基于机器学习与风格迁移的个性化定制产品设计方法与流程
本发明涉及智能设计,尤其涉及基于机器学习与风格迁移的个性化定制产品设计方法。
背景技术:
1、随着个性化消费需求的发展,产品设计逐渐由批量化外观设计转向面向用户偏好的定制化设计。现有个性化产品设计方法多通过问卷、访谈、选择记录或案例匹配获取用户偏好,再由设计人员依据经验调整产品形态、色彩、材质、纹样和工艺参数。此类方法依赖人工判断,难以将用户偏好稳定转换为可直接用于参数化建模的设计参数,设计效率和一致性较低。
2、机器学习和生成模型被用于辅助产品设计,部分方法通过图像生成、风格迁移或参数推荐形成设计方案。然而,现有方法多停留在图像层面的外观生成,生成结果难以直接转化为产品设计参数;部分参数生成方法虽然能够输出参数,但通常将全部产品样本置于统一参数空间中处理,未区分不同参数组合区域内的设计规律,容易造成不同风格特征之间相互干扰。
3、现有风格迁移方法通常将源风格特征直接作用于目标产品,缺少对目标产品参数关联关系和风格变化阶段的处理,容易出现颜色、材质、纹样与结构参数不协调的问题,也难以确定适合用户偏好的风格迁移区间。
4、因此,如何提供基于机器学习与风格迁移的个性化定制产品设计方法是本领域技术人员亟需解决的问题。
技术实现思路
1、本发明的一个目的在于提出基于机器学习与风格迁移的个性化定制产品设计方法,本发明利用infogan模型、局部设计域划分、参数关系图传播和相变索引生成技术,实现用户偏好向产品风格迁移设计参数的转换,具备设计参数可生成、风格迁移更协调、个性化适配程度高的优点。
2、根据本发明实施例的基于机器学习与风格迁移的个性化定制产品设计方法,包括如下步骤:
3、获取用户偏好记录、源风格样本记录与目标产品样本记录,将源风格样本记录转换为源风格参数,将目标产品样本记录转换为目标产品设计参数集;
4、构建infogan基础网络,输入目标产品设计参数集进行预训练,得到初始参数生成模型;
5、基于初始参数生成模型输出建立参数嵌入空间,按参数组合分布形成局部设计域,依据域内离散度与域间重合度对局部设计域进行拆分和合并,建立源风格参数到局部设计域的分配关系;
6、基于目标产品设计参数集建立基础参数关系图,基于每个局部设计域建立域内参数关系图,将原始设计参数与源风格参数输入基础参数关系图与域内参数关系图,经参数节点关联传播生成风格迁移设计参数;
7、将风格迁移设计参数输入infogan基础网络进行判别训练与潜变量恢复训练,得到infogan模型;
8、在稳定局部设计域内沿风格潜变量路径生成连续设计参数序列,计算相邻设计参数的分组变化量,提取分组变化量突增位置,重复采样生成相变索引;
9、根据用户偏好记录确定目标局部设计域与目标相变区间,将源风格参数、目标局部设计域与目标相变区间输入infogan模型,输出个性化产品风格迁移设计参数方案。
10、可选的,所述获取用户偏好记录、源风格样本记录与目标产品样本记录具体包括:
11、采集用户在产品定制交互过程中形成的选择信息、评价信息与风格表达信息,将采集结果整理为表征用户审美倾向的用户偏好记录;
12、获取用户选定的风格参考对象,将风格参考对象作为源风格样本记录,对源风格样本记录进行特征提取和数值化处理,得到用于表征外观风格特征的源风格参数;
13、获取目标产品类别下已有产品对象,将已有产品对象作为目标产品样本记录,对目标产品样本记录进行参数提取、字段统一和尺度归一处理,得到用于表征目标产品设计特征的目标产品设计参数集。
14、可选的,所述构建infogan基础网络具体包括:
15、按照目标产品设计参数集的字段数量确定网络输入维度与输出维度,构建由参数生成分支、参数判别分支和潜变量恢复分支组成的infogan基础网络,将参数生成分支的输出维度设置为目标产品设计参数集的单条参数维度,将参数判别分支的输入维度设置为同一参数维度,将潜变量恢复分支的输出维度设置为可解释潜变量维度;
16、对infogan基础网络的网络权重进行随机初始化,从目标产品设计参数集中按批次读取真实设计参数,从标准正态分布采样随机噪声向量,生成可解释潜变量;
17、将随机噪声向量与可解释潜变量输入参数生成分支,得到生成设计参数,将真实设计参数与生成设计参数输入参数判别分支得到判别结果,将生成设计参数输入潜变量恢复分支得到恢复潜变量;
18、根据判别结果和恢复潜变量计算训练损失,通过反向传播更新infogan基础网络的网络权重,得到初始参数生成模型。
19、可选的,所述基于初始参数生成模型输出建立参数嵌入空间具体包括:
20、将初始参数生成模型输出的生成设计参数与目标产品设计参数集中的真实设计参数映射为参数嵌入向量,由参数嵌入向量构成参数嵌入空间;
21、对参数嵌入空间中的参数嵌入向量执行聚类,得到多个局部设计域,每个局部设计域对应一种参数组合聚集区域;
