Passend von der Stange

Die Diversität menschlicher Körper ist eine große Herausforderung für die Bekleidungsindustrie. Unterschiedliche Morphotypen benötigen speziell dafür angepasste Größensysteme sowie Daten zur Häufigkeitsverteilung der Morphotypen in der Bevölkerung für die Produktionsmengenplanung. Dazu wurden Reihenmessungen mit Varianten von KI-Algorithmen trainiert und aus der Klassifizierung dann Größentabellen und Häufigkeitsverteilungen abgeleitet.

Die Diversität menschlicher Körper ist immer noch eine Herausforderung für die Bekleidungsindustrie. Für die Entwicklung gut sitzender Produkte benötigt sie für die unterschiedlichen Morphotypen von Körpern passende Größen- und Gradiersysteme. Erschwerend kommt hinzu, dass es bei den Morphotypen signifikante Unterschiede zwischen Regionen und Ländern geben kann. Auch können sich die Morphotypen über die Zeit aufgrund geänderter Lebensumstände in den Gesellschaften wandeln. Für die Planung ihrer Kollektionen und der Produktionsmengen benötigen die Unternehmen der Bekleidungsindustrie daher aktuelle Informationen über den Größenbereich einzelner Morphotypen sowie die Häufigkeitsverteilung der Morphotypen in den Bevölkerungen der einzelnen Länder.

Im Rahmen des Forschungsprojekts iMorph [1] wurde daher ein morphologisches Klassifikationssystem für erwachsene Frauen entwickelt, um Messdaten aus der Reihenmessung SizeGERMANY [2], in der mehr als 13 000 Personen vermessen wurden, zu klassifizieren. Das Klassifikationssystem basiert auf zwei bis drei Grundformen für einzelne Körpermerkmale. Es umfasst dabei die folgenden zehn Merkmale:

• Ganzer Körper: Grundform, Hüftform, Körperhaltung, Hüftposition
• Oberkörper: Armform, Schulterneigung, Verhältnis Brust und Rücken
• Unterkörper: Beinlänge, Beinform, Gesäßform

Für diese zehn Merkmale wurde jeweils ein ordinaler Satz möglicher Ausprägungen festgelegt. Bild 1 zeigt beispielsweise das Merkmal Grundform mit allen Ausprägungen. Damit können die für die Bekleidungsindustrie relevanten Morphotypen beschrieben werden. Da die Reihenmessung eine repräsentative Auswahl der Bevölkerung darstellt, konnten die Größenbereiche und die Häufigkeitsverteilungen der Morphotypen in Deutschland aus der klassifizierten Reihenmessung abgeleitet werden.

Da eine manuelle Klassifikation aufwändig ist, sollte diese zum größten Teil mithilfe von maschinellen Lernverfahren erfolgen. Dazu wurde Case Base Reasoning (CBR) [3] genutzt und mit einer repräsentativen Anzahl an Datensätzen aus der SizeGERMANY-Reihenmessung trainiert, die durch vier Experten klassifiziert wurden. Dabei zeigte es sich, dass sich die Experten nicht immer einig waren, was zu keinen eindeutige Zuordnungen von Grundformen für einzelne Körpermerkmale führte. Daraus resultierte die Fragestellung, ob für diesen Anwendungsbereich eine eindeutige Zuordnung von Grundformen oder eine Häufigkeitsverteilung bessere Ergebnisse liefert. Im Rahmen des Forschungsprojekts iMorph wurde mit der Vielfalt der Expertenklassifikationen gearbeitet.

Da es neben SizeGERMANY auch Reihenmessungen in anderen Ländern und Regionen gibt und daher weitere Klassifikationsaufgaben anstanden, wurde diese Fragestellung angegangen. Zusätzlich wurde untersucht, ob ein Mulitlayer Perzeptron (MLP) [4], eine Ausprägung eines neuronalen Netzwerks, bessere Ergebnisse als CBR liefern kann. Dazu wurden die beiden maschinellen Lernverfahren jeweils mit eindeutiger Klassifikation und mit einer Wahrscheinlichkeitsverteilung bei der Klassifikation untersucht. Als Datenbasis diente eine noch nicht klassifizierte Reihenmessung aus den USA bei der eine repräsentative Teilmenge durch Experten klassifiziert wurde. Die Untersuchung umfasste die folgenden Schritte:

• Datenanalyse und -aufbereitung: Die bereitgestellten Daten wurden analysiert, Fehler identifiziert und korrigiert sowie die Datensätze für exakte Klassifizierung sowie Häufigkeitsverteilung aufbereitet.
• Modellerstellung und Training: Für das CBR und das MLP wurden entsprechende Modelle erstellt, konfiguriert und mit den aufbereitete Daten, jeweils für eindeutige Klassifikation und Häufigkeitsverteilung, trainiert.
• Vorhersagegüte: Die Güte der Vorhersage für die jeweiligen Varianten wurde ermittelt.

