CN114494130A - 一种基于最优模型评价准则的产品美学评价体系 - Google Patents

Abstract

本发明公开了一种基于最优模型评价准则的产品美学评价体系；S1、建立评价模型，通过评价模型实现对产品美学进行评价；S2、将产品的各项参数输入到最优模型中进行评价；S3、向最优模型中输入产品的各个方向的图片，再根据图片进行美学评价；S4、最后想最优模型中输入人体工学的数据信息，通过人体工学进行评价；S5、根据最优模型的检测数据实现对产品的形式美、结构美和功能美对产品的美学评价输出；本发明通过不同的方向实现对产品的美学进行评价，建立最优模型实现对产品的美学进行分析处理，以及在进行评价的时候，通过多种算法实现对不同的评价方向进行计算处理，能够有效的保持评价的计算精准度，评价的信度。

Description

一种基于最优模型评价准则的产品美学评价体系

技术领域

本发明属于产品美学评价技术领域，具体涉及一种基于最优模型评价准则的产品美学评价体系。

背景技术

设计作为一种艺术性的造物活动，其本质是“按照美的规律为人造物”。爱美之心，人皆有之。虽然“美”并不是设计的唯一属性和最终目的，但就设计成果而言，美的因素却成为考察其优劣程度的标准之一。美是唤起和激发人的最高享受的心理状态，它是人类设计、创造本质的最深刻反映。“美”的设计能使产品有效地使用，并给人以强烈的视觉冲击和视觉印象，提升产品的审美体验。美是抽象的，但同时它又是可感的。如何让见仁见智的美学评价在产品设计中形成有一定参考价值的标准来指导我们的设计是一个值得我们深思的问题，然而市面上各种的产品美学评价仍存在各种各样的问题。

如授权公告号为CN112862569A所公开的基于图像和文本多模态数据的产品外观风格评价方法和系统，其虽然实现了融合了产品图像信息与用户反馈文本信息，基于数据建模与分析实现外观风格方面的产品评价，相比于传统的专家评定法具有更加客观、科学、准确的优点，但是并未解决现有产品美学评价中存在的不能够实现对产品进行全面的评价和多方面检测方向进行评价处理的问题，为此我们提出一种基于最优模型评价准则的产品美学评价体系。

发明内容

本发明的目的在于提供一种基于最优模型评价准则的产品美学评价体系，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于最优模型评价准则的产品美学评价体系，包括有以下方法步骤：

S1、建立评价模型，通过评价模型实现对产品美学进行评价：通过输入大量的产品美学数据信息，实现对美学评价模型进行建立，建立最优模型评价准则；

S2、将产品的各项参数输入到最优模型中进行评价：将各项产品数据信息进行输入到最优模型中，根据最优模型实现对产品的数据信息进行计算处理，输出产品美学数据；

S3、向最优模型中输入产品的各个方向的图片，再根据图片进行美学评价：将产品各个方向的图片进行输入到最优模型中，通过图像处理实现对产品的美学进行评价，实现通过各个评价准则进行产品评价；

S4、最后向最优模型中输入人体工学的数据信息，通过人体工学进行评价：然后将人体工学的各项参数进行输入到最优模型中，然后根据人体工学的各项数据信息，实现对产品的使用体验进行检测，并且输出检测数据信息；

S5、根据最优模型的检测数据实现对产品的功能美、形式美和结构美对产品的美学评价输出：根据各项检测的输出数据信息实现对产品美学进行进行评价输出。

较佳的，所述S1中的产品美学数据信息包括有以往产品的技术参数、形式参数和体验参数，所述技术参数包括有产品设计的核心功能数据、材料数据、加工工艺数据和结构关系数据，所述形式参数包括有色彩、形状、线条、声音、材料及其组合规律，如变化与统一、节奏与韵律、比例与尺度、对比与协调，所述体验参数包括有人机尺寸及友好温馨的人机界面，亲切的人性化关怀，合理完善的功能，及其外观质量和外观形态表现或传达出一定的信息(情感语义)。

