CN108664730A - 一种面向多模态工业产品的动态色彩设计方法 - Google Patents
一种面向多模态工业产品的动态色彩设计方法 Download PDFInfo
- Publication number
- CN108664730A CN108664730A CN201810446792.3A CN201810446792A CN108664730A CN 108664730 A CN108664730 A CN 108664730A CN 201810446792 A CN201810446792 A CN 201810446792A CN 108664730 A CN108664730 A CN 108664730A
- Authority
- CN
- China
- Prior art keywords
- color
- product
- industrial products
- dynamic
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明针对作业过程中产品外形发生动态变化且在不同作业模态下外观差异较大的一类工业产品色彩设计问题,提出一种动态色彩设计模型及方法。根据该类工业产品在操作周期内通常具有多种作业模态情况,将其定义为多模态工业产品。针对单个模态,以用户色彩意象需求为设计目标,建立单模态色彩设计模型,从而将该类产品动态色彩设计问题转化为多个单模态作业模态加权形式,实现连续问题离散化,最终建立多模态产品动态色彩设计模型;采用遗传算法对该模型进行优化求解,以得到符合用户动态意象感知的色彩设计方案集。
Description
技术领域
本发明属于产品设计领域,涉及工业产品色彩设计,尤其是一种面向多模态工业产品的动态色彩设计方法。
背景技术
随着用户生活品质的不断提升,以及在产品差异性逐渐模糊的前提下,对于产品色彩的情感体验及需求已经成为用户决定购买和使用产品的重要因素。因此,对于产品色彩的情感化设计越来越受到企业的关注,并将其作为产品价值的重要体现,以期摆脱市场同质化问题。对于产品色彩的情感体验经用户认知加工便构成了产品色彩意象,它不仅反映产品本身的色彩,还能够唤起用户某种相应的感觉[n],因此,其是设计师了解用户真实感觉与期望的重要媒介。所以,准确掌握用户对于产品色彩意象的偏好与需求,缩小设计师与用户之间对于产品色彩意象认知的差距,是提升产品色彩设计成功率的有效途径。
目前,国内外众多学者开始深入研究产品色彩意象,以期建立用户情感意象感知与产品色彩之间的映射关系,并且,对于产品色彩意向的研究已经取得了阶段性的研究成果,为产品色彩设计提供了新的设计准则与思路,然而现阶段的相关研究主要面向的还是一些结构相对简单的日常生活类产品。而面向具有结构复杂,构件繁多,形式多样等多变性特征的工业产品的色彩设计研究还比较少。
工业产品兼具多种作业模态是产品结构多变性的典型形式,即在不同作业环境或使用方式下,其构件之间的空间相对位置关系会发生变化,有时甚至是连续运动及变化,随即产品构件的形状、布局形式,以及面积比例等相关构成因素,都会随着作业模态的改变而发生变化,故将具有此特征的产品称之为多模态工业产品。多模态工业产品在作业过程中,由于其色彩形状、色彩布局形式、以及色彩面积比例等结构特征因素会随着模态变化而发生改变,进而导致用户的色彩意象感知空间也会随之产生巨大变化。此外,对于某些多模态工业产品,还存在作业过程中某些构件会发生持续运动的情况,此时产品的色彩形状、色彩布局形式、以及色彩面积比例等相关因素又会处于连续运动变化之中,面对产品中这些结构特征因素的运动与变化,用户的意象感知空间也会随之进行动态调整。
目前,对于产品构件发生连续运动与变化的一类工业产品的色彩设计方法研究还处于空白状态,现存产品色彩设计方法还不足以有效解决此类设计问题。因此,如何确切掌握用户对于多模态工业产品的动态色彩意象感知,以获取正确的感性信息,并将其准确传递给用户,达成与用户意象感知的近似匹配,做好多模态工业产品的色彩设计已成为一个至关重要的设计问题及难题。
发明内容
本发明的目的在于克服现有技术的不足之处,提供一种面向多模态工业产品的动态色彩设计方法。
本发明解决其技术问题是采取以下技术方案实现的:
一种面向多模态工业产品的动态色彩设计方法,其特征在于:实施步骤为:
第一阶段:用户色彩意象感知的获取;
第二阶段:多模态工业产品动态色彩设计模型的构建,研究动态产品色彩与用户动态意象感知之间的关联关系,建立能够适应多模态工业产品连续运动的产品色彩设计模型;
第三阶段:基于遗传算法的多模态工业产品色彩优化,首先建立目标函数,然后运用遗传算法进行方案搜索,生成符合用户情感意象需求的产品色彩设计方案。
