CN113642566B - 基于人工智能和大数据的药品包装设计方法 - Google Patents
基于人工智能和大数据的药品包装设计方法 Download PDFInfo
- Publication number
- CN113642566B CN113642566B CN202111205893.XA CN202111205893A CN113642566B CN 113642566 B CN113642566 B CN 113642566B CN 202111205893 A CN202111205893 A CN 202111205893A CN 113642566 B CN113642566 B CN 113642566B
- Authority
- CN
- China
- Prior art keywords
- style
- design
- region
- obtaining
- map
- 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 94
- 239000003814 drug Substances 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 7
- 229940079593 drug Drugs 0.000 title description 4
- 238000010586 diagram Methods 0.000 claims abstract description 23
- 238000004806 packaging method and process Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 31
- 230000011218 segmentation Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 7
- 238000013508 migration Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 239000000825 pharmaceutical preparation Substances 0.000 claims description 4
- 229940127557 pharmaceutical product Drugs 0.000 claims description 3
- 230000008685 targeting Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000000144 pharmacologic effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种基于人工智能和大数据的药品包装设计方法,包括:获得与目标药品同类产品的包装设计图,获得对应的设计分布图以及各区域风格特征;对设计分布图进行分析得到药品的最佳设计分布图;对各区域风格特征进行分析,构建拓扑图数据,根据拓扑图数据得到最佳的风格组合;根据药品的最佳分布图、最佳的风格组合以及自身内容得到最终的设计结果。
Description
技术领域
本发明涉及人工智能领域,具体涉及一种基于人工智能和大数据的药品包装设计方法。
背景技术
药品包装设计必须严格遵循国家药品管理第24号令,从药品本身的药理特点进行包装设计,来体现药品的功能特点,向消费者说明。同时药品包装设计还要注重成本,药品包装设计从产品本身的特点出发,进行创意设计,同时还应该调查同类产品的表现方式,依据药品管理法和国家相关政策规定,对该产品的药理特性及适应人群分类进行定位分析,充分发挥药品包装的商业价值,促进药品销售,树立企业形象,增强消费者对企业或品牌的忠诚度。药品包装设计的独特性与市场竞争有着密切的联系。
在产品推销业务中,除了广告的作用外,以产品包装设计的独特性与其他产品相区别是十分重要的,在整个传递中起着非常重要的“自我宣传”作用。而现在的药品的包装设计需设计人员根据经验给出设计结果,工作量很大。
发明内容
为了克服上述现有技术的缺点,本发明采用以下技术方案:
一种基于人工智能和大数据的药品包装设计方法,包括以下步骤:
进一步,所述步骤为:获取市场上与目标药品同类产品的包装设计图,将包装设计图至相同尺寸后将其送入语义分割网络,语义分割网络为结构,输入为药品的包装设计图,输出为语义分割图像,在该分割图像中字符区域的像素值为1,图案区域的像素值为2,背景区域的像素值为0,得到该包装设计图的设计分布图。
