CN113192187A - 陶瓷产品原型视觉特征与自然语义关联模型构建方法 - Google Patents
陶瓷产品原型视觉特征与自然语义关联模型构建方法 Download PDFInfo
- Publication number
- CN113192187A CN113192187A CN202110556319.2A CN202110556319A CN113192187A CN 113192187 A CN113192187 A CN 113192187A CN 202110556319 A CN202110556319 A CN 202110556319A CN 113192187 A CN113192187 A CN 113192187A
- Authority
- CN
- China
- Prior art keywords
- ceramic product
- parameters
- semantic
- product prototype
- prototype
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请提出了一种陶瓷产品原型视觉特征与自然语义关联模型构建方法,涉及计算机视觉和计算机图形学技术领域,其中,该方法包括:根据陶瓷产品原型生成量化特征参数;根据陶瓷产品原型的自然语义描述生成对应的量化语义参数;以量化特征参数为输入,量化语义参数为输出,构建基于深度学习训练的陶瓷产品原型与自然语义关联模型。本发明以一组量化特征参数表示陶瓷产品原型,结合自然陶瓷产品原型的自然语义描述,以自然语义描述作为数据,建立关联模型,生成对应的陶瓷产品量化特征参数,进而生成对应的陶瓷产品原型三维网格模型,提升了陶瓷产品原型的设计效率,并且只需合理清晰地进行表述,就可以生成陶瓷产品原型的三维模型。
Description
技术领域
本申请涉及计算机视觉和计算机图形学技术领域,尤其涉及一种陶瓷产品原型视觉特征与自然语义关联模型构建方法和装置。
背景技术
陶瓷产品原型三维模型生成是陶瓷设计领域的重要问题,现有的陶瓷产品原型生成方法多以几何特征的交互操作为输入,对于不熟悉几何特征交互建模的陶瓷设计师,很难快速的生成陶瓷产品原型模型。同时,这类生成过程在与用户交流的过程中存在明显的短板,客户对于陶瓷产品的需求大多数时候可以通过自然语义描述,因此构建基于自然语义的陶瓷产品原型生成过程将形成面向大众的简单原型方案,便于设计师了解客户意图,为陶瓷产品的创新设计提供支持。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请的第一个目的在于提出一种陶瓷产品原型视觉特征与自然语义关联模型构建方法,解决了现有方法对于不熟悉几何特征交互建模的陶瓷设计师,很难快速的生成陶瓷产品原型模型的问题,同时也解决了现有方法在生成陶瓷产品原型三维模型时与客户交流过程中存在明显短板的问题,实现了利用陶瓷原型设计的特点,以一组量化特征参数表示陶瓷产品原型,结合自然陶瓷产品原型的自然语义描述,建立关联模型。所建立关联模型,支持以自然语义描述作为数据,可以生成对应的陶瓷产品量化特征参数,进而生成对应的陶瓷产品原型三维网格模型,提升了陶瓷产品原型的设计效率。
本申请的第二个目的在于提出一种陶瓷产品原型视觉特征与自然语义关联模型构建装置。
本申请的第三个目的在于提出一种非临时性计算机可读存储介质。
为达上述目的,本申请第一方面实施例提出了一种陶瓷产品原型视觉特征与自然语义关联模型构建方法,包括:根据陶瓷产品原型生成量化特征参数;根据陶瓷产品原型的自然语义描述生成对应的量化语义参数;以量化特征参数为输入,量化语义参数为输出,构建基于深度学习训练的陶瓷产品原型与自然语义关联模型。
可选地,在本申请的一个实施例中,量化特征参数的生成包括以下步骤:
步骤S1:将陶瓷产品原型转化为基于特征线旋转的标准化表示方式;
步骤S2:根据陶瓷产品原型的语义特点,在特征线中标记关键点;
步骤S3:计算关键点的位置参数与特征参数;
步骤S4:重复进行步骤S2、步骤S3,将生成的关键点的特征参数依次排列,生成量化特征参数。
可选地,在本申请的一个实施例中,量化语义参数的生成包括以下步骤:
对陶瓷产品原型的自然语义描述进行分词处理,生成有序实词集合;
对有序实词集合进行自然语义分析,生成量化语义参数。
可选地,在本申请的一个实施例中,通过深度学习训练陶瓷产品原型与自然语义关联模型,训练过程所用的最小化能量函数为:
其中λ1和λ2是控制系数d和d2分别为1阶距离函数和2阶距离函数,F1与F2为输入的训练模型的量化特征参数的两个部分,F1′与F2′为训练模型输出的量化特征参数的两个部分,使用VGG模型作为训练模型。
