CN112836317B - 一种基于眼动追踪技术的产品设计智能建模方法 - Google Patents

一种基于眼动追踪技术的产品设计智能建模方法 Download PDF

Info

Publication number
CN112836317B
CN112836317B CN202110244800.8A CN202110244800A CN112836317B CN 112836317 B CN112836317 B CN 112836317B CN 202110244800 A CN202110244800 A CN 202110244800A CN 112836317 B CN112836317 B CN 112836317B
Authority
CN
China
Prior art keywords
data
product
evaluation
model
eye movement
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
Application number
CN202110244800.8A
Other languages
English (en)
Other versions
CN112836317A (zh
Inventor
段鹏程
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanchang Institute of Technology
Original Assignee
Nanchang Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanchang Institute of Technology filed Critical Nanchang Institute of Technology
Priority to CN202110244800.8A priority Critical patent/CN112836317B/zh
Publication of CN112836317A publication Critical patent/CN112836317A/zh
Application granted granted Critical
Publication of CN112836317B publication Critical patent/CN112836317B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Quality & Reliability (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于眼动追踪技术的产品设计智能建模方法，属于产品设计技术领域，方法包括构建产品设计智能建模的关键结构参数，对关键结构参数进行遗传种群定义，利用IGA算法对结构参数遗传进行重组和调整，利用新生成的关键结构参数进行产品建模，眼动追踪技术进行用户评价数据采集，互联网采集用户评价眼动追踪大数据，对用评价眼动追踪大数据进行分析和优化，优化后的眼动数据加入IGA算法，使其在适当的时候进行收敛。通过眼动追踪提升用户评价效率，用户评价大数据的采集和优化有利于IGA算法的收敛，并得出最优的或最符合大多数用户需求的产品设计模型，眼动追踪技术与改进遗传算法结合使得构建出更优的设计参数，得到更好产品设计模型。