较佳的，所述S1中的最优模型是运用线性规划、非线性规划、动态规划、整数规划以及系统科学方法所确定的表示最优方案的模型；

所述最优模型的建立步骤如下：

S101、确定决策变量和目标变量；

S102、确定目标函数的表达式；

S103、寻找约束条件。

较佳的，所述最优模型即为求函数u＝f(x),x＝(x₁,…,x_n),x∈Ω在约束条件h_i(x)＝0,i＝1,2,…,m和g_i(x)≥0(g_i(x)≤0),i＝1,2…,p下的最大值或最小值，其中f(x)为目标函数，x为决策变量，Ω为可行域。

较佳的，所述最优模型中的最优化问题根据有无约束条件分为无约束条件的最优化问题和有约束条件的最优化问题；根据决策变量在目标函数与约束条件中出现的形式可分为线性规划问题和非线性规划问题；根据决策变量是否要求取整数可分为整数规划问题和任意规划问题。

较佳的，所述S2中的计算处理采用的神经网络算法，所述神经网络算法采用的是深度神经网络，所述深度神经网络由输入层、隐藏层和输出层组成，所述深度神经网络的深度表示它的隐藏层大于2层，具有更深的抽象和降维能力。

较佳的，所述深度神经网络的计算公式如下：

即第i层的任意一个神经元一定与第i+1层的任意一个神经元相连，即一个线性关系z＝∑w_ix_i+b加上一个激活函数σ(z)，由于DNN层数多，则线性关系系数w和偏倚b的数量也就是很多了；

以三层的DNN为例，第二层的第4个神经元到第三层的第2个神经元的线性系数定义为

，上标3代表线性系数w所在的层数，而下标对应的是输出的第三层索引2和输入的第二层索引4，且

而每次进行矩阵运算是w^Tx+b，需要进行转置，将输出的索引放在前面的话，则线性运算不用转置，即直接为wx+b，总结下，第l-1层的第k个神经元到第l层的第j个神经元的线性系数定义为

，输入层是没有w参数的；

偏倚b的定义，以三层的DNN为例，第二层的第三个神经元对应的偏倚定义为

，其中，上标2代表所在的层数，下标3代表偏倚所在的神经元的索引，同样的道理，第三个的第一个神经元的偏倚应该表示为

，同样的，输入层是没有偏倚参数b的。

较佳的，所述S3中的图像处理采用的是模糊算法，所述模糊算法包括有均值模糊和高斯模糊，所述均值模糊和所述高斯模糊基本的过程都是计算一个像素周边的某个领域内，相关像素的某个特征值的累加和及对应的权重，然后得到结果值。

较佳的，所述高斯模糊的计算公式如下：

正态分布的密度函数叫做高斯函数，它的一维形式是：

其中，μ是x的均值，σ是x的方差，因为计算平均值的时候，中心点就是原点，所以μ等于0；

根据一维高斯函数，可以推导得到二维高斯函数：

有了这个函数，计算每个点的权重。

较佳的，所述S4中的人体工学采用的是贪心算法，所述贪心算法用于寻找最优解问题的常用方法；

所述贪心算法一般按如下步骤进行：

S401、输入贪心算法的约束条件；

S402、把求解的问题分成若干个子问题；

S403、对每个子问题求解，得到子问题的局部最优解；

S404、把子问题的解局部最优解合成原来解问题的一个解。

与现有技术相比，本发明的有益效果是：

本发明通过不同的方向实现对产品的美学进行评价，即通过对产品的技术参数、形式参数和体验参数的输入，建立最优模型实现对产品的美学进行分析处理，即通过技术、外形和使用体感等多方面进行有效的评价，使得产品能够有效的突出产品的优点的美学，以及在进行评价的时候，通过多种算法实现对不同的评价方向进行计算处理，能够有效的保持评价的计算精准度，评价的信度。

附图说明

图1为本发明的方法步骤流程示意图；

图2为本发明的最优模型的建立步骤流程示意图；

图3为本发明的贪心算法步骤流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-图3，本发明提供一种技术方案：一种基于最优模型评价准则的产品美学评价体系，包括有以下方法步骤：