22、计算每个局部设计域的域中心向量和域内离散度,当局部设计域的域内离散度大于全部局部设计域的平均域内离散度时,按照局部设计域内参数嵌入向量之间的距离关系对局部设计域执行拆分;
23、计算任意两个局部设计域之间的域间重合度,当两个局部设计域的域间重合度大于全部局部设计域的平均域间重合度时,将两个局部设计域执行合并;
24、对未满足拆分条件和合并条件的局部设计域保留原域中心向量;
25、从更新后的局部设计域中提取与源风格参数对应的风格关联参数,计算源风格参数与各局部设计域的风格关联参数之间的距离,将距离最小的局部设计域确定为源风格参数对应的局部设计域,形成源风格参数到局部设计域的分配关系。
26、可选的,所述基于目标产品设计参数集建立基础参数关系图具体包括:
27、以目标产品设计参数集中的参数字段作为图节点,依据目标产品设计参数集中不同参数字段之间的共同变化关系和相反变化关系建立基础参数关系图;
28、以每个局部设计域内的目标产品设计参数作为数据来源,按照基础参数关系图的图节点结构建立域内参数关系图;
29、将初始参数生成模型输出的原始设计参数写入基础参数关系图的图节点,将源风格参数写入与风格关联参数对应的图节点,按照基础参数关系图的节点关联方向执行第一轮传播,得到基础传播设计参数;
30、将基础传播设计参数输入源风格参数对应的局部设计域的域内参数关系图,按照域内参数关系图的节点关联方向执行第二轮传播,得到域内传播设计参数;
31、将域内传播设计参数中与源风格参数对应的节点数值作为风格迁移结果,将域内传播设计参数中与目标产品结构对应的节点数值限定在目标产品设计参数集的取值范围内,生成风格迁移设计参数。
32、可选的,所述将风格迁移设计参数输入infogan基础网络进行判别训练与潜变量恢复训练具体包括:
33、将风格迁移设计参数作为生成样本输入参数判别分支,将目标产品设计参数集中的真实设计参数作为真实样本输入参数判别分支,得到风格迁移设计参数与真实设计参数的判别结果;
34、将风格迁移设计参数输入潜变量恢复分支,得到恢复潜变量;
35、根据判别结果计算判别损失,根据恢复潜变量与输入infogan基础网络的可解释潜变量计算潜变量恢复损失;
36、依据判别损失更新参数判别分支,依据判别损失与潜变量恢复损失更新参数生成分支和潜变量恢复分支;
37、循环执行风格迁移设计参数生成、判别训练、潜变量恢复训练和网络权重更新,得到infogan模型。
38、可选的,所述在稳定局部设计域内沿风格潜变量路径生成连续设计参数序列具体包括:
39、在完成拆分和合并后保持稳定的局部设计域内确定风格潜变量路径,沿风格潜变量路径连续取样并输入infogan模型,得到连续设计参数序列;
40、按照产品设计参数的类型对连续设计参数序列进行分组变化计算,得到相邻设计参数之间的分组变化量;
41、将分组变化量中相对于前后位置发生突增的位置确定为候选相变位置;
42、在同一稳定局部设计域内重复执行风格潜变量路径取样和候选相变位置提取,当候选相变位置在多次取样结果中重复出现时,将候选相变位置确定为相变点;
43、将相变点对应的稳定局部设计域、风格潜变量路径和潜变量取值区间进行记录,生成相变索引。
44、可选的,所述输出个性化产品风格迁移设计参数方案具体包括:
45、将用户偏好记录转换为用户偏好参数,将用户偏好参数与各局部设计域的风格关联参数进行匹配,确定目标局部设计域;
46、在目标局部设计域对应的相变索引中选取与用户偏好参数匹配的潜变量取值区间,确定目标相变区间;
47、根据源风格参数和目标相变区间生成风格潜变量,将风格潜变量输入infogan模型,得到候选设计参数;
48、将候选设计参数依次输入基础参数关系图和目标局部设计域对应的域内参数关系图,得到更新设计参数;
49、将更新设计参数按照统一参数模板输出,得到个性化产品风格迁移设计参数方案。
50、本发明的有益效果是:
51、(1)本发明将用户偏好记录、源风格样本记录和目标产品样本记录转换为可计算的产品设计参数,通过infogan模型输出候选设计参数,使个性化定制结果不再停留于图像生成层面,而是形成可用于参数化建模的设计参数方案,提高了个性化产品设计结果的可编辑性和工程可用性。
52、(2)本发明基于参数嵌入空间形成局部设计域,依据局部设计域内的参数组合关系建立域内参数关系图,使源风格参数能够在匹配的目标产品参数区域内进行迁移,减少不同风格特征和不同产品参数组合之间的干扰,提高了风格迁移结果与目标产品结构之间的协调性。
53、(3)本发明通过相变索引记录风格潜变量路径中的设计参数变化区间,结合用户偏好参数确定目标相变区间,使个性化产品设计能够在更符合用户偏好的风格变化阶段内生成,降低方案变化不连续和风格偏移的情况,提高了个性化适配准确性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com