颜色；获取客户形体三维模型；确定客户需要搜索的服装类型、服装类型的颜色和款式，并将客户选择的服装穿搭在形体三维模型上进行效果预览；在客户确定完选择的服装之后，展示布料材质、布料价格信息供其选择；在客户确定完选择的布料之后，统计使用的各布料的面积、布料购买总价款和人工费用，完成自选服装设计，本技术相较于目前成品衣物购买，客户可以有选择性的筛选衣物款式、衣物色彩、衣物布料，满足客户的个性化要求，提高客户体验度，且价格更加透明化。
附图说明
52.为了更清楚地说明本技术中的方案，下面将对本技术实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
53.图1为本技术实施例中基于客户偏好的服装智能设计方法的一个实施例的流程图；
54.图2为本技术实施例中基于客户偏好的服装智能设计系统的一个实施例；
55.图3为本技术实施例中基于客户偏好的服装智能设计方法的一个实施例的执行逻辑图。
具体实施方式
56.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术；本技术的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本技术的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
57.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
58.为了使本技术领域的人员更好地理解本技术方案，下面将结合附图，对本技术实施例中的技术方案进行清楚、完整地描述。
59.需要说明的是，本技术实施例所提供的基于客户偏好的服装智能设计方法一般由服务器/终端设备执行，相应地，基于客户偏好的服装智能设计系统一般设置于服务器/终
端设备中。
60.参考图1，图中示出了本技术的基于客户偏好的服装智能设计方法的一个实施例的流程图，所述的基于客户偏好的服装智能设计方法，包括以下步骤：
61.步骤101，基于人机交互模式，获取由客户输入的身高、体重、性别、肩宽、胸围、臀宽参数，对所述参数进行优先级设定，并按照所述优先级顺序，将所述参数传入预设体形识别模型，识别客户对应的体形类型。
62.在本技术一些实施例中，所述获取由客户输入的身高、体重、性别、肩宽、胸围、臀宽参数，对所述参数进行优先级设定，具体设定方式为：将所述身高、体重设定为第一优先级参数；将性别设定为第二优先级参数；将肩宽、胸围、臀宽设定为第三优先级参数。
63.在本技术一些实施例中，所述并按照所述优先级顺序，将所述参数传入预设体形识别模型，识别客户对应的体形类型，具体识别方式为：将第一优先级参数传入预设体形识别模型，获取客户对应的第一模糊体形类型；将第二优先级参数传入预设体形识别模型，在所述第一模糊体形类型的基础上，获取客户对应的第二模糊体形类型；将第三优先级参数传入预设体形识别模型，在所述第二模糊体形类型的基础上，获取客户对应的第三体形类型，作为客户对应的体形类型；所述预设体形识别模型内预先按照三层缓存的形式，缓存若干种人类体形类型，在识别时，先通过第一优先级参数，确定初步检索范围，获取初步检索后的结果，作为第一模糊体形类型，再通过第二优先级参数，对初步检索后的结果进行二次筛选，获取二次筛选结果，作为第二模糊体形类型，最后，通过第三优先级参数，对二次筛选结果进行再次筛选，获取再次筛选结果，作为客户对应的体形类型。
64.解释：通过将客户输入的参数，分为三个优先等级，通过身高、体重作为第一优先级参数，首先获取客户的大概体形，然后，获取客户性别作为第二优先级参数，对男女客户进行区别，最后，获取客户的肩宽、胸围、臀宽，作为第三优先级参数，确定客户的体形类型。
65.步骤102，基于大数据平台进行网络任务抓取，分别获取帽子、上衣、裤子和鞋子对应的若干张图片，基于深度学习神经网络对所述若干张图片进行款式分类，作为待选款式。
66.在本技术的一些实施例中，所述基于大数据平台进行网络任务抓取，分别获取帽子、上衣、裤子和鞋子对应的若干张图片，具体实现方式为：在基于大数据平台进行网络任务抓取，分别获取帽子、上衣、裤子和鞋子对应的若干张图片之前，预先构建帽子图片集合、上衣图片集合、裤子图片集合和鞋子图片集合；在基于大数据平台进行网络任务抓取，分别获取帽子、上衣、裤子和鞋子对应的若干张图片之时，分别以帽子、上衣、裤子和鞋子作为检索词，以所述帽子图片集合、上衣图片集合、裤子图片集合和鞋子图片集合对应的缓存路径作为缓存地址，将检索到的图片存入相应的缓存地址。
