CN111291432B - 一种产品智能外观设计方法 - Google Patents
一种产品智能外观设计方法 Download PDFInfo
- Publication number
- CN111291432B CN111291432B CN202010149575.5A CN202010149575A CN111291432B CN 111291432 B CN111291432 B CN 111291432B CN 202010149575 A CN202010149575 A CN 202010149575A CN 111291432 B CN111291432 B CN 111291432B
- Authority
- CN
- China
- Prior art keywords
- product
- appearance design
- appearance
- intelligent
- data
- 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.)
- Active
Links
- 238000013461 design Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 238000013178 mathematical model Methods 0.000 claims abstract description 3
- 238000005406 washing Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种产品智能外观设计方法,包括以下步骤:在互联网平台获取近20年以来该类产品图片,并按照其上市时间进行排序,形成该类产品的图片库;在一种产品外观属性的定义方法(专利号201911000030.1)平台输入收集到的该类产品图片库,得出该类产品的外观信息数据库;通过获取的信息数据训练机器学习模型,建立该类产品的智能外观设计模型;通过近1~2年的最新数据和该类产品的智能外观设计数字模型获得该类产品的外观设计属性,最终得出通过智能外观设计后的新产品。本发明通过机器学习建立数学模型,智能化某一类产品的外观设计,得出该类产品的新的外观设计结果,推动了产品外观设计方法的发展。
Description
技术领域
本发明属于产品外观设计技术领域,一种产品智能外观设计方法。
背景技术
随着智能时代的到来,大数据、机器学习等概念日渐成熟,数据驱动的价值也逐渐清晰,充分发挥数据具有的新要素、新引擎作用。本研究旨在提出一种滚筒洗衣机的智能外观设计方法,将数据与设计相连接,通过数据驱动产品外观设计程序智能化:构建数据驱动的产品外观设计模型,辅助设计决策分析,提高产品设计的速度和质量。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种滚筒洗衣机的智能外观设计方法,该方法将现有机器学习应用于工业设计中。
为实现上述目的,本发明采用的技术方案为:
一种产品智能外观设计方法,包括以下步骤:
S1、通过网络爬虫程序在互联网平台获取一段时期以来某一类产品的图片,并按照其上市时间进行排序,形成该类产品的图片库;
S2、通过产品外观属性的定义方法平台,在该平台输入收集到的该类产品的图片库,得出该类产品的外观信息数据库;
S3、通过获取的信息数据训练针对该类产品的数据构建的机器学习模型,建立滚筒洗衣机的智能外观设计模型;
S4、通过近1~2年的最新数据和该类产品的智能外观设计数字模型获得该类产品的外观设计新属性,最终得出通过智能外观设计后的新产品。
进一步的,在本发明中,所述步骤S1中,网络爬虫主要针对互联网电商平台,获取该类产品条目下的产品三视图图片,同时爬取该产品的上市时间,按上市时间命名其图片,提出20年以内的图片数据,并按时间顺序构建产品图片数据库。
进一步的,在本发明中,所述步骤S2中,产品外观属性的定义方法平台指的是专利:一种产品外观属性的定义方法平台(专利号201911000030.1)。
进一步的,在本发明中,所述步骤S3中,针对该类产品的数据构建的机器学习模型是在Keras平台中,使用Sequential构造定义模型,使用Dense添加第一层,并指定输入和输出的维度;定义一个激活函数,选择sigmoid,然后用Dense来定义第二层,产生一个维度1是输出,选择sigmoid作为激活函数,并选择平方差损失函数,使用上述步骤中的产品外观属性数据对机器学习模型进行编译、训练和评估,得到该类产品的智能外观模型。
进一步的,在本发明中,所述步骤S4中,应根据该类产品的更新速率,来确定用来计算的数据年份(范围1~2年),然后通过以构建的数学模型获得该类产品的外观设计新属性,最终得出通过智能外观设计后的新产品。
与现有技术相比,本发明具有以下有益效果:
1、本发明创新了传统设计程序,将前期冗杂繁复的调研准备过程变得数据化,客观化。在产品更新迭代速度极快的时代,提高了产品的设计的速度和质量。
2、本发明结合大数据时代的特点,充分利用大数据的4V性,在智能时代的大背景下通过信息论的技术进步设计的方法。
3、本发明将计算机科学、数学理论和工业设计相结合,将科学工具应用于设计中,跟随信息论发展的趋势,促进设计领域的发展。
附图说明
图1是本发明的总流程图;
图2是本发明的详细流程图;
图3是收集的滚筒洗衣机图片部分展示图;
图4是一种产品外观属性定义平台处理中图片;
图5是通过智能外观设计方法得到的滚筒洗衣机。
具体实施方式
下面结合附图和实施例对本发明作更进一步的说明。
随着智能时代的到来,大数据、机器学习等概念日渐成熟,数据驱动的价值也逐渐清晰,充分发挥数据具有的新要素、新引擎作用。本研究旨在提出一种产品外观智能设计方法,将数据与设计相连接,通过数据驱动产品外观设计程序智能化:构建数据驱动的产品外观设计模型,辅助设计决策分析,提高产品的设计的速度和质量。
如图1、2所示为一种本发明的总流程图和详细流程图,一种产品智能外观设计方法,包括以下步骤:
S1、通过网络爬虫程序在互联网平台获取近20年以来滚筒洗衣机的图片,并按照其上市时间进行排序,形成该类产品的图片库;