进一步,所述步骤中:字符区域风格特征的获取方法:获得第层的特征图以及第层特征图对于字符区域(c=1)的显著性图,需要说明的是,中特征图是输入图像经下采样得到,其尺寸与显著性图的大小不同,首先需要对显著性图进行下采样操作使得尺寸与特征图一致,得到,首先判断中像素值为1的面积,当时表示当前特征图之前就已经采集到的字符区域的全局特征,停止对当前特征图进行风格特征的提取,已经得到字符区域的风格特征;否则执行步骤c)提取当前特征图的风格特征;
将屏蔽掉特征图无关区域,只保留字符区域的特征,其中为哈达玛积,计算结果为对应位置的像素值相乘;进一步求反应的风格特征的Gramm矩阵,需要说明的时,为一张多通道图像,其通道数由的结构决定,记其通道数为;则根据风格迁移技术中Gramm矩阵的计算方法可以得到的Gramm矩阵记为;得到特征图的风格特征;从第一层特征图开始计算风格矩阵直至,得到包装设计图字符区域的风格特征,记为,其中时对应的特征图层数,需要说明的是的,随着特征图层数逐渐变大,特征图的感受野不断变大,表示对应的风格特征的从局部风格逐渐靠近全局风格,为字符区域的全局风格特征矩阵,按照相同的方法得到图案区域风格特征以及背景区域风格特征,得到每一个药品包装设计图的设计分布图以及各区域的风格特征,风格特征又包括三个部分:字符区域风格特征、案区域风格特征以及背景区域风格特征。
进一步,所述步骤具体如下:计算每一个药品的字符区域风格特征的距离,认为距离小于阈值的两个字符区域风格特征为相同的风格,阈值为经验阈值,实现个特征的分类;按照相同的方法分别完成图案区域风格特征和背景区域风格特征的分类;每一类风格又分别分为了不同种类,进一步获得字符区域风格特征、案区域风格特征以及背景区域风格特征中每一个子类的评分,该评分反应每一种风格特征的包装效果好坏,个同类产品的设计中风格特征出现的次数越多表示该风格特征的效果越好。
本发明的有益效果是:
在整个药品包装设计中,不同区域的设计风格是不同的。本发明针对同类产品中已有的药品包装设计结果进行分析,获得字符区域、图案区域以及背景区域的风格特征;根据各区域风格特征的协调性以及各区域分布图得到最佳的药品包装设计结果。
具体实施方式
下面结合实施例对本发明进行详细的描述。
获取市场上与目标药品同类产品的包装设计图,将包装设计图至相同尺寸后将其送入语义分割网络,语义分割网络为结构,输入为药品的包装设计图,输出为语义分割图像,在该分割图像中字符区域的像素值为1,图案区域的像素值为2,背景区域的像素值为0,得到该包装设计图的设计分布图。
需要说明的是,语义分割网络中对输入的设计图进行特征提取,每次下采样操作得到的一层特征图,下采样次数决定输出的特征图尺寸以及该特征图上一个像素点在输入设计图上的感受野大小;为了得到各区域风格需要对提取到的各层特征图进行分析,利用不同层特征图的Gramm矩阵反应设计图中各区域的风格,所以各层特征图能否提取到各区域的特征直接影响各区域风格特征的准确性。
为了确保中每一层特征图均能提取到字符区域和图案区域的特征,本发明对语义分割网络的损失函数进行改进:语义分割网络的标签为各药品包装设计图中各像素点的类别标签,字符区域的像素值为1,图案区域的像素值为2,背景区域的像素值为0得到标签数据;获得中每一层特征图中的每一个类别对应的CAM显著性图,显著性图可以反应卷积神经网络在进行分类时做分类的依据特征,需要说明的是,一个类别对应一个CAM显著性图,记第层特征图对于类别的显著性图为,则本发明中语义分割网络的损失函数如下:
其中,为语义分割的类别数,本发明中取值为为药品包装设计图像的尺寸信息;为传统语义分割网络的交叉熵损失函数,在此不再赘述;为编码器中特征图的层数,为第层特征图中实时获取的类别的显著性图,其尺寸与药品包装设计图像的尺寸相同,为阈值化操作,将图像中像素值大于0的像素点其数值置为1,得到一张二值图;为标签图像中属于类别的像素点为1,其余区域为0的二值图。
需要说明的是,不同类别的显著性图的获取方法为公知技术,在此不再赘述。损失函数设计完毕,利用梯度下降法不断迭代更新模型内的参数完成训练过程。网络的输出结果即为设计分布图。进一步对提取到的各层特征图进行分析,从不同层特征图中得到各区域的风格特征,以字符区域为例介绍字符区域风格特征的获取方法:
a)获得第层的特征图以及第层特征图对于字符区域(c=1)的显著性图,需要说明的是,中特征图是输入图像经下采样得到,其尺寸与显著性图的大小不同,首先需要对显著性图进行下采样操作使得尺寸与特征图一致,得到;
c)将屏蔽掉特征图无关区域,只保留字符区域的特征,其中为哈达玛积,计算结果为对应位置的像素值相乘;进一步求反应的风格特征的Gramm矩阵,需要说明的是,为一张多通道图像,其通道数由的结构决定,记其通道数为;则根据风格迁移技术中Gramm矩阵的计算方法可以得到的Gramm矩阵记为;Gramm矩阵的计算方法为公知技术,在此不再赘述;
d)至此,得到特征图的风格特征;从第一层特征图开始计算风格矩阵直至,得到包装设计图字符区域的风格特征,记为,其中时对应的特征图层数。需要说明的是的,随着特征图层数逐渐变大,特征图的感受野不断变大,表示对应的风格特征的从局部风格逐渐靠近全局风格,为字符区域的全局风格特征矩阵(Gramm矩阵)。
该步骤的目的是得到药品的最佳分布设计图。首先按照步骤的方法获得个同类产品设计分布图,需要说明的是,所有设计分布图均已至相同尺寸,将个尺寸相同设计分布图堆叠在一起,得到尺寸为的三维数据,其中作后的图先尺寸。
需要说明的是设计分布图中的像素值表示对应像素点的类别,所以进一步计算在方向上图像中每一个位置的平均像素值,将平均像素值位于内将其像素值置为0,为背景区域;位于内将其像素值置为1,为字体区域;位于内将其像素值置为2,为图案元素区域;得到大小为的平均设计分布图;最终根据目标药物的设计图尺寸需求,将平均设计分布图至目标尺寸得到最佳设计分布图。
该步骤的目的是对个各区域风格特征进行分析,得到三个不同区域风格的最佳组合。该步骤的有益效果为:不同风格本身的视觉效果以及不同风格之间的搭配同样影响视觉效果均会直接影响包装设计的效果,本发明根据大量数据分析得到最佳的风格以及最佳的风格组合。
计算每一个药品的字符区域风格特征的距离,认为距离小于阈值的两个字符区域风格特征为相同的风格,阈值为经验阈值,实现个特征的分类;按照相同的方法分别完成图案区域风格特征和背景区域风格特征的分类;每一类风格又分别分为了不同种类,为表述方便将每一类风格称为父类,每一个父类下的不同种类称为子类。
进一步获得字符区域风格特征、案区域风格特征以及背景区域风格特征中每一个子类的评分,该评分反应每一种风格特征的包装效果好坏,个同类产品的设计中风格特征出现的次数越多表示该风格特征的效果越好。以字符区域风格特征为例得到每一个风格特征的得分:
a) 第个产品的字符区域风格特征记为,其中包括个风格特征矩阵(为表述方便下文称为Gramm矩阵)记为,不同层特征图上Gramm矩阵代表不通过尺寸的风格特征。将个产品中每一个产品的第一层特征图上的Gramm矩阵提取出来构成集合个Gramm矩阵,;按照相同的方法得到每一层特征图上Gramm矩阵集合,需要说明的是,由于不同产品字符区域风格特征记为中包含的Gramm矩阵不同,所以每一个Gramm矩阵集合内矩阵的数量不一致;
b)对Gramm矩阵集合进行分析,计算个Gramm矩阵两两之间的距离,距离计算方法为公知技术在此不再赘述;认为距离小于阈值的两个Gramm矩阵为相同的矩阵,阈值为经验阈值;至此得到集合中每一个Gramm矩阵的数量,则得到每一Gramm矩阵的得分;产品在集合内的Gramm矩阵;
进一步计算获得父类之间的搭配的协调性系数。获得父类下的一个节点,计算其与另外两个父类下每一个节点的协调性系数,以的协调系数为例介绍其计算方法:在个同类产品中,首先获得背景区域风格特征为的产品,记为;统计个产品中字符区域风格特征为的数量,则的协调系数的计算公式为:,按照相同的方法获得不同父类节点之间的协调系数,作为两个节点的边权值。
构建目标函数,从拓扑图数据中得到最佳的风格组合:
其中, 为三种区域的风格组合,之间的边权,的信号值。利用梯度下降法的大最优化的结果,即为最佳的风格组合,该风格组合分别对应背景区域的风格、字体区域的风格以及图案区域的风格,使得视觉效果最优,协调性最佳。
从最佳的风格组合中得到背景区域的风格、字体区域的风格以及图案区域的风格,根据各区域内容信息以及各区域风格特征,利用风格迁移方法得到对应区域的设计结果,需要说明的是,风格迁移方法为现有技术,不在本发明的保护范围内,在此不再赘述。需要说明的是,利用背景区域的内容信息和背景区域的风格可以得到背景区域的最终设计结果图层;按照相同的方法得到三种区域的最终设计结果图层,将三个图层叠加即可得到最终的药品包装设计结果。
以上实施例仅仅是对本发明的举例说明,并不构成对本发明的保护范围的限制,凡是与本发明相同或相似的设计均属于本发明的保护范围之内。
Claims (4)
1.一种基于人工智能和大数据的药品包装设计方法,其特征在于,包括:
其中,所述步骤为:将包装设计图至相同尺寸后将其送入语义分割网络,语义分割网络为结构,输入为药品的包装设计图,输出为语义分割图像,在该分割图像中字符区域的像素值为1,图案区域的像素值为2,背景区域的像素值为0,得到该包装设计图的设计分布图;
所述步骤中:字符区域风格特征的获取方法:获得第层的特征图以及第层特征图对于字符区域的显著性图,首先需要对显著性图进行下采样操作使得尺寸与特征图一致,得到,其次获取中像素值为1的面积,当时,停止对当前特征图进行风格特征的提取,得到字符区域的风格特征;否则提取当前特征图的风格特征;将屏蔽掉特征图无关区域,只保留字符区域的特征,其中为哈达玛积,计算结果为对应位置的像素值相乘;进一步求反应的风格特征的Gramm矩阵,其中,通道数为;则根据风格迁移技术中Gramm矩阵的计算方法得到的Gramm矩阵记为,得到特征图的风格特征;从第一层特征图开始计算风格矩阵直至,得到包装设计图字符区域的风格特征,记为,其中为时对应的特征图层数;按照相同的方法得到图案区域风格特征以及背景区域风格特征,得到每一个药品包装设计图的以及各区域的风格特征,所述风格特征包括字符区域风格特征、图案区域风格特征以及背景区域风格特征;
其中,所述步骤S2中:按照步骤的方法获得个同类产品设计分布图,所有设计分布图均已至相同尺寸;计算在方向上图像中每一个位置的平均像素值,将平均像素值位于内将其像素值置为,为背景区域;位于内将其像素值置为,为字体区域;位于内将其像素值置为,为图案元素区域;得到大小为的平均设计分布图;最终根据目标药物的设计图尺寸需求,将平均设计分布图至目标尺寸得到最佳设计分布图;
其中,步骤S3中:计算每一个药品的字符区域风格特征的距离,距离小于阈值的两个字符区域风格特征为相同的风格,实现个特征的分类;按照相同的方法分别完成图案区域风格特征和背景区域风格特征的分类;每一类风格又分别分为了不同种类,进一步获得字符区域风格特征、图案区域风格特征以及背景区域风格特征中每一个子类的评分;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111205893.XA CN113642566B (zh) | 2021-10-15 | 2021-10-15 | 基于人工智能和大数据的药品包装设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111205893.XA CN113642566B (zh) | 2021-10-15 | 2021-10-15 | 基于人工智能和大数据的药品包装设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113642566A CN113642566A (zh) | 2021-11-12 |
CN113642566B true CN113642566B (zh) | 2021-12-21 |
Family
ID=78427138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111205893.XA Active CN113642566B (zh) | 2021-10-15 | 2021-10-15 | 基于人工智能和大数据的药品包装设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113642566B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116611131B (zh) * | 2023-07-05 | 2023-12-26 | 大家智合(北京)网络科技股份有限公司 | 一种包装图形自动生成方法、装置、介质及设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107180410A (zh) * | 2017-04-11 | 2017-09-19 | 中国农业大学 | 一种图像的风格化重建方法及装置 |
CN108229479B (zh) * | 2017-08-01 | 2019-12-31 | 北京市商汤科技开发有限公司 | 语义分割模型的训练方法和装置、电子设备、存储介质 |
CN107767328B (zh) * | 2017-10-13 | 2021-12-17 | 上海媒智科技有限公司 | 基于少量样本生成的任意风格和内容的迁移方法和系统 |
CN111292330A (zh) * | 2020-02-07 | 2020-06-16 | 北京工业大学 | 基于编解码器的图像语义分割方法及装置 |
CN111445384B (zh) * | 2020-03-23 | 2021-07-30 | 杭州小影创新科技股份有限公司 | 一种通用人像照片漫画风格化方法 |
CN113255813B (zh) * | 2021-06-02 | 2022-12-02 | 北京理工大学 | 一种基于特征融合的多风格图像生成方法 |
-
2021
- 2021-10-15 CN CN202111205893.XA patent/CN113642566B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113642566A (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110419057A (zh) | 用于确定分段的混合式主动机器学习系统和方法 | |
CN105354581B (zh) | 融合颜色特征与卷积神经网络的彩色图像特征提取方法 | |
CN108109160A (zh) | 一种基于深度学习的免交互式GrabCut舌体分割方法 | |
CN116541911B (zh) | 一种基于人工智能的包装设计系统 | |
CN109448015A (zh) | 基于显著图融合的图像协同分割方法 | |
Wang et al. | Tea picking point detection and location based on Mask-RCNN | |
CN109558902A (zh) | 一种快速目标检测方法 | |
Haehn et al. | Guided proofreading of automatic segmentations for connectomics | |
CN108154198A (zh) | 知识库实体归一方法、系统、终端和计算机可读存储介质 | |
Mohanty et al. | The food recognition benchmark: Using deep learning to recognize food in images | |
CN113642566B (zh) | 基于人工智能和大数据的药品包装设计方法 | |
Wu et al. | Understanding and modeling user-perceived brand personality from mobile application uis | |
CN112883926B (zh) | 表格类医疗影像的识别方法及装置 | |
CN109543359A (zh) | 一种基于物联网大数据的人工智能包装设计方法及系统 | |
CN110298841A (zh) | 一种基于融合网络的图像多尺度语义分割方法及装置 | |
CN109614990A (zh) | 一种目标检测装置 | |
TW201820172A (zh) | 對話模式分析系統、方法及非暫態電腦可讀取記錄媒體 | |
CN104166988A (zh) | 一种融入稀疏匹配信息的立体图像同步分割方法 | |
Liu et al. | Planogram compliance checking based on detection of recurring patterns | |
Balasubramaniyan et al. | Color contour texture based peanut classification using deep spread spectral features classification model for assortment identification | |
Kobayashi et al. | Aesthetic design based on the analysis of questionnaire results using deep learning techniques | |
CN113642262B (zh) | 基于人工智能的牙膏包装外观辅助设计方法 | |
CN115982384A (zh) | 一种工业设计领域产品知识图谱构建方法及系统 | |
Hu | Visual Health Analysis of Print Advertising Graphic Design Based on Image Segmentation and Few‐Shot Learning | |
CN108280511A (zh) | 一种基于卷积网络进行网络访问数据进行处理的方法 |
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 |