67.在本技术的一些实施例中，所述构建帽子图片集合、上衣图片集合、裤子图片集合和鞋子图片集合时，对所述帽子图片集合、上衣图片集合、裤子图片集合和鞋子图片集合进行区别命名，分别使用二进制数值“00”、“01”、“10”和“11”进行命名。
68.解释：进行图片抓取时，首先，构建帽子图片集合、上衣图片集合、裤子图片集合和鞋子图片集合，为了便于区分对上述集合分别以二进制数值“00”、“01”、“10”和“11”进行命名，在使用帽子作为检索词时，将所述图片缓存到区别命名为“00”的集合内，同理，在使用上衣作为检索词时，将所述图片缓存到区别命名为“01”的集合内，在使用裤子作为检索词时，将所述图片缓存到区别命名为“10”的集合内，在使用鞋子作为检索词时，将所述图片缓
存到区别命名为“11”的集合内。
69.在本技术的一些实施例中，所述基于深度学习神经网络对所述若干张图片进行款式分类，具体实现方式为：基于神经网络分别对所述帽子图片集合、上衣图片集合、裤子图片集合和鞋子图片集合中图片进行特征值获取；预先对特征值按照值范围进行分类，将同一值范围内的特征值对应的图片，放入预设数组中，并对所述数组进行区别命名，构建外部数据为集合类型，内部数据由若干数组构成的json类型数据，其中，每一个数组对应一种款式。
70.解释：以所述帽子图片集合、上衣图片集合、裤子图片集合和鞋子图片集合作为进行深度学习的四个测试集，分别基于预设神经网络学习模型获取测试集中图片特征值，以所述帽子图片集合为例，首先，启动所述神经网络学习模型，将所述帽子图片集合作为当前测试集传入所述学习模型，获取所述帽子图片集合中每一张图片对应的特征值。
71.在本技术的一些实施例中，所述预先对特征值按照值范围进行分类，将同一值范围内的特征值对应的图片，放入预设数组中，并对所述数组进行区别命名，具体方式为：获取所述特征值中最大值和最小值，确定所述特征值对应的初始区间；将所述初始区间按照数值等分为8个范围区间，每个范围区间设定对应的数组，并使用二进制数值“000”、“001”、“010”、“011”、“100”、“101”、“110”和“111”进行一一命名；在进行深度学习之后，获取当前图片对应的特征值，判断其所对应的特征值范围，将所述当前图片放入其对应的数组中。
72.解释：在获取到所述帽子图片集合中每一张图片对应的特征值之后，对所述特征值进行特征值集合构建，获取所述特征值集合中特征值最大值和最小值，确定特征值对应的初始区间，进行区间等分，将特征值集合中特征值划分为8个范围区间，对上述范围区间使用二进制数值“000”、“001”、“010”、“011”、“100”、“101”、“110”和“111”作为数组名称，进行一一命名，并获取区间内特征值对应的图片，将图片存入对应所述数组中，需要说明的是，特征值与图片间的对应关系为一对多关系，即同一特征值可能对应多张图片，直接通过特征值划分款式类型，相较于人工选择划分款式，可以快速对批量图片进行款式归类，避免人工归类时的时间消耗。
73.步骤103，对所述帽子、上衣、裤子和鞋子对应的若干张图片中色彩进行识别，基于冒泡排序的方式，获取所述若干张图片中衣物使用最多的前n种色彩，作为待选颜色，其中，n为正整数。
74.在本技术的一些实施例中，所述基于冒泡排序的方式，获取所述若干张图片中衣物使用最多的前n种色彩，作为待选颜色，还包括：基于性别，将所述待选颜色划分为男性色系和女性色系两个不同大类；在客户进行服装颜色选择时，直接提供其对应性别的色系供其选择。
75.解释：基于rgb提取的方式，获取所述若干张图片中出现的色彩，并使用rgb的形式进行表示，判断每一种rgb值出现的图片个数，选择出现的图片个数最多的前n种rgb对应的色彩，作为待选颜色，为了便于客户自主选择，根据男女对衣服色彩的挑选色彩不同，设定男性色系和女性色系。
76.步骤104，基于客户对应的体形类型，进行反向工程，获取客户对应的形体三维模型。
77.解释：所述反向工程，直接使用客户输入的身高、体重、肩宽、胸围、臀宽作为反向
工程参数，获取简单的形体三维模型，排除了精确建模时对设备和参数的精度要求。
78.步骤105，基于预设展示界面，提供可供客户进行输入的搜索框，对客户输入的字符串进行拆分，通过拆分后的字符串确定其需要搜索的服装类型、所述服装类型的颜色和款式，并将客户选择的服装穿搭在所述形体三维模型上进行效果预览。
