CN108596051A - 一种面向产品风格意象的智能识别方法 - Google Patents

Abstract

本发明涉及一种面向产品风格意象的智能识别方法，包括步骤：1)建立一个产品意象评价的数据集；具体内容包括产品样本的收集和筛选、实验样本产品意象感性评价词库的建立以及最终产品意象空间的确立、产品意象评价实验；2)设计产品意象的识别卷积神经网络结构；识别卷积神经网络主要由卷积层conv、池化层pool、全连接层FC和softmax层组成；3)产品意象识别模型的训练与优化。本发明的有益效果是：本发明提出一种基于卷积神经网络的产品风格意象识别方法，克服传统方法的局限性，自动提取产品图像的风格特征，建立更加精确的产品风格意象识别模型，为产品风格意象研究提供新的思路和方法。

Description

一种面向产品风格意象的智能识别方法

技术领域

本发明涉及一种智能识别方法，具体涉及一种产品风格意象的智能识别方法。

背景技术

产品风格意象是人对产品外观的一种主观感受，它反映了消费者的审美偏好。现代社会中，用户越来越强调个性化与自身情感的表达。因此在产品设计中，产品外观的风格定位就显得尤为重要。

通常人们用感性形容词来表示产品的风格意象，例如“淡雅的”，或者用形容词对来表示产品的风格意象，例如“现代的-古典的”。在产品设计的过程中，设计师根据自己的经验给产品赋予风格意象，因而带有很强的主观性，但用户与设计师在认知上存在差异性，导致用户感知到的产品风格意象和设计师想表达的并不一致，产品并没有满足用户的情感需求。通常情况下，用户对产品的选择是一念之间的，不同的产品设计会让用户产生不同的感觉，而用户往往倾向于选择和自己心理预期相符的产品。为了解决设计师与用户认知上的差异性问题，需要对产品风格意象建立科学的评价方法。

但是由于产品风格意象本身存在着一定的主观性，目前传统的产品风格意象识别方法存在以下不足：1、基于设计领域知识，手工提取产品外观特征的识别方法很难有效建立起产品外观和风格意象之间的准确模型，因为手工提取特征只能根据领域知识提取某方面的特征表达，从而不可避免地造成部分信息丢失。2、有些方法还停留在研究产品造型与产品风格意象之间的关系，而没有考虑产品的色彩、材质和纹理等综合因素。

发明内容

本发明的目的是克服现有技术中的不足，提供一种更加准确的面向产品风格意象的智能识别方法。

面向产品风格意象的智能识别方法，包括如下步骤：

步骤1：建立一个产品意象评价的数据集；具体内容包括产品样本的收集和筛选、实验样本产品意象感性评价词库的建立以及最终产品意象空间的确立、产品意象评价实验；首先是实验样本的选择，然后是产品意象词的选择；最后进行产品意象实验；选择具有工业设计背景的被试采用语义差异法进行产品意象评分；根据产品意象的评分结果，计算每个实验样本的产品意象分均值作为该样本的最终产品意象分，进而得到最终的样本产品意象；

步骤2：设计产品意象的识别卷积神经网络结构；识别卷积神经网络主要由卷积层conv、池化层pool、全连接层FC和softmax层组成；

conv(m_n)表示第m个卷积模块的第n个卷积层，网络的输入是进行过数据预处理的产品样本图片，然后经过卷积层输入图像与卷积核进行卷积操作提取特征，卷积是特征提取的主要操作，第i层的第j个神经元的输出计算公式为：

其中，W_i-1，k表示第i-1层的第k个权重，X_i-1，k表示第i-1层的第k个神经元的输入，b_i-1表示第i-1层的偏置项；

其次是池化层，能够将输入的特征映射维度减小，使特征近似有平移不变性和大小不变性；随后是重复的卷积和池化，前面的卷积层能够提取相对底层的特征，随着层数的加深，特征映射会越来越抽象；

三层的全连接层对卷积层提取的特征映射再进行抽象和非线性融合，得到更有效的特征表达；全连接层与卷积层神经元的计算是类似的，区别只在于全连接层的每一个神经元与前一层的神经元都是连接在一起的；最后把学习到的特征输入到softmax分类层进行产品风格意象分类，采用softmax作为分类器，计算公式为：

其中ProductImage_p表示产品意象的概率输出，h_FC3表示最后一层全连接层FC3的输出，根据产品意象的概率输出即可得到样本图片具体的产品意象；

步骤3：产品意象识别模型的训练与优化；根据步骤2设计的识别网络结构，设计好网络中的超参数，采用随机梯度下降算法对模型进行训练优化，得到最后的产品意象识别模型；批处理大小及学习速率等超参数根据经验、实验和相关文献进行设置与调整；网络参数的求解过程涉及到两个过程：前向传播和反向传播；首先，把数据集中的实验样本作为输入，经过网络进行前向传播，计算出损失函数，整个网络的损失函数公式为

其中，(x⁽ⁱ⁾,y^(j))代表第i个样本及其产品意象，m表示训练样本的数目，h_w(x)表示假设函数；

然后利用随机梯度下降算法，进行反向传播，计算损失函数对每一层权重的导数，对每一层的权重进行更新，从而不断减小损失函数，通过求导的链式法则计算出损失对网络中每一个参数的偏导然后对权重进行更新，更新公式为：

其中α为学习速率；

通过不断的迭代训练，损失函数会不断减小，产品意象预测准确率不断增加，直到最终模型收敛，使得意象识别的误差最小化，得到最优化的模型。

作为优选：步骤1中：实验样本的选择过程中遵循以下三个基本规则：第一，选择背景简单的产品，避免背景对产品意象造成影响；第二，选择能够显示整体产品意象的视角；第三，选择高清、干净的图片，避免产品细节上的损失。

作为优选：步骤1中，产品意象词是直观反映产品意象的形式，通过包括相关文献、家居杂志、家居网站渠道初步获取感性意象词汇，首先进行初步筛选，把具有重复词语的词组删掉；再通过专业被试进行进一步筛选，选择出能够表达产品样本意象的词对，假设数量为m；其次邀请专业被试对筛选得到的感性意象词对进行语义分群实验，要求被试根据自己的经验和判断，把这m组感性意象词对根据词对意义的相近程度进行分群，群的数量不限，同一个群的数量也不限；根据被试的分群实验结果，统计每个词对出现在同一群中的次数，得到一个m×m的相似性矩阵；矩阵内的值越大表示相应的两个感性意象词对出现在同一组的次数越多，即表示这两个词对的相似程度越高；根据感性意象词对的相似性矩阵进行谱聚类分析，为了确定最佳聚类的数目，采用组内平方误差和SSE来评价聚类的好坏；SSE的计算公式为：

其中，n为聚类的数目，表示第i个类的一个词对，表示第i类的聚心；

通过SSE与聚类数目n的变化曲线可以得到最优的聚类数，从而得到数个维度的感性意象表达。

本发明的有益效果是:本发明提出一种基于卷积神经网络的产品风格意象识别方法，克服传统方法的局限性，自动提取产品图像的风格特征，建立更加精确的产品风格意象识别模型，为产品风格意象研究提供新的思路和方法。本方法能够自动评价产品的情感意象，给设计师把握情感意象提供参考。

附图说明

图1为产品风格意象识别系统框架示意图；

图2为产品风格意象识别网络结构示意图。

具体实施方式

下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

本发明的面向产品风格意象的智能识别方法，包含如下步骤：

步骤1：建立一个产品意象评价的数据集；具体内容包括产品样本的收集和筛选、实验样本产品意象感性评价词库的建立以及最终产品意象空间的确立、产品意象评价实验。首先是实验样本的选择，在选择的过程中遵循以下三个基本原则。第一，尽量选择背景简单的产品，避免背景对产品意象造成影响；第二，尽量选择能够显示椅子整体产品意象的视角；第三，尽量选择高清、干净的图片，避免产品细节上的损失。上述三个基本原则的目的是减少实验样本的噪声，得到相对纯净的原始数据。然后是产品意象词的选择。感性意象词是直观反映产品意象的一种常见形式。为了解用户对产品的感性意象，通过相关文献、家居杂志、家居网站等多种渠道初步获取感性意象词汇，再进行精简和细化，得到数个维度的感性意象表达。最后进行产品意象实验。选择具有工业设计背景的被试(对设计风格和产品意象有更加深刻的理解和认识，这使产品意象评价数据更具精确性)采用语义差异法进行产品意象评分。根据产品意象的评分结果，计算每个实验样本的产品意象分均值作为该样本的最终产品意象分，进而得到最终的样本产品意象。

步骤2：设计产品意象的识别卷积神经网络结构；识别网络结构主要包含卷积层、池化层和全连接层，由层与层之间前后连接组成。网络的输入是进行过数据预处理的样本图片，然后经过卷积层输入图像与卷积核进行卷积操作提取特征，卷积是特征提取的主要操作。其次是池化层，能够将输入的特征映射维度减小，使特征近似有平移不变性和大小不变性。随后是重复的卷积和池化，前面的卷积层能够提取相对底层的特征，随着层数的加深，特征映射会越来越抽象。三层的全连接层对卷积层提取的特征映射再进行抽象和非线性融合，得到更有效的特征表达。最后把学习到的特征输入到softmax分类层进行产品意象分类，得到具体的产品意象。

步骤3：产品意象识别模型的训练与优化；根据步骤2设计的识别网络结构，设计好网络中的超参数，采用随机梯度下降算法对模型进行训练优化，得到最后的产品意象识别模型。批处理大小及学习速率等超参数可以根据经验、实验和相关文献进行设置与调整。网络参数的求解过程涉及到两个过程：前向传播和反向传播。首先，把数据集中的实验样本作为输入，经过网络进行前向传播，计算出损失函数，然后利用随机梯度下降算法，进行反向传播，计算损失函数对每一层权重的导数，对每一层的权重进行更新，从而不断减小损失函数，使得意象识别的误差最小化，得到最优化的模型。

作为一种实施例的产品风格意象识别方法，包括如下步骤：

步骤1：产品风格意象数据集的建立。

首先是实验样本的选择，在选择的过程中遵循以下三个基本原则。第一，尽量选择背景简单的产品，避免背景对产品风格意象造成影响；第二，尽量选择能够显示椅子整体产品风格意象的视角；第三，尽量选择高清、干净的图片，避免产品细节上的损失。上述三个基本原则的目的是减少实验样本的噪声，得到相对纯净的原始数据。然后是产品风格意象词的选择。感性意象词是直观反映产品风格意象的一种常见形式，例如“现代的-古典的”、“张扬的-内敛的”，都可以用来描述产品的感性意象。为了解用户对产品的感性意象，通过相关文献、家居杂志、家居网站等多种渠道初步获取感性意象词对，首先进行初步筛选，把具有重复词语的词组删掉，例如“张扬的-内敛的”和“张扬的-低调的”，“张扬的”是重复的，把“张扬的-低调的”去掉，留下“张扬的-内敛的”；再通过专业被试进行进一步筛选，选择出能够表达产品样本意象的词对，假设数量为m；其次邀请专业被试对筛选得到的感性意象词对进行语义分群实验，要求被试根据自己的经验和判断，把这m组感性意象词对根据词对意义的相近程度进行分群，群的数量不限，同一个群的数量也不限。根据被试的分群实验结果，统计每个词对出现在同一群中的次数，得到一个m×m的相似性矩阵。矩阵内的值越大表示相应的两个感性意象词对出现在同一组的次数越多，即表示这两个词对的相似程度越高。根据感性意象词对的相似性矩阵进行谱聚类分析，为了确定最佳聚类的数目，采用组内平方误差和(SSE，sum of squared error)来评价聚类的好坏。SSE的计算公式为：

其中，n为聚类的数目，表示第i个类的一个词对，表示第i类的聚心。

通过SSE与聚类数目n的变化曲线可以得到最优的聚类数，从而得到数个维度的感性意象表达。

最后进行产品风格意象实验。选择具有工业设计背景的被试(对设计风格和产品风格意象有更加深刻的理解和认识，这使产品风格意象评价数据更具精确性)采用语义差异法进行产品风格意象评分。根据产品风格意象的评分结果，计算每个实验样本的产品风格意象分均值作为该样本的最终产品风格意象分，进而得到最终的样本产品风格意象。

步骤2：产品风格意象识别网络结构的设计。

卷积神经网络主要由卷积层(conv)、池化层(pool)、全连接层(FC)和softmax层组成，网络结构如图2所示。

其中“conv(m_n)”表示第m个卷积模块的第n个卷积层，比如con2_1表示在第二个连续卷积模块的第一个卷积层。网络结构包含16个带权重的层，其中13个卷积层，3和全连接层。网络的输入是进行过数据预处理的产品样本图片，然后经过卷积层输入图像与卷积核进行卷积操作提取特征，卷积是特征提取的主要操作，第i层的第j个神经元的输出计算公式为

其中，W_i-1，k表示第i-1层的第k个权重，X_i-1，k表示第i-1层的第k个神经元的输入，b_i-1表示第i-1层的偏置项。

其次是池化层，能够将输入的特征映射维度减小，使特征近似有平移不变性和大小不变性。随后是重复的卷积和池化，前面的卷积层能够提取相对底层的特征，随着层数的加深，特征映射会越来越抽象。

三层的全连接层对卷积层提取的特征映射再进行抽象和非线性融合，得到更有效的特征表达。全连接层与卷积层神经元的计算是类似的，区别只在于全连接层的每一个神经元与前一层的神经元都是连接在一起的。最后把学习到的特征输入到softmax分类层进行产品风格意象分类，采用softmax作为分类器，计算公式为：

其中ProductImage_p表示产品意象的概率输出，h_FC3表示最后一层全连接层FC3的输出，根据产品意象的概率输出即可得到样本图片具体的产品意象。

步骤3：产品风格意象识别模型的训练与优化。

步骤2中的权重参数可以用高斯分布进行随机初始化，也可以通过一些公开的权重进行初始化。批处理大小及学习速率等超参数可以根据经验、实验和相关文献进行设置与调整。网络参数的求解过程涉及到两个过程：前向传播和反向传播。首先，把数据集中的实验样本作为输入，经过网络进行前向传播，计算出损失函数，整个网络的损失函数公式为

其中，(x⁽ⁱ⁾,y^(j))代表第i个样本及其产品意象，m表示训练样本的数目，h_w(x)表示假设函数。

然后利用随机梯度下降算法，进行反向传播，计算损失函数对每一层权重的导数，对每一层的权重进行更新，从而不断减小损失函数。通过求导的链式法则计算出损失对网络中每一个参数的偏导然后对权重进行更新，更新公式为

其中α为学习速率。

通过不断的迭代训练，损失函数会不断减小，产品意象预测准确率不断增加，直到最终模型收敛，使得意象识别的误差最小化，得到最优化的模型。

综上所述，本发明利用深度学习从数据中自动学习特征的特点，建立了相比传统方法更加准确的产品风格意象识别模型，克服了传统方法手工提取特征的缺点。通过意象实验建立产品风格意象数据集，利用卷积神经网络建立相比传统方法更加精确的产品风格意象识别模型，给产品风格意象研究提供了新的思路和方法，同时也可以作为设计师在产品设计过程中对产品风格意象评价的一种参考，改善和加速产品设计流程，保持产品设计风格延续性等等。

Claims (3)

1.一种面向产品风格意象的智能识别方法，其特征在于：包括如下步骤：

步骤1：建立一个产品意象评价的数据集；具体内容包括产品样本的收集和筛选、实验样本产品意象感性评价词库的建立以及最终产品意象空间的确立、产品意象评价实验；首先是实验样本的选择，然后是产品意象词的选择；最后进行产品意象实验；选择具有工业设计背景的被试采用语义差异法进行产品意象评分；根据产品意象的评分结果，计算每个实验样本的产品意象分均值作为该样本的最终产品意象分，进而得到最终的样本产品意象；

步骤2：设计产品意象的识别卷积神经网络结构；识别卷积神经网络主要由卷积层conv、池化层pool、全连接层FC和softmax层组成；

conv(m_n)表示第m个卷积模块的第n个卷积层，网络的输入是进行过数据预处理的产品样本图片，然后经过卷积层输入图像与卷积核进行卷积操作提取特征，卷积是特征提取的主要操作，第i层的第j个神经元的输出计算公式为：

其中，W_i-1，k表示第i-1层的第k个权重，X_i-1，k表示第i-1层的第k个神经元的输入，b_i-1表示第i-1层的偏置项；

其次是池化层，能够将输入的特征映射维度减小，使特征近似有平移不变性和大小不变性；随后是重复的卷积和池化，前面的卷积层能够提取相对底层的特征，随着层数的加深，特征映射会越来越抽象；

三层的全连接层对卷积层提取的特征映射再进行抽象和非线性融合，得到更有效的特征表达；全连接层与卷积层神经元的计算是类似的，区别只在于全连接层的每一个神经元与前一层的神经元都是连接在一起的；最后把学习到的特征输入到softmax分类层进行产品风格意象分类，采用softmax作为分类器，计算公式为：

其中ProductImage_p表示产品意象的概率输出，h_FC3表示最后一层全连接层FC3的输出，根据产品意象的概率输出即可得到样本图片具体的产品意象；

步骤3：产品意象识别模型的训练与优化；根据步骤2设计的识别网络结构，设计好网络中的超参数，采用随机梯度下降算法对模型进行训练优化，得到最后的产品意象识别模型；批处理大小及学习速率等超参数根据经验、实验和相关文献进行设置与调整；网络参数的求解过程涉及到两个过程：前向传播和反向传播；首先，把数据集中的实验样本作为输入，经过网络进行前向传播，计算出损失函数，整个网络的损失函数公式为

其中，(x⁽ⁱ⁾,y^(j))代表第i个样本及其产品意象，m表示训练样本的数目，h_w(x)表示假设函数；

然后利用随机梯度下降算法，进行反向传播，计算损失函数对每一层权重的导数，对每一层的权重进行更新，从而不断减小损失函数，通过求导的链式法则计算出损失对网络中每一个参数的偏导然后对权重进行更新，更新公式为：

其中α为学习速率；

通过不断的迭代训练，损失函数会不断减小，产品意象预测准确率不断增加，直到最终模型收敛，使得意象识别的误差最小化，得到最优化的模型。

2.根据权利要求1所述的面向产品风格意象的智能识别方法，其特征在于：步骤1中：实验样本的选择过程中遵循以下三个基本规则：第一，选择背景简单的产品，避免背景对产品意象造成影响；第二，选择能够显示整体产品意象的视角；第三，选择高清、干净的图片，避免产品细节上的损失。

3.根据权利要求1所述的面向产品风格意象的智能识别方法，其特征在于：步骤1中，产品意象词是直观反映产品意象的形式，通过包括相关文献、家居杂志、家居网站渠道初步获取感性意象词汇，首先进行初步筛选，把具有重复词语的词组删掉；再通过专业被试进行进一步筛选，选择出能够表达产品样本意象的词对，假设数量为m；其次邀请专业被试对筛选得到的感性意象词对进行语义分群实验，要求被试根据自己的经验和判断，把这m组感性意象词对根据词对意义的相近程度进行分群，群的数量不限，同一个群的数量也不限；根据被试的分群实验结果，统计每个词对出现在同一群中的次数，得到一个m×m的相似性矩阵；矩阵内的值越大表示相应的两个感性意象词对出现在同一组的次数越多，即表示这两个词对的相似程度越高；根据感性意象词对的相似性矩阵进行谱聚类分析，为了确定最佳聚类的数目，采用组内平方误差和SSE来评价聚类的好坏；SSE的计算公式为：

其中，n为聚类的数目，表示第i个类的一个词对，表示第i类的聚心；

通过SSE与聚类数目n的变化曲线可以得到最优的聚类数，从而得到数个维度的感性意象表达。