S1、建立评价模型，通过评价模型实现对产品美学进行评价：通过输入大量的产品美学数据信息，实现对美学评价模型进行建立，建立最优模型评价准则；

S2、将产品的各项参数输入到最优模型中进行评价：将各项产品数据信息进行输入到最优模型中，根据最优模型实现对产品的数据信息进行计算处理，输出产品美学数据；

S3、向最优模型中输入产品的各个方向的图片，再根据图片进行美学评价：将产品各个方向的图片进行输入到最优模型中，通过图像处理实现对产品的美学进行评价，实现通过各个评价准则进行产品评价；

S4、最后向最优模型中输入人体工学的数据信息，通过人体工学进行评价：然后将人体工学的各项参数进行输入到最优模型中，然后根据人体工学的各项数据信息，实现对产品的使用体验进行检测，并且输出检测数据信息；

S5、根据最优模型的检测数据实现对产品的形式美、结构美和功能美对产品的美学评价输出：根据各项检测的输出数据信息实现对产品美学进行进行评价输出。

通过大量的现有数据信息，实现对产品的美学模型进行建立，本实施例中，优选的，所述S1中的产品美学数据信息包括有以往产品的技术参数、形式参数和体验参数，所述技术参数包括有产品设计的核心功能数据、材料数据、加工工艺数据和结构关系数据，所述形式参数包括有色彩、形状、线条、声音、材料及其组合规律，如变化与统一、节奏与韵律、比例与尺度、对比与协调，所述体验参数包括有人机尺寸及友好温馨的人机界面，亲切的人性化关怀，合理完善的功能，及其外观质量和外观形态表现或传达出一定的信息(情感语义)。

为了实现对产品进行有效的评价，建立最优模型，能够有效的获取产品美学中的最优点，本实施例中，优选的，所述S1中的最优模型是运用线性规划、非线性规划、动态规划、整数规划以及系统科学方法所确定的表示最优方案的模型；

所述最优模型的建立步骤如下：

S101、确定决策变量和目标变量；

S102、确定目标函数的表达式；

S103、寻找约束条件。

为了实现对产品的最优模型进行计算处理，实现对检测要求进行约束，便于评价处理，能够保持数据的输出的精准度，本实施例中，优选的，所述最优模型即为求函数u＝f(x),x＝(x₁,…,x_n),x∈Ω在约束条件h_i(x)＝0,i＝1,2,…,m和g_i(x)≥0(g_i(x)≤0),i＝1,2…,p下的最大值或最小值，其中f(x)为目标函数，x为决策变量，Ω为可行域。

根据不同的计算处理方式，实现对最优模型进行不同的条件约束，本实施例中，优选的，所述最优模型中的最优化问题根据有无约束条件分为无约束条件的最优化问题和有约束条件的最优化问题；根据决策变量在目标函数与约束条件中出现的形式可分为线性规划问题和非线性规划问题；根据决策变量是否要求取整数可分为整数规划问题和任意规划问题。

为了实现对产品的技术数据进行检测，实现对产品的技术性美学进行有效的评价，本实施例中，优选的，所述S2中的计算处理采用的神经网络算法，所述神经网络算法采用的是深度神经网络，所述深度神经网络由输入层、隐藏层和输出层组成，所述深度神经网络的深度表示它的隐藏层大于2层，具有更深的抽象和降维能力，所述深度神经网络的计算公式如下：

即第i层的任意一个神经元一定与第i+1层的任意一个神经元相连，即一个线性关系z＝∑w_ix_i+b加上一个激活函数σ(z)，由于DNN层数多，则线性关系系数w和偏倚b的数量也就是很多了；

以三层的DNN为例，第二层的第4个神经元到第三层的第2个神经元的线性系数定义为

，上标3代表线性系数w所在的层数，而下标对应的是输出的第三层索引2和输入的第二层索引4，且

而每次进行矩阵运算是w^Tx+b，需要进行转置，将输出的索引放在前面的话，则线性运算不用转置，即直接为wx+b，总结下，第l-1层的第k个神经元到第l层的第j个神经元的线性系数定义为

