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 PDF

Info

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
Application number
CN202111205893.XA
Other languages
English (en)
Other versions
CN113642566A (zh
Inventor
陈洁松
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.)
Nantong Baotian Packaging Technology Co ltd
Original Assignee
Nantong Baotian Packaging Technology Co ltd
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 Nantong Baotian Packaging Technology Co ltd filed Critical Nantong Baotian Packaging Technology Co ltd
Priority to CN202111205893.XA priority Critical patent/CN113642566B/zh
Publication of CN113642566A publication Critical patent/CN113642566A/zh
Application granted granted Critical
Publication of CN113642566B publication Critical patent/CN113642566B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

基于人工智能和大数据的药品包装设计方法
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：
步骤
Figure 294026DEST_PATH_IMAGE001
：获得与目标药品
Figure 100002_DEST_PATH_IMAGE002
同类产品的包装设计图，获得对应的设计分布图
Figure 391295DEST_PATH_IMAGE003
以及各区域风格特征
Figure 958543DEST_PATH_IMAGE004
；
步骤
Figure 584696DEST_PATH_IMAGE005
：对设计分布图
Figure 237394DEST_PATH_IMAGE003
进行分析得到药品
Figure 872775DEST_PATH_IMAGE002
的最佳设计分布图
Figure 763370DEST_PATH_IMAGE006
；
步骤
Figure 826004DEST_PATH_IMAGE007
：对各区域风格特征
Figure 700419DEST_PATH_IMAGE004
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；
步骤
Figure 100002_DEST_PATH_IMAGE008
：根据药品
Figure 405070DEST_PATH_IMAGE009
的最佳分布图
Figure 100002_DEST_PATH_IMAGE010
、最佳的风格组合以及自身内容得到最终的设计结果。
进一步，所述步骤
Figure 946910DEST_PATH_IMAGE001
为：获取市场上与目标药品
Figure 180445DEST_PATH_IMAGE009
同类产品的包装设计图，将包装设计图
Figure 542157DEST_PATH_IMAGE011
至相同尺寸后将其送入语义分割网络，语义分割网络为
Figure 100002_DEST_PATH_IMAGE012
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
Figure 519340DEST_PATH_IMAGE003
。
进一步，所述步骤
Figure 653037DEST_PATH_IMAGE001
中:字符区域风格特征的获取方法：获得
Figure 57473DEST_PATH_IMAGE013
第
Figure 100002_DEST_PATH_IMAGE014
层的特征图
Figure 172060DEST_PATH_IMAGE015
以及第
Figure 687355DEST_PATH_IMAGE014
层特征图对于字符区域（c=1）的显著性图
Figure 100002_DEST_PATH_IMAGE016
，需要说明的是，
Figure 203787DEST_PATH_IMAGE016
中特征图
Figure 779124DEST_PATH_IMAGE015
是输入图像经下采样得到，其尺寸与显著性图
Figure 115428DEST_PATH_IMAGE016
的大小不同，首先需要对显著性图
Figure 434414DEST_PATH_IMAGE016
进行下采样操作使得尺寸与特征图
Figure 274194DEST_PATH_IMAGE015
一致，得到
Figure 20433DEST_PATH_IMAGE017
，首先判断