网络爬虫主要针对互联网电商平台,获取滚筒洗衣机条目下的产品图片(根据专利201911000030.1要求的产品三视图图片),同时爬取该产品的上市时间,按上市时间命名其图片,例如201106,设使用本专利时年份为X,提出年份大于等于X-20的图片数据,并按时间顺序构建产品图片数据库。
S2、通过专利一种产品外观属性的定义方法平台(专利号201911000030.1),在该平台输入收集到的滚筒洗衣机图片库,得出该类产品的外观信息数据库;
S3、通过获取的(X-20)~(X-2)年的信息数据训练针对滚筒洗衣机的数据构建的机器学习模型,建立滚筒洗衣机的智能外观设计模型;
针对滚筒洗衣机的数据构建的机器学习模型是在Keras平台中,使用Sequential构造定义模型,使用Dense添加第一层,并指定输入和输出的维度;定义一个激活函数,选择sigmoid,然后用Dense来定义第二层,产生一个维度1是输出,选择sigmoid作为激活函数,并选择平方差损失函数,使用上述步骤中的滚筒洗衣机外观属性数据对机器学习模型进行编译、训练和评估,得到滚筒洗衣机的智能外观模型。
S4、通过获取的(X-1)~X年的信息数据和滚筒洗衣机的智能外观设计数字模型获得滚筒洗衣机的外观设计新属性,最终得出通过智能外观设计后的滚筒洗衣机;
因为滚筒洗衣机的更新速度大约在2年,故将计算数据的年份定位2年,由此得出滚筒洗衣机的外观设计新属性,最终得出通过智能外观设计后的滚筒洗衣机。
实施例1
现在以设计滚筒洗衣机为例,选择京东作为爬取数据的电商平台,获取产品图片数据和上市时间数据,得到滚筒洗衣机2000-2020年的图片数据库并且按产品的上市时间排列,部分数据展示见图3;
通过专利:一种产品外观属性的定义方法平台(专利号201911000030.1),见图4,在该平台输入收集到的滚筒洗衣机图片库,得出滚筒洗衣机的外观信息数据库;
通过对机器学习算法的训练,构建滚筒洗衣机2000-2018年的智能外观设计模型,用2019-2020年上市的滚筒洗衣机外观属性数据获得滚筒洗衣机的外观设计新属性,最终得出滚筒洗衣机的外观设计结果见图5,根据问卷调查反馈对该设计满意度合格。
以上所述仅是本发明的优选实施方式,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,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (2)
1.一种产品智能外观设计方法,其特征在于,包括以下步骤:
S1、通过网络爬虫程序在互联网平台获取一段时期以来某一类产品的图片,并按照其上市时间进行排序,形成该类产品的图片库,所述步骤S1中,网络爬虫主要针对互联网电商平台,获取该类产品条目下的产品三视图图片,同时爬取该产品的上市时间,按上市时间命名其图片,提出20年以内的图片数据,并按时间顺序构建产品图片数据库;
S2、通过产品外观属性的定义方法平台,在该平台输入收集到的该类产品的图片库,得出该类产品的外观信息数据库;
S3、通过获取的信息数据训练针对该类产品的数据构建的机器学习模型,建立滚筒洗衣机的智能外观设计模型,所述步骤S3中,针对该类产品的数据构建的机器学习模型是在Keras平台中,使用Sequential构造定义模型,使用Dense添加第一层,并指定输入和输出的维度;定义一个激活函数,选择sigmoid,然后用Dense来定义第二层,产生一个维度1是输出,选择sigmoid作为激活函数,并选择平方差损失函数,使用上述步骤中的产品外观属性数据对机器学习模型进行编译、训练和评估,得到该类产品的智能外观模型;
S4、通过近1~2年的最新数据和该类产品的智能外观设计数字模型获得该类产品的外观设计新属性,最终得出通过智能外观设计后的新产品。
2.根据权利要求1所述的产品智能外观设计方法,其特征在于,所述步骤S4中,应根据该类产品的更新速率,来确定用来计算的数据年份,然后通过已经构建的数学模型获得该类产品的外观设计新属性,最终得出通过智能外观设计后的新产品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010149575.5A CN111291432B (zh) | 2020-03-06 | 2020-03-06 | 一种产品智能外观设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010149575.5A CN111291432B (zh) | 2020-03-06 | 2020-03-06 | 一种产品智能外观设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111291432A CN111291432A (zh) | 2020-06-16 |
CN111291432B true CN111291432B (zh) | 2021-02-05 |
Family
ID=71021865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010149575.5A Active CN111291432B (zh) | 2020-03-06 | 2020-03-06 | 一种产品智能外观设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111291432B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512285B (zh) * | 2015-12-07 | 2018-11-06 | 南京大学 | 基于机器学习的自适应网络爬虫方法 |
CN106295006A (zh) * | 2016-08-09 | 2017-01-04 | 张燕丽 | 一种产品外观设计系统 |
CN109101712B (zh) * | 2018-07-27 | 2023-06-20 | 石家庄创天电子科技有限公司 | 基于图网络的产品模型设计系统及方法 |