可选地,在本申请的一个实施例中,陶瓷产品原型与自然语义关联模型用于根据量化语义参数生成对应的陶瓷产品原型的量化特征参数。
为达上述目的,本发明第二方面实施例提出了一种陶瓷产品原型视觉特征与自然语义关联模型构建装置,包括生成模块、构建模块,其中,
生成模块,用于根据陶瓷产品原型生成量化特征参数,根据陶瓷产品原型的自然语义描述生成对应的量化语义参数;
构建模块,用于以量化特征参数为输入,量化语义参数为输出,构建基于深度学习训练的陶瓷产品原型与自然语义关联模型。
可选地,在本申请的一个实施例中,生成模块,包括第一生成单元、第二生成单元,其中,
第一生成单元,具体用于:
步骤S1:将陶瓷产品原型转化为基于特征线旋转的标准化表示方式;
步骤S2:根据陶瓷产品原型的语义特点,在特征线中标记关键点;
步骤S3:计算关键点的位置参数与特征参数;
步骤S4:重复进行步骤S2、步骤S3,将生成的关键点的特征参数依次排列,生成量化特征参数,
第二生成单元,具体用于:
对陶瓷产品原型的自然语义描述进行分词处理,生成有序实词集合;
对有序实词集合进行自然语义分析,生成量化语义参数。
可选地,在本申请的一个实施例中,构建模块,具体用于:
通过深度学习训练陶瓷产品原型与自然语义关联模型,训练过程所用的最小化能量函数为:
其中λ1和λ2是控制系数d和d2分别为1阶距离函数和2阶距离函数,F1与F2为输入的训练模型的量化特征参数的两个部分,F1′与F2′为训练模型输出的量化特征参数的两个部分,使用VGG模型作为训练模型。
为达上述目的,本发明第三方面实施例提出了一种非临时性计算机可读存储介质,当存储介质中的指令由处理器被执行时,能够执行一种陶瓷产品原型视觉特征与自然语义关联模型构建方法及装置。
本申请实施例的陶瓷产品原型视觉特征与自然语义关联模型构建方法、陶瓷产品原型视觉特征与自然语义关联模型构建装置和非临时性计算机可读存储介质,解决了现有方法对于不熟悉几何特征交互建模的陶瓷设计师,很难快速的生成陶瓷产品原型模型的问题,同时也解决了现有方法在生成陶瓷产品原型三维模型时与客户交流过程中存在明显短板的问题,实现了利用陶瓷原型设计的特点,以一组量化特征参数表示陶瓷产品原型,结合自然陶瓷产品原型的自然语义描述,建立关联模型。所建立关联模型,支持以自然语义描述作为数据,可以生成对应的陶瓷产品量化特征参数,进而生成对应的陶瓷产品原型三维网格模型,提升了陶瓷产品原型的设计效率,同时,该方法易于学习,输入内容简单、自然,几乎没有使用门槛,客户不需要懂得太多专业的陶瓷原型设计知识,只需合理清晰地进行表述,就可以生成陶瓷产品原型的三维模型。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例一所提供的一种陶瓷产品原型视觉特征与自然语义关联模型构建方法的流程图;
图2为本申请实施例的陶瓷产品原型视觉特征与自然语义关联模型构建方法的另一个流程图;
图3为本申请实施例的陶瓷产品原型视觉特征与自然语义关联模型构建方法构建的模型用于陶瓷产品原型三维模型生成示例图;
图4为本申请实施例的陶瓷产品原型视觉特征与自然语义关联模型构建方法的陶瓷产品原型转化为标准化特征线表示方式示例图;
图5为本申请实施例的陶瓷产品原型视觉特征与自然语义关联模型构建方法的量化语义参数序列转变为语义参数矩阵示例图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的陶瓷产品原型视觉特征与自然语义关联模型构建方法和装置。
图1为本申请实施例一所提供的一种陶瓷产品原型视觉特征与自然语义关联模型构建方法的流程示意图。
如图1所示,该陶瓷产品原型视觉特征与自然语义关联模型构建方法包括以下步骤:
步骤101,根据陶瓷产品原型生成量化特征参数;
步骤102,根据陶瓷产品原型的自然语义描述生成对应的量化语义参数;
步骤103,以量化特征参数为输入,量化语义参数为输出,构建基于深度学习训练的陶瓷产品原型与自然语义关联模型。
本申请实施例的陶瓷产品原型视觉特征与自然语义关联模型构建方法,通过根据陶瓷产品原型的自然语义描述生成对应的量化语义参数;以量化特征参数为输入,量化语义参数为输出,构建基于深度学习训练的陶瓷产品原型与自然语义关联模型。由此,能够解决现有方法对于不熟悉几何特征交互建模的陶瓷设计师,很难快速的生成陶瓷产品原型模型的问题,同时解决现有方法在生成陶瓷产品原型三维模型时与客户交流过程中存在明显短板的问题,实现了利用陶瓷原型设计的特点,以一组量化特征参数表示陶瓷产品原型,结合自然陶瓷产品原型的自然语义描述,建立关联模型。所建立关联模型,支持以自然语义描述作为数据,可以生成对应的陶瓷产品量化特征参数,进而生成对应的陶瓷产品原型三维网格模型,提升了陶瓷产品原型的设计效率,同时,该方法易于学习,输入内容简单、自然,几乎没有使用门槛,客户不需要懂得太多专业的陶瓷原型设计知识,只需合理清晰地进行表述,就可以生成陶瓷产品原型的三维模型。