Figure 578453DEST_PATH_IMAGE017
中像素值为1的面积
Figure 701130DEST_PATH_IMAGE018
，当
Figure DEST_PATH_IMAGE019
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
Figure 926575DEST_PATH_IMAGE015
的风格特征；
将
Figure 843715DEST_PATH_IMAGE020
屏蔽掉特征图
Figure 154611DEST_PATH_IMAGE015
无关区域，只保留字符区域的特征，其中
Figure 815399DEST_PATH_IMAGE021
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
Figure 629772DEST_PATH_IMAGE020
的风格特征的Gramm矩阵，需要说明的时，
Figure 983393DEST_PATH_IMAGE015
为一张多通道图像，其通道数由
Figure 516005DEST_PATH_IMAGE022
的结构决定，记其通道数为
Figure DEST_PATH_IMAGE023
；则根据风格迁移技术中Gramm矩阵的计算方法可以得到
Figure DEST_PATH_IMAGE025
的Gramm矩阵记为
Figure 246064DEST_PATH_IMAGE026
；得到特征图
Figure 914942DEST_PATH_IMAGE015
的风格特征
Figure 439465DEST_PATH_IMAGE026
；从第一层特征图开始计算风格矩阵直至
Figure 459373DEST_PATH_IMAGE019
，得到包装设计图字符区域的风格特征，记为
Figure DEST_PATH_IMAGE027
，其中
Figure 727544DEST_PATH_IMAGE028
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
Figure DEST_PATH_IMAGE029
的从局部风格逐渐靠近全局风格，
Figure 782087DEST_PATH_IMAGE030
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
Figure 211932DEST_PATH_IMAGE031
以及背景区域风格特征
Figure 100002_DEST_PATH_IMAGE032
，得到每一个药品包装设计图的设计分布图
Figure 719136DEST_PATH_IMAGE003
以及各区域的风格特征
Figure 534207DEST_PATH_IMAGE004
，风格特征
Figure 443258DEST_PATH_IMAGE004
又包括三个部分：字符区域风格特征
Figure 44003DEST_PATH_IMAGE033
、案区域风格特征
Figure 38504DEST_PATH_IMAGE031
以及背景区域风格特征
Figure 382898DEST_PATH_IMAGE032
。
进一步，所述步骤
Figure 146454DEST_PATH_IMAGE007
具体如下：计算每一个药品的字符区域风格特征
Figure 918101DEST_PATH_IMAGE033
的
Figure 134319DEST_PATH_IMAGE034
距离，认为
Figure 282403DEST_PATH_IMAGE034
距离小于阈值
Figure 900467DEST_PATH_IMAGE035
的两个字符区域风格特征
Figure 108594DEST_PATH_IMAGE033
为相同的风格，阈值
Figure 812108DEST_PATH_IMAGE035
为经验阈值
Figure 498304DEST_PATH_IMAGE036
，实现
Figure DEST_PATH_IMAGE037
个
Figure 502032DEST_PATH_IMAGE033
特征的分类；按照相同的方法分别完成图案区域风格特征
Figure 349903DEST_PATH_IMAGE031
和背景区域风格特征
Figure 540712DEST_PATH_IMAGE032
的分类；每一类风格
Figure 30600DEST_PATH_IMAGE038
又分别分为了不同种类，进一步获得字符区域风格特征
Figure 623255DEST_PATH_IMAGE033
、案区域风格特征
Figure 173185DEST_PATH_IMAGE031
以及背景区域风格特征
Figure 851291DEST_PATH_IMAGE032
中每一个子类的评分
Figure 100002_DEST_PATH_IMAGE040
，该评分反应每一种风格特征的包装效果好坏，
Figure 144869DEST_PATH_IMAGE037
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。
步骤
Figure 326452DEST_PATH_IMAGE001
：获得与目标药品
Figure 47283DEST_PATH_IMAGE002
同类产品的包装设计图，获得对应的设计分布图
Figure 212685DEST_PATH_IMAGE003
以及各区域风格特征
Figure 44375DEST_PATH_IMAGE004
；
该步骤的目的是对现有同类产品中药品包装的设计图进行分析，获得设计分布图
Figure 346043DEST_PATH_IMAGE003
以及各区域风格特征
Figure 237776DEST_PATH_IMAGE004
。该步骤的有益效果为：对现有的同类药品包装进行特征提取，为后续步骤
Figure DEST_PATH_IMAGE041
的操作提供数据。
获取市场上与目标药品
Figure 156053DEST_PATH_IMAGE002
同类产品的包装设计图，将包装设计图
Figure 525855DEST_PATH_IMAGE011
至相同尺寸后将其送入语义分割网络，语义分割网络为
Figure 682030DEST_PATH_IMAGE012
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
Figure 744664DEST_PATH_IMAGE003
。
需要说明的是，语义分割网络中
Figure 619079DEST_PATH_IMAGE022
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
Figure 326659DEST_PATH_IMAGE022
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
Figure 602920DEST_PATH_IMAGE022
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
Figure 570876DEST_PATH_IMAGE004
的准确性。
为了确保
Figure 932587DEST_PATH_IMAGE022
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
Figure 644191DEST_PATH_IMAGE022
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
Figure 40537DEST_PATH_IMAGE014
层特征图对于类别
Figure 444974DEST_PATH_IMAGE042
的显著性图为
Figure DEST_PATH_IMAGE043
，则本发明中语义分割网络的损失函数如下：
Figure 559560DEST_PATH_IMAGE044
其中，
Figure 809276DEST_PATH_IMAGE042
为语义分割的类别数，本发明中取值为
Figure DEST_PATH_IMAGE045
为药品包装设计图像的尺寸信息；
Figure 325708DEST_PATH_IMAGE046
为传统语义分割网络的交叉熵损失函数，在此不再赘述；
Figure DEST_PATH_IMAGE047
为编码器
Figure 166625DEST_PATH_IMAGE022
中特征图的层数，
Figure 502929DEST_PATH_IMAGE043
为第
Figure 821914DEST_PATH_IMAGE014
层特征图中实时获取的类别
Figure 927274DEST_PATH_IMAGE042
的显著性图，其尺寸与药品包装设计图像的尺寸相同，
Figure 100002_DEST_PATH_IMAGE048
为阈值化操作，将图像
Figure DEST_PATH_IMAGE049
中像素值大于0的像素点其数值置为1，得到一张二值图；
Figure 204671DEST_PATH_IMAGE050
为标签图像中属于类别
Figure 762692DEST_PATH_IMAGE042
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
Figure 619789DEST_PATH_IMAGE003
。进一步对
Figure 579655DEST_PATH_IMAGE022
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
Figure 496795DEST_PATH_IMAGE004
，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
Figure 807691DEST_PATH_IMAGE022
第
Figure 468479DEST_PATH_IMAGE014
层的特征图
Figure 282852DEST_PATH_IMAGE015
以及第
Figure 636473DEST_PATH_IMAGE014
层特征图对于字符区域（c=1）的显著性图
Figure 169085DEST_PATH_IMAGE016
，需要说明的是，
Figure 102406DEST_PATH_IMAGE016
中特征图
Figure 36864DEST_PATH_IMAGE015
是输入图像经下采样得到，其尺寸与显著性图
Figure 561386DEST_PATH_IMAGE016
的大小不同，首先需要对显著性图
Figure 315716DEST_PATH_IMAGE016
进行下采样操作使得尺寸与特征图
Figure 583886DEST_PATH_IMAGE015
一致，得到
Figure DEST_PATH_IMAGE051
；
b) 首先判断
Figure 638430DEST_PATH_IMAGE051
中像素值为1的面积
Figure 802695DEST_PATH_IMAGE052
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
Figure 306970DEST_PATH_IMAGE015
的风格特征；
c)将
Figure 113252DEST_PATH_IMAGE020
屏蔽掉特征图
Figure 756723DEST_PATH_IMAGE015
无关区域，只保留字符区域的特征，其中
Figure 623047DEST_PATH_IMAGE021
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
Figure 351969DEST_PATH_IMAGE020
的风格特征的Gramm矩阵，需要说明的是，
Figure 961942DEST_PATH_IMAGE015
为一张多通道图像，其通道数由
Figure 725499DEST_PATH_IMAGE022
的结构决定，记其通道数为
Figure 497146DEST_PATH_IMAGE023
；则根据风格迁移技术中Gramm矩阵的计算方法可以得到
Figure 978942DEST_PATH_IMAGE025
的Gramm矩阵记为
Figure 127027DEST_PATH_IMAGE026
；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
Figure 479511DEST_PATH_IMAGE015
的风格特征
Figure 422059DEST_PATH_IMAGE026
；从第一层特征图开始计算风格矩阵直至
Figure 125573DEST_PATH_IMAGE019
，得到包装设计图字符区域的风格特征，记为
Figure 77348DEST_PATH_IMAGE027
，其中
Figure 549918DEST_PATH_IMAGE028
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
Figure 928947DEST_PATH_IMAGE029
的从局部风格逐渐靠近全局风格，
Figure 119757DEST_PATH_IMAGE030
为字符区域的全局风格特征矩阵（Gramm矩阵）。
按照相同的方法得到图案区域风格特征
Figure 609644DEST_PATH_IMAGE031
以及背景区域风格特征
Figure 202299DEST_PATH_IMAGE032
，得到每一个药品包装设计图的设计分布图
Figure 752229DEST_PATH_IMAGE003
以及各区域的风格特征
Figure 899177DEST_PATH_IMAGE004
，风格特征
Figure 192755DEST_PATH_IMAGE004
又包括三个部分：字符区域风格特征
Figure 639917DEST_PATH_IMAGE033
、案区域风格特征
Figure 360748DEST_PATH_IMAGE031
以及背景区域风格特征
Figure 526150DEST_PATH_IMAGE032
。
步骤
Figure 357840DEST_PATH_IMAGE005
：对设计分布图
Figure 659508DEST_PATH_IMAGE003
进行分析得到药品
Figure 551241DEST_PATH_IMAGE009
的最佳设计分布图
Figure 672781DEST_PATH_IMAGE010
；
该步骤的目的是得到药品
Figure 308161DEST_PATH_IMAGE009
的最佳分布设计图
Figure 729916DEST_PATH_IMAGE010
。首先按照步骤
Figure 792549DEST_PATH_IMAGE001
的方法获得
Figure 666965DEST_PATH_IMAGE037
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
Figure 840457DEST_PATH_IMAGE011
至相同尺寸，将
Figure 116718DEST_PATH_IMAGE037
个尺寸相同设计分布图堆叠在一起，得到尺寸为
Figure DEST_PATH_IMAGE053
的三维数据，其中
Figure 353182DEST_PATH_IMAGE054
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
Figure 714894DEST_PATH_IMAGE037
方向上
Figure 692077DEST_PATH_IMAGE056
图像中每一个位置的平均像素值
Figure DEST_PATH_IMAGE057
，将平均像素值位于
Figure 354002DEST_PATH_IMAGE058
内将其像素值置为0，为背景区域；位于
Figure DEST_PATH_IMAGE059
内将其像素值置为1，为字体区域；位于
Figure 24018DEST_PATH_IMAGE060
内将其像素值置为2，为图案元素区域；得到大小为
Figure DEST_PATH_IMAGE061
的平均设计分布图；最终根据目标药物
Figure 607446DEST_PATH_IMAGE009
的设计图尺寸需求，将平均设计分布图
Figure 388320DEST_PATH_IMAGE011
至目标尺寸得到最佳设计分布图
Figure 639173DEST_PATH_IMAGE010
。
步骤
Figure 214511DEST_PATH_IMAGE007
：对各区域风格特征
Figure 285235DEST_PATH_IMAGE004
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；
该步骤的目的是对
Figure 604221DEST_PATH_IMAGE037
个各区域风格特征
Figure 709580DEST_PATH_IMAGE004
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
Figure 190240DEST_PATH_IMAGE033
的
Figure 13840DEST_PATH_IMAGE034
距离，认为
Figure 870937DEST_PATH_IMAGE034
距离小于阈值
Figure 96382DEST_PATH_IMAGE035
的两个字符区域风格特征
Figure 13523DEST_PATH_IMAGE033
为相同的风格，阈值
Figure 58839DEST_PATH_IMAGE035
为经验阈值
Figure 719628DEST_PATH_IMAGE036
，实现
Figure 534000DEST_PATH_IMAGE037
个
Figure 622042DEST_PATH_IMAGE033
特征的分类；按照相同的方法分别完成图案区域风格特征
Figure 154654DEST_PATH_IMAGE031
和背景区域风格特征
Figure 619133DEST_PATH_IMAGE032
的分类；每一类风格
Figure 553591DEST_PATH_IMAGE038
又分别分为了不同种类，为表述方便将每一类风格
Figure 812534DEST_PATH_IMAGE038
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
Figure 832443DEST_PATH_IMAGE033
、案区域风格特征
Figure 100613DEST_PATH_IMAGE031
以及背景区域风格特征
Figure 623999DEST_PATH_IMAGE032
中每一个子类的评分
Figure 53843DEST_PATH_IMAGE040
，该评分反应每一种风格特征的包装效果好坏，
Figure 561048DEST_PATH_IMAGE037
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
Figure 367330DEST_PATH_IMAGE033
为例得到每一个风格特征
Figure 10801DEST_PATH_IMAGE033
的得分：
a) 第
Figure 877125DEST_PATH_IMAGE062
个产品的字符区域风格特征记为
Figure DEST_PATH_IMAGE063
，其中包括
Figure 614836DEST_PATH_IMAGE064
个风格特征矩阵（为表述方便下文称为Gramm矩阵）记为
Figure DEST_PATH_IMAGE065
，不同层特征图上Gramm矩阵代表不通过尺寸的风格特征。将
Figure 490388DEST_PATH_IMAGE037
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
Figure 988366DEST_PATH_IMAGE066
个Gramm矩阵，
Figure DEST_PATH_IMAGE067
；按照相同的方法得到每一层特征图上Gramm矩阵集合
Figure 291171DEST_PATH_IMAGE068
，需要说明的是，由于不同产品字符区域风格特征记为
Figure 507389DEST_PATH_IMAGE033
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
Figure DEST_PATH_IMAGE069
进行分析，计算
Figure 655473DEST_PATH_IMAGE070
个Gramm矩阵两两之间的
Figure 273536DEST_PATH_IMAGE034
距离，
Figure 481664DEST_PATH_IMAGE034
距离计算方法为公知技术在此不再赘述；认为
Figure 185178DEST_PATH_IMAGE034
距离小于阈值
Figure 136953DEST_PATH_IMAGE035
的两个Gramm矩阵为相同的矩阵，阈值
Figure 609523DEST_PATH_IMAGE035
为经验阈值
Figure 988551DEST_PATH_IMAGE036
；至此得到集合
Figure 913782DEST_PATH_IMAGE069
中每一个Gramm矩阵的数量，则得到每一Gramm矩阵的得分；产品
Figure 403669DEST_PATH_IMAGE062
在集合
Figure 996325DEST_PATH_IMAGE069
内的Gramm矩阵
Figure DEST_PATH_IMAGE071
；
c)按照步骤b)的方法对
Figure 100002_DEST_PATH_IMAGE072
个集合进行分析，得到每一个Gramm矩阵的得分，根据每一个Gramm矩阵的得分即可得到字符区域风格特征
Figure 811834DEST_PATH_IMAGE033
，第
Figure 489940DEST_PATH_IMAGE062
个产品的字符区域风格特征
Figure 517939DEST_PATH_IMAGE063
的得分为：
Figure DEST_PATH_IMAGE073
按照同样的方法得到字符区域风格特征
Figure 230680DEST_PATH_IMAGE033
、案区域风格特征
Figure 951511DEST_PATH_IMAGE031
以及背景区域风格特征
Figure 851334DEST_PATH_IMAGE032
中么一个子类的评分
Figure 683024DEST_PATH_IMAGE040
。将每一种子类视为一个节点，需要说明的是，拓扑图数据中所有节点分为三个父类
Figure 250271DEST_PATH_IMAGE038
。
进一步计算获得父类之间的搭配的协调性系数。获得父类
Figure 142004DEST_PATH_IMAGE032
下的一个节点
Figure 529123DEST_PATH_IMAGE074
，计算其与另外两个父类
Figure DEST_PATH_IMAGE075
下每一个节点的协调性系数，以
Figure 164504DEST_PATH_IMAGE076
的协调系数为例介绍其计算方法：在
Figure 586258DEST_PATH_IMAGE037
个同类产品中，首先获得背景区域风格特征为
Figure 648892DEST_PATH_IMAGE074
的产品，记为
Figure DEST_PATH_IMAGE077
；统计
Figure 791816DEST_PATH_IMAGE077
个产品中字符区域风格特征为
Figure 965308DEST_PATH_IMAGE078
的数量
Figure DEST_PATH_IMAGE079
，则
Figure 507148DEST_PATH_IMAGE076
的协调系数的计算公式为：
Figure 475104DEST_PATH_IMAGE080
，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。
至此，得到拓扑图数据中的每一个节点，每一个节点代表一个风格特征子类，子类的得分
Figure DEST_PATH_IMAGE081
为节点的信号值；各节点之间的边权为两个节点协调系数；需要说明的是，属于同一父类的两个节点之间不存在边权。
构建目标函数，从拓扑图数据中得到最佳的风格组合：
Figure 102394DEST_PATH_IMAGE082
其中，
Figure DEST_PATH_IMAGE083
为三种区域的风格组合，
Figure DEST_PATH_IMAGE085
之间的边权，
Figure 610736DEST_PATH_IMAGE086
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。
步骤
Figure DEST_PATH_IMAGE087
：根据药品
Figure 7082DEST_PATH_IMAGE009
的最佳分布图
Figure 145940DEST_PATH_IMAGE010
、最佳的风格组合以及自身内容得到最终的设计结果。
至此得到药品
Figure 994947DEST_PATH_IMAGE009
的最佳分布图
Figure 775821DEST_PATH_IMAGE010
、最佳的风格组合，自身的内容有设计人员自行给出，与药品
Figure 761095DEST_PATH_IMAGE009
的功效以及企业文化等有关。根据最佳分布图
Figure 336433DEST_PATH_IMAGE010
和设计内容可得到
Figure 672736DEST_PATH_IMAGE010
中对应区域的内容信息。
从最佳的风格组合中得到背景区域的风格
Figure 991722DEST_PATH_IMAGE088
、字体区域的风格
Figure DEST_PATH_IMAGE089
以及图案区域的风格
Figure 362660DEST_PATH_IMAGE090
，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
Figure 843320DEST_PATH_IMAGE088
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：
步骤
Figure DEST_PATH_IMAGE002
：获得与目标药品
Figure DEST_PATH_IMAGE004
同类产品的包装设计图，获得对应的设计分布图
Figure DEST_PATH_IMAGE006
以及各区域风格特征
Figure DEST_PATH_IMAGE008
；
步骤
Figure DEST_PATH_IMAGE010
：对设计分布图
Figure 526440DEST_PATH_IMAGE006
进行分析得到药品
Figure 630531DEST_PATH_IMAGE004
的最佳设计分布图
Figure DEST_PATH_IMAGE012
；
步骤
Figure DEST_PATH_IMAGE014
：对各区域风格特征
Figure 51015DEST_PATH_IMAGE008
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；
步骤
Figure DEST_PATH_IMAGE016
：根据药品
Figure 272656DEST_PATH_IMAGE004
的最佳分布图
Figure 342155DEST_PATH_IMAGE012
、最佳的风格组合以及自身内容得到最终的设计结果；
其中，所述步骤
Figure 492514DEST_PATH_IMAGE002
为：将包装设计图
Figure DEST_PATH_IMAGE018
至相同尺寸后将其送入语义分割网络，语义分割网络为
Figure DEST_PATH_IMAGE020
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
Figure 750758DEST_PATH_IMAGE006
；
所述步骤
Figure 277554DEST_PATH_IMAGE002
中:字符区域风格特征的获取方法：获得
Figure DEST_PATH_IMAGE022
第
Figure DEST_PATH_IMAGE024
层的特征图
Figure DEST_PATH_IMAGE026
以及第
Figure 418204DEST_PATH_IMAGE024
层特征图对于字符区域的显著性图
Figure DEST_PATH_IMAGE028
，首先需要对显著性图
Figure 644524DEST_PATH_IMAGE028
进行下采样操作使得尺寸与特征图
Figure 257908DEST_PATH_IMAGE026
一致，得到
Figure DEST_PATH_IMAGE030
，其次获取
Figure 746369DEST_PATH_IMAGE030
中像素值为1的面积
Figure DEST_PATH_IMAGE032
，当
Figure DEST_PATH_IMAGE034
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
Figure 96186DEST_PATH_IMAGE026
的风格特征；将
Figure DEST_PATH_IMAGE036
屏蔽掉特征图
Figure 978560DEST_PATH_IMAGE026
无关区域，只保留字符区域的特征，其中
Figure DEST_PATH_IMAGE038
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
Figure 927842DEST_PATH_IMAGE036
的风格特征的Gramm矩阵，其中，
Figure DEST_PATH_IMAGE040
通道数为
Figure DEST_PATH_IMAGE042
；则根据风格迁移技术中Gramm矩阵的计算方法得到
Figure DEST_PATH_IMAGE044
的Gramm矩阵记为
Figure DEST_PATH_IMAGE046
，得到特征图
Figure 373605DEST_PATH_IMAGE026
的风格特征
Figure 938447DEST_PATH_IMAGE046
；从第一层特征图开始计算风格矩阵直至
Figure 929406DEST_PATH_IMAGE034
，得到包装设计图字符区域的风格特征，记为
Figure DEST_PATH_IMAGE048
，其中
Figure DEST_PATH_IMAGE050
为
Figure DEST_PATH_IMAGE052
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
Figure DEST_PATH_IMAGE054
以及背景区域风格特征
Figure DEST_PATH_IMAGE056
，得到每一个药品包装设计图的
Figure DEST_PATH_IMAGE058
以及各区域的风格特征
Figure 931429DEST_PATH_IMAGE008
，所述风格特征
Figure 265371DEST_PATH_IMAGE008
包括字符区域风格特征
Figure DEST_PATH_IMAGE060
、图案区域风格特征
Figure 137249DEST_PATH_IMAGE054
以及背景区域风格特征
Figure 767951DEST_PATH_IMAGE056
；
其中，所述步骤S2中：按照步骤
Figure 639961DEST_PATH_IMAGE002
的方法获得
Figure DEST_PATH_IMAGE062
个同类产品设计分布图，所有设计分布图均已
Figure 974996DEST_PATH_IMAGE018
至相同尺寸；计算在
Figure 850DEST_PATH_IMAGE062
方向上图像中每一个位置的平均像素值
Figure DEST_PATH_IMAGE064
，将平均像素值位于
Figure DEST_PATH_IMAGE066
内将其像素值置为
Figure DEST_PATH_IMAGE068
，为背景区域；位于
Figure DEST_PATH_IMAGE070
内将其像素值置为
Figure DEST_PATH_IMAGE072
，为字体区域；位于
Figure DEST_PATH_IMAGE074
内将其像素值置为
Figure DEST_PATH_IMAGE076
，为图案元素区域；得到大小为
Figure DEST_PATH_IMAGE078
的平均设计分布图；最终根据目标药物
Figure 845529DEST_PATH_IMAGE004
的设计图尺寸需求，将平均设计分布图
Figure 1572DEST_PATH_IMAGE018
至目标尺寸得到最佳设计分布图
Figure 999353DEST_PATH_IMAGE012
；
其中，步骤S3中：计算每一个药品的字符区域风格特征
Figure 20659DEST_PATH_IMAGE060
的
Figure DEST_PATH_IMAGE080
距离，
Figure 478317DEST_PATH_IMAGE080
距离小于阈值
Figure DEST_PATH_IMAGE082
的两个字符区域风格特征
Figure 53480DEST_PATH_IMAGE060
为相同的风格，实现
Figure 527056DEST_PATH_IMAGE062
个
Figure 263586DEST_PATH_IMAGE060
特征的分类；按照相同的方法分别完成图案区域风格特征
Figure 469308DEST_PATH_IMAGE054
和背景区域风格特征
Figure 740890DEST_PATH_IMAGE056
的分类；每一类风格
Figure DEST_PATH_IMAGE084
又分别分为了不同种类，进一步获得字符区域风格特征
Figure 300047DEST_PATH_IMAGE060
、图案区域风格特征
Figure 403001DEST_PATH_IMAGE054
以及背景区域风格特征
Figure 451729DEST_PATH_IMAGE056
中每一个子类的评分
Figure DEST_PATH_IMAGE086
；
其中，步骤S4中：根据最佳分布图
Figure 70927DEST_PATH_IMAGE012
和设计内容可得到
Figure 89568DEST_PATH_IMAGE012
中对应区域的内容信息；从最佳的风格组合中得到背景区域的风格
Figure 171662DEST_PATH_IMAGE056
、字体区域的风格
Figure 594553DEST_PATH_IMAGE060
以及图案区域的风格
Figure 903044DEST_PATH_IMAGE054
，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。
2.根据权利要求1所述的方法，其特征在于，所述语义分割网络的损失函为：
Figure DEST_PATH_IMAGE088
其中，
Figure DEST_PATH_IMAGE090
表示语义分割网络的交叉熵损失函数；
Figure DEST_PATH_IMAGE092
表示语义分割的类别数；
Figure 901873DEST_PATH_IMAGE078
表示药品包装设计图像的尺寸信息；
Figure DEST_PATH_IMAGE094
表示编码器
Figure 838474DEST_PATH_IMAGE022
中特征图的层数；
Figure DEST_PATH_IMAGE096
表示第
Figure 659363DEST_PATH_IMAGE024
层特征图中实时获取的类别
Figure DEST_PATH_IMAGE098
的显著性图；
Figure DEST_PATH_IMAGE100
表示对第
Figure 297893DEST_PATH_IMAGE024
层特征图中实时获取的类别
Figure 398616DEST_PATH_IMAGE098
的显著性图的阈值化操作；
Figure DEST_PATH_IMAGE102
表示标签图像中类别
Figure 471614DEST_PATH_IMAGE098
的显著性图；
Figure DEST_PATH_IMAGE104
表示对标签图像中类别
Figure 423258DEST_PATH_IMAGE098
的显著性图的阈值化操作。
3.根据权利要求2所述的方法，其特征在于，所述对第
Figure 440762DEST_PATH_IMAGE024
层特征图中实时获取的类别
Figure 808158DEST_PATH_IMAGE098
的显著性图的阈值化操作是将第
Figure 797980DEST_PATH_IMAGE024
层特征图中实时获取的类别
Figure 795892DEST_PATH_IMAGE098
的显著性图像中像素值大于0的像素点置为1。
4.根据权利要求2所述的方法，其特征在于，所述对标签图像中类别
Figure 785844DEST_PATH_IMAGE098
的显著性图的阈值化操作是将标签图像中类别
Figure 177772DEST_PATH_IMAGE098
的显著性图像中属于类别
Figure 818838DEST_PATH_IMAGE098
的像素点置为1，其余像素点置为0。
CN202111205893.XA 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 Active CN113642566B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

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