而且,所述第一阶段的具体实施步骤如下:①根据实际项目需求,确定目标产品,同时确定设计目标用户群体以及用户需求;②通过市场调查获取目标群体的情感需求,并建立该群体的意象语意;然后通过专家访谈确定最终目标意象语意;③制作产品色彩设计样本;④根据目标群体的意象语意以及产品色彩设计样本,制作产品色彩意象评价问卷;⑤获得产品色彩意象评价问卷的数据,对于该数据以语意差异法进行语意评价,获得产品色彩意象评价值,该产品色彩意象评价值将作为后续设计的数据依据。
而且,所述第二阶段的具体开展步骤如下:
首先,运用灰色系统分析建立单模态工业产品的色彩意象评价模型;
然后,构建多模态工业产品动态色彩意象评价模型,依据连续动态规划理论建立多模态工业产品的色彩意象评价模型,进而针对多模态工业产品的动态色彩设计建立目标规划模型;
最后,构建多模态工业产品动态色彩设计模型,利用遗传算法对多模态工业产品的色彩设计方案进行优化,建立一套能够适应多模态工业产品动态特征变化,并符合用户真实意象需求的产品色彩智能设计理论与方法。
而且,所述运用灰色系统分析建立单模态工业产品的色彩意象评价模型的具体步骤为:
(1)产品色彩意象的灰色关联表达
令X1为灰关联因子集,X1=(x1(1),x1(2)…x1(n))为参考序列;X2=(x2(1),x2(2)…x2(n))为比较序列,设是未知的,运用灰色关联度γ(X1,X2)计算,即:
式(2)中,Δ2j=|x2(k)-xj(k)|,ρ为关联系数,一般建议设定为0.5;
当某方案色彩的参数为Rφ、Gφ、Bφ,其意象评价值μφ是未知的,该色彩在基本色彩样本中与其相邻的两个色彩为X1=(RU,GU,BU,μU)和X2=(RL,GL,BL,μL),μU和μL为两个色彩样本的意象评价值。方案色彩为X3=(Rφ,Gφ,Bφ,μφ),由公式(1)及(2)求出μφ,即:
(2)产品色彩意象评价值计算
假设方案色彩集合为N={1,2,…,n},语意集合为M={1,2,…,m},判断关系dij表示第i个色彩方案对第j个语意所拥有的白化数据,由m×n个判断关系构成了色彩方案矩阵D:
引用fjk(dij)将判断关系dij归类于特定的群φik,具体的匹配机制如下:
φik为所有指标的第i个聚类对象对于第k个灰类的灰色聚类系数,ηjk为第j个指标属于第k个灰类的聚类权。则产品色彩意象评价函数表示为:
而且,所述构建多模态工业产品动态色彩意象评价模型,根据各作业模态在一个周期中所占时长赋权重,具体为:取产品作业时的某个动态作业周期做意象评价样本,因此组成该样本的作业模态意象评价值是时间t的函数,即
在上求积分,得到产品在某段时间,T0内的意象评价值:
为使意象评价据具有普遍意义,引入产品在某个作业周期内的平均意象评价值,即:
上式中,φ(t)为产品在某作业模态下的意象评价值,为产品在某作业模态下的权重值,是根据实际设计项目而设定的变量,且
而且,所述构建多模态工业产品动态色彩设计模型,建立如下设计模型:
min F(Φ)=|Φ-E|
其中,Φ为产品在某个动态作业周期内的平均意象评价值;E为用户对于产品色彩意象的期望值,目标值越低,表示色彩方案与用户对于产品色彩意象的期望值越接近。
而且,所述第三阶段基于遗传算法的多模态工业产品色彩优化的步骤为:
首先,经由灰色系统分析、连续动态规划后的用户对产品在某个动态作业周期内的平均意象评价值确定目标函数;
然后,运用遗传算法对该目标函数进行最优方案求解,并将结果进行可视化处理。
而且,所述目标函数的确定,是采用问题的目标函数作为适应度函数,产生满足用户目标意象需求与期望的色彩设计方案,设适应度函数为G:
此时,适应度函数值越小,解的质量越高。
而且,所述运用遗传算法对该目标函数进行最优方案求解,具体步骤如下:
步骤1:选择,从产品色彩样本母带群体中挑选染色体,并据其平均意象评价值调用该染色体所表征的色彩方案对第j个意象的贡献值,由适应度函数计算产品色彩的个体适应值,并选择适应值较低的个体复制到下一代群体中去;
步骤2:交叉,步骤1中选中的适应值较低的每对个体染色体编码随机地选择一个截断点,将母代染色体编码链截断,互换从该截断点起的末尾部分或其他部分而生成后代;
步骤3:变异,随机选取交叉产生的个体中某一位或多位进行二进制编码翻转操作;
步骤4:结束条件,随着GA操作过程的不断进行,问题求解就离全局最优解目标越近。考虑到目标问题中满足条件的解有可能不唯一,故采用控制最大遗传代数Gen来实现GA操作的结束,如果当前的迭代次数达到了预先设定的最大次数Tmax,或最终结果小于预定收敛精度要求,则停止迭代,输出最优解,供用户后续的选择与修正,否则转到步骤1;