，输入层是没有w参数的；

偏倚b的定义，以三层的DNN为例，第二层的第三个神经元对应的偏倚定义为

，其中，上标2代表所在的层数，下标3代表偏倚所在的神经元的索引，同样的道理，第三个的第一个神经元的偏倚应该表示为

同样的，输入层是没有偏倚参数b的。

为了实现对产品的形式主义美学进行有效的计算处理，提高外观设备的效果，本实施例中，优选的，所述S3中的图像处理采用的是模糊算法，所述模糊算法包括有均值模糊和高斯模糊，所述均值模糊和所述高斯模糊基本的过程都是计算一个像素周边的某个领域内，相关像素的某个特征值的累加和及对应的权重，然后得到结果值，所述高斯模糊的计算公式如下：

正态分布的密度函数叫做高斯函数，它的一维形式是：

其中，μ是x的均值，σ是x的方差，因为计算平均值的时候，中心点就是原点，所以μ等于0；

根据一维高斯函数，可以推导得到二维高斯函数：

有了这个函数，计算每个点的权重。

为了实现对产品的使用体感进行评价，提高产品的使用效果，本实施例中，优选的，所述S4中的人体工学采用的是贪心算法，所述贪心算法用于寻找最优解问题的常用方法；

所述贪心算法一般按如下步骤进行：

S401、输入贪心算法的约束条件；

S402、把求解的问题分成若干个子问题；

S403、对每个子问题求解，得到子问题的局部最优解；

S404、把子问题的解局部最优解合成原来解问题的一个解。

本发明的工作原理及使用流程：

第一步、建立评价模型，通过评价模型实现对产品美学进行评价：通过输入大量的产品美学数据信息，实现对美学评价模型进行建立，建立最优模型评价准则；

第二步、将产品的各项参数输入到最优模型中进行评价：将各项产品数据信息进行输入到最优模型中，根据最优模型实现对产品的数据信息进行计算处理，输出产品美学数据；

第三步、向最优模型中输入产品的各个方向的图片，再根据图片进行美学评价：将产品各个方向的图片进行输入到最优模型中，通过图像处理实现对产品的美学进行评价，实现通过各个评价准则进行产品评价；

第四步、最后向最优模型中输入人体工学的数据信息，通过人体工学进行评价：然后将人体工学的各项参数进行输入到最优模型中，然后根据人体工学的各项数据信息，实现对产品的使用体验进行检测，并且输出检测数据信息；

第五步、根据最优模型的检测数据实现对产品的形式美、结构美和功能美对产品的美学评价输出：根据各项检测的输出数据信息实现对产品美学进行进行评价输出。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种基于最优模型评价准则的产品美学评价体系，其特征在于：包括有以下方法步骤：

S1、建立评价模型，通过评价模型实现对产品美学进行评价：通过输入大量的产品美学数据信息，实现对美学评价模型进行建立，建立最优模型评价准则；

S2、将产品的各项参数输入到最优模型中进行评价：将各项产品数据信息进行输入到最优模型中，根据最优模型实现对产品的数据信息进行计算处理，输出产品美学数据；

S3、向最优模型中输入产品的各个方向的图片，再根据图片进行美学评价：将产品各个方向的图片进行输入到最优模型中，通过图像处理实现对产品的美学进行评价，实现通过各个评价准则进行产品评价；

S4、最后向最优模型中输入人体工学的数据信息，通过人体工学进行评价：然后将人体工学的各项参数进行输入到最优模型中，然后根据人体工学的各项数据信息，实现对产品的使用体验进行检测，并且输出检测数据信息；

S5、根据最优模型的检测数据实现对产品的形式美、结构美和功能美对产品的美学评价输出：根据各项检测的输出数据信息实现对产品美学进行进行评价输出。

2.根据权利要求1所述的一种基于最优模型评价准则的产品美学评价体系，其特征在于：所述S1中的产品美学数据信息包括有以往产品的技术参数、形式参数和体验参数，所述技术参数包括有产品设计的核心功能数据、材料数据、加工工艺数据和结构关系数据，所述形式参数包括有色彩、形状、线条、材料、声音及其组合规律，如变化统一、节奏与韵律，所述体验参数包括有人机尺寸及友好温馨的人机界面，亲切的人性化关怀，合理完善的功能，及其外观质量和外观形态表现或传达出一定的信息(情感语义)。