进一步地,在本申请实施例中,量化特征参数的生成包括以下步骤:
步骤S1:将陶瓷产品原型转化为基于特征线旋转的标准化表示方式;
步骤S2:根据陶瓷产品原型的语义特点,在特征线中标记关键点;
步骤S3:计算关键点的位置参数与特征参数;
步骤S4:重复进行步骤S2、步骤S3,将生成的关键点的特征参数依次排列,生成量化特征参数。
可以将陶瓷产品原型表示转为特征线表示。特征线起点至终点的距离作为标准化参考量,特征线可以由多种形式表示,样条曲线、分段曲线等。
对于陶瓷产品原型的特征线,可以由关键点进行表示,关键点个数可以扩展。
关键点位置参数是关键点到X轴的距离;关键点特征参数是关键点到Y轴的距离;特征参数可以扩展,包括关键点处的法向量、切向量等。
将特征线上关键点特征参数依次排列,作为陶瓷产品原型的量化特征参数,记关键点个数为n,每个点的特征参数可由m个浮点数表示,则陶瓷产品原型的量化特征参数表示为n×m的二维向量,记作F,在此例中m=2,F分为2部分,记为F1和F2。
进一步地,在本申请实施例中,量化语义参数的生成包括以下步骤:
对陶瓷产品原型的自然语义描述进行分词处理,生成有序实词集合;
对有序实词集合进行自然语义分析,生成量化语义参数。
对自然语描述进行分词处理,仅保留有意义实词,通过构建实词库实现,将任意一段自然语义描述转化为有序的实词集合,表示为T={descriptioni};
基于自然语义分析方法获得量化语义参数,针对T创建向量(fi)T,fi表示descriptioni在T中自然语义分析函数,构建词汇库,词汇库包含若干个解释词汇文档,针对既定的descriptioni构建解释文档,记作documenti,{wordj}i是文档的分词集合,使用TF-IDF作为自然语义特征表示:
tfidfj,i=tfj,i·idfj
其中,分子中的|D|表示document的数目,这里也等同于词元的个数,分母中的{m,wordk∈documentm}表示出现wordk这一词汇的document的集合,|{m,wordk∈documentm}|表示该集合的大小,即出现过wordk的document的数目。
进一步地,在本申请实施例中,通过深度学习训练陶瓷产品原型与自然语义关联模型,训练过程所用的最小化能量函数为:
其中λ1和λ2是控制系数d和d2分别为1阶距离函数和2阶距离函数,F1与F2为输入的训练模型的量化特征参数的两个部分,F1′与F2′为训练模型输出的量化特征参数的两个部分,使用VGG模型作为训练模型。
进一步地,在本申请实施例中,陶瓷产品原型与自然语义关联模型用于根据量化语义参数生成对应的陶瓷产品原型的量化特征参数。
将陶瓷产品原型的设计拆分基于特征线的旋转表示,以此可以获得量化特征模型;利用陶瓷产品原型的自然语义描述,通过自然语义分析方法构造量化语义参数,在两组量化量间定义能量函数并训练关联模型,利用生成的关联模型,以自然语义描述作为输出,从而生成陶瓷原型产品的量化特征参数,进而生成对应的三维网格模型。
图2为本申请实施例的陶瓷产品原型视觉特征与自然语义关联模型构建方法的另一个流程图。
如图2所示,该陶瓷产品原型视觉特征与自然语义关联模型构建方法,利用陶瓷产品原型的器型特点,将陶瓷产品原型转化为特征线表示方式,在特征线中标记关键点,计算关键点位置参数与特征参数,得到量化特征参数;利用陶瓷产品原型的自然语义描述,对自然语描述进行分词处理,计算量化语义参数,得到量化语义参数;通过深度学习训练模型;得到陶瓷产品原型视觉特征与自然语义关联模型。
图3为本申请实施例的陶瓷产品原型视觉特征与自然语义关联模型构建方法构建的模型用于陶瓷产品原型三维模型生成示例图。
如图3所示,该陶瓷产品原型视觉特征与自然语义关联模型构建方法,利用陶瓷产品原型的自然语义描述,通过自然语义分析方法构造量化语义参数,在两组量化量间定义能量函数并训练关联模型。该方法将陶瓷产品原型进行量化表示,并以用户最熟悉的自然语义作为关联,对于陶瓷产品原型的需求以最直观的方式表达。利用该方法生成的关联模型,可以以自然语义描述作为输出,从而生成陶瓷原型产品的量化特征参数,进而生成对应的三维网格模型。
图4为本申请实施例的陶瓷产品原型视觉特征与自然语义关联模型构建方法的陶瓷产品原型转化为标准化特征线表示方式示例图。
