| 一种基于深度学习的产品生成方法 |
| 苏建宁; 李雄; 张志鹏; 白睿昇
|
| 2020-04-17
|
专利权人 | 兰州理工大学
|
公开日期 | 2020-04-17
|
授权国家 | 中国
|
专利类型 | 发明申请
|
摘要 | 本发明公开了一种基于深度学习的产品生成方法,包括以下步骤:建立产品图像数据集;数据预处理;构建图像生成模型;构建图像方案二次优选模型;根据优选的图像模型创新设计产品。本申请提供的上述方案,填补现有技术中智能辅助工业设计师生成概念图像的技术空白,通过深度神经网络和GAN为计算机辅助工业设计打开了新的研究思路和方向,将计算机辅助设计与创造推到了设计的最前端,融合创意、激发灵感。 |
申请日期 | 2019-12-11
|
优先权日 | 2019-12-11
|
专利状态 | 驳回
|
申请号 | CN201911262680.3
|
公开(公告)号 | CN111026899A
|
IPC 分类号 | G06F16/55
; G06F16/951
; G06N3/04
; G06N3/08
|
专利代理人 | 刘海艳
|
代理机构 | 济南鼎信专利商标代理事务所(普通合伙)
|
CPC分类号 | G06F16/55
; G06F16/951
; G06N3/08
; G06N3/045
|
权利要求 | 1.一种基于深度学习的产品生成方法,其特征在于,包括以下步骤:
S1:建立产品图像数据集;
S2:数据预处理;
S3:构建图像生成模型;
S4:构建图像方案二次优选模型;
S5:根据优选的图像模型创新设计产品。
2.根据权利要求1所述的基于深度学习的产品生成方法,其特征在于,所述建立产品图像数据集包括:
S11:根据目标设计任务确定图像搜集方向,根据目标任务绘制产品图像;
S12:应用网络爬虫技术从目标网站上爬取目标任务图片。
3.根据权利要求1所述的基于深度学习的产品生成方法,其特征在于,所述数据预处理包括:
应用图片筛选器和图片格式转换器进行图像筛选、像素处理,并应用图片裁切器将筛选后的图片裁切成预设尺寸。
4.根据权利要求1所述的基于深度学习的产品生成方法,其特征在于,所述数据预处理还包括:
降噪处理和数据增广。
5.根据权利要求1所述的基于深度学习的产品生成方法,其特征在于,在所述数据预处理之后,还包括:
图像分类和标注,即多维情感意象判别器,应用神经卷积神经网络对图像数据进行感性意象属性预测。
6.根据权利要求1所述的基于深度学习的产品生成方法,其特征在于,在所述构建图像方案二次优选模型之后,还包括:
通过梯度下降法对抗训练优选模型;
生成产品概念设计样本;
聚类优选生成的设计样本。
|
引用专利 | CN108564109A;CN109102009A;CN109147010A;CN109657554A;CN110223358A
|
被引用专利数量 | 1
|
简单法律状态 | 失效
|
文献类型 | 专利
|
条目标识符 | https://ir.lut.edu.cn/handle/2XXMBERH/107831
|
专题 | 设计艺术学院
|
推荐引用方式 GB/T 7714 |
苏建宁,李雄,张志鹏,等. 一种基于深度学习的产品生成方法[P]. 2020-04-17.
|
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论