Description

一种基于眼动追踪技术的产品设计智能建模方法
技术领域
本发明涉及产品设计技术领域，尤其涉及一种基于眼动追踪技术的产品设计智能建模方法。
背景技术
遗传算法的基本原理是模拟生物种群的优胜劣汰，通过个体的交配繁衍代代演化直至产生最优个体。利用遗传算法对产品设计模型的关键参数进行重组或调整，从而迭代出最佳的参数组合并构建产品模型。在产品智能建模的过程中，由程序来判断设计方案的优劣非常困难，因此在对设计方案的评价引入人的参与，构成了交互式遗传算法。由于人们受个体差异的影响较大，通常评价效率不高，难以评价遗传算法智能产生的海量设计模型，因此在产品智能设计的过程中的效果有限。
发明内容
本发明的目的在于提供一种基于眼动追踪技术的产品设计智能建模方法，解决背景技术中提到的技术问题。
一种基于眼动追踪技术的产品设计智能建模方法，所述方法包括如下步骤：
步骤1：构建产品设计智能建模的关键结构参数；
步骤2：对关键结构参数进行遗传种群定义；
步骤3：利用IGA算法对结构参数遗传进行重组和调整；
步骤4：利用新生成的关键结构参数进行产品建模；
步骤5：利用眼动追踪技术进行用户评价数据采集；
步骤6：利用互联网采集用户评价眼动追踪大数据；
步骤7：对用评价眼动追踪大数据进行分析和优化；
步骤8：利用优化后的眼动数据加入IGA算法，使其在适当的时候进行收敛，产生出最优的产品设计模型。
进一步地，所述步骤1的具体过程为：
通过相关产品知识库搜索相关产品的几何形状、大小、材料和制备工艺，其中，几何形状包括外部形状结构、构成几何形状的细化结构部件划分、结构部件之间的相对位置关系和细化结构部件功能，大小包括产品外部形状尺寸大小和构成几何形状的细化结构部件尺寸大小，材料为构成几何形状的细化结构部件的材料，制备工艺为产品的常用制备方法过程。
进一步地，所述步骤2的具体过程为：设置进化代数计数器t=0，设置最大进化代数T，确定代沟G，将几何形状、大小、材料和制备工艺作为初始群体P(0) 。
进一步地，所述步骤3的具体过程为：
父代群体适应度排序，保留父代群体中最佳的N (1-G) 个体，N为群体规模，混合选择、小范围竞争择优的交叉变异操作，选择2个父代个体进行3~5次随机交叉、变异，产生6~10个子代个体，从中选择适应度值最大的一个个体存入下一代，反复进行，直到下一代的个数达到设定数目NG，对新子代群体进行适应度排序，局部寻优的贪心操作，对群体中适应度值最大的前3~5个个体，进行邻域的寻优操作，即在该个体邻域范围内进行数10-20 次随机搜索，如果找到更优值，则替换原值，否则无变化。
进一步地，所述步骤4的具体过程为：
首先，对关键结构参数进行二次清洗，使用Java语言进行峰值过滤清洗，建模阶段，使用Python 的扩展库，并且采用平行处理技术进行提速，建立树模型，先预计出一个最佳的层数，可以节省时间，对于每个变量首先进行缺失值处理，之后会对每个变量依次进行非线性变换与筛选，具体的说是先计入单个变量的全部变换，再根据不重要性进行剔除，之后要分别建立不同模型，树模型或者线性模型，再依照规则进行模型混合建模。
进一步地，所述步骤5的具体过程为：使用眼动跟踪系统进行采集用户在产品模型上的浏览路线信息，根据眼动跟踪系统得到产品模型眼动路线数据、产品模型移动参数和产品模型部件参数，眼动路线数据包括注视次数、注视时效和实时瞳孔直径，实时瞳孔直径为标记了时间和路线点对应的瞳孔直径大小，产品模型移动参数为用户对产品模型浏览的顺序方向，产品模型部件参数为用户细化看的部件结构及部件之间的连接结构。
进一步地，所述步骤6的具体过程为：
将步骤5中眼动跟踪系统采集的数据和产品模型上传到互联网，然后网民根据采集的数据和产品模型进行评价，然后通过爬虫软件抓取所有的评价文字数据，得到评价大数据。
进一步地，所述步骤7的具体过程为：
首先对评价大数据清洗，滤除掉与产品模型无关的评价数据，然后得到产品模型评价数据，然后将产品模型评价数据与眼动跟踪系统采集的数据进行匹配，得到关联映射关系模型，然后根据映射关系构建映射算式，得到数据评价映射模型，再将映射关系内的采集数据与评价数据进行融合得到最终评价数据，然后把评价数据进行分类与关键结构参数进行对比，然后删除无关相关参数的评价数据，得到相关参数评价数据。
进一步地，所述步骤8的具体过程为：将相关参数评价数据输入到IGA算法中，然后判断是否收敛，如果不收敛，执行步骤3的内容，直到选出更优值，然后根据选出优化值执行步骤4构建产品模型。
本发明采用了上述技术方案，本发明具有以下技术效果：
本发明通过眼动追踪提升用户评价效率，用户评价大数据的采集和优化有利于IGA算法的收敛，并得出最优的或最符合大多数用户需求的产品设计模型，通过眼动追踪技术与改进遗传算法结合使得构建出更优的设计参数，从而得到更好产品设计模型。
附图说明
图1为本发明流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，举出优选实施例，对本发明进一步详细说明。然而，需要说明的是，说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解，即便没有这些特定的细节也可以实现本发明的这些方面。
一种基于眼动追踪技术的产品设计智能建模方法，如图1所示，所述方法包括如下步骤：
步骤1：构建产品设计智能建模的关键结构参数。通过相关产品知识库搜索相关产品的几何形状、大小、材料和制备工艺，其中，几何形状包括外部形状结构、构成几何形状的细化结构部件划分、结构部件之间的相对位置关系和细化结构部件功能，大小包括产品外部形状尺寸大小和构成几何形状的细化结构部件尺寸大小，材料为构成几何形状的细化结构部件的材料，制备工艺为产品的常用制备方法过程。以设计机械手产品模型为例，首先确定机械手几何形状，为夹型还是手掌型等，然后使用的大小就是使用的用途应用的领域，大小的要求，制备机械手的具体材料为钢还是铁，或者是铝合金等，工艺为人工组装还是3D打印等。通过眼动追踪提升用户评价效率，用户评价大数据的采集和优化有利于IGA算法的收敛，并得出最优的或最符合大多数用户需求的产品设计模型，通过眼动追踪技术与改进遗传算法结合使得构建出更优的设计参数，从而得到更好产品设计模型。
步骤2：对关键结构参数进行遗传种群定义。设置进化代数计数器t=0，设置最大进化代数T，确定代沟G，将几何形状、大小、材料和制备工艺作为初始群体P(0) 。
步骤3：利用IGA算法对结构参数遗传进行重组和调整。父代群体适应度排序，保留父代群体中最佳的N (1-G) 个体，N为群体规模，混合选择、小范围竞争择优的交叉变异操作，选择2个父代个体进行3~5次随机交叉、变异，产生6~10个子代个体，从中选择适应度值最大的一个个体存入下一代，反复进行，直到下一代的个数达到设定数目NG，对新子代群体进行适应度排序，局部寻优的贪心操作，对群体中适应度值最大的前3~5个个体，进行邻域的寻优操作，即在该个体邻域范围内进行数10-20 次随机搜索，如果找到更优值，则替换原值，否则无变化。
步骤4：利用新生成的关键结构参数进行产品建模。首先，对关键结构参数进行二次清洗，使用Java语言进行峰值过滤清洗，建模阶段，使用Python 的扩展库，并且采用平行处理技术进行提速，建立树模型，先预计出一个最佳的层数，可以节省时间，对于每个变量首先进行缺失值处理，之后会对每个变量依次进行非线性变换与筛选，具体的说是先计入单个变量的全部变换，再根据不重要性进行剔除，之后要分别建立不同模型，树模型或者线性模型，再依照规则进行模型混合建模。
步骤5：利用眼动追踪技术进行用户评价数据采集。使用眼动跟踪系统进行采集用户在产品模型上的浏览路线信息，根据眼动跟踪系统得到产品模型眼动路线数据、产品模型移动参数和产品模型部件参数，眼动路线数据包括注视次数、注视时效和实时瞳孔直径，实时瞳孔直径为标记了时间和路线点对应的瞳孔直径大小，产品模型移动参数为用户对产品模型浏览的顺序方向，产品模型部件参数为用户细化看的部件结构及部件之间的连接结构。
步骤6：利用互联网采集用户评价眼动追踪大数据。将步骤5中眼动跟踪系统采集的数据和产品模型上传到互联网，然后网民根据采集的数据和产品模型进行评价，然后通过爬虫软件抓取所有的评价文字数据，得到评价大数据。
步骤7：对用评价眼动追踪大数据进行分析和优化。首先对评价大数据清洗，滤除掉与产品模型无关的评价数据，然后得到产品模型评价数据，然后将产品模型评价数据与眼动跟踪系统采集的数据进行匹配，得到关联映射关系模型，然后根据映射关系构建映射算式，得到数据评价映射模型，再将映射关系内的采集数据与评价数据进行融合得到最终评价数据，然后把评价数据进行分类与关键结构参数进行对比，然后删除无关相关参数的评价数据，得到相关参数评价数据。
步骤8：利用优化后的眼动数据加入IGA算法，使其在适当的时候进行收敛，产生出最优的产品设计模型。将相关参数评价数据输入到IGA算法中，然后判断是否收敛，如果不收敛，执行步骤3的内容，直到选出更优值，然后根据选出优化值执行步骤4构建产品模型。
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，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (1)

1.一种基于眼动追踪技术的产品设计智能建模方法，其特征在于，所述方法包括如下步骤：
步骤1：构建产品设计智能建模的关键结构参数；
步骤2：对关键结构参数进行遗传种群定义；
步骤3：利用IGA算法对结构参数遗传进行重组和调整；
步骤4：利用新生成的关键结构参数进行产品建模；
步骤5：利用眼动追踪技术进行用户评价数据采集；
步骤6：利用互联网采集用户评价眼动追踪大数据；
步骤7：对用评价眼动追踪大数据进行分析和优化；
步骤8：利用优化后的眼动数据加入IGA算法，使其在适当的时候进行收敛，产生出最优的产品设计模型；
所述步骤1的具体过程为：
通过相关产品知识库搜索相关产品的几何形状、大小、材料和制备工艺，其中，几何形状包括外部形状结构、构成几何形状的细化结构部件划分、结构部件之间的相对位置关系和细化结构部件功能，大小包括产品外部形状尺寸大小和构成几何形状的细化结构部件尺寸大小，材料为构成几何形状的细化结构部件的材料，制备工艺为产品的常用制备方法过程；
所述步骤2的具体过程为：设置进化代数计数器t＝0，设置最大进化代数T，确定代沟G，将几何形状、大小、材料和制备工艺作为初始群体P(0)；
所述步骤3的具体过程为：
父代群体适应度排序，保留父代群体中最佳的N(1-G)个体，N为群体规模，混合选择、小范围竞争择优的交叉变异操作，选择2个父代个体进行3～5次随机交叉、变异，产生6～10个子代个体，从中选择适应度值最大的一个个体存入下一代，反复进行，直到下一代的个数达到设定数目NG，对新子代群体进行适应度排序，局部寻优的贪心操作，对群体中适应度值最大的前3～5个个体，进行邻域的寻优操作，即在该个体邻域范围内进行数10-20次随机搜索，如果找到更优值，则替换原值，否则无变化；
所述步骤4的具体过程为：
首先，对关键结构参数进行二次清洗，使用Java语言进行峰值过滤清洗，建模阶段，使用Python的扩展库，并且采用平行处理技术进行提速，建立树模型，先预计出一个最佳的层数，可以节省时间，对于每个变量首先进行缺失值处理，之后会对每个变量依次进行非线性变换与筛选，具体的说是先计入单个变量的全部变换，再根据不重要性进行剔除，之后要分别建立不同模型，树模型或者线性模型，再依照规则进行模型混合建模；
所述步骤5的具体过程为：使用眼动跟踪系统进行采集用户在产品模型上的浏览路线信息，根据眼动跟踪系统得到产品模型眼动路线数据、产品模型移动参数和产品模型部件参数，眼动路线数据包括注视次数、注视时效和实时瞳孔直径，实时瞳孔直径为标记了时间和路线点对应的瞳孔直径大小，产品模型移动参数为用户对产品模型浏览的顺序方向，产品模型部件参数为用户细化看的部件结构及部件之间的连接结构；
所述步骤6的具体过程为：
将步骤5中眼动跟踪系统采集的数据和产品模型上传到互联网，然后网民根据采集的数据和产品模型进行评价，然后通过爬虫软件抓取所有的评价文字数据，得到评价大数据；
首先对评价大数据清洗，滤除掉与产品模型无关的评价数据，然后得到产品模型评价数据，然后将产品模型评价数据与眼动跟踪系统采集的数据进行匹配，得到关联映射关系模型，然后根据映射关系构建映射算式，得到数据评价映射模型，再将映射关系内的采集数据与评价数据进行融合得到最终评价数据，然后把评价数据进行分类与关键结构参数进行对比，然后删除无关相关参数的评价数据，得到相关参数评价数据；
所述步骤8的具体过程为：将相关参数评价数据输入到IGA算法中，然后判断是否收敛，如果不收敛，执行步骤3的内容，直到选出更优值，然后根据选出优化值执行步骤4构建产品模型。
CN202110244800.8A 2021-03-05 2021-03-05 一种基于眼动追踪技术的产品设计智能建模方法 Active CN112836317B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110244800.8A CN112836317B (zh) 2021-03-05 2021-03-05 一种基于眼动追踪技术的产品设计智能建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110244800.8A CN112836317B (zh) 2021-03-05 2021-03-05 一种基于眼动追踪技术的产品设计智能建模方法

Publications (2)

Publication Number Publication Date
CN112836317A CN112836317A (zh) 2021-05-25
CN112836317B true CN112836317B (zh) 2023-03-24

Family

ID=75934637

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110244800.8A Active CN112836317B (zh) 2021-03-05 2021-03-05 一种基于眼动追踪技术的产品设计智能建模方法

Country Status (1)

Country Link
CN (1) CN112836317B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108334185A (zh) * 2017-01-20 2018-07-27 深圳纬目信息技术有限公司 一种头戴显示设备的眼动数据反馈系统
CN109875777A (zh) * 2019-02-19 2019-06-14 西安科技大学 一种带有取物功能的轮椅及其取物控制方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109646198B (zh) * 2019-02-19 2021-09-03 西安科技大学 一种基于视觉跟踪的电动轮椅控制方法
CN110956497B (zh) * 2019-11-27 2022-11-25 桂林电子科技大学 一种电子商务平台用户重复购买行为预测方法
CN111597729B (zh) * 2020-05-27 2023-07-25 北京天泽智云科技有限公司 加工设备工艺参数优化方法及系统
CN111639990B (zh) * 2020-05-29 2023-07-04 江南大学 一种针织服装快速设计与推款系统
CN111950044A (zh) * 2020-07-31 2020-11-17 广东工业大学 一种在线服装创意设计的评估方法及系统
CN112034983B (zh) * 2020-08-27 2022-04-19 中国矿业大学 一种眼动追踪与虚拟现实相结合的室内导航路网构建方法
CN112036540B (zh) * 2020-09-07 2023-11-28 哈尔滨工程大学 一种基于双种群混合人工蜂群算法的传感器数目优化方法
CN112285924A (zh) * 2020-11-10 2021-01-29 上海大学 基于波像差理论的鱼眼镜头光学系统优化设计方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108334185A (zh) * 2017-01-20 2018-07-27 深圳纬目信息技术有限公司 一种头戴显示设备的眼动数据反馈系统
CN109875777A (zh) * 2019-02-19 2019-06-14 西安科技大学 一种带有取物功能的轮椅及其取物控制方法

Also Published As

Publication number Publication date
CN112836317A (zh) 2021-05-25

Similar Documents

Publication Publication Date Title
CN109508360B (zh) 一种基于元胞自动机的地理多元流数据时空自相关分析方法
CN108874959B (zh) 一种基于大数据技术的用户动态兴趣模型建立方法
CN109117380B (zh) 一种软件质量评价方法、装置、设备及可读存储介质
CN106779087A (zh) 一种通用机器学习数据分析平台
CN106599230A (zh) 一种分布式数据挖掘模型评估的方法与系统
CN110532348A (zh) 问答对数据的生成方法、装置及电子设备
CN105912712B (zh) 基于大数据的机器人对话控制方法和系统
CN111723973B (zh) 基于mooc日志数据中用户行为因果关系的学习效果优化方法
CN108846695A (zh) 终端更换周期的预测方法及装置
WO2022257190A1 (zh) 一种基于量子游走的行为轨迹序列多特征模拟方法
CN108647729A (zh) 一种用户画像获取方法
CN106096327A (zh) 基于Torch监督式深度学习的基因性状识别方法
CN115018357A (zh) 一种面向生产绩效提升的农户画像构建方法及系统
Du et al. Higher hierarchical growth through country's blue economy strategies
CN112836317B (zh) 一种基于眼动追踪技术的产品设计智能建模方法
CN105955949A (zh) 基于大数据搜索的幽默型机器人对话控制方法和系统
CN116578569B (zh) 卫星时空轨迹数据关联分析方法
Ribeiro et al. Importance of statistics for data mining and data science
CN112184412A (zh) 一种信用评分卡模型的建模方法、装置、介质及电子设备
CN114996331B (zh) 一种数据挖掘控制方法和系统
dos Santos Vieira et al. The application of machine learning to problems in graph drawing a literature review
Steva et al. Two methodologies for identifying product platform elements within an existing set of products
CN114780599A (zh) 基于小麦品比试验数据的综合分析系统
CN108363738A (zh) 一种工业设备数据分析算法的推荐方法
CN114254199A (zh) 基于二分图投影和node2vec的课程推荐方法

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
GR01 Patent grant
GR01 Patent grant