如图4所示,该陶瓷产品原型视觉特征与自然语义关联模型构建方法,对于陶瓷产品原型,可转化为1条特征线围绕Y轴旋转的形式,将陶瓷产品原型表示转为特征线表示。特征线起点至终点的距离作为标准化参考量,特征线可以由多种形式表示,样条曲线、分段曲线等;根据陶瓷产品原型语义特点,在特征线中标记关键点,对于陶瓷产品原型的特征线,在此例中可以由6个关键点进行表示,关键点个数可以扩展;关键点位置参数是关键点到X轴的距离,关键点特征参数是关键点到Y轴的距离;特征参数可以扩展,包括关键点处的法向量、切向量等。
图5为本申请实施例的陶瓷产品原型视觉特征与自然语义关联模型构建方法的量化语义参数序列转变为语义参数矩阵示例图。
如图5所示,该陶瓷产品原型视觉特征与自然语义关联模型构建方法,将量化语义参数序列转变为语义参数矩阵,长度为5的量化语义参数序列到语义参数矩阵的转化规则。
本申请实施例二提出了一种陶瓷产品原型视觉特征与自然语义关联模型构建装置,包括:生成模块、构建模块,其中,
生成模块,用于根据陶瓷产品原型生成量化特征参数,根据陶瓷产品原型的自然语义描述生成对应的量化语义参数;
构建模块,用于以量化特征参数为输入,量化语义参数为输出,构建基于深度学习训练的陶瓷产品原型与自然语义关联模型。
进一步地,在本申请实施例中,生成模块,包括第一生成单元、第二生成单元,其中,
第一生成单元,具体用于:
步骤S1:将陶瓷产品原型转化为基于特征线旋转的标准化表示方式;
步骤S2:根据陶瓷产品原型的语义特点,在特征线中标记关键点;
步骤S3:计算关键点的位置参数与特征参数;
步骤S4:重复进行步骤S2、步骤S3,将生成的关键点的特征参数依次排列,生成量化特征参数,
第二生成单元,具体用于:
对陶瓷产品原型的自然语义描述进行分词处理,生成有序实词集合;
对有序实词集合进行自然语义分析,生成量化语义参数。
进一步地,在本申请实施例中,构建模块,具体用于:
通过深度学习训练陶瓷产品原型与自然语义关联模型,训练过程所用的最小化能量函数为:
其中λ1和λ2是控制系数d和d2分别为1阶距离函数和2阶距离函数,F1与F2为输入的训练模型的量化特征参数的两个部分,F1′与F2′为训练模型输出的量化特征参数的两个部分,使用VGG模型作为训练模型。
本申请实施例二的陶瓷产品原型视觉特征与自然语义关联模型构建装置,包括:生成模块、构建模块,其中,生成模块,用于根据陶瓷产品原型生成量化特征参数,根据陶瓷产品原型的自然语义描述生成对应的量化语义参数;构建模块,用于以量化特征参数为输入,量化语义参数为输出,构建基于深度学习训练的陶瓷产品原型与自然语义关联模型。由此,能够解决现有方法对于不熟悉几何特征交互建模的陶瓷设计师,很难快速的生成陶瓷产品原型模型的问题,同时解决现有方法在生成陶瓷产品原型三维模型时与客户交流过程中存在明显短板的问题,实现了利用陶瓷原型设计的特点,以一组量化特征参数表示陶瓷产品原型,结合自然陶瓷产品原型的自然语义描述,建立关联模型。所建立关联模型,支持以自然语义描述作为数据,可以生成对应的陶瓷产品量化特征参数,进而生成对应的陶瓷产品原型三维网格模型,提升了陶瓷产品原型的设计效率,同时,该方法易于学习,输入内容简单、自然,几乎没有使用门槛,客户不需要懂得太多专业的陶瓷原型设计知识,只需合理清晰地进行表述,就可以生成陶瓷产品原型的三维模型。
为了实现上述实施例,本发明还提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例的陶瓷产品原型视觉特征与自然语义关联模型构建方法及装置。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.一种陶瓷产品原型视觉特征与自然语义关联模型构建方法,其特征在于,包括以下步骤:
根据陶瓷产品原型生成量化特征参数;
根据所述陶瓷产品原型的自然语义描述生成对应的量化语义参数;
以所述量化特征参数为输入,所述量化语义参数为输出,构建基于深度学习训练的陶瓷产品原型与自然语义关联模型。
2.如权利要求1所述的方法,其特征在于,所述量化特征参数的生成包括以下步骤:
步骤S1:将所述陶瓷产品原型转化为基于特征线旋转的标准化表示方式;
步骤S2:根据所述陶瓷产品原型的语义特点,在所述特征线中标记关键点;
步骤S3:计算所述关键点的位置参数与特征参数;
步骤S4:重复进行步骤S2、步骤S3,将生成的关键点的特征参数依次排列,生成量化特征参数。
3.如权利要求1所述的方法,其特征在于,所述量化语义参数的生成包括以下步骤:
对所述陶瓷产品原型的自然语义描述进行分词处理,生成有序实词集合;
对所述有序实词集合进行自然语义分析,生成量化语义参数。
5.如权利要求1所述的方法,其特征在于,所述陶瓷产品原型与自然语义关联模型用于根据量化语义参数生成对应的陶瓷产品原型的量化特征参数。
6.一种陶瓷产品原型视觉特征与自然语义关联模型构建装置,其特征在于,包括生成模块、构建模块,其中,