步骤5:色彩方案的优化,理论上,依据适应度函数输出的最优解应该能满足用户需要,但是由于方案解受初始规模、种类以及用户主观偏好等因素影响均较大,如果根据适应度函数输出的最优解并不是用户的满意解,则用户进行二次搜索,调整相关参数,重新开始运行,直至获得并有效输出满意解。
本发明的优点和积极效果是:
本发明针对多作业模态工程产品连续运动过程中色彩面积动态变化,传统色彩设计理论及方法不适用的问题,以用户的动态色彩意象感知为研究对象,深入研究多模态工业产品作业过程中的动态色彩设计问题,以感性工学理论结合人工智能算法,建立一套能够适应多模态工业产品动态特征变化,并切实符合用户真实意象需求的产品色彩智能设计理论与方法。
附图说明
图1为本方法的实施流程图;
图2为一个多模态工业产品的实例;
图3为基于遗传算法的多模态工业产品色彩优化框架;
图4为基于遗传算法的多模态工业产品色彩优化流程;
图5为实例1的产品色彩样本问卷;
图6为色彩集XA和XB在两种作业模态下的白化权函数图;
其中,(a)为色彩集在初始模态(O)下的白化权函数图,(b)为色彩集在极限作业模态(T)下的白化权函数图;
图7为进化结束后群体中个体的分布情况以及染色体的最终最优解;
其中,(a)图中曲线为隔代群体中个体适应度的最小值,(b)为进化结束后群体中个体的分布情况,(c)为染色体的最终最优解;
图8为验证设计问卷;
其中,方案1(a)-(b)所示为本方法设计获得的初始模态、中间作业模态和极限作业模态的三维色彩模型,方案2(a)-(b)所示为传统方法设计获得的初始模态、中间作业模态和极限作业模态的三维色彩模型。
具体实施方式
下面结合附图并通过具体实施例对本发明作进一步详述,以下实施例只是描述性的,不是限定性的,不能以此限定本发明的保护范围。
一种面向多模态工业产品的动态色彩设计方法,实施步骤为:
第一阶段:用户色彩意象感知的获取。产品色彩意象设计以用户的感性意象偏好与需求为设计目标,因此首要任务是获取用户对于产品色彩的感性意象认知。具体实施步骤如下:①根据实际项目需求,确定目标产品,同时确定设计目标用户群体以及用户需求;②通过市场调查获取目标群体的情感需求,并建立该群体的意象语意;然后通过专家访谈确定最终目标意象语意;③制作产品色彩设计样本;④根据目标群体的意象语意以及产品色彩设计样本,制作产品色彩意象评价问卷;⑤获得产品色彩意象评价问卷的数据,对于该数据以语意差异法进行语意评价,获得产品色彩意象评价值,该产品色彩意象评价值将作为后续设计的数据依据。
第二阶段:多模态工业产品动态色彩设计模型的构建。面对处于连续运动状态的多模态工业产品,用户的意象感知也会随之发生动态调整,因此,有必要研究动态产品色彩与用户动态意象感知之间的关联关系,建立能够适应多模态工业产品连续运动的产品色彩设计模型。
本方法将作业过程中外观形态动态变化且具有多个稳定状态阶段的产品定义为多模态产品,而其单个稳定工作状态定义为单模态,则该类产品动态操作过程可表达为多个单模态的加权形式,以实现连续问题离散化,从而对多模态连续过程进行建模优化。具体开展步骤如下所述:
首先,运用灰色系统分析建立单模态工业产品的色彩意象评价模型;
(1)产品色彩意象的灰色关联表达
令X1为灰关联因子集,X1=(x1(1),x1(2)…x1(n))为参考序列;X2=(x2(1),x2(2)…x2(n))为比较序列,设是未知的,可以运用灰色关联度γ(X1,X2)计算,即:
式(2)中,Δ2j=|x2(k)-xj(k)|,ρ为关联系数,一般建议设定为0.5。
当某方案色彩的参数为Rφ、Gφ、Bφ,其意象评价值μφ是未知的,该色彩在基本色彩样本中与其相邻的两个色彩为X1=(RU,GU,BU,μU)和X2=(RL,GL,BL,μL),μU和μL为两个色彩样本的意象评价值。方案色彩为X3=(Rφ,Gφ,Bφ,μφ),由公式(1)及(2)可求出μφ,即:
(2)产品色彩意象评价值计算
假设方案色彩集合为N={1,2,…,n},语意集合为M={1,2,…,m},判断关系dij表示第i个色彩方案对第j个语意所拥有的白化数据,由m×n个判断关系构成了色彩方案矩阵D:
引用fjk(dij)将判断关系dij归类于特定的群φik,具体的匹配机制如下:
φik为所有指标的第i个聚类对象对于第k个灰类的灰色聚类系数,ηjk为第j个指标属于第k个灰类的聚类权。则产品色彩意象评价函数可表示为:
然后,构建多模态工业产品动态色彩意象评价模型,依据连续动态规划理论建立多模态工业产品的色彩意象评价模型,进而针对多模态工业产品的动态色彩设计建立目标规划模型;
多模态工业产品作业过程是由多个含不同动态特性、相对稳定且连续的单模态作业模态组成的一个作业周期,每个作业模态对应各自的意象评价值和权重值。在设计过程中,根据产品的作业模态的使用频率来设置相对应的权重值,即根据各作业模态在一个周期中所占时长赋权重。
取产品作业时的某个动态作业周期做意象评价样本,因此组成该样本的作业模态意象评价值是时间t的函数,即在上求积分,得到产品在某段时间,例如T0内的意象评价值:
为使意象评价据具有普遍意义,引入产品在某个作业周期内的平均意象评价值,即:
上式中,φ(t)为产品在某作业模态下的意象评价值,为产品在某作业模态下的权重值,是根据实际设计项目而设定的变量,且
最后,构建多模态工业产品动态色彩设计模型,利用遗传算法对多模态工业产品的色彩设计方案进行优化,以建立一套能够适应多模态工业产品动态特征变化,并切实符合用户真实意象需求的产品色彩智能设计理论与方法。
当设计者能够用明确量化的产品色彩意象值来表达其设计期望时,可认为采用公式(9)所得到的产品色彩方案的意象评价值越接近期望值,产品色彩方案越符合用户的意象偏好;反之亦然。根据该色彩设计准则,可建立如下设计模型:
min F(Φ)=|Φ-E| (10)
其中,Φ为产品在某个动态作业周期内的平均意象评价值;E为用户对于产品色彩意象的期望值。根据公式(10),目标值越低,表示色彩方案与用户对于产品色彩意象的期望值越接近。
第三阶段:基于遗传算法的多模态工业产品色彩优化。
通过利用现有智能计算方法的适应性搜寻能力,可有效协助设计师在限定范围内,快速寻找出产品色彩方案的最优方案解。此阶段中适应度函数的选取最为重要,首先建立目标函数,然后运用遗传算法进行方案搜索,生成符合用户情感意象需求的产品色彩设计方案,以作为设计师进行最终设计决策时的依据。
基于遗传算法的多模态工业产品色彩优化框架如图3所示,首先经由灰色系统分析、连续动态规划后的用户对产品在某个动态作业周期内的平均意象评价值确定目标函数,然后运用遗传算法对该目标函数进行最优方案求解,并将结果进行可视化处理。其中,编码采用由Holland提出的二进制编码方法,将基本色彩的RGB值进行二进制编码化,建构基本色彩样本集C与二进制编码集合的一一对应映射关系。
4.1适应度函数建立
适应度函数是遗传算法操作的依据,其作用是用于评价产品色彩方案的优劣。在此,采用问题的目标函数作为适应度函数,即产生满足用户目标意象需求与期望的色彩设计方案,设适应度函数为G,则
此时,适应度函数值越小,解的质量越高。
4.2遗传算法设计与优化流程
基于遗传算法的多模态工业产品色彩优化流程如图4所示,具体步骤如下:
步骤1:选择。从产品色彩样本母带群体中挑选染色体,并据其平均意象评价值调用该染色体所表征的色彩方案对第j个意象的贡献值,由适应度函数计算产品色彩的个体适应值,并选择适应值较低的个体复制到下一代群体中去。
步骤2:交叉。步骤1中选中的适应值较低的每对个体染色体编码随机地选择一个截断点,将母代(所选的两个个体)染色体编码链截断,互换从该截断点起的末尾部分或其他部分而生成后代。
步骤3:变异。随机选取交叉产生的个体中某一位(或多位)进行二进制编码翻转操作。
步骤4:结束条件。随着GA操作过程的不断进行,问题求解就离全局最优解目标越近。考虑到目标问题中满足条件的解有可能不唯一,故采用控制最大遗传代数Gen来实现GA操作的结束。如果当前的迭代次数达到了预先设定的最大次数Tmax,或最终结果小于预定收敛精度要求,则停止迭代,输出最优解,可供用户后续的选择与修正,否则转到步骤1。
步骤5:色彩方案的优化。理论上,依据适应度函数输出的最优解应该能满足用户需要,但是由于方案解受初始规模、种类以及用户主观偏好等因素影响均较大。如果根据适应度函数输出的最优解并不是用户的满意解,则用户可以进行二次搜索,调整相关参数,重新开始运行,直至获得并有效输出满意解。
实例1:
本文以臂架式高空作业车(以下简称高空作业车)为设计实例来验证论文所提方法的有效性。如图2所示,臂架式高空作业车根据作业高度来收缩或伸展其臂架,在产品初始模态下,臂架2、臂架3、臂架4和臂架5收缩在臂架1之内,在其它作业模态下,臂架2、臂架3、臂架4和臂架5会根据作业需求完成不同高度的伸展。根据市场调研,将箱体、转台、臂架1和作业平台赋予同一颜色A,底盘、支腿、臂架2、臂架3、臂架4和臂架5赋予同一颜色B。色彩可以通过调节RGB参数任意更换。
目标意象语意与产品色彩样本的确定
通过市场调查,收集到20对适用于描述高空作业车色彩的意象形容词对。根据高空作业车的特点,产品色彩要求具有一定的安全警示性,故挑选“醒目的”为产品色彩目标意象语意形容词。产品的色彩意象评价值在在0-1区间之内,0表示不醒目,0.5表示一般,1表示醒目。
采用CIE色彩坐标系统,RGB值以64为单元间距,在0-255值域内变化产生125个基本色彩样本,如表1所示。
表1 125个基本色彩样本及其RGB值
将125个色彩样本渲染到产品的3D模型中,产生125个产品色彩样本,并以图片的形式制成意象评价问卷,如图5所示。
产品语意差异评价
某企业高空作业产品的60名使用人员及研发人员(年龄在25-50岁之间,男女比例为45:15)被邀请为125个产品色彩样本做出的意象(F-S)评价值。表2为受试者意象评价结果的平均意象值。
表2产品色彩样本对应于意象形容词对的意象评价值
产品色彩集白化权函数计算
以图2的可视角度为基准,通过Photoshop软件计算出各单模态作业下色彩A与色彩B的面积比例,并计算出白化权函数。以高空作业车动态作业周期内的初始模态(O)和极限作业模态(T)为例,初始模态下的面积比率PO=(POA,POB)=(0.54,0.46),极限作业模态下的面积比率PT=(PTA,PTB)=(0.38,0.62)。图6为色彩集XA和XB在两种作业模态下的白化权函数图。基于遗传算法产品色彩优化
论文中GA优化是基于MATLAB R2009a提供的遗传算法工具箱设计与实现的,初始群体从125个基本色彩样本中随机产生,采用轮盘赌法选择、单点交叉法交叉和翻转法变异为遗传算子。对于本例,设定基本遗传算法的运行参数为:种群规模为N=152,终止代数Gen=200,交叉率为Pc=0.9,变异率为Pm=0.167,终止迭代条件为此外,根据实际项目需求,将用户对于高空作业车的色彩意象期望值ES-H设置为0.9。
高空作业车作业时作业臂始终保持近似匀速从初始位置伸出至作业高度,其最大高度位置定义为极限位置。因此将高空作业车作业模态定义为初始模态、极限作业模态和若干中间模态,而从将连续问题离散化。该例中,根据作业模态过程中起止状态等条件取整个作业周期100个点(包含面积最小到最大极限状态间的典型状态)的意象值,然后计算平均值。
结果分析
根据上述参数设计,算法随机运行一次,运行结果如图7所示。其中,(a)图中曲线为隔代群体中个体适应度的最小值。(b)为进化结束后群体中个体的分布情况。(c)为染色体的最终最优解。
由图7(a)可知,进化初期收敛速度几乎线性增长,随着进化的进行,群体中适应度较低的一些个体逐渐被淘汰掉,而适应度较高的一些个体会越来越多,并且它们都集中在所求问题的最优点附近,当进化迭代次数至60代以后,适应值变化变得非常稳定;至200代迭代终止时,从满足终止迭代条件的种群选择1个最优个体,即搜索到问题的最优解,如图7(c)所示的RGB值为(37,245,185,97,240,202)。上述结果表明,GA在求解多模态工业产品色彩设计方案问题上,具有较好的稳定性,以及较快的收敛速度,能够得到满足设计要求的结果。
为了验证论文所提方法较传统方法更加适合处理多模态工业产品动态色彩设计问题,现将两种设计方法进行比较。
首先,将实验结果渲染到高空作业车的三种作业模态的三维色彩模型中,即初始模态、中间作业模态和极限作业模态,如图8中的方案1(a)-(b)所示。
为了便于对比分析,运用传统方法进行方案求解。由于传统方法无法考虑多种多种作业模态进行综合寻优,因此仅以高空作业车初始模态为例进行方案求解。相关设置同实例1,算法随机运行一次。同样将方案解分别渲染到高空作业车的三种作业模态的三维色彩模型中,如图8中的方案2(a)-(b)所示。
最后,将两组色彩方案制成问卷,在60位受试者中随机邀请10位,为图8中的2组色彩设计方案进行喜爱/满意度排序。评价结果如表3所示。
表3用户喜爱度/满意度排序
由表3可知,方案2虽然为初始模态下的最优方案,但该方案并不适用于其他模态。面对高空作业车不同作业模态下的色彩设计方案,用户也会产生不同的情感认知,而方案1考虑多种作业模态色彩面积变化下用户的综合喜好,其本质是在多种模态间的折中寻优,从而得到综合所有模态后的最优色彩设计方案。而传统单模态设计方法无法获得具有动态特征的多模态工业产品最优色彩设计方案。
尽管为说明目的公开了本发明的实施例和附图,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换、变化和修改都是可能的,因此,本发明的范围不局限于实施例和附图所公开的内容。
Claims (9)
1.一种面向多模态工业产品的动态色彩设计方法,其特征在于:实施步骤为:
第一阶段:用户色彩意象感知的获取;
第二阶段:多模态工业产品动态色彩设计模型的构建,研究动态产品色彩与用户动态意象感知之间的关联关系,建立能够适应多模态工业产品连续运动的产品色彩设计模型;
第三阶段:基于遗传算法的多模态工业产品色彩优化,首先建立目标函数,然后运用遗传算法进行方案搜索,生成符合用户情感意象需求的产品色彩设计方案。
2.根据权利要求1所述的面向多模态工业产品的动态色彩设计方法,其特征在于:所述第一阶段的具体实施步骤如下:①根据实际项目需求,确定目标产品,同时确定设计目标用户群体以及用户需求;②通过市场调查获取目标群体的情感需求,并建立该群体的意象语意;然后通过专家访谈确定最终目标意象语意;③制作产品色彩设计样本;④根据目标群体的意象语意以及产品色彩设计样本,制作产品色彩意象评价问卷;⑤获得产品色彩意象评价问卷的数据,对于该数据以语意差异法进行语意评价,获得产品色彩意象评价值,该产品色彩意象评价值将作为后续设计的数据依据。
3.根据权利要求1所述的面向多模态工业产品的动态色彩设计方法,其特征在于:所述第二阶段的具体开展步骤如下:
首先,运用灰色系统分析建立单模态工业产品的色彩意象评价模型;
然后,构建多模态工业产品动态色彩意象评价模型,依据连续动态规划理论建立多模态工业产品的色彩意象评价模型,进而针对多模态工业产品的动态色彩设计建立目标规划模型;
最后,构建多模态工业产品动态色彩设计模型,利用遗传算法对多模态工业产品的色彩设计方案进行优化,建立一套能够适应多模态工业产品动态特征变化,并符合用户真实意象需求的产品色彩智能设计理论与方法。
4.根据权利要求3所述的面向多模态工业产品的动态色彩设计方法,其特征在于:所述运用灰色系统分析建立单模态工业产品的色彩意象评价模型的具体步骤为:
(1)产品色彩意象的灰色关联表达
令X1为灰关联因子集,X1=(x1(1),x1(2)…x1(n))为参考序列;X2=(x2(1),x2(2)…x2(n))为比较序列,设是未知的,运用灰色关联度γ(X1,X2)计算,即:
式(2)中,Δ2j=|x2(k)-xj(k)|,ρ为关联系数,一般建议设定为0.5;
当某方案色彩的参数为Rφ、Gφ、Bφ,其意象评价值μφ是未知的,该色彩在基本色彩样本中与其相邻的两个色彩为X1=(RU,GU,BU,μU)和X2=(RL,GL,BL,μL),μU和μL为两个色彩样本的意象评价值。方案色彩为X3=(Rφ,Gφ,Bφ,μφ),由公式(1)及(2)求出μφ,即:
(2)产品色彩意象评价值计算
假设方案色彩集合为N={1,2,…,n},语意集合为M={1,2,…,m},判断关系dij表示第i个色彩方案对第j个语意所拥有的白化数据,由m×n个判断关系构成了色彩方案矩阵D:
引用fjk(dij)将判断关系dij归类于特定的群φik,具体的匹配机制如下:
φik为所有指标的第i个聚类对象对于第k个灰类的灰色聚类系数,ηjk为第j个指标属于第k个灰类的聚类权。则产品色彩意象评价函数表示为:
5.根据权利要求3所述的面向多模态工业产品的动态色彩设计方法,其特征在于:所述构建多模态工业产品动态色彩意象评价模型,根据各作业模态在一个周期中所占时长赋权重,具体为:取产品作业时的某个动态作业周期做意象评价样本,因此组成该样本的作业模态意象评价值是时间t的函数,即
在上求积分,得到产品在某段时间,T0内的意象评价值:
为使意象评价据具有普遍意义,引入产品在某个作业周期内的平均意象评价值,即:
上式中,φ(t)为产品在某作业模态下的意象评价值,为产品在某作业模态下的权重值,是根据实际设计项目而设定的变量,且
6.根据权利要求3所述的面向多模态工业产品的动态色彩设计方法,其特征在于:所述构建多模态工业产品动态色彩设计模型,建立如下设计模型:
min F(Φ)=|Φ-E|
其中,Φ为产品在某个动态作业周期内的平均意象评价值;E为用户对于产品色彩意象的期望值,目标值越低,表示色彩方案与用户对于产品色彩意象的期望值越接近。
7.根据权利要求1所述的面向多模态工业产品的动态色彩设计方法,其特征在于:所述第三阶段基于遗传算法的多模态工业产品色彩优化的步骤为:
首先,经由灰色系统分析、连续动态规划后的用户对产品在某个动态作业周期内的平均意象评价值确定目标函数;
然后,运用遗传算法对该目标函数进行最优方案求解,并将结果进行可视化处理。
8.根据权利要求7所述的面向多模态工业产品的动态色彩设计方法,其特征在于:所述目标函数的确定,是采用问题的目标函数作为适应度函数,产生满足用户目标意象需求与期望的色彩设计方案,设适应度函数为G:
此时,适应度函数值越小,解的质量越高。
9.根据权利要求7所述的面向多模态工业产品的动态色彩设计方法,其特征在于:所述运用遗传算法对该目标函数进行最优方案求解,具体步骤如下:
步骤1:选择,从产品色彩样本母带群体中挑选染色体,并据其平均意象评价值调用该染色体所表征的色彩方案对第j个意象的贡献值,由适应度函数计算产品色彩的个体适应值,并选择适应值较低的个体复制到下一代群体中去;
步骤2:交叉,步骤1中选中的适应值较低的每对个体染色体编码随机地选择一个截断点,将母代染色体编码链截断,互换从该截断点起的末尾部分或其他部分而生成后代;
步骤3:变异,随机选取交叉产生的个体中某一位或多位进行二进制编码翻转操作;
步骤4:结束条件,随着GA操作过程的不断进行,问题求解就离全局最优解目标越近。考虑到目标问题中满足条件的解有可能不唯一,故采用控制最大遗传代数Gen来实现GA操作的结束,如果当前的迭代次数达到了预先设定的最大次数Tmax,或最终结果小于预定收敛精度要求,则停止迭代,输出最优解,供用户后续的选择与修正,否则转到步骤1;
步骤5:色彩方案的优化,理论上,依据适应度函数输出的最优解应该能满足用户需要,但是由于方案解受初始规模、种类以及用户主观偏好等因素影响均较大,如果根据适应度函数输出的最优解并不是用户的满意解,则用户进行二次搜索,调整相关参数,重新开始运行,直至获得并有效输出满意解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810446792.3A CN108664730A (zh) | 2018-05-11 | 2018-05-11 | 一种面向多模态工业产品的动态色彩设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810446792.3A CN108664730A (zh) | 2018-05-11 | 2018-05-11 | 一种面向多模态工业产品的动态色彩设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108664730A true CN108664730A (zh) | 2018-10-16 |
Family
ID=63778114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810446792.3A Pending CN108664730A (zh) | 2018-05-11 | 2018-05-11 | 一种面向多模态工业产品的动态色彩设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108664730A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493149A (zh) * | 2018-12-25 | 2019-03-19 | 辽源市杰牌印染科技有限公司 | 一种袜用纱线色彩流行趋势预测方法 |
CN109919682A (zh) * | 2019-03-15 | 2019-06-21 | 中科钢研节能科技有限公司 | 一种新产品技术参数市场适应性自动分析系统和方法 |
CN115157654A (zh) * | 2022-07-28 | 2022-10-11 | 河北工业大学 | 一种彩色3d模型的表面颜色向内扩散方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682108A (zh) * | 2016-12-06 | 2017-05-17 | 浙江大学 | 一种基于多模态卷积神经网络的视频检索方法 |
-
2018
- 2018-05-11 CN CN201810446792.3A patent/CN108664730A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682108A (zh) * | 2016-12-06 | 2017-05-17 | 浙江大学 | 一种基于多模态卷积神经网络的视频检索方法 |
Non-Patent Citations (2)
Title |
---|
CHEN, HANNING 等: "Bacterial colony foraging for multi-mode product colour planning", 《INTERNATIONAL JOURNAL OF BIO-INSPIRED COMPUTATION》 * |
丁满: "基于意象的产品色彩设计模型与方法研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493149A (zh) * | 2018-12-25 | 2019-03-19 | 辽源市杰牌印染科技有限公司 | 一种袜用纱线色彩流行趋势预测方法 |
CN109919682A (zh) * | 2019-03-15 | 2019-06-21 | 中科钢研节能科技有限公司 | 一种新产品技术参数市场适应性自动分析系统和方法 |
CN109919682B (zh) * | 2019-03-15 | 2022-10-18 | 中科钢研节能科技有限公司 | 一种新产品技术参数市场适应性自动分析系统和方法 |
CN115157654A (zh) * | 2022-07-28 | 2022-10-11 | 河北工业大学 | 一种彩色3d模型的表面颜色向内扩散方法 |
CN115157654B (zh) * | 2022-07-28 | 2023-05-26 | 河北工业大学 | 一种彩色3d模型的表面颜色向内扩散方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104408518B (zh) | 基于粒子群优化算法的神经网络学习优化方法 | |
CN106503654A (zh) | 一种基于深度稀疏自编码网络的人脸情感识别方法 | |
CN108664730A (zh) | 一种面向多模态工业产品的动态色彩设计方法 | |
CN102163249B (zh) | 用于窗帘设计的交互式进化优化方法 | |
CN107330902B (zh) | 基于Arnold变换的混沌遗传BP神经网络图像分割方法 | |
Yue et al. | Energy-saving behavior of urban residents in China: A multi-agent simulation | |
Akase et al. | Automatic 3D furniture layout based on interactive evolutionary computation | |
Ding et al. | Product color emotional design considering color layout | |
CN106529574A (zh) | 基于稀疏自动编码器和支持向量机的图像分类方法 | |
CN108171315A (zh) | 基于smc粒子群算法的多无人机任务分配方法 | |
Yang et al. | Combining users’ cognition noise with interactive genetic algorithms and trapezoidal fuzzy numbers for product color design | |
Liapis et al. | Sentient World: Human-Based Procedural Cartography: An Experiment in Interactive Sketching and Iterative Refining | |
CN112685657B (zh) | 一种基于多模态交叉融合图网络的会话社交推荐方法 | |
CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
CN110222908A (zh) | 一种基于数据驱动的短期用电量预测方法 | |
CN114565239A (zh) | 用于产业园区的综合低碳能源调度方法及系统 | |
Gong et al. | Adaptive interactive genetic algorithms with individual interval fitness | |
Lan | Fuzzy logic-based machine learning algorithm for cultural and creative product design | |
Salehi et al. | Introducing a more realistic model for opinion formation considering instability in social structure | |
Rodriguez et al. | Interactive Genetic Algorithm with fitness modeling for the development of a color simulation system based on customer’s preference | |
Zhang et al. | Cognitive matching of design subjects in product form evolutionary design | |
CN110705756A (zh) | 一种基于输入凸神经网络的电力能耗优化控制方法 | |
Cai | User preference adaptive fitness of interactive genetic algorithm based ceramic disk pattern generation method | |
CN115481316A (zh) | 一种多模型融合知识蒸馏推荐模型 | |
CN109086469A (zh) | 基于递归神经网络与偏好信息的铝电解建模与优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181016 |