Datenanalyse und -aufbereitung

Die Datenbasis umfasste 7903 Messreihen mit insgesamt 168 gemessenen Attributen von Frauen aus den USA. Diese Datenbasis wurde analysiert. Dazu wurde im ersten Schritt eine Korrelationsanalyse durchgeführt, um mögliche lineare Abhängigkeiten zwischen einzelnen Attributen bzw. zwischen einem Attribut und der Klassifikation eines Merkmals zu ermitteln. Es ergab sich keine starke lineare Abhängigkeit zwischen Attributen und der Klassifikation. Dafür zeigt es sich, dass in den Datensätzen redundante Werte (Korrelation gleich 1) enthalten waren. Damit konnte die Anzahl der zu betrachtenden Werte reduziert werden.

Im nächsten Schritt wurde die Datenverteilung für die einzelnen Attribute jeweils für jedes einzelne Merkmal mithilfe von Streudiagrammen und Box-Whisker-Plots untersucht.

Zum Weiterlesen klicken Sie hier

Das könnte Sie auch interessieren

Zukunftsträchtige Technologien Fünf Arten der Prozessoptimierung mit Augmented Reality

Die Verschmelzung von digitaler Welt und Realität ist mehr als eine Spielerei und wird durch digitale Technologien wie Augmented Reality greifbar. Immer mehr Unternehmen wollen Prozesse und Abläufe mit 3D-Modellen, Holografien und Datenbrillen hinsichtlich Kosten- und Zeitersparnis optimieren – sei es bei der Entwicklung neuer Produkte, neuer Geschäftsmodelle oder beim Anlernen neuer Fachkräfte.

Prozesse intelligent automatisieren Mit künstlicher Intelligenz und Robotic Process Automation zum Erfolg

Obwohl Robotic Process Automation (RPA) seit Jahren existiert, ist das Thema aktueller denn je. Für zahlreiche Branchen weltweit hat sich die Technologie als effektiv erwiesen, wann immer es um die Automatisierung manueller, repetitiver und zeitintensiver Prozesse geht. Die Kombination mit künstlicher Intelligenz (KI) zur Automatisierung kognitiver Prozesse macht das Gebiet zunehmend noch attraktiver.

Mit digitalen Zwillingen resilient gegen Krisen Zentralisierter Informationsaustausch für den Erfolg

Krieg, Klimawandel, Pandemie: Nie zuvor waren Unternehmen so vielen Krisen ausgesetzt wie heute, mit oft negativen Folgen für die Bilanz. Dabei können vorausschauende Maßnahmen, resiliente Prozesse und Frühwarnsysteme die Handlungsfähigkeit unterstützen. Ein digitaler Zwilling erprobt und testet in einer virtuellen Umgebung Geschäftsprozesse in Krisenszenarien und erkennt dadurch Probleme frühzeitig.

Die Pandemie als Innovationstreiber  Virtual und Augmented Reality in der Industrie

Plötzlich ging es schnell: Die COVID-19-Pandemie zwang Unternehmen aller Branchen regelrecht zu einer beschleunigten digitalen Transformation. Die Situation mag sich mittlerweile normalisiert haben, doch wenn Unternehmen aus dieser Zeit die richtigen Lehren ziehen, können sie auch in Zukunft neue Technologien schneller und erfolgreicher einsetzen, wie bei Virtual- und Augmented-Reality-Projekten.

Dark Factory – Utopie oder Vision? Die Rolle von Robotern in der menschenleeren Fabrik

„Maschinen und Künstliche Intelligenz werden Fabriken und Produktionsabläufe eines Tages steuern und den Menschen überflüssig machen.“ Derartige Utopien beflügeln Fantasien und Ängste von Führungskräften und Mitarbeitern. Aber ist die „Dark Factory“, die im Wesentlichen eine Fertigung ohne Menschen vorsieht, überhaupt eine realistische und erstrebenswerte Zukunftsvision, wie gerne behauptet wird?

Technologie gegen den Arbeitskräftemangel Robotik und Wearables erfolgreich einsetzen

Eine Fabrik ohne Menschen – die „Dark Factory“ – wird es auf absehbare Zeit nicht geben. Dennoch nehmen die Forderungen nach mehr Robotik wieder zu. Kündigungswellen, der Fachkräftemangel sowie die Nachwehen der Pandemie befeuern dieses Ansinnen. Und es ist durchaus sinnvoll – nur kommt es auf das richtige Maß an. Vor allem aber sollte die Zusammenarbeit zwischen Mensch und Maschine verbessert werden.