所述生成模块,用于根据陶瓷产品原型生成量化特征参数,根据所述陶瓷产品原型的自然语义描述生成对应的量化语义参数;
所述构建模块,用于以所述量化特征参数为输入,所述量化语义参数为输出,构建基于深度学习训练的陶瓷产品原型与自然语义关联模型。
7.如权利要求6所述的装置,其特征在于,所述生成模块,包括第一生成单元、第二生成单元,其中,
所述第一生成单元,具体用于:
步骤S1:将所述陶瓷产品原型转化为基于特征线旋转的标准化表示方式;
步骤S2:根据所述陶瓷产品原型的语义特点,在所述特征线中标记关键点;
步骤S3:计算所述关键点的位置参数与特征参数;
步骤S4:重复进行步骤S2、步骤S3,将生成的关键点的特征参数依次排列,生成量化特征参数,
所述第二生成单元,具体用于:
对所述陶瓷产品原型的自然语义描述进行分词处理,生成有序实词集合;
对所述有序实词集合进行自然语义分析,生成量化语义参数。
9.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110556319.2A CN113192187B (zh) | 2021-05-21 | 2021-05-21 | 陶瓷产品原型视觉特征与自然语义关联模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110556319.2A CN113192187B (zh) | 2021-05-21 | 2021-05-21 | 陶瓷产品原型视觉特征与自然语义关联模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113192187A true CN113192187A (zh) | 2021-07-30 |
CN113192187B CN113192187B (zh) | 2022-06-10 |
Family
ID=76984605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110556319.2A Active CN113192187B (zh) | 2021-05-21 | 2021-05-21 | 陶瓷产品原型视觉特征与自然语义关联模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113192187B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117407992A (zh) * | 2023-12-12 | 2024-01-16 | 江西省科学院能源研究所 | 一种基于组合模式的三维陶瓷模型设计方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180013658A1 (en) * | 2016-07-06 | 2018-01-11 | Agt International Gmbh | Method of communicating between nodes in a computerized network and system thereof |
CN109166174A (zh) * | 2018-08-01 | 2019-01-08 | 清华大学 | 基于多视图草绘的陶瓷原型三维网格模型生成方法及装置 |
CN109934826A (zh) * | 2019-02-28 | 2019-06-25 | 东南大学 | 一种基于图卷积网络的图像特征分割方法 |
-
2021
- 2021-05-21 CN CN202110556319.2A patent/CN113192187B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180013658A1 (en) * | 2016-07-06 | 2018-01-11 | Agt International Gmbh | Method of communicating between nodes in a computerized network and system thereof |
CN109166174A (zh) * | 2018-08-01 | 2019-01-08 | 清华大学 | 基于多视图草绘的陶瓷原型三维网格模型生成方法及装置 |
CN109934826A (zh) * | 2019-02-28 | 2019-06-25 | 东南大学 | 一种基于图卷积网络的图像特征分割方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117407992A (zh) * | 2023-12-12 | 2024-01-16 | 江西省科学院能源研究所 | 一种基于组合模式的三维陶瓷模型设计方法 |
CN117407992B (zh) * | 2023-12-12 | 2024-03-19 | 江西省科学院能源研究所 | 一种基于组合模式的三维陶瓷模型设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113192187B (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7193252B2 (ja) | 画像の領域のキャプション付加 | |
Cai et al. | Learning gradient fields for shape generation | |
Tai et al. | Design of structures and compliant mechanisms by evolutionary optimization of morphological representations of topology | |
US11436795B2 (en) | Learning a neural network for inference of editable feature trees | |
US11210866B2 (en) | Forming a dataset for inference of editable feature trees | |
CN108959482A (zh) | 基于深度学习的单轮对话数据分类方法、装置和电子设备 | |
CN108897852B (zh) | 对话内容连贯性的判断方法、装置以及设备 | |
Liu et al. | Optimization-based key frame extraction for motion capture animation | |
CN109325242B (zh) | 基于词对和翻译判断句子是否对齐的方法、装置及设备 | |
Ren et al. | Csg-stump: A learning friendly csg-like representation for interpretable shape parsing | |
JP2022036024A (ja) | パラメータ化された3dモデルを出力するニューラルネットワーク | |
Shen et al. | Clipgen: A deep generative model for clipart vectorization and synthesis | |
TWI470620B (zh) | 文字到語音轉換之方法和系統 | |
CN113192187B (zh) | 陶瓷产品原型视觉特征与自然语义关联模型构建方法 | |
JP2022172173A (ja) | 画像編集モデルのトレーニング方法および装置、画像編集方法および装置、電子機器、記憶媒体並びにコンピュータプログラム | |
EP4071650A2 (en) | Graph alignment techniques for dimensioning drawings automatically | |
Haslwanter | Hands-on Signal Analysis with Python | |
CN113569068B (zh) | 描述内容生成方法、视觉内容的编码、解码方法、装置 | |
Hu et al. | Generating Procedural Materials from Text or Image Prompts | |
Armstrong et al. | Integrating CAE concepts with CAD geometry | |
CN116958738A (zh) | 图片识别模型的训练方法和装置、存储介质及电子设备 | |
CN113792553A (zh) | 用于自然语言处理神经网络模型的可视化分析方法和系统 | |
Han et al. | Attribute-sentiment-guided summarization of user opinions from online reviews | |
JP2022036023A (ja) | 3dモデルを出力する変分オートエンコーダ | |
CN113836382A (zh) | 多维数字内容搜索 |
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 |