3.根据权利要求1所述的一种基于最优模型评价准则的产品美学评价体系，其特征在于：所述S1中的最优模型是运用线性规划、非线性规划、动态规划、整数规划以及系统科学方法所确定的表示最优方案的模型；

所述最优模型的建立步骤如下：

S101、确定决策变量和目标变量；

S102、确定目标函数的表达式；

S103、寻找约束条件。

4.根据权利要求1所述的一种基于最优模型评价准则的产品美学评价体系，其特征在于：所述最优模型即为求函数u＝f(x),x＝(x₁,…,x_n),x∈Ω在约束条件h_i(x)＝0,i＝1,2,…,m和g_i(x)≥0(g_i(x)≤0),i＝1,2…,p下的最大值或最小值，其中f(x)为目标函数，x为决策变量，Ω为可行域。

5.根据权利要求1所述的一种基于最优模型评价准则的产品美学评价体系，其特征在于：所述最优模型中的最优化问题根据有无约束条件分为无约束条件的最优化问题和有约束条件的最优化问题；根据决策变量在目标函数与约束条件中出现的形式可分为线性规划问题和非线性规划问题；根据决策变量是否要求取整数可分为整数规划问题和任意规划问题。

6.根据权利要求1所述的一种基于最优模型评价准则的产品美学评价体系，其特征在于：所述S2中的计算处理采用的神经网络算法，所述神经网络算法采用的是深度神经网络，所述深度神经网络由输入层、隐藏层和输出层组成，所述深度神经网络的深度表示它的隐藏层大于2层，具有更深的抽象和降维能力。

7.根据权利要求6所述的一种基于最优模型评价准则的产品美学评价体系，其特征在于：所述深度神经网络的计算公式如下：

即第i层的任意一个神经元一定与第i+1层的任意一个神经元相连，即一个线性关系z＝∑w_ix_i+b加上一个激活函数σ(z)，由于DNN层数多，则线性关系系数w和偏倚b的数量也就是很多了；

以三层的DNN为例，第二层的第4个神经元到第三层的第2个神经元的线性系数定义为

上标3代表线性系数w所在的层数，而下标对应的是输出的第三层索引2和输入的第二层索引4，且

而每次进行矩阵运算是w^Tx+b，需要进行转置，将输出的索引放在前面的话，则线性运算不用转置，即直接为wx+b，总结下，第l-1层的第k个神经元到第l层的第j个神经元的线性系数定义为

输入层是没有w参数的；

偏倚b的定义，以三层的DNN为例，第二层的第三个神经元对应的偏倚定义为

其中，上标2代表所在的层数，下标3代表偏倚所在的神经元的索引，同样的道理，第三个的第一个神经元的偏倚应该表示为

同样的，输入层是没有偏倚参数b的。

8.根据权利要求1所述的一种基于最优模型评价准则的产品美学评价体系，其特征在于：所述S3中的图像处理采用的是模糊算法，所述模糊算法包括有均值模糊和高斯模糊，所述均值模糊和所述高斯模糊基本的过程都是计算一个像素周边的某个领域内，相关像素的某个特征值的累加和及对应的权重，然后得到结果值。

9.根据权利要求8所述的一种基于最优模型评价准则的产品美学评价体系，其特征在于：所述高斯模糊的计算公式如下：

正态分布的密度函数叫做高斯函数，它的一维形式是：

其中，μ是x的均值，σ是x的方差，因为计算平均值的时候，中心点就是原点，所以μ等于0；

根据一维高斯函数，可以推导得到二维高斯函数：

有了这个函数，计算每个点的权重。

10.根据权利要求1所述的一种基于最优模型评价准则的产品美学评价体系，其特征在于：所述S4中的人体工学采用的是贪心算法，所述贪心算法用于寻找最优解问题的常用方法；

所述贪心算法一般按如下步骤进行：

S401、输入贪心算法的约束条件；

S402、把求解的问题分成若干个子问题；

S403、对每个子问题求解，得到子问题的局部最优解；

S404、把子问题的解局部最优解合成原来解问题的一个解。

Images