79.在本技术的一些实施例中，所述基于预设展示界面，提供可供客户进行输入的搜索框，对客户输入的字符串进行拆分，通过拆分后的字符串确定其需要搜索的服装类型、所述服装类型的颜色和款式，具体确定方式为：所述提供可供客户进行输入的搜索框，限定客户先输入五位二进制数值，将所述五位二进制数值拆分为一个两位二进制数值和一个三位二进制数值，基于所述两位二进制数值确定客户搜索的服装类型，基于所述三位二进制数值确定客户搜索的所述服装类型的款式分类，其中，所述服装类型包括：帽子、上衣、裤子和鞋子；在基于所述三位二进制数值确定客户搜索的所述服装类型的款式分类之后，基于列表展示的方式，在所述预设展示界面对同一款式分类下的所有款式进行展示，供客户进行选择；在客户选择完款式之后，提供各待选颜色的编号，供客户对选择好款式的衣物进行可选择的着色，将着色结果作为最终选择的服装。
80.解释：首先，限定客户输入五位二进制数值，例如“00001”，该二进制数值的前两位与步骤102中对所述帽子图片集合、上衣图片集合、裤子图片集合和鞋子图片集合进行区别命名，表示服装类型对应的集合命名“00”、“01”、“10”和“11”相对应，后三位与步骤102中不同服装类型对应的款式分类命名相对应，通过对所述五位二进制数值进行拆分，确定客户所检索的服装类型、该服装类型的款式分类，然后，在预设界面展示该款式分类对应的所有款式，供客户进行选择，在款式选择结束之后，提供步骤103中待选颜色的编号，供客户对选择款式之后的衣物进行着色预览。
81.步骤106，在客户确定完选择的服装之后，在预设展示界面向客户展示可裁剪所述服装的布料材质、布料价格信息供其选择。
82.在本技术一些实施例中，所述在客户确定完选择的服装之后，在预设展示界面向客户展示可裁剪所述服装的布料材质、布料价格信息供其选择，具体实现方式为：预先在预设数据库中存在若干种加工布料的材质信息、价格信息，在确定客户最终选择的服装之后，将布料数据以列表形式展示在预设人机交互展示界面，供客户根据个人喜好进行衣物布料筛选。
83.相较于目前成品衣物购买，客户可以有选择性的筛选衣物款式、衣物色彩、衣物布料，能更加满足客户的个性化要求，提高客户体验度。
84.步骤107，在客户确定完选择的布料之后，基于预设价格统计算法，统计使用的各布料的面积、布料购买总价款和人工费用，完成自选服装设计。
85.在本技术一些实施例中，所述在客户确定完选择的布料之后，基于预设价格统计算法，统计使用的各布料的面积、布料购买总价款和人工费用,具体实现方式为：由预设裁缝师团队，根据客户选择的服装款式，预估所需的布料面积，通过步骤106中布料价格信息确定购买所需的布料面积所需的总价格，再加上人工生产费用，确定出服装最终价格，完成自选服装设计。
86.相较于目前成品衣物购买，客户能明确布料的使用价格和人工费用，服装价格更加透明化。
87.本技术实施例中所述的基于客户偏好的服装智能设计方法，可以通过识别客户体形类型；基于深度学习神经网络确定服装待选款式；确定服装待选颜色；获取客户形体三维模型；确定客户需要搜索的服装类型、服装类型的颜色和款式，并将客户选择的服装穿搭在形体三维模型上进行效果预览；在客户确定完选择的服装之后，展示布料材质、布料价格信息供其选择；在客户确定完选择的布料之后，统计使用的各布料的面积、布料购买总价款和人工费用，完成自选服装设计，本技术相较于目前成品衣物购买，客户可以有选择性的筛选衣物款式、衣物色彩、衣物布料，满足客户的个性化要求，提高客户体验度，且价格更加透明化。
88.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)等非易失性存储介质，或随机存储记忆体(random access memory，ram)等。
89.应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
90.进一步参考图2，作为对上述图1所示方法的实现，本技术提供了一种基于客户偏好的服装智能设计系统的一个实施例，该系统实施例与图1所示的方法实施例相对应，该系统具体可以应用于各种电子设备中。
91.如图2所示，本实施例所述的基于客户偏好的服装智能设计系统2包括：体形识别模块201、款式获取分类模块202、待选颜色确定模块203、形体三维模型构建模块204、服装穿搭选择模块205、裁剪布料选择模块206和服装价格统计模块207。其中：
92.体形识别模块201，用于基于人机交互模式，获取由客户输入的身高、体重、性别、肩宽、胸围、臀宽参数，对所述参数进行优先级设定，并按照所述优先级顺序，将所述参数传入预设体形识别模型，识别客户对应的体形类型；
93.款式获取分类模块202，用于基于大数据平台进行网络任务抓取，分别获取帽子、上衣、裤子和鞋子对应的若干张图片，基于深度学习神经网络对所述若干张图片进行款式分类，作为待选款式；
94.待选颜色确定模块203，用于对所述帽子、上衣、裤子和鞋子对应的若干张图片中色彩进行识别，基于冒泡排序的方式，获取所述若干张图片中衣物使用最多的前n种色彩，作为待选颜色，其中，n为正整数；