CN109543359B (zh) * | 2019-01-18 | 2023-01-06 | 李燕清 | 一种基于物联网大数据的人工智能包装设计方法及系统 |
CN110852329B (zh) * | 2019-10-21 | 2021-06-15 | 南京航空航天大学 | 一种产品外观属性的定义方法 |
-
2020
- 2020-03-06 CN CN202010149575.5A patent/CN111291432B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111291432A (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Howcroft et al. | A proposed methodology for Web development | |
CN108255059B (zh) | 一种基于模拟器训练的机器人控制方法 | |
Hsiao et al. | A study on the application of an artificial neural algorithm in the color matching of Taiwanese cultural and creative commodities | |
Scacchi | Understanding software process redesign using modeling, analysis and simulation | |
CN111291432B (zh) | 一种产品智能外观设计方法 | |
CN112100395B (zh) | 一种专家合作可行性分析方法 | |
Hevner et al. | Design Science Research. | |
Lamqaddam et al. | When the tech kids are running too fast: Data visualisation through the lens of art history research | |
Wang | Application of MPP database and artificial intelligence system in online evaluation of college students' mental health | |
Yanpeng | Hybrid kernel extreme learning machine for evaluation of athletes' competitive ability based on particle swarm optimization | |
Holdroyd | TensorFlow 2.0 Quick Start Guide: Get up to speed with the newly introduced features of TensorFlow 2.0 | |
CN113704439A (zh) | 一种基于多来源信息异构图的会话推荐方法 | |
CN116128065A (zh) | 一种基于双向自动编码器的并行自动机器学习系统 | |
Elshan et al. | Unveiling Challenges and Opportunities in Low Code Development Platforms: A StackOverflow Analysis | |
Wang et al. | A comparison and scenario analysis of leading data mining software | |
Cabello et al. | Baseline-oriented modeling: an MDA approach based on software product lines for the expert systems development | |
Luo | A roadmap for automating lineage tracing to aid automatically explaining machine learning predictions for clinical decision support | |
Radulescu et al. | E-Learning Platform for Digital Customization of Garments | |
Di Lucca et al. | Recovering a business object model from a Web applications | |
Shaban-Nejad et al. | Incremental biomedical ontology change management through learning agents | |
US12019600B1 (en) | Automated optimization of branched processes providing improved process efficiency | |
CN110389955A (zh) | 一种数据仓库调度文件自动生成系统及生成方法 | |
Nguyen | Retrievimage-online image retriever | |
Ismail et al. | Implementing weka as a data mining tool to analyze students’ academic performances using naïve bayes classifier | |
Wang et al. | Ontology-based data summarization engine: a design methodology |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |