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:
- Komplette 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.
Bild 1: Merkmal Grundform mit seinen drei möglichen Ausprägungen
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. Die einzelnen Attribute waren für jedes Merkmal annähernd normalverteilt mit wenigen Ausreißern, was für eine