95.形体三维模型构建模块204，用于基于客户对应的体形类型，进行反向工程，获取客户对应的形体三维模型；
96.服装穿搭选择模块205，用于基于预设展示界面，提供可供客户进行输入的搜索框，对客户输入的字符串进行拆分，通过拆分后的字符串确定其需要搜索的服装类型、所述服装类型的颜色和款式，并将客户选择的服装穿搭在所述形体三维模型上进行效果预览；
97.裁剪布料选择模块206，用于在客户确定完选择的服装之后，在预设展示界面向客户展示可裁剪所述服装的布料材质、布料价格信息供其选择；
98.服装价格统计模块207，用于在客户确定完选择的布料之后，基于预设价格统计算法，确定使用的各布料的面积、布料购买总价款和人工费用，完成自选服装设计。
99.本技术实施例所述的基于客户偏好的服装智能设计系统，通过识别客户体形类型；基于深度学习神经网络确定服装待选款式；确定服装待选颜色；获取客户形体三维模型；确定客户需要搜索的服装类型、服装类型的颜色和款式，并将客户选择的服装穿搭在形体三维模型上进行效果预览；在客户确定完选择的服装之后，展示布料材质、布料价格信息供其选择；在客户确定完选择的布料之后，统计使用的各布料的面积、布料购买总价款和人工费用，完成自选服装设计，本技术相较于目前成品衣物购买，客户可以有选择性的筛选衣物款式、衣物色彩、衣物布料，满足客户的个性化要求，提高客户体验度，且价格更加透明化。
100.继续参考图3，图3为本技术实施例中基于客户偏好的服装智能设计方法的一个实施例的执行逻辑图，包括：
101.基于人机交互模式，获取由客户输入的身高、体重、性别、肩宽、胸围、臀宽参数，将身高、体重设定为第一优先级参数；将性别设定为第二优先级参数；将肩宽、胸围、臀宽设定为第三优先级参数，通过将优先级参数逐级传入预设体形识别模型，获取客户对应的体形类型，预先构建帽子图片集合、上衣图片集合、裤子图片集合和鞋子图片集合；基于大数据平台进行网络任务抓取，分别获取帽子、上衣、裤子和鞋子对应的若干张图片，分别以帽子、上衣、裤子和鞋子作为检索词，以所述帽子图片集合、上衣图片集合、裤子图片集合和鞋子图片集合对应的缓存路径作为缓存地址，将检索到的图片存入相应的缓存地址，对所述帽子图片集合、上衣图片集合、裤子图片集合和鞋子图片集合进行区别命名，基于神经网络分别对所述帽子图片集合、上衣图片集合、裤子图片集合和鞋子图片集合中图片进行特征值获取；预先对特征值按照值范围进行分类，将同一值范围内的特征值对应的图片，放入预设数组中，并对所述数组进行区别命名，构建外部数据为集合类型，内部数据由若干数组构成的json类型数据，其中，每一个数组对应一种款式，获取所述特征值中最大值和最小值，确定所述特征值对应的初始区间；将所述初始区间按照数值等分为8个范围区间，每个范围区间设定对应的数组，获取当前图片对应的特征值，判断其所对应的特征值范围，将所述当前图片放入其对应的数组中，作为待选款式，对所述帽子、上衣、裤子和鞋子对应的若干张图片中色彩进行识别，基于冒泡排序的方式，获取所述若干张图片中衣物使用最多的前n种色彩，作为待选颜色，其中，n为正整数，基于客户对应的体形类型，进行反向工程，获取客户对应的形体三维模型。基于预设展示界面，提供可供客户进行输入的搜索框，对客户输入的字符串进行拆分，通过拆分后的字符串确定其需要搜索的服装类型、所述服装类型的颜色和款式，并将客户选择的服装穿搭在所述形体三维模型上进行效果预览，在客户确定完选择的服装之后，在预设展示界面向客户展示可裁剪所述服装的布料材质、布料价格信息供其选择，在客户确定完选择的布料之后，基于预设价格统计算法，统计使用的各布料的面积、布料购买总价款和人工费用，完成自选服装设计。
102.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下
前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本技术各个实施例所述的方法。
103.显然，以上所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例，附图中给出了本技术的较佳实施例，但并不限制本技术的专利范围。本技术可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本技术的公开内容的理解更加透彻全面。尽管参照前述实施例对本技术进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本技术说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本技术专利保护范围之内。